La inteligencia artificial desarrolla un oído para el canto de los pájaros
Podemos aprender mucho de la naturaleza si la escuchamos más, y los científicos de todo el mundo están tratando de hacer precisamente eso. Desde los picos de las montañas hasta las profundidades del océano, los biólogos colocan cada vez más grabadoras de audio para escuchar discretamente los gemidos, chillidos, silbidos y cantos de las ballenas, los elefantes, los murciélagos y especialmente las aves. Este verano, por ejemplo, más de 2000 oídos electrónicos grabarán el paisaje sonoro de la cordillera de Sierra Nevada de California, generando casi un millón de horas de audio. Para evitar pasar varias vidas humanas decodificándolo, los investigadores confían en la inteligencia artificial.
Estas grabaciones pueden crear instantáneas valiosas de las comunidades de animales y ayudar a los conservacionistas a comprender, con detalles vívidos, cómo las políticas y las prácticas de gestión afectan a toda una población. Obtener datos sobre el número de especies e individuos en una región es solo el comienzo. El paisaje sonoro de Sierra Nevada contiene información crucial sobre cómo los incendios forestales históricos del año pasado afectaron a las aves que viven en diferentes hábitats y condiciones ecológicas en toda el área. Las grabaciones podrían revelar cómo varias poblaciones de animales resistieron la catástrofe y qué medidas de conservación ayudan a las especies a recuperarse de manera más efectiva.
Tales grabaciones también pueden capturar detalles sobre interacciones entre individuos en grupos más grandes. Por ejemplo, ¿cómo se encuentran los compañeros en medio de una cacofonía de consortes? Los científicos también pueden usar el sonido para rastrear los cambios en el tiempo de migración o los rangos de población. También están llegando cantidades masivas de datos de audio de investigaciones en otros lugares: se están realizando proyectos basados en sonido para contar insectos, estudiar los efectos de la contaminación lumínica y acústica en las comunidades de aves, rastrear especies en peligro de extinción y activar alertas cuando las grabadoras detectan ruido de la caza furtiva ilegal. o actividades de registro.
“Los datos de audio son un verdadero tesoro oculto porque contienen grandes cantidades de información”, dice el ecologista Connor Wood, investigador postdoctoral de la Universidad de Cornell, que dirige el proyecto Sierra Nevada. “Solo necesitamos pensar creativamente sobre cómo compartir y acceder [that information].” Este es un problema inminente porque a los humanos les lleva mucho tiempo extraer información útil de las grabaciones. Afortunadamente, la última generación de sistemas de IA de aprendizaje automático, que pueden identificar especies animales a partir de sus llamadas, puede procesar miles de horas de datos en menos de un día.
“El aprendizaje automático ha sido el gran cambio para nosotros”, dice Laurel Symes, subdirectora del Centro de Conservación Bioacústica del Laboratorio de Ornitología de Cornell. Ella estudia la comunicación acústica en animales, incluidos grillos, ranas, murciélagos y pájaros, y ha acumulado muchos meses de grabaciones de saltamontes (famosos saltamontes de cuernos largos que son una parte esencial de la cadena alimentaria) en las selvas tropicales del centro de Panamá. Los patrones de actividad reproductiva y la variación estacional de la población están ocultos en este audio, pero analizarlo requiere mucho tiempo: a Symes y a tres de sus colegas les llevó 600 horas de trabajo clasificar varias especies de saltamontes a partir de solo 10 horas de sonido grabadas. Pero un algoritmo de aprendizaje automático que está desarrollando su equipo, llamado KatydID, realizó la misma tarea mientras sus creadores humanos «salían a tomar una cerveza», dice Symes.
Las configuraciones de aprendizaje automático como KatydID son sistemas de autoaprendizaje que utilizan una red neuronal: «una aproximación muy, muy aproximada del cerebro humano», explica Stefan Kahl, experto en aprendizaje automático del Centro de Conservación Bioacústica de Cornell y la Universidad Tecnológica de Chemnitz. en Alemania. Creó BirdNET, uno de los sistemas de reconocimiento de sonido de aves más populares que se utilizan en la actualidad. El equipo de Wood confiará en BirdNET para analizar las grabaciones de Sierra Nevada, y otros investigadores lo están utilizando para documentar los efectos de la contaminación lumínica y acústica en el coro del amanecer en el Parque Natural Regional Brière de Francia.
Dichos sistemas comienzan analizando muchas entradas, por ejemplo, cientos de cantos de pájaros registrados, cada uno «etiquetado» con su especie correspondiente. Luego, la red neuronal se enseña a sí misma qué características se pueden usar para asociar una entrada (en este caso, el canto de un pájaro) con una etiqueta (la identidad del pájaro). Con millones de características extremadamente sutiles a menudo involucradas, los humanos ni siquiera pueden saber cuáles son la mayoría de ellas.
Las versiones anteriores del software de detección eran semiautomáticas. Escanearon espectrogramas, representaciones visuales de una señal de audio, en busca de características establecidas, como el rango de frecuencia y la duración, para identificar un pájaro por su canto. Esto funciona bien para algunas especies. El canto del cardenal norteño, por ejemplo, comienza constantemente con unas pocas notas largas que aumentan de tono, seguidas de notas breves y rápidas con un claro descenso en el tono. Se puede identificar fácilmente a partir de un espectrograma, al igual que una canción compuesta se puede reconocer a partir de una partitura. Pero otras llamadas aviares son más complejas y variadas y pueden confundir a los sistemas más antiguos. “Se necesita mucho más que solo firmas para identificar las especies”, dice Kahl. Muchas aves tienen más de un canto y, al igual que otros animales, suelen tener «dialectos» regionales. Un gorrión de corona blanca del estado de Washington suena muy diferente a sus primos de California. Los sistemas de aprendizaje automático pueden reconocer tales matices. “Digamos que hay una canción de los Beatles aún inédita que se publica hoy. Nunca has escuchado la melodía o la letra antes, pero sabes que es una canción de los Beatles porque así es como suenan”, explica Kahl. “Eso es lo que estos programas también aprenden a hacer”.
De hecho, estos sistemas se han beneficiado de los avances recientes en la tecnología de reconocimiento de voz y música humana. En colaboración con Andrew Farnsworth del Laboratorio de Ornitología de Cornell, los expertos del Laboratorio de Investigación de Música y Audio de la Universidad de Nueva York aprovecharon su experiencia musical para construir un sistema de identificación de cantos de pájaros llamado BirdVox. Detecta e identifica las aves que migran de noche y distingue el canto de las aves de los ruidos de fondo, incluidas las llamadas de ranas e insectos, el transporte terrestre y aéreo humano y fuentes como el viento y la lluvia, todos los cuales pueden ser sorprendentemente fuertes y variables.
La capacidad de aprendizaje de cada sistema depende en gran medida de la cantidad de grabaciones preetiquetadas disponibles. Ya existe una gran cantidad de datos de este tipo para las aves comunes. Kahl estima que alrededor de 4,2 millones de grabaciones están disponibles en línea para 10.000 especies. Pero la mayoría de las aproximadamente 3000 especies que BirdNET puede identificar se encuentran en Europa y América del Norte, y BirdVox reduce aún más su enfoque a los cantos de las aves de los Estados Unidos.
“En otros lugares, para especies más raras o que no tienen datos bien clasificados, [BirdNET] no funciona tan bien”, dice el ecologista con sede en India VV Robin. Está tras la pista del corcel de Jerdon, un ave nocturna en peligro crítico de extinción que no ha sido avistada oficialmente durante aproximadamente una década. Robin y sus colaboradores han colocado grabadoras en un santuario de vida salvaje del sur de la India para tratar de captar su llamada. También ha estado grabando aves en las colinas de los Ghats occidentales, un punto crítico de biodiversidad global también en el sur de la India, desde 2009. Estas grabaciones se anotan minuciosamente para entrenar algoritmos de aprendizaje automático desarrollados localmente.
Los científicos ciudadanos también pueden ayudar a llenar los vacíos en el repositorio de cantos de pájaros. BirdNET impulsa una aplicación para teléfonos inteligentes que ha sido un gran éxito entre los observadores de aves aficionados. Graban fragmentos de audio y los envían a la aplicación, que les dice la especie del cantante y agrega la grabación a la base de datos de los investigadores. Cada día llegan más de 300.000 grabaciones, dice Kahl.
Estos algoritmos de aprendizaje automático aún tienen margen de mejora. Aunque analizan el audio mucho más rápido que los humanos, todavía se quedan atrás en la selección de sonidos superpuestos para encontrar una señal de interés. Algunos investigadores ven esto como el próximo problema que debe abordar la IA. Sin embargo, incluso las versiones imperfectas actuales permiten proyectos amplios que requerirían demasiado tiempo para que los humanos los aborden solos. “Como ecologistas”, dice Wood, “herramientas como BirdNET nos permiten soñar en grande”.
