Pesquisadores estão ouvindo insetos para estimar melhor a saúde ambiental

Uma pesquisa recente liderada pela Universidade de Massachusetts Amherst avalia quão muito o estágio de máquina pode identificar diferentes espécies de insetos pelo seu som, desde mosquitos transmissores de malária e gorgulhos famintos de grãos até abelhas polinizadoras de colheitas e cigarras sugadoras de suco.

Ouvir o mundo dos insectos dá-nos uma forma de monitorizar a forma porquê as populações de insectos estão a mudar, podendo assim informar-nos sobre a saúde universal do envolvente. O estudo, publicado no Revista de Ecologia Aplicadasugere que a aprendizagem automática e profunda estão a tornar-se os padrões de ouro para a modelagem bioacústica automatizada, e que ecologistas e especialistas em aprendizagem automática podem trabalhar juntos de forma frutuosa para desenvolver todo o potencial da tecnologia.

“Os insetos governam o mundo”, diz Laura Figueroa, professora assistente de conservação ambiental na UMass Amherst e autora sênior do item. “Alguns são vetores de doenças e pragas, enquanto outros polinizam culturas nutritivas e reciclam nutrientes. Eles são a base dos ecossistemas em todo o mundo, sendo iguaria para animais que vão desde pássaros e peixes até ursos e humanos. Para onde quer que olhemos, há insetos, mas é difícil ter uma noção de porquê as suas populações estão a mudar.”

Na verdade, na era dos pesticidas químicos, das alterações climáticas e de outros factores de stress ambiental, as populações de insectos estão a mudar drasticamente. Algumas espécies – porquê os polinizadores que são anualmente responsáveis ​​por serviços ecossistémicos estimados em mais de 200 milénio milhões de dólares em todo o mundo – parecem estar a desvanecer, enquanto outras, porquê os mosquitos que podem transmitir a malária, a dengue e outras doenças, parecem estar a aumentar. No entanto, pode ser difícil obter uma imagem precisa de porquê as populações de insectos estão a mudar.

Muitos métodos tradicionais de amostragem de populações de insetos envolvem o envio de entomologistas ao campo para coletar e identificar espécies individuais e, embora esses métodos possam produzir resultados confiáveis, também consomem muito tempo e recursos e muitas vezes são letais para os insetos capturados. É cá que a IA entra em cena.

“Depois de trabalhar na extensão por mais de uma dezena, posso manifestar a diferença entre o zumbido de uma abelhão e o zumbido de uma mosca”, diz Figueroa. “Uma vez que muitos insetos emitem sons, mas não todos, deveríamos ser capazes de treinar modelos de IA para identificá-los pelos sons únicos que emitem.”

Na verdade, esse treinamento já está acontecendo – mas quais métodos de IA são os melhores?

Para responder a esta questão, Figueroa e os seus colegas, incluindo a autora principal Anna Kohlberg, que concluiu esta investigação enquanto trabalhava no laboratório Figueroa, conduziram uma revisão sistemática da literatura para investigar estudos que utilizaram diferentes tipos de modelos bioacústicos automatizados para identificar insectos. Eles encontraram modelos para 302 espécies diferentes espalhadas por nove ordens taxonômicas. Eles dividiram os modelos resultantes em três grandes categorias: estágio não-máquina, estágio de máquina e estágio profundo.

Os modelos que não são de estágio de máquina combinam o quina dos insetos com marcadores específicos que os pesquisadores humanos designam porquê chaves para identificação, porquê uma margem de frequência específica no quina de uma gafanhoto. O protótipo portanto “ouve” essas dicas específicas designadas pelo varão.

O estágio de máquina, por outro lado, não possui um conjunto pré-ordenado de marcadores que utiliza e, em vez disso, depende de uma estrutura computacional maleável para encontrar padrões relevantes nos sons e, em seguida, combinar esses padrões com os dados bioacústicos nos quais foi treinado.

O estágio profundo, um tipo especializado de estágio de máquina, depende de estruturas computacionais neurais mais avançadas que dão ao protótipo mais flexibilidade na identificação eficiente de padrões bioacústicos relevantes. Acontece que os modelos que dependem de aprendizagem profunda são os mais bem-sucedidos. Alguns dos melhores podem qualificar centenas de espécies com mais de 90% de precisão.

“Isto não significa que a IA possa ou deva substituir todas as abordagens tradicionais de monitorização”, diz Kohlberg, e há limitações no que podem fazer. A maioria dos modelos precisa de enormes conjuntos de dados para treinamento e, embora estejam melhorando no trabalho com conjuntos de dados menores, continuam sendo ferramentas com uso intenso de dados. Outrossim, nem todos os insetos emitem sons – porquê os pulgões. E contextos muito ruidosos, porquê um envolvente urbano, podem facilmente confundir os esforços de monitorização baseados no som.

“A bioacústica automatizada é uma utensílio fundamental num conjunto de ferramentas multifacetado que podemos usar para monitorizar eficazmente estes importantes organismos em todo o mundo”, diz Kohlberg.