Promovido pelo Instituto Sustentar, em parceria com a Verdelho Comunicação, o webinário “Fauna nas Estradas: Risco de Vida para Animais e Pessoas” reuniu, nos dias 13, 14 e 15 de maio, alguns dos maiores especialistas do Brasil para discutir os impactos das rodovias sobre a fauna silvestre e propor formas de mitigação para esse grave problema.

O evento contou com o apoio das seguintes instituições: ICAS – Instituto de Conservação de Animais Silvestres, UNEMAT – Universidade do Estado de Mato Grosso, REET Brasil – Rede de Especialistas em Ecologia de Transportes, Instituto SOS Pantanal, Observatório Rodovias Seguras para Todos e Associação Brasileira de Concessionárias de Rodovias (ABCR).

No terceiro e último dia de palestras, durante o Painel 1 – Rota para o caminho certo, o convidado foi Gabriel Souto Ferrante, mestre em Ciências da Computação e Matemática Computacional pelo ICMC-USP, doutorando em Ciência da Computação na UFSCar e integrante do USSL (Urban Smart Solutions Lab) da Universidade de São Paulo. Ele abordou o tema “Perspectivas e desafios da computação para mitigação de atropelamentos de animais: soluções com inteligência artificial”, destacando como os avanços em ciência da computação podem contribuir para desenvolver ferramentas inovadoras de monitoramento e prevenção de impactos à fauna.

Abaixo, o resumo de sua palestra:

Visão computacional na conservação: pesquisa da USP propõe inteligência artificial para reduzir atropelamentos de fauna

Gabriel Souto Ferrante, doutorando em Ciência da Computação na UFSCar e membro do Urban Smart Solutions Lab da Universidade de São Paulo, compartilhou sua experiência e pesquisa em computação aplicada à conservação ambiental, com foco na mitigação de atropelamentos de fauna silvestre em rodovias brasileiras. Ele iniciou sua fala contextualizando a importância do tema, destacando a escassez de estudos e de políticas públicas voltadas para o uso da tecnologia na preservação ambiental, apesar do crescente esforço de alguns pesquisadores e grupos acadêmicos.

Sua palestra concentrou-se na utilização de visão computacional, um subcampo da inteligência artificial que permite que máquinas interpretem imagens e vídeos, imitando a capacidade de percepção visual humana. Ele explicou que, diferentemente dos humanos, que realizam tarefas visuais de forma automática, as máquinas precisam de algoritmos específicos e grandes volumes de dados — o chamado Big Data — para realizar atividades como classificação, segmentação e detecção de objetos. Essas tarefas são amplamente aplicadas em setores diversos como segurança, saúde, agricultura, veículos autônomos e robótica.

Na área ambiental, especialmente na detecção de animais silvestres em risco de atropelamento, a aplicação da visão computacional ainda é incipiente. Uma das maiores dificuldades enfrentadas, segundo Gabriel, é a ausência de datasets (conjuntos de dados) específicos e qualificados sobre a fauna brasileira. Por isso, durante seu mestrado na USP, ele decidiu construir um próprio banco de imagens, focando em cinco espécies mais afetadas por atropelamentos, segundo dados do Sistema Urubu: anta, onça-parda, jaguarundi, lobo-guará e tamanduá-bandeira. Ele optou por animais de médio e grande porte, já que os pequenos oferecem mais dificuldades técnicas para detecção.

O dataset foi criado a partir de imagens gratuitas obtidas por técnicas de raspagem do Google, com filtros manuais para eliminar imagens irrelevantes (como lugares com nomes de animais, por exemplo, “Parque da Anta”). Ele também incluiu vídeos reais gravados no Parque Ecológico de São Carlos, cidade onde realizou o mestrado. No total, foram reunidas 1.823 imagens e 2.060 rótulos, sendo cada rótulo uma marcação individual de um animal dentro da imagem.

Com esse material, Gabriel desenvolveu um artigo científico intitulado “Evaluating YOLO Architectures for Detecting Roadkilled Endangered Brazilian Animals”, no qual aplicou e comparou diversas versões da arquitetura YOLO (You Only Look Once) — uma das mais eficientes para detecção de objetos em tempo real. Utilizando redes neurais convolucionais, ele aplicou um processo de aumento de dados (data augmentation), multiplicando artificialmente o dataset por meio de rotação, corte, alteração de brilho e outros recursos que ajudam a tornar os modelos mais robustos e sensíveis a diferentes padrões visuais.

O experimento foi dividido em três fases: treinamento com as imagens expandidas, testes com imagens e vídeos reais e, por fim, avaliação de performance dos modelos. Os resultados foram positivos: os modelos alcançaram até 90% de precisão geral, com destaque para o lobo-guará, cuja detecção em vídeo alcançou 87% de acerto. No entanto, Gabriel alertou sobre as limitações dos sistemas, especialmente em imagens com baixa qualidade, chuva, camuflagem, oclusão (quando parte do corpo do animal está escondida) ou ângulos incomuns, como animais de costas. Essas situações ainda desafiam as redes neurais atuais, inclusive a YOLO, que é considerada uma das mais avançadas.

Além disso, ele testou os modelos em dispositivos embarcados de baixo custo, como o Raspberry Pi, e propôs o uso desses sistemas em campo, integrados a câmeras e sensores, para fornecer alertas em tempo real e prevenir atropelamentos. Entre os desafios enfrentados, destacou a limitação de recursos financeiros, a falta de políticas públicas que incentivem o uso de tecnologia na conservação ambiental, e a escassez de pesquisadores da área da computação dedicados a esse tema.

Gabriel também apresentou um panorama internacional de soluções semelhantes, como sistemas de detecção de javalis na Itália, elefantes em áreas urbanas da Índia, ursos em zonas florestais no Canadá, e iniciativas de classificação de espécies na China. Todos esses exemplos reforçam a importância da união entre tecnologia e conservação.

Por fim, ele destacou diversas oportunidades futuras de pesquisa no Brasil: desde o aprimoramento do seu próprio dataset (incluindo a criação de imagens e rótulos sintéticos), até o desenvolvimento de modelos multimodais, capazes de reconhecer cenas inteiras, prever comportamentos animais, rastrear indivíduos vivos ou mortos, identificar padrões de movimentação e até mesmo detectar queimadas ou ameaças ambientais externas que empurrem animais silvestres para as rodovias. Ele também sugeriu avanços em robótica móvel, melhoria de hardware e a criação de ferramentas de rotulação automática, que poderiam acelerar o desenvolvimento de novas bases de dados.

Encerrando sua apresentação, Gabriel reforçou a necessidade de mais parcerias entre cientistas da computação e pesquisadores ambientais, chamando atenção para o vasto campo de atuação ainda inexplorado e o potencial de impacto positivo que a tecnologia pode ter na proteção da biodiversidade.

Gabriel Souto Ferrante – Mestre em Ciências da Computação e Matemática Computacional pelo ICMC USP. Doutorando em Ciência da Computação na UFSCAR. Membro do USSL (Urban Smart Solutions Lab) da Universidade de São Paulo.

Para assistir à íntegra o terceiro e último dia do webinário Fauna nas Estradas, clique aqui.