📊 statistics

A new family of Gaussian processes for modeling animal movement: application to bat telemetry data

Este artículo introduce una nueva familia de procesos gaussianos derivados de sistemas de partículas con ramificación, caracterizados por una dependencia de largo alcance y no estacionariedad, los cuales demuestran modelar eficazmente el movimiento de animales con fuerte memoria mediante un análisis de datos de telemetría de murciélagos.

Autores originales: Jose Hermenegildo Ramirez Gonzalez, Antonio Murillo Salas, Ying Sun

Publicado 2026-07-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jose Hermenegildo Ramirez Gonzalez, Antonio Murillo Salas, Ying Sun

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir la trayectoria de un explorador errante. En el mundo de la ciencia, este explorador es un animal, y el mapa es un modelo computacional llamado "proceso gaussiano". Piensa en estos modelos como bolas de cristal matemáticas. No solo adivinan hacia dónde irá un animal después; observan dónde ha estado para entender cómo piensa. Algunos animales son como turistas olvidadizos que solo se preocupan por el paso que están dando en este momento. Otros son como pensadores profundos con memorias largas, donde una decisión tomada hace horas o incluso días todavía influye en su dirección actual. Este artículo vive en el campo de la estadística y la ecología, un rincón de la ciencia dedicado a comprender cómo los seres vivos se mueven a través del espacio y el tiempo. La idea clave aquí es la "dependencia de largo alcance", que es solo una forma elegante de decir que el pasado tiene un peso pesado y persistente sobre el futuro. A los científicos les importa esto porque, si queremos proteger a las especies en peligro o entender cómo migran, necesitamos saber si están reaccionando al viento que sopla ahora mismo o si están recordando una tormenta de hace tres días.

Los autores de este artículo, un equipo de estadísticos, decidieron construir un nuevo tipo de bola de cristal específicamente para animales con memorias muy fuertes. Notaron que las viejas herramientas utilizadas para rastrear el movimiento de los animales eran como intentar medir el océano con una regla; funcionaban bien para viajes cortos, pero tenían dificultades cuando la trayectoria del animal mostraba signos de recordar cosas de mucho tiempo atrás. Los investigadores crearon una nueva familia de modelos matemáticos derivados de una física muy compleja de partículas ramificadas (piensa en un árbol donde cada rama se divide en más ramas, y estamos rastreando cuánto tiempo permanecen ocupadas las "ramas"). Descubrieron que su nuevo modelo tiene un superpoder especial: su memoria crece de una manera "logarítmica".

Para entender la diferencia, imagina dos formas en las que una memoria podría desvanecerse. Los modelos antiguos a menudo asumían que, si mirabas lo suficientemente atrás en el tiempo, la memoria se desvanecía rápidamente, como un grito que se vuelve cada vez más silencioso hasta desaparecer (decaimiento exponencial). O asumían que la memoria crecía tan rápido que se volvía abrumadora (crecimiento polinómico). El nuevo modelo, sin embargo, sugiere que la memoria crece lentamente, como un susurro que nunca desaparece del todo pero que se vuelve más fuerte de manera muy gradual. Es una memoria "Goldilocks": ni demasiado rápida, ni demasiado lenta, justo lo necesario para animales que parecen cargar con su historia sin ser aplastados por ella.

El equipo probó este nuevo modelo utilizando datos de la vida real de cinco murciélagos que volaban por Alemania. Rastrearon la longitud y latitud de los murciélagos (sus posiciones este-oeste y norte-sur) a lo largo del tiempo. Cuando introdujeron estos datos en su nuevo modelo de "memoria logarítmica", se ajustaron sorprendentemente bien al movimiento de los murciélagos. De hecho, para dos de los diez diferentes trayectos de vuelo que analizaron, su nuevo modelo fue el que mejor se ajustó de todos, superando a los populares modelos de "Ornstein-Uhlenbeck fraccionario" que los científicos suelen utilizar. Los autores sugieren que, para estos murciélagos específicos, la idea de que su memoria crece lentamente (logarítmicamente) describe su comportamiento mejor que la idea de que crece de forma explosiva.

Sin embargo, el artículo tiene cuidado de no declarar una victoria total. El nuevo modelo no ganó todas las carreras; en siete de los diez casos, los modelos más antiguos y complejos hicieron un trabajo ligeramente mejor. Los autores argumentan explícitamente en contra de la idea de que todo el movimiento animal pueda describirse mediante modelos simples y estacionarios (modelos que asumen que el comportamiento del animal no cambia con el tiempo). Sus datos mostraron que los movimientos de los murciélagos eran "no estacionarios", lo que significa que su comportamiento cambiaba a medida que avanzaba el día, y su memoria no era solo una repetición simple del pasado. También descartaron la idea de que un proceso estándar de "Ornstein-Uhlenbeck integrado" (un modelo basado en el movimiento browniano estándar) pudiera explicar los patrones a largo plazo que observaron, porque ese modelo tiene una memoria que se desvanece demasiado rápido para coincidir con el comportamiento real de los murciélagos.

Para ayudar a otros a usar su descubrimiento, el equipo no solo escribió ecuaciones; construyeron una aplicación interactiva y divertida. Imagina un videojuego donde puedes ajustar los "ajustes de memoria" de un murciélago virtual y verlo volar a través de un mapa. Puedes ver cómo cambiar las matemáticas cambia la trayectoria de vuelo, haciendo que los números abstractos se sientan reales. También proporcionaron una forma para que otros científicos introduzcan sus propios datos para ver si este nuevo modelo de "memoria de crecimiento lento" se ajusta también a sus animales.

Al final, este artículo sugiere que cuando observamos animales con memorias fuertes, como murciélagos, chimpancés o elefantes, podríamos necesitar dejar de usar herramientas que asumen que la memoria se desvanece demasiado rápido o crece de forma salvaje. En su lugar, deberíamos considerar herramientas que permitan que el pasado influya en el futuro en un susurro constante, lento y logarítmico. Si bien el nuevo modelo no es una solución mágica que resuelve todos los acertijos del movimiento, ofrece una lente fresca y más precisa para comprender las conexiones profundas y persistentes entre el pasado de un animal y su futuro.

Resumen Técnico: Una nueva familia de procesos gaussianos para el modelado del movimiento animal

Planteamiento del problema
El modelado del movimiento animal es fundamental para la investigación ecológica y biológica, particularmente para comprender las especies migratorias amenazadas por la pérdida de hábitat y el cambio climático. Un desafío significativo en este dominio es el desarrollo de modelos predictivos que capturen con precisión trayectorias que exhiben una fuerte dependencia de la memoria. Si bien los procesos gaussianos (GP) son herramientas establecidas para describir trayectorias animales, los modelos existentes a menudo tienen dificultades para representar la dependencia de largo alcance (LRD, por sus siglas en inglés), donde las posiciones pasadas remotas continúan influyendo en el movimiento futuro sin exagerar dicha influencia. Además, los diagnósticos empíricos en datos de telemetría de murciélagos sugieren que las trayectorias observadas son a menudo no estacionarias y no son intrínsecamente estacionarias, lo que requiere modelos que puedan acomodar estas propiedades mientras exhiben comportamientos de covarianza asintótica específicos.

Metodología
Los autores introducen una nueva familia de procesos gaussianos centrados y no estacionarios, denotados como $\zeta = (\zeta_t)_{t \geq 0}$ , derivados de las fluctuaciones límite del proceso de tiempo de ocupación reescalado de ciertos sistemas de partículas de ramificación. La función de covarianza se define como:
$K_f(s, t) := 2 \int_0^{s \wedge t} f(r) \left[ (s+t-2r)\log(s+t-2r) - (s-r)\log(s-r) - (t-r)\log(t-r) \right] dr$
donde $f: \mathbb{R}^+ \to \mathbb{R}^+$ es una función de ponderación medible y localmente integrable.

El estudio se centra en dos subfamilias específicas:

Pesos polinómicos ( $C_1$ ): $f_\alpha(u) = u^\alpha$ para $\alpha > -1$ .
Pesos exponenciales ( $C_2$ ): $f_{\sigma^2, \beta}(u) = \sigma^2 e^{-\beta u}$ para $\sigma^2 > 0, \beta \geq 0$ .

La subfamilia exponencial ( $C_2$ ) se selecciona para el análisis aplicado debido a su similitud estructural con la covarianza del proceso de Ornstein–Uhlenbeck fraccionario integrado ( $\mu_H$ ), un punto de referencia común en el modelado de telemetría. Los autores derivan la función de verosimilitud para las distribuciones de dimensión finita de $\zeta$ bajo la especificación $C_2$ , permitiendo la estimación de máxima verosimilitud (MLE) de los parámetros $\sigma^2$ y $\beta$ .

Resultados teóricos clave

Definición positiva: El Teorema 1 establece condiciones suficientes para $f$ (integrabilidad local) para que $K_f$ sea una función de covarianza válida.
Dependencia de largo alcance (LRD): La Proposición 1 demuestra que el proceso exhibe LRD con índice $\kappa = 1$ . Específicamente, la covarianza entre una posición pasada fija y una posición futura remota crece a un orden logarítmico:
$\lim_{T \to \infty} \frac{E(\zeta_r \zeta_{s+T})}{\log(T)} = 2 \int_0^r f(u)(r-u) du$
Esto contrasta con los modelos que exhiben crecimiento de covarianza polinómica, ofreciendo una retención más "suave" de la influencia del pasado remoto.
Propiedades de estacionariedad: Se demuestra que el proceso es no estacionario y, para pesos que satisfacen $1 \asymp f$ en intervalos compactos, no es intrínsecamente estacionario en intervalos de tiempo compactos.
Propiedades de trayectoria: Se demuestra que el proceso tiene variación total infinita y variación cuadrática cero en $[0, 1]$ , lo que implica que no es un semimartingala. Posee trayectorias con continuidad de Hölder con índices de regularidad específicos que dependen de la función de peso.

Aplicación y resultados empíricos
El modelo propuesto se aplicó a datos de movimiento migratorio tridimensional de cinco murciélagos en Alemania (datos de telemetría de Teague O'Mara et al., 2019).

Diagnósticos de datos: El análisis empírico (medias móviles, varianzas, pruebas ADF, KPSS y DFA) indicó que las series de telemetría crudas son no estacionarias. La diferenciación de primer orden no indujo la estacionariedad de manera uniforme, y los exponentes de DFA superaron 1 para todas las series, sugiriendo una fuerte dependencia a gran escala.
Ajuste del modelo: El proceso $\zeta$ con pesos exponenciales ( $C_2$ ) se ajustó por separado a las coordenadas de longitud y latitud.
Desempeño comparativo: El modelo propuesto se comparó con varios modelos competidores, incluyendo el modelo de posición de Ornstein–Uhlenbeck fraccionario ( $\mu_H$ $μ_{H}$ ), el Ornstein–Uhlenbeck integrado ( $\mu_{1/2}$ $μ_{1/2}$ ), el movimiento browniano fraccionario ( $\sigma W_H$ $σ W_{H}$ ) y modelos de tipo Stein y de hipergeométrica confluente estacionaria.
- El modelo de tipo $\zeta$ propuesto logró el Criterio de Información de Akaike (AIC) más pequeño en dos de las diez series de coordenadas.
- El modelo de Ornstein–Uhlenbeck fraccionario ( $\mu_H$ ) logró el mejor ajuste en siete series.
- En nueve de los diez conjuntos de datos, el modelo preferido fue uno de estos dos modelos de LRD no estacionarios y no intrínsecamente estacionarios.
- Notablemente, para la longitud del Murciélago #4, el modelo de frontera con $\beta=0$ (peso constante) proporcionó el mejor ajuste, lo que sugiere que para algunas trayectorias, el régimen de crecimiento logarítmico puede ser más apropiado que el crecimiento polinómico inducido por $\mu_H$ cuando $H > 1/2$ .

Significación y afirmaciones
El artículo afirma que la familia propuesta de procesos gaussianos ofrece una alternativa útil para modelar el movimiento animal en entornos donde las trayectorias exhiben una fuerte memoria, pero donde el crecimiento de la covarianza polinómica (como se ve en el movimiento browniano fraccionario o en los modelos de Ornstein–Uhlenbeck fraccionario integrado) puede sobreestimar la influencia de las posiciones pasadas distantes. El crecimiento asintótico logarítmico de la covarianza proporciona una estructura de LRD distinta que retiene las contribuciones del pasado remoto de una manera más "suave".

Los autores enfatizan que el modelo es particularmente relevante para especies con capacidades de memoria robustas, como murciélagos, chimpancés y elefantes. Para facilitar la aplicación práctica, han publicado el código de inferencia y desarrollado una aplicación interactiva de R Shiny para la simulación, estimación y predicción.

Limitaciones y direcciones futuras
El estudio reconoce que el supuesto de procesos de coordenadas no correlacionadas (longitud y latitud) simplifica el análisis, pero puede ser inadecuado si la dependencia cruzada entre coordenadas es no despreciable. Una extensión natural propuesta es el desarrollo de una versión multidimensional del modelo. Además, aunque se derivaron estimadores de máxima verosimilitud, los resultados asintóticos para la estimación de parámetros dentro de las familias $C_1$ y $C_2$ no están disponibles actualmente, lo que representa una dirección para futuras investigaciones.

Más como este