A cada primavera, as populações de arenque-do-rio migram das águas costeiras de Massachusetts para iniciar sua jornada anual rio acima, em direção aos habitats de desova em água doce. O arenque-do-rio sofreu um declínio populacional severo nas últimas décadas, e sua migração é amplamente monitorada em toda a região, principalmente por meio de contagem visual tradicional e programas baseados em voluntariado. 

Monitorar o movimento dos peixes e compreender a dinâmica populacional é essencial para orientar os esforços de conservação e apoiar a gestão da pesca. Com o início da migração anual do arenque neste mês, pesquisadores e gestores de recursos enfrentam novamente o desafio de contar e estimar a população de peixes migratórios com a maior precisão possível. 

Uma equipe de pesquisadores do Woodwell Climate Research Center, do MIT Sea Grant, do MIT Computer Science and Artificial Intelligence Lab (CSAIL), do MIT Lincoln Laboratory e da Intuit explorou um novo método de monitoramento usando vídeo subaquático e visão computacional para complementar os esforços da ciência cidadã. Os pesquisadores — Zhongqi Chen e Linda Deegan do Woodwell Climate Research Center, Robert Vincent e Kevin Bennett do MIT Sea Grant, Sara Beery e Timm Haucke do MIT CSAIL, Austin Powell da Intuit e Lydia Zuehsow do MIT Lincoln Laboratory — publicaram um artigo descrevendo este trabalho na revista  Remote Sensing in Ecology and Conservation em fevereiro deste ano. 

O artigo de acesso aberto, “ De instantâneos a estimativas contínuas: Aumentando a ciência cidadã com visão computacional para monitoramento de peixes ”, descreve como os recentes avanços em visão computacional e aprendizado profundo, desde detecção e rastreamento de objetos até classificação de espécies, oferecem soluções promissoras no mundo real para automatizar a contagem de peixes com maior eficiência e qualidade de dados. 

Os métodos tradicionais de monitoramento são limitados pelo tempo, pelas condições ambientais e pela intensidade do trabalho. As contagens visuais realizadas por voluntários restringem-se a breves períodos de amostragem diurna, não registrando movimentos noturnos e curtos pulsos migratórios, quando centenas de peixes passam em poucos minutos. Embora tecnologias como o monitoramento acústico passivo e o sonar de imagem tenham possibilitado o monitoramento contínuo de peixes em determinadas condições, a opção mais promissora e de baixo custo — a análise manual de vídeos subaquáticos — ainda é trabalhosa e demorada. Diante da crescente demanda por soluções automatizadas de processamento de vídeo, este estudo apresenta um sistema baseado em aprendizado profundo, escalável, econômico e eficiente, para o monitoramento automatizado e confiável de peixes. 

A equipe construiu um sistema completo — desde câmeras subaquáticas em campo até a rotulagem de vídeos e o treinamento de modelos — para realizar a contagem automatizada de peixes com o auxílio de visão computacional. Os vídeos foram coletados em três rios de Massachusetts: o rio Coonamessett em Falmouth, o rio Ipswich (em Ipswich) e o rio Santuit em Mashpee. 

Para preparar o conjunto de dados de treinamento, a equipe selecionou videoclipes com variações de iluminação, transparência da água, espécies e densidade de peixes, horário do dia e estação do ano, para garantir que o modelo de visão computacional funcionasse de forma confiável em diversos cenários do mundo real. Eles utilizaram uma plataforma web de código aberto para rotular manualmente os vídeos quadro a quadro com caixas delimitadoras para rastrear o movimento dos peixes. No total, rotularam 1.435 videoclipes e anotaram 59.850 quadros. 

Os pesquisadores compararam e validaram as contagens de visão computacional com revisões de vídeo feitas por humanos, contagens visuais nas margens dos rios e dados de marcação com transponders passivos integrados (PIT). Eles concluíram que os modelos treinados com dados diversificados de múltiplos locais e anos apresentaram o melhor desempenho e produziram contagens de alta resolução ao longo da temporada, consistentes com as estimativas tradicionalmente estabelecidas. Indo além, o sistema forneceu informações sobre o comportamento migratório, o momento e os padrões de movimento relacionados a fatores ambientais. Usando vídeos da migração de 2024 no rio Coonamesset, o sistema contabilizou 42.510 arenques-do-rio e revelou que a migração rio acima atingiu o pico ao amanhecer, enquanto a migração rio abaixo foi predominantemente noturna, com os peixes utilizando períodos mais escuros e silenciosos para evitar predadores.

Com essa aplicação prática, os pesquisadores visam aprimorar a visão computacional na gestão pesqueira e fornecer uma estrutura e melhores práticas para integrar a tecnologia aos esforços de conservação de uma ampla gama de espécies aquáticas. “O MIT Sea Grant vem financiando pesquisas sobre esse tema há algum tempo, e este excelente trabalho de Zhongqi Chen e seus colegas aprimorará as capacidades de monitoramento da pesca e melhorará as avaliações populacionais de peixes para gestores pesqueiros e grupos de conservação”, afirma Vincent. “Também proporcionará educação e treinamento para estudantes, o público em geral e grupos de ciência cidadã, em apoio às populações de arenque-do-rio, ecologicamente e culturalmente importantes, ao longo de nossas costas.”

Ainda assim, o monitoramento tradicional contínuo é essencial para manter a consistência dos conjuntos de dados a longo prazo até que as agências de gestão pesqueira implementem totalmente os sistemas automatizados de contagem. Mesmo assim, a visão computacional e a ciência cidadã devem ser vistas como complementares. Voluntários serão necessários para a manutenção das câmeras e para contribuir diretamente com o fluxo de trabalho de visão computacional, desde a anotação de vídeos até a verificação de modelos. Os pesquisadores preveem que a integração das observações dos cidadãos com os dados gerados por visão computacional ajudará a criar uma abordagem mais abrangente e holística para o monitoramento ambiental.

Este trabalho foi financiado pelo MIT Sea Grant, com apoio adicional do Northeast Climate Adaptation Science Center, de uma bolsa inicial do MIT Abdul Latif Jameel Water and Food Systems, do AI and Biodiversity Change Global Center (apoiado pela National Science Foundation e pelo Conselho de Pesquisa em Ciências Naturais e Engenharia do Canadá) e do MIT Undergraduate Research Opportunities Program.