El ventilador de la torre cambia de tono, más agudo, apenas el modelo empieza a masticar las iteraciones, y yo me quedo quieto frente a los dos monitores que no son de la misma marca, esperando que la consola no vuelva a escupirme rojo. Es la cuarta semana desde que le entré en serio a un modelo de MaxEnt en R para el quetzal del Parque Nacional Braulio Carrillo, y esta vez el script corre completo: en la pantalla aparece un mapa con manchas de color sobre la cordillera, no una ventana de advertencias. Todavía no sé si ese modelo sirve para algo real, pero después de tanto pelear a solas con el modelado de nicho, ver que el proceso termina y que los datos de conservación por fin cuadran ya se siente como ganar la lotería.
Detrás de mí, la pared todavía tiene esos papelitos amarillos pegados con nombres de aves y carpetas que ya ni recuerdo por qué anoté ahí; así de improvisado ha sido este año de aprendizaje autodidacta. Trabajo en logística, no en biología ni en ciencia de datos, y mi terquedad por saber dónde más podrían aparecer las aves que cuento los domingos con mi grupo de conservación fue lo que me metió en este lío de RStudio y de MaxEnt (Máxima Entropía). Llevo cerca de tres años metido en esto de contar aves y hace apenas uno empecé a meterle en serio a los mapas; la pregunta que más me hacen ahora que ya saco algo decente es si esto se puede aprender gratis o si conviene mejor pagar un curso.
Lo que un tutorial de YouTube nunca me explicó
Cuando arranqué, mi plan de estudio era ver tutoriales de YouTube en inglés y copiar el código en la consola sin entender bien qué hacía cada línea. Funcionó para tener algo en pantalla las primeras dos veces; después dejó de funcionar por completo. Un video te dice "corran esto" y uno lo corre, pero nadie explica qué es un objeto S4 ni por qué el paquete dismo necesita que tengas Java instalado y bien configurado para poder llamar al archivo .jar de MaxEnt. Pasé (la verdad sea dicha) más tardes de las que quiero admitir peleando con un error que decía que no encontraba la máquina virtual de Java, probando de todo: reinstalar dismo, borrar librerías, cambiar de carpeta de proyecto. Nada funcionaba. La solución apareció en un comentario perdido de un foro, de alguien que explicaba que había que emparejar la versión de Java con la arquitectura de R —32 o 64 bits— y fijar la variable de entorno a mano. Ese comentario me ahorró lo que ningún tutorial de YouTube había explicado en semanas.
¿Vale la pena aprender MaxEnt en R por cuenta propia?
Voy a ser honesto: sí se puede aprender gratis, pero el costo no desaparece, solo cambia de forma — en vez de pagar en dólares, pagas en tardes perdidas y en datos de conservación mal interpretados porque nadie te avisó del error a tiempo. Durante un tiempo recomendé un curso corto de Hotmart que prometía enseñar modelado de nicho en un fin de semana; dejé de recomendarlo porque se quedaba en la parte fácil (instalar RStudio, correr el ejemplo con datos ya limpios) y no tocaba nada de lo que de verdad frena a alguien que trabaja con datos reales de la región. Si tu plan es aprender por cuenta propia, prepárate para que la parte más lenta no sea el código de MaxEnt en sí — son apenas un puñado de líneas — sino todo lo que rodea esas líneas: limpiar coordenadas y decidir qué capa ambiental sirve de verdad para tu especie.
El día que mi capa salió en blanco
La primera vez que recorté mis capas bioclimáticas al área del parque, el resultado fue un archivo perfecto — perfectamente blanco, sin un solo valor donde debía haber información. Pasé buena parte de una tarde revisando si el problema era el shapefile, después si era la resolución, después si el paquete raster simplemente odiaba mi computadora. Terminé descubriendo que la extensión del recorte no coincidía con la proyección de la capa original: le estaba pidiendo a R que recortara un rectángulo en un sistema de coordenadas mientras la capa vivía en otro. Ajustar eso — que la extensión y la capa hablaran el mismo idioma antes de recortar — resolvió en minutos lo que llevaba horas rompiéndome la cabeza. Ningún curso te explica esto en la primera clase porque asumen que ya sabes qué es una proyección; en la vida real de alguien que cuenta aves los fines de semana, esa suposición es justo donde todo se cae.
GBIF, coordenadas y el mapa que no cuadraba
Otro tropiezo parecido, pero distinto en la causa, pasó cuando bajé puntos de presencia de GBIF para completar mis propios registros de conteo. Los importé, los crucé con mis capas ambientales y la mitad de los puntos aparecían fuera del país, algunos literalmente en el mar. El problema no era el dato en sí: era que GBIF entrega las coordenadas en un sistema de referencia distinto al que yo tenía configurado en mis capas, y R no avisa con un error claro cuando eso pasa — simplemente ubica mal los puntos y sigue como si nada. Aprendí a revisar el sistema de coordenadas de cada capa antes de cruzarla con cualquier otra, sin dar por hecho que todo viene en el mismo formato solo porque ambas cosas se llaman "coordenadas". Fue Isaías, mi compañero del grupo de conteo de aves —el que siempre propone el sitio de muestreo más difícil de llegar dentro de Braulio Carrillo—, quien notó que mis puntos de un conteo pasado tampoco cuadraban con el mapa que le mostré esa vez, y ahí até cabos de que el error venía de antes.
Regularización: la palabra que nadie me explicó bien
De todos los tropiezos, el que más caro me salió fue no entender qué hacía el multiplicador de regularización —beta, para los amigos— dentro de MaxEnt. Armé un modelo con pocos puntos de presencia y el valor de regularización que trae el programa por defecto, y el mapa que me devolvió se ajustaba tanto a mis datos que prácticamente dibujaba un contorno alrededor de cada punto donde había visto al ave. Se veía impresionante, muy detallado, hasta que alguien del grupo me hizo la pregunta que duele: "¿y esto qué tan bien predice dónde no has ido a buscar?". La respuesta era: mal. El modelo estaba sobreajustado, memorizando mis observaciones en lugar de aprender el patrón real detrás de ellas. Subir ese multiplicador obliga al modelo a simplificar las curvas de respuesta de cada variable ambiental, a dejar de perseguir cada punto individual y a quedarse con la tendencia general — el costo es que el mapa se ve menos "preciso" a primera vista, pero es mucho más honesto sobre dónde realmente podría estar la especie. Es la clase de ajuste fino que un curso te enseña a vigilar desde el principio y que a mí me tomó un modelo entero arruinado para aprender por las malas.
Una cosa que sí aprendí sola, sin necesidad de ningún curso, fue a leerle la salida al programa después de correr el modelo: por defecto MaxEnt entrega un montón de archivos ASC más un reporte en HTML, pero el archivo que de verdad importa si algún día querés reproducir esa misma proyección en otra computadora es el .lambdas, el que guarda los coeficientes del modelo. Ese es el tipo de detalle que un tutorial de quince minutos en YouTube casi nunca menciona, porque no es vistoso, solo es necesario.
Pagar un curso: cuándo sí vale cada centavo
Todo esto lleva a la pregunta que de verdad importa para quien está decidiendo si pagar o no: ¿en qué momentos vale cada centavo un curso estructurado? Primero, cuando no entiendes bien la estadística detrás del algoritmo — si no tienes claro qué significa una curva ROC o por qué el número de iteraciones importa, ahí un curso ahorra meses de estar adivinando. Segundo, cuando el curso se enfoca en limpieza y preparación de datos y no solo en el código de MaxEnt en sí, porque esa parte fea es la que de verdad consume el tiempo. Y tercero, por el acceso directo a alguien que responda cuando el script se rompe sin avisar un viernes por la tarde — eso, sin curso, lo da un foro si tienes suerte, o nada si no la tienes.
Hace poco me escribió Yadira Solano, una lectora que anda modelando distribución de reptiles endémicos del Pacífico mexicano, preguntándome justo eso: si valía la pena pagar o seguir sola con tutoriales sueltos. Le respondí lo mismo que digo aquí: si el proyecto tiene fecha de entrega y nunca abriste RStudio, paga el curso; si tienes tiempo de sobra y la piel dura para pelearte con errores en rojo, el camino solo también llega, solo que por otra ruta y más despacio. Cosas como el AUC las aprendí de un post perdido en Stack Overflow mucho antes de que ningún curso me las pusiera en contexto real, así que pagar tampoco garantiza entender todo de una — igual vas a terminar buscando en foros otra vez. Las capas ambientales de WorldClim y cómo elegir su resolución dan para su propio texto aparte, igual que el filtrado espacial de puntos de presencia antes de correr el modelo o la diferencia entre modelar distribución de especies y hacer teledetección — temas que ya toqué en otros textos de este blog y que no voy a repetir aquí.
Lo único que me llevo de este año
Ya no me asusto cuando R me tira un error en letras rojas: sé que es una coma que falta, una capa mal proyectada o Java que se desactualizó otra vez. Sé por qué el modelo ubica al quetzal en cierta ladera de Braulio Carrillo y por qué también marca zonas donde ningún voluntario del grupo lo ha visto todavía.
Si tuviera que resumir en una sola idea lo que me llevo de este año de mapas, sería esta: la plata de un curso compra tiempo, no entendimiento — el entendimiento solo llega cuando el modelo falla de una forma que obliga a averiguar por qué. Pagues o no pagues, ese tramo nadie te lo ahorra; lo único que cambia es cuántos tropiezos tienes que darte solo antes de llegar ahí.