No pensés que con bajar un montón de puntos de presencia de GBIF y pegarlos directo en MaxEnt ya tenés medio modelo resuelto. Es lo primero que le pregunto a cualquiera que me escribe pidiendo ayuda con su modelado de nicho en R sin venir de estadística, porque casi siempre la respuesta que trae en la cabeza es la equivocada.
La respuesta corta es que no, y lo aprendí de la peor manera. Instalé el MaxEnt standalone (la versión en Java, sin pasar por R) y corrí el modelo con los parámetros que traía por defecto, sin calibrar nada. El mapa que me devolvió parecía dibujado por alguien que nunca había pisado un cerro: la especie aparecía repartida por medio país, como si el clima y la altura no le importaran a nadie.
Por qué no basta con bajar los puntos y correr MaxEnt sin más
Ese error tiene nombre: tratar los puntos de presencia como si ya vinieran listos para el modelo, sin revisar nada. GBIF te da acceso a una cantidad enorme de registros, pero ninguno de ellos viene con un sello de calidad garantizado. Algunos son observaciones precisas tomadas con GPS en el campo; otros son coordenadas estimadas a ojo por alguien que subió un dato hace treinta años. Meter todo eso sin filtrar es la razón por la que tantos modelos de nicho terminan pareciendo un borrón en vez de un mapa.
GBIF: la bodega mundial de puntos de presencia
La Global Biodiversity Information Facility (GBIF) reúne más de dos mil millones de registros de biodiversidad de museos, universidades y aplicaciones de ciencia ciudadana de todo el planeta. Para alguien que no es biólogo de formación y solo quiere saber dónde más podría aparecer una especie, es la diferencia entre pasar meses digitando coordenadas de cuadernos viejos o tener la materia prima lista de entrada.
Podés bajar los datos desde la página web en un archivo, pero si ya trabajás en R, conviene traerlos directo al script. Ahorra el desorden de carpetas de descargas y deja registro exacto de qué filtros usaste, algo que agradecés el día que tenés que repetir el modelo con otra especie o mostrarle el proceso a alguien más.
Cómo traer esos puntos a R con rgbif
El paquete rgbif es la puerta de entrada más directa. Con pocas líneas de código bajás los registros de una especie sin salir de R, sin pasar por la web ni manejar archivos sueltos. Todavía recuerdo estar en un hostal cerca del Cerro de la Muerte, viendo la barra de instalación de un paquete congelada un buen rato porque el wifi del lugar no daba para más (uno aprende rápido a instalar los paquetes pesados antes de salir de gira, no cuando ya está en el sitio).
Ojo con el nombre científico: si tiene una tilde de más, un espacio extra o no es el aceptado taxonómicamente, R te va a devolver una tabla vacía sin avisarte por qué, apenas el cursor parado junto a una línea roja en la consola que tampoco te aclara mucho. Un amigo que se la pasa escalando en los peñascos del Valle Central los fines de semana (no le interesan mucho las aves, la verdad) me preguntó una vez por qué mi script no encontraba nada, y la respuesta fue esa: el nombre no coincidía con el que GBIF tenía registrado.
Por qué un punto de presencia mal filtrado hunde tu modelo
Acá está el paso que la mayoría de los tutoriales se saltan: no todo punto que baja de GBIF sirve para MaxEnt. Muchos registros traen coordenadas en cero, o una incertidumbre espacial de varios kilómetros. Si tu capa climática tiene una resolución fina, un punto que no sabés ubicar con esa precisión no te está dando información, te está metiendo ruido.
Antes de correr cualquier modelo, revisá que el sistema de coordenadas sea WGS84 (el código EPSG 4326, que es el estándar que maneja la mayoría de las capas climáticas). Un punto en otro sistema de referencia va a caer en un lugar del mapa que no tiene nada que ver con dónde se vio la especie en realidad, y MaxEnt no tiene forma de avisarte que algo está mal: simplemente entrena el modelo con basura y te entrega un resultado que parece serio.
Después de la incertidumbre espacial viene el sesgo de muestreo, que es otro dolor de cabeza distinto. Cuando bajás miles de registros te vas a topar con observaciones que caen en pleno mar, o justo encima de un instituto de investigación (clásico: los biólogos ven más bichos cerca de donde trabajan). En R, paquetes como CoordinateCleaner ayudan a detectar esos casos raros, pero el filtro nunca es automático del todo: a veces te pasás de estricto y te quedás con muy pocos puntos, otras veces sos permisivo y el modelo sale inflado.
Si sentís que esta parte de limpiar datos te está superando, no sos el único. Yo pasé bastante tiempo pegado en la misma función sin entender qué estaba mal. A veces las ventajas de los cursos online frente a tutoriales de MaxEnt sueltos se resumen justo en eso: alguien que te explique por qué ese filtro no está funcionando antes de que tirés la computadora por la ventana.
La ciencia ciudadana que sostiene cada mapa
Buena parte de esos puntos de presencia no los subió ningún instituto: los subió gente común usando aplicaciones como eBird o iNaturalist, que después alimentan a GBIF. Un dato tomado por alguien en Guanacaste o un turista en Monteverde termina siendo tan útil para el modelo como el que registró un investigador de campo, siempre que pase el filtro de calidad.
Usar esos datos trae una responsabilidad: dar los créditos correspondientes cuando corresponda. No es solo protocolo, es lo que mantiene el sistema funcionando, porque cada quien reconoce el trabajo de quienes suben los datos en primer lugar. Al final, lo que se busca con estos mapas es entender un poco mejor dónde puede estar apareciendo una especie, para que la información sirva a la hora de tomar decisiones de conservación.
Revisá esto antes de correr MaxEnt
Antes de correr el modelo, hacé un chequeo rápido de tres cosas: de dónde viene cada punto (¿observación de campo con GPS o coordenada estimada?), qué tan grande es su incertidumbre espacial, y si el sistema de coordenadas calza con el de tus capas ambientales. Ese chequeo, más que cualquier ajuste fino dentro de MaxEnt, es lo que separa un mapa que sirve de uno que solo se ve bonito.
Ningún modelo arregla después lo que entró mal desde el principio, así que ese filtro previo vale más tiempo del que uno cree, aunque no sea la parte más entretenida del proceso. Si preferís que alguien revise ese proceso con vos antes de confiar en el resultado, por qué elegir una asesoría personalizada de MaxEnt en R para tus mapas puede ahorrarte varias tardes de andar adivinando dónde quedó el error.