Una noche de tormenta tropical el pasado noviembre, mientras el agua golpeaba con ganas el techo de mi casa en San José, me quedé mirando fijamente la pantalla de la laptop. Tenía frente a mí mi primer modelo de distribución de la Tangara dowii, una belleza de ave que solo vemos en las tierras altas. El script de R había corrido sin errores (milagro), pero el resultado era deprimente: una mancha roja pixelada sobre un fondo gris cemento que no le hacía justicia ni al pájaro ni al esfuerzo que puse en recolectar los puntos de presencia. Sabía que los datos eran sólidos, pero el mapa parecía un error de impresión de los años noventa.
Ahí fue cuando entendí que una cosa es que el algoritmo de MaxEnt funcione y otra muy distinta es que alguien más pueda entender lo que estás mostrando. Como alguien que viene de la logística y no de la academia, mi primera reacción fue meterme a YouTube, pero pronto me di cuenta de que los tutoriales sueltos son como parches en una canoa vieja: arreglan un hueco pero no te enseñan a navegar. Si quieres que tus mapas dejen de parecer un examen de estadística mal fotocopiado, necesitas elegir un curso que no solo te enseñe a programar, sino a comunicar visualmente.
La trampa del autodidacta y la gramática de los mapas
Hacia mediados de marzo, después de pasarme meses pegando código de Stack Overflow como si fuera Frankenstein, me di cuenta de que mi principal problema no era la lógica de R, sino mi ignorancia sobre la "gramática de gráficos". En R, casi todo lo que se ve bien pasa por un paquete llamado ggplot2. El problema es que, para un aficionado terco como yo, entender las capas de ggplot2 es como tratar de aprender un idioma nuevo leyendo solo el diccionario. Sabes qué significan las palabras, pero no sabes cómo armar una oración que no suene rara.
Me pasaba horas peleando con las leyendas que se cortaban o con los colores que hacían que las elevaciones de Costa Rica parecieran una ensalada de neón. Recuerdo vívidamente el zumbido del ventilador de la laptop recalentada mientras RStudio procesaba un raster pesado en el silencio de la madrugada. Estaba procesando las 19 variables bioclimáticas de WorldClim a una resolución de celdas en segundos de arco de 30 (lo que viene siendo más o menos un kilómetro por lado), y mi computadora pedía clemencia mientras yo solo quería cambiar el color de un eje.
Lo que nadie te dice en los tutoriales gratuitos es que la estética no es un lujo decorativo. En el grupo de voluntarios de conservación, si el mapa no es claro, la gente no lo usa para planear las salidas de campo. Aprendí por las malas que un mapa bonito ayuda a identificar errores en los datos. Si ves una mancha de presencia en medio del océano porque te equivocaste en una coordenada, un buen mapa lo grita de inmediato; uno feo lo esconde entre píxeles borrosos. Para evitar esos dolores de cabeza, a veces es mejor revisar herramientas para validar la calidad de datos de presencia en MaxEnt R antes de siquiera pensar en los colores.
Del paquete raster al mundo de sf y terra
Después de varias semanas de frustración, me topé con un cambio tecnológico que casi me hace tirar la toalla. Por años, todo el mundo usó el paquete 'raster' en R, pero de repente, la comunidad empezó a migrar a 'terra' y 'sf'. Para alguien que aprendió a pura prueba y error, esto fue como si me cambiaran las señales de tránsito de la noche a la mañana. Los cursos viejos que encuentras baratos en plataformas genéricas suelen estar desactualizados y te enseñan funciones que ya nadie usa o que dan errores crípticos.
Elegir un curso hoy en día requiere que te fijes específicamente en si enseñan objetos de clase 'sf' (simple features). ¿Por qué? Porque 'sf' trata a tus mapas como tablas de datos modernas, lo que facilita muchísimo la manipulación estética. No hay nada más frustrante que seguir un tutorial de 2019 y encontrarte con la frustración de ver el mensaje "Error in plot.new() : figure margins too large" después de pasar dos horas ajustando una leyenda que simplemente no cabe en el formato antiguo.
Un buen curso de visualización ecológica debe enseñarte a manejar estos nuevos estándares. No se trata solo de que el mapa se vea "lindo", sino de que sea técnicamente correcto. Por ejemplo, si estás trabajando con un modelo donde el valor máximo de AUC (Area Under the Curve) es 1.0, quieres que tu escala de colores refleje esa precisión de forma intuitiva, no que use un degradado que confunda las zonas de alta probabilidad con las de incertidumbre.
El ángulo que nadie te cuenta: el SIG antes que el código
Aquí es donde me pongo un poco polémico, pero es la verdad que aprendí rompiendo mapas: olvídate de los cursos de visualización genéricos que solo hablan de barras y puntos. Si quieres mejorar la estética de tus mapas ecológicos, prioriza la cartografía vectorial en software de Sistema de información geográfica (SIG) antes o al mismo tiempo que aprendes R. Si no entiendes qué es una proyección, un datum o cómo se compone un archivo shapefile, tus mapas en R carecerán de precisión geográfica profesional, por más que el código corra perfecto.
R es una calculadora increíble, pero a veces es una herramienta de dibujo mediocre si no sabes qué le estás pidiendo. Los cursos que realmente valen la pena son los que te enseñan a "componer" el mapa. Te explican dónde poner el norte, cómo usar un relieve sombreado (hillshade) para que las montañas de la cordillera volcánica central se vean con volumen y cómo elegir paletas de colores que sean amigables para personas con daltonismo. Eso no es estadística, es comunicación visual, y es lo que separa a un aficionado que juega con datos de alguien que genera insumos reales para la conservación.
En mi experiencia, los cursos que intentan abarcarlo todo (desde limpiar datos hasta hacer mapas interactivos) suelen quedarse cortos en la parte estética. Es mejor buscar módulos específicos de cartografía temática. A veces, la mejor inversión no es el curso más largo, sino el que te enseña a pasar tus resultados de MaxEnt a un formato que ggplot2 pueda digerir sin escupirte errores de memoria.
La validación en el campo y el mapa final
Hace apenas un par de días, presenté el nuevo mapa de distribución al grupo de voluntarios. Ya no era una mancha roja. Ahora era una composición limpia, con las cuencas hidrográficas marcadas suavemente en azul grisáceo y un relieve sombreado que permitía ver exactamente en qué laderas de los cerros es más probable encontrar a la Tangara. Ver la cara de los compas cuando entienden la información a la primera es la mejor recompensa por todas las madrugadas peleando con la consola de R.
Si estás empezando, mi consejo es que no te desesperes con los mensajes de error en rojo. Todos hemos pasado por ahí. Lo importante es no quedarse estancado en lo básico. Si sientes que ya dominas la ejecución del modelo pero tus mapas siguen siendo feos, es momento de buscar una formación más estructurada. Yo pasé por muchos baches antes de elegir formación en R Studio para modelado de nicho ecológico que realmente se enfocara en la salida gráfica y no solo en los números gruesos.
Al final del día, nosotros los aficionados aprendemos esto porque queremos responder nuestras propias preguntas sobre la naturaleza. Pero para que esas respuestas lleguen a otros y ayuden a proteger lo que queda de nuestros bosques, tienen que entrar por los ojos. No pagues por un curso que solo te dé fórmulas; paga por uno que te enseñe a contar la historia de la especie que te apasiona a través de un mapa que dé gusto mirar. Y antes de soltar la plata, métete a los grupos de Facebook o Telegram del curso para ver si los alumnos están haciendo mapas reales o solo repitiendo los ejemplos del profesor. La terquedad es buena, pero la terquedad guiada es mucho más eficiente.