Cada vez que alguien fotografía una flor silvestre en un parque urbano o un arbusto cargado de bayas al borde de un sendero, está haciendo algo más que registrar un momento de curiosidad. Para la mayoría Naturalista Para los usuarios, esa fotografía puede ser simplemente un registro personal, un descubrimiento de fin de semana o una forma de identificar la planta que tienen delante. Sin embargo, ese archivo digital también puede convertirse en materia prima para la ciencia. Con la ayuda de una herramienta de visión artificial llamada PhenoVisionLas fotografías comunitarias pueden convertirse en una vasta base de datos para rastrear cómo responden las plantas al cambio ambiental.
Las plantas poseen sus propios relojes biológicos, y la fenología —el momento en que ocurren los eventos del ciclo de vida, como la brotación de las hojas, la aparición de las hojas, la floración y la fructificación— es uno de los indicadores más claros de cómo los ecosistemas responden a las condiciones cambiantes. Si las plantas florecen o fructifican antes de lo habitual, pueden desincronizarse con los polinizadores, los dispersores de semillas u otras especies que dependen de ellas. Estos cambios pueden afectar las interacciones entre especies y alterar la estructura y el funcionamiento del ecosistema. Para detectar y predecir tales cambios, los científicos necesitan datos fenológicos detallados y de alta calidad de todo el mundo. Sin embargo, los registros fenológicos históricos suelen ser escasos y estar sesgados geográficamente, lo que limita una comprensión más amplia de cómo está cambiando la vida vegetal.
Aquí es donde los datos de la ciencia ciudadana se vuelven vitales. Plataformas como iNaturalist reciben ahora millones de observaciones de la naturaleza cada mes, creando un registro extraordinario de dónde y cuándo se observan plantas y otros organismos. A pesar de esta afluencia masiva, la mayoría de estas imágenes no están etiquetadas con información sobre si una planta está floreciendo o dando fruto. La anotación humana es mucho más lenta que la tasa de nuevas cargas, lo que hace que la revisión manual de decenas de millones de imágenes de campo sea poco realista. Para abordar este cuello de botella, un equipo liderado por los investigadores Russell Dinnage, Daijiang Li y Robert Guralnick desarrolló PhenoVisionEste modelo de visión artificial automatiza la anotación de flores y frutos a partir de imágenes de campo, lo que representa un marco de alto rendimiento impulsado por estrictas necesidades de investigación.
Para construir PhenoVisionLos investigadores entrenaron un modelo informático, basado en Vision Transformer, con 1.5 millones de imágenes de iNaturalist que los usuarios ya habían marcado como flores, frutos o ninguna de las dos. Además, le proporcionaron un entrenamiento adicional con un amplio conjunto de datos de identificación de plantas, lo que le permitió aprender las señales visuales que utilizan los botánicos y naturalistas para identificarlas.
Sin embargo, las fotos de iNaturalist no son retratos de estudio. Pueden estar borrosas, distantes, mal iluminadas, abarrotadas de otras plantas o tomadas desde ángulos inusuales. Para abordar esto, los investigadores establecieron puntos de corte estrictos para determinar cuándo el programa podía afirmar con seguridad que había una flor o un fruto presente, y cuándo una imagen debía tratarse como ambigua. Después de este paso de control de calidad, PhenoVision Tuvo un rendimiento excelente en las imágenes de prueba, detectando correctamente la presencia de flores con un 98.5 % de precisión y la presencia de frutos con un 95 % de precisión.
Una vez calibrados los resultados del modelo, los investigadores aplicaron PhenoVision a más de 53 millones de imágenes de plantas sin anotar de iNaturalist. El resultado fue un nuevo recurso importante para la botánica digital: 30,199,391 registros fenológicos estandarizados y listos para la investigación, incluyendo más de 25 millones de registros para flores y casi 5 millones para frutos. Esto amplía enormemente los datos fenológicos de lugares que a menudo han estado subrepresentados, especialmente en el Sur Global y lejos de los principales centros de investigación urbanos o costeros. El proyecto también amplía la cobertura taxonómica al generar etiquetas fenológicas de plantas automatizadas para 119,340 especies, que representan más de una cuarta parte de todas las plantas conocidas, en 10,406 géneros y 408 familias.
Para facilitar el uso de estos datos junto con otros registros botánicos, los investigadores mapearon la información fenológica resultante a la Ontología de la fenología vegetal y luego lo introdujo en una aplicación web llamada PhenoBaseEsto permite combinar más fácilmente los registros de ciencia ciudadana con los registros de especímenes físicos de los herbarios y con los datos de monitoreo in situ. En conjunto, estas fuentes pueden brindar a los científicos una visión más amplia de cuándo florecen y fructifican las plantas, y cómo esos patrones están cambiando en diferentes regiones, especies y ecosistemas.
An documento de investigación preliminar Ya se está demostrando lo que los datos de PhenoBase pueden revelar. Utilizando fotos de iNaturalist etiquetadas con información sobre flores y frutos, los autores compararon plantas de ciudades tropicales con plantas de zonas rurales cercanas. Descubrieron que las plantas urbanas tienden a florecer o fructificar durante más tiempo, con patrones estacionales menos definidos. Si las ciudades están alterando el calendario habitual de floración y fructificación, esto podría afectar a los polinizadores, la producción de semillas, la supervivencia de las plantas y el ecosistema urbano en general.
Para los usuarios de iNaturalist, el proyecto demuestra cómo la ciencia ciudadana puede ir mucho más allá de las observaciones individuales. Una fotografía tomada durante un paseo, una excursión o una salida de fin de semana puede formar parte de un esfuerzo global para monitorear los cambios en la biodiversidad. Para los investigadores, PhenoVision ofrece modelos de código abierto, flujos de trabajo y métricas de calidad estandarizadas que pueden respaldar estudios de fenología a gran escala. Para la conservación, los datos de fenología casi en tiempo real pueden ayudar a detectar temporadas de floración inusuales, rastrear cambios relacionados con el clima e identificar regiones donde la cronología de las plantas está cambiando más rápidamente.
La botánica digital no consiste en sustituir la fascinación por las plantas por algoritmos o bases de datos. En cambio, plataformas como PhenoVision demuestran cómo el aprendizaje automático puede potenciar la curiosidad humana cotidiana. La próxima vez que fotografíes una planta con flores para iNaturalist, esa imagen podría hacer algo más que conservar un recuerdo o ayudar con su identificación. Podría convertirse en una pequeña parte de un esfuerzo global por comprender cómo está cambiando la vida vegetal.
LEE LOS ARTÍCULOS
Dinnage, R., Grady, E., Neal, N., Deck, J., Denny, E., Walls, R., Seltzer, C., Guralnick, R., & Li, D. (2025). PhenoVision: Un marco para automatizar y proporcionar datos de fenología vegetal listos para la investigación a partir de imágenes de campo. Methods in Ecology and Evolution, 16, 1763–1780. https://doi.org/10.1111/2041-210X.70081
Jha, R.Simha, A., Ita, R., Rao, R., Li, D. y Kandlikar, G. (2026) Los entornos urbanos remodelan la fenología reproductiva de las plantas en los trópicos. Disponible en: https://doi.org/10.64898/2026.01.28.702306.
Traducción al español y portugués por Erika Alejandra Chaves-Diaz.
Imagen de portada de Zoro (Canva).
Perfil del escritor invitado
Erika es una bióloga y ecóloga colombiana apasionada por los bosques tropicales, los primates y la divulgación científica. Posee una maestría en Ecología y Conservación de la Vida Silvestre y colabora con @cienciatropical para conectar a las personas con la biodiversidad.
