Laura Liv Nørgaard Larsen, Ninette Christensen, Trine Kristensen, Thea Loumand Faddersbøll, Anne Rikke Winther Lassen, Brian Rasmussen, Sussie Pagh, Cino Pertoldi · Animals · 2026

Automated Activity Tracking and Space Use Monitoring of Captive Jaguars with Machine Learning

Resumo em português

Monitorar tanto animais em cativeiro quanto populações selvagens é necessário para garantir o bem-estar animal adequado e a conservação da vida selvagem. Ferramentas existentes de monitoramento, como câmeras-trap, permitem vigilância, porém a análise pode ser demorada e trabalhosa se feita manualmente. A natureza automatizada do aprendizado de máquina (machine learning, ML) reduz o viés do observador e a carga de trabalho manual, além de melhorar a capacidade de avaliação das ferramentas de monitoramento comportamental, frequentemente usadas por funcionários de instituições zoológicas. Este estudo investigou a atividade e o uso do espaço de três onças-pintadas (Panthera onca) em cativeiro por meio de reconhecimento individual automatizado, rastreamento de atividade e visualização por mapas de calor utilizando um modelo de ML treinado com imagens de vídeo. No total, foram registrados 123,8 h de filmagens do recinto das onças-pintadas no Randers Regnskov, Tropical Zoo. O modelo de ML analisou todos os vídeos contendo onças-pintadas de um dia. O modelo apresentou desempenho satisfatório com base em suas métricas de avaliação (precisão média, recall, precisão e F1-score). O modelo de ML mostrou trajetórias de movimento repetidas dentro de áreas específicas do recinto. As onças-pintadas exibiram comportamento significativamente mais inativo que ativo e não pareceram apresentar padrões naturais bimodais de atividade noturna ou crepuscular de caça. Deve-se observar que, devido ao pequeno tamanho da amostra de apenas três onças-pintadas e 24 horas analisadas, este estudo é uma prova de conceito para demonstrar o potencial dos métodos de ML como ferramentas valiosas para reconhecimento individual, rastreamento de atividade e monitoramento do uso do espaço para auxiliar em futuros monitoramentos do bem-estar animal.

Resumo original em inglês

Monitoring both captive animals and wild populations is necessary to ensure adequate animal welfare and wildlife conservation. Existing monitoring tools, e.g., camera traps, enable surveillance, yet analysis can prove time-consuming and labor-intensive if handled manually. The automated nature of machine learning (ML) reduces observer bias and manual workload and improves assessment capacity of behavioral monitoring tools that are often used by staff at zoological institutions. This study investigated the activity and space use of three captive jaguars ( Panthera onca ) through automated individual recognition, activity tracking, and heatmap visualization using an ML model trained on video footage. In total, 123.8 h of video footage was recorded of the jaguar enclosure in Randers Regnskov, Tropical Zoo. The ML model analyzed all videos containing jaguars from one day. The model achieved satisfactory performance based on its evaluation metrics (mean average precision, recall, precision, and F1-score). The ML model showed repeated movement tracks within specific enclosure areas. The jaguars exhibited significantly more inactive than active behavior and did not seem to exhibit natural bimodal nocturnal or crepuscular hunter activity patterns. It should be stated that, due to the small sample size of only three jaguars and 24 analyzed hours, this study is a proof-of-concept to demonstrate the potential of ML methods as valuable tools for individual recognition, activity tracking, and monitoring of space use to aid in future animal welfare monitoring.

Espécies citadas

• Panthera onca · onça-pintada
  ?

  Nomes populares variam entre regiões e uma mesma palavra pode designar espécies diferentes. Confira sempre o nome científico: Panthera onca.