L’applicazione dell’intelligenza artificiale alla conservazione della biodiversità sta aprendo nuove prospettive nella ricerca zoologica, in particolare per lo studio di specie difficili da osservare direttamente. Un esempio significativo proviene da un progetto sviluppato da ricercatori dell’Università di Torino, che hanno adattato algoritmi di riconoscimento acustico per monitorare i lemuri nelle foreste del Madagascar. La ricerca introduce un approccio basato sull’analisi automatica delle vocalizzazioni, consentendo di raccogliere dati continui sul comportamento degli animali senza interventi invasivi e con un’elevata precisione di classificazione.
Il progetto si fonda sull’uso di registratori acustici automatici installati nella foresta pluviale di Maromizaha, attivi ventiquattr’ore su ventiquattro per un periodo di diversi anni. Tra il 2020 e il 2023 sono stati raccolti oltre 55.000 file audio, una quantità di dati impossibile da analizzare manualmente con metodologie tradizionali. L’intelligenza artificiale è stata quindi utilizzata per automatizzare la classificazione delle vocalizzazioni, permettendo di individuare la presenza e i ritmi di attività delle specie studiate anche in momenti in cui l’osservazione diretta risulta complessa o impraticabile, come durante la notte o in condizioni ambientali difficili.
Il sistema impiegato deriva dall’adattamento di BirdNET, una rete neurale convoluzionale sviluppata originariamente per il riconoscimento dei canti degli uccelli. Il modello è stato riaddestrato per identificare le vocalizzazioni dei lemuri, in particolare di specie come Indri indri e Varecia variegata, entrambe fortemente minacciate dalla perdita di habitat. L’addestramento del sistema ha consentito di raggiungere un’accuratezza superiore al 90%, dimostrando la possibilità di trasferire algoritmi sviluppati in ambito ornitologico allo studio dei primati.
L’approccio si basa sul monitoraggio acustico passivo, una tecnica che utilizza registratori ambientali per acquisire in modo continuo i suoni della foresta. I segnali audio vengono poi elaborati da modelli di deep learning che identificano pattern specifici associati alle vocalizzazioni delle specie target. Questo metodo consente di analizzare grandi quantità di dati in tempi ridotti e di ottenere informazioni dettagliate sull’attività degli animali. I risultati dello studio hanno evidenziato, ad esempio, che l’Indri presenta un picco di attività nelle prime ore del mattino, mentre il vari bianconero mostra un’attività più intensa nel tardo pomeriggio, fornendo indicazioni utili per la pianificazione di strategie di conservazione mirate.
L’uso dell’intelligenza artificiale rappresenta un’evoluzione rispetto alle tecniche tradizionali di osservazione sul campo. Il monitoraggio diretto richiede la presenza di ricercatori e può essere limitato da condizioni ambientali, accessibilità del territorio e comportamento degli animali. L’analisi automatizzata delle registrazioni consente invece una raccolta dati continua e standardizzata, riducendo l’impatto umano sugli ecosistemi e aumentando la precisione delle rilevazioni. Inoltre, l’utilizzo di piattaforme open source ha permesso di ridurre i costi tecnologici e facilitare il trasferimento delle competenze anche ai gestori locali delle aree protette.
L’importanza di questo approccio è particolarmente evidente nel contesto del Madagascar, uno dei principali hotspot mondiali di biodiversità, ma anche uno degli ecosistemi più minacciati dalla deforestazione e dalla frammentazione degli habitat. I lemuri, specie endemiche dell’isola, sono tra i primati più a rischio di estinzione, e il monitoraggio continuo delle loro popolazioni rappresenta uno strumento essenziale per la conservazione. L’intelligenza artificiale consente di aggiornare le stime di presenza delle specie e di analizzare le dinamiche comportamentali su scala temporale estesa, migliorando la qualità dei dati disponibili per la gestione ambientale.
Un ulteriore elemento rilevante riguarda la scalabilità della metodologia. Una volta addestrato, il modello può essere applicato ad altre specie o ad altri ecosistemi, estendendo l’utilizzo del monitoraggio acustico automatizzato. L’adattabilità degli algoritmi di deep learning consente infatti di trasferire il sistema a contesti differenti, rendendo possibile la creazione di reti di monitoraggio su larga scala. Questo approccio apre la strada a una nuova generazione di strumenti per la conservazione della biodiversità basati su dati continui e analisi automatizzate.