Continuous foraging behavior shapes patch-leaving decisions in pigeons: A 3D tracking study

Este estudo demonstra que, ao utilizar rastreamento 3D para analisar o comportamento de forrageamento de pombos, as decisões de abandonar um local de alimento são influenciadas não apenas pelo custo de deslocamento, mas também pela integração de pistas ambientais atuais e pelo histórico individual de forrageamento, alinhando-se com os princípios da Teoria do Forrageamento Ótimo.

O essencial

🕊️ Pombos, Pizza e a "Teoria do Vale Marginal"

O que os cientistas descobriram sobre como os pombos decidem quando parar de comer.

Imagine que você está em um shopping com duas pizzarias. Uma fica no térreo (fácil de chegar) e a outra fica no 3º andar (exige subir escadas ou pegar um elevador). Ambas têm pizzas deliciosas, mas a quantidade de pizza em cada uma diminui à medida que você come.

A pergunta é: Quando você deve parar de comer na pizzaria de baixo e subir para a de cima?

Este estudo, feito com pombos em um laboratório na Alemanha, tentou responder exatamente a essa pergunta, usando uma tecnologia incrível para observar cada movimento deles.

---

🎬 O Cenário: Um "Ginásio" para Pombos

Os pesquisadores construíram uma arena hexagonal (como um hexágono gigante) com duas plataformas de comida:

1. Plataforma Baixa: No chão.
2. Plataforma Alta: A 75 cm do chão (para um pombo, isso é como subir um lance de escadas ou voar um pouco).

Eles testaram três situações:

• Ambas no chão: Fácil ir de uma para a outra.
• Ambas no alto: Ambos exigem um "esforço" para chegar.
• Uma no chão, uma no alto: Aqui está o teste! O pombo precisa decidir: comer o que está fácil ou se esforçar para ir ao alto?

Eles usaram 6 câmeras e inteligência artificial (como um sistema de reconhecimento de movimento de videogame) para rastrear cada passo, cada cabeça e cada "bico" do pombo. Foi como ter um cinegrafista invisível filmando cada detalhe da vida do pombo.

---

🧠 O Que os Pombos Fizeram? (As Descobertas)

1. A Regra do "Caminho Mais Curto"

Quando havia uma opção no chão e outra no alto, os pombos sempre iam primeiro para a do chão.

• Analogia: É como quando você está com fome e vê um lanche na mesa da sala e outro no 2º andar. Você pega o da sala primeiro. O pombo entende que "subir" custa energia e tempo, então ele prefere o caminho fácil primeiro.

2. A "Fome" de Subir Escadas

Quando o pombo finalmente subia para a plataforma alta, ele ficava lá mais tempo do que no chão.

• Por quê? Pense assim: "Já que eu fiz o esforço de subir essas escadas, vou aproveitar ao máximo e comer tudo o que der antes de ter que subir de novo."
• Isso se chama Teoria do Valor Marginal. Basicamente: se o "custo" de ir para o próximo lugar é alto, você fica mais tempo no lugar onde está.

3. O Efeito "Só Mais Um" (Overpecking)

Os pombos não apenas comiam; eles ficavam "obcecados" pela plataforma alta. Mesmo quando a comida já estava acabando, eles continuavam batendo o bico no mesmo lugar mais vezes do que o necessário.

• Analogia: É como quando você já terminou o filme, mas continua rolando a tela do celular por 10 minutos porque "já que estou aqui, vou ver se tem mais algo". Eles investem mais no lugar difícil porque já pagaram o "preço" de chegar lá.

4. O Desgaste da Energia

Conforme a sessão de 20 minutos avançava e a comida acabava, os pombos ficavam menos ativos. Eles faziam menos visitas, comiam menos e passavam mais tempo apenas "caminhando" pela arena, sem comer.

• Analogia: É como um dia de compras. No começo, você corre de loja em loja. No final, você está cansado, só olha as vitrines e vai para casa.

---

🤖 A Tecnologia por Trás da Magia

O que torna este estudo especial não é apenas o que os pombos fizeram, mas como foram observados.

• Antigamente, cientistas teriam que ficar olhando vídeos por horas, contando "bicos" manualmente.
• Aqui, eles usaram um sistema de rastreamento 3D (como os usados para criar personagens em filmes de animação). O computador "desenhou" o esqueleto do pombo e contou cada movimento automaticamente.
• Isso permitiu ver padrões que humanos não veriam, como a variação exata de tempo entre um "bico" e outro.

---

🏁 Conclusão: Pombos são Matemáticos?

O estudo mostra que os pombos não são apenas animais que comem por instinto. Eles são tomadores de decisão sofisticados.

Eles calculam (inconscientemente):

1. Quanto custa ir até a comida (esforço).
2. Quanto já comi aqui (esgotamento).
3. Quanto vale a pena ficar mais um pouco versus ir para o outro lugar.

Eles ajustam seu comportamento em tempo real, como um jogador de videogame que decide se vale a pena gastar energia para pegar um item raro ou se é melhor ficar no lugar seguro.

Em resumo: Os pombos provaram que, mesmo sem saber matemática, eles seguem as leis da economia e da otimização de energia perfeitamente. Se o caminho é difícil, eles ficam mais tempo. Se é fácil, eles vão e voltam rápido. E tudo isso foi capturado por câmeras e computadores que os observam como se fossem estrelas de cinema! 🎥🕊️🍕

Resumo técnico

Título: Decisões de Forrageio sob Várias Modalidades de Deslocamento em Pombos

1. Problema e Contexto

O comportamento de forrageamento ótimo é fundamental para a adaptação de animais ao ambiente. Um dos desafios centrais na ecologia comportamental é entender como os animais decidem o momento exato de abandonar um "pedaço" de alimento (patch) para buscar outro, equilibrando os ganhos marginais com os custos de deslocamento.

• Teoria de Referência: O Teorema do Valor Marginal (MVT) de Charnov (1976) prevê que um animal deve deixar um patch quando a taxa de ganho marginal cai abaixo da taxa média esperada no ambiente.
• Limitação de Estudos Anteriores: Muitos testes do MVT em laboratório utilizam tarefas artificiais que não capturam a dinâmica contínua do forrageamento natural ou dependem de codificação manual de comportamento, o que limita a resolução temporal e espacial. Além disso, é difícil isolar se desvios das previsões teóricas se devem à falta de conhecimento do animal sobre o ambiente ou a falhas na teoria.
• Objetivo do Estudo: Investigar como pombos (Columba livia) integram informações ambientais atuais (custo de deslocamento, acessibilidade) e sua história de forrageamento cumulativa para tomar decisões de abandono de patch, utilizando um ambiente controlado, mas seminaturalista.

2. Metodologia

O estudo empregou uma abordagem tecnológica avançada para quantificar o comportamento de forma não invasiva e de alta resolução.

• Sujeitos: 12 pombos-domésticos adultos (10 fêmeas), mantidos em peso experimental (85-90% do peso livre).
• Ambiente Experimental: Uma arena hexagonal de 2x2 metros contendo duas plataformas de forrageamento (60x50 cm), cada uma com 30 buracos contendo uma única ervilha (alimento).
• Manipulação de Custos de Deslocamento: A acessibilidade entre as plataformas foi manipulada variando a elevação, criando três condições:
  1. 0-0: Ambas as plataformas no chão (custo de deslocamento mínimo, caminhada).
  2. 75-75: Ambas as plataformas elevadas a 75 cm (custo de deslocamento moderado, voo curto).
  3. 0-75: Uma plataforma no chão e outra a 75 cm (custo de deslocamento assimétrico e alto para subir/descer).
• Rastreamento e Análise de Dados:
  • Captura de Vídeo: 6 câmeras RGB sincronizadas (50 Hz, 1440x1080 px) montadas no teto.
  • Pose 3D: Uso de DeepLabCut para estimativa de pose sem marcadores e Anipose para triangulação 3D, permitindo o rastreamento preciso da cabeça e do corpo do pombo.
  • Detecção de Comportamento: Algoritmos personalizados detectaram automaticamente visitas às plataformas, tempos de latência, contagem de bicadas (pecks), taxas de bicada, variabilidade espacial e temporal entre bicadas (RMSSD) e transições entre plataformas.
• Análise Estatística:
  • Modelos de efeitos mistos para variáveis contínuas.
  • Análise de Sobrevivência (Cox Proportional Hazards): Utilizada para modelar a probabilidade instantânea de um pombo abandonar uma plataforma, considerando variáveis como condição da plataforma, histórico de forrageamento (número de visitas anteriores, taxa de bicada cumulativa) e custos de deslocamento.

3. Contribuições Principais

• Tecnológica: Implementação de um sistema de rastreamento 3D automatizado e não invasivo que captura a dinâmica contínua do forrageamento (movimento e bicada) sem a necessidade de codificação manual, permitindo a extração de características cinemáticas de alta dimensão.
• Metodológica: Integração de análise de sobrevivência (Cox) com dados de rastreamento contínuo para prever decisões de abandono de patch com base em variáveis comportamentais em tempo real e históricas.
• Teórica: Validação empírica do MVT em condições dinâmicas, demonstrando que os pombos ajustam suas decisões não apenas com base no custo de viagem, mas também na sua própria história de investimento no patch atual (sobre-bicada/overpecking).

4. Resultados Chave

• Preferência de Acesso: Os pombos demonstraram uma preferência clara pela plataforma de menor custo. Na condição assimétrica (0-75), visitaram sempre a plataforma no chão primeiro, com uma latência significativamente maior para acessar a plataforma elevada (mediana de 122s vs. 10s).
• Duração da Visita e Custos:
  • O tempo de residência no patch foi influenciado pelo custo de transição. Pombos permaneceram mais tempo na plataforma do chão na condição 0-75 (devido ao alto custo de ir para a outra) e mais tempo na plataforma elevada na condição 0-75 (devido ao custo de sair dela).
  • A probabilidade de abandonar uma plataforma aumentou com o número de transições anteriores (diminuição de retornos) e diminuiu com distâncias de deslocamento maiores (maior investimento inicial leva a estadias mais longas).
• Dinâmica de Forrageamento:
  • A atividade de forrageamento (taxa de bicada e área coberta) diminuiu ao longo da sessão conforme os patches foram esgotados.
  • A variabilidade nas bicadas (IPI e IPD RMSSD) diminuiu com o tempo, indicando padrões mais estáveis e menos exploratórios à medida que o patch se esvaziava.
• Preditores de Decisão (Modelo Cox):
  • O modelo demonstrou que a decisão de sair é predita por uma combinação de: custo de transição (elevação), histórico de forrageamento (número de visitas, sobre-bicada relativa) e estado atual (taxa de bicada).
  • A "sobre-bicada" (overpecking ratio), definida como a razão entre bicadas cumulativas no patch atual versus o alternativo, foi um preditor significativo: pombos tendiam a permanecer mais tempo em patches onde já haviam investido mais esforço relativo, sugerindo uma avaliação dinâmica do valor marginal.
• Transições: A condição 0-75 resultou em menos transições entre plataformas em comparação com as condições simétricas, mas com um aumento significativo em "auto-transições" (sair e voltar ao mesmo patch), possivelmente devido à dificuldade de manobra nas plataformas elevadas.

5. Significado e Conclusão

O estudo confirma que os pombos adaptam seu comportamento de forrageamento de acordo com os custos físicos de deslocamento e a história de recompensas acumuladas, alinhando-se às previsões do Teorema do Valor Marginal.

• Integração Cognitiva: Os resultados sugerem que os pombos não seguem regras fixas (ex: sair após X bicadas), mas integram informações sobre o custo de viagem e a taxa de retorno atual e passada para tomar decisões de abandono.
• Validação do MVT: A pesquisa fornece evidências robustas de que o MVT se aplica em cenários seminaturalistas onde os animais têm liberdade de movimento e podem avaliar custos de forma dinâmica.
• Implicações Futuras: A metodologia desenvolvida oferece um framework escalável para estudar a tomada de decisão em animais em movimento livre, permitindo investigar como estados internos (motivação, idade) e estruturas ambientais complexas moldam a cognição e o comportamento adaptativo.

Em resumo, o trabalho demonstra que decisões de forrageamento complexas emergem da interação contínua entre o estado interno do animal, o custo de deslocamento e a história de exploração do ambiente, sendo perfeitamente quantificáveis através de rastreamento 3D de alta precisão.