Lectura de 4 minutos
Cómo la música llevó a Daniel DeLeon a estudiar el océano mediante el aprendizaje automático
Daniel no sabía qué era la ingeniería cuando empezó sus estudios superiores. Ahora está haciendo grandes avances en el estudio de ballenas en peligro de extinción gracias al aprendizaje automático.
Cuando la madre de Daniel DeLeon, Betty, conoció a su futuro marido, Narciso, en un viaje organizado por su parroquia a San Blas, en México, ella no hablaba español y él no hablaba inglés, así que se comunicaron de otra forma: con música.
No es sorprendente que Daniel, que ahora es un estudiante de 26 años de la Universidad Politécnica de California, creciera con un buen oído para la música. Sus padres formaron un trío tradicional mexicano llamado Trío Guadalupeño, y él creció entre sus ensayos semanales y las actuaciones que daban en fiestas de quince años, bautizos y otras celebraciones.
En la clase de física aprendí cómo se propaga el sonido hasta el oído. Fue increíble. Las ondas crean emociones que nos hacen felices y nos llenan de energía.
Daniel DeLeon
Fue durante una de las clases de física cuando el amor de Daniel por la música se transformó en fascinación por la ciencia del sonido. Sus conocimientos musicales y sus recientes estudios de acústica le permitieron acceder a unas prestigiosas prácticas en el Instituto de investigación del acuario de la bahía de Monterrey (MBARI), durante las que ayudó a los científicos Danelle Cline y John Ryan a estudiar el océano escuchando el canto de las ballenas.
Las ballenas usan la acústica para comunicarse entre sí, igual que hicieron mis padres cuando se conocieron. Me hizo pensar en su música y en la importancia que tuvo.
Daniel DeLeon
Al realizar un seguimiento de los cantos de las ballenas azules y los rorcuales, ambas especies en peligro de extinción, así como de los cambios en sus patrones migratorios, los científicos pueden conocer mejor nuestro impacto en la vida marina. Dada la pasión de Daniel por la música, John y Danelle pensaron que no le importaría pasar un verano escuchando sonidos del océano a través del hidrófono del instituto, un micrófono subacuático colocado a 900 metros de profundidad. Pero la tarea que aguardaba a Daniel no se limitaba solo a escuchar.
Los océanos cubren el 70 % de la superficie de la Tierra. Son muy profundos, y el 99 % de la luz desaparece a tan solo 23 metros de profundidad. En cambio, el sonido es capaz de recorrer miles de kilómetros a través del agua, por lo que los mamíferos marinos lo utilizan en las actividades más importantes de su vida. Escuchándoles, podemos aprender mucho sobre ellos.
John Ryan, biólogo marino
Al estar grabando sonidos ininterrumpidamente, el hidrófono plantea un problema para los científicos: la excesiva cantidad de datos. Serían necesarias una docena de vidas para analizar con detalle todos los fragmentos de audio grabados. Así que el trabajo de Daniel consistió en usar TensorFlow, la herramienta de aprendizaje automático de código abierto de Google, para realizar la tediosa tarea de analizar los archivos de audio e identificar los cantos de las ballenas en cuestión de días en lugar de años.
Cuando empezó sus prácticas, Daniel nunca había usado TensorFlow, pero era bueno con las matemáticas, y básicamente en eso consiste el aprendizaje automático: una serie de algoritmos que analizan datos y aprenden a reconocer patrones.
Las ballenas azules y los rorcuales son algunos de los animales que emiten sonidos más fuertes de todo el planeta. Su canto de baja frecuencia puede recorrer largas distancias, lo que los convierte en unos excelentes candidatos para su estudio. El hidrófono del MBARI puede detectar a las ballenas a distancias de hasta 500 kilómetros.
Las ondas sonoras grabadas por el hidrófono deben convertirse en datos visuales con forma de espectrograma, un mapa del sonido a lo largo del tiempo. Daniel introduce esos espectrogramas en el modelo de TensorFlow para enseñarle cómo es el canto de las ballenas azules y los rorcuales. Al igual que los cachorros, el aprendizaje automático aprende por repeticiones. Cuantos más ejemplos introduce Daniel, más preciso se vuelve el modelo. En total, Daniel introdujo en el modelo de TensorFlow más de 18.000 ejemplos de cantos aislados de ballenas.
El aprendizaje automático está permitiendo al ordenador seleccionar patrones.
Daniel DeLeon
Con el tiempo, Daniel fue capaz de enseñar a TensorFlow a identificar el canto de las ballenas con una precisión del 98,05 %. El modelo era capaz de diferenciar entre una ballena azul y un rorcual, así como de confirmar la hora, la intensidad y la duración de cada canto.
Ballena azul
Rorcual
La oceanografía se encuentra en un momento crucial. También es un momento muy interesante para el aprendizaje automático, ya que por fin estamos empezando a resolver problemas que hace apenas cinco años nos parecían imposibles.
Danelle Cline, ingeniera de software sénior
Las investigaciones de Daniel con el aprendizaje automático han ayudado a John y a Danelle a crear una base para la detección y clasificación automáticas de los cantos de las ballenas. Ahora pueden dedicar más tiempo a las cuestiones más importantes, como la forma en la que están cambiando los ancestrales patrones de migración de estas enormes criaturas y qué nos dice eso sobre el impacto que está teniendo la actividad humana en la vida marina, desde la contaminación acústica al cambio climático.
Nunca había pensado en ser científico. No creía que fuera capaz, pero la curiosidad que siento por el mundo, por el universo en general, me animó a intentarlo.
Daniel DeLeon
Descubre el viaje de Daniel en este vídeo.
