Tradicionalmente, quando os pesquisadores queriam saber o número de flores disponíveis para os polinizadores em um determinado local, eles tinham que ir ao campo e fazer um inventário. Embora tais esforços sejam extremamente valiosos, eles consomem muito tempo e são desafiadores de implementar em larga escala. Para lidar com isso, Sookhan e colaboradores desenvolveram um sistema de computador automatizado que poderia identificar diferentes espécies de flores silvestres a partir de fotos aéreas, potencialmente facilitando o monitoramento de habitats importantes de polinizadores.
A equipe voou drones em diferentes alturas sobre prados, tirando milhares de fotos sobrepostas que foram costuradas em mapas detalhados. Então, um programa de inteligência artificial especialmente treinado analisou esses mapas para localizar e classificar flores por suas cores e formas.
O sistema automatizado de Sookhan e colaboradores provou ser altamente preciso na identificação de flores, particularmente as varas-de-ouro amarelas (Solidago), que foram localizadas corretamente 82% das vezes. Outras flores, como ásteres brancos e roxos (Symphyotrichum), também foram bem identificadas, tornando o método confiável para o levantamento rápido de grandes áreas.
Este novo método de drone pode pesquisar áreas muito maiores em menos tempo, ajudando a rastrear mudanças em populações de flores e monitorar melhor os habitats dos polinizadores. Notavelmente, esta metodologia emprega drones de nível de consumidor, sugerindo um alto potencial de replicabilidade em outras áreas.
Sookhan, N., Sookhan, S., Grewal, D., & MacIvor, JS (2024). Automatizando levantamentos florais de campo com aprendizado de máquina. Ecological Solutions and Evidence, 5(1), e12393. https://doi.org/10.1002/2688-8319.12393 (OA)
Postagem cruzada para Bluesky, Mastodonte & Tópicos.
