🧬 biology

Evaluating multi-season occupancy models with autocorrelation fitted to heterogeneous datasets

Este estudio evalúa modelos de ocupación multiestacionales con autocorrelación en conjuntos de datos heterogéneos, encontrando que, si bien son robustos ante el solapamiento de covariables y las frecuencias de muestreo desiguales, sufren problemas de identificabilidad y producen predicciones sesgadas cuando existen brechas en los datos espaciotemporales.

Autores originales: André Luís Luza, Didier Alard, Frédéric Barraquand

Publicado 2026-07-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: André Luís Luza, Didier Alard, Frédéric Barraquand

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio: ¿dónde viven diferentes especies de animales y cómo están cambiando sus poblaciones? En el mundo de la ecología, los científicos utilizan una herramienta especial llamada "modelo de ocupación" para responder a esto. Es como un juego de "¿Dónde está Waldo?" pero, en lugar de buscar a una persona, estás intentando mapear dónde viven miles de mariposas en todo un país. La parte difícil es que no puedes ver todas las mariposas, y a veces puedes mirar en un lugar y no verlas aunque estén allí. Esto se llama "detección imperfecta". Para obtener la imagen correcta, los científicos suelen necesitar visitar el mismo lugar muchas veces para estar seguros. Pero en el mundo real, la mayoría de los datos provienen de amantes de la naturaleza y científicos ciudadanos que simplemente ven una mariposa mientras pasean a su perro o hacen senderismo. Estos registros "oportunistas" son desordenados: algunos lugares son visitados cientos de veces, otros solo una vez, y enormes áreas nunca son visitadas en absoluto. La gran pregunta es: ¿Podemos usar estos registros desordenados y fragmentados para construir un mapa fiable de dónde viven las especies, o hace que la falta de datos perfectos sea inútil el mapa?

Este artículo es como una prueba de esfuerzo rigurosa para una nueva y sofisticada versión de esa herramienta de detective. Los autores, un equipo de ecólogos y estadísticos, querían ver si un tipo específico de modelo —uno que intenta "adivinar" las piezas faltantes asumiendo que los lugares cercanos y los años cercanos son similares entre sí— podría manejar la realidad desordenada de los datos de mariposas. No solo observaron mariposas reales; construyeron un enorme laboratorio de simulación digital. Crearon miles de mundos de mariposas ficticios con diferentes niveles de caos: algunos donde los muestreos estaban perfectamente equilibrados, otros donde eran salvajemente desiguales (como una distribución de Poisson, que es solo una forma elegante de decir "mayormente cero, a veces unos pocos, raramente muchos"), y otros donde los datos estaban agrupados en puntos y tiempos específicos, tal como ocurre en la vida real. También probaron qué pasaba si las pistas utilizadas para adivinar dónde viven las mariposas eran exactamente las mismas pistas utilizadas para adivinar qué tan fácil es verlas.

Los resultados fueron una mezcla de buenas noticias y una advertencia seria. La buena noticia es que el modelo es sorprendentemente resistente. Manejó el número desordenado e desigual de visitas e incluso el confuso solapamiento de pistas sin desmoronarse. Logró descifrar la diferencia entre "la mariposa no está ahí" y "simplemente no la vimos", incluso cuando los datos estaban sesgados. Sin embargo, el modelo chocó contra un muro cuando los datos tenían grandes vacíos: grandes áreas o años en los que nadie miró en absoluto. En estos casos, el modelo empezó a confundirse. En lugar de mostrar un mapa detallado de dónde estaban realmente las mariposas, empezó a suavizarlo todo, prediciendo que las mariposas estaban en todas partes en un nivel promedio. Era como si el detective, incapaz de encontrar suficientes pistas en una habitación oscura, decidiera adivinar que el sospechoso estaba parado en medio de la habitación, independientemente de dónde estuviera realmente.

Los autores descubrieron que el modelo tenía dificultades para "ver" los patrones reales de qué tan cerca o lejos estaban las mariposas en el espacio y el tiempo. Debido a esto, cuando intentaron predecir la población de mariposas en áreas donde no existían datos, las predicciones fueron a menudo sesgadas y poco fiables, incluso si las áreas circundantes tenían abundantes datos. Cuando probaron esto con datos reales de mariposas de la región de Nueva Aquitania en Francia, el modelo funcionó bien para las áreas con muchos registros, pero los parámetros que describen cómo las mariposas se mueven y se agrupan siguieron siendo difusos y difíciles de precisar. En resumen, aunque esta nueva herramienta es lo suficientemente robusta como para manejar datos desordenados y desiguales, no puede llenar mágicamente los huecos si estos son demasiado grandes. Si los datos son demasiado fragmentados, las predicciones del modelo se vuelven un poco borrosas, sugiriendo que todavía necesitamos una recolección de datos más cuidadosa y estructurada para comprender realmente dónde se esconden estas especies.

Resumen Técnico: Evaluación de Modelos de Ocupación Multiestacionales con Autocorrelación en Conjuntos de Datos Heterogéneos

Planteamiento del Problema
Los modelos de ocupación que contabilizan la detección imperfecta son estándares en ecología para predecir las distribuciones de especies. Sin embargo, las bases de datos de naturalistas a gran escala (p. ej., ciencia ciudadana) suelen ser altamente heterogéneas, caracterizadas por datos de una sola visita, observaciones faltantes (brechas espaciales) y distribuciones sesgadas del esfuerzo de muestreo por sitio. Los modelos de ocupación tradicionales requieren diseños de muestreo robustos (visitas repetidas dentro de ocasiones primarias) para asegurar la identificabilidad de los parámetros (separar la ocupación $\psi$ de la probabilidad de detección $p$ ). Aunque enfoques recientes proponen el uso de efectos aleatorios espaciales y temporales para representar la autocorrelación como un sustituto de la replicación estricta ("replicación fraccional"), sigue sin estar claro cómo se desempeñan estos modelos cuando se aplican a conjuntos de datos del mundo real dominados por datos faltantes, superposición de covariables entre los submodelos de ocupación y detección, y agrupamientos espaciotemporales de observaciones.

Metodología
Los autores evaluaron un modelo de ocupación multiestacional bayesiano con efectos aleatorios espaciales y temporales (basado en Doser & Stoudt, 2024) utilizando tres estudios de simulación y un análisis de datos empíricos.

Diseño de Simulación:
- Estudio 1: Replicó el diseño base de Doser & Stoudt (2024) pero introdujo una mayor autocorrelación espacial (decaimiento espacial más lento) para probar si la sobreestimación del parámetro de decaimiento espacial ( $\phi$ ) afecta las estimaciones de ocupación.
- Estudio 2: Cambió de un diseño de muestreo distribuido según Bernoulli a un diseño distribuido según Poisson para imitar la distribución sesgada de los muestreos (incluyendo ceros en los muestreos) encontrados en los conjuntos de datos de mariposas. Este estudio también introdujo la superposición de covariables:
  - Escenario 2-1: Latitud ( $L_i$ ) como covariable de ocupación.
  - Escenario 2-2: Superposición completa de $L_i$ tanto en el modelo de ocupación como en el de detección.
  - Escenario 2-3: Superposición parcial de $L_i$ .
- Estudio 3: Introdujo agrupamientos espaciotemporales para simular la fenología (picos temporales) y las preferencias de los observadores (puntos espaciales de alto esfuerzo). Este estudio incluyó escenarios con datos faltantes (brechas) tanto dentro como fuera de estos grupos.
- Evaluación: Los autores evaluaron la identificabilidad de los parámetros analizando la distribución posterior de las medias en 14,400 conjuntos de datos simulados. Las métricas incluyeron el sesgo en las estimaciones de ocupación ( $\hat{\psi}_{it}$ ), el Error Cuadrático Medio (MSE) y gráficos de contorno de combinaciones de parámetros (p. ej., $\hat{\phi}$ vs. $\hat{\sigma}^2$ ) para detectar identificabilidad local o formas de densidad alargadas. La especificación errónea del modelo también se probó simulando datos con un enlace probit y ajustándolos con un enlace logit.
Análisis de Datos Empíricos:
- El modelo se ajustó a un conjunto de datos heterogéneo de 298,389 registros de mariposas de la región de Nouvelle-Aquitaine (Francia, 2000–2023), agregados en celdas de cuadrícula de 1 km².
- Se analizaron dos especies focales: Polyommatus icarus (Azul Común) y Lycaena dispar (Cobre Grande).
- Los análisis se realizaron en un subconjunto ("Área del Gran Burdeos") y en la región completa para probar el desempeño bajo variaciones en la densidad de datos y estructuras de brechas.
- Se calculó la superposición prior-posterior (PPO) para evaluar si los datos informaban la posterior o si los priors dominaban.

Resultados Clave

Robustez ante la Heterogeneidad y la Superposición: El modelo demostró robustez ante distribuciones sesgadas de número de muestreos (diseño Poisson) y la superposición de covariables entre los submodelos de ocupación y detección. En escenarios sin brechas de datos severas, el modelo diferenció con éxito los efectos de las covariables en la ocupación y la detección, y las estimaciones de ocupación permanecieron insesgadas respecto a la verdad.
Impacto de las Brechas Espaciotemporales: Cuando se introdujeron brechas espaciotemporales (Estudio 3, Escenarios 3-2 y 3-3), el modelo exhibió un sesgo significativo. Las estimaciones de ocupación del sitio ( $\hat{\psi}_{it}$ ) se sesgaron hacia la ocupación promedio, la cual también fue sobreestimada. Este "tirón hacia la media" ocurrió incluso en áreas con abundantes datos dentro de la simulación.
Problemas de Identificabilidad:
- Parámetros Espaciales: El parámetro de decaimiento espacial ( $\phi$ ) y la varianza espacial ( $\sigma^2$ ) mostraron una identificabilidad débil. En escenarios con alto decaimiento espacial y baja varianza, la densidad posterior conjunta resultó alargada. El modelo frecuentemente estimó un $\phi$ alto (lo que implica rangos de autocorrelación cortos), tratando efectivamente los efectos aleatorios espaciales como ruido no estructurado.
- Parámetros Temporales: La autocorrelación temporal ( $\rho$ ) y la varianza ( $\sigma^2_T$ ) fueron consistentemente subestimadas, lo que llevó a efectos aleatorios temporales no estructurados.
- Consecuencia: Estos problemas de identificabilidad impidieron que el modelo corrigiera la influencia de las brechas de datos. En lugar de tomar fuerza de los vecinos, el modelo produjo predicciones casi constantes para los sitios no muestreados, reflejando la ocupación promedio sesgada.
Hallazgos Empíricos: En el análisis empírico, el modelo produjo tendencias de ocupación promedio sensatas para el subconjunto del Gran Burdeos, pero tuvo dificultades con el conjunto de datos completo. Las estimaciones de los parámetros de autocorrelación espacial y temporal mostraron una alta superposición prior-posterior, indicando que los datos no fueron suficientes para actualizar los priors. Los efectos aleatorios espaciales indicaron una autocorrelación de corto alcance (o ninguna), y las predicciones para áreas no muestreadas fueron planas.

Significancia y Reivindicaciones
El artículo sostiene que, si bien los modelos de ocupación multiestacionales con autocorrelación espacial y temporal son robustos ante esfuerzos de muestreo heterogéneos y superposición de covariables, enfrentan problemas de identificabilidad práctica cuando se aplican a conjuntos de datos con brechas espaciotemporales severas.

Los autores concluyen que:

El enfoque de "replicación fraccional" (usar la autocorrelación para sustituir las visitas repetidas) funciona bien cuando las brechas de datos son mínimas y el diseño de muestreo no está altamente agrupado.
Sin embargo, en presencia de brechas de datos severas y agrupamientos espaciotemporales (comunes en conjuntos de datos oportunistas), el modelo falla al estimar correctamente los parámetros de varianza y autocorrelación.
Estos fallos de estimación contaminan las predicciones, causando que la ocupación por sitio regrese hacia un promedio global sobreestimado, incluso en áreas con datos.
Los autores no afirman que el modelo sea inútil, sino que advierten que su aplicación requiere una evaluación cuidadosa de las brechas de datos y la identificabilidad de los parámetros. Señalan que el uso de priors informativos o estructuras de modelos alternativas (p. ej., campos gaussianos completos vía INLA) no resolvió completamente los problemas en su contexto específico, sugiriendo que existen limitaciones fundamentales para estimar estos parámetros a partir de datos dispersos y heterogéneos.

Resumen Técnico: Evaluación de Modelos de Ocupación Multiestacionales con Autocorrelación en Conjuntos de Datos Heterogéneos

Más como este