Qué hace un sisón cuando nadie lo ve

El sisón común es un ave difícil de observar sin alterar su comportamiento. Esto plantea un problema para quienes quieren saber cómo utiliza el tiempo: cuánto descansa, cuándo se alimenta o qué cambia durante la reproducción. Un estudio publicado en Animal Behaviour ha probado una forma de responder a esas preguntas combinando acelerómetros y aprendizaje automático.

Natalia Revilla y otros investigadores entrenaron modelos (enseñar a un programa informático a reconocer comportamientos) a partir de los movimientos registrados por dispositivos colocados en las aves. Después aplicaron esos modelos a datos de diez sisones silvestres —cinco machos y cinco hembras— seguidos en la llanura de Lleida.

Una vez entrenado, el programa puede analizar los movimientos registrados por el acelerómetro de un sisón silvestre y estimar qué comportamiento estaba realizando. Para esa tarea no necesita ver un vídeo del ave: utiliza los patrones de movimiento que aprendió previamente.

Enseñar a una máquina a reconocer comportamientos

Para construir los modelos, el equipo registró en vídeo y con acelerómetros a cuatro sisones cautivos, dos machos y dos hembras. Las grabaciones se etiquetaron para que el sistema aprendiera a distinguir posturas y movimientos. En los machos se clasificaron conductas como el reposo, la vigilancia, la alimentación, el desplazamiento y el cortejo; en las hembras, el modelo distinguió, entre otras, estar de pie, permanecer echada, alimentarse y desplazarse.

Los modelos identificaron bastantes de estas conductas con buenos resultados. En general, los de los machos funcionaron mejor que los de las hembras. La precisión no fue igual para todos los comportamientos. Las conductas más difíciles de clasificar incluyeron algunas interacciones de las hembras con los machos y ciertos desplazamientos. Además, cuando los modelos se probaron con individuos distintos de aquellos cuyos datos habían servido para entrenarlos, su rendimiento disminuyó. Esto muestra que las diferencias entre aves y la cantidad de datos disponibles importan: una máquina puede aprender muy bien los movimientos de unos ejemplares y tener más dificultades para reconocerlos en otros.

Machos más activos en primavera; hembras más constantes

Al aplicar los modelos a los sisones silvestres, aparecieron diferencias claras entre sexos y estaciones. Durante la reproducción, los machos dedicaron menos tiempo al reposo y más a vigilar, desplazarse y cortejar. El cortejo alcanzó su máximo en abril. En invierno, en cambio, la alimentación fue la actividad principal de los machos y ocupó alrededor del 30 % de su tiempo registrado.

Las hembras mostraron un patrón más constante a lo largo del año y pasaron buena parte del tiempo de pie y en reposo. Durante la época reproductora aumentó el tiempo que permanecían echadas. En los días identificados como incubación, las hembras pasaron una proporción mayor de tiempo en esa postura que en días sin incubación de los mismos meses. El resultado apunta a que distinguir entre estar de pie y estar echada podría ayudar a estudiar la incubación, aunque el modelo no llegó a detectar el 80 % del tiempo echadas que cabría esperar durante esa fase.

Una herramienta prometedora, con límites claros

La combinación de acelerómetros y GPS podría permitir averiguar no solo dónde está un sisón, sino también qué está haciendo y cómo varía su actividad según el lugar o la época. Por ejemplo, ayudaría a comparar el esfuerzo de alimentación en hábitats bien conservados o gestionados con medidas agroambientales y en zonas degradadas. También podría servir para estudiar respuestas ante molestias o infraestructuras.

El alcance de las conclusiones debe mantenerse dentro de los límites del estudio. Los modelos se entrenaron con cuatro aves cautivas y se aplicaron a diez ejemplares silvestres de una población y una zona concretas. Tampoco se pudo caracterizar el vuelo, porque las aves cautivas no volaron durante las grabaciones. La tecnología abre una vía valiosa para estudiar comportamientos difíciles de observar, pero hacen falta más datos y validaciones antes de generalizar sus resultados.

By https://www.flickr.com/photos/francesco_veronesi/ - https://www.flickr.com/photos/francesco_veronesi/14554056040/, CC BY-SA 2.0, https://commons.wikimedia.org/w/index.php?curid=72735279

REFERENCIA: 

Revilla-Martín et al. (2026), Animal Behaviour, 231, 123415. DOI: 10.1016/j.anbehav.2025.123415.