Siempre se ha dicho que la prevención es la mejor cura y que adelantarse a los acontecimientos evita tener que aplicar soluciones que pueden ser vanas. En el campo de la conservación de la diversidad natural se suele llegar tarde y remontar la situación es largo y complejo. En el caso del lince ibérico (Lynx pardinus), 30 años después parece que se ve luz, pero el porvenir de los 129 ejemplares de vaquita marina (Phocoena sinus) tiende a la oscuridad.
Hasta ahora se ha reaccionado cuando el mal ya estaba hecho, pero esto puede cambiar. Un modelo de inteligencia artificial (IA) desarrollado por un equipo investigador de la Universidad de Maine, en EEUU, va a permitir anticipar los riesgos de extinción que enfrentan más de 10.000 especies de peces de agua dulce a nivel mundial, según publica la revista Nature Communications.
Una herramienta de alerta temprana
Esta nueva IA analiza 52 variables ecológicas, ambientales y socioeconómicas para ofrecer la posibilidad de intervenir antes de que la situación resulte irreversible y una especie se convierta en otro nombre de la lista roja de especies en peligro.
El trabajo se ha centrado en los peces de agua dulce ya que casi un tercio de las especies cuenta con una cercana posibilidad de extinción. Y esto tiene un impacto potencial en la disponibilidad de alimentos y el equilibrio de ecosistemas.
La profesora adjunta Christina Murphy, que ha liderado este proyecto, señala que la mayoría de las especies incorporadas al modelo aún pueden beneficiarse de medidas de protección temprana. Afirma que la clave reside en anticipar la intervención, permitiendo la protección de especies antes de que la situación sea irreversible.
IA, datos globales y predicción proactiva
Con esta herramienta, los científicos buscan que la conservación sea proactiva, facilitando la identificación y el resguardo de especies mientras todavía están fuera de peligro.
Para ello han desarrollado un modelo informático que integra 12 fuentes públicas de información, principalmente de la Unión Internacional para la Conservación de la Naturaleza (UICN). Aplica la inteligencia artificial para analizar millones de relaciones no lineales entre las especies y su entorno. De este modo, puede determinar cuáles están en riesgo inmediato, así como los factores particulares que las afectan.
Entre las 52 variables evaluadas se incluyen la construcción de presas, la extracción de agua, la degradación de hábitats, la contaminación ambiental, factores económicos y la presencia de especies invasoras. Esto permite ir más allá de las evaluaciones tradicionales. Mediante el uso de estos datos, optimiza y agiliza el proceso de identificación de especies en peligro.
El coautor del estudio, Andrés Olivos, investigador posdoctoral en la Universidad Estatal de Oregón, explicó que “los resultados sugieren que la conservación funciona como la salud humana: las señales de bienestar suelen ser más consistentes que las múltiples vías de enfermedad. Para los peces de agua dulce, las condiciones de seguridad tienden a ser predecibles, mientras que el riesgo de extinción puede provenir de innumerables combinaciones de amenazas”.
El modelo fue validado al compararse con evaluaciones existentes sobre especies en peligro, lo que permite a los usuarios examinar los riesgos principales y comprobar si estas amenazas también afectan a especies aún no clasificadas como amenazadas.
Impacto en la gestión y la planificación
“Esto utiliza nuevas métricas para identificar qué está funcionando para evitar que las especies sean incluidas en la lista”, afirmó Murphy. De acuerdo con la investigadora, el hallazgo más importante es el peso del impacto socioeconómico en el éxito de la conservación y la capacidad del modelo para identificar estrategias eficaces. Según Murphy, “los administradores pueden establecer programas de conservación basándose en lo que ha funcionado en el pasado, ya que muchas especies comparten lo que funciona”.
El análisis de patrones ecológicos, ambientales y económicos permite que la herramienta sugiera protecciones específicas que beneficien a múltiples especies simultáneamente. Así, los responsables de la vida silvestre pueden asignar recursos de forma preventiva.
Proyección hacia otras especies
Murphy y su equipo esperan que esta herramienta se adapte para diseñar modelos predictivos destinados a la protección de otras formas de flora y fauna, extendiendo el enfoque proactivo y basado en IA a la conservación de diversos grupos biológicos.
Lo que hay que tener claro es que esta herramienta no sustituye el trabajo de campo ni la evaluación experta. La IA depende de la calidad de los datos disponibles y puede heredar sus sesgos. Además, la conservación no es solo un problema técnico: es político, económico y social. Saber qué especie está en riesgo no garantiza que se destinen recursos para protegerla. Y como ejemplo, la actual normativa de pesca de angulas que permite seguir capturándolas a pesar de sus extremo riesgo de extinción.
