Una tarde fría de junio me quedé mirando la pantalla con una taza de té enfriándose al lado del teclado, sin entender cómo mi script de R había decidido que el bosque templado lluvioso podía crecer feliz en medio del desierto. El mapa resultante pintaba medio Chile de un rojo brillante, indicando una idoneidad perfecta donde en la vida real no sobrevive ni un cactus.
Antes de meternos en el enredo de los mapas, una aclaración transparente: un par de enlaces en esta bitácora son de afiliado. Si decides entrar a algún curso a través de ellos, a mí me llega una pequeña comisión por compartir la experiencia y a ti no te cobran ni un peso extra. Son talleres que compré con mi plata y con los que me senté a pelear durante semanas de lluvia; jamás recomendaría algo que no haya instalado y sufrido en mi propio computador.
De mirar copas de árboles a preguntarme por qué crecen ahí
Llevaba meses entretenida mirando parches de renovales con imágenes satelitales, fascinada por cómo cambiaba el dosel entre estaciones. Pero en algún momento de ese invierno me picó la curiosidad por dar un paso más atrás: no solo registrar dónde se ve verde la imagen, sino entender qué condiciones hacen posible que una especie exista en un rincón de la cordillera y no dos valles más al norte.
Ahí fue cuando me topé con el concepto de nicho ecológico y el famoso algoritmo Maxent (de máxima entropía). En los foros hablaban maravillas: decían que bastaba con conseguir coordenadas donde alguien hubiera visto la planta y alimentarlo con variables de clima para que el programa predijera mágicamente toda su distribución potencial. Sonaba tan sencillo que un domingo por la tarde me bajé un archivo lleno de coordenadas de árboles nativos y me dispuse a sacar mi primer mapa en un par de horas. Qué inocente.
Mi primer tropiezo técnico fue monumental. Fui directo a descargar el conjunto de datos de WorldClim, que comprime el clima mundial en 19 variables bioclimáticas derivadas de promedios de temperatura y precipitación. En mi entusiasmo de principiante, cargué las diecinueve capas ráster completas para toda Sudamérica directamente en la memoria de RStudio, sin recortar la extensión geográfica al sur de Chile. En cosa de segundos, el ventilador del computador empezó a zumbar con un chillido agudo mientras el repiqueteo del agua contra el zinc del techo marcaba el ritmo de la tormenta afuera; la sesión se congeló por completo y perdí todo lo que no había guardado.
Esa tarde aprendí a la fuerza que trabajar con datos espaciales sin recortar primero tu ventana de estudio (el famoso crop y mask) es una receta garantizada para que tu máquina colapse antes de que empiece el cálculo.
La trampa de las colecciones de museo y los caminos transitados
A las tres semanas de pruebas y tras varios reinicios forzados, logré que el modelo corriera sin que la máquina se apagara sola. Pero los mapas seguían viéndose raros. Extremadamente raros. Había una franja delgadísima de alta probabilidad de presencia que seguía casi con devoción el trazado de la Ruta 5 Sur.
Fue ahí donde choqué con algo que los manuales rápidos de internet suelen pasar por alto: el sesgo de muestreo geográfico en los datos históricos. Quienes trabajan catalogando pliegos botánicos antiguos o registros de museos saben bien de esto, aunque una recién lo procesa cuando se le deforma la predicción en la pantalla. Durante décadas, los botánicos y naturalistas recolectaron especímenes donde les resultaba accesible llegar: cerca de senderos conocidos, estaciones de tren o costados de carreteras principales. Si alimentas a Maxent con esos puntos sin filtrar, el algoritmo asume que la especie adora el asfalto y los fondos de valle accesibles, no porque allí se limite su biología, sino porque nadie subió a muestrear los filos escarpados de la cordillera un día de temporal.
Si te ha tocado lidiar con tablas de coordenadas sucias o registros duplicados en la misma celda de terreno, en mi experiencia limpiando puntos de presencia para modelado de nicho r tengo anotados los filtros espaciales que fui aplicando para que el modelo no se vuelva loco con tres registros tomados a dos metros de distancia.
También me di de cabezazos con la famosa multicolinealidad. De esas 19 capas bioclimáticas que entrega WorldClim, muchas dicen prácticamente lo mismo con diferente ropa (por ejemplo, la temperatura media del trimestre más cálido y la temperatura máxima del mes más cálido están íntimamente atadas). Cuando metes variables que compiten entre sí, el modelo se sobreajusta y arroja métricas engañosas. Mirar una matriz de correlación llena de coeficientes cruzados me mareaba, hasta que entendí que convenía quedarse solo con cuatro o cinco variables que tuvieran sentido fisiológico real para la planta que estaba estudiando, un proceso del que hablé más largo en cómo seleccionar variables ambientales para modelado de nicho sin errores.
El momento en que las piezas empezaron a encajar
Pasé buena parte del invierno perdida entre tutoriales sueltos en inglés que daban por sentado que ya entendías álgebra lineal o que usaban interfaces gráficas antiguas en Java en lugar de código reproducible. Hacia fines de agosto, cansada de dar palos de ciego los sábados por la mañana, decidí ordenar el aprendizaje y me inscribí en el curso de Modelado de Nicho Ecológico con Maxent en R.
Lo elegí principalmente porque era directo y más acotado que otros programas gigantescos. En ese momento dudé un poco porque tenía pocas reseñas públicas, así que fui con expectativas cautas, pero resultó ser el puente que me faltaba. Antes había estado ojeando cursos más amplios como Teledetección Satelital con R y R-Studio, pero ese camino cubría tantas cosas a la vez que sentía que me iba a desviar del objetivo puntual de entender el hábitat de las especies. (Si te interesa el tema de precios, el valor vigente está directamente en la página de cada curso y suele tener ajustes, así que prefiero no aventurar cifras).
Lo que me destrabó la cabeza fue entender la diferencia entre las ausencias reales y los puntos de fondo (o background points). Maxent no necesita que le digas dónde la especie no vive; trabaja comparando los sitios de presencia confirmada contra una muestra aleatoria del espacio accesible para la especie. Si defines mal ese espacio de fondo —por ejemplo, metiendo la estepa patagónica como fondo para una planta que nunca pudo cruzar los Andes—, el algoritmo arroja métricas de validación infladas. Aprendí a no confiar ciegamente en el AUC (el área bajo la curva): un modelo con un valor de 0.5 predice exactamente igual que tirar una moneda al aire, pero un AUC de 0.95 no siempre significa que tu mapa sea perfecto; muchas veces solo delata que le diste un área de contraste ridículamente grande.
Para quienes estén dando sus primeros tropezones con scripts y no sepan bien por dónde agarrar este mundo, armé una pequeña guía para aprender modelado de distribución de especies con Maxent en R desde cero que ahorra bastantes fines de semana de frustración.
Lo que un mapa puede decir (y lo que calla)
Un sábado de primavera, mientras por la ventana asomaba tímidamente el primer sol tibio después de semanas de lluvia continua en Valdivia, logré exportar mi primer PDF con una distribución limpia y verosímil. Los parches de probabilidad coincidían con las quebradas húmedas que conozco caminando los fines de semana, sin saltarse absurdamente hacia zonas urbanizadas ni trepar hasta las nieves eternas.
Fue una satisfacción tremenda, pero también vino acompañada de una cura de humildad teórica. Al principio, en mi cabeza de aficionada, pensé que el algoritmo me diría dónde sobrevive el bosque hoy, no sólo los lugares donde el clima se lo permitiría en teoría. Y resulta que Maxent modela idoneidad climática potencial, nada más. No sabe si una quebrada perfecta fue talada hace veinte años para poner eucaliptos, ni si una especie no llega a una ladera vecina simplemente porque no tiene un pájaro que disperse sus semillas a través de un valle seco.
Hacer estos mapas los fines de semana me enseñó que la teledetección y el modelado espacial no son varitas mágicas que reemplazan el pisar el barro. Son lupas gigantescas para formular mejores preguntas. Si estás lidiando con tus primeros modelos en RStudio y sientes que las capas ráster no se alinean o que los resultados contradicen el sentido común, no te desanimes: casi siempre el error está en un detalle geográfico invisible —un sesgo de recolecta, una proyección mal empatada o una variable redundante— que solo pide un poco de paciencia y un mate caliente para desenredarse.