Inteligência artificial reduz tempo de rastreamento da vida selvagem de meses para dias

A inteligência artificial pode acelerar drasticamente o trabalho minucioso de rastreamento da vida selvagem com câmeras remotas, reduzindo o tempo de análise de meses, um ano para apenas dias.

Pela Universidade Estadual de Washington com informações de Phys.

Os resultados estão em um novo estudo liderado por pesquisadores da Universidade Estadual de Washington e do Google, publicado no Journal of Applied Ecology . A equipe testou se um sistema de IA totalmente automatizado poderia substituir humanos no processamento de centenas de milhares a milhões de imagens de armadilhas fotográficas coletadas em Washington, no Parque Nacional Glacier, em Montana, e na Reserva da Biosfera Maia, na Guatemala.

Eles descobriram que, para a maioria das espécies, os modelos construídos a partir de imagens identificadas por IA correspondiam de perto aos produzidos por especialistas humanos. Em medidas-chave, como onde os animais ocorrem e quais fatores ambientais os influenciam, os resultados coincidiram em aproximadamente 85 a 90% dos casos, com divergência limitada para espécies raras ou de difícil identificação.

As implicações podem ser significativas para a conservação. Um processamento mais rápido significa que pesquisadores e gestores da vida selvagem podem passar mais rapidamente da coleta de dados à tomada de decisões, possibilitando potencialmente o monitoramento quase em tempo real de espécies como onças-pintadas, lobos e ursos-pardos.

“Não estamos tentando substituir pessoas”, disse o ecologista de vida selvagem da WSU, Daniel Thornton, autor principal do estudo. “O objetivo é ajudar os pesquisadores a chegarem às respostas mais rapidamente para que possam tomar melhores decisões sobre o manejo e a conservação da vida selvagem.”

Tradicionalmente, esse processo tem sido lento e trabalhoso. As armadilhas fotográficas, que são câmeras ativadas por movimento instaladas em florestas e outros habitats, podem gerar conjuntos de dados enormes. Um único projeto pode produzir centenas de milhares ou até milhões de imagens que precisam ser analisadas para determinar quais espécies aparecem em cada quadro.

Mesmo com uma equipe de assistentes de graduação e um estudante de pós-graduação verificando as identificações, Thornton disse que o processo normalmente leva de seis a sete meses, e às vezes até um ano, antes que a análise possa começar.

Como a IA está mudando o funcionamento das armadilhas fotográficas

As primeiras ferramentas de IA ofereceram algum alívio ao filtrar imagens em branco, geralmente entre 60% e 70% do total, mas ainda exigiam que humanos revisassem dezenas de milhares de fotos contendo animais. O novo estudo testou se essa etapa humana final poderia ser eliminada.

Utilizando um modelo geral de IA chamado SpeciesNet, desenvolvido pelo Google, os pesquisadores processaram imagens em um fluxo de trabalho totalmente automatizado, sem revisão humana, e compararam os resultados com conjuntos de dados tradicionais rotulados por especialistas.

“A questão fundamental não era se a IA acertava todas as imagens”, disse Dan Morris, cientista pesquisador sênior do Google que ajudou a criar o SpeciesNet e é coautor do estudo. “Era se as conclusões ecológicas que nos interessam seriam basicamente as mesmas.”

Para a maioria das espécies, sim. Mesmo quando a IA cometia erros, como identificar animais incorretamente ou não detectar certos eventos, os modelos gerais permaneciam robustos porque os modelos de ocupação dependem de observações repetidas ao longo do tempo.

Na prática, a economia de tempo é drástica. O processamento totalmente automatizado agora pode ser concluído em apenas alguns dias, reduzindo um gargalo de meses para aproximadamente uma semana.

Essa eficiência pode ser transformadora, especialmente para grupos de conservação menores ou com poucos recursos. Também pode permitir que pesquisadores expandam seus esforços de monitoramento sem serem limitados pela capacidade de processamento de dados.

Benefícios, limitações e próximos passos

O projeto também contribuiu para a comunidade mais ampla de IA para conservação, disponibilizando parte de seu conjunto de dados publicamente, ajudando a apoiar ferramentas como o SpeciesNet, que dependem de dados compartilhados para melhorar.

Morris enfatizou que o estudo adota uma abordagem prática. Em vez de desenvolver novos algoritmos de IA, a equipe se concentrou no que as ferramentas atuais já podem fazer.

“Não estávamos tentando inventar um novo modelo”, disse ele. “Estávamos perguntando se, considerando o estágio atual da tecnologia, as pessoas podem confiar nela para os tipos de análises que já realizam.”

A resposta, pelo menos para muitas espécies comuns e modelos ecológicos padrão, parece ser sim.

Ainda existem limitações. A revisão humana é necessária para muitas outras aplicações de dados de armadilhas fotográficas, e este artigo abordou apenas um pequeno subconjunto de espécies que podem ser capturadas pelas câmeras. Por exemplo, espécies muito raras e facilmente confundidas ainda representam um problema para a detecção por IA. No entanto, as descobertas sugerem que, em alguns casos, o processamento de imagens não precisa mais ser uma grande limitação em estudos de armadilhas fotográficas em larga escala.

“A principal conclusão é que isso não precisa mais ser um gargalo”, disse Thornton. “Se pudermos processar os dados mais rapidamente, podemos responder mais rapidamente, e isso é o que realmente importa para a conservação.”

Detalhes da publicação:
Daniel Thornton et al, Identification of camera trap images by artificial intelligence and human experts produces similar multi‐species occupancy models, Journal of Applied Ecology (2026). DOI: 10.1111/1365-2664.70370

---

---