Habitat Classification from Ground-Level Imagery Using Deep Neural Networks

1. Problema e Contexto

A avaliação de habitats em escala local é fundamental para a conservação da biodiversidade e para políticas de gestão de terras (como o "Biodiversity Net Gain" no Reino Unido). Tradicionalmente, essa avaliação depende de levantamentos de campo realizados por especialistas, um processo caro, demorado e difícil de escalar.

Embora a inteligência artificial (IA) tenha avançado na classificação de habitats usando sensoriamento remoto (satélites e drones), essas abordagens enfrentam limitações: dependem de condições climáticas, têm resolução espacial grosseira e não capturam detalhes estruturais e composicionais finos visíveis apenas ao nível do solo. A classificação de habitats baseada em imagens de nível do solo (capturadas por smartphones ou câmeras de campo) permanece subexplorada, apesar de seu potencial para fornecer detalhes críticos invisíveis de cima. O desafio principal é que muitas classes de habitats (ex.: "Pastagem Melhorada" vs. "Pastagem Neutra") são visualmente muito similares, exigindo que os modelos compreendam o contexto global da cena e não apenas características locais.

2. Metodologia

O estudo utilizou dados do UK Countryside Survey (CS), contendo 5.598 imagens de nível do solo rotuladas por especialistas, cobrindo 18 tipos de habitats (nível 3 da classificação UKHab).

Arquiteturas de Modelos

Os autores compararam duas famílias de arquiteturas de Deep Learning:

• Redes Neurais Convolucionais (CNNs): Usadas como baseline (ex.: WRN, EfficientNetV2, ResNeXt). Elas tendem a focar em características locais devido à sua natureza de convolução.
• Transformadores de Visão (ViTs): Especificamente a arquitetura Swin Transformer (SwinT). Os ViTs utilizam mecanismos de self-attention para capturar relações de longo alcance e contexto global na imagem, o que é crucial para entender cenas de habitat amplas e contínuas.

Paradigmas de Treinamento

Dois métodos de treinamento foram avaliados:

1. Aprendizado Supervisionado Clássico: Minimização da perda de entropia cruzada (cross-entropy) para classificação multiclasse.
2. Aprendizado Contrastivo Supervisionado (SupCon): Uma abordagem em duas etapas:
   • Pré-treinamento: O codificador de imagem é treinado com uma função de perda contrastiva para agrupar embeddings de amostras da mesma classe e afastar as de classes diferentes.
   • Ajuste Fino (Fine-tuning): Um classificador linear é treinado sobre os embeddings pré-treinados usando aprendizado supervisionado padrão. O objetivo é criar um espaço de representação mais discriminativo para habitats visualmente similares.

Avaliação

• Métricas: Acurácia Top-1 e Top-3, Coeficiente de Correlação de Matthews (MCC) e F1-score ponderado (para lidar com desbalanceamento de classes).
• Interpretabilidade: Uso de GradCAM para visualizar quais regiões da imagem o modelo está "observando".
• Comparação Humana: O melhor modelo foi comparado com três ecologistas experientes em um subconjunto de 158 imagens.

3. Contribuições Principais

1. Benchmark de Classificação de Habitats ao Nível do Solo: Estabelecimento de um novo padrão para classificação de habitats usando imagens terrestres, preenchendo uma lacuna em ferramentas de IA para não especialistas.
2. Descoberta de Arquitetura: Demonstração sistemática de que os ViTs (Swin Transformer) superam consistentemente as CNNs de última geração nesta tarefa específica.
3. Investigação de Paradigma de Treinamento: Validação de que o SupCon melhora a distinção entre habitats visualmente similares (reduzindo confusões críticas) em comparação ao aprendizado supervisionado puro.
4. Comparação com Especialistas: O modelo proposto alcançou desempenho comparável ao de ecologistas humanos experientes na interpretação fotográfica de habitats.

4. Resultados Chave

• Desempenho Superior do ViT: O SwinT-B (Swin Transformer Base) superou todas as CNNs.
  • Acurácia Top-1: 70,03% (vs. ~66% das CNNs).
  • Acurácia Top-3: 90,70%.
  • MCC: 0,659.
• Benefício do SupCon: A aplicação de SupCon no SwinT-B aumentou a Acurácia Top-1 para 71,53% e reduziu significativamente as taxas de erro entre habitats confusos.
  • Exemplo: A confusão entre "Pastagem Neutra" e "Pastagem Melhorada" foi reduzida em 6% para cada classe.
• Interpretabilidade: Os mapas de ativação (GradCAM) mostraram que os ViTs focam no contexto global da cena (ex.: a vegetação geral), ignorando elementos distractores (como o próprio pesquisador ou equipamentos), enquanto as CNNs tendiam a focar em características locais irrelevantes.
• Comparação Humana: O modelo SwinT-B com SupCon superou a acurácia Top-1 do melhor especialista humano (63,92% vs. 63,69%) e teve uma acurácia Top-3 significativamente superior (87,34% vs. 79,62%). O modelo demonstrou forte concordância (MCC de 0,546) com o especialista humano.

5. Significado e Conclusão

Este trabalho demonstra que a integração de Transformadores de Visão com Aprendizado Contrastivo Supervisionado é uma abordagem viável e eficaz para a classificação automatizada de habitats a partir de imagens de nível do solo.

• Impacto Prático: A tecnologia pode ser usada para escalar o monitoramento de habitats, reduzir custos de levantamentos de campo e apoiar decisões de uso da terra e compensação de biodiversidade (BNG).
• Desafios Remanescentes: A classificação ainda é difícil para habitats raros ou visualmente muito similares, e a qualidade das imagens de campo (originalmente tiradas para localização de parcelas, não para classificação) pode ser otimizada.
• Futuro: O estudo sugere a expansão para habitats de nível 4 (mais finos) e a integração de metadados (localização, data) e reconhecimento de espécies-chave para melhorar ainda mais a precisão.

Em suma, o estudo estabelece um framework escalável e custo-efetivo para o monitoramento de habitats, aproximando a IA do nível de especialização humana e permitindo uma conservação da biodiversidade mais ágil e baseada em dados.