Más allá de un único modelo: la inteligencia de los conjuntos para anticipar la dispersión del piojo de mar

En la salmonicultura, anticipar dónde y cuándo aumentará la presión del piojo de mar no es una tarea sencilla. Las larvas de Lepeophtheirus salmonis no permanecen estáticas: son transportadas por las corrientes, responden a variables ambientales y atraviesan distintas etapas de desarrollo antes de alcanzar el estado infectante. A ello se suma una dificultad fundamental: los modelos utilizados para representar este proceso dependen de numerosos supuestos biológicos y físicos. La velocidad de desarrollo, mortalidad, difusión, comportamiento vertical, respuesta a la salinidad y sensibilidad a la luz son algunos de los parámetros que pueden modificar sustancialmente el resultado de una simulación. Frente a esta incertidumbre, un equipo de investigadores de la University of the Highlands and Islands y de la Scottish Association for Marine Science exploró una alternativa: en vez de escoger una única parametrización considerada “óptima”, combinar los resultados de múltiples modelos plausibles mediante técnicas de ensemble o modelos de conjunto. El trabajo, liderado por Tim M. Szewczyk junto a Dmitry Aleynik, Helena C. Reinardy, Kim S. Last y Andrew C. Dale, utilizó datos públicos de centros de cultivo de salmón en Escocia correspondientes al período 2021-2024 y evaluó 20 parametrizaciones diferentes de modelos de seguimiento de partículas. El desafío está en representar la variabilidad El piojo de mar atraviesa una fase planctónica durante sus primeras etapas de vida. Los nauplios no son infectantes, pero posteriormente se transforman en copepoditos, capaces de buscar y adherirse a un pez hospedador. Precisamente esa fase planctónica es la que convierte al problema en un desafío espacial. Los modelos de dispersión utilizados actualmente combinan información oceanográfica —como corrientes tridimensionales, temperatura, salinidad y turbulencia— con características biológicas del parásito, entre ellas desarrollo larval, mortalidad y comportamiento vertical. El problema es que pequeñas modificaciones en esos parámetros pueden generar escenarios muy diferentes. En este estudio, por ejemplo, las 20 simulaciones consideraron variaciones en la difusión horizontal y vertical, producción de huevos, mortalidad larval, velocidad de desarrollo, velocidad de natación y umbrales ambientales asociados a salinidad y luz. Se incluyeron modelos bidimensionales y tridimensionales. Así, la incertidumbre no fue tratada como un problema que debía eliminarse, sino como una característica inherente del sistema que podía ser incorporada al proceso de predicción. Tres formas de combinar los modelos Los investigadores evaluaron tres estrategias. La primera, denominada EnsAvg, corresponde a un promedio simple de las predicciones de los 20 modelos. La segunda, EnsBlend, asigna distintos pesos a cada modelo dependiendo de su desempeño y de la ubicación geográfica. De esta manera, un modelo puede adquirir mayor influencia en una zona donde representa mejor las condiciones locales. La tercera, EnsFcst, utiliza técnicas de aprendizaje automático para optimizar las predicciones, incorporando los resultados de los diferentes modelos como variables predictoras. Entre los algoritmos evaluados estuvieron regresión regularizada, random forest y redes neuronales. El objetivo no era determinar qué modelo describía exactamente la realidad, sino encontrar una combinación capaz de predecir mejor el comportamiento observado en los centros de cultivo. Machine learning destacó para predicciones en centros específicos Los resultados mostraron diferencias importantes según el objetivo de la predicción. El conjunto basado en aprendizaje automático, EnsFcst, obtuvo el mejor desempeño promedio en la validación cruzada. El algoritmo seleccionado dependió de la métrica utilizada: random forest fue seleccionado en cuatro casos y una red neuronal en otros dos. Esto resulta particularmente interesante desde la perspectiva operacional de la salmonicultura. Cuando el objetivo es anticipar la dinámica del piojo en un centro de cultivo determinado, los modelos de aprendizaje automático aparecen como una herramienta especialmente prometedora. Los autores concluyen que este tipo de aproximaciones puede ser particularmente útil para predicciones localizadas. Sin embargo, el estudio no plantea que machine learning sea una solución universal. Su desempeño depende de la disponibilidad y calidad de los datos utilizados para entrenar y validar los modelos. De hecho, los investigadores advierten que para predecir directamente la presión de infestación larval se requieren mejores observaciones de las concentraciones de larvas en el ambiente. EnsBlend: una herramienta para mirar el territorio completo Uno de los resultados más relevantes aparece en el segundo enfoque. El modelo EnsBlend, que combina las 20 parametrizaciones otorgándoles pesos variables espacialmente, superó en promedio a todas las parametrizaciones individuales cuando se evaluó su capacidad para reproducir los patrones espaciales semanales entre centros de cultivo. También obtuvo mejores resultados que todas las parametrizaciones individuales en términos de RMSE para representar la dinámica temporal dentro de los centros, aunque algunas parametrizaciones individuales todavía tuvieron mejor desempeño en otras métricas. El experimento de remuestreo reforzó este resultado. Al seleccionar aleatoriamente conjuntos de 3, 5, 10 y 15 modelos, EnsBlend superó casi sistemáticamente a sus componentes al evaluar los patrones espaciales semanales de infestación. Además, su desempeño relativo tendió a aumentar a medida que se incorporaba un mayor número de parametrizaciones. En otras palabras, la diversidad de modelos no fue simplemente ruido: permitió construir una representación más robusta de la presión de infestación. Una conclusión especialmente relevante: no existe un único modelo ganador Uno de los hallazgos más interesantes es que cada una de las 20 parametrizaciones resultó ser la mejor en al menos algunos centros o semanas. La parametrización 3D.7 fue la de mejor desempeño promedio, seguida en algunos análisis por 3D.3. Sin embargo, el hecho de que diferentes modelos funcionaran mejor en distintos lugares refuerza precisamente la utilidad de los conjuntos: un modelo que funciona bien en una zona no necesariamente será el mejor en otra. El modelo EnsBlend reflejó esta heterogeneidad. Solo una minoría de las parametrizaciones concentró gran parte del peso, y los modelos tridimensionales tuvieron una influencia claramente superior a los bidimensionales. Los dos componentes con mejor desempeño, 3D.7 y 3D.3, estaban caracterizados por velocidades de natación relativamente lentas y umbrales de salinidad bajos, lo que producía un comportamiento vertical más pasivo. Sin embargo, los autores advierten que estos pesos no deben interpretarse directamente como una prueba de que ese comportamiento sea biológicamente “verdadero”, ya que reflejan el desempeño relativo de los modelos incluidos en este conjunto específico. Las corrientes aparecen como corredores de dispersión Al proyectar el modelo EnsBlend sobre el área de estudio, los investigadores identificaron corredores de presión de infestación que seguían las corrientes oceánicas predominantes. Además, las zonas donde la presión promedio era elevada tendían a presentar también un mayor rango de valores plausibles, es decir, una mayor incertidumbre. No obstante, hubo excepciones: algunas áreas presentaron una presión elevada acompañada de una mayor concordancia entre los modelos. El análisis también mostró una marcada señal estacional La presión moderada a alta fue más frecuente durante el período de fines de verano, mientras que las presiones bajas fueron más comunes durante la primavera. Entre julio y octubre, la proporción media de sitios con una presión modelada superior a 1 copepodito por m³·h alcanzó 1,28%, frente a 0,193% entre diciembre y mayo. El modelo también permitió observar que la distribución vertical de los copepoditos podía variar entre centros. En algunos sitios predominó un patrón compatible con migración vertical diaria, con mayores concentraciones cerca de la superficie durante el día; en otros, las mareas parecieron dominar la distribución. También se observaron ciclos asociados a mareas de sicigia y cuadratura de aproximadamente 14 días. ¿Qué significa esto para la salmonicultura? El principal aporte del trabajo no es entregar una nueva “fórmula” para el piojo de mar, sino proponer una nueva manera de manejar la incertidumbre de los modelos. Para la industria, esto puede ser relevante porque las decisiones sanitarias y productivas dependen cada vez más de anticipar escenarios y no únicamente de reaccionar frente a una carga de piojos ya instalada. Una herramienta capaz de combinar diferentes representaciones de la dispersión podría contribuir, por ejemplo, a identificar áreas con mayor probabilidad de exposición, anticipar períodos de mayor presión y mejorar la interpretación espacial de los riesgos. El propio estudio plantea que mejores predicciones de la dispersión pueden contribuir a una gestión más eficaz de las infestaciones, al bienestar de los peces cultivados y a la reducción de las cargas de piojos sobre salmónidos silvestres. Pero existe una condición fundamental: la calidad de la predicción seguirá dependiendo de la calidad de los datos disponibles. El gran desafío: observar las larvas directamente Una de las principales limitaciones identificadas por los autores es que la validación directa de los modelos sigue siendo difícil. Las larvas son pequeñas —menores a 500 micrómetros— y normalmente se encuentran en densidades bajas, inferiores a una larva por metro cúbico. Además, deben ser identificadas entre una comunidad diversa de organismos planctónicos. Por esta razón, el estudio utilizó principalmente información de conteos de piojos adultos en los peces de cultivo como referencia para validar las predicciones. Esto constituye una fortaleza por el volumen de información disponible, pero también introduce una distancia entre lo que el modelo intenta predecir —la presión larval— y aquello que efectivamente se observa —la carga de piojos sobre los peces después de que han ocurrido procesos de encuentro, adhesión, desarrollo y mortalidad—. Los autores señalan que futuras redes de monitoreo larval podrían entregar observaciones directas de mayor valor para validar los modelos de dispersión. De la predicción a una nueva generación de sistemas de gestión El estudio abre una perspectiva especialmente interesante para el desarrollo futuro de herramientas de gestión sanitaria. Los investigadores proponen avanzar hacia modelos que integren diferentes fuentes de información, incluyendo conteos realizados en centros, jaulas centinela y muestreos directos de larvas. También plantean incorporar de manera más explícita procesos como la adhesión de los copepoditos, el desarrollo sobre el pez y los efectos de las estrategias de control del piojo. En ese escenario, el modelo dejaría de ser simplemente una simulación de dónde podrían viajar las larvas. Se convertiría progresivamente en un sistema capaz de integrar oceanografía, biología del parásito, datos productivos, observaciones sanitarias y aprendizaje estadístico para estimar no solo una predicción, sino también el rango de incertidumbre asociado a ella. Y ese cambio conceptual puede ser tan importante como la precisión de una predicción individual. Una lección para la modelación de la salmonicultura Es así como la conclusión central del estudio destaca que los modelos de conjunto representan una alternativa sólida a la búsqueda de una única parametrización óptima. Cuando existen datos suficientes para validar modelos más complejos, los pesos pueden optimizarse para mejorar las estimaciones. Cuando los datos son más limitados, incluso un promedio simple de varias simulaciones plausibles puede superar el desempeño de buena parte de los modelos individuales. Para predicciones específicas en centros de cultivo, los autores consideran especialmente prometedores los enfoques de aprendizaje automático. El mensaje de fondo es particularmente relevante para una industria que opera en sistemas costeros complejos: la incertidumbre no necesariamente debe ser eliminada para tomar mejores decisiones; también puede ser medida, integrada y utilizada como parte de la decisión. En el caso del piojo de mar, donde las corrientes, la temperatura, la salinidad, el comportamiento larval, la dinámica de los centros y las condiciones ambientales interactúan continuamente, asumir que un único conjunto de parámetros puede representar todo el sistema puede resultar una simplificación difícil de sostener. El enfoque de ensembles propone algo diferente: dejar que múltiples modelos compitan, se complementen y sean ponderados según dónde y cómo funcionan mejor. Para la salmonicultura del futuro, esa transición —desde el modelo único hacia sistemas predictivos que incorporan múltiples escenarios y su incertidumbre— podría convertirse en una pieza importante de una gestión sanitaria cada vez más anticipatoria y basada en datos. Lea el estudio completo aquí: Embracing uncertainty: Ensemble models of sea lice larval dispersal