IA aplicada à investigação da biodiversidade estuarina

Como pode a IA apoiar a investigação científica?

Pode localizar e avaliar literatura, organizar e classificar dados, estruturar bases de dados, tratar registos geográficos e fotográficos, identificar padrões e preparar relatórios. Acelera o trabalho preparatório — que é a maior parte do tempo de qualquer investigação — sem substituir o método científico, a observação no terreno nem a validação por quem sabe.

O que foi feito

Partindo de um projeto sobre a biodiversidade de um grande estuário português, explorámos onde é que a inteligência artificial acrescenta e onde é que não deve entrar. Em concreto, usámos IA para:

• localizar e avaliar literatura científica sobre ecossistemas estuarinos;
• comparar o estuário com outros, do Reino Unido ao Norte de África;
• investigar riqueza, abundância e distribuição de espécies;
• analisar as diferentes definições de hotspot de biodiversidade;
• estruturar uma metodologia de recolha e classificação;
• organizar espécies por filo, grupo taxonómico e habitat;
• criar uma base de dados para espécies, coordenadas, datas, projetos e fotografias;
• preparar análises por local, por período e por tipo de habitat;
• relacionar registos fotográficos com informação ecológica;
• preparar futuras atividades de observação e investigação no rio.

A definição escolhida determina o resultado

Não há uma definição única de hotspot de biodiversidade. Umas assentam em riqueza de espécies, outras em endemismos, outras em grau de ameaça ou em raridade. O mesmo estuário pode ser hotspot por um critério e não ser por outro.

Explicitar qual o critério — e porquê — é parte do trabalho científico, não um detalhe de rodapé. É também onde uma ferramenta de IA usada sem cuidado produz uma resposta confiante e errada: a pergunta «isto é um hotspot?» não tem resposta sem a pergunta anterior.

Porque comparar estuários de latitudes diferentes

Um estuário isolado não diz se os seus números são altos ou baixos. Comparar com estuários do Reino Unido e do Norte de África dá contexto à riqueza e à distribuição observadas, e ajuda a distinguir o que é característico daquele local do que é característico do tipo de ecossistema.

Uma base de dados, não uma lista

Registos de biodiversidade só valem se forem comparáveis. A estrutura liga espécie, coordenadas, data, projeto e registo fotográfico, e organiza as espécies por filo, grupo taxonómico e habitat — para que seja possível analisar depois por local, por período e por tipo de habitat.

É o mesmo princípio que aplicámos na auditoria de dados na saúde: antes de qualquer análise vem a pergunta de saber se os dados aguentam a análise.

Três dimensões, e é a ligação entre elas que interessa

A parte que não se faz ao computador

A BigLearn mantém uma ligação prática ao rio, incluindo uma embarcação num grande rio português que pode apoiar atividades de observação, recolha de informação, sensibilização ambiental e investigação aplicada.

É a componente física da mesma capacidade: a possibilidade de sair do ambiente digital e usar o rio como espaço de observação, experimentação e aprendizagem aplicada. As atividades estão em preparação, e a estrutura de dados foi desenhada para receber o que de lá vier.

Usamos IA para acelerar a investigação, preservando o método científico, a observação no terreno e a validação por especialistas.

Onde isto se aplica fora da biodiversidade

O mesmo conjunto — revisão e avaliação de literatura, organização e classificação de dados, identificação de padrões e hipóteses, criação de bases de dados científicas, tratamento de registos geográficos e fotográficos, preparação de metodologias e protocolos, produção de relatórios e visualizações, monitorização ambiental e divulgação científica — aplica-se a qualquer projeto de investigação com trabalho documental e de campo.