En la región neotropical de Centroamérica y Sudamérica, las especies simpátricas de jaguar (Panthera onca) y puma (Puma concolor) se encuentran amenazadas por la actividad humana. Identificar la presencia o ausencia de cada especie en una región determinada es fundamental para desarrollar estrategias de conservación eficaces. Si bien estas especies crípticas y esquivas rara vez se observan en estado salvaje, las huellas que dejan son indicadores de su presencia y distribución. Sin embargo, las huellas de jaguar y puma no se distinguen fácilmente a simple vista.
En esta presentación, desvelamos una nueva herramienta de campo intuitiva en JMP que permite a los biólogos conservacionistas diferenciar rápidamente entre jaguares y pumas. Primero, mostramos cómo extraer características con el complemento JMP FIT (Footprint Identification Technology) y aplicar un análisis discriminante lineal. A continuación, mostramos cómo extraer la forma de una huella mediante un análisis estadístico de forma en JMP. Finalmente, predecimos la especie utilizando un modelo de red neuronal de las coordenadas de la forma, visualizando y explorando el resultado a través de una novedosa herramienta interactiva de perfilado de formas.
Hola a todos. Muchas gracias por acompañarnos. Es un honor estar aquí y compartir parte de nuestro trabajo con ustedes. Esta es una presentación conjunta entre Sky y yo de WildTrack, Caleb King de JMP, y el Dr. Juarez Pezzuti y el Dr. Dany Felix de la Universidad de Pará en Brasil. Lamentablemente, no pueden estar hoy con nosotros, pero presentaremos junto a Caleb.
Esta presentación constará de tres partes. Yo introduciré el tema del trabajo. Sky hablará brevemente sobre el análisis inicial de datos, y Caleb mostrará algunas novedades interesantes de JMP que nos serán de gran ayuda. Esperamos que les guste. El título de la charla es "Conozco al jaguar por sus huellas". Trata sobre cómo distinguir a dos de los principales depredadores de Norteamérica a partir de sus huellas.
El trabajo que realizamos en WildTrack es único, ya que combinamos algunas de las técnicas más antiguas de la biología de la conservación con las más modernas. Integramos el conocimiento ecológico tradicional con análisis de datos de vanguardia para ofrecer enfoques no invasivos y respetuosos con la comunidad para la conservación de la vida silvestre. Enfoques que no perturban a los animales, pero que al mismo tiempo generan análisis de datos rápidos para ayudar a protegerlos, lo cual es un enfoque inusual en la conservación, pero que está ganando terreno rápidamente. Nos sentimos honrados de haber recibido premios por nuestro trabajo y de poder colaborar con personas extraordinarias de todo el mundo para mejorar la situación de la biología de la conservación y ayudar a proteger a las especies en peligro de extinción.
Uno de los grandes problemas de los que todos somos conscientes es la pérdida de biodiversidad en nuestro planeta. Esto está estrechamente ligado al cambio climático, la contaminación, la deforestación y el conflicto entre humanos y vida silvestre. Todos estos factores, en conjunto, han reducido drásticamente el espacio y los hábitats disponibles para los mamíferos silvestres, probablemente en un 94% de lo que eran originalmente. Es decir, los mamíferos silvestres ahora representan el 6% de la biomasa mundial, en comparación con el otro 94%, que corresponde a los humanos y nuestros animales domésticos. Y esto solo hablando de mamíferos. Por supuesto, existen muchas otras especies en peligro de extinción que no son mamíferos, pero creo que ofrece una perspectiva muy interesante sobre la alarmante magnitud del daño y la vulnerabilidad de la vida silvestre causados por las actividades humanas.
Creo que estas amenazas y estos problemas que afectan la conservación de la biodiversidad en general se pueden resumir perfectamente en uno de los proyectos en los que estamos trabajando: las AMENAZAS para el Puma y el Jaguar en América. Como dije al principio, estas son algunas de nuestras especies más emblemáticas y en peligro de extinción en Norteamérica. Solo quedan unos 170 000 pumas, y aún menos, unos 50 000 jaguares. Coexisten en hábitats por toda Norteamérica, con el puma extendiéndose desde el norte de Norteamérica hasta el extremo sur de Sudamérica, mientras que el jaguar se encuentra un poco más centrado, principalmente en Sudamérica.
Pero los conflictos y problemas que enfrentan estos animales son muy similares a los que acabo de mencionar: el conflicto entre humanos y vida silvestre, la deforestación y la caza furtiva del jaguar. De hecho, se cazan jaguares por su piel, así como por sus dientes y huesos para la medicina tradicional. Estos son problemas realmente graves. Uno de los problemas que tenemos es que no contamos con datos actualizados de forma fiable y frecuente sobre su número y distribución.
Contamos con estos mapas actuales, que son representaciones muy generales. No se actualizan con la suficiente frecuencia a nivel local como para que podamos comprender la situación y obtener datos fiables. La cantidad y la distribución son fundamentales. Necesitamos esa información para saber dónde se encuentran estos animales y cómo protegerlos. Si bien estos mapas tienen un aspecto excelente, en realidad son muy imprecisos. Necesitamos mucha más información detallada para poder actuar con rapidez donde estos animales están en peligro.
¿Qué técnicas tenemos actualmente para diferenciar al jaguar del puma y saber dónde deben protegerse? La verdad es que no muchas ni suficientes. Contamos con cámaras trampa, muy utilizadas en la conservación de la vida silvestre, que se colocan en senderos por donde transitan los animales en la selva o el bosque. Al pasar un animal, se activa un haz de luz que le toma una foto.
El problema con las cámaras trampa es que su instalación para obtener datos estadísticos es bastante compleja. Suelen ser robadas. Los animales las evitan. Su despliegue a gran escala es muy costoso. Si bien son útiles para obtener una instantánea, no proporcionan información a escala de paisaje. Otras técnicas, como el análisis de ADN, son costosas de procesar por muestra. Se necesita toda la información genómica para poder identificar el tipo de animal.
También existen otros métodos, como el uso de instrumentación para monitorear a los animales, por ejemplo, colocándoles colores o etiquetas y obteniendo datos GPS. Estos métodos también son costosos y potencialmente dañinos para los propios animales. Gran parte de nuestro trabajo ha demostrado que esto se manifiesta en cambios en su hábitat, fertilidad, tamaño de las camadas y estructura social. Todos estos cambios pueden ocurrir cuando se interfiere directamente con los animales, marcándolos, capturándolos o sedándolos con dardos.
¿Qué podemos hacer? Si queremos conocer el número y la distribución de estos animales, ¿qué podemos hacer para obtener datos de alta resolución a escala del paisaje? De esto hablaremos hoy.
En WildTrack, hemos desarrollado una tecnología de identificación de huellas que ofrece una solución potencialmente revolucionaria. No leeré todo el texto de esta diapositiva porque es bastante extenso, pero creo que la idea principal es que las huellas están por todas partes. Son una señal única de la naturaleza y, de hecho, contienen muchísima información. Usando las huellas, podemos identificar la especie de un animal, su sexo, el individuo y su edad. Solo tenemos que mirar al suelo y tomar imágenes de esas huellas. Son una fuente de datos generalmente infrautilizada, pero increíblemente valiosa para informarnos sobre el estado de conservación.
Esto es lo que hace nuestra tecnología de identificación de huellas. Una de las ventajas adicionales es que, al utilizar huellas, resultan muy accesibles para las comunidades locales, que pueden rastrearlas. Este enfoque, basado en huellas, incorpora conocimientos ecológicos tradicionales, tan infravalorados por la ciencia y, sin embargo, tan valiosos como herramienta de conservación. En definitiva, se trata de combinar lo antiguo y lo moderno para crear una herramienta que nos ayudará a identificar mejor a estos animales.
Como decía, una huella es, en realidad, una señal. Puede ser cualquier señal, pero es una señal que se renueva constantemente en el entorno. Generalmente, las huellas se borran después de 24 a 48 horas y permanecen ahí, esperándonos. Es como si el mundo fuera un lienzo en blanco con huellas. Si logramos identificar qué especies dejaron esas huellas, qué individuos y dónde se encontraban, llenaremos ese mapa mundial con datos, lo que constituirá un recurso fantástico para la conservación.
Ahora, voy a parar aquí y darle la palabra a Sky, pero me gustaría comentar que tenemos muchas publicaciones en nuestro sitio web por si alguien está interesado en leer más sobre el tema de la conservación. Todo está ahí. Estas son nuestras publicaciones de los últimos dos años. Le cedo la palabra a Sky para que hable un poco más sobre el análisis de datos, y luego Caleb hablará sobre las nuevas y emocionantes funciones de JMP.
Espero que todos puedan ver mi pantalla. Soy Sky. Voy a describir muy brevemente cómo realizamos la extracción de características para dividir las variables que luego utilizamos para el análisis. Primero que nada, con las huellas, es necesario familiarizarse un poco con la disposición y la configuración. Hay que decidir cuáles son las delanteras, cuáles las traseras, cuáles las derechas y cuáles las izquierdas. No es muy difícil. Es como con nuestras manos. Si observan la configuración de nuestros dedos, izquierdo y derecho, no es muy diferente a la configuración que ven aquí en una piscina de pumas y aquí, que son las patas delanteras, y de forma similar en las traseras. Una vez que se acostumbran, saben qué pata están viendo.
Otro aspecto a tener en cuenta es que, al caminar normalmente, los carnívoros a veces dan pasos largos. Esto se conoce como registro. En este caso, la pata trasera pisa por encima de la delantera. Esto ocurre con bastante frecuencia, por lo que, para simplificar al máximo el proceso, utilizamos únicamente las patas traseras. No solo utilizamos las patas traseras, sino que nos centramos en la pata trasera izquierda. En otras palabras, desarrollamos una forma muy sencilla de utilizar el análisis para que pueda ser utilizada por muchos otros investigadores.
Cuando miras la huella de la pata trasera de un puma y un jaguar, puedes ver la similitud. Es muy, muy difícil. A veces, con un rastreador muy, muy bueno, podrías distinguirlos, pero la mayoría de las veces, son tan similares que visualmente, es muy difícil diferenciarlos. Lo que tenemos que tener en cuenta, por supuesto, es la variación que probablemente encontrarás dentro de un individuo, luego la variación que encontrarás dentro de la especie, y luego observas la variación que probablemente encontrarás entre las especies. Esto es solo una demostración para mostrar lo que... Aprendí una descripción muy breve de la variación que encontrarás dentro de las huellas de diferentes individuos tanto para el jaguar como para el puma.
Lo que hemos hecho con FIT es desarrollar un protocolo estandarizado para carnívoros. Colocamos lo que llamamos puntos de referencia. Como pueden ver aquí, están numerados. Esta es la huella de un puma. Están numerados del 1 al 25. Ahora bien, seguramente se preguntarán: "¿Cómo se sabe dónde colocar estos puntos?". Una vez que uno se acostumbra a observar una huella, puede identificar los puntos norte-sur y oeste-este-oeste para cada dedo. Es muy similar a la huella dactilar humana, como ya mencioné. Aquí falta el primer dedo, así que se ven los cuatro dedos y la almohadilla. Una vez que se familiariza con el método, la colocación de estos puntos se puede realizar con gran precisión y consistencia.
Esta es solo una representación esquemática de cómo colocamos los puntos y extraemos las métricas. Tenemos 25 puntos de referencia. A partir de estos, creamos 15 puntos derivados, lo que nos permite extraer automáticamente distancias, ángulos y áreas. Luego, creamos los algoritmos FIT para la identificación individual, la discriminación de sexo, la discriminación de especies e incluso, en algunos casos, la discriminación por edad. Aquí, por supuesto, nos centramos en la discriminación de sexo. Ahora les mostraré brevemente cómo realizamos la extracción de características en FIT.
Ahora, esta es una ventana de JMP. Lo que hemos hecho es crear un FIT en el menú. Si hago clic ahí, verán, con suerte, que pueden leer esas especies. Hemos creado algoritmos y protocolos para una gran cantidad de especies: el elefante, el león, el tigre, el tigre de Bengala, el tigre de Amur, los rinocerontes, el guepardo, el puma y varias otras especies aquí.
¿Cómo funciona esto? Bueno, si accedo a Jaguar, aparece esta pantalla. Aquí está el menú principal, que nos permite extraer las características de la imagen. También realiza análisis de datos por pares, pero no hablaré de eso hoy. Además, cuenta con funciones para análisis discriminante validado y mapeo. En otras palabras, capturas una imagen, la procesas y te proporciona la identificación y la ubicación donde la encontraste. Es una imagen completa, todo dentro de JMP.
Voy a seguir con la extracción de características de la imagen. Si ejecuto la aplicación, se abrirá esta ventana. El lado izquierdo es solo una demostración; es una ventana inactiva. Todo sucede en el lado derecho. Este es nuestro menú principal. Aquí se encuentran los campos donde ingresamos la información. Y aquí están los botones activos.
Voy a explicarlo muy rápidamente. Voy a insertar una imagen. Aquí está mi imagen. Claro, no la pueden ver, pero tenemos la opción de redimensionarla. Se redimensiona automáticamente. Conserva las proporciones, lo cual es muy importante. Aquí tenemos todas las instrucciones. Arrastran y sueltan la imagen, la redimensionan y luego la rotan con los puntos de rotación.
Hemos redimensionado la imagen. Estos son los puntos de rotación. ¿Por qué son importantes? Digo, rotar aquí, y rota la imagen. Eso es porque estamos colocando los puntos, los puntos de referencia que estamos colocando se hacen visualmente. El punto superior en un dedo variará dependiendo de la configuración o la ubicación de la huella. Luego colocamos la escala, y la escala está aquí. El factor de escala está establecido en 10 centímetros aquí. Incluso tenemos funcionalidad para la profundidad del sustrato, que no usaré. Luego estos son los botones de conducción aquí.
Voy a hacer esto muy, muy rápido. Tenemos la escala a 10 centímetros. Ya lo hice, y luego dice que hay que poner los puntos de referencia. Ahora, voy a hacerlo muy, muy rápido. Puedes ver dónde los estoy colocando. Una vez que te acostumbras, este proceso se vuelve bastante simple. Puedo hacerlo con más precisión tomando la cruz y colocando el punto con mucha precisión. Si simplemente sigo la rutina de poner todos los puntos… Como dije, una vez que te acostumbras, se vuelve algo natural. He hecho miles de estos.
He hecho los 25, y aquí me dice que he terminado con los puntos. Luego hago clic en el botón Derivar, puntos. Apenas se ven, pero esos son los 15 puntos que están programados en el script, y básicamente generan esos puntos derivados.
Finalmente, todo lo que hago… Aquí están las funcionalidades que no necesito explicar. Digo agregar fila, y básicamente genera una fila de datos para esa huella en particular. Ahora, genera todas las coordenadas XY, y hay 40 de ellas, 15 puntos derivados y 25 puntos de referencia. Luego, comenzando en V1, tenemos todas las variables.
Ahora bien, todo esto está programado para que podamos modificarlo y añadirle variables. No sabemos qué variables resultarán significativas para diferenciar las dos especies. Básicamente, creo un protocolo donde intento determinar todas las distancias, ángulos y áreas que probablemente contribuyan al análisis. Este es, en esencia, el resultado final.
Creo que finalmente, si vuelvo a la presentación de diapositivas, una demostración, y esos son básicamente nuestros datos generados. Esto da solo un resumen de lo que tenemos para los datos de jaguares y pumas. Tenemos individuos en cautiverio, 21 jaguares, 18 pumas. También hemos recolectado rastros de la naturaleza para permitir la noción de que en la naturaleza, vamos a obtener diferentes tipos de huellas, diferentes sustratos, etc. Hemos agregado esos. En total, tenemos alrededor de 500 huellas, 261 para jaguares y 220. Voy a terminar aquí y dejar que Caleb tome la palabra para contarles sobre su magia con el análisis de datos.
Genial. De acuerdo. Bueno, gracias, Sky, por la introducción. Tengo que estar a la altura de las expectativas después de haberlo llamado magia. Ahora hablaré un poco sobre cómo estamos haciendo el análisis JMP, pero me centraré principalmente en una técnica más reciente que hemos estado explorando en este proyecto. Sky les explicó cómo se ha hecho tradicionalmente en FIT. Este será un enfoque ligeramente diferente que utiliza algo llamado Análisis Estadístico de Forma.
Para empezar, necesitamos un poco de contexto. Con esto quiero decir que, si logro que se entienda, ahí estamos. ¿Qué es una figura geométrica? Esta parece una pregunta muy tonta. Todos sabemos qué es una figura geométrica. Es una de las primeras cosas que aprendemos de niños. La figura que vemos en la pantalla es un triángulo. Todos estamos de acuerdo en que es un triángulo. En realidad, dar una definición de figura geométrica puede resultar un poco complicado, porque conceptualmente lo entendemos. ¿Cómo podemos expresar con palabras qué es exactamente una figura geométrica?
Bueno, los expertos en análisis estadístico de formas, pioneros en este campo, propusieron la siguiente definición: la forma es toda la información invariante. Esto significa que no cambia al realizar ciertas operaciones, como traslación, escalado y rotación. ¿Qué queremos decir con esto?
Bueno, esto es un triángulo, todos estamos de acuerdo. Si hago esto, muevo el triángulo hacia abajo. Bueno, después de hacerlo, sigue siendo un triángulo. La forma no ha cambiado. Simplemente lo moví de lugar. Podría hacerlo más grande, y eso sería un triángulo grande y un triángulo pequeño. La forma sigue siendo un triángulo. Incluso podría rotarlo. Ahora parece un botón de reproducción, pero sigue siendo un triángulo. Eso es lo que queremos decir. La forma ha permanecido igual sin importar cuál de estas operaciones le hayamos hecho. Esa es la definición con la que estamos trabajando.
A continuación, debemos preguntarnos: bien, sabemos qué es una forma. ¿Cómo la identificamos, específicamente dentro de un marco matemático? ¿Cómo lo hacemos matemáticamente? Bueno, hay varias maneras. La que voy a comentar está relacionada con nuestro trabajo en FIT. Comenzamos con el conjunto de puntos de referencia que Sky nos acaba de mencionar.
De hecho, voy a mostrarles una de esas imágenes. Simplemente se seleccionan puntos que ayudan a identificar las partes clave de la forma. Se podría pensar en ello como la definición de una especie de polígono, o en este caso, en realidad son varios polígonos, ya que tenemos los dígitos y el teclado. Todos estos elementos conforman las características clave de la forma que nos interesa. Ahora que tenemos estos puntos de referencia, debemos decidir cómo extraer la información de la forma a partir de este conjunto de puntos de datos.
Para ello, debemos realizar un procedimiento de alineación. Eliminaremos todos los cambios en la forma que no estén relacionados con ella. ¿Cómo lo hacemos? Bueno, Sky les mostró un método que utilizan en FIT. Voy a hablarles de un método un poco más general. De nuevo, existen varias maneras de hacerlo, pero les hablaré de una más general. Se trata del análisis de Procrustes. Un nombre bastante curioso.
Les contaré un poco sobre el origen del nombre. Proviene de un personaje de la mitología griega que tenía una pequeña residencia al borde de un sendero. Cuando la gente pasaba caminando, él los invitaba a entrar a descansar un rato. "Han viajado mucho, tomen un refrigerio, descansen un rato". Cuando se acomodaban en la cama que les preparaba, nunca parecían caber del todo. Pero no importaba, Procusto era muy complaciente. Si eras demasiado pequeño, tomaba una cuerda, te ataba y te estiraba hasta que encajaras. Si eras demasiado grande, bueno, simplemente te cortaba a tu medida, literalmente. Sí, este tipo era en realidad un ladrón, y se deshacía de sus víctimas de esta manera macabra y bastante creativa hasta que otro héroe griego, Teseo, apareció y le dio a Procusto una probada de su propia medicina.
Un nombre un tanto controvertido, pero se entiende de dónde proviene el nombre de este procedimiento. Ahora bien, ¿cuáles son los pasos principales? Básicamente, son tres pasos, que corresponden a cada uno de los cambios que mencionamos. Primero, si tenemos figuras dispersas, las centramos en un punto común, generalmente el origen. Para ello, para cada figura (en este caso, cada traza), calculamos la media de las coordenadas X y la media de las coordenadas Y, las trazamos desde cada coordenada y así la centramos en el origen.
De hecho, como mostró este tipo, eso ya se hace colgando las escenas en el software de ajuste. Ya hacen esa parte de la alineación allí. Lo siguiente es que necesitamos tener en cuenta esa escala. Queremos que todos tengan la misma escala. No queremos ningún cambio relacionado con la escala. Una forma de hacer eso es lo que se llama la raíz de la distancia cuadrática media. Ahora tengo un triángulo aquí al lado. Puedes pensar en él como cada uno de estos. Tengo mis tres puntos de referencia. Esa es la esquina. Aquí está mi media en el centro. Estas líneas representan la distancia de cada punto al centro.
La distancia cuadrática media es simplemente el promedio de esas distancias. Tomamos esa distancia promedio y dividimos cada coordenada por ella; así, las nuevas coordenadas tendrán una distancia cuadrática media de uno. Ahora hemos centrado todas las coordenadas en cero. Las hemos escalado a escala uno. En mi caso, guardé esta información de escalado original porque puede ser útil para las predicciones.
Lo último que debemos hacer es ocuparnos de la alineación rotacional. Ahora bien, con los dos pasos anteriores, hemos tenido un buen estándar con el que podemos trabajar. Para la rotación, tienes varias opciones. Sky te mostró una en la que eliges dos puntos de referencia y dices que esto sirve como mi referencia horizontal. Otra que comentaré aquí es un procedimiento más general en el que puedes empezar tomando la forma media.
Para cada trayectoria, en este caso, se utiliza un punto de referencia como punto de partida y se calcula la media de las coordenadas de todos los datos y trayectorias. Este proceso se repite para cada punto de referencia, definiendo así la forma media. Se parte de este punto como referencia inicial y se rotan las demás trayectorias para alinearlas con él. A continuación, se calcula la nueva media y se repite el proceso. Generalmente, tras dos o tres iteraciones, se logra una alineación óptima. Este método se conoce como alineación de Procrustes o alineación general de Procrustes.
Ahora que hemos hecho eso, por fin podemos llegar a lo interesante, o casi. Verán, una vez que tenemos las coordenadas de datos alineadas, debemos pensar en qué espacio se ubican estas formas. Técnicamente, se ubican en lo que se denomina una variedad. Este es solo un término matemático sofisticado que significa que, a nivel global, todo se ve extraño, irregular y con curvas, como líneas rectas. En realidad, no todo son líneas rectas, pero localmente, es posible que podamos usar distancias de línea recta.
Un buen ejemplo, estás parado sobre una. Se llama la Tierra. Es una esfera gigante, un esferoide, técnicamente, pero se considera una variedad porque las distancias a gran escala no son rectas. Son curvas. Por eso, la razón por la que tenemos que lidiar con eso es que empiezo con una forma que es un conjunto de coordenadas. Puedo transformar eso en un vector. Tengo un buen espacio vectorial, pero a medida que empiezo a eliminar la traslación, la escala y la rotación, empiezo a restringir el espacio en el que se encuentra.
Como ejemplo sencillo, los triángulos, y todas sus variaciones, existen en una variedad que se asemeja a un hemisferio dividido en cuatro partes, donde se toma una de esas partes y se obtiene la forma y el espacio en el que se encuentran los triángulos. Este es el ejemplo más simple que se pueda imaginar. Como se puede apreciar, es un poco difícil de visualizar o incluso de comprender. Debido a esto, vivimos en esta extraña variedad de alta dimensión, por lo que debemos lidiar con conceptos como el espacio tangente.
Intenta obtener un espacio con distancias en línea recta, ya que eso facilita mucho las cosas. Para transformar entre ellas, utilizamos transformaciones exponenciales y logarítmicas. Una vez que llegamos a ese espacio, podemos realizar nuestro análisis estadístico. Algunas técnicas comunes son el análisis de componentes principales, el análisis discriminante, las redes neuronales y cualquier otro análisis estadístico que desees realizar. He resaltado el análisis discriminante lineal (LDA) en la sección de redes neuronales porque es algo en lo que nos centraremos en breve.
Otra cosa que podrías hacer es simplemente ignorar todo lo que acabo de decir y fingir que estás en línea recta, que estás en el espacio que deseas. Eso parece muy arbitrario y perezoso, si quieres, pero en realidad hay una razón para esto. Como ejemplo rápido, tengo una lavadora no muy lejos de mí aquí. Si quisiera calcular la distancia entre yo y la lavadora, puedo hacerlo de dos maneras.
Una opción es que, como ya dije, vivo en un esferoide gigante. La mejor forma de medir la distancia en un esferoide es mediante la longitud de arco. Necesito determinar el ángulo entre mi posición y la lavadora, medido desde el centro de la Tierra. Una vez que tenga esa información, podré calcular la longitud de arco entre mi posición y la lavadora, y esa será mi distancia. O, dicho de otro modo, podría decir que el terreno parece plano. Simplemente calcularé la distancia en línea recta. Espero que ahora entiendas por qué podrías preferir este método al más preciso.
Obviamente, calcular el arte computacionalmente de esa manera es excesivo para lo que estoy manejando. En nuestro caso, como las formas con las que trabajamos son muy similares entre sí, no hay mucha variación. Podemos calcular distancias como en un análisis estándar, sin preocuparnos por las dimensiones superiores. Solo las formas serán muy diferentes. Por ejemplo, triángulos isósceles frente a triángulos rectángulos. En ese caso, sí que habría que considerar matemáticas más avanzadas, como triángulos frente a cuadrados. En ese caso, definitivamente habría que ocuparse de las matemáticas. En nuestro caso, las formas son tan similares que no necesitamos preocuparnos por eso. Podemos ir directamente al análisis que nos interesa. Bien, dicho esto, veamos esto en acción.
Déjenme ir aquí a mis datos, y primero les mostraré un ejemplo de cómo podemos hacer eso, solicitar esta alineación. Aquí están los datos sin procesar que me envió Sky. Tenemos todas nuestras métricas aquí. A partir de ahí, puedo extraer o, si ya está proporcionado, tomar las coordenadas. Aquí están los valores Y, los valores X. Estos son los datos que quiero, son las coordenadas sin procesar. Solo para mostrarles cómo podría verse. Aquí hay un gráfico de esas coordenadas. Hay algo de alineación, pero todavía está desordenado. Probablemente deberíamos hacer una mejor alineación con esto. Con eso, abriré una herramienta que llamo la herramienta de alineación de Procustes. Todo esto fue creado en el lenguaje de scripting JMP. Aunque se está utilizando en esta aplicación en particular, técnicamente, se puede utilizar para cualquier aplicación donde tenga datos X e Y. No estoy seguro de haber seleccionado la tabla de datos. Lo ejecutaré. Se abrirá una pequeña ventana simple aquí.
Voy a introducir mis coordenadas. No las necesito todas, solo algunas. Algunas se utilizan para generar otras coordenadas.
En general, lo que tengo aquí es un esquema completo de la pista. Voy a agregar, veamos, estas dos como variables suplementarias. Estas son esencialmente las cosas que quiero usar para predecir. Hago clic en Ir, y ha hecho la alineación. Y ahí están, pistas bien alineadas. Se ven mucho mejor que lo que vimos antes. Así de simple es hacer esta alineación general de Procustes. Nuevamente, hay otras maneras de hacer la alineación. Solo quiero mostrarles el enfoque general. Ahora, este enfoque, voy a cerrar todas estas tablas de datos. De hecho, ya he hecho algo de limpieza en los datos alineados, así que simplemente voy a sacar esos datos ahora. Vamos a eso. Ahí está. Aquí están los datos alineados finales. Ya he hecho algo de análisis en esto.
Para empezar, deberíamos tener una referencia para visualizar los datos. Siempre debes graficar tus datos. Yo lo he hecho aquí. Es un poco más fácil hacerlo con los datos apilados que con los datos espaciados de esta manera. Espaciarlos facilita el análisis. Ahora bien, cuando menciono el análisis, lo que debo aclarar es que Sky mencionó la recopilación de estas variables morfométricas, áreas, ángulos, distancias.
Lo que estamos haciendo aquí en el análisis de forma es que en realidad estamos usando las coordenadas alineadas reales como nuestras entradas porque estas coordenadas representan la forma. Lo único más que incluyo es este factor de escala aquí. Nuevamente, porque al analizar la huella, la escala puede ser informativa. Puede haber casos en los que simplemente saber qué tan grande es la huella puede ser informativo sobre con qué especie estás trabajando. Mantendremos este gráfico aquí al lado para referencia visual. Ahora, nuevamente, como dije, ya he hecho algunos análisis. El primero que hice es este análisis más básico que hacemos en ajuste, que es el análisis discriminante.
Puedo ejecutarlo aquí solo para mostrarles cómo se ve el resultado. Obtenemos una tasa de clasificación errónea de alrededor del 2-5 %. Eso es bastante bueno. Uno de los beneficios que podemos obtener con este análisis de forma es que nos ayuda a ver más allá de lo evidente y decir, ¿podemos dar una explicación física de cómo funciona el modelo? Un ejemplo aquí en el análisis discriminante, la forma en que funciona es que esencialmente toma una combinación lineal de las entradas para crear este eje que llamamos canónico.
La idea es que si represento los valores en ese eje canónico, aquellos en diferentes grupos estarán lo más alejados posible entre sí. Esa es la idea principal detrás de la parte discriminante del análisis. Ahora bien, por supuesto, este es un objeto matemático muy complejo. Bueno, es unidimensional, pero es función de múltiples factores. Puede parecer una caja negra. ¿Qué sucede exactamente ahí? ¿No sería genial poder entender lo que ocurre? Bueno, existen las llamadas cargas canónicas. Son esencialmente la correlación entre este eje y los valores de entrada.
Podríamos representarlo como un gráfico de barras para cada entrada. Eso podría ser informativo, pero tenemos una forma. De hecho, podemos usar esto a nuestro favor. En este caso, he creado algo llamado visor canónico. Lo único que hice fue representar la forma media y luego representé estas cargas canónicas como el tamaño de una flecha. El signo y la magnitud se combinan en esta flecha. Esto se combina a partir de los componentes X e Y porque X e Y son las entradas. Simplemente los combino en una sola línea. Lo interesante es que si comparamos esto con los datos y observamos el cambio de azul a rojo, es decir, de puma a jaguar, notarán que las direcciones de las flechas se corresponden bastante bien con los cambios y las diferencias que vemos en los datos, lo cual es muy bueno.
Necesitamos confirmación con los datos. Otra fuente de confirmación, le mostré esto a nuestro colega Juárez, que estaba en Brasil recolectando estos datos. Tan pronto como lo vio, dijo: "Eso es exactamente lo que veo en las diferencias entre las trayectorias". No solo tengo confirmación con los datos, sino que también tengo confirmación de personas que están en el campo haciendo esto. Eso indica que este modelo definitivamente está haciendo algo bien, lo cual siempre es bueno escuchar para nosotros los analistas. Es interesante porque ahora podemos ver lo que está sucediendo físicamente. ¿Cuáles son estas diferencias en las formas? Esto puede tener un significado biológico para las personas que están analizando esto. Información muy útil. Disculpen, tendré en cuenta la laguna ahí. Ahora bien, me limité al análisis discriminante. Por supuesto, este es un enfoque. Podría haber muchos tipos diferentes de enfoques para modelar este tipo de datos.
Lo que hice fue ir al menú de análisis de su modelo predictivo y realizar una selección de modelos que combina varios tipos diferentes y trata de evaluar cuál funciona mejor. En este caso, resultó ser la red neuronal. Probablemente no sea tan sorprendente. Si la ejecuto, podemos ver aquí, así que normalmente uso la tasa de clasificación errónea como mi comparación estándar. En este caso, es cero. Nuestro modelo ha predicho las respuestas a la perfección. No se puede obtener un mejor resultado. No manipulé los números ni nada por el estilo. Así es exactamente como salió.
Esto es bastante asombroso. De nuevo, podemos preguntarnos: ¿qué está analizando? ¿Podemos intentar comprender el modelo? Ahora bien, se trata de una red neuronal, conocida por ser un método de caja negra, pero podríamos probar algunas técnicas. Una cosa que hice fue trabajar con una red de una sola capa. Para cada nodo de la capa, hice lo mismo: calculé una correlación entre su entrada. Primero la extraje de la transformación NTaH, la parte lineal, y observé la correlación entre ella y las entradas.
Entonces podría ponderarlo según el peso final asignado a ese nodo para obtener un gráfico que se vea algo así. En este caso, estoy recorriendo cada capa, y puedes ver a medida que avanzo todas las pequeñas variaciones en las que cada capa se enfoca ahora. Si me preguntas por qué son tan diferentes, lamentablemente no puedo explicar esa parte. Es la red neuronal haciendo su trabajo. Lo interesante es que si nos desplazamos un poco aquí, vemos algunos de los mismos patrones similares que vimos en el modelo discriminante. Ahora, a veces este signo está invertido. Es simplemente un signo negativo. Puedes pensar en invertirlo mentalmente. Son todas variaciones del mismo tipo de patrón, todas las cuales corresponden a los datos que estamos viendo.
Una vez más, esto muestra cierta similitud entre los modelos. Al menos estamos identificando algo intrínseco a la naturaleza de la forma de estas huellas. ¿Ven esta pequeña flecha aquí? Ese es mi intento de evaluar el impacto de la escala a su lado. Notarán que a veces la escala tiene un impacto pequeño, otras veces tiene un impacto grande. En el análisis discriminante, tiene un impacto pequeño. Lo que realmente impulsa las diferencias aquí es la forma que estamos viendo, que es muy informativa. Ahora, hay una última cosa que me gustaría mostrarles. Para ello, tengo que hacer una pregunta que invita a la reflexión.
¿No sería genial? Son imágenes estáticas, pero ¿no sería genial poder tocar estos puntos, arrastrarlos y ver cómo, al cambiar manualmente la forma, afecta a su clasificación? ¿No sería increíble? ¿No sería interesante? Me alegra que lo preguntes, porque resulta que he creado algo. De nuevo, por ahora es solo un pequeño script de tabla. Todo está hecho en JSL. A esto lo llamo un perfilador de forma, tomando prestada la terminología de una herramienta común en JMP. Claro, la idea es que no se trata de un reloj estático. Puedo hacer clic en estos puntos. ¡Vamos! Muévelos para que veas cómo pequeños cambios en la forma afectan al resultado.
Aquí hay mucha más información. Esas flechas que ves, las llamo flechas de sensibilidad. El término técnico es gradiente. Básicamente, si muevo ese punto un poco en esa dirección, te muestra, según el tamaño de la flecha, cuánto aumentará su probabilidad. En este caso, este punto 23 con el que he estado experimentando es un punto muy sensible porque puedo moverlo un poco y puedes ver cuánto cambia esa clasificación solo con este punto. Te haces una idea de cuán sensible es la clasificación a ciertos puntos de la figura. Por supuesto, puedo desglosarlo. De nuevo, las entradas originales son el sentido X de Y. Si quieres verlo ahí, puedes tenerlo. Normalmente solo doy una flecha. Es un poco más fácil de visualizar.
Ahora, hay una última cosa que podemos hacer con esto, y requerirá un poco de configuración. Voy a ocultar la clasificación probablemente para un efecto dramático. También ocultaré las flechas de sensibilidad solo para que las cosas sean un poco más fáciles. Mientras configuro algunas de estas cosas, comenzaré a cerrar nuestra charla. Primero que nada, necesito cambiar algunas configuraciones. Sé cuáles deben ser. Voy a hacer esos cambios aquí. Solo tengan paciencia conmigo un momento. No se preocupen, no voy a dejar ese espacio. También voy a cambiar la escala aquí. Voy a venir aquí y arrastrar una imagen. Recuerden, vieron eso antes con lo que Sky estaba haciendo en FIT. También pueden hacerlo aquí.
Voy a llenar el gráfico. Esta es la imagen equivocada. Está bien. La correcta está aquí. Ayuda tener la imagen correcta. Quería asegurarme de tener los puntos de referencia porque no soy un experto en poner esos puntos de referencia, así que podría estropearlo. Quiero asegurarme de que estas marcas de graduación se alineen bastante bien con la escala aquí porque esta es una escala real. Lo que está en FIT es definitivamente mucho más avanzado que lo que estoy haciendo ahora. Es mucho mejor. Todavía estoy haciendo algunas cosas manualmente aquí, pero está bien. Debería estar bien. Creo que ya estamos casi listos. Aquí estamos. Eso encaja bastante bien. Voy a aclarar un poco la imagen para que puedas ver los puntos con los que estoy trabajando.
Ahí está. Voy a bloquearlo porque no quiero mover la imagen por accidente ahora que la tengo configurada. Mientras hago esto, ayudaré a cerrar esto. Como vieron al principio, Zoe nos presentó la importancia de sus esfuerzos en la conservación animal, lo vital que es entender dónde están estos animales, cuáles son sus áreas de distribución. Yo, por supuesto, de niño, amaba a los animales, así que definitivamente me gusta tener muchos más de los que hay cerca. A mi hija ya le gustan los animales. Le gusta mirar libros sobre insectos y todas esas cosas raras que se arrastran. No heredó eso de mí. No muchas cosas raras que se arrastran. Me alegra ver que está bastante interesada en eso.
Por supuesto, Sky nos estaba mostrando cómo utilizan esta técnica no invasiva relativamente nueva. En realidad no es nueva. Existe desde hace mucho tiempo. Simplemente la estamos incorporando a nuestro software. Utilizamos esta técnica no invasiva para rastrear a los animales y, de hecho, no es demasiado difícil hacerlo con el software FIT, que también proporcionamos en JMP. Luego, por supuesto, aquí con el análisis de forma, esto es algo nuevo que estamos explorando. Parece encajar perfectamente, por así decirlo. Para este tipo de análisis, porque gran parte se centra en la forma de las huellas. Por supuesto, las aplicaciones para el análisis de forma no se limitan solo a WildTrack, aunque, como me señalaste antes, esa es la aplicación más importante.
Estamos investigando otras áreas donde esto podría utilizarse. Por ejemplo, existen aplicaciones conocidas en la industria biomédica, donde la forma es un factor importante. Se podría analizar la forma de un órgano o algo similar para determinar si está enfermo o no. Otra área donde esto podría tener aplicación es en la fabricación aditiva, donde tal vez se intente controlar la variación durante la construcción de un objeto o la forma de un producto para ver qué la afecta. En lugar de usar la forma como entrada, se obtiene la forma como respuesta.
En resumen, aquí en JMP, uno de nuestros objetivos es brindarles las herramientas necesarias para que puedan rendir al máximo o, en el caso de esta pista Puma, dar el 100% de su esfuerzo. Dicho esto, les agradezco que hayan visto nuestra charla conjunta. Les invito a consultar las demás charlas que se impartirán en Discovery, tanto en línea como presencialmente. Si pueden asistir en persona, nos encantaría verlos allí. Eso es todo por mi parte. Gracias a todos.
