Detección automatizada de especies en riesgo con inteligencia artificial
El aumento de la caza furtiva y la alteración de los ecosistemas naturales han puesto en riesgo a numerosas especies silvestres. En este contexto, el monitoreo de las poblaciones de animales, en particular de las especies pequeñas o camufladas, resulta esencial para su conservación. Sin embargo, los procesos tradicionales de identificación son costosos en términos de tiempo y recursos. En un trabajo publicado en los Proceedings of the Institute of Electrical and Electronics Engineers Biennial Congress of Argentina, Agustín Roca, Gabriel Torre, Juan Giribet, Gastón Castro e Ignacio Mas, investigadores del Laboratorio de Inteligencia Artificial y Robótica de la Universidad de San Andrés, junto a Leonardo Colombo (Universidad Politécnica de Madrid) y Javier Pereira (Museo Argentino de Ciencias Naturales “Bernardino Rivadavia” CONICET), desarrollaron un modelo de detección de objetos basado en inteligencia artificial para la identificación automatizada de especies en peligro de extinción. Utilizando imágenes capturadas por vehículos aéreos no tripulados en sus hábitats naturales, el estudio se focalizó en dos proyectos de conservación de Buenos Aires: Proyecto Pantano, centrado en el ciervo de los pantanos en el Delta del Paraná, y WiMoBo, enfocado en el venado de las pampas en el Parque Nacional Campos del Tuyú.
Los investigadores emplearon un modelo de detección de objetos de acceso público, pre-entrenado con una base de datos de objetos generales. Para ajustarlo a la identificación de ciervos, lo entrenaron con 1.410 imágenes seleccionadas de las 39.798 obtenidas por el Proyecto Pantano, algunas con ciervos y otras sin. Estas imágenes habían sido previamente analizadas por un equipo de cuatro científicos y 168 voluntarios que habían identificado 231 ciervos. Dicho proceso manual demoró varios meses, durante los cuales la población animal pudo haber experimentado variaciones significativas. Asimismo, dado que las imágenes analizadas representaban solo el 12% del área total del Delta, la extrapolación de los datos al resto del territorio pudo haber introducido posibles imprecisiones. Al aplicar el algoritmo entrenado al conjunto completo de imágenes, los investigadores lograron identificar 40 ciervos adicionales que habían pasado desapercibidos en la revisión manual. Además, pudieron procesar la totalidad de las 39.798 imágenes en solo 3 horas y 43 minutos, a una velocidad de casi tres imágenes por segundo.
Si bien la transferencia del modelo entrenado con las imágenes del Delta del Paraná para la detección del venado de las pampas presentó limitaciones, la transferencia de aprendizaje podría extenderse a otros ámbitos, sobre todo en tareas que involucren la detección de objetos pequeños. Además, los expertos consideran crucial comprender los factores que afectan la capacidad interpretativa de estos modelos—ya sea la calidad de la imagen, el enfoque o la obstrucción por elementos del entorno. Finalmente, Roca resalta el impacto positivo de la inteligencia artificial aplicada a causas ambientales y sociales, y subraya la accesibilidad del trabajo con imágenes. “En general, para trabajar con imágenes, no es necesario contar con equipos especializados, como drones o robots, ni conocimientos avanzados de mecánica. Existen muchas imágenes y bases de datos disponibles en Internet que pueden ser útiles para afrontar diversos problemas, además de modelos de inteligencia artificial de código abierto que no necesitan conocimientos avanzados para implementarse. En este estudio, empleamos una red preexistente, relativamente fácil de entrenar y aplicar, lo que abre la posibilidad de explorar diversos usos de la inteligencia artificial, más allá del entretenimiento o de proyectos comerciales”, argumenta el investigador de UdeSA.