Biólogos marinos e ingenieros de la Universidad de Dalhousie desarrollaron un modelo de inteligencia artificial capaz de identificar comportamientos nocturnos en la ballena franca del Atlántico Norte, una especie con apenas 350 individuos en estado crítico de extinción. El sistema alcanzó un 95% de precisión en la clasificación de períodos de alimentación, eliminando la necesidad de revisar manualmente horas de grabación subacuática.
Sensores, video y aprendizaje automático en campo abierto
La metodología integró sensores inerciales tridimensionales —acelerómetros, giroscopios, magnetómetros, registradores de profundidad y micrófonos subacuáticos— con microcámaras de alta resolución orientadas hacia la cavidad bucal de los animales. Durante campañas de campo realizadas entre 2023 y 2024, se colocaron etiquetas de seguimiento no invasivas mediante ventosas en 23 ejemplares de Eubalaena glacialis en el golfo de San Lorenzo, Canadá.
El principal reto técnico fue interpretar el volumen de datos cinemáticos generados. Cuando las ballenas filtran zooplancton, la apertura de su cavidad bucal produce resistencia hidrodinámica: la velocidad de nado disminuye y la frecuencia del aleteo aumenta para compensar la fricción. Este patrón biomecánico se convirtió en la señal clave que el algoritmo aprendió a reconocer, usando las imágenes de video como ground truth para el entrenamiento supervisado.
Implicaciones para la conservación y la tecnología aplicada
Los resultados revelan, por primera vez, patrones de alimentación superficial nocturna que las técnicas tradicionales de observación no podían detectar. Esto tiene consecuencias directas para la gestión del riesgo: con mayor precisión sobre dónde y cuándo se alimentan estos cetáceos en la oscuridad, es posible ajustar rutas de navegación comercial y protocolos de pesca en zonas críticas, dos de las principales causas de mortalidad de la especie.
Más allá de la ballena franca, la arquitectura del sistema —sensores multimodales combinados con clasificadores de aprendizaje automático entrenados con video— es transferible a otras especies y ecosistemas. Para contextos como el mexicano, donde la conservación marina abarca desde la vaquita marina en el Golfo de California hasta diversas especies de tortugas y cetáceos en el Pacífico y el Caribe, este tipo de metodología representa una vía concreta para escalar el monitoreo sin incrementar proporcionalmente los costos de campo.
La convergencia entre biología marina, ingeniería de sensores e inteligencia artificial está redefiniendo los estándares de lo que es observable en ecosistemas oceánicos. La capacidad de generar datos etiquetados de alta calidad en condiciones de campo —y de convertirlos en modelos predictivos con precisión clínica— abre una nueva categoría de herramientas para la toma de decisiones en política ambiental y gestión de recursos marinos.
