A menudo hay mucho ruido sobre el potencial de los proyectos de ciencia ciudadana, pero ¿refleja esto una exageración o una realidad? Andrew Gaier y Julian Resasco estudiaron la contribución en un artículo titulado “¿Agregar observaciones científicas comunitarias a los registros del museo mejora el modelado de distribución de una planta endémica rara?" publicado en Ecosphere. En una pérdida rara para Ley de los titulares de Betteridge, la respuesta es sí".

Los científicos que buscan comprender y proteger las especies en peligro de extinción a menudo desarrollan modelos que predicen dónde es más probable que se encuentre una especie en función de factores como el clima, el terreno y el hábitat. Estos modelos de distribución de especies requieren grandes cantidades de datos sobre dónde se ha observado realmente la especie. Construir modelos precisos puede ser un desafío para especies raras con registros de observación limitados.

Sin embargo, el auge de las plataformas de ciencia ciudadana ofrece nuevas oportunidades. Las aplicaciones y los sitios web como iNaturalist permiten a los naturalistas aficionados documentar las observaciones de plantas y animales. Si bien a menudo se considera de menor calidad que las encuestas profesionales, estos registros de ciencia ciudadana pueden aumentar significativamente los datos disponibles para especies raras y en peligro de extinción.

Gaier & Resasco investigó este enfoque para la Telesonix jamesii, James's False Saxifrage, una rara planta de gran altitud con pocas observaciones documentadas. Es una saxífraga pequeña, de hasta 20 cm de altura, que crece en las grietas de las Montañas Rocosas de Colorado y Nuevo México. Su historia natural necesita ser mejor conocida, y hay cierta incertidumbre sobre su distribución.

El botánico desarrolló cinco modelos diferentes para predecir la distribución de la planta, incluidos modelos estadísticos y algoritmos de aprendizaje automático. Incorporar registros de ciencia ciudadana de Naturalista duplicó los datos disponibles para la especie.

Los investigadores encontraron que un modelo de aprendizaje automático de "bosque aleatorio", formado en datos profesionales y de ciencia ciudadana, obtuvo el mejor rendimiento, con una precisión del 98 % (medida como la puntuación del "área bajo la curva"). Todos los modelos principales se basaron en gran medida en variables climáticas como la temperatura promedio y las precipitaciones durante la temporada de crecimiento, lo que sugiere que esta planta está en riesgo en un clima más cálido.

La validación de los modelos frente a observaciones independientes también mostró los beneficios de los datos de ciencia ciudadana. Los modelos basados ​​solo en registros profesionales de museos y herbarios se desempeñaron peor cuando se compararon con los registros de iNaturalist que aquellos que incluyeron datos de iNaturalist durante el entrenamiento. Gaier & Resasco escriben en su artículo:

Existe una amplia utilidad potencial para el enfoque de integración de datos que se muestra en este estudio para la conservación y gestión de especies raras. Hemos demostrado que los datos científicos de la comunidad pueden ser confiables y aumentar sustancialmente la cantidad de registros utilizables aprovechados para modelar distribuciones. Tanto los registros del museo como los registros de iNaturalist requieren un examen para determinar la confiabilidad taxonómica y de ubicación. El uso del modelo mejorado de datos de iNaturalist se ajusta solo ligeramente. La elección del algoritmo de modelado mostró más variación en nuestros resultados que la elección de la fuente de datos. Gran parte de la información necesaria para modelar con precisión jamesii la distribución ya estaba capturada en los datos del herbario. Por lo tanto, especulamos que este marco puede ser más útil para una especie con más observaciones de iNaturalist en hábitats nuevos. Es importante tener en cuenta que este es un estudio específico de especie y que se podría obtener una mayor comprensión a través de un enfoque multiespecífico. Un próximo paso potencial sería evaluar cómo este enfoque de integración de datos difiere entre especies que muestran diferentes patrones de rareza (Rabinowitz, 1981). A pesar de estas advertencias, la información obtenida de las proyecciones de nuestro modelo puede ayudar en la conservación de jamesii para apoyar futuras encuestas dirigidas (Williams et al., 2009), ayudar a identificar las poblaciones en mayor riesgo y predecir cómo las distribuciones pueden verse afectadas por el cambio climático futuro (Franklin, 2013).

Gaier & Resasco 2023

LEA EL ARTÍCULO:

Gaier, AG y Resasco, J. (2023) “¿Agregar observaciones científicas comunitarias a los registros del museo mejora el modelado de distribución de una planta endémica rara?, " Ecosphere, 14(3). Disponible en: https://doi.org/10.1002/ecs2.4419.