La hierba de la pampa, una planta ornamental plumosa originaria de América del Sur, se ha extendido mucho más allá de los jardines, invadiendo ecosistemas en todo el mundo. En Portugal, esta tenaz hierba ha ampliado constantemente su área de distribución, desplazando a las plantas nativas y alterando los hábitats.

Vigilar la implacable marcha de plantas invasoras como la hierba de la pampa es fundamental para proteger la biodiversidad, pero es más fácil decirlo que hacerlo. Los métodos de seguimiento tradicionales, que dependen de encuestas sobre el terreno y de expertos que identifican minuciosamente las plantas, son costosos y requieren mucho tiempo.

Pero, ¿qué pasaría si pudiéramos colaborar en esta hercúlea tarea aprovechando los millones de fotografías de plantas que se comparten en las redes sociales todos los días? Ana Sofía Cardoso y sus colegas han intentado aprovechar el poder de la inteligencia artificial para buscar en las redes sociales imágenes de la hierba ofensiva.

Sus detectives de plantas con inteligencia artificial, entrenados con fotografías identificadas por expertos de bases de datos de ciencia ciudadana, demostraron ser notablemente hábiles para detectar la hierba de la pampa en todo tipo de imágenes. Los resultados, publicados en la revista Ecoological Informatics, sugieren un nuevo paradigma para monitorear la propagación de especies invasoras: uno que es más rápido, más barato y más escalable que nunca.

Conozca a los detectives de plantas de IA: un trío de modelos de aprendizaje profundo con buen ojo para la hierba de la pampa.

Para entrenar sus algoritmos para identificar con precisión esta planta invasora, el equipo de investigación comenzó alimentándoles fotografías etiquetadas por expertos de plataformas de ciencia ciudadana como Invasoras.pt y Naturalista. Estas imágenes, minuciosamente anotadas por voluntarios expertos, proporcionaron un estándar de oro para saber cómo se ve la hierba de la pampa en la naturaleza.

El equipo puso a prueba tres arquitecturas de aprendizaje profundo diferentes: DensoNet201, R-CNN ResNet50 más rápido y Inicio-v2 de R-CNN más rápido. El primer modelo, un especialista en clasificación, aprendió a etiquetar imágenes según si contenían hierba de la pampa o no. Los otros dos, modelos de detección de objetos, fueron un paso más allá al aprender a dibujar cuadros delimitadores alrededor de la planta en imágenes.

Después de una extensa capacitación, los modelos se pusieron a prueba en un nuevo conjunto de imágenes de ciencia ciudadana. Los resultados fueron impresionantes: los modelos de mejor rendimiento, DenseNet201 y Faster R-CNN ResNet50, identificaron correctamente la hierba de la pampa más del 94% de las veces. Cuando los algoritmos cometían errores, a menudo era en imágenes más complicadas donde la hierba era pequeña, borrosa o en el fondo.

Pero el verdadero desafío aún estaba por llegar. Los investigadores querían ver si sus detectives de plantas con inteligencia artificial podían detectar la hierba de la pampa “en la naturaleza”, no en fotografías seleccionadas de ciencia ciudadana, sino en el flujo sin filtrar de imágenes publicadas en las redes sociales. Liberaron los algoritmos en cientos de imágenes extraídas de Instagram, Flickr, Twitter y Facebook.

Sorprendentemente, las modelos se mantuvieron firmes e identificaron correctamente la hierba de la pampa en más de las tres cuartas partes de las fotografías de las redes sociales. Los investigadores creen que la caída del rendimiento se debe a la menor calidad y resolución de muchas imágenes de las redes sociales. Estos resultados sugieren que los modelos de aprendizaje profundo, entrenados en un conjunto relativamente pequeño de fotografías, pueden traducir eficazmente esos aprendizajes al mundo no estructurado de las imágenes de las redes sociales.

¿Por qué Instagram?

Sitios como Instagram pueden proporcionar fotografías en volumen, pero una foto por sí sola no es suficiente. Lo que hace que una foto compartida en las redes sociales sea tan útil son los datos que la acompañan. Muchas imágenes compartidas en plataformas como Instagram y Flickr vienen con datos de ubicación integrados, coordenadas de latitud y longitud que señalan exactamente dónde se tomó la foto. Al extraer estas etiquetas geográficas de imágenes marcadas como que contienen pasto de la pampa, los investigadores pudieron trazar la distribución de la planta invasora con una precisión sin precedentes.

El equipo centró sus esfuerzos en las fotografías publicadas entre 2019 y 2021, una época de rápida expansión de la hierba de la pampa en Portugal. Como esperaban, los mapas generados por IA revelaron una serie de avistamientos de pasto de pampa no documentados previamente, especialmente en las regiones norte, costera y sur del país.

La comparación de las detecciones geoetiquetadas año tras año mostró un panorama preocupante: la hierba de la pampa estaba en movimiento, apareciendo en nuevas ubicaciones y completando su rango con cada año que pasaba. De solo unas pocas detecciones en 2019, la hierba se había extendido a más del doble de lugares para 2021.

Si bien los hallazgos son preocupantes desde una perspectiva de conservación, muestran el potencial de este enfoque impulsado por la inteligencia artificial y las redes sociales para el monitoreo de especies invasoras. Al revelar los puntos críticos de pasto de la pampa y rastrear la propagación de la planta casi en tiempo real, estos mapas podrían ayudar a guiar los esfuerzos críticos de detección temprana y respuesta rápida.

La detección de especies de IA no es algo así como Conservation-GPT

La IA es en gran medida la palabra de moda en 2024, pero la IA utilizada por Cardoso y sus colegas es muy diferente a los grandes modelos de lenguaje, como Chat-GPT, que están acaparando los titulares. Cardoso y sus colegas enfatizan la importancia de la inteligencia humana en el sistema. Las fotografías de pasto de la pampa utilizadas para entrenar la IA se identifican explícitamente utilizando la experiencia de la comunidad iNaturalist. Los investigadores también destacan algunas limitaciones.

Por un lado, los modelos de IA actualmente solo son confiables para identificar la hierba de la pampa cuando está en plena floración. Durante otras etapas de su ciclo de vida, cuando la planta carece de sus penachos distintivos, puede resultar difícil distinguirla de otras especies de pastos. Esto significa que algunas poblaciones de pasto de la pampa, especialmente las más jóvenes o recientemente establecidas, podrían pasar desapercibidas para la IA.

Los humanos también limitan el origen de los datos. La gente tiende a tomar y compartir fotografías en determinadas áreas, como ciudades, parques y atracciones turísticas, más que en otras. Esto significa que los mapas generados por IA podrían sobrerrepresentar las poblaciones de pasto de la pampa en estos lugares populares, mientras que faltan avistamientos en áreas más remotas o menos frecuentadas.

Para abordar estos desafíos, los investigadores ya están trabajando arduamente en la versión 2.0 de sus detectives de plantas con IA. Están explorando formas de entrenar los modelos en un conjunto más diverso de imágenes de pasto de la pampa, mostrando la planta en diferentes etapas de su vida y en una variedad más amplia de hábitats. También están buscando métodos para tener en cuenta y corregir los sesgos inherentes en los datos de las redes sociales geoetiquetados.

Los investigadores enfatizan que sus herramientas de inteligencia artificial están destinadas a complementar, no reemplazar, la experiencia de los ecologistas y conservacionistas humanos. Pero al automatizar ciertas tareas tediosas o que consumen mucho tiempo, como examinar miles de fotografías, estos algoritmos podrían liberar valiosos recursos humanos para centrarse en estrategias de mayor nivel y acciones sobre el terreno.

También existe la posibilidad de ampliar este enfoque a otras especies invasoras, desde algas hasta mejillones cebra. Si bien los detalles serían diferentes, la idea central (usar datos de redes sociales e inteligencia artificial para mapear las invasiones en tiempo real) podría cambiar las reglas del juego en el campo de la ecología de las invasiones.

Los investigadores advierten que existen consideraciones éticas

Estas aplicaciones tienen el potencial de apoyar la identificación de áreas prioritarias para los esfuerzos de erradicación, la asignación eficiente de recursos y la evaluación del éxito de las intervenciones de gestión a lo largo del tiempo. Aún así, también somos conscientes de las posibles barreras en la aceptabilidad y confianza del uso de herramientas de inteligencia artificial y contenidos generados por usuarios por parte de estas organizaciones, especialmente en el contexto de cuestiones sociales como la ética y la justicia.

Cardoso et al. 2024

La cuestión ética es si es aceptable que los científicos utilicen imágenes públicas de las redes sociales. Las imágenes de iNaturalist se envían con la intención de ayudar a la investigación científica. Las imágenes en Instagram u otros sitios de redes sociales se cargan por muchas razones. El poder de utilizar estos sitios es la gran cantidad de imágenes que se pueden escanear. Sin embargo, este volumen de datos también significa que no es práctico buscar el consentimiento activo para todas las imágenes. ¿Podemos suponer que la gente no se opone a que sus fotografías se utilicen para rastrear especies invasoras?

El veneno de esta suposición es que existen otras herramientas que utilizan el análisis fotográfico de IA para el reconocimiento facial. Uno de esos sitios enlaza felizmente con noticias sobre cómo sus herramientas utilizar por acoso cibernético. Es fácil ver por qué podría haber falta de confianza en dichos sistemas. Por esta razón, Cardoso y sus colegas afirman: "es esencial resaltar la transparencia y la equidad en el flujo de trabajo general adoptado, abordando cualquier sesgo o preocupación ética asociada con las aplicaciones de aprendizaje profundo y el uso de datos personales".

Si se pueden abordar estas preocupaciones éticas, entonces el escaneo fotográfico podría resultar una herramienta valiosa para combatir las especies invasoras. si ahora

LEE EL ARTÍCULO:

Cardoso, AS, Malta-Pinto, E., Tabik, S., August, T., Roy, HE, Correia, R., Vicente, JR y Vaz, AS (2024) “¿Pueden la ciencia ciudadana y las imágenes de las redes sociales apoyar la detección de nuevos sitios de invasión? Un caso de prueba de aprendizaje profundo con Cortaderia selloana," Informática Ecológica, (102602), pág. 102602. Disponible en: https://doi.org/10.1016/j.ecoinf.2024.102602.

Imagen de portada: Hierba de la pampa por JLPC/Wikimedia Commons.