Veinte minutos: eso tardó una sola instalación del paquete dismo en R sobre el wifi de un hostal en Rancho Naturalista, Turrialba, mientras el resto del grupo de conteo de aves ya estaba afuera con los binoculares listos. Esa espera, más que cualquier lectura de estadística, fue lo que me hizo entender que elegir entre MaxEnt y un modelo lineal para modelado de nicho no es solo un tema de método: es una decisión sobre qué datos tienes, cuánta paciencia te queda y qué tan honesto puedes ser con lo que no sabes. Este artículo compara ambos caminos en R con la cabeza fría, para que la próxima vez que alguien te pregunte cuál conviene, tengas una respuesta mejor que "depende".
Antes de seguir, la transparencia de rigor: si terminas comprando alguno de los cursos que menciono más abajo, recibo una comisión y a ti el precio no te cambia nada. Solo hablo de lo que he probado o destripado con mis propios ojos, así que si algo no aguanta el peso de alguien que aprendió R a los golpes, no lo vas a encontrar recomendado aquí.
El problema de las ausencias fantasma en el modelado de nicho
Un modelo lineal general (GLM), el tipo que enseñan en cualquier curso introductorio de estadística en R, necesita algo que casi ningún voluntario de campo tiene: ausencias confirmadas. Puedo decir con certeza dónde vi a un ave en una salida por Rancho Naturalista, pero no puedo jurar dónde no está. Que no la haya registrado ese día no significa que no viva ahí; puede que el bicho no cantara, o que yo simplemente pasara distraído revisando la lista de especies.
Dinorah Espinoza, una voluntaria de conservación que conozco de otro proyecto, tiene probablemente los datos de muestreo más completos del grupo: años de avistamientos ordenados por fecha y sitio. El problema es que los guarda en Excel, sin ninguna proyección cartográfica definida, así que antes de que esa tabla sirva para un GLM (o para cualquier cosa que corra en R) hay que pasar por una limpieza que casi nadie hace con gusto. Un modelo lineal es tan honesto como los datos que le entregas, y ahí es donde la mayoría falla primero, antes de escribir una sola línea de código de modelado.
MaxEnt no exige lo que no tienes
MaxEnt cambia la pregunta. En vez de pedir presencias y ausencias, compara tus puntos de avistamiento con lo que se conoce como puntos de fondo: una muestra del paisaje disponible, tomada al azar, contra la cual mide qué hace distintos a los lugares donde sí registraste la especie. El paquete MaxEnt, que en R se maneja casi siempre a través de dismo o de biomod2, busca la distribución más pareja posible dentro de esas restricciones (de ahí el nombre de máxima entropía).
No entro aquí en cómo se mide qué tan bueno salió un modelo de MaxEnt frente a otro (el tema del AUC como métrica de precisión da para su propia nota), pero sí conviene saber que existe esa vara antes de confiar ciegamente en el primer mapa que te salga bonito. Las variables ambientales que alimentan ese cálculo (temperatura, precipitación, elevación) suelen salir de capas climáticas como las de WorldClim, aunque cuáles descargar y cómo prepararlas es tema para otro día.
Cambiar de método sale caro en tiempo, no en dinero
Pasar de un GLM a MaxEnt en R no es solo sustituir una función por otra. Antes de aceptar que necesitaba otro tipo de equipo para este trabajo, probé correr R desde un Chromebook usando Google Colab, pensando que el navegador resolvía cualquier límite de hardware. No resultó: entre la conexión lenta y las restricciones del entorno, cada intento de instalar una librería se volvía una espera que hacía dudar de todo el proyecto. Después de eso vienen las rutas de archivo que no toleran espacios, las capas que no muestran nada si las coordenadas no quedaron en el sistema correcto, y la instalación de Java, porque MaxEnt corre sobre Java por debajo del capó.
Ahí es donde un curso estructurado deja de ser un lujo y empieza a ahorrar tiempo real. El de Modelado de Nicho Ecológico con Maxent en R fue el que me ayudó a entender qué hace el programa por defecto al converger hacia una solución, sin tener que adivinarlo revisando foros en inglés cada vez que algo fallaba.
Comparar cara a cara: dos maneras de leer el mismo paisaje
Puestos uno al lado del otro, el GLM gana en transparencia: puedes ver exactamente cuánto pesa la temperatura o la elevación en la probabilidad de presencia, con un coeficiente que se explica solo. MaxEnt es más caja negra (interpretar sus resultados exige más trabajo) pero capta relaciones curvas y umbrales que un modelo lineal simplemente no ve. Ajustar el parámetro de regularización, el famoso beta, es otro tornillo que decide si tu modelo sobreajusta a tus puntos o se queda demasiado plano, aunque ese ajuste fino merece su propio análisis aparte de este.
La otra cara de esa potencia es el costo de cómputo: MaxEnt exige más procesador y más memoria, sobre todo si las capas ambientales no vienen ya recortadas al área de estudio. Ver la barra de progreso de biomod2 detenida en el mismo punto por un buen rato hace dudar si el cálculo sigue corriendo o ya se colgó. Si te interesa meterte más a fondo en qué paquetes de R hacen ese trabajo pesado, tengo una reseña aparte sobre los mejores paquetes de R para modelado de nicho y distribución de especies, con lo que uso para no pelear tanto con los archivos raster.
Cuándo usar cada uno
La respuesta corta: si tienes un censo profesional con ausencias verificadas por alguien que sabía lo que hacía, un GLM te va a dar resultados más fáciles de defender frente a un comité o un revisor. Si lo que tienes es una lista de coordenadas de avistamientos (la realidad de casi cualquier grupo de voluntarios) y quieres proyectar hacia dónde se podría mover una especie con el cambio climático, MaxEnt es la herramienta que responde esa pregunta sin pedirte algo que no tienes.
No todos están convencidos de que baste con eso. Dagoberto Quirós, guardaparques que aporta varios de los registros de campo más raros del grupo, duda de que MaxEnt sirva para predecir bien en un bosque seco tropical, con su estacionalidad tan marcada, y no le falta razón: un modelo, del tipo que sea, vale lo que valen los datos y el paisaje que intenta describir. Ninguno de los dos métodos reemplaza el ojo entrenado de alguien que conoce el terreno.
Si la duda de fondo es más bien por dónde empezar (si por el modelado de nicho o por la teledetección), esa comparación da para su propio análisis, pero como pista rápida: la teledetección te sirve para entender de dónde salen esas capas ambientales antes de meterlas a cualquier modelo. Para eso, el curso de Teledetección Satelital con R y R-Studio cubre ese lado con RStudio paso a paso, algo que ningún tutorial suelto en YouTube te arma completo.
Ninguno de los dos métodos es superior en abstracto: el GLM exige datos que la mayoría no tiene, y MaxEnt exige paciencia con el código y con el hardware. Si ya decidiste que tu camino es el segundo y quieres dejar de perder tardes enteras adivinando por qué tu script no corre, el curso de Modelado de Nicho con Maxent es la inversión que te ahorra esa curva de aprendizaje a solas.