| Data: |
2026 |
| Resum: |
El monitoratge de la fauna salvatge és un element fonamental de la recerca ecològica i de la conservació, ja que dona suport tant a estratègies de gestió retrospectives basades en dades com a la presa de decisions en temps real. Proporciona informació essencial sobre la distribució de les espècies, el comportament i la dinàmica poblacional en un context de pèrdua accelerada de biodiversitat. Tanmateix, la ràpida expansió de l'ús de càmeres trampa, juntament amb l'augment de la resolució temporal i la precisió de les tecnologies modernes de monitoratge, ha generat volums de dades sense precedents, cosa que planteja reptes analítics importants. En els darrers anys, els enfocaments d'aprenentatge automàtic i d'aprenentatge profund han emergit com a eines prometedores per abordar aquestes limitacions. Aquesta tesi avalua el potencial dels models de visió per computador basats en YOLO en una varietat d'aplicacions ecològiques. Per a aquest objectiu, es va confeccionar un conjunt de dades d'imatges de fauna que abasta múltiples espècies, i es van avaluar diferents variants recents de l'arquitectura YOLO amb l'objectiu d'establir un rendiment base de detecció. Posteriorment, es van investigar diverses estratègies per optimitzar el model amb millor rendiment sense incrementar els requeriments de dades d'entrenament. Per avaluar l'aplicabilitat en condicions reals, es va desplegar un sistema de monitoratge de fauna en temps real que integra càmeres trampa amb connectivitat cel·lular i el model optimitzat. A més, es van combinar models d'estimació de postura amb un perceptró multicapa per inferir el comportament de l'ós mitjançant un enfocament analític innovador. Els resultats mostren que els models de detecció basats en YOLO ofereixen un rendiment robust per al monitoratge de fauna, amb millores obtingudes mitjançant l'optimització d'hiperparàmetres, mentre que l'increment de l'especificitat del domini mitjançant la partició del conjunt de dades segons criteris cromàtics no va aportar beneficis addicionals. El sistema desplegat va demostrar capacitats de detecció quasi en temps real adequades per a una àmplia gamma d'aplicacions ecològiques, i els models d'estimació de postura adaptats van permetre inferir amb èxit el comportament bípede. En conjunt, aquesta tesi posa de manifest el gran potencial dels enfocaments d'aprenentatge profund per afrontar reptes persistents en el monitoratge de fauna i per permetre l'observació ecològica automatitzada en temps real, alhora que ofereix orientacions pràctiques sobre els punts forts i les limitacions d'aquestes metodologies en l'àmbit de la recerca ecològica. |
| Resum: |
El monitoreo de la fauna silvestre es un pilar fundamental de la investigación ecológica y la conservación, ya que respalda tanto estrategias de gestión retrospectivas basadas en datos como la toma de decisiones activa en tiempo real. Proporciona información esencial sobre la distribución de las especies, su comportamiento y la dinámica poblacional en un contexto de acelerada pérdida de biodiversidad. Sin embargo, la rápida expansión del despliegue de cámaras trampa, junto con el aumento de la resolución temporal y la precisión de las tecnologías modernas de monitoreo, ha dado lugar a volúmenes de datos sin precedentes, generando importantes desafíos analíticos. En los últimos años, los enfoques de aprendizaje automático y aprendizaje profundo han surgido como herramientas prometedoras para abordar estas limitaciones. Esta tesis evalúa el potencial de modelos de visión por computador basados en YOLO en una amplia gama de aplicaciones ecológicas. Se construyó un conjunto de datos personalizado de imágenes de fauna silvestre que abarca múltiples especies, y se compararon distintas variantes recientes de la arquitectura YOLO para establecer un rendimiento base de detección. Posteriormente, se investigaron varias estrategias para optimizar el modelo con mejor desempeño sin aumentar los requisitos de datos de entrenamiento. Para evaluar su aplicabilidad en condiciones reales, se desplegó un sistema de monitoreo de fauna en tiempo real que integra cámaras trampa con conectividad celular y el modelo optimizado. Además, se combinaron modelos de estimación de pose con un perceptrón multicapa para inferir el comportamiento de osos mediante un marco analítico innovador. Los resultados demuestran que los modelos de detección basados en YOLO ofrecen un rendimiento robusto para el monitoreo de fauna silvestre, con mejoras logradas mediante la optimización de hiperparámetros, mientras que un mayor grado de especificidad del dominio a través de la partición del conjunto de datos basada en el color no mejoró los resultados. El sistema desplegado alcanzó capacidades de detección casi en tiempo real, adecuadas para una amplia gama de aplicaciones ecológicas, y los modelos adaptados de estimación de pose lograron inferir con éxito el comportamiento bípedo. En conjunto, esta tesis pone de manifiesto el gran potencial de los métodos de aprendizaje profundo para abordar desafíos persistentes en el monitoreo de fauna silvestre y permitir la observación ecológica automatizada en tiempo real, al tiempo que ofrece orientaciones prácticas sobre las fortalezas y limitaciones de estos métodos para la investigación ecológica. |
| Resum: |
Wildlife monitoring is a cornerstone of ecological research and conservation, supporting both retrospective, data driven management strategies and active, real time decision making. It provides essential information on species distributions, behavior, and population dynamics in the context of accelerating biodiversity loss. However, the rapid expansion of camera trap deployments, together with the increasing temporal resolution and precision of modern monitoring technologies, has led to unprecedented volumes of data, creating substantial analytical challenges. In recent years, machine learning and deep learning approaches have emerged as promising tools to address these limitations. This thesis evaluates the potential of YOLO based computer vision models across a range of ecological applications. A custom wildlife image dataset spanning multiple species was assembled, and recent variations of the YOLO architecture were benchmarked to establish baseline detection performance. Several strategies were subsequently investigated to optimize the best performing model without increasing training data requirements. To assess real world applicability, a real time wildlife monitoring system integrating cellular connected camera traps and the optimized model was deployed. In addition, pose estimation models were combined with a multi layer perceptron to infer bear behavior through an innovative analytical framework. The results demonstrate that YOLO based detection models perform robustly for wildlife monitoring, with performance gains achieved through hyperparameter optimization, while increased domain specificity through color based dataset partitioning did not improve outcomes. The deployed system achieved near real time detection capabilities suitable for a wide range of ecological applications, and adapted pose estimation models successfully inferred bipedal behavior. Overall, this thesis highlights the strong potential of deep learning approaches to address persistent challenges in wildlife monitoring and to enable automated, real time ecological observation, while providing practical guidance on the strengths and limitations of these methods for ecological research. |
| Nota: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Ecologia Terrestre |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Anglès |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Matèria: |
Intel·ligència Artificial ;
Artificial Inteligence ;
Inteligencia Artificial ;
Seguiment de fauna ;
Wildlife monitoring ;
Seguimiento de fauna ;
Ciències Experimentals |
visitant ::
identificació
dir.
