Nas densas florestas tropicais de África – as maiores depois da Amazónia – até um observador experiente pode ter dificuldade em ver animais. Eles podem ser particularmente discretos ou noturnos. Ou mesmo apenas raro. Este método, baseado exclusivamente em humanos, consome muito tempo e recursos. Portanto, hoje, as armadilhas fotográficas, ferramentas automatizadas, permitem manter um olhar furtivo no coração deste ambiente. Com eles surge outro problema: a colossal quantidade de dados acumulados por esse método. Fotos e vídeos precisam ser armazenados e usados.
“Para uma armadilha fotográfica, ao longo de uma semana na estação de pesquisa do Projeto Chimpanzé Sebitoli, no Parque Nacional Kibale, em Uganda, obtivemos uma média de 40 clipes de 30 segundos, o que exigiu 2 horas de análise por um membro da equipe.conta Hugo Magaldi, engenheiro pesquisador do Museu Nacional de História Natural (MNHN). Para toda a frota de armadilhas, obtemos cerca de 1.000 clipes por semana, ou 50 horas de trabalho para uma pessoa“.
Uma tarefa titânica. Para simplificar o processo, uma equipa internacional liderada pela professora Sabrina Krief e Hugo Magaldi (unidade de investigação em Eco-Antropologia, sob supervisão do CNRS, MNHN e Université Paris Cité), desenvolveu o DeepForestVision, uma poderosa ferramenta baseada em inteligência artificial e capaz de processar fotos e vídeos capturados por armadilhas fotográficas com uma precisão sem precedentes.
Um elefante identificado pelo algoritmo. Crédito: Projeto Chimpanzé Sebitoli / Sabrina Krief
Leia tambémO grande censo do mundo animal e vegetal
Um algoritmo treinado em mais de 2,7 milhões de fotos
O método de aprendizagem profunda já é capaz de extrair imagens, o nome das espécies observadas, identificar indivíduos ou descrever seu comportamento. Algoritmos chamados Zamba, Mbaza ou SpeciesNet podem desempenhar este papel para as florestas tropicais africanas. Porém, com algumas limitações. O primeiro só pode ser usado online, o que o torna inacessível no campo, o segundo perdeu desempenho porque a versão gratuita de código aberto foi abandonada e, finalmente, o SpeciesNet não foi formulado especificamente para as florestas tropicais africanas.
“Tínhamos três objetivos para que DeepForestVision é verdadeiramente útil para projetos de investigação e conservação: alto desempenho numa vasta gama de espécies; acessibilidade no terreno sem ligação à Internet e em qualquer computador e que seja open source, para que investigadores do Norte e do Sul possam apropriar-se dele e melhorá-lo de acordo com outras necessidades“, enumera Magaldi.
Este algoritmo foi treinado em mais de 2,7 milhões de fotografias e mais de 220.000 vídeos compilados a partir de armadilhas fotográficas posicionadas em mais de 63 locais de investigação em 11 países africanos.
Um gato dourado identificado pela DeepForestVision. Crédito: Projeto Chimpanzé Sebitoli / Sabrina Krief
Leia tambémDescoberta: leões rugem de duas maneiras diferentes
Um desempenho sem precedentes
De acordo com os resultados publicados em 15 de dezembro de 2025 na revista Soluções Ecológicas e Evidênciasé capaz de identificar 33 táxons de vertebrados não humanos, incluindo 31 táxons de mamíferos.dos mais comuns aos mais ameaçados“, garantem os pesquisadores. Ele também identifica humanos e veículos e tem precisão de 87,7% quando testado em vídeos. Segundo o estudo, “supera os três algoritmos de identificação de espécies existentes aplicáveis a estes ambientes: Zamba em 13,1%, Mbaza em 45,0% e SpeciesNet em 37,7%“.
Desempenho que pode ser melhorado no futuro alimentando o algoritmo com novos dados. “Isto irá melhorar o desempenho em espécies que são difíceis de reconhecer, seja porque são raramente observadas e, portanto, raramente vistas pela IA na sua fase de treino, ou porque se assemelham a outras espécies.“, explica o engenheiro pesquisador.
Um aumento de potência também é necessário porque embora a IA seja mais rápida que um observador experiente, ainda assim comete mais erros do que ele: cerca de 10% durante o teste, em comparação com 1% a 2% de erros de um observador. Não pode, portanto, substituir os humanos, mas sim assumir o seu trabalho. “Ao indicar quais previsões tem mais confiança e menos certeza, a IA permite que o observador verifique apenas previsões incertas para as espécies de interesse“, especifica Hugo Magaldi.
Um serval identificado pelo algoritmo. Crédito: Projeto Chimpanzé Sebitoli / Sabrina Krief
Saiba mais sobre a vida selvagem para melhor protegê-la
Identificar e estimar as populações animais num determinado ecossistema não é um capricho do biólogo. “A monitorização da biodiversidade animal nestes ambientes permite quantificar o impacto das pressões antropogénicas e, inversamente, das políticas de conservação (eficácia das áreas protegidas, por exemplo)“, diz o Sr. Magaldi. Permite, portanto, tomar decisões informadas e concretas no terreno. Além disso, com essas imagens os pesquisadores também podem detectar comportamentos específicos ou interações inesperadas entre espécies.
Tal algoritmo não fecha completamente a porta à sua utilização no combate à caça furtiva, mesmo que a aplicação possa revelar-se menos fácil do que parece. “O problema de implementar isto nas nossas áreas de investigação na floresta tropical africana advém da logística necessária: ligação das câmaras e do sistema de alerta em tempo real com um computador remoto, fonte de energia via painel solar e recursos humanos disponíveis para responder aos alertas, incluindo equipas de guardas-florestais.“, tempera o engenheiro pesquisador.
Entretanto, uma segunda versão do DeepForestVision já está em desenvolvimento, incluindo cerca de 30 classes de animais adicionais.