Analisar rastos de animais na neve com visão computacional

Para uma explicação visual dos conceitos abordados neste artigo, assista ao vídeo abaixo.

A neve, tal como outras superfícies naturais, pode registar a atividade da fauna selvagem. Por exemplo, as pegadas deixadas na neve podem mostrar que animais passaram por determinado local, como se deslocaram e o que estavam a fazer.

Há décadas que caminhantes, caçadores e investigadores estudam estas pegadas para saber mais sobre o comportamento dos animais selvagens. Mas o processo nem sempre é fiável. A neve pode deslocar-se, o vento pode desfocar os detalhes e as pegadas sobrepostas podem dificultar a identificação. Até observadores experientes podem não detetar padrões importantes.

Fig. 1. Pegadas de leopardo preservadas na neve fresca. (Fonte)

Os avanços tecnológicos estão agora a facilitar a interpretação destes sinais. Em particular, a visão computacional, um ramo da IA que permite às máquinas analisar dados visuais com precisão e rapidez, pode ser utilizada para detetar e compreender pegadas de animais. Por exemplo, modelos como o Ultralytics YOLO11 podem ser treinados para detetar formas e padrões em imagens de pegadas de animais.

Neste artigo, vamos explorar como as pegadas de animais são preservadas na neve, o que revelam sobre a fauna selvagem e como a visão computacional está a tornar o rastreamento mais eficiente.

A importância das pegadas de animais na neve#

As pegadas de animais são impressões deixadas à medida que os animais se deslocam por superfícies como neve, solo ou lama. Nas condições certas de neve, estas pegadas preservam frequentemente detalhes mais nítidos, como marcas de garras, almofadas digitais e as diferenças entre as patas dianteiras e traseiras, que são mais difíceis de detetar na terra ou na relva.

Fig. 2. Pegadas de animais em diferentes superfícies. (Fonte)

Além de identificarem espécies, o espaçamento, a disposição e as variações subtis das pegadas podem dizer muito aos investigadores sobre o movimento, o comportamento e as interações com o ambiente, fornecendo informações valiosas sobre a atividade animal a investigadores, caminhantes e entusiastas da fauna selvagem.

Eis algumas das principais características que os investigadores procuram ao analisar pegadas:

• Patas dianteiras vs. traseiras: As diferenças de tamanho e forma entre as patas dianteiras e traseiras refletem a forma como um animal distribui o seu peso e se desloca no ambiente.
• Pegadas de patas ou de animais: O contorno geral e o tamanho de uma pegada ajudam a identificar que espécie deixou o rasto.
• Marcas de garras: As pegadas de canídeos, como coiotes, raposas e cães, geralmente mostram impressões de garras, enquanto as pegadas de felinos, incluindo linces, gatos domésticos e pumas, normalmente não as apresentam, exceto quando o animal está a correr ou a deslocar-se em terreno escorregadio.
• Padrão das pegadas: A disposição das pegadas pode revelar o comportamento animal, sendo que coiotes e raposas deixam frequentemente rastos em linha reta, enquanto os cães domésticos tendem a deslocar-se num percurso ziguezagueante.
• Largura do passo e linhas de arrasto: A distância entre as pegadas esquerda e direita (largura do passo) varia consoante a espécie e o tipo de marcha, e as alterações nessa distância podem sugerir a velocidade de deslocação ou cautela, enquanto as linhas de arrasto deixadas por caudas, barrigas ou presas fornecem pistas adicionais sobre a atividade.

Identificar pegadas de animais na neve#

Cada pegada na neve conta uma parte da história de um animal. O tamanho e a forma de cada impressão, as diferenças entre as patas dianteiras e traseiras e a presença ou ausência de marcas de garras podem revelar a espécie, o tipo de marcha e a distribuição do peso. Por exemplo, raposas e coiotes deixam frequentemente impressões de garras visíveis, enquanto linces e pumas normalmente não.

As pegadas raramente aparecem isoladas. Pistas como excrementos, tufos de pelo, marcas de arrasto da cauda ou entradas de tocas próximas acrescentam frequentemente contexto importante. Como as condições da neve e os rastos sobrepostos podem desfocar os detalhes, os rastreadores baseiam-se em vários sinais em conjunto para obter uma imagem mais clara. A forma como as pegadas estão dispostas na neve é especialmente útil, pois mostra não só para onde um animal foi, mas também como se deslocava e se comportava.

Eis alguns padrões comuns de pegadas de animais encontrados na neve:

• Saltadores: Os coelhos e as lebres-das-neves impulsionam-se com as fortes patas traseiras, deixando grandes pegadas traseiras à frente de pegadas dianteiras menores. Em neve profunda, as lebres-das-neves deixam rastos especialmente longos.
• Aos saltos: Doninhas, martas, visons e ratos-almiscarados saltam para a frente com as patas dianteiras e traseiras juntas, formando um padrão repetido de dois por dois.
• Caminhantes: Guaxinins, doninhas-fedorentas, castores, porcos-espinhos e ursos-negros deslocam-se lentamente, deixando pegadas largas com marcas de garras visíveis.
• Passo perfeito: As raposas e os coiotes colocam as patas traseiras quase no mesmo local onde pousaram as patas dianteiras, criando linhas retas. Os coiotes tendem a deslocar-se por trajetos diretos, enquanto os cães domésticos vagueiam em ziguezague.

Desafios na interpretação de pegadas de animais na neve#

Apesar das várias pistas relacionadas com as pegadas, rastrear animais na neve pode continuar a ser complexo. As condições da neve afetam o aspeto das pegadas: a neve fresca preserva os detalhes, enquanto a neve endurecida, derretida ou recém-caída pode deformar ou cobrir os rastos.

O clima também desempenha um papel, pois o vento e a luz solar podem desfocar as margens, e os caminhos sobrepostos de vários animais podem gerar confusão. Além disso, o comportamento animal contribui para a imprevisibilidade.

Algumas espécies, como as doninhas-fedorentas e os ursos-negros, hibernam no inverno, enquanto outras se deslocam de forma errática ou refazem os seus rastos. Entretanto, nas florestas, as pegadas de veados, alces ou cervos frequentemente se cruzam com as de animais mais pequenos ou predadores, e sinais adicionais como excrementos, pelo ou marcas de arrasto da cauda são utilizados para compreender o movimento e o comportamento.

Como a visão computacional pode ser utilizada para detetar pegadas de animais#

Para enfrentar os desafios da análise de pegadas de animais na neve, os investigadores estão a começar a recorrer a tecnologias de ponta, como a visão computacional. Por exemplo, estão a explorar modelos de visão computacional capazes de detetar e localizar pegadas individuais, separar rastos sobrepostos e até ser treinados com conjuntos de dados personalizados para reconhecer características específicas de cada espécie, como marcas de garras e padrões de marcha.

Especificamente, modelos como o Ultralytics YOLO11 suportam tarefas de visão computacional, como a deteção de objetos, que pode ser utilizada para identificar e localizar pegadas individuais, e a segmentação de instâncias, que pode separar rastos sobrepostos. Ao treinar um modelo como o YOLO11 com um conjunto de dados personalizado de pegadas de animais, os investigadores podem facilitar o reconhecimento de padrões específicos de cada espécie, distinguir rastos sobrepostos e gerar resultados mais consistentes do que através da observação manual.

A visão computacional e a investigação sobre a análise de pegadas de animais#

Agora que vimos como a visão computacional pode rastrear pegadas de animais, vamos analisar como esta tecnologia está a ser aplicada na investigação do mundo real.

Da FIT aos conjuntos de dados abertos#

Durante anos, a maioria dos estudos sobre pegadas baseou-se na Tecnologia de Identificação de Pegadas (FIT). A FIT funciona através da marcação de pontos específicos em cada pegada e da utilização dessas medições para distinguir os animais. Embora seja eficaz, o processo é lento, requer especialistas formados e não é prático quando se pretende analisar milhares de rastos na natureza.

Um estudo recente sobre tigres-de-amur no nordeste da China demonstrou que a FIT pode até identificar indivíduos através de pegadas na neve, oferecendo uma forma fiável e não invasiva de monitorizar predadores ameaçados.

Fig. 3. Pegadas de tigre na neve. (Fonte: sciencedirect.com)

No entanto, os investigadores também destacaram as suas limitações: é um processo trabalhoso e difícil de escalar. Importa salientar que observaram que a visão computacional poderia automatizar este processo no futuro, reduzindo a necessidade de medições manuais e processando simultaneamente conjuntos de dados muito maiores.

Essa mudança já está a começar com projetos como o OpenAnimalTracks, um conjunto de dados público que contém milhares de pegadas etiquetadas de 18 espécies em lama, areia e neve. Com recursos como este, os modelos de IA para visão podem ser treinados para detetar e classificar automaticamente pegadas, tornando a monitorização da fauna selvagem mais rápida e acessível.

Fig. 4. Uma análise do conjunto de dados OpenAnimalTracks (Fonte)

Ao desenvolver-se com base nos fundamentos da FIT e combiná-los com conjuntos de dados abertos e visão computacional, a investigação de conservação está a avançar para sistemas escaláveis capazes de rastrear espécies e proteger ecossistemas — sem nunca perturbar os próprios animais.

Principais conclusões#

As pegadas de animais na neve mostram como os animais se deslocam, comportam e utilizam os seus habitats. Interpretá-las manualmente requer paciência e experiência, mas a visão computacional torna o processo mais eficiente. A utilização de ferramentas como o Ultralytics YOLO11 em conjunto com o conhecimento humano torna a monitorização da fauna selvagem mais simples, contribui para os esforços de conservação e fornece dados úteis para proteger as espécies.

Junta-te à nossa comunidade! Explora o nosso repositório do GitHub para saberes mais sobre IA. Descobre a visão computacional na indústria transformadora e a IA na logística visitando as nossas páginas de soluções. Para começares a criar com visão computacional, consulta as nossas opções de licenciamento.