IBIGEO   22622
INSTITUTO DE BIO Y GEOCIENCIAS DEL NOA
Unidad Ejecutora - UE
congresos y reuniones científicas
Título:
Migración del Piojito Picudo (Inezia inornata): integrando datos de ciencia ciudadana y fuentes tradicionales
Autor/es:
ARETA JI; GORLERI F
Reunión:
Congreso; XVIII Reunión Argentina de Ornitología; 2019
Resumen:
La ciencia ciudadana (CC) ha incrementado notablemente su caudal de datos y promete mejorar nuestro conocimiento sobre los patrones migratorios de las aves en Sudamérica. Sin embargo, para muchas especies, la cantidad de datos es insuficiente para lograr inferencias ecológicas robustas. Por lo tanto, parecería a priori necesario recurrir a fuentes de datos tradicionales (registros publicados en literatura y especímenes de museos) para incrementar el número de observaciones en los análisis. El Piojito Picudo (Inezia inornata) es un tiránido migratorio poco conocido y con pocas observaciones en bases de CC. Con el objetivo de poner a prueba la utilidad de la CC como fuente única de datos para el estudio de la migración en esta especie, creamos modelos de distribución de su área de cría y de invernada utilizando distintas combinaciones de datos: (A) MaxEnt con todas las presencias de CC, (B) Random Forest con datos de CC siguiendo las mejores prácticas ?i.e. eliminando registros que no cuentan con información de esfuerzo de muestreo?, y (C) Random Forest combinando datos de CC y fuentes tradicionales Todos los modelos predijeron adecuadamente la distribución de cría y de invernada del Piojito Picudo. La distribución de cría estuvo restringida a la región chaqueña, y la de invernada asociada al suroeste amazónico, pantanal y chaco boreal. El modelo que combinó datos de CC y fuentes tradicionales logró el mayor poder predictivo para ambas temporadas (Modelo C; AUC 0.96 cría, AUC 0.94 inv.), seguido del modelo de mejores prácticas (Modelo B; AUC 0.95 cría, AUC 0.93 inv.). Comprobamos la utilidad de la CC como herramienta para estimar la distribución estacional de especies. Sin embargo, en especies con escasos datos, aún es necesario recurrir a fuentes tradicionales para lograr inferencias más robustas.