Acoustic Machine Learning for Multi-Species Identification in the Pantanal Wetlands

Resumen Técnico: Aprendizaje Automático Acústico para la Identificación de Múltiples Especies en los Humedales del Pantanal

Planteamiento del Problema
El estudio aborda el desafío crítico de monitorear la biodiversidad en los humedales del Pantanal en Brasil, un ecosistema que abarca más de 150,000 km² y que está cada vez más amenazado por el cambio climático, la expansión agrícola y los incendios forestales. Los censos de campo tradicionales se consideran logísticamente difíciles, costosos y a menudo incompletos debido a las inundaciones estacionales y la vasta escala geográfica. Si bien el Monitoreo Acústico Pasivo (PAM) ofrece una alternativa escalable para la recolección continua de datos, los conjuntos de datos resultantes presentan obstáculos significativos: son masivos en volumen, contienen altos niveles de ruido ambiental y sufren de una escasez de datos etiquetados. El problema central de investigación es el desarrollo de un marco de aprendizaje automático robusto capaz de identificar con precisión múltiples especies —incluyendo taxones raros y poco estudiados— a partir de paisajes sonoros de audio complejos y reales donde múltiples especies vocalizan simultáneamente.

Metodología
El autor propone un flujo de trabajo de aprendizaje automático centrado en la clasificación multietiqueta utilizando un algoritmo de ensamble de Bosques Aleatorios (Random Forest). La metodología avanza a través de las siguientes etapas:

• Preparación de Datos: El estudio utiliza el conjunto de datos BirdCLEF+ 2026, que comprende más de 46,000 archivos (aproximadamente 16 GB) de grabaciones de audio de aves, anfibios, reptiles, mamíferos e insectos. Los archivos de audio se normalizan a una tasa de muestreo de 32 kHz y se segmentan en ventanas de 5 segundos.
• Estrategia de Etiquetado: Para dar cuenta de las vocalizaciones de fondo y los sonidos superpuestos, el sistema emplea un enfoque de multietiqueta. Las etiquetas primarias y secundarias se combinan utilizando un MultiLabelBinarizer, lo que permite al modelo aprender de eventos acústicos superpuestos.
• Ingeniería de Características: El sistema extrae un vector de características de 21 dimensiones para cada segmento. Esto incluye:
  • Espectro de la Señal: 20 Coeficientes Cepstrales en las Frecuencias Mel (MFCCs) para capturar cualidades tímbricas.
  • Forma Espectral: Se añade la media del Centroide Espectral (brillo) a los MFCCs.
  • Nota: Aunque la sección de metodología enumera inicialmente características potenciales como el Roll-off Espectral, el Ancho de Banda, la Tasa de Cruce por Cero, RMS y coeficientes Chroma, la implementación específica descrita en la subsección "En su proyecto" confirma que solo se utilizaron los 20 MFCCs y el Centroide Espectral medio para formar el vector final de 21 dimensiones.
• Arquitectura del Modelo: Se seleccionó un clasificador de Bosque Aleatorio por su capacidad para manejar datos de alta dimensión y desbalanceados, y por su robustez contra el ruido. El modelo se serializa utilizando la biblioteca joblib (wildife_rf_model_2026.pkl) para asegurar su portabilidad y capacidades de despliegue fuera de línea.
• Evaluación: El rendimiento se mide utilizando el ROC-AUC promediado macro (Área Bajo la Curva de Característica Operativa del Receptor), la métrica oficial de la competencia, lo que garantiza la equidad entre las especies con diferentes frecuencias de ocurrencia.

Resultos Clave
El estudio reporta resultados de desempeño modestos, resaltando la dificultad de la tarea:

• Métricas de Desempeño: El modelo alcanzó una puntuación de ROC-AUC promediada macro de aproximadamente 0.50 en el conjunto de validación y 0.499 en la tabla de clasificación pública. El autor caracteriza explícitamente esto como un desempeño "cercano al azar".
• Análisis de Errores: Las clasificaciones erróneas fueron más frecuentes en paisajes sonoros superpuestos donde múltiples especies vocalizaban simultáneamente. El modelo tuvo dificultades para distinguir entre especies con rangos de frecuencia similares (por ejemplo, especies de Leptodactylus) y a menudo confundió llamadas de insectos o ruido de fondo con las especies objetivo.
• Visualizaciones: Las curvas ROC para especies representativas mostraron líneas diagonales, reforzando la naturaleza base del poder predictivo del modelo. Las visualizaciones de espectrogramas confirmaron que, si bien existen bandas de frecuencia distintas para ciertas llamadas (por ejemplo, llamadas de ranas), el clasificador no logró mapearlas consistentemente a las etiquetas de especies correctas.

Significancia y Reivindicaciones
El artículo posiciona su contribución no como una solución definitiva para la identificación de especies de alta precisión, sino como un modelo base reproducible y un marco fundacional para investigaciones futuras.

• Viabilidad de los Flujos de Trabajo: El estudio afirma la viabilidad técnica de los flujos de trabajo automatizados para el monitoreo de la biodiversidad, demostando que incluso los modelos base pueden servir como "filtros inteligentes" para priorizar grabaciones para auditoría experta, reduciendo así el trabajo manual.
• Limitaciones de los Métodos Tradicionales: Los resultados subrayan las limitaciones del aprendizaje de ensamble tradicional (Bosques Aleatorios) y de las características acústicas básicas (MFCCs) cuando se aplican a los complejos y ruidosos paisajes sonoros del Pantanal.
• Dirección Futura: El autor concluye que lograr una identificación de alta precisión requiere un cambio hacia arquitecturas de aprendizaje profundo (como Redes Neuronales Convolucionales o Redes Neuronales Recurrentes), incrustaciones basadas en espectrogramas y estrategias multietiqueta avanzadas para capturar mejor los patrones temporales y las interacciones ecológicas.
• Contexto de Conservación: A pesar de los bajos puntajes predictivos, el trabajo proporciona un punto de partida escalable para el monitoreo de taxones poco estudiados e informa las estrategias de conservación en una de las fronteras ecológicas más vulnerables del mundo.

En resumen, el artículo presenta un flujo de trabajo de aprendizaje automático funcional y de extremo a extremo para la identificación de múltiples especies acústicas en el Pantanal. Si bien el enfoque actual basado en Bosques Aleatorios produce un desempeño de nivel estocástico, establece una base necesaria para integrar técnicas de aprendizaje profundo más avanzadas y estrategias de aumento de datos en futuros esfuerzos de conservación.