El paquete dismo no trae integrado el algoritmo de MaxEnt: hay que bajar aparte un archivo .jar y colocarlo a mano en la carpeta correcta, o la función maxent() simplemente no arranca. Ese tropiezo es la puerta de entrada estándar al modelado de nicho para cualquiera que llegue desde la biología de conservación con ganas de hacer mapeo de biodiversidad sin haber tocado antes una línea de R. Estas son las preguntas que más me hacen sobre qué paquetes de R vale la pena instalar para esto y cuáles solo generan dolores de cabeza.
Primeros pasos en modelado de nicho con MaxEnt en R
Dismo sigue siendo el punto de partida obligado. Es el paquete más viejo del grupo y trae las funciones básicas para correr MaxEnt desde adentro de R, aunque el algoritmo en sí vive afuera: hay que conseguir el .jar del American Museum of Natural History y meterlo en la carpeta que dismo espera, o vas a ver un error que no explica nada. La versión estable en este momento es la 3.4.4, y mezclar esa con paquetes de R desactualizados es la forma más rápida de toparte con mensajes que no tienen ni pies ni cabeza.
Con dismo armé mis primeros modelos de "solo presencia", que es el tipo de dato que maneja casi cualquier aficionado que saca información de eBird o GBIF: no hace falta probar dónde NO está una especie, alcanza con los puntos donde sí se confirmó. El problema es que dismo solo te deja hacer mapas vistosos, sin ninguna alarma que te avise si el resultado tiene sentido biológico. Dejé de recomendar los tutoriales sueltos de YouTube que prometen armar un mapa completo en un video corto, porque te dejan con el resultado pero sin entender por qué falló la primera vez, y ese entendimiento es justo lo que necesitás para el siguiente proyecto.
ENMeval te avisa cuándo tu mapa es una mentira bonita
Ahí entra ENMeval (el que te baja los humos cuando el mapa te salió demasiado bonito). Prueba distintas configuraciones del modelo de forma sistemática para detectar sobreajuste, que es cuando el algoritmo memoriza tus puntos de observación en lugar de aprender un patrón real. Un modelo sobreajustado puede mostrar una precisión estadística altísima y al mismo tiempo no servir para nada en el terreno; ya expliqué con más detalle qué significa ese número de precisión en el texto sobre qué curso de MaxEnt en R elegir para principiantes sin base científica, así que acá no lo repito.
Ajustar los multiplicadores de regularización es otro paso que no se puede dejar en automático, aunque ese tema completo lo dejé para otro texto porque merece su propio espacio.
Terra reemplaza a raster, y el ahorro de tiempo se nota de inmediato
Terra es el sucesor directo de raster para manejar las capas climáticas (sí, tuve que soltar raster a la fuerza) y la diferencia en velocidad es enorme. Si trabajás con el estándar global de WorldClim vas a lidiar con un paquete de variables bioclimáticas bastante pesado — ya cubrí qué trae cada capa y de dónde bajarlas gratis en el texto sobre libros recomendados para arrancar con la parte estadística, así que acá me quedo solo con la parte de rendimiento.
Antes de instalar terra bajé capas completas de WorldClim para una zona mucho más grande de la que necesitaba, sin recortarlas primero al área de estudio, y la RAM de la máquina se llenó tanto que el proceso se cayó dos veces antes de que entendiera qué estaba pasando. Con terra ese mismo flujo — recortar, reproyectar, extraer valores — corre en una fracción del tiempo. Eso sí, hay que cuidar que todas las capas queden en el mismo sistema de coordenadas, porque si una quedó en otro sistema el modelo va a fallar o, peor, te va a dar un resultado desplazado que parece correcto y no lo es.
Trabajo desde un cuarto trasero de un apartamento en Los Yoses, con un escritorio en L y dos monitores que no son de la misma marca. En una esquina del monitor de la derecha hay un papel amarillo que ya perdió el pegamento de tanto despegarlo y volverlo a pegar: ahí anoté la ruta completa de la carpeta de capas, porque confiar en la memoria me ha costado caro más de una vez. Fue justo por un lío de sistemas de coordenadas que terminé hablando seguido con Nathalie Fallas, colega de la comunidad de R en línea: ella corrige un CRS mal alineado sin abrir la documentación, algo que a mí todavía me toma buena parte de la tarde.
Métodos clásicos y el rol de predicts
En el foro de modelado de nicho donde comento cuando tengo tiempo, Plácido Arce — ornitólogo aficionado con décadas de observación de aves a cuestas — siempre saca a relucir un paper de los noventa con una precisión de fecha y página que impresiona (y que, la verdad, a mí me cuesta igualar), y pregunta si esos métodos clásicos todavía sirven de referencia frente a lo que hacen paquetes nuevos como predicts. La respuesta corta es que los fundamentos estadísticos no cambiaron tanto, pero las herramientas sí: predicts está pensado para funcionar directo con terra, lo que evita buena parte de las incompatibilidades que arrastraban dismo y raster juntos.
Todavía estoy en una relación de amor-odio con predicts porque algunas funciones cambian de nombre entre versiones y me obligan a reescribir scripts que ya daba por terminados. Si estás arrancando hoy, probablemente valga más aprender directo con este paquete que invertir tiempo en las rutas viejas que tarde o temprano vas a tener que migrar. Y si todavía dudás entre enfocarte en modelado de nicho o en teledetección como puerta de entrada a la conservación, ya comparé las dos rutas con calma en ¿MaxEnt o Teledetección con R? Mi ruta de aprendizaje tras meses de mapas y errores de código.
Manejo de puntos sesgados hacia las carreteras
Ningún paquete de modelado arregla un mal punto de partida. Si tus coordenadas tienen sesgo — por ejemplo, si la mayoría de tus observaciones quedan cerca de caminos porque ahí es donde la gente sale a caminar y pajarear, como pasa seguido en los Cerros de Escazú — el modelo va a heredar ese sesgo sin avisarte. Por eso, además de los paquetes de modelado en sí, siempre tengo a mano geodata para bajar límites administrativos y capas climáticas directo desde R, y sf para manejar los puntos como objetos espaciales de verdad.
Adelgazar espacialmente los puntos para que no queden amontonados es otro ajuste que ayuda con ese sesgo, y ya hablé de eso con más detalle en el texto sobre las mejores computadoras para correr MaxEnt en R sin que se traben, porque ese paso es justo el que más exige a un equipo con poca memoria. Limpiar los datos es la mayor parte del trabajo real; pelearse con MaxEnt es apenas el resto.
Ningún paquete reemplaza el trabajo de campo, pero sí cambia lo que ves
Hace poco, en una salida de campo, el coordinador me preguntó qué programa había usado para armar un mapa de probabilidad que coincidía con una zona donde de verdad habíamos visto la especie, y contesté "R" sin pensarlo dos veces — fue ahí cuando caí en cuenta de que ya no dudaba la respuesta. Esa seguridad no viene de un solo paquete sino de la combinación: dismo para entender la lógica básica, ENMeval para no engañarte a vos mismo con un mapa demasiado bonito, terra para que el proceso no le pida auxilio a la computadora, y buenos datos limpios antes que cualquiera de los tres.
Si tuviera que resumirlo en una sola regla para decidir qué instalar primero: empezá con dismo y terra para entender el flujo completo, metéle ENMeval antes de confiarle un mapa a nadie, y no toqués predicts en serio hasta que puedas explicar por qué tu resultado cambia cuando movés un parámetro. Los paquetes no sustituyen el criterio de campo, pero si los elegís bien, dejan de ser un obstáculo y empiezan a mostrarte cosas que a simple vista se te habrían pasado.