El Dr. Eduardo Silva Alvarado, investigador de la Universidad Europea del Atlántico (UNEATLANTICO), participa en un estudio que propone una nueva metodología de clasificación de especies de aves con el fin de preservar la biodiversidad en África oriental.
La clasificación de especies de aves es muy importante en el campo de la ornitología, ya que desempeña un papel fundamental en la evaluación y monitoreo de la dinámica ambiental, incluyendo modificaciones en el hábitat, comportamientos migratorios, niveles de contaminación y ocurrencia de enfermedades. Los métodos tradicionales de clasificación, como la identificación visual, son lentos y requieren un alto nivel de experiencia. Sin embargo, la clasificación de especies de aves basada en audio es un enfoque prometedor que puede utilizarse para automatizar la identificación de las mismas.
Las aves son excelentes indicadores de la calidad ambiental y su clasificación precisa puede ayudar a comprender las tendencias poblacionales, los patrones migratorios y la salud del ecosistema. También es esencial para desarrollar planes de conservación eficientes para prevenir la extinción de las especies en peligro. Por otro lado, la pérdida de la biodiversidad, generada por las actividades humanas, ha ocasionado una crisis global que demanda el monitoreo y conservación de las especies de aves. África Oriental alberga numerosas especies de aves que desempeñan un papel vital en el ecosistema y en la región en términos culturales y económicos. Pero, monitorearlas y conservarlas es un desafío debido a la vasta región, el terreno accidentado y las vocalizaciones complejas.
En este contexto, el estudio en el que ha participado el Dr. Silva tuvo como objetivo establecer un sistema de clasificación de especies basado en el audio de 264 especies de aves de África Oriental en función de sus vocalizaciones, utilizando aprendizaje profundo transferido modificado. Para ello, se desarrollaron redes de sensores acústicos inalámbricos combinados con técnicas de aprendizaje profundo. Estas redes utilizan las grabaciones de audio de las vocalizaciones de las aves y transforman los datos de audio en imágenes de espectrogramas mel. Esas imágenes representan los patrones de frecuencia de manera efectiva y permiten la clasificación de las especies de aves.
Se experimentó con tres modelos diferentes de redes neuronales recurrentes (RNN) para la clasificación de las especies de aves. El modelo inicial, EfficientNet-B7, mostró una precisión moderada del 81,82%, identificó correctamente las especies de aves en aproximadamente el 81,82% de los casos; sin embargo, no alcanzó los niveles adecuados en términos de recuperación, puntuación F1 y precisión promedio. No obstante, al combinar este modelo con el modelo Long short-tem memory (LSMT), mejoró significativamente su rendimiento general. Esta combinación mejoró notablemente en la precisión en un 83,67%, en la recuperación, en la puntuación F1, en la precisión promedio macro y en la puntuación kappa de Cohen. Estas mejoras ayudaron a capturar dependencias temporales en los datos de audio, resultando en mejores resultados de clasificación.
De manera similar, la incorporación del modelo Gated Recurrent Unit (GRU) al modelo EfficientNet-B7 mejoró el rendimiento general del modelo, logrando una precisión del 84,03% superando ligeramente al modelo LSTM. También mostró mejoras comparables en recall, puntuación F1, precisión promedio macro y puntuación kappa de Cohen.
Esta investigación tiene implicaciones significativas para la ornitología y el monitoreo ambiental. Al automatizar la identificación de especies de aves, los investigadores pueden recopilar datos de manera más eficiente y precisa, lo que permite una comprensión más profunda de las poblaciones de aves y sus interacciones con el medio ambiente. Además, este enfoque puede contribuir al desarrollo de estrategias de conservación y la evaluación de los impactos ambientales en las especies de aves.
En conclusión, la combinación de aprendizaje profundo transferido, imágenes de espectrogramas mel y RNN ofrece una solución prometedora para la clasificación de especies de aves. Al aprovechar el poder de la inteligencia artificial y el aprendizaje automático, se puede mejorar la comprensión de la biodiversidad aviar y contribuir a la conservación de las especies de aves en todo el mundo.
Si quieres conocer más sobre este estudio, haz clic aquí.
Para leer más investigaciones, consulta el repositorio de UNEATLANTICO.