Nuevo estudio sobre la actividad sonora del quetzal podría ayudar a mejorar la conservación de su hábitat

Un nuevo estudio difundido en la prensa de la Universidad de Cambridge promete ligar los conceptos de la actividad sonora del quetzal guatemalteco (nombre científico, pharomachrus mocinno), con la conservación de su hábitat natural.

De acuerdo al estudio aprobado en agosto último y publicado en la Revista de Ecología Tropical (Journal of Tropical Ecology), la actividad vocal que fue registrada en esta investigación de cuatro especialistas puede ser de ayuda para la formación de estrategias de protección y conservación.

Como «regular el acceso de visitantes, mitigar el ruido, restaurar plantas alimenticias, proteger refugios naturales e implementar nidos artificiales, particularmente en hábitats topográficamente protegidos que pueden ser importantes para la reproducción», dice el estudio.

El principal uso de esta investigación, que en esta nota fue tratada únicamente de manera superficial, es la conservación de las aves, aunque la misma puede ser leída a cabalidad en su publicación de internet.

La investigación concentra los movimientos anuales de los quetzales, el monitoreo bioacústico, la conservación de aves, el uso de hábitats, el bosque montañoso y los barrancos.

La investigación tuvo lugar en el Biotopo Universitario para la Conservación del Quetzal, en Purulhá, Baja Verapaz.

LOS HALLAZGOS DE LA INVESTIGACIÓN

Este texto, realizado por Michelle Bustamante Castillo, Pablo Bolaños Sittler, Diego Lionel Lima Núñez y José Luis Echeverría-Tello, evaluó la actividad vocal y el uso del hábitat del quetzal resplandeciente por medio del monitoreo de acústicas pasivo y el entendimiento del bosque nuboso en Guatemala.

Entre los múltiples hallazgos que la investigación explica, sobresale que el quetzal mostró un pico sonoro pronunciado al amanecer y un pico menor al final de la tarde. La actividad vocal alcanzó su punto máximo en los primeros meses del año, particularmente en enero, coincidiendo con la temporada de reproducción, demostrando una tendencia a estar asociada con la posición topográfica (TPI), con mayor actividad en terrenos protegidos como valles y depresiones que en amplios gradientes de elevación.

Estos picos durante el día resaltan la importancia del momento oportuno para el monitoreo, la identificación de nidos y las intervenciones de manejo.

El estudio demuestra que los factores temporales influyen notablemente en la actividad acústica. No obstante, los efectos topográficos también tomados en cuenta, según el texto, parecen ser menos pronunciados.

Así pues, la complejidad topográfica, incluyendo barrancos, valles y terrenos menos escarpados, son características ecológicamente relevantes del hábitat de la especie; no resultaron ser predictores significativos en el presente análisis, pero podrían desempeñar un papel importante en la configuración del uso del hábitat, reflejando potencialmente microclimas favorables, mayor cobertura vegetal y disponibilidad de recursos durante la temporada reproductiva.

MONITOREO ACÚSTICO Y LA RED NEURONAL CONVOLUCIONAL

De acuerdo con un texto de Conservation Technology Acoustic Monitoring, de WWF, la metodología empleada para el registro sonoro del quetzal fue el monitoreo acústico pasivo, o también llamado únicamente monitoreo acústico.

Este implica realizar estudios y monitoreo de la vida silvestre y los entornos mediante grabadoras de sonido, conocidas como sensores acústicos.

Los monitores se despliegan en el campo por un periodo determinado, que puede ir desde horas hasta semanas, para registrar datos acústicos en un área específica. Luego se recopilan y se procesan para detectar, por ejemplo, las llamadas de las especies animales u observar.

Lo que estos sensores acústicos registran es en la forma de una señal de amplitud-tiempo que luego también puede indagarse para determinar frecuencias o tonos de los sonidos capturados.

Para la investigación se empleó una mezcla entre el monitoreo acústico con una red neuronal convolucional, la cual es un tipo de algoritmo de aprendizaje profundo —o deep learning— para reconocer, por ejemplo, imágenes mediante cuadrículas.

En este caso fue BirdNET, que sirve para el reconocimiento de sonidos, el cual se utilizó para describir los patrones de actividad vocal del quetzal durante un año completo. Este sistema de aprendizaje profundo puede ser utilizado luego de aprender las características requeridas en el entrenamiento manual.