Se ha publicado un nuevo artículo titulado: Iterative deep learning for cetacean whistle detection in the Strait of Gibraltar, en la revista Engineering Applications of Artificial Intelligence de la mano de los investigadores: Alba Márquez-Rodríguez,  Neus Pérez-Gimeno, Daniel Benítez-Aragón, Gonzalo M. Arroyo, y Andrés De la Cruz.

El artículo se ha desarrollado en el marco del Proyecto SEANIMALMOVE, cuyo objetivo general es mejorar el conocimiento sobre la presencia, el uso del hábitat y la dinámica acústica de los cetáceos en el Estrecho de Gibraltar. Se trata de una zona de alto valor ecológico, pero sometida simultáneamente a una intensa presión acústica antropogénica derivada del tráfico marítimo.

Elaboración propia mediante uso de NotebookLM

En este contexto, la monitorización acústica pasiva (PAM) constituye una herramienta fundamental para el seguimiento de cetáceos. Sin embargo, su aplicación operativa presenta limitaciones importantes, principalmente debido al gran volumen de datos generados y a la dificultad de detectar señales biológicas débiles —como los silbidos— en entornos con niveles elevados de ruido ambiental y antropogénico.

Para abordar esta limitación, el trabajo propone un enfoque basado en inteligencia artificial adaptativa, orientado a automatizar y mejorar la detección de silbidos de cetáceos en condiciones acústicas reales del Estrecho.

El objetivo principal del estudio ha sido desarrollar y validar un detector automático robusto frente al ruido, capaz de generalizar entre distintas condiciones estacionales y escenarios acústicos. Además, se ha buscado reducir de forma significativa el esfuerzo de anotación manual requerido en campañas PAM de larga duración.

La metodología se fundamenta en un diseño experimental basado en datos reales. Para ello, se adquirieron más de 1.300 horas de grabaciones acústicas continuas mediante un sistema PAM desplegado en tres campañas independientes, abarcando distintos contextos estacionales y niveles de ruido.

Los datos fueron sometidos a un preprocesado estandarizado en ventanas de tres segundos, aplicándose posteriormente una clasificación binaria (silbido frente a fondo). Como parte del enfoque innovador, se emplearon modelos bioacústicos preentrenados —BirdNET y Perch— como extractores de características (embeddings).

Sobre esta base, se desarrolló un modelo neuronal específico ajustado al contexto acústico local (BirdNET-custom). El sistema se entrenó mediante una estrategia iterativa semi-supervisada, en la que el propio modelo guiaba la selección de segmentos a validar por expertos, incorporando progresivamente datos reales del Estrecho al proceso de entrenamiento.

Finalmente, se optimizaron los umbrales de confianza, permitiendo adaptar el detector a distintos objetivos operativos, desde la detección automática hasta el apoyo a la validación experta.

Los resultados confirman, en primer lugar, que los modelos entrenados exclusivamente con datos “limpios” presentan pérdidas de rendimiento muy acusadas cuando se aplican en escenarios reales ruidosos, alcanzando valores de F1 ≤ 0,10 en la detección de silbidos.

En contraste, el modelo BirdNET-custom, entrenado con el enfoque iterativo y datos locales, logró un F1-score de hasta 0,88 en un conjunto de prueba realista, con un recall superior al 90 % en la detección de silbidos.

Elaboración propia mediante uso de NotebookLM

Asimismo, el ajuste de los umbrales permitió equilibrar sensibilidad y precisión según las necesidades específicas de monitorización. La validación del modelo en tres despliegues independientes demostró su capacidad de generalización espacial y estacional, con un esfuerzo de anotación manual considerablemente reducido.

Desde el punto de vista aplicado, los resultados tienen implicaciones directas tanto para la investigación científica como para la gestión y conservación marina. El estudio proporciona un modelo reproducible para la detección automática de señales biológicas en entornos acústicamente complejos.

Además, facilita el seguimiento continuo de cetáceos en zonas estratégicas como el Estrecho de Gibraltar, clave para rutas migratorias, y permite integrar la presencia biológica con el análisis de paisajes sonoros y del impacto del ruido antropogénico.

En el ámbito operativo, el enfoque desarrollado optimiza los proyectos PAM al reducir costes, tiempos de análisis y dependencia de anotación experta manual.

En conjunto, el trabajo refuerza el papel del Proyecto SEANIMALMOVE como plataforma tecnológica y metodológica avanzada para el estudio de cetáceos y paisajes sonoros marinos, integrando acústica submarina, ecología y aprendizaje automático en un entorno real de alta complejidad acústica.

Repositorio: https://github.com/SEANIMALMOVE/CetaceanWhistleDetection_StraitOfGibraltar

Financiación: El proyecto SEANIMALMOVE (Monitorización del movimiento y dinámica poblacional de vertebrados marinos y litorales ante los impactos antropogénicos en un escenario de cambio global) está financiado por las AYUDAS A PROYECTOS I+D+i, EN EL MARCO DEL PLAN COMPLEMENTARIO DE CIENCIAS MARINAS Y DEL PLAN DE RECUPERACIÓN, TRASFORMACIÓN Y RESILIENCIA. CONVOCATORIA 2023