Los arrecifes de coral de todo el planeta se ven amenazados por el aumento de la temperatura del agua de mar provocado por el cambio climático. Si bien muchos corales se blanquean y, en consecuencia, perecen debido a la exposición prolongada a temperaturas anormalmente altas, algunas especies (o incluso genotipos dentro de una misma especie) mantienen un notable nivel de resiliencia climática. Históricamente, hemos identificado estos "supercorales" a posteriori : buscando entre los escombros de un arrecife gravemente afectado para encontrar a los supervivientes. Para la restauración de arrecifes de coral y otros fines, sería preferible un método más específico y proactivo para identificar corales resilientes al clima, en lugar de este enfoque de "buscar una aguja en un pajar". Con este fin, presento un amplio conjunto de datos ecofisiológicos de corales obtenidos durante una expedición de investigación de un mes a los rincones más remotos de Palaos, nación de Micronesia. Tras un procesamiento y visualización de datos rudimentarios, muestro, utilizando JMP Pro 17, cómo se pueden construir modelos predictivos de resiliencia de coral con relativa facilidad. A continuación, demuestro cómo las interfaces gráficas de usuario (GUI) derivadas de los perfiles de predicción de los modelos pueden integrarse en páginas web para que los científicos las utilicen como herramienta de planificación. En concreto, los perfiles basados en modelos permiten a los investigadores predecir las condiciones ambientales (por ejemplo, profundidad, tipo de arrecife de coral, salinidad) en las que es más probable encontrar corales resistentes durante sus estudios de bioprospección. Esta herramienta analítica ayudará, por lo tanto, a los biólogos marinos a localizar corales con alta tolerancia climática que deberían propagarse en los esfuerzos por restaurar los arrecifes degradados.
Hola a todos. Gracias por sintonizar. Mi nombre es Anderson Mayfield, soy científico especializado en arrecifes de coral y usuario y defensor de JMP desde hace mucho tiempo. Durante los próximos 30-35 minutos, les hablaré sobre la modelización de la resiliencia de los arrecifes de coral en la República de Palaos. Desafortunadamente, la motivación principal de casi toda la investigación que he realizado durante los últimos 20 años sobre los arrecifes de coral no es solo que son lugares hermosos e increíbles, sino que están muy amenazados, en particular por el aumento de la temperatura del agua de mar asociado al cambio climático.
Lo que sucede es que el océano se calienta demasiado para estos corales. Tienen una delicada simbiosis con dinoflagelados que viven dentro de sus células, y cuando el agua se mantiene demasiado caliente durante mucho tiempo, esto provoca que los corales se blanqueen y, en esencia, mueran de inanición. Desafortunadamente, incluso en este preciso momento, el cuarto evento global de blanqueamiento de corales ya está en marcha.
Los arrecifes centrales no han sido estudiados en profundidad. Representan menos del uno por ciento de la superficie oceánica total, a pesar de ser regiones de gran biodiversidad. Por lo tanto, desconocemos la ubicación de algunas de las zonas de coral más ricas. Podemos hacer conjeturas basándonos en imágenes satelitales, pero realmente necesitamos sumergirnos, ya sea con máscara y tubo o, preferiblemente, con equipo de buceo, y observar lo que hay en las profundidades. Sin embargo, nos hemos quedado sin tiempo para realizar un estudio exhaustivo e integral de todos los arrecifes de coral del planeta. Necesitamos agilizar la búsqueda de zonas particularmente ricas en coral.
De igual modo, aunque mencioné que la mayoría de los corales son muy sensibles a las altas temperaturas, existen otros que, por alguna razón, mantienen su resistencia cuando la calidad del agua de mar se deteriora. Necesitamos encontrar estos corales para comprender qué los hace diferentes. Podemos propagarlos para intentar restaurar los arrecifes, pero nuestro método habitual es lo que yo llamo buscar una aguja en un pajar. Simplemente nos sumergimos, rebuscamos entre los escombros y esperamos encontrar algunos por casualidad.
Necesitamos un método más específico y basado en datos para identificar corales resistentes al cambio climático. Estas son las preguntas que he estado tratando de abordar usando JMP. A esto lo llamo usar modelos predictivos para abordar las principales lagunas de conocimiento en JMP Pro. Tengo un par de preguntas que voy a plantear aquí. Las preguntas 3 y 4 son muy importantes y me resultan muy cercanas, pero no tendremos tiempo para revisarlas hoy. Estarán en la presentación y en los datos que proporciono en mi página web, así que también pueden escribirme si quieren más detalles, pero tengo scripts integrados en las tablas de datos y una guía paso a paso sobre cómo responderlas.
En cambio, hoy me centraré en las preguntas 1 y 2. ¿Podemos usar datos preexistentes para predecir dónde hay otros arrecifes con porcentajes muy altos de coral vivo? Estos arrecifes serán más valiosos, ya que servirán de hábitat para especies de peces importantes y protegerán nuestras costas de la energía de las olas. No necesariamente serán los más resistentes, pero quizás sean los más valiosos.
La pregunta número 2, por otro lado, trata sobre dónde encontrar estos "supercorales". Aquellos que, por alguna razón, parecen mantener su resiliencia frente al cambio climático y otros factores de estrés. Por eso quiero centrar mi charla de hoy en este conjunto de datos de Palaos, porque fue una oportunidad realmente increíble, gracias a la Fundación Living Oceans. Contamos con un gran equipo de científicos que recopiló lo que yo llamo un conjunto de datos que va desde las moléculas hasta los satélites.
En pocas palabras, recopilamos datos de todas las escalas imaginables. Tenemos datos satelitales del espacio exterior. Tenemos el barco, realizando transectos, filmando y caracterizando el bentos del lecho marino. Tenemos buceadores como yo, observando la vida en el arrecife. Mi tarea principal fue tomar muestras de coral para evaluar su salud y resistencia. Es un conjunto de datos muy completo que creo que será útil para responder algunas de las preguntas que he planteado.
Utilicé el término bioprospección porque estamos intentando aprovechar el potencial de estos datos para hacer predicciones sobre arrecifes que tal vez no hayamos estudiado. Como estuvimos allí un mes, obtuvimos un conjunto de datos increíble, pero aun así, solo hemos arañado la superficie de lo que hay, y estamos utilizando modelos predictivos para completar la información faltante.
La primera parte de la charla, o mejor dicho, la siguiente sección importante, consiste en identificar áreas con alta cobertura de coral. Esto significa que hay zonas con una gran abundancia de los corales formadores de arrecifes, los que realmente los componen. Queremos identificar arrecifes con alta cobertura de coral que quizás aún no hayamos visto. Los indicadores ambientales que utilizamos incluyen la calidad del agua de mar, la ubicación espacial y otros parámetros del hábitat.
Por si se lo preguntan, quiero aclararles: ¿por qué es necesario realizar este ejercicio? ¿No basta con consultar imágenes satelitales o usar Google Maps para estimar la ubicación de los corales? En realidad, tendrían razón. Eso les da una idea aproximada de dónde se encuentran los arrecifes, pero no les indica cuáles están vivos. Un arrecife vivo y uno muerto se ven muy similares en una imagen satelital, así que necesitamos recurrir a los datos de los buceadores para verificar qué está vivo y qué no.
Probablemente la mayoría de ustedes no conozcan Palaos, pero es una pequeña nación insular realmente hermosa en Micronesia. Prácticamente la única razón por la que los occidentales la conocen es porque es un paraíso para el buceo, y sin duda lo sigue siendo. No quiero pintar un panorama demasiado sombrío y decir que todo está reducido a escombros. Pero, por otro lado, estos arrecifes no están en estado prístino. Se enfrentan a los mismos desafíos que los arrecifes de todo el mundo, especialmente con las altas temperaturas. Con esta introducción, abramos finalmente JMP.
Estoy usando JMP Pro 18. Lo primero que quiero hacer, y en esto JMP realmente destaca, es explorar mis datos. Notarán que en esta tabla de datos simplificada, solo hay cinco columnas. Tengo los sitios. Visitamos 86 arrecifes. Tenemos la latitud y la longitud. Tengo algunas fotos representativas que les mostraré en un minuto. Tengo la cobertura de coral, que es lo que intentaremos predecir más adelante.
Vamos a mostrarles Palaos en un mapa para que tengan una idea del contexto. He abierto Graph Builder aquí, y verán que ni siquiera necesito colocar la latitud y la longitud en el eje correcto. JMP sabe intuitivamente dónde colocarlas. Desactiven esta línea. Pero aún no ven Palaos porque todavía no he añadido un mapa de fondo. Como estoy en Arabia Saudita, he tenido algunos problemas para sincronizarme con algunos de estos servidores, pero creo que usar este simple servidor de mapas callejeros será suficiente por ahora.
Estos puntos negros nos muestran nuestros sitios de buceo. Notarán que hay cierto sesgo. Solo pudimos recorrer la zona oeste del país debido a las condiciones de viento predominantes, así que es algo que deben tener en cuenta. Ahora quiero superponer los datos de cobertura de coral en el mapa. Estoy listo para cerrar esta ventana, aunque todavía no he llegado a mi objetivo.
Para empezar, tenía la leyenda desactivada. Vamos a activarla de nuevo. En realidad, quiero cambiar la combinación de colores. Quiero que no se muestren zonas donde predomina el rojo, sino donde predomina el verde, porque quiero resaltar la idea de que una alta cobertura de coral en los arrecifes es deseable.
Notarás que cometí un error aquí. En realidad, no me interesa que se muestre la latitud, así que voy a arrastrar este mapa de calor y eliminar los puntos que representaban la latitud. Volveré a la cobertura de coral y la cambiaré para que el verde represente la mayor parte. Nos acercamos, pero prácticamente hemos perdido la isla porque los píxeles son demasiado grandes. Este truco lo descubrí hace unos años.
De hecho, si estás usando un mapa de calor para superponer datos sobre un mapa, puedes forzar una cuadrícula cambiando los incrementos a los tamaños que desees y luego activando las líneas de la cuadrícula. Ahora sí que va bien. Estamos obteniendo algo que se parece más a lo que me gustaría tener, y tal vez para una publicación. Pero sigo viendo demasiadas líneas, así que voy a desactivar las líneas de la cuadrícula. Centra esto un poco mejor. Esto tiene muy buena pinta. Podría ajustar más los ejes, limpiarlos.
Pero, en realidad, el objetivo ahora es explorar. Lo que creo que notarán aquí es que vemos un poco más de rojo y naranja en el extremo norte. Estas son áreas con menor abundancia de coral. Tenemos un área por aquí donde vemos menos corales. Y tenemos bastante variedad, o mejor dicho, variabilidad, aquí en el sur.
Donde se ven los arrecifes más ricos en coral están en esta región oeste-suroeste. Quiero que tengan eso presente. También quiero mostrarles, bueno, sé la idea, sigo diciendo cobertura de coral, cobertura de coral, cobertura de coral. Este puede ser un concepto abstracto para aquellos de ustedes que no son biólogos marinos. Lo que he hecho aquí es para un par de estos sitios, de hecho he subido lo que considero una foto representativa. Pueden ver aquí, este es un arrecife con aproximadamente un 46% de cobertura de coral. Ese es aproximadamente el promedio para el país, como veremos aquí en un minuto. Esta tal vez no sea la mejor imagen para destacar esto porque para el ojo inexperto parece completamente cubierto de corales, pero algunas de estas cosas en realidad no están construyendo arrecifes. No están contribuyendo a la construcción de esta estructura. Es un poco engañoso. No es decir que este no sea un sitio hermoso, pero no es tan rico en coral como lo será en otros lugares, como veremos.
Dejemos esto de lado por ahora. Ahora pasemos al conjunto de datos más completo, que sigue teniendo 86 filas, con la latitud, la longitud y la cobertura de coral, pero aquí veremos parámetros ambientales adicionales que creo que influyen en la cobertura de coral, y hablaremos de esto más adelante. También se incluyen aspectos como la calidad del agua de mar.
Si mi pregunta es que quiero poder predecir dónde están las áreas de alta cobertura de coral que aún no hemos visto. Una forma de explorar esto, además de simplemente trazarlo en un mapa, es mediante esta práctica función llamada pantalla de predicción. Lo que voy a hacer aquí es tomar mi cobertura de coral como mi Y, y luego voy a elegir un subconjunto de estos factores ambientales que anticipo que podrían influir en la cobertura de coral como mi X. Obtendrás este gráfico muy intuitivo y fácil de interpretar. El predictor que más contribuyó a la variación en la cobertura de coral fue la latitud, lo cual tiene sentido. Estábamos viendo esos niveles más bajos de cobertura de coral en el norte, más altos en el sur. Perdón, más bajos en el extremo sur, pero tal vez un punto óptimo en el medio, y esto se corrobora con esta pantalla de predicción.
Debo mencionar que durante años interpreté esto erróneamente. Entendí que se refería a la proporción de la variación explicada por la latitud. En realidad, esto no es del todo cierto. En cambio, creo que se refiere a la proporción de veces que se incluyó la latitud en un modelo de árbol potenciado. Puede que no signifique que el 33% de la variación se explique por la latitud, pero lo que sí se puede decir es que la latitud, por ejemplo, tiene aproximadamente el doble de influencia que la temperatura. Mientras que estos parámetros, que de hecho habría hipotetizado de antemano, habrían sido factores determinantes de la variación en la cobertura de coral, tienden a no tener una gran influencia. De hecho, para destacar esto, es algo que casi no hice porque se trata esencialmente de datos negativos, pero es una característica muy útil.
Si quisiera obtener una representación gráfica de lo que acabamos de ver, además de observar el mapa, otra opción sería agrupar los datos de los organismos que viven en el fondo marino. Básicamente, todo lo que ven los buceadores se puede clasificar en cuatro categorías: coral duro, algas, otros invertebrados (como esponjas) y el sustrato estéril. Este último no está completamente desprovisto de vida, sino que se refiere a la parte del sustrato sin vida, como arena, rocas y otros organismos similares. La suma de estos cuatro datos es del 100%.
Lo que haré es apilarlos, y la razón por la que quiero apilarlos es porque esto me permitirá hacer lo que considero un gráfico realmente convincente. Lo que haré es que ahora que tengo todos estos datos bentónicos apilados en la misma columna, puedo arrastrarlos como mi Y. Voy a tener esta superposición. Voy a activar la leyenda y voy a convertirlo en un gráfico de barras. Todavía no hemos llegado al final porque quiero resaltar el hecho de que estas cuatro entidades suman un 100%. Así que simplemente voy y convierto esto en un gráfico de barras apiladas. Suman un 100, y esto enfatiza algo que no mencioné antes.
Ya mencioné que el 45% es la cobertura media de coral en los sitios que estudiamos. Esto es bastante alto para los estándares internacionales, así que es una buena noticia para Palaos. Todavía tienen mucho coral vivo. La mala noticia es que el 40% de cobertura de algas también es muy alta. Si conoces la ecología marina básica de un arrecife, sabes que existe una lucha entre corales y algas. Ambos compiten por el espacio. En un arrecife, se busca una mayor cantidad de coral a expensas de las algas. Esto no quiere decir que las algas sean siempre malas en el océano, pero en los arrecifes de coral, compiten con los corales, así que en este caso hay que aceptar lo bueno y lo malo. Eso no es lo que quería mostrarte. Lo que quería mostrarte es lo fácil que puedo observar cómo varía esta comunidad según los diferentes factores ambientales que me interesan. Esto me llevó un minuto, y es algo que probablemente no tendría problema en copiar y pegar en un documento de Word y enviarlo con mi trabajo.
Por ejemplo, aquí tenemos tres tipos diferentes de arrecifes de coral. Podemos ver que la cobertura de coral es prácticamente la misma, un 45% para todos estos tipos de arrecifes, y eso coincide con lo que vimos en la pantalla del predictor. El tipo de arrecife no fue un predictor muy útil, ni tampoco la exposición. Esto es básicamente la energía de las olas que golpea los arrecifes. Se ve que afecta a otras cosas, como que hay mucha menos alga en los arrecifes protegidos. Esto es en realidad lo opuesto a muchas partes del mundo. Basta decir que para un ecólogo, esta figura es muy rica y muy informativa, y me tomó 30 segundos hacerla, así que eso es un pequeño inciso. Creo que es una característica realmente genial. Apilar datos y usarlos para hacer estos, lo que yo llamo, gráficos de ensamblaje bentónico.
Recuerden, estamos haciendo todo esto porque queremos crear un modelo para la cobertura de coral. Después de analizar un poco los datos, ya entiendo los factores que influyen en la variación. Voy a centrarme en la parte de modelado predictivo de JMP Pro y usar esta función que salió hace algunas versiones y que me gusta mucho: la pantalla de modelos. Esto me permitirá probar simultáneamente una gran cantidad de tipos de modelos diferentes.
Lo que intento predecir es la cobertura de coral. Tengo una columna de validación que divide mis 86 sitios en un 75 % de datos de entrenamiento y un 25 % de datos de validación. Voy a activar algunas de estas opciones adicionales. Algunas de estas interacciones bidireccionales en cuadráticas pueden no tener sentido, pero dejémoslas activadas por ahora. Tengo estos predictores de cosas que hemos explorado anteriormente, que creo que podrían influir en la cobertura de coral. Algunos de ellos, claramente podríamos haberlos eliminado ya por no ser muy importantes, pero no se preocupen por eso por ahora.
Analicemos nuestro R cuadrado de validación, es decir, qué tan bien predijo el modelo la cobertura de coral de nuestro conjunto de datos de validación. Algo que notarán es que no funcionó muy bien. Estamos viendo valores de R cuadrado de alrededor de 0.3, y estos suelen ser tipos de modelos de aprendizaje automático más complejos. La selección de modelos no necesariamente sirve para darte el modelo que aparecerá en tu artículo, por ejemplo, sino para darte una idea aproximada de dónde quieres explorar. Sé que para algunos de estos conjuntos de datos ecológicos realmente complejos, las redes neuronales suelen funcionar muy bien.
Previamente, identifiqué una red neuronal, nuestra red neuronal con solo siete factores ambientales, que tenía un R cuadrado de validación de aproximadamente 0,72, lo cual, si intentas predecir cosas en el océano, creo que es un número bastante bueno. Esto tardará un par de segundos en ejecutarse, así que quiero volver a PowerPoint para mostrarte esto. Este modelo se descubrió gracias a un complemento realmente ingenioso, desarrollado por un usuario muy astuto de JMP, Diedrich Schmidt, quien, básicamente, si sabes algo sobre redes neuronales, hay muchísimos hiperparámetros diferentes con los que puedes experimentar, que pueden tener un impacto bastante grande en el rendimiento del modelo, y tiene un complemento de autoajuste generalizado muy bueno para poder probar una gran cantidad de varias combinaciones de estos hiperparámetros. Estos son cosas como el número de capas ocultas, el grado de boosting cuando tienes una sola capa, los tipos de nodos de activación, cosas de ese tipo.
Veamos. Exploremos un poco esta red neuronal. Algo que quizás notes, y que tal vez sea un poco preocupante, es que el R cuadrado de entrenamiento es bastante menor que el de validación. Puede que te impresione el de validación y digas: "¡Vaya, 0,88 es increíble para un conjunto de datos ecológicos!". Esto definitivamente podría ser evidencia de sobreajuste. Pero por ahora, atribuyámoslo a que tal vez esta ejecución no funcionó tan bien como otras, y finjamos que estamos contentos con este modelo, porque lo que realmente quiero mostrar son un par de cosas.
Primero, perfil de predicción: voy a desactivar esta evaluación de importancia de variables porque quiero rehacerlo. Esto consiste básicamente en ordenar los factores ambientales, en este caso, en relación con su influencia en el modelo. El resultado será bastante similar a la pantalla de predictores. Como ya he ejecutado este modelo antes, ya estaba ordenado de esta manera. Pero al ejecutar este análisis de importancia de variables, se reordenarán los predictores en el perfil de predicción según su tamaño de efecto total. En este caso, la longitud tuvo un mayor impacto que la latitud, por lo que el orden que se ve aquí de arriba a abajo coincide con el orden que se muestra aquí.
Lo que encontramos, sorprendentemente, la exposición, aunque no vimos mucha influencia de la exposición, en el gráfico anterior, todavía está clasificada por encima de algunos de estos otros, así que eso es algo bueno. Vemos que esto tiene sentido. Las coordenadas espaciales tienen sentido según lo que vimos en el mapa. No observamos mucho la emergencia de arrecifes, pero la grafiqué brevemente. Se pudo ver muy poco impacto en la cobertura de coral, y esto nos está mostrando, un valor que es aproximadamente la media para todo el país un poco más bajo.
Pero lo que quiero hacer es decir que estoy contento con este modelo y no tengo señales de sobreajuste, y ha cumplido con mis diversos criterios. Lo que quiero hacer, y esto es lo que me parece genial, es realizar este análisis de deseabilidad. Recuerda esto porque ya lo he hecho antes, pero quiero indicarle a JMP que maximice la cobertura de coral. Dame las condiciones en las que, según este modelo, al menos, se esperaría tener la máxima cobertura de coral. Luego voy a maximizar la deseabilidad, y ese valor subió al 73%.
Permítanme volver a la diapositiva. Tengo este gráfico de distribución. He calculado la cobertura de coral en todo el país. Tenemos esta media de 45 que mencionamos antes, pero el rango es bastante amplio. Va del 2 al 78 %. Quizás se pregunten por qué el modelo no recomendó simplemente volver a ese arrecife que tenía el 78 %. La razón es que hemos eliminado el sitio y, en este caso, la isla del modelo, porque no queremos sesgarlo con... Queremos que sea más generalizable para todo el país.
De lo contrario, si simplemente agregas el sitio, la isla y cosas por el estilo, podría indicarte que regreses al lugar donde encontraste la mayor cobertura de coral. Esa será la probabilidad más alta de acertar, pero estamos tratando de crear un modelo más generalizable para obtener información sobre lugares que aún no hemos explorado. El 73 % es una cobertura de coral asombrosamente alta, pero no del todo imposible. Menciono esto porque cuando se realizan este tipo de análisis de deseabilidad con datos ambientales, la extrapolación es definitivamente una preocupación.
En este caso, lo he analizado con antelación. Ninguna de estas condiciones me parece descabellada. Son condiciones que un biólogo marino consideraría plausibles: «Oye, puedo imaginarme perfectamente un arrecife frontal expuesto fuera de la laguna que emerge con esta profundidad media del sitio». Eso es ciertamente posible para un arrecife de coral. He trabajado con otros modelos en los que, si no se activa el control de extrapolación, se obtienen condiciones que no se han visto en el planeta desde antes de la revolución industrial. Al intentar hacer predicciones, especialmente en un sistema dinámico, conviene usar estos controles de extrapolación. No recibí ninguna advertencia al activarla, pero podría haberla recibido. Si hay problemas con la extrapolación, se puede volver a ejecutar el modelo.
En este caso, apenas cambió porque no hay problemas, pero lo que notarán aquí es que algunas de estas líneas se fijaron. Si saben algo sobre arrecifes de coral, sabrán que un arrecife frontal siempre estará en el exterior de la laguna. Ni siquiera me deja arrastrar esto porque dice: "Oye, no te vamos a permitir simular una condición que no existe en tu conjunto de datos". O, en este caso, no existe en la naturaleza. Esto es realmente genial.
Lo que haría, de nuevo, si estuviera contento con este modelo es... ya sabes lo que voy a hacer. Voy a, no hacer trampa, sino ejecutarlo de nuevo, y la razón se hará evidente. Porque lo que quiero hacer es publicar este modelo en mi sitio web. Sé que si se realiza el análisis de deseabilidad, básicamente se corregirán esas condiciones. Eso puede ser deseable, pero en mi caso, quiero que esté disponible para que otros usuarios puedan ingresar sus datos, o ingresar los datos de los arrecifes que quieran consultar, y luego les dará un resultado sobre cuál podría ser la cobertura de coral.
Otra cosa que tenía pensado hacer. Veamos. No. Ya quité el mapa. De hecho, iba a usar esas coordenadas para ver dónde se ubicarían exactamente esas coordenadas de latitud y longitud dentro de Palaos, pero creo que lo dejaremos para otro momento. Recuerdo que cuando hice esta simulación anteriormente, fue en algún lugar de la región suroeste del país, donde solíamos ver una mayor cobertura de coral.
Como pueden ver, esta repetición de este modelo es bastante similar. Pero lo que quiero hacer es fingir que estamos satisfechos con este modelo. En realidad, quiero publicarlo en JMP Public, y espero que no tarde mucho porque ya estoy conectado. Lo voy a colocar en esta carpeta de JMP Discovery. Podría agregar información adicional aquí. Si quisiera, podría adjuntar una imagen.
Veamos cómo se ve esto. Ojalá sea interactivo. A veces, cuando lo ejecuto y aún recuerda que me interesa maximizar la cobertura de coral, mantiene activado el análisis de deseabilidad, lo cual es genial la mayoría de las veces que lo recuerda, pero a veces puede ser problemático si quieres publicar el HTML interactivo. Generar el informe tardará unos instantes, así que volveremos a ello en un momento, pero te mostraré cómo se verá, ya que lo he hecho con antelación.
Este es mi sitio web. Tengo una sección de Palaos, una página única que llamo Bioprospección de Palaos, donde básicamente... No solo hago esto como prueba de concepto para JMP. Son hallazgos que me interesan mucho. Como pueden ver, no es exactamente el mismo modelo, pero es similar al que acabo de ejecutar. Por ejemplo, tengo colaboradores y colegas que trabajan en Palaos que dicen: "Hemos encontrado este arrecife en el mapa. Es un arrecife sumergido dentro de la laguna. Es un arrecife de fondo o, digamos, un arrecife de parche lagunar. Es poco profundo y, en ese caso, estaría protegido. Lo encontramos más o menos aquí, y la ubicación es más o menos aquí".
Quizás no sea un buen ejemplo, porque nos muestra la media de todo el país, así que la suposición del modelo sería: "Oye, ve a echar un vistazo a ese lugar". Sería un arrecife tan bueno como cualquier otro, y podrías optimizar el modelo, entrenarlo mejor introduciendo la cantidad que realmente viste.
Lo que he hecho aquí es mostrar una vista estática de la deseabilidad optimizada. Como pueden ver, varía ligeramente de una ejecución a otra. En este caso, estas son las condiciones proyectadas según mi modelo, que darían como resultado un arrecife con una cobertura de coral del 67%, lo cual es realmente alto. Entonces, ¿cómo se logra esto?
Así es como se ve. De nuevo, el modelo es ligeramente diferente, pero se publicó correctamente. Es interactivo. Todo lo que tengo que hacer… Veamos si esto estorba. Podría hacer dos cosas. Podría tomar el código de inserción del iframe o de la tarjeta. Prefiero el iframe porque la tarjeta, lo que hace, básicamente solo coloca este pequeño fragmento aquí, que es esencialmente un hipervínculo glorificado que te llevará a la página pública de JMP, que podría ser todo lo que necesitas. Pero si realmente quieres tener esta ventana incrustada donde los usuarios puedan entrar e ingresar sus propios datos, entonces debes usar el iframe.
Estoy usando Squarespace, pero literalmente, es tan fácil como usar código o insertarlo. Pon el código aquí. Lo copié del sitio web público de JMP. Tardará unos segundos en cargar y luego, ¡listo!, guarda esto, actualiza la página y envía este enlace a mis colegas. Si usan JMP, genial, podrán obtener mucha más información. Si no, pueden empezar a probar hipótesis y a obtener estimaciones de cosas como la cobertura de coral, usando esta función.
Esto es algo que probablemente existía desde hace años y que era imposible para JMP, pero me sorprendió muchísimo que se pudiera tener un perfilador de predicción interactivo en un sitio web con tanta facilidad. Tiene un enorme potencial para responder a todas las preguntas que he querido responder.
Para ahorrar tiempo, no voy a explicar el ejemplo de los supercorales, ya que se tarda un par de minutos en llegar a él. Pero, a modo de adelanto, el proceso es prácticamente el mismo. Si estás utilizando tu modelo predictivo, en lugar de fijarte en la cobertura de coral, usas este índice de salud de los corales que generé hace un par de años. Puedes ver todo lo que implica. Tiene una resolución muy alta, pero también es muy costoso. Es imposible medir todos estos parámetros en millones y millones de corales.
Nuevamente, necesitas usar modelos predictivos para poder tener indicadores indirectos más económicos que te digan, en lugar de gastar miles de dólares midiendo estas cosas moleculares sofisticadas, que dependemos de estos modelos predictivos para decir: "Oye, si quieres un coral que tenga un 99% de probabilidad en este ejemplo de ser un 'supercoral', tendrá este tamaño en un arrecife con una cobertura de coral muy alta, con baja diversidad de coral, etcétera, etcétera". Es un proceso analítico muy similar en JMP Pro para llegar a una pregunta diferente.
¿Dónde se encuentran estos supercorales? Podría publicarlo en mi sitio web, lo que ayudaría a la gente a planificar. Actualmente tenemos proyectos en marcha; el instituto con el que colaboro, Cord App, trabaja con personas en Palaos interesadas en encontrar estos supercorales para propagarlos en sus viveros. Los perfiles predictivos que se generarán a partir de los modelos de JMP Pro serán muy útiles para determinar la ubicación de estos arrecifes.
Si les interesa este tema, les recomiendo que vean la presentación. He omitido algunas diapositivas. Tengo todos los scripts en la tabla de datos de JMP, así que pueden realizar este análisis ustedes mismos. Creo que ahora podemos hacer cosas realmente importantes con los tipos de datos que obtenemos de los arrecifes de coral, como optimizar la planificación de la conservación marina.
Creo que me he beneficiado enormemente de trabajar con JMP y familiarizarme con el software. Me ha ayudado mucho a responder algunas de las grandes preguntas que abordan temas cruciales como el cambio climático y el futuro del planeta. Creo que, a medida que te familiarizas con JMP, y en particular con JMP Pro, si te dedicas a la creación de modelos predictivos, sientes que tienes un mundo de posibilidades a tu alcance. Animo a todos a explorar y a intentar abordar estas grandes preguntas, porque se sorprenderán de todo lo que pueden lograr.
Con esto doy por concluida esta charla, pero gracias por su atención. No duden en escribirme si tienen alguna pregunta sobre lo que he tratado. Gracias.
