Resumen Técnico: PteroSet – Un Conjunto de Datos Acústicos Pasivos Fuertemente Anotado para el Monitoreo de Aves Tropicales

Enunciado del Problema

El monitoreo acústico pasivo (MAP) se ha convertido en una herramienta crítica y no invasiva para evaluar la biodiversidad, particularmente en hábitats remotos y densos donde los estudios tradicionales son poco prácticos. Si bien la escala de los conjuntos de datos modernos de MAP requiere el uso de aprendizaje automático (AA) para la detección y clasificación automatizada de sonidos, la adopción de métodos de aprendizaje profundo supervisado se ve obstaculizada por la escasez de conjuntos de datos anotados de alta calidad y con resolución temporal. Esta brecha es especialmente aguda en las regiones tropicales, que albergan una biodiversidad excepcional pero permanecen subrepresentadas en las infraestructuras de datos globales. Los conjuntos de datos existentes a menudo están sesgados hacia regiones templadas, presentan anotaciones débiles (etiquetas solo a nivel de fragmento) o carecen de los límites detallados en el dominio tiempo-frecuencia necesarios para un entrenamiento robusto de modelos. En consecuencia, los modelos entrenados con datos templados a menudo tienen un rendimiento deficiente en paisajes sonoros tropicales complejos, caracterizados por una superposición acústica densa, una alta rotación de especies y cambios significativos de dominio entre sitios.

Metodología

Recolección de Datos

El estudio recopiló datos de audio de dos sitios ecológicamente contrastantes en Colombia: Puerto Asís (Departamento del Putumayo), que representa la zona de transición Andino-Amazónica, y Pivijay (Departamento del Magdalena), que representa una matriz de tierras bajas del Caribe históricamente transformada.

• Hardware: Unidades de grabación autónomas (AudioMoth) equipadas con micrófonos omnidireccionales.
• Protocolo: Los dispositivos grabaron 1 minuto cada 30 minutos durante un período de 24 horas, generando 48 minutos de audio por día a 192 kHz y resolución de 16 bits.
• Alcance: Los datos se recopilaron en cinco temporadas de monitoreo entre 2023 y 2025.

Anotación de Datos

Para garantizar datos de entrenamiento de alta calidad, los autores desarrollaron un protocolo estandarizado para anotaciones "fuertes" (etiquetas acotadas en tiempo-frecuencia).

• Generación de Lapso de Tiempo: Para gestionar el volumen de datos, los primeros 10 segundos de cada una de las 48 grabaciones diarias se concatenaron en un único archivo de "lapso de tiempo" de 480 segundos, preservando la cobertura temporal de 24 horas mientras se reducía la carga de trabajo manual.
• Anotación por Expertos: Cuatro especialistas utilizaron el software Raven Pro para identificar y delimitar manualmente eventos vocales individuales. Las anotaciones incluyeron límites explícitos de inicio ($t_{min}$), fin ($t_{max}$), frecuencia inferior ($f_{min}$) y frecuencia superior ($f_{max}$).
• Resolución Taxonómica: Las especies se identificaron basándose en características acústicas diagnósticas utilizando un sistema de codificación alfanumérico estandarizado (por ejemplo, MEGCHO para Megascops choliba). Solo se anotaron señales identificadas claramente tanto acústicamente como visualmente; las vocalizaciones tenues o ambiguas se excluyeron.
• Filtrado: El conjunto de datos se filtró para retener solo sonidos biológicos (BIO) y, específicamente, vocalizaciones aviares (AVEVOC), excluyendo el ruido no biológico y otros taxones.

Procesamiento Computacional

• Remuestreo: El audio se remuestreó de 192 kHz a 48 kHz para el análisis, ya que las vocalizaciones de aves en este conjunto de datos rara vez superan los 24 kHz.
• Unificación del Esquema: Las anotaciones se convirtieron de archivos de texto de Raven Pro a un esquema JSON unificado inspirado en el formato de anotación de imágenes COCO (Common Objects in Context). Este esquema incluye metadatos del conjunto de datos, definiciones de categorías, información de archivos de sonido y anotaciones de tiempo-frecuencia.
• Modelo de Referencia: Se formuló una tarea de detección binaria de aves. El audio se transformó en espectrogramas de mel de 5 segundos (FFT de 2048 puntos, salto de 512 muestras, 224 bandas de mel). Un enfoque de ventana deslizante (paso de 1 segundo) generó muestras de entrenamiento.
• Arquitectura: Una base ResNet-18, inicializada con pesos de ImageNet y modificada para entrada de un solo canal, se entrenó para clasificación binaria (presencia vs. ausencia de aves).
• Validación: Se empleó una estrategia de validación cruzada con exclusión de un proyecto (5 pliegues) para garantizar una separación temporal y espacial estricta entre los datos de entrenamiento y prueba, poniendo a prueba rigurosamente la generalización del modelo entre diferentes sitios de grabación.

Contribuciones Clave

1. Conjunto de Datos PteroSet: Una colección curada de 563 grabaciones de lapso de tiempo (73.62 horas) que contiene 15,372 anotaciones de tiempo-frecuencia, incluyendo 6,702 etiquetas a nivel de especie en 168 especies de aves neotropicales. Esto expande significativamente la escala de datos de audio tropicales altamente anotados.
2. Referencia Realista Tropical: El conjunto de datos captura explícitamente los desafíos inherentes a los paisajes sonoros neotropicales, como la coocurrencia acústica densa (múltiples especies cantando simultáneamente) y los cambios de dominio entre sitios de grabación, que a menudo están subrepresentados en los conjuntos de datos templados.
3. Esquema de Anotación: Introducción de un formato JSON inspirado en COCO adaptado para bioacústica, facilitando la interoperabilidad y la integración con otros conjuntos de datos.
4. Referencia de Línea Base: Provisión de una línea base ResNet-18 reproducible para la detección binaria de aves, estableciendo métricas de rendimiento para futuras comparaciones.
5. Recursos de Acceso Abierto: Liberación completa de datos crudos y procesados, archivos de anotación y código para apoyar la reproducibilidad.

Resultados

El modelo de referencia ResNet-18 demostró una discriminación efectiva entre eventos acústicos de aves y no aves en diversas condiciones, aunque el rendimiento varió según el sitio.

• Rendimiento General: En cinco pliegues de validación cruzada, el modelo logró un F1-score medio de 0.718 ± 0.039, un AUPRC de 0.797 ± 0.047 y una precisión de 0.850 ± 0.091.
• Cambio de Dominio: El rendimiento varió significativamente entre pliegues. El modelo tuvo el rendimiento más débil en el conjunto de prueba MAP1 (Magdalena) (F1: 0.650) y el más fuerte en el conjunto de prueba PPA4 (Putumayo) (F1: 0.742), destacando el desafío de generalizar entre regiones ecológicamente distintas.
• Complejidad Acústica: El conjunto de datos exhibe una alta densidad acústica; aproximadamente el 19.8% de las anotaciones implican superposiciones temporales, y el 60% de los pares superpuestos también se superponen en el dominio de la frecuencia. Esto confirma que una parte significativa de los datos contiene vocalizaciones simultáneas de múltiples especies.
• Análisis de Errores: El análisis cualitativo mostró que el modelo identificó con éxito vocalizaciones claras y de alta relación señal-ruido, pero tuvo dificultades con llamadas tenues y sonidos no biológicos que compartían características espectrales con las llamadas de aves (por ejemplo, patrones tonales de insectos).

Significado

El artículo posiciona a PteroSet no meramente como un repositorio de datos, sino como un paso necesario hacia un monitoreo bioacústico equitativo y efectivo en los trópicos. Al abordar la discrepancia entre la riqueza biológica de los Neotrópicos y la escasez de representación digital, el conjunto de datos sirve como un recurso de entrenamiento riguroso y un desafío de referencia. Destaca que el monitoreo automatizado exitoso en estos entornos requiere modelos capaces de manejar la superposición acústica densa, los cambios de dominio y las distribuciones de especies de cola larga. Los autores argumentan que centrarse en estas complejidades del mundo real, en lugar de depender de conjuntos de datos templados más limpios, es crítico para desarrollar modelos que se generalicen a ecosistemas globales. La adopción de un esquema de anotación unificado también tiene como objetivo reducir las barreras para la construcción de corpus de entrenamiento a gran escala y multi-sitio, y facilitar la referencia reproducible en la comunidad de bioacústica.