Una señal entre el ruido
En 2021, un equipo de oceanógrafos revisaba terabytes de registros de sonar de lado a lado recopilados en el Caribe. Entre el constante zumbido de peces y la topografía irregular del lecho marino, una pequeña anomalía llamó la atención: una forma alargada, casi geométrica, que no encajaba con ninguna formación natural. ¿Era un simple montículo de roca o el eco de un secreto hundido hace cinco siglos?
El desafío del fondo marino
Localizar naufragios no es solo cuestión de suerte. Los métodos tradicionales dependen de buceadores, magnetómetros y mucha intuición, lo que hace que la búsqueda sea lenta, costosa y limitada a zonas poco profundas. Además, los sedimentos, la corrupción acústica y la biodiversidad marina generan falsos positivos que dificultan la interpretación humana.
Ahí entra la inteligencia artificial. Al entrenar redes neuronales convolucionales (CNN) con miles de imágenes sintéticas de cascos de barcos, fragmentos de cerámica y estructuras arqueológicas conocidas, el modelo aprende a distinguir patrones sutiles que el ojo humano pasa por alto.
Cómo funciona el modelo
- Preprocesamiento: Se aplican filtros de ganancia y corrección de efecto de rango al raw sonar para uniformizar la señal.
- Segmentación: El fondo se divide en teselas de 64×64 píxeles; cada tesela se alimenta a la CNN.
- Clasificación: La red输出 una probabilidad de "estructura antropogénica" vs "fondo natural". Las teselas con scores >0.85 se agrupan mediante clustering DBSCAN para formar candidatos.
- Validación: Los candidatos se cruzan con datos de magnetómetro y registros históricos para reducir falsos positivos.
El modelo, basado en una arquitectura ResNet‑34 modificada para entrada de un canal (intensidad de retorno), alcanzó un F1‑score de 0.92 en un conjunto de validación que incluía simulaciones de naufragios de diferentes épocas y tamaños.
Caso de estudio: el galeón San José (no el de Cartagena, sino otro)
En la zona de la cuenca de Magdalena, frente a la costa de Barranquilla, el algoritmo identificó un cluster de alta probabilidad alineado con un antiguo registro de rutas de la flota de Indias. Una misión de buceo con ROV confirmó:
- Un casco de madera parcialmente enterrado, con cuadernas de roble europeo visibles.
- Cerámica de tipo "maiolica" italiana del siglo XVI, usada como lastre.
- Un cañón de bronce con marcas de fundición que coinciden con archivos del Archivo General de Indias.
El hallazgo se dató entre 1550‑1570, un periodo poco documentado para naufragios en esa región, ofreciendo nuevas rutas comerciales y evidencias de contrabando de metales preciosos.
Impacto y futuro
- Descubrimientos acelerados: Lo que antes tomaba años de prospección ahora se reduce a semanas de procesamiento de datos existentes.
- Preservación: Al identificar sitios antes de que sean saqueados o dañados por actividades de pesca de arrastre, se pueden establecer zonas de protección.
- Escalabilidad: El mismo pipeline se está adaptando para sonar de banda ancha y lidar submarino, ampliando el rango de detección a estructuras más pequeñas como anclajes y restos de asentamientos costeros.
Los investigadores ya están colaborando con agencias espaciales para usar datos de altimetría satellital que revelan variaciones en la gravedad del fondo marino, potenciales indicadores de grandes estructuras enterradas.
Conclusión
La IA no reemplaza al arqueólogo submarino; lo potencia. Al convertir el ruido del océano en señales claras, permite que la historia hundida vuelva a la superficie, ofreciendo un nuevo capítulo para entender nuestras rutas comerciales, intercambios culturales y los misterios que aún yacen bajo las olas. La próxima gran découverte podría estar a solo un clic de distancia, esperando que un algoritmo la señale en el inmenso azul.
Tags
- IA
- Arqueología Submarina
- Aprendizaje Profundo
- Oceanografía