Como distinguir animais individuais em fotos de armadilhas fotográficas: galhadas, pelagens e cicatrizes

Eis um número incômodo para começar. Em 2020, uma equipe colocou 16 leopardos-das-neves em cativeiro diante de armadilhas fotográficas, fotografou-os em 40 ocasiões e entregou as imagens a oito observadores para que os separassem em indivíduos — exatamente a tarefa que sustenta metade das estimativas populacionais de grandes felinos na literatura. Os observadores classificaram de forma incorreta 12,5% de todas as ocasiões de captura. Isso não soa catastrófico até você rastrear para onde foram os erros: como os equívocos não eram aleatórios, eles inflaram as estimativas populacionais resultantes em média cerca de um terço — 35% acima do real, mais ou menos. A conclusão dos autores foi direta: identificar animais individualmente únicos a partir de fotos de armadilhas fotográficas “pode não ser tão confiável quanto se acreditava anteriormente”.

Esse é o problema inteiro deste artigo em um único estudo. Distinguir animais individuais em fotos é o motor por trás da estimativa de densidade por captura-recaptura — a forma padrão-ouro de contar fauna esquiva sem capturá-la fisicamente — e é muito menos infalível do que parece. Acerte e você poderá monitorar uma população de tigres com uma margem de poucos por cento. Erre de forma sutil e você poderá reportar um terço a mais de animais do que realmente existem, com um intervalo de confiança que parece tranquilizadoramente estreito em torno da resposta errada.

Então este é um texto de método, voltado ao cientista cidadão ou ao pesquisador em início de carreira que quer fazer isso direito: quais marcas naturais realmente permitem separar indivíduos, quais espécies derrotam toda a abordagem, como os observadores erram, por que o lado esquerdo de um animal é um animal diferente do lado direito no que diz respeito aos seus dados, e onde a visão computacional ajuda de verdade versus onde ela apenas “lava” os mesmos erros mais rápido. Vou definir o jargão à medida que avançarmos. A versão curta, logo de cara: **a confiabilidade da identificação individual depende quase inteiramente da espécie, e a maior parte do trabalho pesado está em ser honesto quanto às fotos que você não consegue identificar, não quanto às que consegue.**

Por que se dar ao trabalho de identificar indivíduos

Contar animais que você não consegue reunir é uma das mais antigas dores de cabeça da ecologia, e a identificação individual é a resposta mais engenhosa para ela. A lógica é emprestada da marca-recaptura: se você consegue reconhecer o mesmo indivíduo em fotografias separadas, você pode construir um “histórico de encontros” para cada animal — quando e onde ele foi visto — e, a partir do padrão de quem é revisto e quem não é, um modelo estatístico estima quantos animais você não viu. As versões modernas são espacialmente explícitas (o campo chama de SECR, captura-recaptura espacialmente explícita), que também usam onde cada detecção ocorreu para estimar a densidade por unidade de área, em vez de apenas uma contagem bruta.

O atrativo é que é não invasivo. Marcas naturais — as listras de um tigre, as manchas de uma girafa — permitem que você “capture” um animal com uma câmera em vez de uma arma de dardos, e elas são, sem dúvida, melhores do que etiquetas artificiais, porque identificam o animal “sem o ato perigoso e invasivo da captura física”, e não caem nem mudam. Um estudo de longa duração de girafas-masai apoia-se exatamente nisso: as girafas são individualmente identificáveis por seus “padrões de pelagem únicos e imutáveis”, e os cientistas usam esses padrões de manchas para reconhecer indivíduos desde os anos 1950, muito antes de alguém chamar isso de armadilha fotográfica.

Quando funciona, é a melhor ferramenta que temos para animais raros e de amplo deslocamento. Uma revisão da literatura de SECR com armadilhas fotográficas constatou que o método está “atualmente focado em carnívoros raros, esquivos, de grande área de vida e individualmente identificáveis, especificamente grandes felídeos”, e o chamou de “uma das melhores formas de estudar essas espécies”. A ressalva está escondida nessa frase — individualmente identificáveis — e trata-se de um clube bem mais estreito do que o entusiasmo do campo sugere. Essa mesma revisão constatou que 90,9% das estimativas de densidade por armadilha fotográfica eram de carnívoros, e 82% delas eram de felinos; mais de um terço de todos os estudos era de apenas três animais — leopardo, tigre e onça-pintada. Isso não é porque ninguém se importa com veados ou javalis. É porque esses três usam códigos de barras e a maioria dos animais não usa.

É porque esses três usam códigos de barras e a maioria dos animais não usa.

O que torna uma espécie “individualmente identificável”

A linha divisória é se um animal carrega uma marca natural que seja única do indivíduo, estável ao longo do tempo e visível para uma câmera. Cumpra as três e você está no jogo. Falhe em qualquer uma e você está improvisando.

O caso mais claro é um padrão de pelagem de alto contraste — as marcas de pelo de animais pintados e listrados. Em um estudo de SECR de tigres e leopardos na Índia, os observadores identificaram os animais examinando “a forma e o padrão das marcas naturais; listras nos tigres e rosetas nos leopardos”, cruzando referências de flancos, membros, caudas e quartos dianteiros. Esses padrões se comportam como impressões digitais: um estudo de jaguatiricas descreve o algoritmo HotSpotter (mais sobre ele adiante) como um software que “analisa as texturas em uma imagem para encontrar um padrão reconhecível” precisamente porque a textura das manchas é individualmente diagnóstica. Os linces-pardos são separados por “agrupamentos de manchas nas pernas, agrupamentos de manchas no corpo, marcas faciais e marcas na cauda” — o protocolo de um estudo na Califórnia exigia coincidir “pelo menos três características naturais da pelagem” antes de duas fotos serem consideradas o mesmo felino. Os gatos-bravos europeus, que são mais sutis, são chaveados por “forma e posição de listras e manchas, o número e a forma dos anéis na cauda”, mais uma lista de verificação de linha dorsal, listras dos ombros e listras do pescoço.

Note a disciplina nesses exemplos. Ninguém está fazendo correspondência com base em uma única mancha imprecisa — eles exigem que várias características independentes concordem. Uma equipe de leopardos do Sri Lanka formalizou isso em um sistema “multiponto”, segmentando a pelagem em 15 pontos definidos por formação de manchas e rosetas, e exigindo um “mínimo de 9 pontos MPC dos 15” para haver correspondência antes de considerar dois avistamentos o mesmo leopardo. Essa redundância é toda a defesa contra os erros de identificação equivocada com que começamos. Quanto mais pontos independentes você exige, mais difícil é para dois animais diferentes forjarem uma correspondência.

Mas “único e estável” está carregando muito peso, e mesmo em felinos bem marcados isso não é absoluto. O mesmo estudo do Sri Lanka documentou algo que a maioria dos protocolos de identificação silenciosamente pressupõe inexistente: os padrões mudam. Ao longo de observação contínua, eles registraram 29 casos em que as manchas e rosetas de um leopardo se alteraram — manchas perdidas, reduzidas ou modificadas em “proeminência, forma e tamanho” — e 16 desses leopardos haviam mudado após uma lesão documentada. Um método anterior e menos rigoroso no mesmo parque havia duplicado leopardos de forma tão grave a ponto de produzir “uma taxa de erro de mais de 15%”, contando o mesmo felino como vários. Portanto, mesmo os animais mais bem marcados não são refeição de graça; uma cicatriz que hoje te ajuda pode reescrever amanhã o próprio padrão no qual você está se baseando.

Marcas em animais de resto uniformes: cicatrizes, orelhas e galhadas

A maioria dos animais não usa manchas. O instinto, então, é recorrer ao que quer que seja distintivo — uma orelha rasgada, uma cicatriz no corpo, a galhada de um macho — e para alguns fins isso é legítimo. Mas é exatamente aqui que a identificação individual fica perigosa, e as fontes estão divididas de um jeito que vale a pena entender.

As galhadas são o exemplo óbvio para quem observa veados. Uma galhada grande e assimétrica com uma ponta quebrada ou um ponto extra realmente separa aquele macho dos outros na sua propriedade, ao menos por uma temporada. A literatura de densidade de veados usa isso: um estudo de 13 populações de veados reconheceu indivíduos por “formas e deformações óbvias das galhadas”, junto com “cicatrizes distintivas em ambos os lados do corpo” e deformações dos membros. Os limites rígidos ficam óbvios assim que você os enuncia em voz alta. As galhadas são sazonais — são desprendidas e regeneradas todo ano, de modo que uma identificação baseada em galhada expira a cada inverno e não consegue vincular um animal entre anos. Elas são exclusivas dos machos, deixando fêmeas e filhotes sem marcas. E marcas mais sutis acabam se revelando escorregadias: esse mesmo estudo constatou que pistas potenciais como “entalhes na orelha ou cicatrizes em um único flanco” eram “frequentemente ambíguas” na prática e não podiam ser usadas de forma confiável.

Para felinos de pelagem uniforme, os pesquisadores recorrem a cicatrizes, danos nas orelhas e caudas dobradas. Um estudo de pumas defende que uma dessas marcas é genuinamente excelente: abas de orelha danificadas ou ausentes (as pinas). Quando os observadores compararam fotos de pumas, houve “concordância perfeita para pareamentos de eventos em que um puma exibia dano nas pinas e o outro não” — um pedaço faltando da orelha é binário e óbvio, então nunca causou discordância. Esse é o modelo de uma boa marca idiossincrática: inequívoca, permanente, visível.

E então há o alerta que deveria deixá-lo cauteloso quanto a toda a abordagem. Um grande estudo de densidade de pumas recusou-se categoricamente a identificar animais sem marcas por suas supostas marcas naturais, “por causa da incerteza inerente que poderia enviesar as estimativas de densidade”. O raciocínio deles é o cerne da questão: atribuir identidades ad hoc a partir de “cicatrizes, entalhes na orelha, formatos do corpo ou porte” pode produzir “estimativas de densidade enviesadas e não confiáveis”, porque “múltiplos indivíduos podem ter características físicas semelhantes, levando os observadores a concordar em atribuições de identidade incorretas ou a discordar em atribuições de identidade corretas”. Leia isso duas vezes. A falha não é apenas deixar passar uma cicatriz — é dois animais diferentes que compartilham uma aparência semelhante e acabam sendo fundidos, ou um único animal que parece diferente em duas fotos e acaba sendo dividido. Esses são precisamente os erros que distorceram as estimativas dos leopardos-das-neves.

Há um verdadeiro meio-termo aqui, e vale ser honesto quanto a isso em vez de tomar partido. Uma mancha cremosa na garganta ou no peito pode ser uma impressão digital genuína quando é complexa o bastante. As martas são o caso clássico: cada uma tem um “peitilho de padrão único” — uma mancha cremosa-amarelada no peito — que “funciona como uma impressão digital, tornando possível distinguir indivíduos”, com formatos de borda distintos e marcas internas mais escuras. Isso é uma marca natural legítima, mais parecida com um padrão de pelagem do que com uma cicatriz. Mas mesmo os praticantes que a usam sinalizam a armadilha sazonal: o peitilho de uma marta “pode parecer notavelmente diferente entre a pelagem espessa de inverno e o pelo mais liso de verão”. A lição que se generaliza: um padrão estrutural (um peitilho, um campo de manchas) é muito mais seguro para identificar do que uma característica incidental (uma cicatriz que sara, um entalhe que você talvez esteja imaginando).

Um padrão estrutural (um peitilho, um campo de manchas) é muito mais seguro para identificar do que uma característica incidental (uma cicatriz que sara, um entalhe que você talvez esteja imaginando).

O problema das espécies sem marcas

Junte tudo isso e você chega ao obstáculo central e pouco divulgado do campo. A maioria dos animais simplesmente não pode ser distinguida de forma confiável a olho nu. Em um levantamento de 176 espécies de carnívoros, mais de 60% tinham coloração uniforme nos flancos — sem manchas, sem listras, nada para comparar. Os veados são piores, não melhores: “a maioria das espécies de veados é caracterizada por uma alta proporção de indivíduos sem traços distintivos”, e é rotineiramente o caso de que “poucos veados naturalmente marcados e identificáveis são detectados” para que a captura-recaptura funcione minimamente.

Os números por trás disso são desanimadores. Naquele estudo de 13 populações de veados, a proporção de detecções que podiam ser vinculadas a um indivíduo identificável variou de apenas 3% a 28% — o que significa que, na maioria dos locais, a “vasta maioria das detecções não podia ser atribuída de forma confiável a um indivíduo identificável”. As taxas de identificação por armadilha fotográfica entre espécies contam a mesma história: uma revisão colocou a faixa alcançável em aproximadamente 2% a 54% identificados, de 2% das imagens brutas em ursos-negros-asiáticos até 54% em leopardos. Se apenas uma fração dos seus animais pode ser nomeada, a captura-recaptura clássica silenciosamente quebra — não há recapturas suficientes para estimar nada estável.

Então o campo construiu contornos, e saber qual deles se encaixa na sua situação é a maior parte da perícia metodológica. Eis o mapa prático:

• Marca-reavistamento espacial (SMR). O contorno mais comum. Você marca fisicamente um subconjunto de animais — coleiras GPS, brincos — para que um número conhecido seja individualmente identificável, e depois usa as fotos de animais marcados e não marcados em conjunto. O estudo de veados acima usou SMR para obter densidades em populações onde apenas 3–28% das detecções eram identificáveis. Um estudo de linces-pardos construiu uma versão “híbrida” que incorpora os históricos completos e conhecidos dos felinos com coleira e estreitou seus intervalos de confiança para “não excedendo 57%”, melhor do que os modelos baseados apenas em fotos. O preço é trabalho de campo real: você precisa capturar e colocar coleira em alguns animais.
• Identidade parcial. Em vez de exigir uma identificação completa, você usa informação parcial para incluir ou excluir combinações. Um estudo de pumas modelou o sexo dos animais não marcados como uma “covariável categórica parcialmente identificadora”, o que afinou sua estimativa — a detecção de um macho simplesmente não pode ser o mesmo indivíduo que a de uma fêmea, e só essa restrição já compra precisão.
• Afinamento aleatório (random thinning). Um modelo mais novo que abandona por completo a divisão rígida entre “marcado versus não marcado”. Ele trata a identidade como “um processo de afinamento aleatório, no qual as amostras perdem suas identidades individuais ao acaso” — algumas fotos são identificáveis, outras não, e o modelo usa ambas as classes em conjunto sem forçar você a pré-classificar os animais em campos. Aplicado a ursos-pardos com cerca de 60% de sucesso de identificação, ele reduziu a variância da estimativa de densidade em 11,8% em relação aos métodos padrão, apenas por aproveitar as detecções não identificadas em vez de descartá-las.
• Duplo observador / câmeras em par. Para populações totalmente sem marcas, duas câmeras vigiando o mesmo pequeno ponto “de direções diferentes” podem estimar quantos animais cada uma deixou passar, corrigindo a detecção imperfeita — mas apenas se as duas câmeras detectarem “de forma quase independente”. Esse estudo constatou que as câmeras podem deixar passar animais em 4–36%, o que se traduz diretamente em subestimar a densidade na mesma ordem se você ignorar isso.
• Pular a identificação individual por completo. O modelo de encontro aleatório (REM) estima a densidade “sem a necessidade de reconhecimento individual”, tratando os encontros animal-câmera como moléculas de gás colidindo — ele precisa da velocidade de movimento dos animais e da geometria de detecção da câmera, não de suas identidades. Seu sucessor generalizado (gREM) estende isso ao “monitoramento de populações de animais sem marcas em amplas escalas espaciais, temporais e taxonômicas”. Se a sua espécie não pode ser distinguida de forma alguma, este costuma ser o caminho honesto.

O que chama a atenção, dada a importância desses métodos, é o quão pouco eles são usados. Aquela revisão de SECR constatou que os modelos de marca-reavistamento apareciam em “< 5% dos estudos incluídos” — a maior parte do campo ainda está ou trabalhando apenas com o punhado de espécies pintadas e identificáveis, ou reportando índices mais rudimentares de abundância relativa. Se você está escolhendo um método para uma espécie sem marcas, já está à frente da maior parte da literatura publicada simplesmente por recorrer à ferramenta certa.

O animal do lado esquerdo e o animal do lado direito

Eis a armadilha que pega quase todo mundo da primeira vez, e é pura geometria. Muitos animais são bilateralmente assimétricos — as marcas em seu flanco esquerdo são completamente diferentes das do direito. As “marcas do lado esquerdo de uma jaguatirica são diferentes das do lado direito” e, o que é crucial, “nem todos os indivíduos cruzam a câmera mostrando todos os seus lados”. Portanto, se a sua câmera fotografa o flanco esquerdo de uma jaguatirica e outra câmera fotografa um flanco direito de aparência diferente, você não tem como saber se são dois animais ou um só animal visto por ambos os lados.

Isso não é um aborrecimento menor; isso bifurca o seu conjunto de dados ao meio. O estudo de linces-pardos explicou a consequência: como usaram uma única câmera por estação, “não conseguiram parear fotos do lado esquerdo com fotos do lado direito”, então os dados tiveram de ser “divididos em históricos de encontros do lado esquerdo e do lado direito” e analisados separadamente. Você essencialmente roda toda a análise duas vezes, sobre dois conjuntos de animais que não se sobrepõem. Nesse estudo, os dados do lado direito indicaram 44 linces-pardos e os do lado esquerdo, 36 — embora, para ser justo, esses não fossem estatisticamente distinguíveis, dados os intervalos de confiança sobrepostos. A equipe do gato-bravo europeu esbarrou na mesma parede: para mesclar os dois lados de um animal em um único registro, “um indivíduo precisa ser fotografado bilateralmente pelo menos uma vez”, e eles simplesmente “não conseguiram identificar ambos os flancos de todos os indivíduos detectados”. A contagem final deles capturou a bagunça com precisão — 13 indivíduos pareados em ambos os flancos, mais 5 flancos direitos solitários e 3 flancos esquerdos solitários que não conseguiram vincular a ninguém.

O contorno prático é mecânico e inegociável para espécies assimétricas: instale câmeras em par voltadas uma para a outra cruzando a trilha, para que quase todo animal que passa seja fotografado em ambos os flancos ao mesmo tempo, dando a você o vínculo bilateral. O estudo de tigres na Índia fez exatamente isso com 35 estações pareadas e fez a correspondência em “ambos os flancos, direito e esquerdo”, como praxe. Se você opera câmeras isoladas em um animal listrado ou pintado, você embutiu o problema dos flancos no seu desenho antes mesmo de ter coletado um único quadro.

Se você opera câmeras isoladas em um animal listrado ou pintado, você embutiu o problema dos flancos no seu desenho antes mesmo de ter coletado um único quadro.

Os observadores são o instrumento — e o instrumento desregula

Dê um passo atrás e note do que cada seção acima silenciosamente depende: um humano olhando duas fotos e decidindo que são o mesmo animal. Esse humano é o seu instrumento de medição e, como qualquer instrumento, tem uma taxa de erro, varia de um para outro e pode ser calibrado. Tratar a identificação como óbvia — “dá para simplesmente ver” — é como os erros se infiltram.

Já encontramos o número principal: 12,5% das ocasiões de captura classificadas de forma incorreta, enviesando as estimativas populacionais para cima em cerca de um terço. A razão pela qual uma taxa de erro de 12,5% se torna uma superestimativa de 35% vale a pena ser internalizada, porque é o modo de falha que você está tentando evitar. Aquele estudo apresentou uma taxonomia de três equívocos. Um erro de combinação funde dois indivíduos em um. Um erro de divisão faz o oposto — divide as fotos de um indivíduo em dois e “cria um indivíduo 'fantasma'”, inflando a contagem. Um erro de deslocamento move uma captura do histórico de um animal para o de outro. Esses não se cancelam. Os erros de divisão que conjuram fantasmas tendem a dominar, e é por isso que a identificação desleixada superestima em vez de se equilibrar.

Quão bons são os observadores, de verdade? Os experimentos mais honestos trocam a identificação individual pela tarefa intimamente relacionada de distinguir espécies parecidas — mesma habilidade, mesmos modos de falha, mas com uma resposta verificavelmente correta. Os resultados não são lisonjeiros. Observadores usando guias de campo padrão para separar duas espécies semelhantes de esquilos-listrados (chipmunks) atingiram apenas 78,2% de acurácia, e observadores não treinados em um conjunto de dados mais difícil conseguiram 51,3% — pouco acima de um cara ou coroa. O veredicto do estudo: “até especialistas nem sempre identificam corretamente as espécies a partir de fotografias quando espécies morfologicamente semelhantes coocorrem”. Os pumas mostram a mesma dispersão: avaliadores independentes pontuando as mesmas fotos de rostos chegaram apenas a uma concordância “moderada a boa” (um kappa de Fleiss de 0,54, onde 1,0 é perfeito), que só subiu para um “substancial” 0,76 depois que a equipe reconciliou os casos em que um único avaliador era o dissidente solitário.

A metade animadora disso é que os observadores podem ser treinados, e isso funciona de forma dramática. Dê aos observadores dos esquilos-listrados uma chave de identificação feita sob medida e a acurácia deles saltou de 78,2% para 93%; acrescente treinamento por cima e chegou a 98,8%, com os observadores mais confiantes atingindo 100%. A concordância entre observadores subiu em sintonia, de um kappa fraco de 0,47 para observadores usando a literatura até 0,95 após o treinamento com a chave. As lições são concretas e você deveria incorporá-las a qualquer protocolo:

• Escreva uma chave de identificação explícita para a sua espécie e população — as características nomeadas que precisam coincidir, como o sistema de 15 pontos dos leopardos ou a regra das “três características de pelagem” dos linces-pardos — em vez de depender do gestalt.
• Use mais de um observador e meça a concordância entre eles (reporte o kappa), depois reconcilie as discordâncias explicitamente, em vez de deixar a decisão de uma só pessoa prevalecer.
• Treine antes de pontuar e reponte; os ganhos de uma chave somada a treinamento são maiores do que a maioria das pessoas espera.

Reporte as fotos que você não conseguiu identificar

Esta é a parte que os iniciantes pulam e que os revisores deveriam exigir, e ela decorre diretamente de tudo o que veio acima. O seu conjunto de dados de identificação individual é definido tanto pelo que você descartou quanto pelo que você guardou — e é nesse monte de descarte que a distorção mora.

Os estudos honestos são escrupulosos quanto a isso. A equipe dos esquilos-listrados capturou 15.847 fotografias e confirmou identificações para apenas 7.300 delas — aproximadamente 54% das imagens foram excluídas por baixa confiança ou discordância entre observadores. O estudo de veados reportou sua proporção de detecções identificáveis (aqueles 3–28%) como um resultado de destaque, não como uma nota de rodapé. Uma revisão apontou que, no trabalho com armadilhas fotográficas, “a taxa de identificação raramente é reportada” — o que é exatamente a lacuna que permite a um estudo silenciosamente apresentar um número confiante apoiado em uma fatia fina e escolhida a dedo dos seus dados. Se você só reporta os animais que conseguiu nomear com sucesso, o seu leitor não tem como julgar se isso foi 90% das capturas ou 9%.

E precisão não é o mesmo que acurácia, que é a armadilha que se fecha sobre quem fez tudo o mais certo. Aquela revisão de SECR constatou que o estudo mediano reportava um coeficiente de variação (uma medida de precisão) de 30%, e apenas cerca de um quinto dos estudos alcançava um CV estreito de 20% ou melhor. Por que se importar? Porque estimativas imprecisas não conseguem detectar mudanças: com um CV típico de 31%, um programa de monitoramento tem apenas 32,7% de chance de detectar um declínio real de 50% em uma população de tigres ao longo de dez anos — subindo para 68% se você conseguir baixar o CV para 20%. Você pode rodar um protocolo de identificação impecável e ainda produzir um número ruidoso demais para cumprir o papel de conservação para o qual foi feito. Reportar honestamente sua taxa de identificação, sua fração não identificada e seu CV é o que permite que qualquer um distinga a diferença.

Você pode rodar um protocolo de identificação impecável e ainda produzir um número ruidoso demais para cumprir o papel de conservação para o qual foi feito.

Onde a visão computacional realmente ajuda

A esperança óbvia é que o software faça tudo isso desaparecer — que você suba as suas fotos e um algoritmo devolva os indivíduos, sem observadores fatigados, sem desregulagem. A realidade é mais interessante e mais limitada: a IA é genuinamente boa em sugerir correspondências e péssima em ser confiada cegamente, e a distinção importa.

Primeiro, esclareça uma confusão comum. Os famosos resultados de aprendizado profundo com armadilhas fotográficas são sobre espécies, não indivíduos. O projeto Snapshot Serengeti treinou uma rede em 3,2 milhões de imagens de 48 espécies e atingiu 94,9% de acurácia top-1 ao nomear a espécie, automatizando 99,3% da rotulagem com a mesma acurácia que voluntários de colaboração coletiva (crowdsourcing) e poupando mais de 17.000 horas de esforço humano. Isso é transformador para limpar os quadros vazios e separar “isto é uma hiena” de “isto é uma gazela” — mas não diz qual hiena. A re-identificação individual é um passo separado e mais difícil, que roda depois da detecção e da identificação de espécie.

Para esse passo de re-identificação, o “burro de carga” nos círculos de fauna é o HotSpotter, um algoritmo de reconhecimento de padrões que encontra a textura distintiva em uma pelagem ou casco e devolve uma lista classificada de correspondências prováveis da sua biblioteca — “um-contra-um” comparando imagem a imagem, ou “um-contra-muitos” contra o banco de dados inteiro, com uma pontuação de similaridade em cada uma. É gratuito e roda em computadores comuns. Sua acurácia em animais bem marcados é sólida, mas não é mágica, e degrada exatamente onde você preveria. Em tartarugas-de-pente, o HotSpotter colocou a correspondência correta na primeira escolha 80% das vezes, subindo para 91% entre as seis primeiras escolhas. Em carnívoros da Costa Rica, ele acertou onças-pintadas (85,7%) e jaguatiricas (83,3%) na correspondência de maior pontuação, mas conseguiu apenas 57,1% em oncillas — o felino menor e de padrão menos marcante — e a acurácia se correlacionava com quantas imagens cada animal tinha. O padrão é consistente: marcas marcantes e mais fotos ajudam; padrões tênues e dados escassos prejudicam.

O enquadramento mais útil vem de um estudo que comparou a identificação manual diretamente com o fluxo do HotSpotter. A identificação manual superestimou as populações em 7% para o guepardo e em 22% para o leopardo em relação à análise assistida por algoritmo — o mesmo viés para cima que continuamos encontrando, com o software atuando como o árbitro mais consistente. Essa é a real proposta de valor: não que a IA seja infalível, mas que ela não fica cansada, entediada nem apegada a um palpite, então ela comete os erros consistentes que um passo de reconciliação humana pode pegar, em vez dos idiossincráticos que silenciosamente inflam uma contagem.

Para onde isso está indo? A direção atual são modelos de re-identificação de propósito geral treinados em muitas espécies de uma vez. Um modelo de 2024 foi treinado em 49 espécies e 37.000 indivíduos e superou os modelos por espécie em média em 12,5% de acurácia top-1, com uma versão já “em uso em produção para mais de 60 espécies”. Os pesquisadores enquadram a promessa de longo prazo como um software capaz de “re-identificar indivíduos animais além das capacidades de um observador humano”, fazendo a correspondência dos animais enquanto eles “saem e reentram no quadro da câmera”.

Duas ressalvas mantêm o entusiasmo com os pés no chão, e um pesquisador cuidadoso deveria sustentar ambas. As revisões do cenário de softwares comparam essas ferramentas quanto a custo, plataforma e método de correspondência, mas não publicam números de acurácia próprios — então a sua acurácia no mundo real é o que quer que os estudos de campo publicados acima sugiram para um animal como o seu, não a alegação de um fornecedor. E a acurácia de referência (benchmark) pode ser inflada por um vazamento sutil: se imagens visualmente semelhantes do mesmo animal caem tanto no conjunto de treino quanto no de teste, um modelo pode parecer melhor do que é. Os benchmarks de re-identificação mais recentes usam deliberadamente uma “divisão consciente do tempo e da similaridade” para impedir exatamente esse tipo de “vazamento de dados do treino para o teste”, o que significa que os números de acurácia honestos costumam ser mais baixos do que os de destaque que você verá citados. A re-identificação por IA é uma assistente poderosa. Ela ainda não é, e talvez nunca seja, um motivo para pular o passo de revisão humana.

O fluxo de trabalho honesto, em ordem

Juntando tudo, eis como um projeto cuidadoso de identificação individual de fato funciona, e por que cada passo existe:

1. Decida se a sua espécie é sequer identificável. Pintada ou listrada (tigre, leopardo, jaguatirica, girafa, gato-do-mato) — sim, com disciplina. De pelagem uniforme (a maioria dos veados, o puma e 60% dos carnívoros) — provavelmente não pela pelagem, e você deveria planejar marca-reavistamento, afinamento aleatório ou REM desde o começo, não como um resgate mais tarde.
2. Construa a geometria das suas câmeras em torno do problema dos flancos. Coloque câmeras em par cruzando a trilha para qualquer animal assimétrico, para capturar ambos os lados de uma vez.
3. Escreva uma chave de identificação explícita — as múltiplas características nomeadas que precisam concordar — e exija redundância antes de declarar uma correspondência.
4. Use múltiplos observadores treinados, meça a concordância entre eles e reconcilie as discordâncias, em vez de confiar em um único par de olhos.
5. Deixe a visão computacional sugerir, e deixe um humano decidir. HotSpotter para classificar os candidatos; uma pessoa para confirmar.
6. Reporte o que você não conseguiu identificar — sua taxa de identificação, sua fração não identificada, seu CV — com tanto destaque quanto o que você conseguiu.

Nada disso torna a identificação individual fácil. Ela a torna defensável — o que, dado que um deslize de 12,5% pode virar uma supercontagem de 35%, é o trabalho inteiro.

Nada disso torna a identificação individual fácil. Ela a torna defensável — o que, dado que um deslize de 12,5% pode virar uma supercontagem de 35%, é o trabalho inteiro.

Perguntas frequentes