Ribbit: aplicación web para la identificación y clasificación automática de especies de anuros

Solución completa
Rana arbórea de bandas cruzadas de Nueva Granada (Smilisca phaeota) durmiendo sobre una hoja en el Chocó colombiano
Juliana Gómez Consuegra

Ribbit es una aplicación web de ciencia ciudadana que utiliza el aprendizaje automático de transferencia de pocos disparos para registrar, identificar y clasificar las llamadas de ranas y sapos, aportando datos de origen colectivo al Fondo Mundial de Información sobre la Biodiversidad(GBIF) para subsanar la falta de datos, especialmente en el Sur Global. Las aplicaciones de identificación ofrecen un gran potencial para el seguimiento automático de la biodiversidad in situ (Global Partnership on Artificial Intelligence, 2022; Tuia et al., 2022; Nieto-Mora et al., 2023). Nuestra aplicación se centra en los anuros, ya que son indicadores cruciales de los ecosistemas(Estes-Zumpf et al., 2022), con más del 40% de las especies en peligro de extinción, y sus vocalizaciones únicas son ideales para la identificación acústica. Los participantes en las pruebas beta revelaron el potencial de la aplicación para aportar datos a GBIF y, al mismo tiempo, capacitar a los científicos ciudadanos para participar en la vigilancia ecológica. Al crear una plataforma de libre acceso para etiquetar datos sobre biodiversidad, Ribbit permite a las organizaciones conservacionistas desarrollar estrategias para proteger poblaciones vulnerables y preservar ecosistemas críticos.

Última actualización: 10 Oct 2025
83 Vistas
Premio Tech4Nature
Categoría del premio
Conservación de especies amenazadas
Tipo de tecnología
Software
Tecnologías pertinentes
Control acústico
Soluciones informáticas, incluidas aplicaciones para teléfonos inteligentes
Inteligencia artificial y aprendizaje automático
Intercambio de datos e información
Descripción de la tecnología

Nuestro proyecto comenzó en agosto de 2024. Utilizamos dos conjuntos de datos de audio etiquetados de iNaturalist sounds y Anuraset para entrenar un modelo de aprendizaje automático para clasificar anuros (ranas y sapos) basándonos en grabaciones de audio de la llamada de la especie. Ambos conjuntos de datos contenían datos distribuidos de forma anómala, es decir, un número reducido de casos de anuros raros o en peligro de extinción. Para tener en cuenta esta anomalía y garantizar que el modelo dispusiera de datos suficientes para identificar correctamente estas especies raras y en peligro, que son cruciales para alcanzar el Objetivo 4 del GBF, aumentamos nuestros datos con llamadas de iNaturalist que no eran de anuros, como las llamadas de murciélagos o grillos, que diferían en frecuencia de las llamadas de anuros. Con nuestro nuevo conjunto de datos aumentados, implementamos el aprendizaje por transferencia de pocos disparos(Ghani et al. (2023)). En concreto, utilizamos el modelo Birdnet (un modelo EfficientNet B1 preentrenado) para generar incrustaciones de especies de anuros y ajustamos el modelo mediante sondeo lineal de nuestros datos. Nuestro modelo identificó 71 especies de anuros, incluidas especies vulnerables como la rana australiana de campana, Ranoidea raniformis, con un 91% de precisión en las 5 especies más probablemente identificadas y un 72% de precisión en las 1 especies más probablemente identificadas. Nuestra aplicación web, Ribbit, se lanzó en diciembre de 2024, utilizando este modelo de mejor rendimiento, y los comentarios de los usuarios fueron muy positivos, ya que las pruebas mostraron que la mayoría de las veces la especie registrada estaba entre las 1 primeras. Nuestro proyecto es único porque es la primera aplicación de ciencia ciudadana centrada en los anuros que utiliza IA para identificar ranas.

Donantes y financiación

Escuela de Información de la UC Berkeley

Contexto
Défis à relever
Pérdida de la biodiversidad
Especies invasoras
Falta de conciencia del público y de los responsables de la toma de decisiones
Deficiente vigilancia y aplicación de la ley

Ribbit aborda retos medioambientales, sociales y económicos críticos en el seguimiento de la biodiversidad. Desde el punto de vista medioambiental, la aplicación aborda las lagunas en la recopilación de datos (meta 14 del FGD), especialmente en el Sur global. Con más del 40% de las especies de anuros en peligro de extinción(Estes-Zumpf et al., 2022), los métodos tradicionales de seguimiento no logran captar de forma exhaustiva la salud de los ecosistemas y los cambios en la biodiversidad.

Desde el punto de vista social, Ribbit democratiza la investigación científica proporcionando herramientas de seguimiento ecológico accesibles para los científicos ciudadanos. Al empoderar a los científicos ciudadanos, la aplicación rompe las barreras entre la investigación profesional y el compromiso de la comunidad, creando oportunidades de participación significativas para que las personas contribuyan a la investigación de la biodiversidad.

Desde el punto de vista económico, ofrece una alternativa rentable a los métodos tradicionales de seguimiento, que consumen muchos recursos. Ribbit aprovecha la recopilación de datos por crowdsourcing y el aprendizaje automático avanzado, reduciendo los costes de investigación y ampliando las capacidades de recopilación de datos para investigadores y organizaciones conservacionistas.

Escala de aplicación
Global
Ecosistemas
Agroforestería
Tierras de cultivo
Huerto
Pastizales / pastos
Bosque templado caducifolio
Bosques siempreverde templado
Selva baja caducifolia
Bosques tropicales de hoja perenne
Piscina, lago, estanque
Río, corriente
Humedales (pantano, turberas)
Pastizales templados, sabana, matorral
Pradera tropical, sabana, matorral
Desarrollo de toda la zona
Edificios e instalaciones
Infraestructuras de conexión, redes y corredores
Cubiertas y muros verdes
Espacios verdes (parques, jardines, bosques urbanos)
Humedales urbanos
Tema
Institucionalización de la biodiversidad
Especies exóticas invasoras
Comunicación y divulgación
Tecnología para la conservación de la naturaleza
Ubicación
África Oriente y África del Sur
El Caribe
América Central
Sudamérica
América del Norte
Asia Central y del Norte
Oeste de Asia, Medio Oriente
Sudeste Asiático
Sur de Asia
Asia del Este
Europa Occidental y del Sur
Norte de Europa
Europa del Este
Oceanía
Procesar
Resumen del proceso

Con la mitigación de la pérdida de biodiversidad como objetivo central, los demás componentes básicos apoyan estratégicamente este esfuerzo. El planteamiento de la ciencia ciudadana aborda directamente los retos de la biodiversidad creando un mecanismo integral de recogida de datos que colma lagunas críticas de conocimiento. Mediante una tecnología innovadora, el proyecto transforma las contribuciones individuales en un potente recurso científico para la vigilancia ecológica.

Laciencia ciudadana y el compromiso de la comunidad impulsan la recogida de datos, conectando a los participantes locales con los esfuerzos mundiales de conservación. Ribbit, como herramienta educativa, capacita a los ciudadanos para pasar de observadores pasivos a administradores activos del medio ambiente. La democratización de los datos recogidos en la aplicación sirve como infraestructura crítica que amplifica el impacto del proyecto. Al hacer accesible y participativa la investigación científica, la solución rompe las barreras tradicionales entre los investigadores profesionales y los miembros de la comunidad. Este enfoque de acceso abierto garantiza que los datos recogidos puedan ser utilizados por organizaciones conservacionistas, investigadores y responsables políticos, creando una vía directa desde la observación ciudadana a la acción medioambiental significativa.

Bloques de construcción
Democratización de los datos

El enfoque de Ribbit para la democratización de datos representa un proceso cuidadosamente comisariado de contribución científica impulsada por los ciudadanos. Al aprovechar los conjuntos de datos públicos existentes de iNaturalist sounds y Anuraset, la aplicación establece una base sólida para la supervisión acústica de la biodiversidad. Estos conjuntos de datos iniciales proporcionan una base completa para el aprendizaje automático, garantizando modelos iniciales de alta calidad para la identificación de anuros.

La innovadora estrategia de recogida de datos de la aplicación va más allá de la recopilación de información, aplicando un riguroso proceso de control de calidad de los datos aportados por los usuarios. Cada registro enviado por un ciudadano se someterá a una cuidadosa verificación antes de su posible contribución al Fondo Mundial de Información sobre Biodiversidad (GBIF). Este enfoque transforma la recogida pasiva de datos en un proceso científico activo y colaborativo en el que los ciudadanos pueden contribuir de forma significativa a la investigación sobre la conservación, abordando el Objetivo 14 del GBF, "Integrar la biodiversidad en la toma de decisiones a todos los niveles".

Ribbit mantiene estrictos protocolos de privacidad y protección de datos. Reconociendo el carácter sensible de los datos ecológicos, en particular los relativos a especies raras e información precisa sobre su localización, la aplicación aplica estrictos mecanismos de consentimiento del usuario. No se compartirá ni distribuirá ningún dato del usuario sin la aprobación explícita e informada del contribuyente, protegiendo así tanto los temas ecológicos como la privacidad de los científicos ciudadanos.

Factores facilitadores

  • Tecnología accesible: la aplicación web funciona en ordenadores de sobremesa y dispositivos móviles, y los usuarios pueden cargar sus datos cuando no hay Internet disponible.
  • Mecanismos sólidos de control de calidad: evaluación avanzada de registros de calidad científica.
  • Gobierno ético de los datos: priorización de la privacidad del usuario y la sensibilidad ecológica.
  • Reentrenamiento periódico del modelo: el modelo se actualiza cada seis meses y se entrena con nuevas especies que se incorporan a la aplicación y son validadas por anotadores.
Lección aprendida

Al iniciar este proyecto, éramos conscientes de la falta de datos sobre la biodiversidad de los anuros en el Sur global. Sin embargo, nos sorprendió que, a medida que intentábamos aumentar la accesibilidad de nuestra aplicación y añadir datos cualitativos, se produjera un vacío en la representación lingüística. Actualmente, nuestro proyecto está disponible en cuatro idiomas (inglés, español, portugués y árabe), lo que aumenta la accesibilidad. Utilizamos la API de Wikipedia para obtener información general sobre nuestra especie en estos cuatro idiomas, y observamos que, si bien había abundancia de datos en inglés y árabe, la información disponible era escasa en español y aún más escasa en portugués. Por lo tanto, prevemos que un reto futuro consistirá en implicar a diversos científicos, como los de habla española y portuguesa, para reducir la "laguna de datos de Wikipedia". Abordar esta brecha será un acto crucial para seguir democratizando y aumentando la accesibilidad de nuestra solución.

Ciencia ciudadana y participación de la comunidad

Se ha demostrado que las aplicaciones de ciencia ciudadana contribuyen al seguimiento de la biodiversidad y atraen a los aficionados a la naturaleza(Callaghan et al., 2019). Por ejemplo, FrogID, una aplicación del Museo Australiano, permite a los usuarios grabar llamadas de ranas cuya identidad es verificada por validadores humanos. Hasta la fecha, FrogID ha publicado artículos relacionados con el seguimiento de especies invasoras(Rowley y Callaghan, 2023), la información para las evaluaciones de la lista roja de la UICN(Gallagher et al., 2024), la evaluación de los impactos de los incendios (Mitchell et. al., 2023), la comprensión de los impactos de la urbanización(Callaghan et al., 2020) y el estudio del comportamiento de las llamadas de las ranas(Liu et al., 2022). Nuestro objetivo es lograr resultados similares con Ribbit, con especies de anuros de todo el mundo, y en un plazo más corto. Hasta la fecha, el equipo de FrogID tiene un retraso de más de 18.000 llamadas, que podría reducirse en gran medida con nuestra aplicación, ya que el tiempo de procesamiento se reduce considerablemente con la implementación de algoritmos de aprendizaje automático.

Durante la primera ronda de pruebas beta de nuestra aplicación, 50 usuarios enviaron grabaciones para su identificación. Sus comentarios han sido positivos: los expertos en la materia han señalado que la especie que grabaron coincidía con la predicha por Ribbit, y los entusiastas de la naturaleza han disfrutado de la función "Rana del día", que les presenta una nueva especie de anuro o les permite volver a familiarizarse con anuros conocidos a través del nombre y la vocalización más común de la especie (objetivo 11 del GBF).

Factores facilitadores
  • Facilidad de uso: analizando los comentarios de los usuarios, hemos iterado para mejorar la experiencia y la accesibilidad.
  • Familiaridad con aplicaciones establecidas de ciencia ecológica ciudadana: con FrogID, Merlin, eBird e iNaturalist como referencias, imitamos las características clave de las aplicaciones para que los nuevos usuarios pudieran iniciarse rápidamente.
  • Para aquellos usuarios que nunca han tenido experiencia con aplicaciones de ciencia ciudadana, nos hemos centrado en hacer la aplicación lo más fácil de usar posible. Además, nuestra sección de preguntas frecuentes incluye consejos sobre "cómo buscar ranas", incluyendo dónde y cuándo encontrar las especies que llaman.
Lección aprendida
  • Es difícil encontrar un equilibrio entre los distintos tipos de usuarios. Mientras que los científicos abogaban por utilizar nombres científicos, los aficionados a la naturaleza no conectaban con estos nombres y preferían los comunes. Sin embargo, obtener nombres comunes para todas nuestras especies en los cuatro idiomas resultó todo un reto. Esta es otra oportunidad de desarrollo: la búsqueda colectiva de nombres comunes en todo el mundo.
  • En el futuro, también queremos crear más contenido visual, con el fin de guiar a los usuarios que quieran utilizar la aplicación pero no estén seguros de cómo hacerlo; este contenido incluye qué incluir en la sección de observaciones opcionales de la aplicación, cómo validar si la rana sugerida por la aplicación es la que el usuario está viendo, entre otros.

Mitigar la pérdida de biodiversidad

La conservación de los ecosistemas es clave para frenar el cambio climático y mantener los servicios ecosistémicos (objetivo 11 del FGD), que están estrechamente relacionados con más del 50% del PIB mundial. Más de un millón de especies se enfrentan a la amenaza de extinción este siglo; sin embargo, la selección de las zonas que deben conservarse es un reto debido a la falta de datos existente, que está sesgada hacia las observaciones en el norte global. Aumentar la cantidad de datos sobre biodiversidad en el Sur Global es fundamental para la conservación de las especies amenazadas, que se encuentran en alta densidad en los puntos calientes de biodiversidad del Sur Global. Los anfibios son ideales para la identificación acústica debido a sus diversas vocalizaciones y son indicadores cruciales de los ecosistemas(Estes-Zumpf et al., 2022), con más del 40% de las especies en peligro de extinción(Cañas et al., 2023). Aumentar los datos etiquetados de las más de 7.000 especies de anfibios de todo el mundo mejoraría los esfuerzos de conservación y reduciría las lagunas de conocimiento en los ecosistemas vulnerables. Al utilizar una plataforma de ciencia ciudadana para ayudar a mitigar la pérdida de biodiversidad, ayudamos a establecer una gestión medioambiental local de estos hábitats críticos (Objetivo 20 del GBF).

Otras aplicaciones ciudadanas han demostrado el potencial que tiene la ciencia ciudadana para mitigar la pérdida de biodiversidad. eBird, el mayor proyecto de ciencia ciudadana relacionado con la biodiversidad, cuenta con 100 millones de observaciones de aves de usuarios de todo el mundo. Estas observaciones ayudan a "documentar la distribución, abundancia, uso del hábitat y tendencias de las aves a través de listas de especies recogidas, dentro de un marco científico sencillo".(Sánchez-Clavijo et. al., 2024).

iNaturalist, otra aplicación de ciencia ciudadana que utiliza algoritmos de visión por ordenador para la identificación de especies, también ha demostrado su eficacia para mitigar la pérdida de biodiversidad. Hasta la fecha, la aplicación cuenta con más de 200.000.000 de observaciones, con 6 millones de observaciones al mes en todo el mundo. En iNaturalist, las observaciones de calidad investigadora se comparten con GBIF, que a su vez utiliza ese conocimiento para la toma de decisiones políticas, la investigación y la creación de comunidades(GBIF, 2023).

Actualmente, nuestra aplicación identifica 71 especies de ranas y sapos en todo el mundo. Aunque muchas de ellas están identificadas como de preocupación menor (LC) por la UICN, tenemos una especie amenazada por la UICN, la rana campana del sur(Ranoidea raniformis). Esta falta de inclusión de especies amenazadas subraya la necesidad de que diversos profesionales participen en el seguimiento ecológico bioacústico. Aumentar los datos sobre especies vulnerables puede servir para tomar decisiones políticas basadas en datos. Las comunidades locales y los pueblos indígenas serán un activo clave para aumentar el número de especies incluidas en la aplicación, ya que sus conocimientos locales nos permiten rastrear especies en regiones remotas.

Factores facilitadores
  • Colmar las lagunas de datos: obtener más datos de los ciudadanos científicos, especialmente de las comunidades locales y los pueblos indígenas.
  • Facilitar la gestión medioambiental: accesibilidad a un conjunto diverso de usuarios.
Lección aprendida

Nuestro objetivo inicial era reducir las lagunas de datos en el Sur Global. Sin embargo, acceder a suficientes llamadas de especies raras, crípticas y en peligro de extinción en el Sur Global para entrenar nuestro modelo resultó ser todo un reto. Por lo tanto, para mejorar el rendimiento del modelo, dirigimos nuestra atención a tantas especies como pudimos abordar, en todo el mundo. La participación de los usuarios de todo el mundo permitirá obtener más registros en regiones con pocos datos, como el Sur Global, lo que nos permitirá volver a entrenar nuestro modelo en el futuro con más datos sobre especies en peligro de extinción, raras y crípticas.

Este compromiso de los usuarios se ajusta perfectamente a múltiples objetivos, el más evidente de los cuales es el objetivo 20 del FGB: Fortalecer la creación de capacidades, la transferencia de tecnología y la cooperación científica y técnica para la biodiversidad. Pero otros objetivos son clave en este bloque: al aumentar los puntos de datos, podremos identificar especies exóticas invasoras, abordando el objetivo 6 del GBF, así como proteger las especies silvestres del comercio ilegal, ocultando su ubicación a los usuarios. Esto se alinea con la Meta 5 del GBF, que busca"Garantizar la recolección y el comercio sostenibles, seguros y legales de las especies silvestres".

Herramientas educativas

Los anfibios están más amenazados y disminuyen más rápidamente que las aves o los mamíferos. Las poblaciones de anfibios están disminuyendo debido a múltiples factores, como el cambio climático, el hongo quitridio y otros factores antropogénicos como el tráfico de especies. Sin embargo, el nivel de amenaza para los anfibios está sin duda infravalorado porque 1294 especies (22,5%) son demasiado poco conocidas para evaluarlas, en comparación con sólo 78 aves (0,8%)(Stuart et al., 2004).

Este déficit de conocimientos subraya la importancia vital de herramientas educativas como Ribbit para democratizar la investigación científica. Al reducir las barreras a la vigilancia ecológica, aplicaciones como Ribbit transforman a los observadores pasivos en participantes activos en la conservación. Las tecnologías educativas permiten a los ciudadanos científicos contribuir directamente a la comprensión y protección de los ecosistemas vulnerables, abordando las limitaciones críticas de la investigación mediante una mayor recopilación de datos en regiones poco investigadas.

Estas innovadoras plataformas aumentan la concienciación pública sobre los retos de la biodiversidad, al tiempo que ofrecen vías accesibles para la participación científica. A diferencia de las aplicaciones centradas en las aves, con infraestructuras de investigación bien establecidas, la conservación de los anuros ha carecido de plataformas científicas ciudadanas integrales. Ribbit colma esta laguna fundamental al permitir que las personas se conviertan en contribuyentes cruciales a la investigación de los anfibios, cambiando el rumbo de la deficiencia de datos y apoyando los esfuerzos mundiales de conservación a través de una gestión medioambiental colaborativa y posibilitada por la tecnología. Es la primera aplicación que incluye información sobre más de 800 especies de anfibios, en cuatro idiomas, incluido el tipo de llamada, foto, información CITES (si las especies son objeto de tráfico o se utilizan con fines comerciales, abordando los objetivos 5 y 9 del GBF), el estado de la UICN (si las especies están en peligro, abordando el objetivo 4 del GBF) e información general sobre el comportamiento animal y la reproducción.

Factores facilitadores
  • Experiencia en la materia: uno de los miembros de nuestro equipo (Juliana Gómez Consuegra) colaboró estrechamente con otros expertos que investigaban el hongo quitridio.
  • Creación de una aplicación web accesible: el diseño intuitivo de la aplicación web permite a los observadores menos experimentados participar y aprender.
Lección aprendida

Aunque el objetivo es educar a los aficionados a la naturaleza, queremos evitar que aumente el tráfico de especies. Por eso hemos decidido no permitir que los usuarios tengan acceso a los datos de los demás. De ese modo, la ubicación de una especie en peligro no será visible para los traficantes, en la aplicación. Los usuarios sólo tienen acceso a sus propios datos. Una vez que los datos se comparten con GBIF, se oscurecen, de modo que ni la ubicación exacta de la rana ni la del usuario se revelarán al público en general. De este modo, nos aseguramos de que nuestra aplicación sea responsable con el medio ambiente.

Impactos

Ribbit ha demostrado sus efectos positivos en los ámbitos medioambiental, social y económico. Desde el punto de vista medioambiental, Ribbit se entrenó con 71 especies distintas de anuros, creando una herramienta completa para el seguimiento de poblaciones de anfibios en peligro de extinción. Las pruebas beta registraron y clasificaron con éxito 16 anuros distintos, y el modelo identificó con precisión las especies en las 5 coincidencias más probables el 91% de las veces, comparable a otras soluciones de aprendizaje por transferencia para bioacústica (Ghani et al., 2023). Utilizando un conjunto de datos de ~67.000 llamadas únicas de Anura, Ribbit permite la identificación de posibles cambios de hábitat y cambios de población en regiones poco estudiadas.

Desde el punto de vista social, las pruebas beta de Ribbit contaron con 50 participantes, creando una nueva vía para la investigación científica impulsada por la comunidad. La plataforma democratiza la recogida de datos, reduciendo las barreras a la participación en la investigación ecológica. El 95% de los usuarios encuestados estaban dispuestos a compartir sus grabaciones con GBIF, contribuyendo así a los datos sobre biodiversidad mundial.

Desde el punto de vista económico, Ribbit reduce significativamente los costes de seguimiento. El seguimiento tradicional de la biodiversidad en 50 lugares costaría aproximadamente 118.413 dólares estadounidenses, incluidos equipos, mano de obra y análisis de datos. En cambio, el coste operativo mensual de Ribbit se estima en 48.543,77 dólares, incluida la infraestructura de AWS y el personal cualificado. Este enfoque rentable permite a los profesionales centrar los recursos en acciones de conservación basadas en los datos recogidos.

Beneficiarios

Ribbit beneficia a los ciudadanos científicos a través de la participación en la investigación, a las comunidades locales mediante la vigilancia ecológica y a los investigadores de la conservación a través de la recopilación de datos adicionales sobre anuros en ecosistemas hasta ahora poco investigados pero ricos en biodiversidad.

Además, explique el potencial de escalabilidad de su solución. ¿Puede reproducirse o ampliarse a otras regiones o ecosistemas?

La solución de Ribbit demuestra un importante potencial de escalabilidad gracias a su innovador enfoque de aprendizaje automático, diseñado específicamente para adaptarse y mejorar con datos cada vez más diversos. El modelo de aprendizaje por transferencia de pocos disparos puede ampliarse sistemáticamente a otros ecosistemas ricos en anfibios de todo el mundo, con especial aplicabilidad en los puntos críticos de biodiversidad de las regiones tropicales y subtropicales.

La arquitectura tecnológica central es intrínsecamente adaptable, lo que permite una integración perfecta de los datos acústicos de diferentes contextos geográficos. A medida que se recogen más grabaciones de llamadas de anuros de ecosistemas variados, el modelo de aprendizaje automático puede complementarse para volverse progresivamente más sofisticado, mejorando su precisión de identificación y ampliando sus capacidades de reconocimiento de especies. Este mecanismo de mejora significa que cada nueva aportación de datos no sólo contribuye al conocimiento científico, sino que también perfecciona el rendimiento de la plataforma tecnológica.

El potencial de replicación se extiende a múltiples ámbitos. La plataforma podría adaptarse a otros grupos de animales con características acústicas distintas, lo que permitiría enfoques de seguimiento similares para insectos o mamíferos. Además, la tecnología permite desarrollar módulos específicos para cada región que pueden adaptarse a contextos ecológicos locales, creando herramientas de investigación flexibles que respondan a necesidades medioambientales específicas. Al fomentar las redes de investigación colaborativa que pueden compartir datos y mejoras de los modelos, Ribbit proporciona un marco para ampliar los conocimientos científicos más allá de las fronteras institucionales y geográficas.

El enfoque de acceso abierto de la solución y su diseño modular la hacen especialmente adecuada para su ampliación a escala mundial. Al dar prioridad a la accesibilidad de los usuarios, el rigor científico y el aprendizaje continuo, Ribbit ofrece un modelo reproducible para la vigilancia de la biodiversidad con ayuda de la tecnología, que puede adaptarse a diversas necesidades de investigación ecológica.

Marco Global para la Biodiversidad (GBF)
Objetivo 4 del FGD - Detener la extinción de especies, proteger la diversidad genética y gestionar los conflictos entre seres humanos y fauna salvaje
Objetivo 5 del GBF - Garantizar la recolección y el comercio sostenibles, seguros y legales de las especies silvestres
Objetivo 6 del GBF - Reducir en un 50% la introducción de especies exóticas invasoras y minimizar su impacto
Objetivo 9 del GBF - Gestionar las especies silvestres de forma sostenible en beneficio de las personas
Objetivo 11 del FGD - Restaurar, mantener y mejorar la contribución de la naturaleza a las personas
Objetivo 14 del FGD - Integrar la biodiversidad en la toma de decisiones a todos los niveles
Objetivo 20 del FGD - Reforzar la creación de capacidades, la transferencia de tecnología y la cooperación científica y técnica para la biodiversidad
Objetivos de Desarrollo Sostenible
ODS 15 - Vida de ecosistemas terrestres
Historia
Imagen de un biólogo de campo en la selva colombiana
Juliana Gómez Consuegra en la Estación de Investigación Biológica El Amargal, en la selva colombiana, 2007.
Juliana Gómez Consuegra

Hacer investigación de campo en la selva colombiana puede ser todo un reto. Una humedad relativa del 100% significa que su equipo de campo necesita mantenerse en sílice para sobrevivir. La falta de electricidad significa que sus dispositivos de grabación pueden no cargarse a tiempo para su próxima sesión de grabación. Y, dependiendo de la época en que salieras al campo, las preocupaciones por la seguridad eran elevadas, debido a la guerra civil en curso. Viví todas estas situaciones en 2007, cuando cursaba un máster en biología e investigaba el comportamiento de búsqueda de hogar de las ranas venenosas. Mis tareas diarias incluían caminar una hora en cada sentido, todos los días, hacia y desde mi lugar de campo; instalar altavoces que reproducían sonidos de ranas para ver cómo reaccionaban los machos de la rana venenosa arlequín a los cambios en su entorno. Mi única compañía era Yaz, un miembro de la comunidad, cuya historia de vida me inspiró. Pasó de raspar hojas de coca para los grupos rebeldes armados a trabajar en una ONG y a crear su albergue ecológico, donde la gente puede hacer expediciones de observación de ranas. Cuando me enteré de su proyecto más reciente, pensé: ¿Y si pudiéramos combinar un viaje exótico a la selva tropical con una contribución a la ciencia? Así que me puse en contacto con mis colegas biólogos y les propuse mi idea de una aplicación de ciencia ciudadana que identificara automáticamente una rana que llama. He aquí la respuesta de uno de ellos:

"Quiero felicitarles por el desarrollo de Ribbit. Soy un científico de la biodiversidad que trabaja en Colombia, y he tenido la oportunidad de presenciar de primera mano el impacto que eBird ha tenido en el seguimiento, y la apropiación social de las aves en Colombia y la gente siempre pregunta ... ¿por qué sólo las aves? ¡Mi respuesta suele ser porque son los más fáciles de encontrar e identificar para los no científicos, pero a través de aplicaciones como Ribbit esto no tiene por qué ser el caso para siempre!

Confiar en los sonidos para la identificación, que son mucho más fáciles de grabar con un teléfono normal frente a intentar hacer una foto real de una rana en la naturaleza, es una idea excelente, y al igual que ocurrió con eBird, cuanta más gente utilice la aplicación, mejor será la información que proporcione. Una pregunta tan "simple" como qué especies viven dónde/cuándo sigue siendo un reto en países megadiversos como Colombia, por lo que todos los datos generados por Ribbit serán útiles para afrontar este reto.

Sigan trabajando duro y hágannos saber si podemos ayudar de alguna manera."

Lina M Sánchez-Clavijo, PhD

Investigadora Principal

Oficina de Información Científica

Instituto Humboldt

Testimonio de: Juliana Gómez Consuegra, responsable del equipo Ribbit

Conectar con los colaboradores
Otros colaboradores
Haissam Akhras
UC Berkeley
Lia Cappellari
UC Berkeley
Farouk Ghandour
UC Berkeley