Modelagem de abundância com drones : detectabilidade, desenho amostral e revisão automática de imagens em um estudo com cervos-do-pantanal

Abstract

Entender como a abundância de uma espécie se distribui no espaço e/ou no tempo é uma questão fundamental em ecologia e conservação e ajuda, por exemplo, a elucidar relações entre a heterogeneidade de paisagens e populações ou compreender influência de predação na distribuição de indivíduos. Informações de tamanho populacional também são essenciais para avaliar risco de extinção, monitorar populações ameaçadas e planejar ações de conservação. Modelar a abundância de cervos-do-pantanal (Blastocerus dichotomus), sendo um grande herbívoro da América do Sul, pode ser importante para entender relações da espécie com a variação espacial da produtividade primária, das áreas úmidas que a espécie ocupa e do seu principal predador, a onça- pintada. Além disso, por estar ameaçado de extinção, estimar a abundância de cervos pode contribuir para avaliar populações relictuais da espécie, assim como monitorar populações após grandes eventos, como os incêndios de 2020 no Pantanal. Porém, acessar estimativas de abundância confiáveis de maneira eficiente requer métodos robustos que levem em conta os possíveis erros nas contagens e que forneçam as estimativas em tempo hábil, além de um desenho amostral otimizado para aproveitar os recursos geralmente escassos. Os drones tem aparecido como uma ferramenta versátil e custo-efetiva para amostragem de populações animais e vêm sendo aplicados para várias espécies diferentes nos mais variados contextos ecológicos. Como um método emergente, o uso de drones na ecologia fornece oportunidades para explorar novas possibilidades de amostragem e análise de dados, ao mesmo tempo em que pode apresentar novos desafios. Nesta tese, i) exploro oportunidade e desafios na utilização de drones para modelagem de abundância de animais, abordando questões de erros de detecção, desenho amostral e como lidar com os grandes bancos de imagens gerados; e ii) aplico os métodos desenvolvidos para estudar a variação na abundância de cervo-do- pantanal, assim como estabelecer uma abordagem para monitoramento robusto e efetivo dessa espécie. Assim, no primeiro capítulo, conduzo uma revisão na literatura descrevendo os potenciais erros de detecção que podem enviesar estimativas de abundância com drones, buscando soluções atuais para lidar com esses erros e identificando lacunas que precisam de desenvolvimento. Nessa revisão, destaco o potencial dos modelos hierárquicos para estimar abundância em amostragens com drone. No segundo capítulo, aplico amostragens espaço-temporalmente replicadas com drone, analisadas com modelos hierárquicos N-mixture, para entender o efeito de processos topo-base (distribuição de onças-pintadas) e base-topo (disponibilidade de forragem de qualidade e corpos d’água) na distribuição da abundância de cervos-do- pantanal. Nesse estudo, encontrei que, na época seca, os cervos se concentram em áreas de alta qualidade (maior disponibilidade de forragem e próximas a corpos d’água), mesmo sendo a região em que é esperado maior efeito da predação. No capítulo 3, em um estudo com simulações, avalio o desempenho de modelos N-mixture para estimativas de abundância a partir de amostragens espaço-temporalmente replicadas, explorando otimização de esforço amostral e o impacto de um protocolo com observadores duplos na acurácia das estimativas. No capítulo 4, desenvolvo uma abordagem para estimar abundância com drone usando observadores múltiplos na revisão das imagens, sendo um dos observadores baseado em um processamento semiautomático usando algoritmos de inteligência artificial. Nesse estudo, exploro técnicas de aprendizado profundo de máquina, com redes neurais convolucionais, acessíveis para ecólogos, treinando algoritmos para detectar cervos nas imagens de drone. Além de ajudar a elucidar questões sobre as relações do cervo-do-pantanal com aspectos diferentes da paisagem do Pantanal, as abordagens exploradas e desenvolvidas aqui têm um grande potencial de aplicação, ajudando a estabelecer os drones como uma ferramenta eficiente para modelagem e monitoramento populacional de diversas espécies animais, e particularmente de cervos.

Understanding how abundance distributes in space and/or time is a fundamental question in ecology and conservation, and it helps, for example, to elucidate relationships between landscape heterogeneity or predation and populations. Information on the population size also is essential to evaluate extinction risk, monitor threatened species and plan conservation actions. Abundance modeling of marsh deer (Blastocerus dichotomus), as a large herbivore of South America, may be important to understand the relationships of this species with spatial variation in primary productivity, in the availability of wetlands that the species inhabits, and in the distribution of its main predator, the jaguar. Moreover, since marsh deer threatened to extinction, estimating its abundance can be contribute in assessments of relictual populations, as well as in monitoring the species after big events, such as the Pantanal 2020 megafires. However, efficiently assessing reliable abundance estimates require robust methods that account for possible sources of error in counts while providing the estimates timely. An optimized sampling design is also important, in order to make the best use of the usual scarce resources. Drones have raised as a versatile and cost- effective tool for sampling animal populations, and they have been applied for several species in a wide variety of ecological contexts. As being an emergent method, the use of drones in ecology provides opportunities to explore novel possibilities of sampling and analyzing data, while potentially presenting new challenges. In this thesis I: i) explore opportunities and challenges in the use of drones for animal abundance modeling, approaching issues about detection errors, sampling design and how to deal with the huge image sets generated from drone flights; and ii) apply the developed methods to study the spatial variation in marsh deer abundance and to establish an approach to monitor this species robustly and efficiently. Thus, in the first chapter, I carry on a literature review describing potential sources of errors that may bias abundance estimation with drones and the current solutions to address them, identifying gaps that need development. In this review, I highlight the potential of hierarchical models for abundance estimations from drone-based surveys. In the second chapter, I apply spatiotemporally replicated drone surveys, analyzed with N-mixture models, to understand the influence of bottom-up (forage and water) and top-down (jaguar density) variables on the spatial variation of marsh deer local abundance. In such study, I found that, in the dry season, the deer concentrate in high quality areas (high-quality forage available and close to water bodies), even these regions being expected to present higher predation risks. In chapter 3, in a simulation study, I evaluate the performance of N- mixture models for abundance estimation from spatiotemporally replicated surveys, exploring optimization of sampling effort and the impact of a double-observer protocol on estimation accuracy. In chapter 4, I develop a pipeline to estimate abundance from drone-based surveys using a multiple-observer protocol in which one of the observer is a semiautomated procedure based on deep learning algorithms. In such study, I explore deep learning techniques with convolutional neural networks that are accessible for ecologists, and train algorithms to detect marsh deer in drone imagery. Besides helping to elucidate questions about the relationships of marsh deer with landscape variables in Pantanal, the approaches explored and developed here have a great potential of application in order to establish drones as an efficient technique for population modeling and monitoring of several wildlife species, and particularly the marsh deer.