¿Puede el aprendizaje automático ayudar a salvar a las ballenas? Cómo los investigadores del PNW utilizan las herramientas tecnológicas para monitorear las orcas

¿Puede el aprendizaje automático ayudar a salvar a las ballenas? Cómo los investigadores del PNW utilizan las herramientas tecnológicas para monitorear las orcas 2
Imagen aérea de orcas residentes del sur en peligro de extinción en K pod. La imagen se obtuvo utilizando un dron octocóptero pilotado de forma remota que fue volado durante una investigación de salud por el Dr. John Durban y la Dra. Holly Fearnbach. (Imagen de Vulcan)

Ser orca no es fácil. A pesar de la falta de depredadores naturales, estos asombrosos mamíferos enfrentan muchas amenazas serias, la mayoría de ellas provocadas por sus vecinos humanos. Comprender las presiones que ejercemos sobre las poblaciones de orcas es fundamental para las decisiones de política ambiental que, con suerte, contribuirán a su supervivencia en curso.

Afortunadamente, los investigadores de mamíferos marinos como Holly Fearnbach de Sealife Response + Rehab + Research (SR3) y John Durban de la Oregon State University están trabajando arduamente para monitorear regularmente la condición de la población de ballenas asesinas residentes del sur del Mar de Salish (SKRW). Identificadas como J pod, K pod y L pod, estas comunidades de orcas han migrado a través del Mar de Salish durante milenios. Desafortunadamente, en los últimos años su número se ha reducido a solo 75 ballenas, con una nueva cría nacida en 2021. Esta es la cifra de población más baja para el SRKW en 30 años.

Durante más de una década, Fearnbach y Durban han realizado estudios fotográficos para capturar imágenes aéreas de las orcas. A partir de 2008, los estudios de imágenes se realizaron mediante vuelos tripulados en helicóptero. Luego, a partir de 2014, el equipo hizo la transición a drones no tripulados.

A medida que el dron a control remoto vuela 100 pies o más por encima de las ballenas, se capturan imágenes de cada uno de los miembros de la manada, ya sea individualmente o en grupos. Dado que el dron también está equipado con un altímetro láser, se conoce la distancia exacta, lo que hace que los cálculos de las dimensiones de la ballena sean muy precisos. Luego, las imágenes se analizan en lo que se llama una «evaluación de salud fotogramétrica». Esta evaluación ayuda a determinar la condición física de cada ballena, incluida cualquier evidencia de embarazo o pérdida de peso significativa debido a la desnutrición.

“Como herramienta de investigación, el dron es muy rentable y nos permite hacer nuestra investigación de manera muy no invasiva”, dijo Fearnbach. «Cuando detectamos deterioros en la salud de las personas, podemos proporcionar a las agencias de gestión estas métricas cuantitativas de salud».

¿Puede el aprendizaje automático ayudar a salvar a las ballenas? Cómo los investigadores del PNW utilizan las herramientas tecnológicas para monitorear las orcas 3
El Dr. John Durban (derecha) y la Dra. Holly Fearnbach (SR3) sostienen un dron de investigación personalizado que se usa para recolectar imágenes aéreas para medir la condición corporal de las orcas residentes del sur en peligro de extinción. (Foto cortesía de Eric Guth)

Pero si bien la etapa de recopilación de imágenes es relativamente económica, el procesamiento de los datos ha sido costoso y requiere mucho tiempo. Cada vuelo puede capturar 2000 imágenes con decenas de miles de imágenes capturadas para cada encuesta. Después del trabajo con el dron, normalmente se necesitan unos seis meses para completar manualmente el análisis en el lote de imágenes de cada temporada.

Obviamente, medio año es mucho tiempo si se muere de hambre o está embarazada, que es una de las razones por las que la nueva asociación de SR3 con Vulcan es tan importante. Trabajando juntas, las organizaciones desarrollaron un nuevo enfoque para procesar los datos más rápidamente. La herramienta de fotogrametría de mamíferos acuáticos (AMPT) utiliza el aprendizaje automático y una herramienta para el usuario final para acelerar el laborioso proceso, acortando drásticamente el tiempo necesario para analizar, identificar y categorizar todas las imágenes.

¿Puede el aprendizaje automático ayudar a salvar a las ballenas? Cómo los investigadores del PNW utilizan las herramientas tecnológicas para monitorear las orcas 4
Imagen aérea de una hembra adulta (J35) con su cría recién nacida (J57) de la población de ballenas asesinas residentes del sur en peligro de extinción. (Imagen de Vulcan)

La aplicación de técnicas de aprendizaje automático al problema ya ha dado grandes resultados, reduciendo un proceso de seis meses a solo seis semanas con espacio para mejoras adicionales. El aprendizaje automático es una rama de la informática que puede mejorar su rendimiento a través de la experiencia y el uso de datos. El tiempo de respuesta más rápido hará posible «identificar más rápidamente las ballenas de interés y proporcionar métricas de salud a los grupos de gestión para permitir una toma de decisiones adaptativa», según Vulcan.

«Estamos tratando de hacer del mundo un lugar mejor y dejarlo, principalmente a través de la salud y la conservación de los océanos», dijo Sam McKennoch, gerente del equipo de aprendizaje automático de Vulcan. «Nos conectamos con SR3 y nos dimos cuenta de que este era un gran caso de uso, en el que tenían una gran cantidad de datos existentes y necesitaban ayuda para automatizar sus flujos de trabajo».

AMPT se basa en cuatro modelos diferentes de aprendizaje automático. Primero, el detector de orcas identifica las imágenes que tienen orcas y coloca una caja alrededor de cada ballena. El siguiente modelo de AA describe completamente el cuerpo de la orca, un proceso conocido en el campo del aprendizaje automático como «segmentación semántica». Después viene el detector de puntos de referencia que detecta la tribuna (o el hocico) de la ballena, las aletas dorsales, el orificio nasal, la forma de los parches oculares, la muesca de la aleta, etc. Esto permite que el software mida y calcule la forma y proporciones de varias partes del cuerpo.

De particular interés es si los depósitos de grasa facial de la ballena son tan bajos que resultan en hendiduras en la cabeza que los biólogos marinos denominan «cabeza de maní». Esto solo aparece cuando la orca ha perdido una cantidad significativa de grasa corporal y está en peligro de morir de hambre.

Finalmente, el cuarto modelo de aprendizaje automático es el identificador. La forma del parche gris de la silla de montar detrás de la aleta dorsal de la ballena es tan única como una huella digital, lo que permite identificar a cada uno de los individuos de la manada.

Hay muchos tipos diferentes de información necesaria para este tipo de automatización. Afortunadamente, Vulcan ha podido aprovechar parte del trabajo manual previo de SR3 para iniciar sus modelos de aprendizaje automático.

«Realmente queríamos comprender sus puntos débiles y cómo podríamos proporcionarles las herramientas que necesitaban, en lugar de las herramientas que podríamos querer darles», dijo McKennoch.

A pesar de lo exitoso que ha sido AMPT, hay mucho conocimiento e información que aún no se ha incorporado a sus modelos de aprendizaje automático. Como resultado, todavía existe la necesidad de tener usuarios en el ciclo de una manera semi-supervisada para parte del procesamiento de ML. La interfaz acelera la entrada del usuario y estandariza las mediciones realizadas por diferentes usuarios.

McKennoch cree que habrá ganancias con cada lote que procesen durante varios ciclos por venir. Debido a esto, esperan seguir mejorando el rendimiento en términos de precisión, flujo de trabajo y tiempo de cálculo hasta el punto de que todo el proceso tarde días, en lugar de semanas o meses.

Esto es muy importante porque AMPT proporcionará información que oriente las decisiones políticas en muchos niveles. El impacto humano en el medio ambiente de la orca no está disminuyendo y, en todo caso, está aumentando. La sobrepesca está reduciendo las fuentes de alimento, particularmente el salmón chinook, la comida preferida de las orcas. Los barcos comerciales y de recreo continúan causando lesiones y su ruido excesivo interfiere con la capacidad de la orca para cazar salmones. Los productos químicos tóxicos de la escorrentía de aguas pluviales y otras contaminaciones dañan la salud de los mamíferos marinos. El monitoreo continuo de cada ballena individual será fundamental para mantener su bienestar y la salud del ecosistema marino local.

Vulcan planea utilizar AMPT de código abierto, dándole vida propia en la comunidad de investigación de mamíferos marinos. McKennoch dijo que esperan extender la herramienta para que se pueda usar para otras poblaciones de orcas, diferentes ballenas grandes y, con el tiempo, posiblemente delfines más pequeños y focas de puerto.

Deja un comentario