MIT apresenta sistema de visão computacional para contar peixes em projetos de ciência cidadã

O MIT Sea Grant, junto com o Woodwell Climate Research Center, CSAIL e outros parceiros, apresentou um sistema baseado em aprendizado profundo que conta peixes a partir de vídeo subaquático. A ideia não é substituir voluntários, mas preencher as lacunas na monitoração manual e obter dados mais precisos sobre migração.

Por Que a Contagem Manual é Limitada

A cada primavera, o arenque-fluvial retorna das águas costeiras de Massachusetts para rios e riachos, onde desovam em água doce. Nas últimas décadas, suas populações diminuíram drasticamente, por isso é importante para as agências de conservação e gerentes de pesca entender quantos peixes realmente passam pelos rios e quando isso acontece. O problema é que o monitoramento clássico geralmente se baseia em contagens visuais da margem e ajuda de voluntários, e essas observações fornecem apenas fragmentos curtos do quadro geral.

As abordagens manuais têm limitações rígidas. Voluntários geralmente trabalham durante o dia e não podem monitorar continuamente o fluxo de peixes, então os movimentos noturnos e as rápidas ondas de migração facilmente caem dos dados. Às vezes, centenas de indivíduos passam por uma seção de rio em minutos, e esses picos são difíceis de avaliar a olho nu. Métodos mais avançados como monitoramento acústico e sonar não funcionam em todos os lugares e custam mais, enquanto a revisão manual de vídeo subaquático permanece muito trabalhosa. É por isso que a equipe apostou na visão computacional como uma opção mais escalável.

Como Construíram o Modelo

Os pesquisadores construíram um pipeline completo: desde a instalação de câmeras subaquáticas em campo até a rotulagem de vídeos e treinamento do modelo. O vídeo foi coletado em três rios de Massachusetts — Coonamessett em Falmouth, Ipswich em Ipswich e Santuit em Mashpee. Esse design foi necessário não para uma demonstração bonita, mas para testar se o sistema poderia funcionar em condições reais, onde a iluminação, clareza da água, densidade de peixes, estação e hora do dia mudam constantemente.

• Câmeras subaquáticas capturaram migração em três rios diferentes
• O treinamento usou vídeo com iluminação, qualidade de água, espécies de peixes e densidade variáveis
• A equipe rotulou manualmente 1.435 clipes de vídeo e 59.850 quadros com caixas delimitadoras
• Os resultados do algoritmo foram comparados com revisão manual de vídeo, contagens de margem e dados de etiquetas PIT

Uma descoberta-chave provou ser bastante prática: os modelos treinados em dados diversos de múltiplos locais ao longo de vários anos funcionaram melhor. Essa abordagem forneceu estimativas sazonais detalhadas que corresponderam aos resultados do monitoramento tradicional. Em outras palavras, isso não é um protótipo de laboratório, mas um sistema capaz de fornecer contagens comparáveis às humanas, enquanto faz isso com resolução temporal mais alta.

O Que os Dados Mostraram

A parte mais interessante não é apenas automatizar a contagem, mas novas observações sobre o comportamento dos peixes. No vídeo de migração de 2024 do rio Coonamessett, o sistema contou 42.510 arenques-fluviais. A análise mostrou que o movimento montante atingiu pico ao amanhecer, enquanto o movimento jusante ocorreu principalmente à noite. Os pesquisadores atribuem isso aos peixes usarem períodos mais escuros e calmos para reduzir o risco de encontros com predadores. Para ecologistas, isso não é mais apenas um número, mas uma imagem mais rica da migração.

"Este trabalho melhorará as capacidades de monitoramento de pesca e avaliações de população para gerentes e grupos de conservação," diz

Robert Vincent do MIT Sea Grant.

Ao mesmo tempo, os autores afirmam diretamente que a contagem automática não deve imediatamente deslocar os métodos tradicionais. Registros de observação longa são importantes em si mesmos, e as agências precisam manter a comparabilidade dos dados enquanto os novos sistemas estão sendo totalmente implantados. Além disso, a ciência cidadã não desaparece aqui, mas muda seu papel: voluntários ainda são necessários para manutenção de câmeras, rotulagem de vídeo e validação de modelos. Combinado com visão computacional, isso cria um sistema de monitoramento ecológico mais completo do que cada abordagem sozinha.

O Que Isso Significa

Para AI, este é um bom exemplo de visão computacional saindo de demonstrações para tarefas de campo com benefício mensurável. Para ecologia, é uma maneira de fortalecer programas de voluntários, obter observação quase contínua e tomar decisões de conservação com base em dados mais densos e precisos. Se tais sistemas se tornarem generalizados, o monitoramento de espécies raras e migratórias poderia ser feito com mais frequência, mais barato e com menos perdas de qualidade.