Contexto

Os números de ouriços europeus caíram cerca de 30 a 50 por cento na última década, provocando chamadas urgentes para melhores métodos de monitoramento. Pesquisas convencionais dependem de trabalho de campo noturno extensivo, equipamento especializado ou relatórios de cidadãos, todos os quais são caros e difíceis de escalar nacionalmente.

Abordagem de Pesquisa

Na Universidade de Cambridge, o pesquisador Gabriel Mahler e seus colegas Sadiq Jaffer, Anil Madhavapeddy e Shane Weisz mudaram o foco de rastrear os animais diretamente para detectar os trechos de silvas espinhosas que os ouriços usam para abrigo e forrageamento. Seu modelo de IA analisa imagens de satélite - especificamente dados dos satélites Sentinel da Agência Espacial Europeia - para localizar esses arbustos densos e espinhosos.

O modelo emprega técnicas de aprendizado de máquina relativamente simples, combinando regressão logística com classificação k-nearest-neighbors. Ele também integra embeddings de representação da Terra TESSERA, que processam os dados raw de satélite, e observações de verificação de solo provenientes do iNaturalist, uma plataforma de ciência cidadã.

Validação em Campo

Para testar a precisão do modelo, a equipe de pesquisa passou um dia caminhando em Cambridge equipada com smartphones e dispositivos GPS. Eles compararam as previsões de localização de silvas espinhosas da IA com o que observaram no campo. A caminhada confirmou que muitas das previsões do modelo coincidiam com trechos reais de silvas espinhosas, demonstrando que a detecção baseada em satélite pode identificar de forma confiável recursos-chave de habitat de ouriços.

Implicações para Conservação

Imagens de satélite oferecem cobertura contínua e ampla, tornando-se um complemento poderoso para métodos de pesquisa tradicionais. Se a IA puder consistentemente identificar habitats de silvas espinhosas, planejadores de conservação poderiam avaliar rapidamente a disponibilidade de habitats em grandes regiões sem a necessidade de trabalho de campo laborioso.

Essa abordagem também destaca o potencial de combinar modelos de aprendizado de máquina modestos com fontes de dados públicas disponíveis. Ao aproveitar ativos de satélite existentes e contribuições de ciência cidadã, pesquisadores podem criar ferramentas de baixo custo que apoiem o monitoramento de biodiversidade em larga escala e informem estratégias de proteção de habitats.

Usado: News Factory APP - descoberta e automação de notícias - ChatGPT para Empresas