Abstract:
The main objective of this work is to develop a multivariate predictive model to forecast
the abundance and diversity of birds based on climatic variations in the ESPOL campus. The
underlying hypothesis is that climatic conditions directly influence the probability of bird sightings.
This model aims to provide tools for environmental management and biodiversity monitoring in
areas of interest.
For this purpose, climatic data and bird sighting records from the eBird platform were
collected for the period 2010–2025. Multivariate data analysis techniques such as logistic
regression, principal component methods, and Random Forest were applied to model the
relationship between climatic variables (temperature, humidity, precipitation, among others) and
the presence of different bird species. The data were cleaned, filtered, preprocessed, scaled, and
grouped by species and climatic conditions.
The results showed that certain climatic variables, such as mean temperature and
precipitation, have a significant impact on the probability of bird sightings in the region. The
trained models achieved good performance in predicting bird presence as a function of climatic
conditions.
The conclusions indicate that the predictive model is a useful tool to anticipate the presence
of birds under specific climatic scenarios, which can be applied to environmental management
projects and species conservation.
Keywords: Predictive model, Birds, Climatic Variables, Conservation
Description:
El objetivo principal de este trabajo es desarrollar un modelo predictivo multivariante para
predecir la abundancia y diversidad de aves en función de variaciones climáticas en el campus
ESPOL. La hipótesis planteada es que las condiciones climáticas influyen directamente en la
probabilidad de avistamiento de aves. Este modelo busca proporcionar herramientas para la
gestión ambiental y el monitoreo de biodiversidad en áreas de interés. En el desarrollo del
proyecto, se recopilaron datos climáticos y de avistamientos de aves desde la plataforma eBird
para el período 2010-2025. Se utilizaron técnicas de análisis de datos multivariantes, como la
regresión logística, método de componentes y Random Forest, para modelar la relación entre
variables climáticas (temperatura, humedad, precipitación, entre otras) y la presencia de
diferentes especies de aves. Los datos fueron limpiados, filtrados, preprocesados, escalados y
agrupados por especie y condiciones climáticas. Los resultados mostraron que ciertas variables
climáticas, como la temperatura media y la precipitación, tienen un impacto significativo en la
probabilidad de avistamiento de aves en la región. Los modelos entrenados lograron un buen
desempeño en la predicción de la presencia de aves en función de las condiciones climáticas.
Las conclusiones indican que el modelo predictivo es útil para anticipar la presencia de aves bajo
condiciones climáticas específicas, lo que puede ser aplicado en proyectos de gestión ambiental
y conservación de especies.