Desarrollo de un modelo de aprendizaje automático para detección de peces por acústica pasiva
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Católica de la Santísima Concepción
Abstract
El ruido submarino antropogénico representa una presión ambiental creciente sobre los ecosistemas marinos, alterando el paisaje sonoro y afectando procesos ecológicos clave en numerosas especies. En este contexto, el monitoreo acústico pasivo (PAM) se ha consolidado como una herramienta eficiente para estudiar la biodiversidad marina a partir de registros sonoros; sin embargo, su aplicación se ha concentrado principalmente en mamíferos marinos, existiendo una brecha metodológica y tecnológica significativa para el caso de los peces. Esta brecha limita además la efectividad de los instrumentos regulatorios vigentes en Chile, que carecen de protocolos estandarizados para evaluar el impacto acústico sobre fauna ictiológica.
El presente trabajo tuvo como objetivo desarrollar un modelo de detección basado en algoritmos de aprendizaje automático para identificar señales acústicas de peces en registros submarinos, como insumo para el diagnóstico ambiental. Para ello, se utilizaron grabaciones obtenidas con un hidrófono calibrado instalado en la bahía de Cumberland, Isla Robinson Crusoe, Archipiélago de Juan Fernández. Los registros fueron segmentados y etiquetados manualmente en tres categorías: señales individuales de peces, coros de peces y otras fuentes acústicas, conformando un dataset de 9.000 fragmentos de entrenamiento y 3.600 de validación. A partir de estos datos se extrajeron coeficientes cepstrales en escala Mel (MFCC) y valores de energía RMS calibrados, seleccionando mediante análisis VIP las 17 características más relevantes como entrada a un modelo de clasificación basado en HistGradient Boosting. Los resultados muestran un desempeño satisfactorio del modelo, con una precisión superior al 80% y un F1-score de 80,5% para la detección de coros de peces. La aplicación del modelo a series temporales continuas permitió identificar patrones diarios de ocurrencia de coros consistentes con ciclos de actividad de tipo circadiano, y detectar diferencias estacionales en los horarios de actividad acústica entre enero y abril. Se concluye que la integración de PAM y aprendizaje automático constituye una herramienta viable, replicable y de bajo impacto para el monitoreo acústico de peces en contextos locales, con potencial de aplicación en procesos de evaluación y gestión ambiental marina en Chile
Description
Informe de proyecto de título presentado a la Facultad de Ciencias y la Facultad de Ingeniería de la Universidad Católica de la Santísima Concepción para optar al grado académico de Magíster en Medio Ambiente.
Keywords
Bioacústica, Machine Learning, Ecologia Marina, Magister en Medioambiente