Lectura de 4 minutos

Cómo la música llevó a Daniel DeLeon a estudiar el océano por medio del aprendizaje automático

Cuando comenzó sus estudios en una institución de educación superior, Daniel no sabía nada de ingeniería. Ahora realiza grandes descubrimientos usando el aprendizaje automático para hacer un seguimiento de las ballenas en peligro de extinción.

Cuando Betty, la madre de Daniel DeLeon, conoció a Narciso, su padre, durante un viaje organizado por su iglesia en San Blas (México), ella no hablaba español y él no sabía inglés: se comunicaron por medio de la música.

No es de extrañar que Daniel, quien ahora es un estudiante de 26 años en la California Polytechnic State University, tenga tanta pasión por la música. Sus padres integraron una banda tradicional mexicana llamada "Trío Guadalupeño", y sus ensayos y actuaciones semanales en fiestas de quince, bautismos y eventos locales formaron la banda sonora de su infancia.

En la clase de física, aprendí cómo se propagan las ondas sonoras en nuestro oído. Me pareció alucinante. Esas ondas generan emociones que nos ponen felices, que nos llenan de energía.

Daniel DeLeon

Durante una clase de física en una institución de educación superior, el amor de Daniel por la música evolucionó hasta convertirse en fascinación por la ciencia del sonido. Su formación musical se combinó con una nueva comprensión de la acústica que lo llevó a obtener una pasantía muy competitiva en el Monterey Bay Aquarium Research Institute (MBARI), donde ayudó a los científicos Danelle Cline y John Ryan a estudiar el océano escuchando los cantos de las ballenas.

Las ballenas usan la acústica para comunicarse, como lo hicieron mis padres cuando se conocieron. Me llevó a reflexionar acerca de su música y la importancia que tuvo.

Daniel DeLeon

Daniel DeLeon mientras escucha cantos de ballenas con audífonos
Forma de onda del canto de una ballena Daniel DeLeon mientras usa un software de aprendizaje automático para identificar cantos de ballenas desde un feed de audio del océano
Daniel en Cabrillo College con su profesor de Física Daniel mientras sube el volumen del canto de una de ballena

Mediante el seguimiento de las ballenas azules y de aleta en peligro de extinción, y de los cambios en sus patrones migratorios, los científicos pueden aprender mucho acerca de las graves consecuencias que genera la influencia del hombre en la vida marina. Debido a la pasión de Daniel por la música, John y Danelle pensaron que no le molestaría pasar el verano escuchando sonidos marinos con el hidrófono del instituto (un micrófono sumergido en el océano a 900 metros de profundidad). Pero la tarea que tendría Daniel sería más compleja que solo escuchar.

El océano cubre el 70% de la superficie de la Tierra y es muy profundo. Al sumergirnos 23 metros, el 99% de la luz desaparece. En cambio, el sonido viaja miles de kilómetros. Es por eso que los mamíferos marinos lo usan para todas sus actividades cotidianas esenciales. Con solo escucharlos, aprendemos mucho sobre sus vidas.

John Ryan, oceanógrafo biológico

Como graba sonido todo el tiempo, el hidrófono les planteó un dilema a los científicos: demasiados datos. Analizar cada audio grabado de manera minuciosa llevaría cientos de años. La tarea de Daniel fue usar TensorFlow, la herramienta de aprendizaje automático de código abierto de Google, para el tedioso trabajo de analizar los archivos de audio y lograr identificar los cantos de las ballenas en cuestión de días y no de años.

Cuando Daniel comenzó su pasantía, nunca había usado TensorFlow, pero era bueno en matemáticas y de eso se trata esencialmente el aprendizaje automático: una serie de algoritmos que analizan datos y aprenden a reconocer patrones.

Las ballenas azules y de aleta son algunos de los animales más ruidosos del mundo. Sus cantos de baja frecuencia pueden viajar a través de grandes extensiones de océano, por lo que son ideales para ser estudiados. El hidrófono del MBARI puede escuchar a las ballenas hasta a 500 kilómetros de distancia.

Las ondas sonoras que graba el hidrófono se convierten en datos visuales con forma de espectrograma, un mapa del sonido a lo largo del tiempo. Daniel traslada esos espectrogramas al modelo de TensorFlow para enseñarle cómo son los cantos de las ballenas azul y de aleta. Al igual que un cachorro en entrenamiento, los modelos de aprendizaje automático aprenden por medio de la repetición. A medida que Daniel brinda más ejemplos, el modelo se vuelve más preciso. En resumen, Daniel entrenó al modelo de TensorFlow con más de 18,000 ejemplos de cantos de ballenas aislados.

El aprendizaje automático permite que las computadoras reconozcan patrones.

Daniel DeLeon

Con el tiempo, Daniel logró que TensorFlow identificara los cantos de las ballenas con una precisión del 98.05%. El modelo puede diferenciar entre una ballena azul y una de aleta, confirmar la hora del día a la ocurrió cada canto, y determinar su volumen y duración.

Ballena azul

Ballena de aleta

La oceanografía se encuentra en una etapa crucial. Además, esta época es próspera para el aprendizaje automático, ya que por fin comenzamos a resolver problemas que hace cinco años no tenían solución.

Danelle Cline, ingeniera sénior de Software

La investigación que Daniel realizó con la ayuda del aprendizaje automático permitió que John y Danelle sentaran las bases para automatizar la detección y clasificación de los cantos de las ballenas. Ahora pueden concentrarse mejor en los asuntos importantes, como los cambios en los antiguos patrones migratorios de estas enormes criaturas y qué demuestra eso acerca del enorme impacto que tiene la influencia del hombre fuera del agua sobre la vida marina, desde la contaminación acústica hasta el cambio climático.

Daniel DeLeon mientras mira al océano desde el Monterey Bay Research Institute Dos ballenas de aleta sobre el agua

Nunca pensé en convertirme en científico. No creí ser capaz de lograrlo. La curiosidad que tengo por el mundo y el universo en general me motivó a intentarlo.

Daniel DeLeon

Descubre el viaje de Daniel en la siguiente película.

whales-video-large
Volver al principio