Nos complace presentar sabinaMBM, un paquete de R para ajustar modelos bayesianos multiescala de distribución de especies dentro de un marco probabilístico unificado, construido sobre inlabru y R-INLA. El trabajo, liderado por Jennifer Morales-Barbero junto con Virgilio Gómez-Rubio, Javier Seoane, Antoine Adde, Teresa Goicolea y Rubén G. Mateo, está disponible como preprint en bioRxiv.
Los modelos de distribución calibrados en extensiones espaciales restringidas tienden a truncar el nicho ecológico de las especies. Los flujos de trabajo anidados existentes combinan la información de distintas escalas de forma secuencial, lo que limita la propagación formal de la incertidumbre entre escalas. sabinaMBM ajusta conjuntamente los datos globales y regionales y propaga la incertidumbre sin el coste computacional de los métodos basados en MCMC.
- Acoplamiento entre escalas flexible: el paquete ofrece distintas arquitecturas, desde modelos independientes hasta una restricción jerárquica, que pueden configurarse por separado para los interceptos y las covariables.
- Resultados: en una población de margen de distribución, la restricción jerárquica mejora más la discriminación fuera de muestra donde los datos regionales son más escasos. En el caso de estudio de Quercus petraea en el margen de retaguardia de su distribución ibérica, incluir un campo espacial produjo la mayor mejora de rendimiento y, bajo clima futuro, el modelo restringido estimó menos hábitat adecuado y repartió la incertidumbre según el acuerdo entre escalas.
- Aplicaciones: poblaciones regionales y de margen de distribución, especies invasoras y proyecciones bajo cambio ambiental, donde el truncamiento del nicho puede conducir a resultados ecológicamente poco plausibles.
Para más información:
- Preprint en bioRxiv
- Repositorio del paquete en GitHub, con las instrucciones de instalación
Referencia: Morales-Barbero, J., Gómez-Rubio, V., Seoane, J., Adde, A., Goicolea, T. y Mateo, R. G. (2026). sabinaMBM: An R package for multiscale Bayesian species distribution modelling using INLA. Preprint, bioRxiv.
Este trabajo se ha desarrollado en el marco del proyecto NextDive (PID2021-124187NB-I00), financiado por MCIN/AEI/10.13039/501100011033 y por «FEDER Una manera de hacer Europa».