El cursor titila sobre una línea roja en la consola de RStudio: object 'capas_bio' not found. Ya perdí la cuenta de cuántas veces me ha tocado ese mismo tono de rojo corriendo un modelo de nicho con MaxEnt en R. No hay truco ni ejemplo bonito en esta escena: soy yo, la pantalla, y un mapa de distribución que se niega a salir bien.
Antes de meterle más código a esto, la transparencia de siempre: este sitio se sostiene con enlaces de afiliado. Si compras un curso a través de lo que recomiendo aquí, yo recibo una comisión y a ti no te cuesta nada extra. Solo pongo el nombre de lo que yo mismo probé hasta romperlo o lo que revisé a fondo en grupos de usuarios reales; si algo no me sirvió para sacar un mapa decente, no aparece en este texto.
MaxEnt y teledetección: dos preguntas distintas, no una escalera
Modelado de nicho con MaxEnt en R y teledetección con R no son dos niveles del mismo curso: son dos preguntas distintas que la gente mezcla en un solo combo de aprendizaje porque alguien las mencionó juntas alguna vez. MaxEnt responde algo puntual: dado lo que ya sabes de dónde vive una especie, en qué otros puntos del mapa podría aparecer también. Para eso le basta con dos insumos: tus puntos de presencia (lo que anotas en el campo) y unas capas ambientales que alguien más ya armó. La teledetección, en cambio, ataca el problema de origen: cómo construyes esas capas ambientales a partir de imágenes de satélite, en vez de depender de que otro ya las haya procesado por ti.
Mi realidad, como biólogo aficionado sin formación académica en ninguna de las dos cosas, es que no puedo aprenderlas a la vez sin que se me mezcle todo. Si tu pregunta es dónde más podría estar esta especie, el Modelado de Nicho Ecológico con Maxent en R es el atajo correcto y el que vas a necesitar primero. Si tu pregunta es necesito mis propias variables porque las que ya existen no bajan a la resolución que me sirve, ahí es donde entra la teledetección, y ningún curso de MaxEnt te lo va a resolver, por bueno que sea.
MaxEnt en R: qué te pide y dónde se rompe
El algoritmo de máxima entropía en sí no es el obstáculo: lo difícil es todo lo que rodea el dato antes de que el modelo corra. MaxEnt solo necesita tus puntos de presencia y un set de capas ambientales, casi siempre las 19 variables bioclimáticas de WorldClim (ese tema de qué capa mide qué da para un texto aparte, así que no me voy a meter ahí). El problema real casi nunca es el algoritmo: es el sesgo espacial. Si tus avistamientos se concentran cerca de las rutas donde te queda fácil caminar, el modelo va a aprender que la especie "ama las carreteras", cuando en realidad amas la especie donde nunca fuiste a buscarla. Hay quien corrige esto con un adelgazado espacial de los puntos (lo que en inglés llaman spatial thinning), pero ese ajuste merece su propio análisis, no unas líneas sueltas acá. Corregir ese sesgo es, en el fondo, un ejercicio de estadística en R más que de biología: es donde de verdad se juega el resultado final.
Yo mismo dejé de recomendar instalar el archivo standalone de Maxent (el .jar suelto, sin el paquete de R alrededor) y correr el modelo de una sola vez sin tocar ningún parámetro de calibración. Funciona, en el sentido de que escupe un mapa, pero ese mapa no dice nada útil: sobreajusta a los puntos que ya tienes y no generaliza a zonas nuevas, que es justo lo que uno busca. Ahí es donde entra la beta de regularización, un ajuste que desarmé a fondo en MaxEnt en R: ¿Curso de pago o el camino del autodidacta terco? Mi balance tras un año de mapas y que no voy a repetir aquí.
Hay otro tropiezo técnico que casi nadie te avisa antes de que te pase: los registros que bajas de GBIF vienen en coordenadas geográficas WGS84, es decir EPSG:4326. Si tus capas ráster están en una proyección distinta y las recortas sin reproyectar primero, el resultado no es un error rojo y visible — es una capa en blanco o corrida de lugar, y ahí quedas sospechando de tu propio código cuando el problema es de sistema de coordenadas, no de sintaxis. Revisar el CRS de cada capa antes de recortar te ahorra una tarde entera de andar dudando de ti mismo.
Si ya tienes tus datos de presencia limpios y lo que te falta es el flujo para convertirlos en un mapa de probabilidad decente, el curso de Maxent en R va directo a eso: te ahorra la parte de andar buscando funciones sueltas por internet, dispersas entre foros que asumen que ya programas.
Teledetección en R: la paciencia antes del resultado
La teledetección no compite con MaxEnt en dificultad: compite en paciencia. Aprender Teledetección Satelital con R y R-Studio es otro nivel de inversión, tanto de tiempo como de dinero. Acá ya no usas lo que otro bajó y procesó por ti — te toca lidiar directamente con imágenes de Landsat, con su resolución de 30 metros, y aprender a corregir nubes, calibrar la reflectancia y esperar a que RStudio termine de masticar un archivo pesado sin que se cuelgue. El desafío ya no es el sesgo de muestreo de tus puntos; es todo el trabajo de preprocesamiento antes de que exista siquiera un resultado que mirar.
Un compa mío que practica escalada en roca en los peñascos del Valle Central me preguntó una vez, en una salida de campo, si le podía pasar el shapefile de una de mis capas, y ahí me tocó admitir que ni yo mismo sabía exportar bien esa capa fuera de R sin que perdiera la proyección en el camino. Ese tipo de pregunta, la que te hace alguien que no vive metido en esto todos los días, es la que más rápido te muestra dónde tienes huecos reales.
Con la teledetección ganas algo que MaxEnt no te da: la capacidad de construir tú mismo tus variables, como un índice de vegetación actualizado en vez de uno genérico bajado de internet. Esa capacidad cuesta un tiempo de preparación que MaxEnt no exige, porque MaxEnt asume que las capas ya existen y solo las usa.
Cómo decidir cuál aprender primero
La regla que uso para decidir es simple: si ya tienes datos de presencia y tu pregunta es biológica o de conservación, por ejemplo, justificar por qué cierta franja del Cerro de la Muerte necesita más monitoreo para una especie puntual, empieza por MaxEnt. Te da una respuesta más rápido y con menos inversión de tiempo en preprocesamiento. Si en cambio tu cuello de botella son las capas mismas, porque las que existen no bajan a la resolución que necesitas o porque quieres medir un cambio reciente que ningún dataset público captura todavía, ahí es cuando vale la pena meterte de lleno en teledetección.
Qué tan bueno salió el modelo al final, si de verdad sirve para lo que lo necesitas, es otra discusión aparte — ahí entra el AUC y toda la métrica de validación, que prefiero no mezclar con esta comparación porque merece su propio análisis.
Mi veredicto entre los dos cursos
Con todo esto sobre la mesa, mi recomendación para el que arranca de cero es la misma de siempre: empieza con el Modelado de Nicho Ecológico con Maxent en R. Va directo al flujo de trabajo sin pedirte una base previa de programación, tiene una entrada más accesible que el otro curso, y te da esa primera victoria que necesitas para no tirar la toalla con R apenas empezando. Eso sí, es un curso de nicho chico, todavía con pocas reseñas, así que antes de pagar métete al grupo de Facebook o Telegram del curso, mira qué dudas tiene la gente y si quien lo dicta realmente responde.
Deja la teledetección satelital para cuando ya domines el flujo de MaxEnt y sientas que las capas de un kilómetro se te quedan cortas. Es un salto de inversión bastante más grande que el primero, y con reseñas todavía más escasas, pero cubre algo que el curso de MaxEnt directamente no toca: procesar imágenes satelitales paso a paso dentro de RStudio, no solo teoría suelta. Si tu plan es publicar un mapa de distribución para un grupo de voluntarios o un proyecto de conservación local, arranca por el primero — la teledetección puede esperar hasta que de verdad la necesites.