Metodología

 

Área y temporada de estudio

La investigación se desarrollará en la región noroeste de la Península Antártica, un área que, durante el verano austral, se convierte en uno de los principales puntos de alimentación para diversas especies de ballenas. Entre diciembre y marzo, cuando el hielo se retira y el océano se llena de vida, es posible observar a cetáceos como la ballena jorobada y la sei alimentándose en aguas ricas en krill. Este período ofrece condiciones ideales tanto para el trabajo logístico como para registrar la intensa actividad acústica de estos gigantes marinos.

Los puntos específicos de observación serán seleccionados en función de datos históricos de presencia de ballenas y accesibilidad logística, considerando también las rutas de navegación más frecuentadas, para poder evaluar los efectos del ruido submarino generado por embarcaciones.

Toma de datos (diseño de muestreo y recolección de datos)

El diseño de muestreo es pasivo no invasivo, mediante la instalación de hidrófonos autónomos de largo plazo (por ejemplo, SoundTrap ST500 o SM4M), anclados a estructuras sumergidas a profundidades entre 10 y 50 metros, dependiendo de las condiciones del lugar.

Los hidrófonos estarán programados para registrar continuamente en frecuencias entre 10 Hz y 50 kHz, permitiendo capturar tanto vocalizaciones de misticetos como eventos de ruido antropogénico. Se implementará una frecuencia de muestreo mínima de 96 kHz para asegurar la resolución de señales relevantes. Las unidades serán recuperadas al final de la temporada para descarga y procesamiento de datos.

El objetivo es obtener un retrato sonoro lo más fiel posible del entorno marino antártico. Esta recolección se complementará con datos oceanográficos —como temperatura, salinidad y presencia de krill—, usando sensores remotos y colaboraciones con otras expediciones científicas en la región.

Además, se incorporarán grabaciones propias de cantos de ballenas jorobadas, obtenidas previamente y procesadas con herramientas como Audacity, analizadas computacionalmente en Python. Estas grabaciones servirán como base para el desarrollo de los algoritmos de análisis acústico.

Descripción y análisis de datos

El procesamiento de los datos acústicos incluirá tres etapas principales:

Preprocesamiento acústico:

• Filtrado de ruido de fondo (band-pass filter).
•  Normalización de la señal.
• Segmentación automática de vocalizaciones mediante detección de energía o aprendizaje automático (e.g., clustering con scikit-learn).
•  Generación de espectrogramas (FFT) y extracción de características acústicas (frecuencia dominante, duración, entropía).

Análisis espectro-temporal:

·         Clasificación de tipos de cantos por especie, utilizando técnicas de aprendizaje supervisado y redes neuronales ligeras (CNN).

·         Identificación de patrones rítmicos y secuenciales en vocalizaciones.

·         Estimación de tasas de emisión vocal y variabilidad horaria/diaria.

Modelado matemático y simulación:

·         Aplicación de cadenas de Markov para modelar la transición entre unidades acústicas, interpretadas como estados probabilísticos del canto.

·         Simulación de secuencias de vocalizaciones sintéticas basadas en distribuciones de transición observadas.

·         Implementación de modelos de trayectoria 3D donde el estado acústico del animal (tranquilo, incómodo, perturbado) determina su patrón de movimiento, simulado mediante procesos estocásticos.

Se utilizará Python como entorno principal de análisis, integrando bibliotecas como librosa, matplotlib, numpy, scikit-learn y networkx para visualización, clasificación y modelado.

Finalmente, los resultados serán contrastados con variables ambientales y niveles de presión acústica (dB re 1 µPa) para evaluar posibles correlaciones entre perturbación sonora y cambios en el comportamiento vocal. Esta integración permitirá proponer indicadores acústicos de salud ecosistémica aplicables a estrategias de conservación y gestión del tráfico marítimo en el área.