2.4.1 Justificación
Existe una gran cantidad de literatura científica que evalúa los requisitos de hábitat de las aves forestales y el impacto de la gestión de los bosques de producción en la composición de la comunidad y las poblaciones de especies. Muy pocas especies de aves en Europa dependen de una especie de árbol en particular. Algunas excepciones notables incluyen la preferencia del gallo lira (Tetrao tetrix) por los brotes de abedul, una raza particular del cascanueces (Nucifraga c.caryocatactes) depende de las avellanas y el pinzón real (Fringilla montifringilla) es altamente dependiente de las semillas de haya en invierno. Sin embargo, las especies de aves a menudo muestran una preferencia por categorías particulares de árboles (es decir, coníferas versus frondosas), o composiciones particulares de especies de árboles a escalas espaciales apropiadas. El mito común (Aegithalos caudatus) se encuentra más comúnmente en paisajes con más del 15% de cobertura caducifolia, mientras que el carbonero garrapinos (Parus ater) y el reyezuelo sencillo (Regulus regulus) son comunes en bosques con al menos un 10% de píceas. Si bien hay pocas dudas de que una mayor diversidad de aves está asociada con una mayor diversidad de árboles (Ampoorter et al. 2019) y, por lo tanto, se podría anticipar que muchos proyectos de restauración producirán cambios en la composición de las comunidades de aves, no todas las especies se beneficiarán y hay muchas características forestales dentro del rango de control de gestión que influirán en las especies que colonicen el nuevo hábitat (Penone et al. 2018).
Los murciélagos suelen ser olvidados por el público, pero se podría decir que desempeñan un papel importante en el mantenimiento de la resiliencia de los ecosistemas forestales, incluyendo el control de plagas de insectos dentro y fuera de los bosques. Al igual que las aves, los murciélagos se alimentan a gran escala espacial, y su presencia depende tanto de la disponibilidad de hábitat y la conectividad a escala del paisaje como de las masas individuales. La riqueza de especies de murciélagos europeos aumenta con la cobertura forestal de frondosas en las regiones templadas y boreales (p. ej., Meramo et al., 2025) y con la abundancia de coníferas en los paisajes mediterráneos; estos cambios en la estructura de la vegetación reflejan a su vez los cambios subyacentes en la abundancia de insectos (Barbaro et al., 2019). A menudo, la conservación de aves y murciélagos raros es un objetivo de conservación en sí mismo, pero de forma más general, son valiosas adiciones a un plan de monitoreo porque tienen diferentes preferencias y requisitos de hábitat, en particular para anidar y descansar, lo que proporciona información complementaria sobre el éxito de la restauración forestal.
2.4.2 Métodos de encuesta
Aunque el audio se ha utilizado ampliamente para estudiar aves y murciélagos durante muchas décadas, en las últimas dos décadas, dispositivos digitales más económicos han permitido que el monitoreo acústico pasivo (PAM) se haya consolidado como una técnica aceptada para monitorear numerosos sitios durante períodos prolongados (Gibb et al., 2018; Sugai et al., 2018). El PAM es adecuado para la recopilación y el procesamiento automatizados de datos, lo que permite analizar fácilmente grandes cantidades de datos y cuantificar los factores que afectan la detección con mayor facilidad que para los observadores humanos (lo que depende de la experiencia), lo que resulta especialmente útil cuando los estudios repetidos pueden durar muchos años. Si bien es poco probable que el monitoreo continuo se justifique para la mayoría de los proyectos de restauración, la perspectiva de sensores en red y sistemas de análisis integrados plantea la posibilidad de un monitoreo PAM en tiempo real y una gestión adaptativa en el futuro, lo que puede contribuir a la participación ciudadana (Roe et al., 2021; Sethi et al., 2018).
El PAM permite la recopilación sistemática de datos comparables a largo plazo, siempre que se adjunten protocolos detallados de los programas de registro (Gibb et al., 2018). Los grabadores PAM suelen estar limitados por su potencia y capacidad de almacenamiento, por lo que el esfuerzo de muestreo en el monitoreo acústico puede optimizar la distribución de sensores acústicos y los programas de registro para maximizar los períodos de monitoreo y reducir los requisitos de mantenimiento (Sugai et al., 2019). Como se describe en la sección 1.4, si no existe un modelo de referencia que guíe el diseño del monitoreo, los estudios piloto pueden determinar rápidamente el número de grabadores y la duración de los estudios más adecuados para el ecosistema (Metcalf et al., 2023; Sugai et al., 2019).
2.4.3 De la recopilación de datos a la presentación de informes de datos
El monitoreo acústico genera grandes volúmenes de datos (p. ej., GB por día por registrador) que requieren procesamiento y análisis automatizados. Un enfoque para minimizar el cálculo es considerar el paisaje sonoro en su conjunto (Bradfer-Lawrence et al., 2023). Un enfoque en patrones más amplios del paisaje sonoro puede ser preferible cuando los objetivos de restauración se centran en la integridad de la calidad del hábitat y el funcionamiento del ecosistema, en lugar de en especies específicas (Bullock et al., 2022). Sin embargo, si bien existe un amplio consenso en que el cambio del paisaje sonoro es consistentemente un buen indicador del cambio en la comunidad, ha resultado difícil identificar cambios consistentes en el paisaje sonoro (p. ej., Sethi et al., 2023), y se consideran objetivos menos tangibles tanto para los administradores de tierras como para los financiadores (Cord et al., 2025).
Otro enfoque de análisis menos intensivo, que no requiere mucha experiencia, consiste en permitir que los programas agrupen todos los sonidos similares y comparen cómo cambia la diversidad y la frecuencia de dichos tipos. Normalmente se requiere una revisión manual para descartar la posibilidad de que los sonidos se deriven de la actividad antropogénica. Cabe destacar que los tipos de sonido únicos podrían incluir llamadas de múltiples especies, o que varios sonidos distintos podrían provenir todos de la misma especie. Aunque fácilmente escalable, este método no se ha aplicado ampliamente, probablemente porque los resultados no son fácilmente comparables entre estudios y porque las partes interesadas suelen estar interesadas en la identidad de especies específicas.
Finalmente, el enfoque más detallado consiste en aplicar software de detección y clasificación automática de especies. Para conjuntos de datos muy grandes, los clasificadores automatizados son el único medio viable para generar información a nivel de especie que pueda equipararse con métricas tradicionales como la riqueza de especies y la composición de la comunidad. Los clasificadores de aprendizaje automático aún cometen errores, ya que muchas especies pueden emitir sonidos similares o modular sus cantos en función del comportamiento. Sin embargo, los métodos de aprendizaje automático cada vez más avanzados mejoran constantemente el estado del arte (Kahl et al., 2021; Google Research, 2023; Huus et al., 2025). Por ejemplo, BirdNET está entrenado para identificar más de 6000 especies de aves (Kahl et al., 2021) y ha demostrado identificar eficazmente su presencia en grandes conjuntos de datos (Funosas et al., 2024), en particular para especies crípticas (Bota et al., 2023). Cabe destacar que el software identifica sonidos, pero sin diseñar un sistema acústico específico para detectar la dirección de origen de un sonido, la frecuencia de detección acústica no ofrece un buen indicador de abundancia o densidad. Además, si bien los modelos de aprendizaje automático de gran tamaño se optimizan para minimizar la cantidad de verificación posterior al procesamiento requerida (Pérez-Granados, 2023), la cuestión principal sigue siendo cómo minimizar la influencia de errores que pueden distorsionar sustancialmente las evaluaciones de la composición y la riqueza de la comunidad. Por lo tanto, si bien PAM es sin duda una técnica poderosa para el estudio de aves y murciélagos que ayuda a estandarizar el monitoreo en el espacio y el tiempo, y ofrece una solución práctica y escalable que equilibra el costo y el conocimiento ecológico, los usuarios deben ser cautelosos con los resultados de informes completamente automatizados. Como resultado, las aplicaciones actuales de PAM suelen ser semiautomatizadas, lo que implica una verificación manual regular para resolver clasificaciones ambiguas dentro de los análisis (Campos-Cerqueira y Aide, 2016; Doser et al., 2021). De esta manera, se puede verificar eficientemente la presencia de especies clave, como aquellas de interés para la conservación (p. ej., Wimmer et al., 2013).
