Identificação individual e estimativa populacional do tritão montano de manchas amarelas (Neurergus derjugini) baseada em aprendizado profundo

Por que pequenos tritões montanos importam

Nas altas corredeiras das montanhas Zagros, no Irã, vive um pequeno anfíbio em risco: o tritão montano de manchas amarelas. Como muitos sapos e salamandras do mundo, sua população está pressionada por poluição, perda de habitat e mudanças climáticas. Para proteger uma espécie tão frágil, os cientistas precisam saber quantos animais existem e se suas populações estão diminuindo ou se recuperando — contudo, técnicas tradicionais de marcação e monitoramento podem prejudicar os próprios indivíduos que se pretende salvar. Este estudo mostra como fotografias comuns de smartphones, combinadas com inteligência artificial moderna, podem reconhecer tritões individualmente a partir dos padrões únicos de manchas e estimar sua população de maneira suave e sem contato.

De marcas invasivas a fotos inofensivas

Biologistas da conservação há muito dependem de métodos como amputação de dedos, microchips implantados ou anéis coloridos para distinguir animais ao longo do tempo. Embora eficazes, essas abordagens podem ser dolorosas, estressantes e impraticáveis para anfíbios pequenos e delicados que já enfrentam muitas ameaças. Os pesquisadores deste estudo procuraram substituir esses métodos invasivos por uma técnica fotográfica simples. Os tritões montanos de manchas amarelas exibem naturalmente um padrão distinto de manchas amarelas brilhantes sobre pele escura, semelhante a uma impressão digital ou a uma constelação no céu noturno. Ao fotografar cuidadosamente esses padrões em campo, a equipe pretendia construir um sistema capaz de reconhecer cada animal à primeira vista e monitorá-lo em levantamentos repetidos.

Transformando manchas em dados

Trabalhando em um córrego de montanha conhecido como ponto de reprodução, a equipe capturou 549 tritões adultos durante a temporada de 2024. Cada animal foi brevemente colocado em uma pequena caixa de imagem branca, iluminado com luz natural suave e fotografado de cima com um smartphone padrão. Os tritões foram então libertados exatamente no local em que foram encontrados. No laboratório, os cientistas inicialmente aplicaram etapas clássicas de processamento de imagem para “ensinar” ao computador o que contava como uma mancha amarela e o que era fundo. Ao converter imagens coloridas em uma forma que destaca matiz e brilho, e ao limpar ruído visual, puderam medir quantas manchas cada tritão tinha, quão grandes e arredondadas eram as manchas e quanto do corpo elas cobriam. Esse método geométrico isolado detectou corretamente as manchas em cerca de nove em cada dez casos, mesmo quando as imagens eram recortadas para focar apenas na cabeça ou no tronco.

Como a inteligência artificial aprende um rosto

Para ir além da contagem de manchas e realmente reconhecer indivíduos, os pesquisadores recorreram ao aprendizado profundo, uma forma de inteligência artificial inspirada em como cérebros processam informações visuais. Eles treinaram três redes neurais convolucionais diferentes — modelos computacionais que se destacam no reconhecimento de imagens — usando as fotos dos tritões e suas identidades conhecidas. Sem ser informadas sobre quais características específicas procurar, essas redes aprenderam a distinguir diferenças sutis no arranjo e na forma das manchas amarelas. Todos os três modelos tiveram desempenho impressionante, identificando corretamente quase todos os tritões, com a melhor rede atingindo mais de 99% de acurácia. O sistema funcionou especialmente bem quando analisou cabeça e tronco juntos, sugerindo que combinar várias regiões corporais fornece à IA “pistas” mais confiáveis sobre quem é quem.

Contando uma população oculta

O reconhecimento individual é poderoso porque habilita uma ferramenta ecológica clássica chamada marcação–recaptura, na qual animais detectados em uma primeira visita são “marcados” e depois procurados novamente. Em vez de marcas físicas, este estudo utilizou correspondências de imagem do sistema de aprendizado profundo como etiquetas virtuais. Em dois levantamentos separados por 13 dias, a equipe fotografou 332 tritões na primeira ocasião e 217 na segunda, descobrindo 65 indivíduos que apareceram em ambos os conjuntos de imagens. Alimentar esses números em uma fórmula padrão produziu uma estimativa de cerca de 1.100 tritões montanos de manchas amarelas no córrego. Embora esse número apresente alguma incerteza — animais reais podem entrar e sair da área de estudo — ele oferece uma fotografia não invasiva de quantos estão presentes e fornece uma linha de base para monitorar mudanças futuras.

O que isso significa para salvar espécies

Para um público não especializado, a mensagem principal é simples: ao usar fotografias e IA em vez de bisturis e marcas, os cientistas podem vigiar animais vulneráveis com muito menos risco de prejudicá-los. Neste caso, as manchas amarelas únicas do tritão montano tornam-se um código de barras natural que um computador pode ler com notável confiabilidade. Essa abordagem rápida e de baixo custo poderia ser implantada com smartphones e laptops em locais de campo remotos, ajudando conservacionistas a monitorar anfíbios ameaçados conforme os climas se aquecem e os habitats mudam. Além dessa espécie, o estudo oferece um modelo para usar reconhecimento moderno de imagens para proteger uma ampla gama de criaturas tímidas e frágeis cuja sobrevivência pode depender de serem vistas — mas nunca tocadas — pelas pessoas que tentam protegê-las.

Citação: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

Palavras-chave: conservação de anfíbios, identificação por foto, aprendizado profundo, monitoramento populacional, espécies em perigo