Metodología

Aprendizaje automático supervisado para la conservación

El proyecto BioAlerta aplica el marco CRISP-DM para construir un pipeline reproducible que predice el riesgo de extinción de 1,704 especies nativas de Bolivia, integrando datos de GBIF, IUCN, AVONET, PanTHERIA, WorldClim, RAISG y Global Forest Watch.

Pipeline del modelo

Descarga de ocurrencias

1.37M registros GBIF de aves y mamíferos de Bolivia (2000–2024). Limpieza: eliminación de duplicados espaciales, coordenadas centinela y registros sin identificación a nivel de especie.

Integración de datos

Cruce con IUCN (vía Wikidata), rasgos biológicos AVONET (aves, 11K spp) y PanTHERIA (mamíferos, 5.4K spp), datos climáticos WorldClim v2.1 y capas RAISG de presión humana.

Extracción de features espaciales

Para cada especie se calcula el centroide de sus ocurrencias y se extraen valores de rasters climáticos (6 variables WorldClim), cobertura MapBiomas (14 clases), pérdida forestal GFW y porcentaje de solapamiento con ANP, territorios indígenas, minería y petróleo.

Construcción del dataset final

Imputación de valores faltantes con mediana del conjunto de entrenamiento. One-hot encoding de variables categóricas (hábitat, nivel trófico, estilo de vida). Dataset final: 1,313 aves y 189 mamíferos con 51 features.

Análisis exploratorio

Desbalance severo: 1:35 en aves (2.7% amenazadas), 1:14 en mamíferos (6.9%). Alta correlación entre rasgos biológicos y el target. Variables ambientales son menos predictivas que los rasgos intrínsecos.

Modelado y evaluación

Stratified K-Fold (5 folds) con class_weight="balanced". Cinco clasificadores: Logistic Regression, Random Forest, Gradient Boosting, SVM, KNN. Random Forest gana en ROC-AUC y PR-AUC. Umbral adaptativo = prevalencia de entrenamiento para maximizar recall.

Comparación de modelos

Random Forest superó a los demás clasificadores en todas las métricas clave, con ROC-AUC de 0.848 en aves y 0.792 en mamíferos.

Aves — ROC-AUC (media ± std)

Modelo	ROC-AUC	PR-AUC
Random Forest ★	0.848	0.192
Gradient Boosting	0.831	0.168
SVM	0.812	0.145
Logistic Regression	0.794	0.121
KNN	0.761	0.098

Mamíferos — ROC-AUC (media ± std)

Modelo	ROC-AUC	PR-AUC
Random Forest ★	0.792	0.298
Gradient Boosting	0.775	0.271
SVM	0.748	0.231
Logistic Regression	0.731	0.198
KNN	0.694	0.187

Comparación de los 5 modelos supervisados en ROC-AUC, PR-AUC y F1-macro para aves y mamíferos. Random Forest domina consistentemente en ambas clases.

Importancia de variables

Los rasgos biológicos intrínsecos dominan la predicción en ambas clases, relegando a un segundo plano las variables ambientales y de presión humana. Esto sugiere que la vulnerabilidad está codificada en la biología de la especie, no solo en su entorno.

Top 3 — Aves

Wing.Length Longitud alar 12.4%

Beak.Depth Profundidad del pico 9.8%

Range.Size Tamaño de rango geográfico 9.1%

Top 3 — Mamíferos

body_mass_g Masa corporal adulta 38.9%

range_area_km2 Área de distribución 11.2%

pct_forest_loss_recent Pérdida forestal reciente 8.1%

Importancia de las 20 variables más predictivas del Random Forest para aves (izq.) y mamíferos (der.). La masa corporal domina en mamíferos; la morfología alar y del pico en aves.

Análisis exploratorio

El desbalance severo de clases y las distribuciones de variables clave definen las decisiones de diseño del modelo.

Distribución del target: 36 amenazadas (2.7%) vs 1,277 no amenazadas en aves; 13 (6.9%) vs 176 en mamíferos.

Correlaciones punto-biserial de las 20 variables con mayor correlación con el target binario.

Distribuciones de features ambientales y morfológicas para aves, separadas por clase amenazada vs no amenazada.

Distribuciones equivalentes para mamíferos. La masa corporal muestra la mayor separación entre clases.

Umbral adaptativo

Random Forest tiende a subestimar las probabilidades de la clase minoritaria cuando el desbalance es severo. En lugar de usar el umbral estándar de 0.5, se aplicó un umbral igual a la prevalencia de entrenamiento:

2.7%

Umbral para aves
(36/1313 amenazadas)

6.9%

Umbral para mamíferos
(13/189 amenazadas)

Este ajuste maximiza el recall de la clase amenazada, priorizando no perder especies verdaderamente en riesgo (falsos negativos) sobre la precisión. En conservación, un falso negativo —ignorar una especie amenazada— tiene consecuencias irreversibles.

Con el umbral adaptativo, el modelo generó 49 predicciones positivas: 31 aves y 18 mamíferos (de los cuales 5 son exóticos, excluidos del análisis de conservación).