Un modelo de aprendizaje automático identifica con precisión el 94% de las llamadas
Un equipo de investigación y colaboradores de la Universidad Estatal de Oregón han desarrollado un método automatizado que puede identificar con precisión las llamadas de una familia de peces.
El método aprovecha los datos recopilados por micrófonos subacuáticos conocidos como hidrófonos y proporciona una forma eficiente y económica de comprender los cambios en el medio ambiente marino debido al cambio climático y otras influencias causadas por el hombre, dijeron investigadores del Instituto Cooperativo para Estudios de Ecosistemas y Recursos Marinos (CIMERS) del Estado de Oregón.
Los hidrófonos se utilizan cada vez más en los océanos del mundo. Ofrecen ventajas sobre otros tipos de monitorización porque funcionan de noche, en condiciones de poca visibilidad y durante largos periodos de tiempo. Pero no están bien desarrolladas las técnicas para analizar de manera eficiente los datos de los hidrófonos.
Esta nueva investigación dirigida por Jill Munger cuando era una estudiante universitaria, comienza a cambiar eso. Munger llegó al estado de Oregon después de haber trabajado más de 20 años en el mundo empresarial.
Ávida buceadora, quería estudiar el océano. Recibió una beca del CIMERS para investigar la acústica subacuática con Joe Haxel, quien en ese momento estaba en el Hatfield Marine Science Center en Newport trabajando con National Oceanic y el programa acústico del Laboratorio Ambiental Marino del Pacífico de la Administración Atmosférica estadounidense.
Haxel le entregó un disco duro con 18.000 horas de datos acústicos recopilados durante 39 meses en una región de arrecifes tropicales dentro del Parque Nacional de Samoa Americana. Samoa Americana es un territorio estadounidense en el Océano Pacífico occidental.
Los datos se recopilaron a través de un área de hidrófonos de 12 estaciones mantenida por la NOAA y el Servicio de Parques Nacionales que se distribuye por todo el mundo en aguas controladas por los Estados Unidos. Los hidrófonos fueron diseñados y construidos por investigadores de la NOAA y el CIMERS en Hatfield Marine Science Center.
Munger decidió centrarse en las llamadas de damiselas, en parte, porque son distintivas. Rechinan los dientes para crear estallidos, chasquidos y chirridos asociados con el comportamiento agresivo y la defensa del nido. Ella comparó el sonido con el ronroneo de los gatitos. Rápidamente, se dio cuenta de que escuchar manualmente las grabaciones no iba a funcionar.
Imagen: Damisela en una región de arrecifes tropicales dentro del Parque Nacional de Samoa Americana. Crédito: Sistema de Parques Nacionales
"Este es un proceso tan lento y tedioso", recordó haber pensado. "Tengo todos estos datos, y solo estoy mirando una pequeña, minúscula porción de ellos. ¿Qué está sucediendo en todas las otras partes que no he tenido la oportunidad de escuchar?"
Una conversación con su hermano, Daniel Herrera, un ingeniero de aprendizaje automático, generó una idea. ¿Podrían utilizar el aprendizaje automático para automatizar el análisis de los datos?
Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o decisiones sin estar programados explícitamente para hacerlo.
Se han utilizado técnicas de aprendizaje automático para automatizar el procesamiento de grandes cantidades de datos de dispositivos de monitoreo acústico pasivo que recopilaron datos de sonido de aves, murciélagos y mamíferos marinos. Las técnicas se han utilizado para llamadas de peces, pero es un área subdesarrollada de la ciencia, dijo Munger.
En este caso, la muestra de aprendizaje automático o los datos de entrenamiento fueron de 400 a 500 llamadas de pez damisela que Munger identificó al escuchar manualmente las grabaciones del hidrófono. Con ese comienzo, Herrera, coautor del artículo, construyó un modelo de aprendizaje automático que identificó con precisión el 94% de las llamadas de damisela.
"Construimos un modelo de aprendizaje automático en un conjunto relativamente pequeño de datos de entrenamiento y luego lo aplicamos a un enorme conjunto de datos", dijo Munger. "Las implicaciones para monitorear el medio ambiente son enormes".
Munger, quien ahora trabaja en el laboratorio de Scott Heppell, profesor asociado en el Departamento de Pesca, Vida Silvestre y Ciencias de la Conservación en la Facultad de Ciencias Agrícolas del Estado de Oregon, cree que los científicos utilizarán cada vez más el aprendizaje automático para monitorear muchas especies de peces en el océano porque requiere relativamente poco esfuerzo.
"El beneficio de observar las llamadas de los peces durante un largo período de tiempo es que podemos comenzar a comprender cómo se relaciona con las condiciones cambiantes del océano, que influyen en los recursos marinos vivos de nuestra nación", dijo Munger. "Por ejemplo, la abundancia de la llamada del pez damisela puede ser un indicador de la salud de los arrecifes de coral".
Los hallazgos fueron publicados en la revista Marine Ecology Progress Series: Machine learning analysis reveals relationship between pomacentrid calls and environmental cues
Imagen de cabecera: Hidrófono desplegado en una región de arrecifes tropicales dentro del Parque Nacional de Samoa Americana. Crédito: Tim Clark/Servicio de Parques Nacionales.
