Visão computacional para monitoramento de espécies de abutres na África
Solução completa
Detecção de abutre-de-dorso-branco com Declas
Stanislas Mahussi Gandaho
Essa solução baseada em IA apoia as Metas 17 e 20 da Estrutura Global de Biodiversidade (GBF), aproveitando a biotecnologia para fortalecer o monitoramento de espécies e promover a transferência de tecnologia para a conservação da biodiversidade. Usando um modelo de aprendizagem profunda, o "You Only Look Once version 11" (YOLOv11), ele automatiza a identificação e a análise de abutres criticamente ameaçados de extinção(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) em dados de drones e armadilhas fotográficas. Os dados da African Parks Network (APN), da Southern African Wildlife College (SAWC), da Endangered Wildlife Trust (EWT), de plataformas como a iNaturalist e do GBIF servirão para treinar e validar o modelo.
O projeto enfrenta desafios como monitoramento intensivo de mão de obra e lacunas de dados. Seu design de código aberto promove a acessibilidade, a colaboração e o desenvolvimento de capacidades nas redes de conservação africanas, abordando diretamente as lacunas nos sistemas de monitoramento e dados de biodiversidade.
Última atualização: 31 Oct 2025
112 Visualizações
Galeria de fotos e vídeos
Contexto
Desafios enfrentados
Ambientalmente, a solução combate o declínio populacional ao permitir o monitoramento preciso de abutres criticamente ameaçados de extinção. Isso auxilia na conservação direcionada e ajuda a proteger sua função ecológica como necrófagos, essencial para evitar a disseminação de doenças e manter a saúde do ecossistema (Den Heever et al., 2021). Socialmente, nossa solução visa a monitorar os abutres de forma eficaz com armadilhas fotográficas (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), uma vez que o monitoramento tradicional usando armadilhas fotográficas continua sendo um desafio (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Ele aborda a falta de conscientização sobre a importância dos abutres ao gerar dados para apoiar campanhas educacionais e oferece uma ferramenta acessível e de código aberto que capacita conservacionistas com recursos limitados. Do ponto de vista econômico, reduz os altos custos do monitoramento tradicional, que depende de pesquisas com uso intensivo de mão de obra.
Localização
Benin
África do Sul
África Ocidental e Central
Norte da África
Leste e Sul da África
Processar
Resumo do processo
O sucesso dessa solução integrada depende de como seus componentes se reforçam mutuamente: A coleta de dados e o desenvolvimento de IA (Bloco 1) fornecem a base de dados de treinamento de modelos de alta qualidade que alimentam a ferramenta de monitoramento Declas (Bloco 2), garantindo a detecção precisa de espécies. Essa capacidade tecnológica permite que o programa de capacitação e defesa (Bloco 3) transfira efetivamente as habilidades para os profissionais de conservação. As redes de parceiros locais ampliam esse impacto, facilitando a coleta de dados e a participação no treinamento dos beneficiários, enquanto o suporte pós-treinamento garante a adoção sustentada da ferramenta.
Blocos de construção
Modelo de reconhecimento de espécies de abutres com tecnologia de IA
O componente básico visa automatizar o monitoramento de abutres por meio do desenvolvimento de um modelo para detectar e classificar quatro espécies de abutres(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) a partir de dados visuais, reduzindo o esforço manual, acelerando a análise e garantindo a consistência. Ele aproveita o Google Colab Pro+ para executar o código Python e treinar o modelo em grandes conjuntos de dados de imagens, utilizando o pacote Ultralytics com YOLOv11 para classificação de abutres. As imagens são armazenadas em um Google Drive de 2 TB, obtidas do banco de dados iNaturalist por meio do pacote rinat R e complementadas por dados do Southern African Wildlife College e do Endangered Wildlife Trust. O plano da equipe da Computer Vision Annotation Tool (CVAT) possibilita a anotação colaborativa de imagens, permitindo que vários usuários rotulem e exportem imagens com anotações para treinamento e validação.
Fatores facilitadores
- Um conjunto de dados anotados e de alta qualidade com diversas imagens que representam as espécies-alvo em diferentes ambientes e condições.
- Acesso a recursos computacionais (Google Colab Pro+) para treinamento e validação do modelo de IA.
- Colaboração com conservacionistas para validar os resultados do modelo em condições de campo.
Lição aprendida
- Assegure-se de que o conjunto de dados seja representativo das condições do mundo real para evitar distorções na detecção (por exemplo, iluminação, ângulos, habitats).
- Atualizações regulares do modelo com novos dados melhoram a precisão e a adaptabilidade.
- Os desafios incluem classificações errôneas devido à sobreposição de características de espécies; é essencial que especialistas validem os resultados iniciais.
Recursos
Software de código aberto para monitoramento de abutres
Esse componente básico aproveita o Declas, uma ferramenta de IA de código aberto, para automatizar o monitoramento de abutres. Ao analisar imagens ou vídeos, ele detecta e classifica as espécies com alta precisão. O sistema elimina a contagem manual, permitindo o rastreamento da vida selvagem de forma escalonável e econômica. Os usuários - pesquisadores, guardas florestais ou conservacionistas - simplesmente carregam dados visuais, e a ferramenta gera insights em tempo real para a tomada de decisões informadas. Criado com base no YOLOv11 (Ultralytics) e treinado com dados de crowdsourcing.
Fatores facilitadores
- Uma interface de usuário simples e intuitiva para garantir a acessibilidade de usuários não técnicos.
- Documentação e recursos de treinamento para que os usuários compreendam e utilizem o aplicativo de forma eficaz.
- Feedback da comunidade para aprimorar continuamente a usabilidade e os recursos da ferramenta.
Lição aprendida
- A usabilidade é fundamental; as interfaces excessivamente complexas desestimulam os usuários.
- Oferecer suporte técnico e documentação clara garante uma adoção mais ampla.
- Os desafios de integração incluíram o alinhamento da saída do modelo de IA com ferramentas de visualização fáceis de usar; testes iterativos foram essenciais para resolver isso.
Recursos
Treinamento híbrido e defesa da conservação
Esse bloco de construção oferece treinamento prático para pesquisadores e conservacionistas em Benin e na África do Sul (off-line) e globalmente (on-line via Zoom) sobre o uso do Declas. As sessões abrangem:
- Uso do software: Carregamento de dados, interpretação de resultados gerados por IA e integração de descobertas em estratégias de conservação.
- Defesa da conservação: Aumentar a conscientização sobre o declínio dos abutres e o papel da IA no monitoramento escalonável.
Os trainees aprenderão a implementar o Declas em pesquisas de campo, reduzindo a dependência de contagens manuais e melhorando a precisão dos dados. A abordagem híbrida garante ampla acessibilidade, capacitando equipes locais com tecnologia econômica.
Fatores facilitadores
- Internet e energia confiáveis para sessões on-line/off-line.
- Suporte de parceiros locais para logística e engajamento.
- Preparação pré-treinamento (materiais, configuração de software).
Impactos
O projeto demonstrou impactos positivos significativos nas dimensões ambiental, social e econômica.
Impactos ambientais
O modelo alimentado por IA foi testado nas florestas de Sota, Trois Rivières e Alibori Supérieur (Benin) e nas reservas de Kempiana e Manyeleti (África do Sul). Nesses locais, ele identificou com precisão o Gyps africanus em mais de 89% das imagens analisadas, confirmando sua presença nesses ecossistemas. Em Benin, detectou uma abundância 15% maior do que em pesquisas manuais anteriores, ressaltando sua eficácia no fornecimento de dados confiáveis para o monitoramento de populações de abutres. Ao identificar padrões de atividade diária de pico, ajudou a refinar as estratégias de conservação, como garantir a disponibilidade de carcaças durante os horários de pico de alimentação.
Impactos sociais
O software Declas já foi baixado mais de 90 vezes desde seu lançamento há 4 meses (https://zenodo.org/records/14166440) sem promoção ou treinamento híbrido.
Impactos econômicos
A ferramenta reduziu significativamente os custos de monitoramento em 40%, economizando recursos anteriormente gastos em pesquisas pós-campo com armadilhas fotográficas. A proteção dos abutres beneficiou indiretamente as economias locais.
Beneficiários
As organizações de conservação, os pesquisadores e as comunidades locais da África se beneficiaram com o aprimoramento do monitoramento de espécies, o aumento do acesso aos dados, a capacitação e o fortalecimento dos resultados de conservação de abutres criticamente ameaçados de extinção.
Além disso, explique o potencial de escalabilidade de sua solução. Ela pode ser replicada ou expandida para outras regiões ou ecossistemas?
A solução tem um forte potencial de escalabilidade e pode ser replicada em outras regiões ou ecossistemas em todo o mundo. O modelo de IA pode ser retreinado com dados locais para monitorar diferentes espécies, enquanto o aplicativo de código aberto garante acessibilidade para diversas equipes de conservação. Por exemplo, ele pode ser expandido para monitorar espécies de necrófagos na Ásia ou na América Latina, ou até mesmo outras espécies-chave, como predadores ou polinizadores. Ao aproveitar as parcerias com redes globais de conservação, a solução pode integrar conjuntos de dados de várias regiões para aumentar sua adaptabilidade. Com ajustes mínimos, ela também pode ser aplicada a diferentes ecossistemas, de savanas a zonas temperadas, desde que haja dados de imagem relevantes e anotações de espécies disponíveis. A relação custo-benefício e o design fácil de usar o tornam acessível para equipes com recursos limitados, possibilitando ainda mais a adoção generalizada.
Estrutura Global de Biodiversidade (GBF)
Meta 17 da GBF - Fortalecer a biossegurança e distribuir os benefícios da biotecnologia
Meta 20 do GBF - Fortalecer a capacitação, a transferência de tecnologia e a cooperação científica e técnica para a biodiversidade
Objetivos de Desenvolvimento Sustentável
ODS 3 - Boa saúde e bem-estar
ODS 9 - Indústria, inovação e infraestrutura
ODS 15 - Vida na terra
ODS 17 - Parcerias para os objetivos
História
No coração do Sota, em Benin, um jovem conservacionista chamado Ange estava em frente a uma armadilha fotográfica, maravilhado com a visão dos abutres capturados no quadro. Esses abutres não eram apenas parte da vida selvagem do parque; eles eram um indicador da saúde do ecossistema do parque e eram vitais para as comunidades vizinhas. Mas, apesar de sua importância, os abutres, especialmente o Gyps africanus, que está em perigo crítico de extinção, enfrentavam ameaças enormes de envenenamento, perda de habitat e falta de monitoramento adequado.
Ange estava envolvido há muito tempo com a conservação da vida selvagem, mas achava frustrante rastrear espécies como os abutres usando métodos ultrapassados e trabalhosos. As pesquisas geralmente eram esporádicas e até mesmo conservacionistas experientes tinham dificuldades com a demorada tarefa de identificação manual das espécies de abutres. A necessidade de uma forma mais eficiente e precisa de monitorar essas aves era evidente, mas não estava claro como dar esse salto. Isso foi até Ange conhecer a nossa solução. Ele ficou intrigado e viu em primeira mão como os recursos limitados muitas vezes impediam o monitoramento eficaz, e essa parecia ser a maneira perfeita de garantir dados mais precisos e em tempo real.
Ange e sua equipe começaram a usar a ferramenta no Sota. Nos primeiros meses, eles perceberam uma mudança drástica na forma como operavam. A ferramenta não apenas identificou os abutres com precisão, mas também ajudou a rastrear sua atividade diária e a densidade populacional. Nas reservas de Kempiana e Manyeleti, na África do Sul, onde o modelo também foi testado, os resultados foram igualmente transformadores. Os pesquisadores agora podiam avaliar rapidamente a presença e o comportamento dos abutres sem precisar de horas de trabalho de campo.
O impacto no trabalho de Aminata foi profundo. Ela não estava mais limitada pelas restrições dos métodos tradicionais. Em vez disso, ela agora tinha acesso a uma ferramenta de monitoramento robusta, dimensionável e eficiente que não só apoiava a conservação dos abutres, mas também contribuía para a sustentabilidade de longo prazo dos ecossistemas na África. A história de sucesso de Aminata é uma prova do poder da inovação na conservação. Ela mostra como a fusão de tecnologia e conhecimento especializado local pode criar mudanças reais na proteção de espécies vulneráveis e garantir a saúde do nosso planeta.
