Un grupo de investigadores compuesto por Francisco J. Fernández, Juan J. Nieto, Adrián F. Tojo (CITMAGA y USC) e Iván Area (IFCAE y UVigo) ha dado a conocer un estudio en la revista internacional Nonlinear Analysis: Real World Applications. Este trabajo se centra en el desarrollo de un modelo matemático y un software diseñado para predecir la expansión de la avispa velutina.
Predicción de Nidos Futuras
Los investigadores utilizaron datos sobre la localización de los nidos existentes y, gracias a herramientas matemáticas, lograron prever la ubicación de nidos futuros. Este análisis se realizó mediante la comparación del modelo matemático con datos reales, lo que permitió validar la efectividad de sus predicciones.
Este enfoque no solo facilita la identificación de nuevas colonias, sino que también abre la puerta a la evaluación de diferentes estrategias de control para mitigar la expansión de esta especie, que representa un desafío tanto ecológico como económico.
Ciclo Vital de la Avispa Velutina
El ciclo vital de la avispa velutina comienza cuando las reinas fundadoras emergen de su estado de hibernación entre febrero y marzo. A partir de abril y mayo, estas reinas inician la construcción de nuevos nidos y realizan la primera puesta de huevos. Una vez que las obreras eclosionan, se encargan de continuar la construcción del nido y de alimentar al resto de la colonia.
Hacia septiembre, nacen los machos y nuevas reinas, que son fecundadas y abandonan el nido al inicio del otoño. Durante el invierno, buscan refugio para hibernar, reiniciando el ciclo en primavera.
Desarrollo del Modelo Matemático
En su investigación, los científicos formularon un problema parabólico, dado que el ciclo vital de la avispa velutina presenta diferentes estados, utilizando derivadas de Stieltjes. A pesar de las complicaciones inherentes a los desarrollos teóricos y las simulaciones numéricas, los investigadores lograron avanzar gracias a trabajos previos en la modelización de epidemias, como las de Ébola, Zika y la pandemia de Covid-19.
El modelo desarrollado tiene la capacidad de actualizarse en tiempo real, lo que es crucial para su mejora continua. Esta característica permite analizar diversas estrategias de control y minimizar la propagación de la especie. Así, se pueden integrar datos del mundo real con un modelo matemático en tiempo real, creando un gemelo digital que optimiza la gestión de esta problemática.