Quali segreti nascondono le balene beluga e le balene della borsa nell’Artico?

Negli ultimi dieci anni gli aerei hanno sorvolato l’Artico americano, registrando avvistamenti di beluga e balene della borsa. I ricercatori hanno trasformato questi dati in una mappa dinamica usando un modello statistico chiamato Log‑Gaussian Cox Process (LGCP). Immagina due superfici di intensità: una per ogni specie, ma collegate da un campo spaziale condiviso. Questo campo cattura le “hotspot” comuni, come le acque ricche di cibo, mentre le differenze ambientali rimangono visibili. Per rendere il modello più realistico, hanno usato l’equazione differenziale parziale stocastica (SPDE) su una rete triangolare che segue la forma del mare. Così la dipendenza spaziale rispetta le coste e le barriere naturali. Le dimensioni dei gruppi di balene sono state aggiunte come “marcatori” negativi binomiali, permettendo di studiare insieme dove le balene si trovano e quanto sono numerose. L’intera procedura è stata calcolata con l’INLA, un algoritmo veloce che evita lunghi calcoli. I risultati mostrano aree calde dove entrambe le specie si incontrano ogni anno, ma anche zone dove solo una delle due è presente, legata a temperature, profondità e disponibilità di plancton. Queste informazioni aiutano a proteggere gli habitat più vulnerabili e a pianificare future ricerche in regioni poco esplorate.

Il Log‑Gaussian Cox Process (LGCP) è un modello di point process in cui l’intensità di occorrenza è una variabile casuale log‑normale. In pratica, si assume che il logaritmo dell’intensità segua un campo gaussiano, il che permette di catturare dipendenze spaziali complesse. Per modellare simultaneamente due specie, gli autori hanno introdotto un campo latente condiviso, η(s), che influenza entrambe le intensità λ₁(s)=exp[β₁X₁(s)+η(s)] e λ₂(s)=exp[β₂X₂(s)+η(s)]. Qui X₁ e X₂ sono covariate ambientali specifiche (es. temperatura superficiale, profondità), mentre β₁ e β₂ ne pesano l’effetto. Il campo η(s) è costruito con l’approccio SPDE, che approssima un campo gaussiano con covarianza di Matérn mediante una rete di elementi finiti. L’anisotropia è introdotta modificando la matrice di diffusione, così la correlazione può variare in direzione, riflettendo correnti oceaniche o catene montuose sottomarine. La mesh triangolare è vincolata al contorno marino, evitando che il modello “spegni” la dipendenza oltre la costa. Per includere le dimensioni dei gruppi, si utilizza un marked point process: ogni avvistamento è associato a un segno (mark) che segue una distribuzione negative binomial, parametrizzata da μᵢ(s) e dispersione κᵢ. Questo consente di modellare simultaneamente la frequenza di avvistamento e la variabilità dei gruppi, mantenendo coerenza statistica. L’inferenza è effettuata con l’Integrated Nested Laplace Approximation (INLA), che fornisce stime approssimate di massima verosimiglianza per modelli gerarchici complessi senza ricorrere a Monte Carlo costosi. INLA sfrutta la sparseness della matrice di precisione del campo SPDE, riducendo drasticamente i tempi di calcolo. I risultati mostrano hotspot condivisi, evidenziati da valori elevati di η(s), e differenze ambientali specifiche, catturate da β₁ e β₂. Ad esempio, le beluga mostrano una forte risposta positiva alla copertura di ghiaccio marino, mentre le balene della borsa sono più sensibili alla profondità del fondale. Questo approccio congiunto è particolarmente utile in contesti di dati scarsi, perché il campo condiviso “presta” informazione tra le specie, migliorando la precisione delle stime. Inoltre, la struttura marcata permette di valutare l’impatto di cambiamenti climatici non solo sulla presenza, ma anche sulla dimensione dei gruppi, fornendo indicazioni preziose per la gestione conservativa. Infine, la flessibilità del modello consente di estenderlo a ulteriori specie o a variabili temporali più fini, aprendo la strada a una nuova generazione di modelli di distribuzione delle specie marittime.