Utilitzen Intel·ligència Artificial per a predir interaccions entre plantes en ecosistemes poc estudiats

  • Parc Científic
  • 25 d’octubre de 2024
 
Els patrons de coexistència en comunitats ben mostrejades són extrapolables gràcies a la IA. A. Montesinos, J. A. Navarro i A. Valent-Banuet
Els patrons de coexistència en comunitats ben mostrejades són extrapolables gràcies a la IA. A. Montesinos, J. A. Navarro i A. Valent-Banuet

Un treball liderat pel Centre d'Investigacions sobre Desertificació (CIDE, UV-CSIC-GVA) ha pogut predir les interaccions ecològiques que succeeixen en comunitats vegetals poc analitzades, a partir de patrons de coexistència d'un ecosistema alacantí molt més mostrejat. Per a desenvolupar l'estudi, l'equip ha utilitzat ‘l'aprenentatge per transferència’, una tècnica d'aprenentatge automàtic –‘machine learning’– que obri un nou enfocament en la recerca sobre la biodiversitat i la seua conservació.

La Intel·ligència Artificial (IA) pot millorar la comprensió de la biodiversitat i la coexistència d'espècies vegetals. Així ho demostra un estudi liderat pel Centre d'Investigacions sobre Desertificació (CIDE, UV-CSIC-GVA), que ha emprat una tècnica anomenada ‘aprenentatge per transferència’ per a millorar el coneixement sobre la coexistència d'espècies vegetals en zones de Múrcia i Mèxic a partir d'un ecosistema ben mostrejat com és el de Petrer, a Alacant. El treball, publicat en la revista Ecological Informatics, suposa una nova manera d'analitzar les interaccions ecològiques en comunitats de plantes, i proporciona nova informació si es compta amb poques dades per a respondre a preguntes ecològiques urgents.

L’‘aprenentatge per transferència’ permet reutilitzar el coneixement generat a partir de grans conjunts de dades per a aplicar-lo a comunitats ecològiques de les quals es té menys informació disponible.

“Per a entendre com coexisteixen diferents espècies de plantes en comunitats ecològiques, hem entrenat un model d’IA amb dades d'una comunitat ben estudiada en el sud-est d'Espanya, i després l'hem utilitzat per a predir interaccions entre espècies en altres dues comunitats, una en Espanya i una altra en Mèxic”, explica Johannes Hirn investigador del CSIC en el CIDE i primer autor de l'article.

A més del grup del CIDE, en l'estudi ha participat personal investigador de l'Institut de Física Corpuscular (IFIC, UV-CSIC), de l'Institut Nacional de Recerca i Tecnologia Agrària i Alimentària (INIA, CSIC) i de la Universitat Nacional Autònoma de Mèxic. L'equip ha treballat en comunitats de plantes a Petrer (Alacant) i La Unió (Múrcia), a Espanya, i en San Juan Raya (Mèxic), totes elles comunitats vegetals estructurades per interaccions de facilitació, és a dir, interaccions entre espècies que beneficien almenys a un dels participants sense causar mal a cap d'ells.

El poder de l'aprenentatge per transferència

“En Ecologia, recopilar dades de camp és un procés lent i costós, la qual cosa dóna lloc a molts estudis amb conjunts de dades xicotetes”, indica Miguel Verdú, investigador del CSIC en el CIDE i coautor del treball. “Ací hem demostrat que els conjunts de dades més xicotetes, amb menys de 1.000 pegats de vegetació, analitzats en La Unió i en Sant Juan Raya poden beneficiar-se de la IA si es combinen amb el conjunt de dades més gran –més de 2.000 pegats– de la comunitat de Petrer, a Alacant, i s'aplica adequadament l'aprenentatge per transferència”, explica el científic.

“Aquestes tècniques estan començant a utilitzar-se en estudis d'ecologia bàsica, però el seu desenvolupament pot ajudar a millorar els programes de restauració de zones degradades o en risc de desertificació”, afigen José A. Navarro i Marta Goberna, de l'INIA, signants també del treball.

Segons l'article, aquest avanç té importants implicacions per a la conservació de la biodiversitat, ja que l'obtenció d'informació valuosa a partir de conjunts de dades xicotetes permet a l'ecologia millorar la predicció sobre la coexistència i les formes de relació entre les espècies, i guiar, per tant, les intervencions ecològiques.

La investigació destaca el paper de la intel·ligència artificial i les xarxes neuronals profundes del Deep learning a l'hora de modelar de manera més flexible les interaccions complexes entre espècies, oferint una imatge més clara de com coexisteixen en diferents entorns.

“El nostre centre ha jugat un paper clau en el desenvolupament dels models d’IA generatius utilitzats en aquest estudi com a base per a l'entrenament i la transferència en diferents localitzacions”, recorda Verónica Sanz, catedràtica de Física de la Universitat de València, investigadora de l’IFIC i cosignatària de l'article publicat a Ecological Informatics. “Gran part del nostre treball es va centrar en que l'algorisme fóra resilient davant els canvis en les espècies típiques de cada ambient ecològic, però robust enfront de l'existència d'interaccions complexes”, argumenta la científica.

Els resultats suggereixen que l'aprenentatge per transferència podria convertir-se en una eina estàndard en l'ecologia, permetent a la investigació aprofitar xicotets conjunts de dades per a respondre a preguntes ecològiques urgents. Els futurs estudis podrien aplicar aquesta tècnica a una major varietat d'ecosistemes i espècies. “En transferir el coneixement entre ecosistemes podem començar a construir una comprensió unificada de com funcionen els patrons de coexistència d'espècies”, assegura Johannes Hirn. “Això podria permetre'ns prendre decisions més informades en el camp de la conservació”, conclou.

Referència:
J. Hirn, V. Sanz, J.E. García, et al., Transfer learning of species co-occurrence patterns between plant communities, Ecological Informatics (2024).

https://doi.org/10.1016/j.ecoinf.2024.102826