- Pesquisadores combinaram vídeo subaquático com visão computacional e aprendizado de máquina para contar arenídeos de rio, complementando a ciência cidadã.
- O estudo utilizou vídeos de três rios de Massachusetts (Coonamessett, Ipswich e Santuit) para treinar modelos capazes de detectar e rastrear peixes.
- Foram anotados 1.435 trechos de vídeo, totalizando 59.850 quadros, com variações de iluminação, clareza da água e densidade de peixes.
- O sistema automático apresentou contagens em alta resolução ao longo da temporada, comparáveis a métodos tradicionais e a dados de marcação PIT, além de oferecer insights sobre comportamento e padrões de migração.
- Em dados da migração de 2024 pelo rio Coonamessett, o pico ocorreu ao amanhecer e a migração para cima do rio foi predominantemente diurna, enquanto a migração para baixo foi noturna.
A ciência cidadã ganha apoio de visão computacional para monitorar peixes. Pesquisadores do MIT Sea Grant, em parceria com o Woodwell Climate Research Center e outras instituições, apresentam um sistema de aprendizado profundo para contar peixe no ambiente aquático. O estudo foi publicado em fevereiro na revista Remote Sensing in Ecology and Conservation.
A iniciativa combina vídeo subaquático com técnicas de visão computacional para complementar o trabalho de voluntários e de métodos tradicionais de contagem. O objetivo é melhorar a qualidade dos dados e a eficiência na identificação de escadas migratórias de peixes, especialmente na corrida anual de river herring.
O projeto reúne equipes do Woodwell Climate Research Center, MIT Sea Grant, MIT CSAIL, MIT Lincoln Laboratory e Intuit. Os pesquisadores destacados incluem Zhongqi Chen, Linda Deegan, Robert Vincent, Kevin Bennett, Sara Beery, Timm Haucke, Austin Powell e Lydia Zuehsow. A publicação descreve a aplicação prática da tecnologia para monitoramento de populações aquáticas.
Metodologia e dados de treino
Os pesquisadores criaram um pipeline completo que vai desde câmeras subaquáticas em campo até a rotulagem de vídeos e o treinamento de modelos. As imagens foram coletadas em três rios de Massachusetts: Coonamessett (Falmouth), Ipswich e Santuit (Mashpee).
Para treinar o modelo, foram selecionados trechos com variações de iluminação, visibilidade da água, densidade de peixes, horário do dia e sazonalidade. Um plataforma de código aberto foi usada para rotular os vídeos quadro a quadro, com caixas delimitadoras que acompanham o movimento dos peixes. Ao todo, 1.435 vídeos foram anotados, com 59.850 quadros.
Comparação com métodos tradicionais
A contagem gerada pelo modelo foi validada contra revisões manuais em vídeo, contagens visuais no acostamento do riacho e dados de PIT tagging. Modelos treinados com dados de múltiplos locais e anos mostraram melhor desempenho, gerando contagens sazonais com alta resolução e alinhadas a estimativas tradicionais.
Além da contagem, o sistema forneceu insights sobre comportamento de migração, tempos e padrões de movimentação, correlacionados a fatores ambientais. Usando vídeos da migração de 2024 no Coonamessett, o pipeline contou 42.510 águas-rio herring, revelando pico de migração a nascer do dia e maior ocorrência noturna na migração contrária, com peixes evitando períodos mais expostos.
Implicações para gestão e futuros passos
Os autores ressaltam que a visão computacional pode avançar o monitoramento aplicado à gestão pesqueira e oferecer um framework para integração com conservação de várias espécies aquáticas. O MIT Sea Grant apoia há tempos esse tema, contribuindo para aprimorar avaliações populacionais e capacitar estudantes, o público e grupos de ciência cidadã.
Apesar do avanço, a continuidade do monitoramento tradicional permanece essencial para manter a consistência de dados de longo prazo até que sistemas automatizados sejam totalmente implementados. Mesmo assim, visão computacional e ciência cidadã devem atuar de forma complementar, com voluntários ajudando na manutenção de câmeras e na verificação de modelos.
Entre na conversa da comunidade