Una investigación reciente dirigida por la Universidad de Massachusetts Amherst evalúa qué tan bien el aprendizaje automático puede identificar diferentes especies de insectos por su sonido, desde mosquitos portadores de malaria y gorgojos hambrientos de granos hasta Advertencia sobre las abejas polinizadoras de Asia de cultivos y cigarras chupadoras de savia.
por la Universidad de Massachusetts Amherst
Escuchar el mundo de los insectos nos brinda una manera de monitorear cómo están cambiando las poblaciones de insectos y, por lo tanto, puede informarnos sobre la salud general del medio ambiente. El estudio, publicado en el Journal of Applied Ecology , sugiere que el aprendizaje automático y profundo se están convirtiendo en los estándares de oro para el modelado bioacústico automatizado, y que los ecólogos y expertos en aprendizaje automático pueden trabajar juntos de manera fructífera para desarrollar todo el potencial de la tecnología.
“Los insectos gobiernan el mundo”, dice Laura Figueroa, profesora asistente de conservación ambiental en la UMass Amherst y autora principal del artículo. “Algunos son vectores de enfermedades y plagas, mientras que otros polinizan cultivos nutritivos y reciclan nutrientes. Son la base de los ecosistemas de todo el mundo y son alimento para animales que van desde aves y peces hasta osos y humanos. Dondequiera que miremos, hay insectos, pero es difícil tener una idea de cómo están cambiando sus poblaciones”.
De hecho, en la era de los pesticidas químicos, el cambio climático y otros factores ambientales estresantes, las poblaciones de insectos están cambiando drásticamente. Algunas especies, como los polinizadores que anualmente son responsables de los servicios ecosistémicos estimados en más de 200 mil millones de dólares en todo el mundo, parecen estar colapsando, mientras que otras, como los mosquitos que pueden transmitir malaria, dengue y otras enfermedades, parecen estar aumentando. Sin embargo, puede resultar difícil obtener una imagen precisa de cómo están cambiando las poblaciones de insectos.
Muchos métodos tradicionales de muestreo de poblaciones de insectos implican enviar entomólogos al campo para recolectar e identificar especies individuales, y si bien estos métodos pueden producir resultados confiables, también requieren mucho tiempo y recursos y, a menudo, son letales para los insectos que quedan atrapados. Aquí es donde la IA entra en escena.
“Después de trabajar en el campo durante más de una década, puedo distinguir entre el zumbido de una abeja y el de una mosca”, dice Figueroa. “Dado que muchos insectos, pero no todos, emiten sonido, deberíamos poder entrenar modelos de IA para identificarlos por los sonidos únicos que emiten”.
De hecho, este tipo de capacitación ya se está llevando a cabo, pero ¿qué métodos de IA son mejores?
Para responder a esta pregunta, Figueroa y sus colegas, incluida la autora principal Anna Kohlberg, quien completó esta investigación mientras trabajaba en el laboratorio de Figueroa, realizaron una revisión sistemática de la literatura para analizar estudios que utilizaron diferentes tipos de modelos bioacústicos automatizados para identificar insectos. Encontraron modelos para 302 especies diferentes repartidas en nueve órdenes taxonómicos. Dividieron los modelos resultantes en tres categorías amplias: aprendizaje no automático, aprendizaje automático y aprendizaje profundo.
Los modelos que no son de aprendizaje automático relacionan las llamadas de los insectos con marcadores específicos que los investigadores humanos designan como claves para la identificación, como una banda de frecuencia particular en la llamada de un saltamontes. Luego, el modelo “escucha” esas señales específicas designadas por los humanos.
El aprendizaje automático, por otro lado, no utiliza un conjunto predeterminado de marcadores y, en cambio, se basa en un marco computacional flexible para encontrar patrones relevantes en los sonidos y luego relaciona esos patrones con los datos bioacústicos con los que ha sido entrenado.
El aprendizaje profundo, un tipo especializado de aprendizaje automático, se basa en marcos computacionales neuronales más avanzados que le dan al modelo más flexibilidad para identificar de manera efectiva patrones bioacústicos relevantes. Resulta que los modelos que se basan en el aprendizaje profundo son los más exitosos. Algunos de los mejores pueden clasificar cientos de especies con más del 90% de precisión.
“Esto no significa que la IA pueda o deba reemplazar todos los enfoques de monitoreo tradicionales”, dice Kohlberg, y existen limitaciones en lo que pueden hacer. La mayoría de los modelos necesitan enormes conjuntos de datos para entrenar y, si bien están mejorando en su trabajo con conjuntos de datos más pequeños, siguen siendo herramientas que utilizan muchos datos. Además, no todos los insectos emiten sonidos, como los pulgones. Y los contextos muy ruidosos, como un entorno urbano, pueden fácilmente confundir los esfuerzos de monitoreo basado en el sonido.
“La bioacústica automatizada es una herramienta clave en un conjunto de herramientas multifacético que podemos utilizar para monitorear eficazmente estos importantes organismos en todo el mundo”, dice Kohlberg.
Más información: De zumbidos a bytes: una revisión sistemática de modelos bioacústicos automatizados utilizados para detectar, clasificar y monitorear insectos, Journal of Applied Ecology (2024). DOI: 10.1111/1365-2664.14630 . besjournals.onlinelibrary.wile… 1111/1365-2664.14630
