Pesquisadores da vida selvagem treinam IA para identificar melhor espécies animais em fotos de câmeras de trilha

Cientistas da Universidade Estadual do Oregon melhoraram a capacidade da inteligência artificial de identificar espécies selvagens em fotos tiradas por câmeras ativadas por movimento.

Por Steve Lundeberg, Universidade Estadual de Oregon com infomrações de Phys.

O estudo, que introduz uma abordagem “menos é mais” aos dados nos quais um modelo de IA é treinado, abre as portas para uma análise de imagens da vida selvagem mais precisa e também mais econômica.

Câmeras ativadas por movimento são uma importante ferramenta de monitoramento da vida selvagem, mas revisar milhares de imagens manualmente pode ser extremamente demorado, e os modelos de IA atuais às vezes são imprecisos demais para serem úteis para cientistas e gestores da vida selvagem.

“Um dos maiores problemas no uso de IA na pesquisa da vida selvagem é a precisão limitada quando usamos o modelo para classificar imagens em um local novo — um que o modelo nunca ‘viu’ antes”, disse a coautora do estudo Christina Aiello, pesquisadora associada da Faculdade de Ciências Agrícolas da Universidade Estadual do Oregon.

“A abordagem que usamos melhorou a precisão em locais novos e não novos, e resultou em um modelo mais consistente e preciso em diversos locais.”

A pesquisa, liderada por Owen Okuley, aluno de graduação sob a orientação de Aiello no Departamento de Pesca, Vida Selvagem e Ciências da Conservação, foi publicada na Ecological Informatics . O estudo utilizou carneiros selvagens como espécie exemplo, mas o treinamento em IA descrito no artigo é amplamente aplicável, afirmam os cientistas.

“Owen está explorando maneiras de selecionar conjuntos de dados de treinamento para que possamos melhorar a precisão da IA ​​mais rapidamente, com menos dados, o que considero uma mudança muito necessária na forma como nossa área utiliza a IA”, disse Aiello. “Temos obtido o máximo possível de imagens de conveniência da vida selvagem para uso em treinamentos e, à medida que o número de imagens de treinamento aumenta, a maioria dos cientistas esperava que a precisão dos modelos de IA melhorasse.”

“Mas, em certo ponto, há melhorias mínimas à medida que mais dados são adicionados. Acho que precisamos ser mais seletivos com as informações que fornecemos a esses modelos para obter melhores resultados.”

Aiello, Okuley, o professor Clinton Epps, da OSU, e colaboradores descobriram que os melhores resultados de identificação resultaram da limitação do treinamento de um modelo de IA a uma espécie — em vez de a todas as espécies — e da inclusão de imagens capturadas em uma variedade de ambientes locais específicos do projeto. O modelo foi capaz de identificar carneiros selvagens de novos locais dentro de uma região com precisão semelhante à dos locais de treinamento quando as imagens incluíam variação de fundo suficiente.

“Ao restringir os objetivos e, ao mesmo tempo, garantir a variedade dos dados de treinamento, alcançamos quase 90% de precisão na identificação com uma pequena fração dos dados de treinamento — 10.000 imagens de treinamento — exigidos por modelos de IA com desempenho semelhante”, disse Okuley. “E menos imagens significa que um modelo requer menos poder computacional e menos energia, ambos benéficos para a vida selvagem que buscamos estudar.”

Okuley, que se formará em junho, e Aiello foram pareados pelo Programa de Mentoria de Graduação em Pesca e Vida Selvagem. Trabalhando no laboratório de Epps, Okuley aprendeu a gerenciar dados de armadilhas fotográficas e a pesquisar amostras genéticas de carneiros selvagens com um aluno de pós-graduação em uma base militar antes de liderar seu próprio projeto de pesquisa em IA.

“Ser capaz de encarar um projeto do início ao fim me permitiu crescer imensamente como cientista”, disse ele. “Consegui não só criar conexões fortes com meus coautores e mentores, mas também me envolver com aspectos da pesquisa que a maioria dos alunos de graduação nunca vê, como conceituação, elaboração de propostas e publicação.”

Okuley fará doutorado em ecologia e biologia ambiental na Universidade do Texas em El Paso, onde tentará criar um conjunto de programas de IA que classifiquem sequencialmente características específicas de aves aquáticas com o objetivo de identificar não apenas espécies individuais, mas também híbridos.

Pesquisadores da Universidade Johns Hopkins, do Departamento de Pesca e Vida Selvagem da Califórnia e do Serviço Nacional de Parques também participaram do estudo sobre carneiros selvagens.

Mais informações: Owen S. Okuley et al, Improving AI performance in wildlife monitoring through species and environment-specific training: A case study on desert Bighorn sheep, Ecological Informatics (2025). DOI: 10.1016/j.ecoinf.2025.103179

---

---