La Inteligencia Artificial puede escuchar la coral de los peces

Una nueva investigación de la Universidad Estatal de Oregón muestra cómo el aprendizaje automático, una rama de la Inteligencia Artificial, puedeescuchar a escondidas a los peces que emiten sonidos y descubrir cómo les afecta su entorno.

El equipo de investigación desarrolló un método automatizado que puede identificar con precisión las llamadas de una familia de peces.

El método aprovecha los datos recopilados por micrófonos submarinos conocidos como hidrófonos y proporciona una forma eficiente y económica de comprender los cambios en el entorno marino.

La investigación analizó 18.000 horas de grabaciones de sonido de un área de hidrófonos de 12 estaciones mantenida por la NOAA y el Servicio de Parques Nacionales en la Samoa Estadounidense.

Se valió de un software capaz de realizar una lectura visual del ruido que identificó fácilmente una serie de sonidos, como las llamadas de las ballenas.

Coro submarino

Pero también registró otros sonidos totalmente extraños, como mugidos y otros más misteriosos, que recuerdan a algunos instrumentos musicales como las tubas y a las motos de agua.

El programa informático fue capaz de distinguir especialmente los sonidos que se originan cuando los peces se juntan formando una especie de coro submarino, con unos sonidos peculiares.

El modelo se centró en 400 o 500 llamadas de los peces damisela e identificó con precisión el 94% de las llamadas que realizaban en el fondo del mar.

Los investigadores observaron que estos peces rechinan los dientes para crear chasquidos y chirridos asociados con el comportamiento agresivo y la defensa del nido. Generan una especie de ronroneo similar al de los gatos.

Salud del ecosistema

El sistema aplicado en esta investigación no solo puede identificar sonidos de colonias de peces, sino también ofrecer pistas sobre la salud de un ecosistema, consideran los investigadores.

Dado que los cantos de los peces cambian con las condiciones ambientales, como la velocidad del viento, la temperatura del agua, la amplitud de las mareas y el nivel de presión del sonido, los sonidos de los peces pueden ser un indicador de cómo está funcionando un ecosistema, especialmente en los océanos que están experimentando rápidamente el cambio climático.

Estos enfoques de aprendizaje automático se han utilizado con anterioridad para analizar las llamadas de ballenas jorobadas, pero esta es la primera vez que se aplica al mundo de los peces.

Los hidrófonos se utilizan cada vez más en los océanos del mundo. Ofrecen ventajas sobre otros tipos de seguimiento porque funcionan de noche, en condiciones de poca visibilidad y durante largos períodos de tiempo. Pero las técnicas para analizar eficientemente los datos de los hidrófonos no están bien desarrolladas.

Aprendizaje automático

Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o tomar 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 seguimiento acústico pasivo, que recolectaron datos de sonidos de aves, murciélagos y mamíferos marinos.

“Nosotros 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”, explica la autora principal de esta investigación, Jill Munger, en un comunicado.

"Las implicaciones para monitorear el medio ambiente son enormes, añade. El beneficio de observar las llamadas de los peces durante un largo período de tiempo es que podemos comenzar a comprender cómo se relacionan con las condiciones cambiantes del océano, que influyen en los recursos marinos vivos: por ejemplo, la abundancia de llamadas de damiselas puede ser un indicador de la salud de los arrecifes de coral."

Referencia

Machine learning analysis reveals relationship between pomacentrid calls and environmental cues. Jill E. Munger et al. Marine Ecology Progress Series, 681:197-210 (2022). DOI:https://doi.org/10.3354/meps13912