O capim-dos-pampas, uma planta ornamental emplumada nativa da América do Sul, tem se espalhado muito além dos jardins, invadindo ecossistemas em todo o mundo. Em Portugal, esta erva tenaz tem expandido constantemente a sua distribuição, deslocando plantas nativas e perturbando habitats.
Manter o controle sobre a marcha incessante de plantas invasoras como o capim-dos-pampas é fundamental para proteger a biodiversidade, mas é mais fácil falar do que fazer. Os métodos tradicionais de monitorização, que dependem de pesquisas no terreno e de especialistas que identificam meticulosamente as plantas, são dispendiosos e morosos.
Mas e se pudéssemos crowdsourcing esta tarefa hercúlea, aproveitando os milhões de fotos de plantas compartilhadas nas redes sociais todos os dias? Ana Sofia Cardoso e colegas tentaram aproveitar o poder da inteligência artificial para vasculhar as redes sociais em busca de imagens da relva ofensiva.
Seus detetives de plantas com IA, treinados em fotos identificadas por especialistas em bancos de dados de ciência cidadã, provaram ser notavelmente hábeis em identificar a grama dos pampas em todos os tipos de imagens. Os resultados, publicados na revista Ecological Informatics, sugerem um novo paradigma para monitorizar a propagação de espécies invasoras: um paradigma que seja mais rápido, mais barato e mais escalável do que nunca.
Conheça os detetives de plantas com IA: um trio de modelos de aprendizado profundo com um olhar atento para a grama dos pampas.
Para treinar seus algoritmos para identificar com precisão essa planta invasora, a equipe de pesquisa começou alimentando-os com fotos habilmente rotuladas de plataformas de ciência cidadã como Invasoras.pt e INaturalista. Essas imagens, cuidadosamente anotadas por voluntários experientes, forneceram um padrão-ouro para a aparência do capim-dos-pampas na natureza.
A equipe testou três arquiteturas diferentes de aprendizado profundo: DenseNet201, R-CNN ResNet50 mais rápido e Início mais rápido do R-CNN-v2. O primeiro modelo, especialista em classificação, aprendeu a rotular as imagens como contendo capim-dos-pampas ou não. Os outros dois, modelos de detecção de objetos, deram um passo adiante ao aprender a desenhar caixas delimitadoras ao redor da planta em imagens.
Após um treinamento extensivo, os modelos foram testados em um novo conjunto de imagens de ciência cidadã. Os resultados foram impressionantes: os modelos de melhor desempenho, DenseNet201 e Faster R-CNN ResNet50, identificaram corretamente o capim-dos-pampas em mais de 94% das vezes. Quando os algoritmos cometiam erros, geralmente acontecia em imagens mais complicadas, onde a grama era pequena, desfocada ou no fundo.
Mas o verdadeiro desafio ainda estava por vir. Os pesquisadores queriam ver se seus detetives de plantas com IA conseguiam detectar a grama dos pampas “na natureza” – não em fotos selecionadas pela ciência cidadã, mas no fluxo não filtrado de imagens postadas nas redes sociais. Eles liberaram os algoritmos em centenas de imagens extraídas do Instagram, Flickr, Twitter e Facebook.
Notavelmente, os modelos se saíram bem, identificando corretamente a grama dos pampas em mais de três quartos das fotos nas redes sociais. A queda no desempenho, acreditam os pesquisadores, decorre da menor qualidade e resolução de muitas imagens de mídia social. Estes resultados sugerem que os modelos de aprendizagem profunda, treinados num conjunto relativamente pequeno de fotos, podem traduzir eficazmente essas aprendizagens para o mundo não estruturado das imagens das redes sociais.
Por que o Instagram?
Sites como o Instagram podem fornecer fotos em volume, mas uma foto por si só não é suficiente. O que torna uma foto compartilhada nas redes sociais tão útil são os dados que a acompanham. Muitas imagens compartilhadas em plataformas como Instagram e Flickr vêm com dados de localização incorporados, coordenadas de latitude e longitude que identificam exatamente onde a foto foi tirada. Ao extrair essas geomarcações de imagens sinalizadas como contendo capim-dos-pampas, os pesquisadores puderam mapear a distribuição da planta invasora com uma precisão sem precedentes.
A equipa concentrou os seus esforços em fotos publicadas entre 2019 e 2021, época de rápida expansão do capim-dos-pampas em Portugal. Como esperavam, os mapas gerados pela IA revelaram uma série de avistamentos de capim-dos-pampas anteriormente não documentados, especialmente nas regiões norte, costeira e sul do país.
A comparação das detecções georreferenciadas ano após ano revelou um quadro preocupante: a grama dos pampas estava em movimento, surgindo em novos locais e preenchendo sua área de distribuição a cada ano que passava. De apenas algumas detecções em 2019, a erva espalhou-se para mais do dobro do número de locais em 2021.
Embora as descobertas sejam preocupantes do ponto de vista da conservação, elas mostram o potencial desta abordagem alimentada pela IA e impulsionada pelas redes sociais para a monitorização de espécies invasoras. Ao revelar pontos críticos de capim-dos-pampas e rastrear a propagação da planta quase em tempo real, esses mapas podem ajudar a orientar a detecção precoce crítica e os esforços de resposta rápida.
A triagem de espécies de IA não é algo como Conservation-GPT
IA é a palavra da moda em 2024, mas a IA usada por Cardoso e colegas é muito diferente dos grandes modelos de linguagem, como Chat-GPT, que estão ganhando as manchetes. Cardoso e colegas enfatizam a importância da inteligência humana no sistema. As fotos do capim-dos-pampas usadas para treinar a IA são explicitamente identificadas usando a experiência da comunidade iNaturalist. Os pesquisadores também destacam algumas limitações.
Por um lado, os modelos de IA atualmente só são confiáveis na identificação da grama dos pampas quando ela está em plena floração. Durante outras fases do seu ciclo de vida, quando a planta não possui plumas distintas, pode ser difícil distingui-la de outras espécies de gramíneas. Isso significa que algumas populações de capim-dos-pampas, especialmente as mais jovens ou recentemente estabelecidas, podem passar despercebidas pelo radar da IA.
Os humanos também limitam a origem dos dados. As pessoas tendem a tirar e compartilhar fotos em determinadas áreas, como cidades, parques e atrações turísticas, mais do que em outras. Isto significa que os mapas gerados pela IA podem representar de forma exagerada as populações de capim-dos-pampas nestes locais populares, ao mesmo tempo que faltam avistamentos em áreas mais remotas ou menos frequentadas.
Para enfrentar esses desafios, os pesquisadores já estão trabalhando arduamente na versão 2.0 de seus detetives de plantas com IA. Eles estão explorando maneiras de treinar os modelos em um conjunto mais diversificado de imagens de capim-dos-pampas, mostrando a planta em diferentes estágios de vida e em uma variedade maior de habitats. Eles também estão procurando métodos para contabilizar e corrigir os preconceitos inerentes aos dados de mídia social com geo-tags.
Os investigadores sublinham que as suas ferramentas de IA se destinam a complementar, e não a substituir, a experiência dos ecologistas e conservacionistas humanos. Mas, ao automatizar certas tarefas tediosas ou demoradas, como examinar milhares de fotos, esses algoritmos poderiam liberar recursos humanos valiosos para se concentrarem em estratégias de alto nível e ações no terreno.
Existe também a possibilidade de estender esta abordagem a outras espécies invasoras, desde algas até mexilhões-zebra. Embora os detalhes sejam diferentes, a ideia central – usar dados de redes sociais e IA para mapear invasões em tempo real – poderia ser uma mudança de jogo no campo da ecologia de invasões.
Os pesquisadores alertam que há considerações éticas
Estas aplicações têm o potencial de apoiar a identificação de áreas prioritárias para esforços de erradicação, a alocação eficiente de recursos e a avaliação do sucesso das intervenções de gestão ao longo do tempo. Ainda assim, estamos também conscientes das potenciais barreiras na aceitabilidade e confiança na utilização de ferramentas de inteligência artificial e conteúdos gerados pelos utilizadores por estas organizações, especialmente no contexto de questões sociais como ética e justiça.
Cardoso et al. 2024
A questão ética é se é aceitável que os cientistas utilizem imagens públicas nas redes sociais. As imagens no iNaturalist são enviadas com o intuito de auxiliar pesquisas científicas. Imagens no Instagram ou em outros sites de mídia social são carregadas por vários motivos. O poder de usar esses sites é o grande número de imagens que podem ser digitalizadas. No entanto, este volume de dados também significa que é impraticável buscar consentimento ativo para todas as imagens. Podemos presumir que as pessoas não se opõem ao uso de suas fotos para rastrear espécies invasoras?
O veneno nesta suposição é que existem outras ferramentas que usam análise de fotos de IA para reconhecimento facial. Um desses sites tem links para notícias sobre como suas ferramentas pode ser usado para perseguição cibernética. É fácil perceber por que pode haver falta de confiança em tais sistemas. Por esta razão, Cardoso e colegas afirmam: “é essencial destacar a transparência e a justiça no fluxo de trabalho global adotado, abordando quaisquer preconceitos ou preocupações éticas associadas às aplicações de aprendizagem profunda e à utilização de dados pessoais”.
Se estas preocupações éticas puderem ser abordadas, então a digitalização de fotos poderá revelar-se uma ferramenta valiosa para combater espécies invasoras. Se agora
LEIA O ARTIGO:
Cardoso, AS, Malta-Pinto, E., Tabik, S., August, T., Roy, HE, Correia, R., Vicente, JR e Vaz, AS (2024) “A ciência cidadã e as imagens das redes sociais podem apoiar a detecção de novos locais de invasão? Um caso de teste de aprendizado profundo com Cortaderia Selloana," Informática Ecológica, (102602), p. 102602. Disponível em: https://doi.org/10.1016/j.ecoinf.2024.102602.
Imagem da capa: Capim-dos-pampas por JLPC/Wikimedia Commons.
Últimos Comentários