Un equipo de biólogos marinos e ingenieros de la Universidad de Dalhousie entrenó un modelo de inteligencia artificial para descifrar el comportamiento nocturno de la ballena franca del Atlántico Norte, una especie en peligro crítico de extinción.
La investigación, publicada el 16 de septiembre de 2026 en la revista científica PLOS ONE, combinó sensores inerciales tridimensionales y cámaras subacuáticas adosadas al lomo de los cetáceos con algoritmos de aprendizaje automático. Esta metodología permitió revelar por primera vez patrones de alimentación cerca de la superficie en horas de la noche, una conducta que permanecía oculta para los métodos tradicionales de conservación en el océano y para las herramientas de ciencia ambiental.
El estudio, liderado por el ecólogo e investigador Jay Kirkham, se enfocó en especímenes de Eubalaena glacialis que habitan el golfo de San Lorenzo, en Canadá, durante la temporada estival. Con apenas unos 350 ejemplares supervivientes en el planeta, la especie enfrenta un riesgo constante de extinción debido a las colisiones con buques mercantes y los enredos en artes de pesca.
La falta de visibilidad en la oscuridad impedía conocer con precisión las pautas de inmersión nocturnas de estos gigantes marinos, un vacío de información que los científicos resolvieron mediante la integración de aprendizaje automático (machine learning).
Los dispositivos con ventosas registraron datos inerciales y video bajo el agua
Durante las campañas de campo desplegadas entre 2023 y 2024, el grupo académico adosó etiquetas de seguimiento inercial (CATS) en el lomo de 23 ballenas francas. Cada dispositivo, fijado mediante ventosas no invasivas, integró acelerómetros, giroscopios, magnetómetros, registradores de profundidad, micrófonos subacuáticos, sensores de luz y una microcámara de alta resolución orientada hacia la boca del animal.
El desafío principal radicó en interpretar la enorme masa de datos cinemáticos recopilados por las unidades inerciales. Al filtrar zooplancton, la ballena abre su enorme cavidad bucal, lo que genera una marcada resistencia hidrodinámica bajo el agua. “La ballena frena su velocidad de nado y debe aumentar la frecuencia del aleteo para vencer la fricción que provoca mantener la boca abierta”, explicó Kirkham en la memoria técnica del estudio.
El equipo científico utilizó el registro de video directo para confirmar manualmente los momentos exactos de ingesta y usó esa información validada como insumo de entrenamiento para los algoritmos.
Un algoritmo de clasificación alcanzó un 95 por ciento de precisión diagnóstica
Con las imágenes confirmadas por auditoría visual, los investigadores entrenaron diversos clasificadores de aprendizaje automático para que reconocieran la firma cinemática del filtrado sin necesidad de revisar horas de grabación a ojo humano. Entre los esquemas evaluados, una Máquina de Vectores de Soporte (SVM) obtuvo los mejores resultados, logrando un 95% de coincidencia con las identificaciones manuales realizadas por los biólogos.
El modelo automatizado procesó los datos inerciales completos y determinó que las ballenas francas destinan en promedio 11,4 horas diarias a alimentarse, un rango que oscila entre el 11% y el 76% del tiempo total de cada individuo.
La herramienta demostró una capacidad inédita para diferenciar la natación de tránsito de la actividad de filtrado activo, incluso en momentos en que la cámara no disponía de luz ambiental suficiente para registrar video. “Las ballenas no siempre son las mejores operadoras de cámara, pero pudimos analizar suficiente video para entrenar algoritmos de aprendizaje automático capaces de identificar los períodos de alimentación”, señalaron los autores en la publicación de PLOS ONE.
La inteligencia artificial detectó que las ballenas ascienden a la superficie por la noche
El hallazgo más relevante de la investigación surgió al aplicar el algoritmo a los registros de profundidad nocturnos. Durante el día, el modelo confirmó que las ballenas buscan alimento en zonas profundas, promediando los 47,7 metros de profundidad y descendiendo hasta el lecho marino.
El registro de video aportó, de hecho, las primeras imágenes de la especie alimentándose directamente sobre el fondo del mar, con algunas etiquetas regresando a la superficie manchadas de limo.
Sin embargo, al caer la noche, el algoritmo identificó un cambio radical de conducta: los cetáceos ascendieron hacia los primeros metros de la columna de agua. La concentración máxima de filtrado nocturno ocurrió en la franja de los 14,2 metros de profundidad, con mayor frecuencia entre las 21:00 y las 00:00 horas. Este comportamiento responde a la migración vertical del zooplancton (principalmente copépodos de la especie Calanus finmarchicus), que asciende hacia la superficie bajo la oscuridad para alimentarse de microalgas.
Este patrón nocturno permanecía subestimado por los métodos tradicionales de análisis de inmersión, que clasificaban las maniobras de superficie durante la noche como períodos de descanso o tránsito. El modelo de IA reveló que el 54,25% de la actividad nocturna en aguas poco profundas corresponde a filtrado activo con la boca abierta.
Al permanecer cerca de la superficie en la oscuridad, las ballenas quedan expuestas a un riesgo significativamente mayor de sufrir colisiones mortales con embarcaciones, cuyos tripulantes pueden no detectarlas a simple vista.
El estudio determinó además que el 25% del tiempo de alimentación ocurre fuera de las zonas de velocidad restringida vigentes en Canadá.
Los investigadores de la Universidad de Dalhousie destacaron que el uso de aprendizaje automático brinda una herramienta estandarizada para actualizar las medidas de protección ambiental y ajustar los límites del tráfico marítimo en función del comportamiento real de las especies protegidas.
