Embedded Computer Vision Systems for Anomaly Detection and Biodiversity Indicator Analysis in Proactive Ecosystem Management

Abstract

La conservació de la biodiversitat i la monitorització ambiental són reptes de gran rellevància en un context marcat pel canvi climàtic i la pèrdua accelerada d’espècies. En aquest escenari, les tecnologies de visió per computador i l’aprenentatge profund ofereixen noves oportunitats per automatitzar tasques com la identificació, el recompte i el seguiment d’espècies, així com per analitzar el comportament animal en diferents entorns.

L’objectiu principal d’aquesta tesi és dissenyar i validar metodologies i eines basades en visió per computador que contribueixin a millorar la monitorització de la biodiversitat i del medi ambient. Els objectius específics inclouen: (i) el recompte automàtic d’espècies i la monitorització d’hàbitats en temps real; (ii) l’anàlisi del comportament d’animals domèstics abandonats; (iii) la creació de sistemes escalables de vigilància ecològica mitjançant arquitectures que combinen computació a l’edge i al núvol, i (iv) l’avaluació crítica de l’ús de models de llenguatge (LLMs) per a la monitorització ambiental i la detecció de desinformació.

La recerca integra tècniques d’aprenentatge profund, detecció i seguiment d’objectes, processament de vídeo multihil i anàlisi automatitzada de dades ambientals. A més, s’han desenvolupat marcs metodològics reproductibles que aprofiten les capacitats de la computació distribuïda en el continuum edge-núvol.

Els resultats mostren que és possible dissenyar solucions eficaces i adaptables per a la monitorització en entorns naturals i urbans. La tesi presenta avenços rellevants en la precisió del recompte automàtic d’espècies, eines per a la caracterització automatitzada del comportament animal i una avaluació crítica de les possibilitats i limitacions dels models de llenguatge aplicats a l’àmbit ambiental.Les contribucions d’aquest treball obren noves línies de recerca en visió per computador aplicada a la sostenibilitat i proporcionen eines útils per a iniciatives de conservació, gestió de fauna i monitorització ambiental en temps real.

La conservación de la biodiversidad y la monitorización ambiental son desafíos de gran relevancia en un contexto marcado por el cambio climático y la pérdida acelerada de especies. En este escenario, las tecnologías de visión por computador y el aprendizaje profundo ofrecen nuevas oportunidades para automatizar tareas como la identificación, el conteo y el seguimiento de especies, así como para analizar el comportamiento de animales en distintos entornos.

El objetivo principal de esta tesis es diseñar y validar metodologías y herramientas basadas en visión por computador que contribuyan a mejorar el monitoreo de la biodiversidad y del medio ambiente. Entre los objetivos específicos se incluyen: (i) el conteo automático de especies y la monitorización de hábitats en tiempo real; (ii) el análisis del comportamiento de animales domésticos abandonados; (iii) la creación de sistemas escalables de vigilancia ecológica mediante arquitecturas que combinan computación en el edge y en la nube; y (iv) la evaluación crítica del uso de modelos de lenguaje (LLMs) para la monitorización ambiental y la detección de desinformación.

La investigación integra técnicas de aprendizaje profundo, detección y seguimiento de objetos, procesado de vídeo multihilo y análisis automatizado de datos ambientales. Además, se han desarrollado marcos metodológicos reproducibles que aprovechan las capacidades de la computación distribuida en el continuum edge-cloud.

Los resultados muestran que es posible diseñar soluciones eficaces y adaptables para la monitorización en entornos naturales y urbanos. La tesis presenta avances relevantes en la precisión del conteo automático de especies, herramientas para la caracterización automatizada del comportamiento animal, y una evaluación crítica de las posibilidades y limitaciones de los modelos de lenguaje aplicados al ámbito ambiental. Las contribuciones de este trabajo abren nuevas líneas de investigación en visión por computador aplicada a la sostenibilidad, y proporcionan herramientas útiles para iniciativas de conservación, gestión de fauna y monitorización ambiental en tiempo real.

Biodiversity conservation and environmental monitoring are pressing challenges in the context of climate change and the accelerated loss of species. In this scenario, computer vision and deep learning technologies offer new opportunities to automate tasks such as species identification, counting, and tracking, as well as the analysis of animal behavior across different environments. The main objective of this PhD research is to design and validate computer vision-based methodologies and tools that improve biodiversity and environmental monitoring.

The specific goals include: (i) real-time species counting and habitat monitoring, (ii) behavioral analysis of abandoned domestic animals, (iii) development of scalable ecological surveillance systems using edge-cloud architectures, and (iv) a critical evaluation of the use of large language models (LLMs) for environmental monitoring and misinformation detection. The research combines deep learning, object detection and tracking, multithreaded video processing, and automated environmental data analysis. In addition, reproducible methodological frameworks have been developed to leverage the capabilities of distributed computing in edgecloud environments.

The results demonstrate the feasibility of designing effective and adaptable solutions for monitoring in both natural and urban settings. The thesis presents significant advances in automated species counting, tools for automated animal behavior analysis, and a critical assessment of the strengths and limitations of language models in environmental applications. This work contributes to advancing research in computer vision for sustainability and provides useful tools for conservation projects, wildlife management, and real-time environmental monitoring.