Para el conteo de las entradas de nidos de loros barranqueros se están utilizando redes neuronales convolucionales
Un equipo compuesto por biólogos e ingenieros está llevando a cabo un trabajo de conteo de nidos, mediante técnicas de inteligencia artificial, en la colonia de Loros Barranqueros, Cyanoliseus patagonus, ubicada en un acantilado frente al Océano Atlántico en cercanías del balneario El Cóndor, provincia de Río Negro, en el Noreste de la Patagonia Argentina.
En el mundo de la ecología, contar poblaciones animales es fundamental para comprender los procesos ecológicos. Sin embargo, en el caso de grandes poblaciones, contar manualmente puede ser tedioso y condicionado a errores. En este estudio, se utilizan redes neuronales convolucionales (CNN; un subconjunto de aprendizaje automático que usa algoritmos de aprendizaje profundo) para contar el número de entradas de nidos de loros en fotografías tomadas en la colonia de Psittaciformes (“los que tienen forma de loro” según su etimología; es decir loros, cotorras, catitas, guacamayos, papagayos y cacatúas) más grande del mundo. Así es, de todas las especies de loros en el mundo, esta es la colonia más grande en cuanto a número de individuos. El objetivo principal de este proyecto es obtener el número total de entradas de nidos de la colonia e investigar la distribución de dichas entradas a lo largo del acantilado. La colonia evoluciona con el tiempo y tiene hoy una extensión de unos 18 kilómetros. Mediante relaciones obtenidas en trabajos de campo previos, los biólogos pueden estimar el número aproximado de individuos, en función de la cantidad de entradas de nidos.
Una de las 222 imágenes utilizadas en el trabajo de conteo. Recuadro: un detalle de los nidos, con una pareja de Loros Barranqueros en la entrada de un nido (fotografía: Alejandro Balbiano).
El equipo de investigación está compuesto por el Dr. Juan F. Masello (JFM) de la Universidad de Bielefeld, Alemania, y de la Universidad de Venda, Sudáfrica, el biólogo Mauricio Failla (MF) del proyecto Patagonia Noreste, con sede en Viedma, el ing. Gabriel Zanellato (GZ) de la Fundación Soberanía con sede en Cinco Saltos, y el ing. Gabriel Pagnossin (GP) de la Universidad Nacional de Río Negro. JFM, GP y GZ concibieron y diseñaron el estudio. MF, JFM y GP efectuaron el trabajo de campo a través del relevamiento fotográfico de la colonia, de donde JFM tomó los parches utilizados en el trabajo. GZ estuvo a cargo de la programación del código para crear los modelos y ejecutar los conteos.
PRECISIÓN Y EFICIENCIA
En una entrevista realizada al Ing. Gabriel Zanellato este destacó “La importancia del trabajo en equipo y la colaboración de expertos en diferentes áreas fue fundamental para el éxito de este proyecto” explicando que “las CNN ayudan en el conteo de entradas de nidos de loros en fotografías al automatizar el proceso. En el estudio realizado por el equipo de investigación, se utilizaron diferentes arquitecturas de CNN, como U-Net, ResUnet y DeepLabv3, para procesar las imágenes de la colonia de loros. Estas redes permiten contar con precisión y eficiencia, ahorrando tiempo y eliminando errores asociados con el conteo manual. Se utilizó tecnología GPU (del inglés, Graphics Processing Unit, un tipo de procesador que maneja y acelera la representación de gráficos) para mejorar el rendimiento de las CNN, facilitando el análisis de grandes conjuntos de datos de manera más efectiva”.
TÉCNICA
Zanelatto dio detalles sobre la técnica utilizada: “en lugar de detectar y localizar instancias u objetos en una imagen, el objetivo es estimar un mapa de densidad de la imagen. Luego, al integrar o sumar los valores de píxeles sobre cualquier región de dicho mapa de densidad, se obtiene el recuento de objetos dentro de dicha región. El proceso de aprender a inferir dicha densidad implica minimizar una función de costos. Al trabajar bajo un esquema de aprendizaje supervisado, se necesitan mapas de densidad etiqueta o ground-truth (del inglés, «verificación fundamental»; se refiere al proceso de recopilar los datos objetivos, probables, adecuados para una prueba dada), que se comparan con los mapas de densidad predichos durante el proceso de entrenamiento. Para obtener los mapas de densidad ground-truth, un biólogo experto demarca manualmente la ubicación aproximada del centro de las entradas de los nidos en el conjunto de parches de entrenamiento, produciendo así un nuevo conjunto de imágenes punteadas compuestas por un fondo negro y lo píxeles individuales esparcidos, cada uno con valor 1. La colonia está representada en su totalidad por 222 fotografías cada una de 3000 x 4000 píxeles, y sobre ellas se extraen aleatoriamente 156 parches representativos de 256 x 256 píxeles”
VENTAJA DEL PROCESO
Destacando que “aquí radica la ventaja de este proceso, ya que sólo se demarcan los parches de entrenamiento seleccionados aleatoriamente, en lugar de utilizar el conjunto completo de imágenes, lo que sería el tedioso proceso manual previo que queremos automatizar, ahorrando así un tiempo valioso para el biólogo. El siguiente paso es aplicar una convolución gaussiana (es decir, un tipo general de media matemática móvil, como se puede observar si una de las funciones se toma como la función característica de un intervalo) sobre las imágenes de puntos, un proceso que difuminará los puntos, creando los mapas de densidad. Luego, mediante técnicas de data augmentation (es decir, la generación de señales sintéticas, en este caso imágenes, reorganizando componentes de datos reales, en este caso los parches) se lleva el número total de parches a 312. Aplicamos simplemente un volteado horizontal.
DIVISIÓN DE DATOS
El Ingeniero detalló que “una vez generada la totalidad de parches, se procede a crear conjuntos de entrenamiento, validación y testeo. Esta división de los datos sirve para entrenar el modelo en el conjunto de entrenamiento, ajustar los hiperparámetros utilizando el conjunto de validación y evaluar el rendimiento del modelo final en el conjunto de testeo. Con el objetivo de asegurar una distribución estadística similar entre los conjuntos y reducir cualquier sesgo subyacente en los datos, se mezclaron los parches y se entrenaron siete modelos diferentes para cada una de las tres arquitecturas”.
PASO FINAL
“El paso final es ejecutar el conteo con cada uno de los modelos, pasando por los mismos el conjunto total de imágenes de la colonia” explicó, detallando que” para ello se ejecuta un grillado de cada una de las imágenes para generar parches del mismo tamaño de los utilizados en el entrenamiento, esto es 256 x 256 píxeles. Finalmente, se evaluaron estadísticamente los resultados de cada una de las siete ejecuciones para proporcionar una estimación final del rendimiento de los modelos. Tomando los resultados de cada una de las tres arquitecturas utilizadas y ponderando según el error medio absoluto sobre los parches de testeo, se obtuvo un promedio ponderado del conteo de 53266 entradas de nidos”.
Esquema de grillado para ejecutar el conteo final. Las líneas amarillas delimitan, a derecha e izquierda, la parte de la imagen que era única, es decir, no duplicada en la fotografía anterior o siguiente en la matriz.
HALLAZGOS
“Los hallazgos principales sobre la distribución de las entradas de nidos en la colonia de loros barranqueros revelaron patrones interesantes, que se compararon con cálculos manuales de años anteriores, y tienen que ver con adaptaciones de la población de loros a perturbaciones antropogénicas” relató el ingeniero Zanellato agregando que “el equipo está trabajando en este momento en una publicación en la que se revelarán los detalles específicos de los hallazgos. Es crucial seguir monitoreando y mejorando el estudio en El Cóndor para comprender mejor estos cambios y su impacto en la población de loros”.
INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL
“Los resultados de este estudio demuestran que las CNN proporcionan una herramienta confiable para el monitoreo a largo plazo del número de entradas de nidos, a partir de fotografías, en la colonia de Loros Barranqueros en El Cóndor” aseguró el experto explicando que “la automatización proporcionada por las CNN destaca los beneficios de integrar la inteligencia artificial (aprendizaje automático) en la investigación ecológica, permitiendo un monitoreo preciso y detallado de las poblaciones de loros y resaltando la importancia de la tecnología en la conservación de la vida silvestre”.
PERFECCIONAR Y AVANZAR
“La investigación continua se centrará en perfeccionar los algoritmos de CNN, y en mejorar la captura y calidad de las imágenes, que redundará en una mejor precisión de los algoritmos. De cara al futuro, el equipo prevé mayores avances en el uso del aprendizaje automático para estudios de poblaciones de vida silvestre. Esta tecnología podría utilizarse para contar nidos de otras aves coloniales que anidan en acantilados o en el suelo, aunque esto requeriría pruebas en estudios futuros con datos de entrenamiento específicos para ubicaciones específicas” remarcó Zanellato agregando que “el método es aplicable a otro tipo de imágenes, por ejemplo, satelitales o microscópicas, pudiendo extenderse a otro tipo de necesidades, como urbanismo, agricultura, forestal, etc. que requieran contar instancias u objetos en imágenes. Prueba de ello es el hecho de que para este caso se adaptó un algoritmo originalmente diseñado para contar células en imágenes microscópicas, pudiendo utilizarse con éxito en una aplicación práctica de otro campo”.
REGLAMENTACIÓN
“En este momento no existe reglamentación o ley que proteja a los loros barranqueros de la colonia El Cóndor” informó el especialista.
“Solo hay reglamentaciones indirectas, por ejemplo, la Resolución MAyDS Nº 795.2017, que eliminó la categoría de plaga que se le había dado a todas las especies de loros. También, a partir de la temporada 2005, según disposición de la Dirección de Fauna de Río Negro, el loro barranquero fue eliminado de la lista de especies para caza deportiva y control de plagas, quedando de esta manera protegida la especie según consta en las disposiciones Nº 023-DF-2004 Y 024-DF-2004. El trabajo de conteo de nidos aquí presentado se enmarca en un proyecto que busca la declaración de la colonia de loros barranqueros de El Cóndor como Área Natural Protegida, que lamentablemente no ha conseguido aún la aprobación en la legislatura de Río Negro luego de diversas instancias legislativas” se lamentó el Ingeniero agregando que “ en 2023, se presentó un proyecto ante el Concejo Deliberante de Viedma que se espera sea tratado y aprobado prontamente, para la creación de un Área Municipal Protegida (https://lorosbarranqueros.blogspot.com/2023/12/existe-alguna-reglamentacion-o-ley-que.html).
Adj. Profesor Dr. Juan F. Masello. Nació en Sarandí (provincia de Buenos Aires) en 1969. Licenciado en Ciencias Biológicas por la Universidad Nacional de Buenos Aires, se doctoró en Ciencias Naturales. Dr. rer nat. en la Freie Univeristät Berlín, Alemania. Sus primeros pasos como investigador fueron en el campo de la planctología, para luego dedicarse a la ecología del comportamiento de Aves. Fruto de dichas investigaciones son más de ciento veinte publicaciones científicas (https://pub.uni-bielefeld.de/person/424029852) y otras tantas de divulgación (https://thehoffmanlab.com/group/juan-f-masello/). Estas investigaciones lo han llevado a diversos lugares del mundo tales como la Patagonia, Antártida, las Islas Malvinas, Gales, Escocia, Inglaterra, Portugal, Nicaragua, México, Siberia, Sudáfrica y Alemania. Ha sido miembro de varias universidades, entre ellas la Universidad de Buenos Aires, las universidades alemanas Friedrich-Schiller-Universität Jena, Freie Universität Berlín, y Justus-Liebig Universität Giessen y las universidades británicas University of Glasgow y University of Bristol. Durante el período 2005-2011 desarrolló sus investigaciones en el Max Planck Institute de Alemania. Actualmente es Investigador Principal en la Universität Bielefeld de Alemania (https://www.uni-bielefeld.de/fakultaeten/biologie/forschung/arbeitsgruppen/behaviour/team/index.xml) y Profesor Adjunto en la University of Venda, Sudáfrica (https://www.univen.ac.za/news/a-prolific-scientist-professor-masello-delivers-a-fascinating-inaugural-lecture/). Desde 1998 coordina el Proyecto de Investigación y Conservación Loro Barranquero (https://lorosbarranqueros.blogspot.com/). El trabajo de campo es llevado a cabo en la colonia de loros barranqueros de El Cóndor, Río Negro, Patagonia, Argentina, la colonia conocida de Psittaciformes (loros) más grande del mundo. Masello coordina desde 2010 el Working Group Psittaciformes (https://www.parrotresearchersgroup.org/). Masello fue designado en 2014 Fellow de la International Ornithologists’ Union (https://internationalornithology.org/iou-fellows). https://www.researchgate.net/profile/Juan-Masello; https://thehoffmanlab.com/group/juan-f-masello/
Ing. Gabriel L. Zanellato.Nació en Cipolletti (Provincia de Río Negro) en 1972. Ingeniero Industrial con Orientación Mecánica por la Universidad Nacional del Comahue, con una Especialización en Gerenciamiento Tecnológico por la Universidad Nacional de Río Negro y un Máster en Inteligencia Artificial por la Universidad Internacional de Valencia, donde desarrolló su trabajo “Recuento de objetos en imágenes de microscopía”. Posee más de 22 años de experiencia en la industria del petróleo y gas, trabajando en diversos sectores como compresión de gas, perforación y tecnologías digitales para la industria, tanto en operadoras como empresas de servicios petroleros. Desde la transformación digital aborda proyectos de eficiencia energética y sostenibilidad de la industria petrolera, apalancados por inteligencia artificial, así como proyectos de visión por computadora. Se desempeña como presidente de la Fundación Soberanía con personería jurídica en la provincia de Río Negro (https://fundacionsoberania.ar/) y Jefe Regional de Desarrollo de la Sociedad Argentina de Inteligencia Artificial, SAIA (https://www.linkedin.com/company/saia/) para la provincia de Río Negro.
https://www.linkedin.com/in/gabriel-zanellato-a8188489
Ing. Gabriel A. Pagnossin. Nació en 1971 en la ciudad de La Plata, Argentina. Luego de cursar sus estudios secundarios en el Colegio Nacional “Rafael Hernández”, se graduó como Ingeniero en Electrónica en la Universidad Nacional de La Plata y como Especialista en Management Tecnológico en la Universidad Nacional de Río Negro (UNRN), Argentina. Actualmente desarrolla su tesis “Análisis de los cambios recientes de políticas, instituciones e instrumentos de ciencia, tecnología e innovación en Noruega (1990-2019): reflexiones y propuestas para Argentina” para la Maestría en Ciencia, Tecnología e Innovación de la UNRN. Trabajó en 1997/1998 como auxiliar científico en la Base Científica Jubany (hoy Base Científica Carlini, Antártida Argentina), como ingeniero para distintas empresas de telecomunicaciones entre 1999 y 2006, y como metrólogo en el sector nuclear en 2010/2011. Vinculado al sistema de salud público neuquino desde 2003, se desempeña actualmente como analista de datos en la Subsecretaría de Salud de la Provincia del Neuquén, Argentina, y como docente en la Escuela de Producción, Tecnología y Medio Ambiente de la UNRN. https://ar.linkedin.com/in/gpagnossin
Biologo Mauricio Failla. Egresado de la Universidad Nacional de Córdoba, encontró en la fotografía de naturaleza y el ecoturismo, una forma de promover el uso sustentable de la avifauna rionegrina. Dedicado al manejo de vida silvestre y gestión ambiental, fue director de Fauna de Río Negro y vicepresidente del Consejo Federal de Fauna Argentina. Desde 1996, trabaja en Patagonia investigando y promoviendo su desarrollo responsable. Su pasión por la ciencia y la conservación lo llevaron a generar más de 50 publicaciones nacionales e internacionales en libros, revistas de ciencias, ambientalismo y difusión. https://www.researchgate.net/profile/Mauricio-Failla; https://www.bbc.co.uk/programmes/p0373bv0
Redacción ChubutDigital®
Contacto