HomeENTORNOAMBIENTENublado con posibilidad de aves

Nublado con posibilidad de aves

Publicado el

por Peter Andrey Smith

Las aves migratorias alzan el vuelo, a veces por miles de millones, al amparo de la noche, guiadas por señales celestes. Muchas parten justo después del anochecer, sincronizando su vuelo con el aumento de la presión atmosférica, señal de buen tiempo. Otras especies basan su partida en el cambio de las horas de luz. Migran debido al cambio de estaciones y a la variación en la disponibilidad de recursos. Pero hay tantas aves y tantas especies diferentes —más de 450 especies migratorias solo en Norteamérica— que observar y medir su migración dinámica y compleja a lo largo del tiempo presenta importantes desafíos técnicos.

Durante cientos de años, naturalistas y científicos intentaron modelar esta migración masiva ave por ave. Sin embargo, ese enfoque solo captó una fracción del total. “Cuando intentamos rastrear individuos, colocándoles dispositivos, nos limitamos a rastrear decenas o cientos de aves, cuando en realidad hay miles de millones de aves migrando por todo el mundo”, afirmó Kyle Horton, ornitólogo e investigador de la Universidad de Purdue. “Por lo tanto, intentar cuantificar la magnitud es realmente muy difícil”.

Los observadores más dedicados pueden elaborar listas de las aves que ven u oyen, pero en los últimos años han recurrido al radar meteorológico, que cubre un tercio del territorio continental de Estados Unidos y observa constantemente los cielos día y noche.

La migración primaveral de este año en Norteamérica reveló datos en tiempo real con una resolución sin precedentes. Tomemos como ejemplo una sola noche: el 15 de abril de 2026, alrededor de la medianoche, 156 millones de aves surcaron los cielos de Estados Unidos continental, superando en 20 millones el total previsto. Los investigadores lograron este hallazgo gracias a la inteligencia artificial, capaz de identificar las aves a partir de datos meteorológicos públicos.

El radar utiliza ondas electromagnéticas para rastrear objetos a distancia, incluyendo aeronaves y formaciones meteorológicas. Durante gran parte de su existencia, el radar se ha visto afectado por lo que se conoce como biodispersión, o lo que equivale a ruido biológico externo: aves, murciélagos e insectos voladores. Investigadores británicos bautizaron estas enigmáticas apariciones fantasmales como “ángeles”. Inicialmente, la reutilización de estos datos para estudiar aves y organismos voladores se topó con limitaciones importantes.

Parte del problema era matemático: los humanos no podían analizar 15 000 imágenes de radar por noche para eliminar las interferencias no aviares y asociar las variables atmosféricas con la intensidad de la migración. En la última década, los algoritmos de aprendizaje automático resolvieron prácticamente estos problemas. A su vez, las observaciones y los datos de radar archivados permitieron mejorar los pronósticos de migración.

A principios de este año, investigadores de Purdue, entre ellos Horton, y colaboradores de la Universidad de Cornell, la Universidad de Massachusetts Amherst y la Universidad de Illinois Urbana-Champaign publicaron una actualización sobre BirdCast, un proyecto que comenzó hace veintiséis años. Se trata de una reflexión sobre el campo de la ornitología por radar, que no solo ha alcanzado la madurez, sino que se ha consolidado bajo el término más amplio de aeroecología, que abarca a todos los organismos que habitan el espacio aéreo. Sin el aprendizaje automático, afirmó Horton, las predicciones detalladas de migración simplemente no serían posibles: “BirdCast existe gracias a la inteligencia artificial”.

Las aplicaciones no convencionales de los datos meteorológicos también sirven como testimonio de la inversión pública en una red nacional de vigilancia (en concreto, la investigación de la Administración Nacional Oceánica y Atmosférica) en un momento en que la administración actual estaba retirando fondos de las agencias federales como parte de recortes más amplios a la ciencia.

Ya a principios de la década de 1990, el Servicio Meteorológico Nacional comenzó a instalar grandes cúpulas blancas de fibra de vidrio, conocidas como radar Doppler de vigilancia meteorológica, WSR-88D o NEXRAD. Poco después de que estas cúpulas, a veces llamadas “bolas meteorológicas”, entraran en funcionamiento, Sidney Gauthreaux, ornitólogo de la Universidad de Clemson en aquel entonces, imaginó utilizarlas para vigilar la migración de las aves. Andrew Farnsworth, uno de los antiguos alumnos de posgrado de Gauthreaux, que ahora trabaja en el Laboratorio de Ornitología de Cornell, afirmó que este trabajo “abrió los ojos de la gente y les hizo pensar: ‘¡Guau, esta es una tecnología de monitoreo de gran importancia!’”.

Más en New York Diario:  La deuda ética de la inteligencia artificial

La primera versión de BirdCast se lanzó en el año 2000, tras recibir financiación de la Agencia de Protección Ambiental. “Ya no hacen eso”, comentó Farnsworth. El cálculo inicial del grupo era relativamente básico y se basaba en un conjunto de ecuaciones. “Teníamos dos hojas de cálculo para el primer proyecto de BirdCast”, explicó Farnsworth. Asimismo, su enfoque era relativamente limitado, entre Carolina del Norte y Nueva Inglaterra. Cada mañana, el equipo obtenía datos de diez estaciones de radar meteorológico en la ruta migratoria del Atlántico Medio y los introducía en su hoja de cálculo, que generaba un número que se utilizaba para elaborar el pronóstico. “Era simplemente una ecuación lineal”, afirmó Farnsworth. “Es como determinar si la intensidad de la migración se relaciona con ciertas variables meteorológicas”.

Así fue. El estudio demostró que la temperatura es el principal factor predictivo de la intensidad de la migración. Pero después de aproximadamente un año, BirdCast 1.0 dejó de funcionar.

Uno de los obstáculos era la accesibilidad. Hasta bien entrado el siglo XXI, la NOAA almacenaba datos de radar públicos en antiguas cintas magnéticas de  mm con capacidad de exabytes. Dan Sheldon, informático de la Universidad de Massachusetts-Amherst, explicó: “Había que hacer un pedido en una página web; un sistema robótico cargaba las cintas en discos, te enviaban correos electrónicos y podías descargarlas”. No fue hasta 2015 que Amazon Web Services, el proveedor comercial de computación en la nube, solucionó estos problemas.

El grupo se enfrentaba a otro obstáculo crucial: la visión humana. Una imagen de radar sirve como mapa, mostrando qué objetos reflejan el haz de vuelta al sensor; el brillo/intensidad se correlaciona con la densidad del objeto, ya sea una nube de vapor de agua o una bandada de animales voladores. Pero los investigadores tenían que observar directamente las señales de radar y determinar qué fragmentos pixelados de color verde probablemente reflejaban aves y cuáles reflejaban nubes.

Sheldon comenzó a desarrollar software, automatizando los pasos necesarios para analizar datos de radar mediante aprendizaje automático. En términos técnicos, los datos contenían información sobre la velocidad radial: si un objeto se movía hacia la bola meteorológica o se alejaba de ella, y a qué velocidad. Utilizando numerosas mediciones de velocidad radial en diferentes direcciones, pudieron reconstruir la velocidad de los objetos, tanto su dirección como su rapidez.

Pero estos datos contenían distorsiones, lo que significaba que tenían dos problemas: eliminar las distorsiones y reconstruir la velocidad. En lugar de resolverlos de forma independiente, uno tras otro, el algoritmo de Sheldon y sus colegas hizo estas inferencias simultáneamente. Jeff Buler, quien dirige el programa de aeroecología en la Universidad de Delaware y ha colaborado con varios autores de BirdCast, dijo que fue un gran avance en términos de determinar la velocidad, pero también fue una especie de golpe maestro porque, como él dijo, “los ornitólogos tuvieron que idear un algoritmo mejor para recuperar las velocidades radiales en los datos de radar que los meteorólogos”. Lo que siguió fue una serie de artículos que progresivamente se ampliaron hasta que los ornitólogos estaban haciendo lo que Gauthreaux había imaginado originalmente, capturar la densidad de aves y la intensidad de la migración a escala de los Estados Unidos continentales. “El siguiente gran avance computacional fue el artículo de MistNet”, dijo Sheldon. En 2019, MistNet eliminó la precipitación de la señal, dejando solo los organismos vivos en los datos. Horton, el investigador de Purdue que por aquel entonces era estudiante postdoctoral en el Laboratorio de Ornitología de Cornell, comentó que solía examinar cientos de miles de imágenes, sin incluir las meteorológicas, sino las biológicas. “Ahora está automatizado”, añadió.

Más en New York Diario:  Qué (no) hicieron los funcionarios cuando Nueva York se llenó de humo

En 2018, un grupo liderado por Adriaan Dokter, ecólogo con formación en física que ahora dirige BirdCast en Cornell, lanzó bioRad , una herramienta de código abierto para extraer señales biológicas de datos de radar meteorológico. Buler afirmó que bioRad facilitó la comunicación entre laboratorios. “No solo se trataba de crear algoritmos para procesar los datos”, dijo, “sino también de desarrollar estas métricas estándar que ahora todos utilizamos”.

Según Buler, el software en sí fue el hito más importante: “Esto podría tener un mayor impacto en la ciencia que las publicaciones en sí mismas”.

Las preguntas fundamentales no habían cambiado; lo que sí había cambiado era la capacidad de procesamiento. BirdCast se relanzó y, según Farnsworth, los pronósticos surgieron como resultado directo de los datos disponibles públicamente, el aprendizaje automático y la capacidad de procesar grandes cantidades de datos rápidamente. Podían excluir los datos meteorológicos y aislar los biológicos. “Todo esto permitió, básicamente, operacionalizar en tiempo casi real el análisis de los datos de radar que se ven en el panel de control”.

No se trataba solo de los datos del radar; los datos archivados sirvieron de base para las predicciones, añadió: “Ambas cosas surgieron como resultado de la era del big data, la computación en la nube y el aprendizaje automático”.

Hace unos diez años, cuando BirdCast 2.0 entró en pleno funcionamiento, la Conferencia Ornitológica Norteamericana celebró su reunión anual en Washington, D.C. Buler tenía previsto presentar una investigación sobre 16 radares , y su presentación siguió a la de un grupo de Cornell que había identificado un patrón que sugería mayores concentraciones de aves en zonas urbanas. Los investigadores no estaban seguros de por qué las aves buscarían zonas urbanas durante la migración, o si se trataba de una anomalía en los datos debido a una mayor concentración de observadores de aves en esos lugares.

Buler creyó tener la respuesta y les dijo: “Los pájaros se sienten atraídos por la contaminación lumínica”. El análisis de datos de radar a gran escala reveló el fenómeno y, según recuerda Buler, el grupo de Cornell le comentó que nunca habían considerado esa posibilidad. Recuerda que prácticamente pudo ver cómo se les encendía la bombilla.

Los resultados demostraron cómo los modelos de IA personalizados pueden orientarse hacia problemas bien definidos para superar obstáculos y barreras clave. “Creo que es un modelo muy exitoso para aplicar la IA en la ciencia”, dijo Sheldon. “Es algo diferente de lo que uno podría imaginar, que es como soltar agentes de IA para que aborden un problema científico y lo resuelvan por sí solos desde la fase de ideación, formulando hipótesis, realizando experimentos y extrayendo conclusiones”.

No se trataba tanto de que la inteligencia artificial hiciera un descubrimiento de forma autónoma —no se había puesto en marcha ningún modelo para generar hipótesis ecológicas—, sino más bien de que la capacidad de procesar datos a gran escala permitió a los investigadores humanos cuantificar patrones ecológicos, según Buler. Más recientemente, un grupo que incluía a Horton descubrió que, en todo el Medio Oeste, los datos de radar mostraban que las aves se congregan en los límites de más de 90 millones de acres de tierras de cultivo intensivo, casi como si se tratara de una barrera natural como el Golfo de México (las aves parecen preferir las rutas boscosas, que les proporcionan paradas para descansar, reabastecerse y recuperarse). Sin algoritmos computacionales, los científicos no habrían podido observar el patrón, afirmó Buler, y “ahora podemos plantear diferentes preguntas de investigación, ya que podemos aprovechar ese conjunto de datos para la ecología que antes no podíamos formular”.

Sin embargo, las aplicaciones de la IA a la ecología no han estado exentas de críticas. En un artículo reciente, “Algoritmos descontrolados”, Cristina Cipriano, investigadora del Centro de Ciencias Vegetales de Zúrich-Basilea, y varios coautores destacan algunos problemas. Como Cipriano escribió a Undark por correo electrónico: “Resulta paradójico que el aprendizaje automático avanzado se utilice cada vez más para ayudar a proteger la biodiversidad y abordar el cambio climático, pero su desarrollo e implementación puedan contribuir a impactos ecológicos y climáticos”.

Más en New York Diario:  La conexión entre incendios forestales y crisis de vivienda

La técnica también tiene sus limitaciones: las montañas generan variabilidad en el radar, por lo que Horton y sus colegas han tenido que llevar un escáner portátil en la parte trasera de una camioneta para eliminar algunos de los sesgos topográficos que se encuentran en las regiones montañosas. Los resultados del radar pueden revelar la biomasa, pero no indican a los investigadores qué especie están observando, un problema que los investigadores han estado tratando de solucionar mediante el uso de micrófonos especializados para grabar llamadas nocturnas. Hoy en día, algoritmos especializados, como BirdVoxDetect y Nighthawk, procesan estas grabaciones de audio de llamadas nocturnas, funcionando como la aplicación Shazam. Un conjunto de datos mostró, por ejemplo, que aproximadamente un tercio de todas las detecciones de la reinita de Cape May ocurrieron en una sola noche.

Si bien las máquinas tienen una clara ventaja en la computación, Farnsworth considera que las personas aún tienen un papel importante en el desarrollo y la implementación de estos modelos, y, por supuesto, en la verificación práctica mediante la observación directa de las aves. “El factor humano sigue presente y su papel sigue siendo fundamental”, afirmó.

En última instancia, estas predicciones podrían utilizarse para prácticas de conservación: Horton mencionó una iniciativa que atenuaría automáticamente el alumbrado público en las ciudades según la intensidad de la migración, algo que algunas ciudades ya hacen manualmente. Farnsworth describió cómo el análisis podría utilizarse para enviar notificaciones a los pilotos —los llamados choques con aves causan daños por valor de miles de millones de dólares anuales a las aeronaves— o para modificar el funcionamiento de las turbinas eólicas y minimizar la interacción con la migración.

Otros coincidieron en que el campo ha madurado lo suficiente como para que los resultados puedan aplicarse. “Hemos podido observar animales con radares desde que se inventaron”, afirmó Cecilia Nilsson, investigadora de la Universidad de Lund que realizó su investigación postdoctoral en Cornell con colaboradores de BirdCast. “Siempre han formado parte de la señal. Pero es ahora cuando realmente contamos con la capacidad informática y los algoritmos necesarios para hacerlo a gran escala, de forma rápida y accesible”.

Por supuesto, existen datos meteorológicos fuera de Norteamérica, y el sistema informático para generar pronósticos en Estados Unidos podría entrenarse con datos de otros lugares. Y cuando eso suceda, dijo Buler, “habrá una explosión de información que descubriremos”. Pero hasta ahora, no existe una colaboración comparable a escala continental para pronosticar la migración de aves, ni de otras formas de vida biológica en el aire.

Si bien China cuenta con una red de radares de tamaño similar a la de Estados Unidos, sus datos son privados. Europa dispone de un portal similar de seguimiento de la migración de aves, conocido como Aloft, que presenta datos de observación en tiempo real. Sin embargo, estos datos provienen de diversos países y, por lo tanto, no están estandarizados. Esta heterogeneidad ha supuesto un desafío, lo que quizás indique un límite a la capacidad de resolución de la IA. Allí, añadió Farnsworth, “se dan cuenta de toda esta geopolítica y de una red de radares de vigilancia meteorológica que opera con frecuencia dentro de cada país y dentro de cada grupo y entidad meteorológica del país. Y queda muy claro lo difíciles que son estos desafíos en comparación con un solo país”.

Según Farnsworth, Estados Unidos es único por sus datos financiados con fondos federales: “Eso es lo que diferencia a BirdCast y nuestra capacidad para hacerlo”.

Undark. Traducción: Mara Taylor

Últimos artículos

Trump y las bibliotecas

por Alex H. Poole El 31 de marzo de 2026, al presidente Donald Trump le...

15 consejos para acabar con Halloween en Nueva York

por Mara Taylor Nueva York mantiene una relación complicada con la felicidad pública. A la...

15 Tips for Stopping Halloween in New York City

by Mara Taylor New York has a complicated relationship with public happiness. The city likes...

Bismillah, son las tinieblas

por Ana Gensane Desde el mes de septiembre de 2026, la movilización estudiantil de secundaria...

Construir techos verdes es solo el comienzo

por Taylor Wishart A medida que las temperaturas veraniegas se disparan en Estados Unidos y...

¿Por qué la comunidad hispana ya no cree en el sueño americano?

por Diana Orcés Donald Trump obtuvo el 43% del voto hispano en 2024, frente al...

15 consejos para recordar el 11 de septiembre en Nueva York

por Mara Taylor Hay maneras más sencillas de recordar el 11 de septiembre que hacerlo...

15 Tips for Remembering 9/11 in New York City

by Mara Taylor There are easier ways to remember September 11 than in New York...

A nadie le gusta que le tomen por tonto

por Greg Miller ¿Qué te haría sentir peor? ¿Perder 100 dólares a manos de un...

La ciencia del chocolate perfecto

por Georgia Michelman En 1847, la empresa británica J.S. Fry & Sons presentó un nuevo...

A mi abuela le gustaba Nirvana

por Sophie Vance Mi abuela lleva dieciocho años muerta, y todo lo que sé de...

Feral, Inc.

por Sabrina Duse Una palabra para referirse al ganado escapado se convierte en etiqueta, luego...

La permanente crisis migratoria de Ceuta

por María Lopez Belloso A 2 de agosto de 2026, Ceuta afronta un episodio fronterizo...

El paleontólogo que nos hizo querer a la paleontología

por Nic Rawlence La repentina muerte del actor Sam Neill provocó tributos de colegas y...

Los árboles urbanos son más que bonitos

por Matt Simon Se yerguen a lo alto y se mecen con el viento y...

Sigue leyendo

Trump y las bibliotecas

por Alex H. Poole El 31 de marzo de 2026, al presidente Donald Trump le...

15 consejos para acabar con Halloween en Nueva York

por Mara Taylor Nueva York mantiene una relación complicada con la felicidad pública. A la...

15 Tips for Stopping Halloween in New York City

by Mara Taylor New York has a complicated relationship with public happiness. The city likes...