INTELIGÊNCIA ARTIFICIAL PARA O MONITORAMENTO AMBIENTAL: IDENTIFICAÇÃO E CONTAGEM AUTOMATIZADAS DA MACROFAUNA BENTÔNICA POR REDES NEURAIS CONVOLUCIONAIS
DOI:
https://doi.org/10.56238/revgeov17n6-099Palavras-chave:
Bioindicadores Ambientais, Redes Neurais Convolucionais (CNNs), Tomada de Decisão, Mudanças ClimáticasResumo
A macrofauna bentônica; incluindo moluscos, crustáceos e poliquetas; desempenha um papel crucial na regulação dos ciclos biogeoquímicos, na estabilização dos sedimentos e na manutenção da resiliência dos ecossistemas aquáticos. Devido à sua alta sensibilidade às perturbações ambientais, esses organismos são amplamente utilizados como bioindicadores no monitoramento ecológico e em avaliações de impacto. No entanto, sua identificação e contagem tradicionais dependem de procedimentos manuais e intensivos em mão de obra que exigem conhecimento taxonômico e estão sujeitos à subjetividade e ao erro humano. Para superar essas limitações, este estudo apresenta um sistema robusto e totalmente automatizado baseado em Redes Neurais Convolucionais (CNNs) para a detecção e quantificação da macrofauna bentônica a partir de imagens de microscopia digital. O fluxo de trabalho proposto abrange a aquisição padronizada de imagens, anotação taxonômica, pré-processamento avançado, aumento de dados e treinamento supervisionado de modelos de aprendizado profundo implementado em Python. A avaliação do sistema revelou um F1-score médio de 0,93, mAP50 de 0,939 e tempos de inferência inferiores a 10 milissegundos por imagem, mantendo valores estáveis de precisão, recall e mAP de validação ao longo do treinamento. Além disso, as métricas de precisão e recall permaneceram consistentemente altas em diversos táxons, e a precisão média (mAP50 e mAP50–95) melhorou de forma constante durante o treinamento. Esses resultados confirmam a alta capacidade de generalização e a eficiência computacional do sistema, permitindo a geração de dados ecológicos rápidos, confiáveis e reproduzíveis. Além do desempenho técnico, a solução apoia avaliações escaláveis da biodiversidade, a tomada de decisões ambientais estratégicas e a otimização dos esforços de conservação, especialmente diante das mudanças climáticas. Essa integração da inteligência artificial com a ecologia bentônica representa um avanço significativo no monitoramento ambiental digital, oferecendo uma alternativa econômica, eficiente em tempo e cientificamente rigorosa aos métodos analíticos convencionais.
Downloads
Referências
Avelino, D.F.G., Silva, A.M.C., Avelino, P.G., Sá, M.M.S., Soares, A.X., 2023. Macroinvertebrados bentônicos como bioindicadores da qualidade ambiental dos recifes de arenito da praia de Porto de Galinhas (Pernambuco). Revista Brasileira de Meio Ambiente 11(1), 182–201.
Barbier, E.B., Hacker, S.D., Kennedy, C., Koch, E.W., Stier, A.C., Silliman, B.R., 2011. The value of estuarine and coastal ecosystem services. Ecological Monographs 81(2), 169–193. https://doi.org/10.1890/10-1510.1.
Borja, A., Dauer, D.M., Grémare, A., Elliott, M., 2010. The importance of setting targets and reference conditions in assessing marine ecosystem quality. Ecological Indicators 10(1), 1–9. https://doi.org/10.1016/j.ecolind.2009.07.008.
Bradshaw, C., Iburg, S., Morys, C., Sköld, M., Pusceddu, A., Ennas, C., Jonsson, P., Nascimento, F.J.A., 2024. Effects of bottom trawling and environmental factors on benthic bacteria, meiofauna and macrofauna communities and benthic ecosystem processes. Science of the Total Environment 921, 171076.
Duarte, C.M., Hendriks, I.E., Moore, T.S., Olsen, Y.S., Steckbauer, A., Ramajo, L., Carstensen, J., Trotter, J.A., McCulloch, M., 2013. Impact of ocean acidification on the structure and function of benthic ecosystems. Biogeosciences 10, 2761–2774. https://doi.org/10.5194/bg-10-2761-2013.
Ferreira, B., Carvalho, R., Silva, E., 2022. Deep learning for coral reef classification: A survey. Ecological Informatics 70, 101703.
Ghimire, D., Lee, J., 2021. Deep learning-based aquatic organism classification: A review. Aquaculture Reports 19, 100568. https://doi.org/10.1016/j.aqrep.2021.100568.
Hale, R., Bigham, K.T., Rowden, A.A., Halliday, J., Nodder, S.D., Orpin, A.R., Frontin-Rollet, G., Maier, K.L., Mountjoy, J.J., Pinkerton, M.H., 2024. Bioturbation and faunal-mediated ecosystem functioning in a deep-sea benthic community recovering from a severe seabed disturbance. Deep-Sea Research Part I 204, 104235.
Han, C., Xu, Z., Liu, X., 2021. Characteristics of macrofaunal assemblages and their relationships with environmental factors in a semi-enclosed bay. Marine Pollution Bulletin 167, 112348. https://doi.org/10.1016/j.marpolbul.2021.112348.
Howard, J., Sutton-Grier, A., Herr, D., Kleypas, J., McLeod, E., Pidgeon, E., Simpson, S., 2017. Coastal blue carbon: methods for assessing carbon stocks and emissions factors in mangroves, tidal salt marshes, and seagrass meadows. Conservation International, Arlington, VA.
Intergovernmental Panel on Climate Change (IPCC), 2023. Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva. Available at: https://www.ipcc.ch/report/sixth-assessment-report-synthesis-report.
Krizhevsky, A., Sutskever, I., Hinton, G.E., 2012. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25, 1097–1105.
Kuhlmann, M.L., 2022. Revisão dos índices da comunidade de macroinvertebrados bentônicos aplicados aos rios e reservatórios do estado de São Paulo. CETESB, São Paulo.
LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature 521(7553), 436–444.
Li, P., Liu, J., Bai, J., Tong, Y., Meng, Y., Diao, X., Pan, K., Zhu, X., Lin, G., 2022. Community structure of benthic macrofauna and the ecological quality of mangrove wetlands in Hainan, China. Frontiers in Marine Science 9, 861718. https://doi.org/10.3389/fmars.2022.861718.
McLeod, E., Chmura, G.L., Bouillon, S., Salm, R., Björk, M., Duarte, C.M., Lovelock, C.E., Schlesinger, W.H., Silliman, B.R., 2011. A blueprint for blue carbon: toward an improved understanding of the role of vegetated coastal habitats in sequestering CO₂. Frontiers in Ecology and the Environment 9(10), 552–560. https://doi.org/10.1890/110004.
Mizuno, K., Terayama, K., Ishida, S., Godbold, J.A., Solan, M., 2024. Combining three-dimensional acoustic coring and a convolutional neural network to quantify species contributions to benthic ecosystems. Royal Society Open Science 11, 240042.
Moura, R.B., Dalto, A.G., Salloranzo, I.A., Moreira, D.L., Lavrado, H.P., 2023. Community structure of the benthic macrofauna along the continental slope of Santos Basin and São Paulo Plateau, SW Atlantic. Ocean and Coastal Research 71, e23032.
Neves, R.A.F., Valentin, J.L., 2011. Revisão bibliográfica sobre macrofauna bentônica de fundos não-consolidados em áreas costeiras prioritárias para conservação no Brasil. Arquivos de Ciências do Mar 44(3), 59–80. https://doi.org/10.32360/acmar.v44i3.153.
Pardo, J.C.F., Poste, A.E., Frigstad, H., Quintana, C.O., Trannum, H.C., 2023. The interplay between terrestrial organic matter and benthic macrofauna: framework, synthesis, and perspectives. Ecosphere 14, e4508. https://doi.org/10.1002/ecs2.4508.
Sousa, L.K.S., Cutrim, M.V.J., Nogueira Júnior, M., Oliveira, V.M., 2023. Does dredging activity exert an influence on benthic macrofauna in tropical estuaries? Case study on the northern coast of Brazil. Iheringia, Série Zoologia 113, e2023009.
Sun, X., Dong, J., Hu, C., Zhang, Y., Chen, Y., Zhang, X., 2021. Use of macrofaunal assemblage indices and biological trait analysis to assess the ecological impacts of coastal bivalve aquaculture. Ecological Indicators 127, 107713. https://doi.org/10.1016/j.ecolind.2021.107713.
United Nations Environment Programme (UNEP), 2021. Making Peace with Nature: A Scientific Blueprint to Tackle the Climate, Biodiversity and Pollution Emergencies. Nairobi. Available at: https://www.unep.org/resources/making-peace-nature.
Villon, S., Mouillot, D., Chaumont, M., Claverie, T., Villéger, S., 2018. Automatic underwater fish species classification with limited data using few-shot learning. Ecological Informatics 48, 26–34. https://doi.org/10.1016/j.ecoinf.2018.07.006.
Xu, M., Wang, J., Li, F., Chen, X., 2020. Automatic underwater image classification using deep convolutional neural networks. Pattern Recognition Letters 130, 259–265. https://doi.org/10.1016/j.patrec.2019.12.003.
Zhang, S., Qiao, H., Li, H., 2019. Plankton image classification using deep convolutional neural networks. Neurocomputing 335, 215–223.
Zhu, Z., Wood, C.M., Zhang, Y., Ma, Z., Wu, J., Wang, C., Jiang, Z., Yu, H., 2021. Deep learning for ecological monitoring in marine environments: A review. Ecological Informatics 61, 101240. https://doi.org/10.1016/j.ecoinf.2021.101240.
