September 16, 2021

Ecología en la era de la automatización

El ritmo acelerado del cambio global está impulsando una crisis de extinción de la biodiversidad (1) y está superando nuestra capacidad para rastrear, monitorear y comprender los ecosistemas, que tradicionalmente es el trabajo de los ecologistas. La investigación ecológica es una empresa intensiva basada en el campo que se basa en las habilidades de observadores capacitados. Este proceso requiere mucho tiempo y es costoso, lo que limita la resolución y el alcance de nuestro conocimiento del mundo natural. Aunque la tecnología nunca reemplazará la intuición y la amplitud de habilidades del naturalista experimentado (2), los ecologistas no pueden ignorar el potencial de expandir enormemente la escala de nuestros estudios a través de la automatización. La capacidad de automatizar el muestreo de la biodiversidad está impulsada por tres avances tecnológicos en curso: la mercantilización de dispositivos informáticos pequeños de bajo consumo; avances en comunicaciones inalámbricas; y una explosión de algoritmos de reconocimiento de datos automatizados en el campo del aprendizaje automático. La recopilación de datos automatizada y el aprendizaje automático están destinados a revolucionar los estudios in situ de sistemas naturales.

La automatización se ha extendido por todos los esfuerzos humanos en las últimas décadas, y la ciencia no es una excepción. El alcance de la observación ecológica ha estado tradicionalmente limitado por los costos de la recopilación manual de datos. Imaginamos un futuro en el que los datos de los estudios de campo se aumenten con datos continuos, a escala fina y de detección remota que registren la presencia, el comportamiento y otras propiedades de los organismos individuales. A medida que la automatización reduce los costos de estas redes, no habrá una simple expansión de la cantidad de datos. Más bien, la alta resolución potencial y la amplia extensión de estos datos conducirán a hallazgos cualitativamente nuevos y darán lugar a nuevos descubrimientos sobre el mundo natural que permitirán a los ecólogos predecir y gestionar mejor los ecosistemas cambiantes (3). Esto será especialmente cierto ya que diferentes tipos de redes de detección, incluidos elementos móviles como drones, están conectados entre sí para proporcionar una vista rica y multidimensional de la naturaleza. Dado el papel que desempeña la biodiversidad al otorgar resiliencia a los ecosistemas de los que dependen los seres humanos (4), monitorear la distribución y abundancia de especies junto con el clima y otras variables es una necesidad crítica para desarrollar hipótesis ecológicas y para adaptarse a los desafíos globales emergentes.

Los ecosistemas están llenos de sonido y movimiento que se pueden capturar con sensores de audio y video. Los rápidos avances en los algoritmos de clasificación de audio y video pueden permitir el reconocimiento de especies y el etiquetado de rasgos y comportamientos complejos, que tradicionalmente eran el dominio de la identificación manual de especies por parte de los expertos. El mayor avance ha sido el descubrimiento de redes neuronales convolucionales profundas (5). Estos algoritmos extraen aspectos fundamentales de contraste y forma de una manera análoga a cómo nosotros y otros animales reconocemos objetos en nuestro campo visual. Aplicadas a señales de audio, estas redes neuronales son altamente efectivas para clasificar sonidos naturales y antropogénicos (6). Un ejemplo canónico es la clasificación de los cantos de los pájaros. Otros ejemplos acústicos incluyen insectos, anfibios e indicadores de perturbación como motosierras. Naturalmente, estos algoritmos también se prestan a la identificación de especies a partir de imágenes y videos. En los casos de animales que muestran patrones de color complejos, se pueden distinguir individuos, lo que permite la recaptura de marcas mínimamente invasivas, una herramienta importante en los estudios de población y la conservación (7). Más allá de la vista y el sonido, los sensores pueden apuntar a una amplia gama de fenómenos físicos, químicos y biológicos. Particularmente intrigante es la posibilidad de una detección ambiental generalizada de compuestos biomoleculares que podrían, por ejemplo, permitir la cuantificación de “imágenes de ADN” por medio de sensores de laboratorio en un chip (8).

Varias tendencias tecnológicas están dando forma al surgimiento de redes de sensores a gran escala. Uno es la miniaturización continua de la tecnología, que permite el despliegue de matrices extendidas de dispositivos sensores de baja potencia en todos los paisajes. [for example, (9)]. En muchos casos, estos pueden funcionar con energía solar en ubicaciones remotas. La amplia disponibilidad de dispositivos de computadora en un chip junto con varios sensores conectados está permitiendo la construcción de grandes redes de detección distribuidas a precios que antes eran inalcanzables. De manera similar, la disponibilidad ubicua de la computación y el almacenamiento basados ​​en la nube para el procesamiento de back-end está facilitando implementaciones a gran escala.

Los sensores pequeños y robustos, como este registrador acústico pasivo, permiten el monitoreo remoto de la biodiversidad. Las nuevas tecnologías permiten que estos dispositivos procesen datos y transmitan información a través de redes inalámbricas.

FOTO: SANDRO GRANDA

Otra tendencia son los avances en las comunicaciones inalámbricas. Por ejemplo, el emergente Internet de las cosas (10) permite que los dispositivos de bajo consumo establezcan redes de malla ad hoc que pueden pasar información de un nodo a otro y, finalmente, llegar a puntos de agregación y análisis. La misma tecnología utilizada para conectar timbres y bombillas inteligentes se puede aprovechar para mover datos a través de redes de sensores distribuidas por un paisaje. Estos protocolos están diseñados para un bajo consumo de energía, pero es posible que no tengan suficiente ancho de banda para todas las aplicaciones. Una alternativa, aunque más necesitada de energía, es la tecnología celular, que tiene una cobertura cada vez mayor a nivel mundial. En ubicaciones remotas, donde los servicios comerciales de datos celulares pueden no estar disponibles, los investigadores pueden considerar una red celular privada para telemetría en el sitio y enlaces ascendentes por satélite para transmisión por Internet. Sin embargo, a corto plazo, los costos de telecomunicaciones y los requisitos de energía por dispositivo pueden resultar prohibitivos en ciertas aplicaciones de gran ancho de banda, como la transmisión de video y audio. Una alternativa para los sitios donde el ancho de banda de las comunicaciones está limitado por el costo, el aislamiento o las limitaciones de energía es la informática de borde (11). En este diseño, el cálculo se traslada a los propios dispositivos de detección, que luego transmiten los resultados filtrados o clasificados para su análisis, lo que reduce en gran medida los requisitos de transmisión.

Una tendencia más es el avance de los métodos de aprendizaje automático (12) que puede clasificar y extraer patrones de flujos de datos. Gran parte de esta tecnología se ha convertido en un producto básico mediante intensos esfuerzos de desarrollo en el sector de la tecnología que han dado como resultado bibliotecas de software ampliamente disponibles que pueden utilizar los no expertos. Las redes neuronales convolucionales mencionadas anteriormente se pueden codificar tanto para segmentar datos en unidades como para etiquetar estas unidades con las clases apropiadas. El principal cuello de botella está en la formación de clasificadores porque los expertos deben etiquetar manualmente los insumos de formación inicial. Aunque existen conjuntos de capacitación etiquetados en algunos dominios, en particular, el reconocimiento de imágenes, los futuros analistas pueden omitir gran parte del paso de capacitación a medida que estén disponibles grandes colecciones de redes previamente capacitadas. Estas redes previamente capacitadas se pueden combinar y modificar para tareas específicas sin el requisito de conjuntos de capacitación completos. De particular interés desde el punto de vista de la automatización son los nuevos desarrollos en el aprendizaje continuo (13), en el que las redes se ajustan en respuesta a cambios en las entradas. Esto tiene la promesa de automatizar la adaptación del modelo para detectar fenómenos emergentes, como el cambio de distribución de especies en respuesta al cambio climático u otros cambios en las propiedades de los ecosistemas.

Los ecologistas podrían aprovechar estos desarrollos para crear redes de detección automatizadas a escalas antes inimaginables. Como ejemplo, considere la Encuesta de aves reproductoras de América del Norte, una iniciativa de ciencia ciudadana de gran éxito que se ejecuta desde finales de la década de 1960 con cobertura a escala continental. Los observadores expertos realizan recuentos puntuales de aves a lo largo de las rutas, generando datos que han demostrado ser invaluables para rastrear tendencias en las poblaciones de aves canoras (14). Aunque esperamos que continúen estos esfuerzos, imagine lo que se podría aprender si, en lugar de muestrear estas comunidades una vez al año, se pudiera construir un observatorio de aves canoras a largo plazo a escala continental para registrar y clasificar las vocalizaciones de las aves en tiempo casi real a lo largo de con covariables ambientales. Redes similares podrían usar cámaras trampa o transmisiones de video para revelar detalles de la variación diurna y estacional en diversas especies de flora y fauna. Al igual que con todos los métodos de muestreo, las redes de detección no estarán libres de sesgos en la sensibilidad y la discriminación, sin embargo, encierran la extraordinaria promesa del muestreo regional de la biodiversidad a escala de organismo, algo que ha resultado difícil, por ejemplo, mediante el uso de sistemas remotos tradicionales basados ​​en satélites. sintiendo. Estos esfuerzos complementarían el desarrollo continuo de observatorios ecológicos a escala continental. [for example, (15)] aumentando la resolución espacial y temporal del muestreo.

Expresiones de gratitud: Nuestra perspectiva sobre la detección autónoma se desarrolló con el apoyo de Stengl-Wyer Endowment y la Oficina del Vicepresidente de programas de Investigación de Barreras de Puente en la Universidad de Texas en Austin, y la National Science Foundation (BCS-2009669). Los comentarios de los miembros del laboratorio Keitt, Planet Texas 2050, A. Wolf y M. Abelson fueron invaluables para refinar nuestras ideas.