Quantos animais a câmera de fauna registrou? Como estimar indivíduos sem contar a mesma foto duas vezes

Uma câmera fica um mês na trilha e volta com 2.400 fotos. Parece muito animal. Mas 2.400 fotos não são 2.400 bichos — na maioria das vezes não são nem perto disso. Aquele monte de imagens pode ser a mesma cutia voltando ao mesmo ponto todas as manhãs, um bando de queixadas atravessando o quadro em dois minutos, ou o vento mexendo o capim na frente do sensor. O erro mais comum e mais caro do fototrampeamento é tratar cada foto como um indivíduo novo, somar tudo e anunciar uma população que não existe.

A resposta curta, se foi por ela que você veio: você quase nunca conta indivíduos direto das fotos. O que você faz é uma de três coisas, em ordem crescente de ambição. Primeiro, agrupa as fotos em eventos independentes, para não contar a mesma passagem duas vezes. Segundo, se — e só se — a espécie tiver marcas naturais únicas (rosetas, listras, cicatrizes), você identifica indivíduos e aplica captura-recaptura. Terceiro, para a maioria dos bichos, que não têm marca nenhuma, você desiste de contar cabeças e usa um modelo de densidade (REM, REST) ou trata os dados como índice, com todas as ressalvas que um índice carrega. Saber em qual desses três casos você está é metade do trabalho.

Duas mil fotos não são dois mil animais — e confundir uma coisa com a outra é o erro que transforma uma câmera cheia de dados em uma estimativa inventada.

O problema de raiz: foto não é bicho

Comece pela armadilha conceitual, porque tudo o mais decorre dela. Uma câmera de fauna é um detector pontual: ela vigia um ponto no espaço e dispara quando algo quente se move na frente do sensor. O que ela produz é um fluxo de imagens com data e hora — não uma contagem de animais. Transformar esse fluxo em número de indivíduos exige uma cadeia de decisões, e cada elo mal-feito vira erro de estimativa.

O primeiro elo é a independência temporal. Muitas câmeras disparam uma rajada de fotos por acionamento — essas, obviamente, são o mesmo animal na mesma passagem, e ninguém as conta separadamente. O problema aparece no intervalo intermediário: o bicho sai do quadro e volta dez minutos depois. É o mesmo indivíduo forrageando ali perto, ou é outro? Sem conhecer em detalhe o movimento da espécie, é "difícil determinar um limiar ecologicamente justificado para a independência temporal", como coloca a estatística Rahel Sollmann na sua introdução à análise de dados de fototrampeamento. Pesquisadores contornam isso condensando "múltiplas imagens não independentes (isto é, fotos tiradas dentro de um intervalo curto) em uma única detecção independente".

O segundo elo é a qualidade do dado bruto, e aqui mora um perigo que os guias de clima temperado subestimam. Câmeras de consumo — justamente as que a maioria das pessoas usa — falham mais do que se imagina. Num teste de campo na Escócia, um trabalho publicado na Ambio comparou câmeras de "recreação" com um registro de time-lapse e descobriu que o disparo por movimento deixou de detectar de 49% a 68% dos animais comprovadamente presentes — no caso, ovelhas. Pior para quem conta por tempo: o relógio interno das câmeras "se redefinia sozinho para o padrão de fábrica várias vezes entre as visitas", o que "tornava a maioria das imagens inutilizável, pois não era possível identificar a data e a hora reais em que a foto foi registrada". Um relógio que anda sozinho destrói qualquer filtro de independência baseado em intervalo — você não sabe mais o que veio antes do quê. Antes de contar, cheque se a data/hora das suas fotos é confiável.

O terceiro elo é o mais teimoso: a maioria das espécies simplesmente não pode ser contada indivíduo a indivíduo. E é sobre isso que o resto deste texto gira.

Uma câmera não conta animais — ela produz fotos com hora. Tudo o que vem depois é interpretação, e cada passo mal-feito vira um bicho a mais ou a menos.

Eventos independentes: o intervalo é convenção, não lei

Se você só puder fazer uma coisa direito, faça esta: agrupe as fotos em eventos independentes antes de contar. É o filtro que impede que a mesma passagem vire cinco registros.

O jeito padrão é escolher um intervalo de tempo e dizer: fotos consecutivas da mesma espécie na mesma câmera, separadas por menos que esse intervalo, são um evento só. O valor que você mais vê citado é 30 minutos — mas é aqui que muita gente tropeça, tratando "30 minutos" como se fosse uma regra da natureza. Não é. Sollmann é explícita: os pesquisadores "usaram limiares diferentes, tipicamente 30 minutos até uma hora", e esse limiar "é, na maioria dos casos, determinado subjetivamente, com base no melhor conhecimento disponível da espécie em estudo". Alguns argumentam que nem múltiplas fotos no mesmo dia representam detecções independentes. Ou seja: 30 minutos é uma convenção comum, e o intervalo certo depende da espécie, do grupo e do estudo.

Que a convenção varia dá para ver na própria literatura que cita a mesma fonte: uns tratam como independentes as fotos separadas por 60 minutos, outros por 30, outros por 10. Um estudo na Índia, publicado na Scientific Reports, definiu evento independente como "capturas sucessivas (a menos de 30 min de intervalo) da mesma espécie" — e, no mesmo trabalho, usou 10 minutos para uma finalidade diferente (contar tamanho de grupo de ungulados), porque o objetivo era outro. Um trabalho na China fixou 30 minutos. Não há um número sagrado; há uma decisão, que você deve justificar.

O melhor contraexemplo vem do Brasil e derruba de vez a ideia de regra fixa. Num estudo clássico na Mata Atlântica do Espírito Santo, publicado na Revista Brasileira de Zoologia, Srbek-Araujo e Chiarello excluíram os registros consecutivos da mesma espécie na mesma câmera quando o intervalo era inferior a cinco minutos — não 30. E explicaram por quê, com dado próprio: "o intervalo de cinco minutos foi considerado suficiente para que o mesmo espécime, ou os indivíduos de um mesmo grupo social, não fossem contabilizados como dois ou mais registros", porque no sítio deles "menos de 3% dos registros consecutivos da mesma espécie ocorreram entre 5 a 30 minutos de intervalo". Repare na lógica: eles olharam a distribuição real dos intervalos no próprio local e calibraram a partir dela. Isso é o oposto de copiar "30 minutos" de um artigo qualquer.

E há um caso em que nenhum intervalo resolve sozinho: espécies que andam em grupo. Um pesquisador descreveu o beco sem saída num fórum de metodologistas: com queixadas e catetos, "dentro de 5 minutos eu tenho vários vídeos de alguns poucos animais viajando de um lado para o outro do quadro... mas, com a regra dos 30 minutos, só posso contar 4, que é o máximo de queixadas em um vídeo" — e assim subestima o bando. A saída que os colegas sugerem não é mexer no intervalo, e sim mudar a unidade: conte cada aparição de grupo como um grupo, e multiplique pelo tamanho médio de grupo obtido de outra fonte, porque "a câmera 'vê' apenas parte do grupo e não dá para saber se era grande ou pequeno". O intervalo cuida do indivíduo solitário; o grupo pede outra régua.

Ferramentas ajudam a operacionalizar isso em escala. O pacote camtrapR, de R, foi feito exatamente para organizar registros em eventos independentes, marcar espécie e indivíduo e gerar as tabelas que alimentam os modelos de ocupação e captura-recaptura. Não é uma plataforma que "conta por você" — é o encanamento que aplica, de forma consistente, a regra de independência que você definiu.

"30 minutos" é uma convenção herdada, não uma lei. Um estudo brasileiro usou 5 minutos, e acertou — porque olhou os dados do próprio local em vez de copiar o número.

Índice de abundância relativa: útil, mas não é população

Depois de agrupar em eventos, a tentação é dividir tudo pelo esforço e chamar de abundância. É o índice de abundância relativa (RAI): número de eventos independentes por armadilha-dia, geralmente vezes 100. Ele é fácil, é onipresente — e é onde mora o segundo grande mal-entendido.

O problema é que a taxa de fotos "não é influenciada apenas pela abundância de uma espécie, mas também por seus padrões de movimento, e pela montagem da câmera ou pelo hábitat", como resume Sollmann. Por causa dessa "falha fundamental", ela conclui que a taxa fotográfica deve ser lida "como um índice de atividade", não de abundância. Traduzindo: dois locais com o mesmo número de bichos podem gerar taxas de foto muito diferentes só porque, num deles, os animais se movem mais, ou porque a câmera está numa trilha boa.

O quanto o posicionamento distorce ficou medido naquele estudo indiano. Câmeras em trilha e câmeras aleatórias, no mesmo período e área, deram resultados divergentes: o RAI das aleatórias acompanhou bem a densidade estimada por captura-recaptura e por amostragem de distância, mas o das câmeras de trilha ficou enviesado para cima nos carnívoros — e, mais impressionante, as câmeras de trilha mostraram os ungulados como diurnos enquanto as aleatórias os mostraram noturnos. Mudou a câmera de lugar, mudou não só o número, mudou o padrão de atividade aparente. Se você compara RAIs de desenhos amostrais diferentes, pode estar comparando artefatos.

Um dado brasileiro fecha o argumento com força. Em quatro anos e 10.567 armadilhas-dia na Mata Atlântica, Srbek-Araujo e Chiarello viram a taxa de captura da mesma espécie variar muito entre anos e desenhos — subindo e descendo sem que a comunidade de mamíferos tivesse mudado de forma dramática. A conclusão é direta: os dados "indicam a ausência de uma relação funcional real entre a taxa de fototrampeamento e a abundância populacional", e usar essa taxa por si só "pode levar a sub ou superestimativas das populações de espécies de mamíferos que não são identificáveis individualmente". Não é que o RAI seja inútil — é que ele mede detecção, não cabeças.

Há ainda um viés mais sutil, e por isso mais perigoso, documentado numa meta-análise: a suposição de que a taxa de detecção cresce linearmente com a abundância costuma ser falsa. Movimento e área de vida são negativamente dependentes da densidade — em alta densidade cada bicho anda menos e ocupa menos espaço, em baixa densidade anda mais. O resultado é que uma mudança real na população pode ser subestimada em até 30% pelo índice; no pior caso, "poucos indivíduos em baixa densidade produzem mais detecções totais do que uma população em densidade mais alta". Quem lê variações de RAI ao longo do tempo precisa saber que a mudança observada tende a ser menor que a mudança verdadeira.

Então, o que fazer com o RAI? Os autores brasileiros são práticos: sem calibração e sem estimar a detecção de cada espécie, as taxas de captura "devem ser usadas, na melhor das hipóteses, como insumo para análises de presença e detecção e para inferências de comportamento" — uso de hábitat, padrões de atividade — ou como entrada para modelos de ocupação, que estimam a probabilidade de a espécie usar um sítio corrigindo a detecção imperfeita. Ocupação não é abundância, mas é uma métrica honesta e comparável quando contar indivíduos está fora de alcance.

O índice de abundância relativa mede atividade e detecção, não população. Um estudo de dez mil armadilhas-dia não achou relação funcional confiável entre "fotos por dia" e o número real de bichos.

Contar indivíduos: só quando o bicho tem "impressão digital"

Agora o caso feliz — e minoritário. Algumas espécies carregam marcas naturais únicas que permitem reconhecer cada indivíduo na foto, e aí você pode contar de verdade, com captura-recaptura. A lógica é elegante: cada animal fotografado pela primeira vez fica "marcado" pelo próprio padrão; nas ocasiões seguintes, você registra quem já viu e quem é novo, e a partir dessas histórias de detecção estima a probabilidade de detecção e o tamanho da população.

O exemplo de manual é a onça-pintada. Um estudo recente na Amazônia, conduzido pelo Instituto Mamirauá com o WWF-Brasil e mais de 20 instituições, registrou 6.389 onças em 22 áreas protegidas de quatro países, "cada onça identificada individualmente através do padrão de suas pintas, único para cada animal", e aplicou um modelo de captura-recaptura espacial para chegar a densidades que variaram de 0,6 a 9,97 indivíduos por 100 km² entre os sítios (média de 3,08). Como diz uma pesquisadora do mesmo grupo, as rosetas "são únicas, como nossas impressões digitais". É por isso que a câmera venceu a captura física para esses felinos: funciona 24 horas, cobre áreas enormes e não estressa o animal — "um censo dos vivos, não um registro dos mortos", na frase de 1920 que a própria instituição gosta de citar.

Quando só uma parte da população é identificável, existe um meio-termo: marcação-reavistamento (mark-resight). Num estudo com lince-pardo (bobcat) na Califórnia, os pesquisadores marcaram fisicamente 27 animais com coleiras e, ao mesmo tempo, identificaram indivíduos pelas manchas naturais nas fotos — 109 registros em 4.669 armadilhas-noite —, combinando as duas informações num modelo híbrido mais preciso. Marcação-reavistamento é a ponte entre "todo mundo é identificável" (onça, tigre) e "ninguém é" (a maioria).

Duas advertências, porém, antes que você saia contando rosetas.

A primeira: até especialistas erram, e o erro quase sempre infla a contagem. Num experimento controlado publicado na Scientific Reports, 16 onças-da-neve em cativeiro foram fotografadas em 40 ocasiões, e oito observadores identificaram os indivíduos de forma independente. Eles classificaram errado 12,5% das ocasiões, inflando a estimativa de população, em média, em cerca de um terço (35% ± 21%). O detalhe importa para quem conta: a maioria dos erros foi de "divisão" — tratar o mesmo animal como dois, criando "indivíduos-fantasma". Mesmo os especialistas tiveram 9,9% de chance de errar uma ocasião (contra 14,6% dos não especialistas), gerando fantasmas que chegaram a 31% da população real. Os autores lembram que a onça-da-neve foi rebaixada de "Em Perigo" para "Vulnerável" na Lista Vermelha da IUCN em 2017, apoiada em parte em estudos de fototrampeamento — e que, se esse tipo de erro for geral, "as populações de algumas espécies ameaçadas podem ser menores, e portanto mais próximas da extinção, do que se acredita". Contar rosetas parece objetivo; não é tão à prova de falha quanto se supunha.

A segunda advertência é a que muda a vida do camera-trapper médio: a esmagadora maioria das espécies não tem marca aproveitável. Espécies de pinta ou listra "podem ser identificadas de forma confiável a partir de uma única característica... e muitas vezes a partir de uma única foto", mas os bichos de pelagem uniforme, não. O caso da raposa-vermelha é ilustrativo: um trabalho na Inglaterra conseguiu identificar 192 raposas individualmente — mas só à custa de um desenho quase heroico. Foram cerca de 800.000 fotos em 4.945 armadilhas-dia, imagens coloridas de alta resolução de vários ângulos, um único observador experiente comparando dezenas de características sutis e assimétricas (uma mancha branca na pata, uma cicatriz), com o contexto espaço-temporal ajudando a decidir. Filhotes ficaram de fora, porque a pelagem juvenil "não tem características distintivas suficientes". E os próprios autores avisam: identificação por software automático "dificilmente atingiria o mesmo nível de acerto", e para cientistas cidadãos a tarefa é ainda mais difícil. Um estudo anterior chegara a desaconselhar a foto-ID para qualquer espécie com poucas marcas naturais. A lição: se o seu bicho é uma capivara, uma anta, um veado ou um cachorro-do-mato, esqueça contar indivíduos pela pelagem — não há impressão digital para ler.

Contar cabeças só funciona para quem tem impressão digital na pele. Onça, tigre e lince, sim. Raposa, capivara e veado — a foto não fecha o indivíduo, e forçar isso inventa animais.

Densidade sem reconhecimento: REM e REST, para os bichos sem marca

E chegamos à pergunta que atormenta quem trabalha com a maioria das espécies: se não dá para contar indivíduos e o índice não é população, como estimar densidade de um bicho sem marca? Foi para preencher exatamente essa lacuna que se desenvolveram os modelos que dispensam o reconhecimento individual.

O primeiro é o REM (Random Encounter Model, ou modelo de encontro aleatório), proposto por Rowcliffe e colaboradores em 2008. A ideia, elegante, é tratar os animais como partículas de um gás ideal que se movem ao acaso e estimar a densidade a partir da taxa de encontro entre bichos e câmeras, corrigida pela geometria do sensor e pela velocidade de movimento do animal. Concretamente, o modelo precisa de três ingredientes: a taxa de eventos por esforço, as dimensões da zona de detecção (raio e ângulo) e a velocidade média de deslocamento da espécie. (O artigo original de Rowcliffe é fechado por assinatura; descrevo a mecânica a partir de fontes abertas que o aplicam.)

Um estudo aberto no Serengeti mostra o REM funcionando — e onde ele range. Aplicado a leoas (que não têm marca útil para captura-recaptura de câmera), com 169 e 163 eventos independentes em 7.608 e 12.137 armadilhas-dia, o modelo superestimou a densidade em todos os cenários... até que os autores restringiram a análise às fotos noturnas, quando as leoas param de se amontoar na sombra das árvores e o movimento fica mais aleatório em relação às câmeras — aí as estimativas ficaram bem menos enviesadas. Duas moralidades saltam daí. Uma: o REM exige que as câmeras estejam posicionadas ao acaso em relação ao movimento do animal; câmera fincada na trilha viola a premissa e infla o número. Duas: o modelo é extremamente sensível aos parâmetros — a análise de sensibilidade mostrou que 1% de erro no raio de detecção vira 1% de erro na densidade, e a velocidade de movimento é notoriamente difícil de medir bem (a sensibilidade da câmera nem é a mesma para um humano de 70 kg e um leão de 200 kg). Erra o raio ou a velocidade, erra a densidade na mesma proporção.

O segundo modelo, o REST (Random Encounter and Staying Time, encontro aleatório e tempo de permanência), de Nakashima e colaboradores em 2018, foi criado justamente para escapar do calcanhar de aquiles do REM — a necessidade de um parâmetro de velocidade vindo de fora. Em vez de velocidade, o REST usa o tempo que o animal permanece numa área focal definida em frente à câmera, informação que sai das próprias imagens. (O artigo original do REST e o guia prático que o acompanha estão, respectivamente, atrás de paywall e indisponíveis para leitura direta; descrevo o método a partir da literatura aberta da mesma linhagem e da síntese do pacote de pesquisa.) A promessa é atraente — menos dados auxiliares — mas o REST partilha com o REM a dependência de premissas fortes que, sem reconhecimento individual, "não podem ser facilmente testadas" e por isso "têm de ser tratadas com muito cuidado", como Sollmann adverte sobre toda essa família de métodos.

Vale saber que a fronteira está avançando: uma extensão do REM publicada na Methods in Ecology and Evolution estende o modelo para estimar densidade de comunidades inteiras de espécies ao mesmo tempo, num arcabouço bayesiano que fornece estimativas até para as espécies mais raras, usando só a informação da câmera. É para onde os métodos de densidade sem marca caminham — do bicho isolado para o conjunto da fauna.

Uma tabela ajuda a ver quando cada método serve. Ela é o mapa; os detalhes de cada estudo ficam no texto acima.

Para os bichos sem marca, você troca "quantos indivíduos" por "qual densidade" — e paga o preço de premissas que, sem reconhecer indivíduos, não dá para verificar.

Quanto esforço antes de confiar em qualquer número

Há uma pergunta que precede todas as outras e que muita campanha ignora: quantos dias de câmera são suficientes para o número, qualquer que seja o método, valer alguma coisa? A resposta, de novo, não é um valor único — varia com a espécie, o hábitat e o objetivo.

O esforço mínimo relatado na literatura varia enormemente até para a mesma espécie: para a jaguatirica, as recomendações vão de 450 armadilhas-dia na Bolívia a 2.280 no Brasil. Num plot pequeno e intensamente amostrado na China, foram precisas 931 armadilhas-dia para detectar bem as espécies residentes comuns, e cerca de 8.700 para pegar todas as dez — com um período ótimo em torno de 40 dias por ponto, ou o suficiente para registrar umas 20 fotos independentes. E, para riqueza de espécies, girar as câmeras entre sítios novos rende mais do que deixá-las paradas por mais tempo no mesmo lugar. No lado da comunidade brasileira, um estudo capixaba encontrou correlação forte entre número de espécies e esforço, registrando 60% ou mais dos táxons só nas trilhas com esforço acima de 250 armadilhas-dia.

Para captura-recaptura há uma referência clássica que vale guardar: recomenda-se um mínimo de cerca de 25 indivíduos registrados para obter estimativas de abundância confiáveis, e as câmeras devem rodar tempo suficiente para acumular capturas e recapturas, mas curto o bastante para aproximar uma população "fechada" (que não ganha nem perde indivíduos durante o estudo). Amostra pequena demais e o modelo cospe um número com intervalo de confiança tão largo que não decide nada.

O fundo do quadro, no Brasil, é encorajador: uma revisão de 339 estudos brasileiros de fototrampeamento entre 2003 e 2023 mostra o método consolidado, com a maioria dos trabalhos concentrada a partir de 2005 e forte presença nas análises de composição/riqueza, ocupação e padrões de atividade — embora ainda concentrado no Sudeste e na Mata Atlântica, com Caatinga e Pampa sub-amostrados. Ou seja: a caixa de ferramentas existe e é usada; o que falta, muitas vezes, é aplicá-la com o esforço e o método certos para a pergunta.

Uma nota prática para o fluxo de trabalho, já que o gargalo real de qualquer campanha é o volume de imagens. O primeiro passo, antes de qualquer contagem, costuma ser limpar os quadros vazios. Ferramentas de pesquisa abertas, como o MegaDetector, "localizam animais, pessoas e veículos" e marcam cada caixa com uma pontuação, deixando o pesquisador "limpar os brancos automaticamente e gastar o tempo com ciência em vez de triar imagens" — mas o próprio detector avisa que é "um detector de animais, não um classificador de espécies". Ou seja: ele separa o que tem bicho do que não tem; identificar a espécie e organizar em eventos ainda é etapa sua (ou de um classificador acoplado).

Um roteiro honesto, do bruto ao número

Juntando tudo, o caminho de 2.400 fotos até uma afirmação que se sustenta é este, e ele muda conforme o bicho:

1. Cheque o dado bruto. A data/hora é confiável? Câmeras baratas redefinem o relógio e destroem qualquer análise temporal — se houve deriva de relógio, conserte ou descarte o trecho.
2. Agrupe em eventos independentes. Escolha um intervalo, justifique-o pela biologia da espécie (e, se puder, pela distribuição real dos seus próprios intervalos, como no exemplo dos 5 minutos), e trate grupo como grupo.
3. Pergunte se a espécie tem marca única. Tem rosetas, listras, cicatrizes constantes? Então dá para identificar indivíduos e ir para captura-recaptura — lembrando que até especialistas erram e o erro infla. Não tem? Pule esta etapa.
4. Sem marca, escolha a métrica honesta. Ocupação (probabilidade de uso), ou densidade por REM/REST se você tiver desenho e parâmetros para isso — nunca o RAI bruto travestido de população.
5. Garanta esforço suficiente para o método e a espécie, e diga que método usou. Um número sem o método por trás não é dado; é palpite.

A câmera de fauna é, para inúmeras espécies elusivas, a melhor janela que a ciência tem — para a onça, é praticamente o único método que funciona em escala. Mas o valor dessa janela depende inteiramente de não confundir foto com bicho. Uma câmera cheia de "registros" é ruído. Uma câmera cujas fotos você sabe agrupar, atribuir a indivíduos quando dá, e ler como índice, ocupação ou densidade quando não dá, vira dado — e dado é a diferença entre achar que você sabe quantos animais há e realmente saber.

Perguntas frequentes