Artículo | 20 Jul, 2023

Conservación informática

La IA y el aprendizaje automático están ayudando a avanzar en los esfuerzos de conservación de muchas maneras sorprendentes. Sam Perrin y Tom Ireland exploran las posibilidades y limitaciones de esta tecnología en rápida evolución

Cualquiera que haya interactuado con el chatbot ChatGPT sabe que la inteligencia artificial (IA) se está desarrollando a una velocidad asombrosa. En solo unos meses, el programa ha pasado de ser un motor de búsqueda curiosamente parlanchín a una potente herramienta capaz de investigar, traducir, codificar, resolver problemas e incluso poner en marcha un negocio en línea por ti con solo unas sencillas indicaciones.

Ante la urgente necesidad de que la humanidad adopte medidas eficaces y asequibles para proteger el mundo natural, muchas organizaciones están recurriendo a la IA (y a tecnologías afines como el aprendizaje automático y profundo) para perfeccionar y avanzar en sus esfuerzos de conservación.

Inicialmente, la tecnología se ha utilizado para realizar un reconocimiento de patrones muy rápido, ayudando a identificar atisbos de especies raras ocultas en millones de imágenes u horas de vídeo, o ayudando a identificar señales tempranas de problemas medioambientales en vastas zonas. En China, las imágenes por satélite se han combinado con la tecnología de IA para detectar antes los incendios forestales y alertar automáticamente a la administración local, reduciendo los incendios graves a un tercio de lo que eran antes.

En Wisconsin (Estados Unidos) se han instalado sistemas de cámaras controlados por inteligencia artificial en parques eólicos para reconocer instantáneamente especies amenazadas de aves que vuelan hacia ellos y frenar las turbinas. Y el Parque Nacional Kafue (Zambia) ha instalado una línea de vigilancia de 19 km, equipada con cámaras de infrarrojos y dotada de tecnología inteligente capaz de identificar a los cazadores furtivos y alertar a los guardas locales.

 

CAPTAIN OF CONSERVATION

Las aplicaciones más avanzadas de la IA incluyen algoritmos que pueden entrenarse para modelar acciones de conservación a gran escala o sugerir áreas a las que dar prioridad. En la actualidad existen varias herramientas de IA, como Zonation, CAPTAIN y MARXAN, que pueden ayudar a los conservacionistas a identificar las regiones más necesitadas de protección de la biodiversidad o en las que las medidas podrían tener mayor impacto.

CAPTAIN (Conservation Area Prioritization Through Artificial Intelligence) introduce datos sobre biodiversidad, presupuestos de conservación, modelos de cambio climático y presiones humanas en una red neuronal (una serie de algoritmos que pretenden imitar el funcionamiento del cerebro humano). El programa cuantifica las compensaciones entre los costes y beneficios de la protección de zonas y la biodiversidad, explorando múltiples métricas de biodiversidad.

CAPTAIN es esencialmente un juego en un mundo artificial y simulado, cuyo objetivo es salvar de la extinción al mayor número posible de especies en diversos escenarios. Cada vez, el software aprende a situar mejor las zonas protegidas en su mundo simulado.

Plataformas potentes como Nature Metrics ayudan a las organizaciones a recopilar información de elementos como el ADN medioambiental para hacerse una idea de la composición de un ecosistema y de cómo está cambiando. La empresa Basecamp Research, respaldada por Silicon Valley, utiliza una amplia base de datos de secuencias de ADN de todo el mundo para intentar comprender qué hacen las proteínas del planeta que no se han estudiado. Esperan que esto ayude a los países a valorar la biodiversidad de sus biomas1.

Separator

La tecnología ayuda a proteger a los babuinos y otras especies en el Parque Nacional de Kafue

Shutterstock

PREDICIENDO AMENAZAS

Otras aplicaciones pueden tomar datos de trabajos de conservación existentes o pasados y utilizarlos para hacer predicciones sobre hábitats o especies que aún no se han estudiado o evaluado. Por ejemplo, los científicos de los Jardines de Kew en Londres están probando si el aprendizaje automático puede tomar datos existentes sobre el riesgo de extinción de especies (como la Lista Roja de Especies Amenazadas de la UICN) para predecir cuáles de sus plantas están más amenazadas2.

El Dr. Binbin Li, de la Universidad Duke Kunshan de Carolina del Norte (EE.UU.), utiliza actualmente la IA para rastrear especies por toda China, incluidas especies carismáticas y raras como los takines, los ciervos almizcleros y los pandas gigantes. «Es muy emocionante», dice. «De momento solo estamos arañando la superficie, utilizando la IA para discernir especies a partir de imágenes. Pero en un mundo ideal podremos identificar las especies solo por el sonido -aunque no aparezcan en las cámaras trampa- y empezar a hacernos una idea del tamaño de la población».

Una de las principales ventajas de utilizar estas tecnologías de autoaprendizaje de rápido avance para la conservación es el tiempo. En una reciente conferencia sobre IA organizada por el Fondo Mundial para la Naturaleza, la profesora Bistra Dilkina describió conjuntos de datos cuyo procesamiento habría requerido antes más de 10 años de tiempo de cálculo. Sin embargo, gracias a un modelo de aprendizaje automático que procesaba los datos y se entrenaba para reconocer patrones sobre la marcha, su equipo pudo predecir rápidamente las migraciones de aves a escala continental.

En el proyecto de los Jardines de Kew mencionado anteriormente, el software de riesgo de especies de Kew tardó solo un día en simular las amenazas a las que se enfrentaban 47 659 especies vegetales. En teoría, los sistemas capaces de analizar los datos y aprender a hacerlo con mayor eficacia deberían permitir a los conservacionistas tener más tiempo para recaudar fondos, poner en marcha planes y elaborar estrategias.

La IA también ayuda a personas ajenas a la comunidad científica a contribuir a la vigilancia y conservación ecológicas. Los datos recogidos por personas no especializadas han sido criticados en el pasado por su inexactitud, pero la incorporación de la IA a aplicaciones como Seek/iNaturalist y Merlin/eBird permite a personas sin años de formación académica proporcionar datos fotográficos útiles que pueden identificar organismos a nivel de especie. Esto significa que los lugares situados fuera de las zonas más estudiadas no quedan totalmente sin muestrear, siempre que estén a disposición de grupos locales, excursionistas e incluso turistas.

«Permite a los científicos comunitarios ser más productivos en lo que recogen y tener menos prejuicios taxonómicos», explica el Dr. Wouter Koch, uno de los investigadores de Artobservasjon, una herramienta noruega de información para científicos comunitarios producida por la organización Artsdatabanken (La base de datos de especies). «Pueden informar más de lo que ya saben, que suele ser sobre todo de aves». Además de añadir valiosos datos de observación de especies a las bases de datos mundiales, herramientas como Artobservasjon están contribuyendo a que más gente corriente participe en la misión mundial de comprender y proteger la naturaleza.

La UICN se asoció recientemente con el gigante tecnológico chino Huawei para publicar un informe titulado Tech4Nature: Solutions in Focus, en el que se presentaron numerosos ejemplos de ayuda de la IA a los esfuerzos de conservación, desde la reconstrucción de arrecifes de coral en Mauricio hasta el aumento de las poblaciones de saiga en las estepas euroasiáticas, o el uso de una trampa con IA para proteger al salmón atlántico de sus rivales invasores en la costa norte de Noruega. El informe forma parte de la iniciativa Tech4Nature de la UICN, una asociación mundial para aumentar el éxito en la conservación de la naturaleza a través de la innovación tecnológica digital.

MEJOR CONECTADOS

La UICN también puede desempeñar un papel en la conexión de expertos en IA y aprendizaje automático con la comunidad conservacionista, afirma el Dr. Milind Tambe, Director del Centro de Investigación sobre Computación y Sociedad de Harvard. «Muchos investigadores de IA de todo el mundo tienen las aptitudes y el deseo de trabajar en temas importantes para la UICN», afirma. «Pero no tienen ni idea de cómo podrían empezar, con quién podrían hablar o dónde podrían conseguir los datos».

El equipo de Tambe fue uno de los primeros en aplicar modelos de IA a la lucha mundial contra la caza furtiva en el marco del proyecto PAWS (Protection Assistant for Wildlife Security). El sistema toma información básica sobre un área protegida, así como información sobre patrullas anteriores y actividades de caza furtiva, y genera las rutas de patrulla más eficaces para los guardas forestales. A medida que ejecutan las rutas de patrulla, se recopilan más datos sobre la caza furtiva y se envían a PAWS.

Para quienes estén pensando en explorar la IA en su trabajo de conservación, muchas plataformas de IA son fáciles de encontrar en Internet y son de código abierto, por lo que su uso y modificación son gratuitos. Pero los expertos advierten de los peligros de intentar utilizar soluciones «estándar» o algoritmos «entrenados» en otras zonas del mundo. La historia de la herramienta de vigilancia de fauna salvaje que empezó a identificar jirafas en la nevada ciudad canadiense de Edmonton muestra cómo la IA puede ser especialmente propensa a cometer errores hasta que se le proporcionan datos adecuados para su propósito. Si los datos utilizados para entrenar la inteligencia artificial son deficientes, las identificaciones posteriores de patrones también lo serán o, como dicen los informáticos, «basura entra, basura sale».

Los sesgos de los estudios existentes pueden verse amplificados por un programa de IA, con consecuencias potencialmente desastrosas. Un algoritmo de reconocimiento mal entrenado podría dar lugar a falsos positivos (que podrían agotar los recursos cuando se busca una especie rara) o falsos negativos (que pueden ser desastrosos si se busca una especie invasora o un incendio forestal). La clave para hacerlo bien son las asociaciones, dice Tambe. «Que los investigadores de IA colaboren con las agencias de conservación, desde los datos hasta la implantación».

La Dra. Renee Sieber, profesora asociada de la Universidad McGill y experta en el uso de las TI por grupos comunitarios, ha identificado seis puntos clave para un uso bueno y ético de la IA en la conservación. Se trata de: evitar las soluciones prefabricadas; garantizar que la calidad de los datos sea adecuada para el fin perseguido y que se tengan en cuenta los posibles perjuicios (en caso contrario); que el proceso tecnológico sea justo, explicable y transparente; que se aborden las cuestiones relacionadas con la privacidad y la vigilancia; que se equilibren los derechos de las personas, las comunidades y la fauna; y que los usuarios sepan cuándo trazar líneas rojas.  

imagee
Satellite Images of wild fire