Usando as imagens de satélite de mais alta resolução disponíveis atualmente – Worldview 3 – da Maxar Technologies e deep learning, (TensorFlow API, Google Brain), pesquisadores da Unidade de Conservação da Vida Selvagem (WildCRU) da Universidade de Oxford, no Reino Unido, e do Machine Learning Research Group detectaram elefantes do espaço com precisão comparável a capacidades de detecção humana.

Encontrar uma agulha em um palheiro é um desafio, mas contar elefantes do espaço parece ficção científica, mas é exatamente isso que uma equipe liderada por Isla Duporg da WildCRU conseguiu.

A população de elefantes africanos (Loxodonta africana) despencou no último século devido à caça furtiva, matança retaliatória por ataques a plantações e fragmentação do habitat. Para conservá-los, é necessário saber onde estão e quantos são: o monitoramento preciso é vital.

Os métodos existentes estão sujeitos a erros. Contagens imprecisas levam à má alocação de recursos de conservação escassos e tendências populacionais equivocadas.

Atualmente, a técnica de pesquisa mais comum para populações de elefantes em ambientes de savana é a contagem aérea de aeronaves tripuladas. Os observadores em levantamentos aéreos podem ficar exaustos, ser prejudicados por pouca visibilidade e, de outra forma, sucumbir a vieses, e os levantamentos aéreos podem ser caros e logisticamente desafiadores.

Técnica discreta

Detectar elefantes remotamente usando imagens de satélite e automatizar a detecção por meio de aprendizagem profunda fornece um novo método para inspecionar elefantes e também resolve vários desafios existentes. Os satélites podem coletar mais de 5.000 km² de imagens em uma passagem capturada em questão de minutos, eliminando o risco de contagem dupla. Pesquisas repetidas também são possíveis em intervalos curtos.

O monitoramento por satélite é uma técnica discreta que não requer presença no solo, eliminando assim o risco de espécies perturbadoras ou de preocupação com a segurança humana durante a coleta de dados. Áreas anteriormente inacessíveis tornam-se acessíveis, e áreas transfronteiriças – muitas vezes cruciais para o planejamento de conservação – podem ser pesquisadas sem a exigência de licenças terrestres demoradas.

Um dos desafios do uso do monitoramento por satélite é processar a enorme quantidade de imagens geradas. No entanto, automatizar a detecção significa que um processo que formalmente levaria meses pode ser concluído em questão de horas. Além disso, as máquinas são menos propensas a erros, falsos negativos e falsos positivos em algoritmos de aprendizado profundo são consistentes e podem ser retificados por modelos de melhoria sistemática – o mesmo não pode ser dito para humanos.

Alta precisão

Para desenvolver este novo método, a equipe criou um conjunto de dados de treinamento personalizado de mais de 1000 elefantes na África do Sul, que foi alimentado em uma Rede Neural Convolucional (CNN) e os resultados foram comparados ao desempenho humano. Os elefantes, ao que parece, podem ser detectados em imagens de satélite com uma precisão tão alta quanto a capacidade de detecção humana. Os resultados (conhecidos como pontuação F2) dos modelos CNN foram 0,78 em áreas heterogêneas e 0,73 em áreas homogêneas, em comparação com uma pontuação F2 de capacidade de detecção humana média de 0,77 em áreas heterogêneas e 0,80 em áreas homogêneas. O modelo pode até mesmo detectar elefantes em lugares distantes do local de dados de treinamento, mostrando a generalização do modelo. Tendo treinado a máquina apenas em adultos, ela foi capaz de identificar bezerros.

Os pesquisadores acreditam que isso demonstra o poder da tecnologia para servir à conservação: o sensoriamento remoto por satélite e as tecnologias de aprendizado profundo prometem a conservação desses mamíferos majestosos. As tecnologias de conservação abrem um novo mundo de possibilidades, a serem adotadas com a urgência necessária para a sexta extinção em massa e a situação global da biodiversidade.

O artigo ‘Usando imagens de satélite de alta resolução e aprendizagem profunda para detectar e contar elefantes africanos em paisagens heterogêneas’ foi publicado em “Remote Sensing in Ecology and Conservation”.