Científicos entrenan inteligencia artificial para identificar abejas por su zumbido y evitar trampas letales

Un equipo de ecólogos de la Universidad de Massachusetts Amherst desarrolló dos modelos de inteligencia artificial capaces de identificar abejas por el sonido de su vuelo, una herramienta que permite monitorear poblaciones de polinizadores sin recurrir a las trampas letales que históricamente dominaron la investigación entomológica.

Los modelos, entrenados con redes neuronales convolucionales (CNN), alcanzaron tasas de precisión de entre el 93 % y el 97 % en la detección acústica de abejas melíferas y abejorros, según el estudio publicado en la revista Approaches in Entomology: Methods, Philosophies, and Ethics.

La investigación, liderada por Laura Figueroa, profesora asistente de conservación ambiental en UMass Amherst, parte de una premisa sencilla. “Llevo más de una década trabajando con abejas y puedo distinguir un abejorro de una abeja melífera en el campo por el sonido. Si mi cerebro puede distinguir fácilmente entre las diferentes categorías de abejas, entonces deberíamos poder entrenar un modelo de IA para que también lo haga”, explicó Figueroa en declaraciones recogidas por la Universidad de Massachusetts Amherst.

Las trampas tradicionales matan miles de abejas y no discriminan entre especies

El método estándar para censar poblaciones de insectos ha consistido durante décadas en enviar entomólogos capacitados al campo para recolectar ejemplares con trampas letales, que en muchos casos no son más que pequeños vasos de colores llenos de agua jabonosa. Además de la paradoja de eliminar a miles de individuos de las mismas especies cuya salud poblacional se intenta evaluar, estas trampas capturan de forma indiscriminada, con alto daño colateral a especies no objetivo, y demandan largas horas de procesamiento en laboratorio.

La urgencia por encontrar alternativas no letales se explica por la magnitud de lo que está en juego. Los polinizadores, entre ellos las abejas, sostienen servicios ecosistémicos valorados en más de USD 200.000 millones a escala global y resultan indispensables para la reproducción de la mayoría de las especies vegetales del planeta. Sin embargo, sus poblaciones cayeron de forma drástica en las últimas décadas a causa del uso generalizado de pesticidas, la destrucción de hábitat y la aceleración del cambio climático.

Los modelos fueron entrenados con 594 grabaciones de campo a lo largo de cinco años

Figueroa y su equipo construyeron dos modelos con funciones diferenciadas. El primero detecta actividad general de abejas en grabaciones de audio tomadas en un sitio determinado, mientras que el segundo distingue entre abejas melíferas y abejorros a partir de las mismas grabaciones. Ambos están disponibles a través de Raven Pro, una herramienta de análisis acústico que los científicos utilizan con frecuencia para estudiar la actividad de distintas especies.

El conjunto de datos empleado para entrenar las redes neuronales abarcó 594 grabaciones recopiladas a lo largo de cinco años en 43 sitios del noreste de Estados Unidos, con una amplia variedad de condiciones ambientales: jardines, praderas, invernaderos, bosques y plantas solares, con distintos niveles y tipos de ruido de fondo. El estudio se centró en dos grupos taxonómicos dominantes de la región: los abejorros (Bombus spp., nativos) y las abejas melíferas (Apis mellifera, introducidas).

El segundo modelo tiene además la capacidad de clasificar la sonicación de los abejorros —la vibración que estos insectos producen para extraer el polen de ciertas flores—, lo que lo convierte en una herramienta útil para monitorear cultivos que dependen de la polinización por vibración, como los tomates, los arándanos y los kiwis. Detectar eventos de sonicación en campos e invernaderos podría ayudar a optimizar la cantidad y ubicación de colonias manejadas para mejorar la eficiencia de la polinización.

La herramienta complementa, pero no reemplaza, los métodos tradicionales de monitoreo

“Nuestro modelo no se desarrolló para reemplazar los métodos tradicionales”, aclaró Figueroa. “Nos permite obtener estimaciones precisas de la actividad de las abejas en momentos y lugares de difícil acceso para los investigadores, como por ejemplo en las copas de los árboles o durante olas de calor. Es una herramienta complementaria dentro del conjunto de herramientas que necesitamos para monitorear eficazmente a los polinizadores en el campo”.

La investigadora reconoció que las trampas letales seguirán siendo necesarias en determinados contextos, ya que muchas especies de abejas solo pueden identificarse con precisión bajo microscopio. El estudio se enmarca en un campo en rápida expansión: trabajos recientes en Patagonia (Galen et al., 2026) y en campos de girasoles del suroeste de Francia (Crochard et al., 2026) también desarrollaron modelos de CNN cuyos resultados correlacionaron de manera consistente con los conteos de observadores en el terreno, según consigna el propio estudio.

Los datos y el código utilizados en la investigación están disponibles en acceso abierto a través del repositorio Dryad. En 2024, Figueroa ya había publicado una revisión sistemática sobre el uso de modelos bioacústicos automatizados para detectar, clasificar y monitorear insectos en el Journal of Applied Ecology, trabajo que sentó las bases del desarrollo actual.