Las carreteras constituyen una amenaza para la biodiversidad y causan impactos negativos como fragmentación de hábitats y atropellos. En el año 2015, la ONG ECOBIO Uruguay comenzó a trabajar en la temática con el fin de implementar medidas de mitigación. El objetivo de este trabajo fue describir y analizar los atropellos de medianos y grandes mamíferos en la Región Este de Uruguay y su relación con los atributos del paisaje. Partiendo de que la dinámica de los atropellos está influenciada en su mayoría por factores antrópicos, el tránsito es la variable explicativa más significativa. Se utilizaron algoritmos de aprendizaje automático (Random Forest) para modelar los atropellos de la región, caracterizada por la alta heterogeneidad de ecosistemas, la importante biodiversidad y varias áreas protegidas. Se analizaron 976 casos de atropellos, de 17 especies, que se distribuyeron de manera heterogénea. Los modelos para todas las especies presentaron una capacidad predictiva de más del 60% de acierto, y de un 80% para los modelos por especie. La ruta con mayor probabilidad de atropello fue la 9. Si bien las variables más importantes fueron similares en todos los modelos, las tres que los explicaron mejor fueron: el tránsito promedio diario anual, la distancia a caminos y la distancia a centros urbanos. Este trabajo es de los primeros estudios a nivel nacional que cuantifican formalmente el fenómeno, y sugiere que lo conveniente es analizar las especies por separado para evaluar posibles respuestas diferenciales que imposibiliten hallar patrones generales

Roads constitute a threat to biodiversity, causing negative impacts such as fragmentation of habitats and run overs. In 2015, the NGO ECOBIO Uruguay began working on the subject in order to implement mitigation measures. The purpose of this research is to analyze medium and large-sized mammals’ run over in Uruguay’s Eastern region and its relationship with landscape attributes. Taking off the dynamic of run overs, this is frequently influenced by anthropic cases, traffic is the most prominent variable over this. Machine learning algorithms (Random Forest) and QGIS and R programs were used to model the run overs of the region, that is characterized by having heterogeneous ecosystems, important biodiversity and several protected areas. 976 cases of run overs were analyzed, from 17 species, that were distributed heterogeneously. The models analyzed by species had a predictive ability of 80% success, while when working with all species as a whole 60%. The route with the highest probability run overs was ‘Route 9’. Although the most important variables were similar in all the models, the three that better illustrated the prediction models were: annual average daily traffic, the distance to backroads and distance to populated roads, this three illustrates better the predictions models. This work is one of the first studies at a national level which formally quantifies the phenomenon and suggests analyzing the species separately to evaluate possible differential responses that make it impossible to find general patterns.