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 submarinos conocidos como hidrófonos y proporciona una forma eficiente y económica de comprender los cambios en el entorno marino debido al cambio climático y otras influencias causadas por el hombre, dijeron investigadores del Instituto Cooperativo de Ecosistemas y Recursos Marinos del Estado de Oregón. Estudios.
Los hallazgos fueron publicados en la revista Marine Ecology Progress Series .
Los hidrófonos se utilizan cada vez más en los océanos del mundo. Ofrecen ventajas sobre otros tipos de monitoreo 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.
Esta nueva investigación dirigida por Jill Munger cuando era estudiante de pregrado, comienza a cambiar eso. Munger llegó al estado de Oregón después de haber trabajado más de 20 años en el mundo empresarial.
Ávida buceadora, quería estudiar el océano. Recibió una beca de CIMERS para investigar la acústica submarina con Joe Haxel, quien en ese momento estaba en el Centro de Ciencias Marinas de Hatfield en Newport trabajando con el programa acústico del Laboratorio Ambiental Marino del Pacífico de la Administración Nacional Oceánica y Atmosférica.
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 en todo el mundo en aguas controladas por los Estados Unidos. Los hidrófonos fueron diseñados y construidos por investigadores de NOAA y CIMERS en el Centro de Ciencias Marinas de Hatfield.
Munger decidió centrarse en las llamadas de los peces damisela, en parte, porque son distintivas. Rechinan los dientes para crear chasquidos, chasquidos y chirridos asociados con el comportamiento agresivo y la defensa del nido. Comparó el sonido con el ronroneo de gatitos. Rápidamente, se hizo evidente para ella que escuchar manualmente las grabaciones no iba a funcionar.
“Este es un proceso tan lento y tedioso”, recordó haber pensado. “Tengo todos estos datos, y solo estoy viendo una pequeña parte de ellos. ¿Qué está pasando 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 usar 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 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 monitoreo acústico pasivo que recolectaron datos de sonido de aves, murciélagos y mamíferos marinos. Las técnicas se han utilizado para las llamadas de peces, pero es un área científica subdesarrollada, dijo Munger.
En este caso, la muestra de aprendizaje automático o los datos de entrenamiento fueron de 400 a 500 llamadas de damisela que Munger identificó escuchando 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, que ahora trabaja en el laboratorio de Scott Heppell, profesor asociado en el Departamento de Pesca, Vida Silvestre y Ciencias de la Conservación del Estado de Oregón en la Facultad de Ciencias Agrícolas, 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 llamadas de damiselas puede ser un indicador de la salud de los arrecifes de coral».
Munger recibió información del personal del Servicio de Parques Nacionales sobre la biología del pez damisela y los hábitats de arrecifes en las proximidades del hidrófono.
Otros coautores del artículo son Haxel, Heppell y Samara Haver, todos del estado de Oregón; Lynn Waterhouse, anteriormente del Acuario John G. Shedd en Chicago; Megan McKenna, anteriormente de la División de Sonidos Naturales y Cielos Nocturnos, Servicio de Parques Nacionales, Fort Collins, Colorado; y Jason Gedamke y Robert Dziak de la Oficina de Ciencia y Tecnología de NOAA, Silver Spring, Maryland, y el Laboratorio Ambiental Marino del Pacífico, Newport, respectivamente.
Fuente: Universidad de Oregón
