MoveBench: predecir hacia dónde se moverá un animal es más difícil de lo que parece, y un modelo profundo puede perder contra un paseo aleatorio

Un modelo puede decirte, con bastante acierto, dónde estará mañana un animal que ya llevas semanas rastreando. Pídele lo mismo para un animal que nunca vio y, en varios casos, un simple paseo aleatorio lo supera. Es el resultado más incómodo de MoveBench, un preprint publicado el 14 de septiembre de 2026 por un equipo liderado desde el MIT, con autores de veinte instituciones.

Importa más allá de la informática. Cada vez que se diseña un corredor, se decide dónde cruza una vía o se prioriza un área para restaurar, hay una apuesta implícita sobre cómo se moverá la fauna. MoveBench es el primer intento de medir esa apuesta con un examen común.

Qué es MoveBench y qué contiene

Es un conjunto de datos de referencia (un benchmark) para pronosticar el movimiento animal. Los autores lo describen como el primero a gran escala para pronóstico probabilístico de movimiento de fauna. Las trayectorias salen de tres fuentes: el repositorio de datos de Movebank, limitado a conjuntos con licencia Creative Commons y DOI; una revisión de artículos recientes de métodos con datos públicos; y una encuesta a expertos de la red Movement Biodiversity Observation Network. De ahí salieron 147 conjuntos brutos, depurados luego con filtros y revisión manual.

A cada ubicación se le adjuntan 160 capas ambientales públicas, entre ellas variables de clima y cobertura y los embeddings del modelo geoespacial AlphaEarth. Los autores calculan 10,4 millones de pilas ráster con 1.600 millones de capas individuales, y prometen liberar la tubería de descarga como paquete de Python. La versión oficial se publicará tras la aceptación del artículo; hoy es un preprint, no un producto terminado.

Dato	Cifra
Ubicaciones GPS	2,6 millones
Individuos / especies / países	más de 800 / 110 / 127
Variables ambientales	160
Puntos de entrenamiento	1.120.127
Puntos de prueba en el tiempo	965.233
Puntos de prueba en individuos nuevos	537.781
Horizontes de pronóstico	1 hora, 12 horas, 1 día y 7 días

Por qué predecir a un animal no es predecir un carro

Los autores explican por qué no sirven las lecciones de los pronósticos de tráfico o de peatones. Esas trayectorias casi siempre se ajustan a un mapa de calles; un animal no tiene calles, y descubrir qué rutas toma suele ser justamente el objetivo de rastrearlo. Además, el movimiento es muy estocástico, así que existen varios futuros plausibles, y las métricas habituales evalúan un solo punto de llegada.

Por eso proponen una evaluación probabilística con el energy score, una regla de puntuación que compara el conjunto de futuros que propone el modelo con lo que realmente ocurrió. En el artículo, el valor se normaliza de modo que la estrategia de "no moverse" siempre vale 1, y un modelo útil debe quedar por debajo.

Lo que midieron: cuatro métodos y dos líneas de base

Los autores compararon cuatro familias de métodos y dos referencias simples:

• iSSF lineal e iSSF con perceptrón multicapa: funciones de selección de pasos, el enfoque estándar de la ecología del movimiento.
• deepSSF: una red convolucional que usa los ráster completos del entorno.
• MoveFormer: un transformador que mira más contexto temporal y se entrena con varios estudios y especies a la vez.
• Referencias: "no moverse" y un paseo aleatorio correlacionado (CRW), que repite estadísticas de movimiento pasadas sin usar el ambiente.

Hubo dos exámenes. En el temporal, el modelo predice observaciones posteriores de los mismos animales con los que se entrenó. En el de individuos, predice animales que no vio nunca, de la misma población.

Tres hallazgos que cambian cómo leer un pronóstico

Primero, la generalización a animales nuevos es la parte difícil. Los modelos entrenados superan a las referencias simples en el examen temporal, pero con individuos no vistos la mayoría no supera de forma consistente al paseo aleatorio. El caso extremo es deepSSF: es el mejor en el examen temporal y queda peor que el paseo aleatorio en el de individuos. Los autores lo interpretan como señal de que aprendió rasgos propios de cada animal que ayudan dentro de la muestra y estorban fuera de ella.

Segundo, el aprendizaje profundo no garantiza nada. Según el artículo, los métodos profundos no superan de forma consistente a un iSSF lineal simple. MoveFormer, el único que condiciona en varios pasos anteriores y entrena entre estudios, obtuvo el mejor promedio general sumando los dos exámenes.

Tercero, qué variables ambientales entran pesa mucho. En promedio, los embeddings de AlphaEarth rindieron mejor que el conjunto de variables ambientales tradicionales, y combinar ambos no aportó mejoras en la mayoría de los métodos. La excepción fue el iSSF con perceptrón, que rindió más con las variables convencionales. Los autores concluyen que se necesita más trabajo para que los modelos aprovechen capas complementarias.

Qué significa para quien planifica conectividad

Lo que sigue es análisis propio, no una conclusión de los autores.

1. Un pronóstico validado con los mismos animales no vale para otros. Si un modelo se calibró con collares de una población, su desempeño sobre individuos distintos puede ser mucho peor. Antes de usarlo para ubicar un paso de fauna conviene pedir cómo se evaluó.
2. La línea de base simple es una prueba obligatoria. Un modelo que no supera a un paseo aleatorio correlacionado no está aportando información ambiental, por sofisticado que sea.
3. El dato de campo sigue siendo la restricción. MoveBench depende de collares GPS, y dispositivos más livianos o autónomos, como los descritos en el rastreador que se carga con el movimiento del animal o en el sistema de GPS invertido para animales pequeños, amplían qué especies pueden entrar a estos ejercicios.
4. El artículo no prueba nada en Colombia como tal. Entre los ejemplos del artículo aparece un jaguar, pero el benchmark no está diseñado para validar corredores locales. Para ese tipo de decisión, el estudio de conectividad de mamíferos en Colombia sigue siendo una referencia más cercana.

Los propios autores plantean un uso futuro: estimar cómo nuevas vías o infraestructura de energía alterarían los corredores, o cómo cambiaría la conectividad con otro uso del suelo. Es una posibilidad que justifica el esfuerzo, no un resultado que MoveBench ya haya demostrado.

Un examen común antes que un modelo mágico

El aporte más sólido del preprint no es un algoritmo, sino ponerle nota al campo con el mismo cuestionario para todos. Ese marco permite ver lo que antes se escondía: un modelo puede lucir excelente y estar memorizando a sus animales. Para quien use pronósticos de movimiento en decisiones de territorio, la pregunta útil no es qué método es el más nuevo, sino con qué animales se probó y contra qué línea de base.

Foto de portada: imagen generada con IA (openai/gpt-image-2), ilustrativa y sin relación con ningún sitio real.