Due studi condotti dal Dipartimento di Scienze della Vita e Biologia dei Sistemi dell’Università di Torino hanno valutato l’affidabilità di BirdNET, un sistema di riconoscimento automatico delle specie di uccelli basato su reti neurali, utilizzando registrazioni acustiche raccolte nei parchi urbani di Torino e Firenze. Le ricerche, realizzate nell’ambito del National Biodiversity Future Center (NBFC), hanno esaminato le prestazioni del software in ambienti caratterizzati dalla sovrapposizione tra vocalizzazioni degli animali e rumori prodotti dalle attività umane. BirdNET è stato sviluppato dal K. Lisa Yang Center for Conservation Bioacoustics del Cornell Lab of Ornithology e dalla Chemnitz University of Technology e viene utilizzato per analizzare registrazioni sonore e associare le caratteristiche dei segnali acustici alle specie presenti nei modelli di classificazione. L’applicazione agli ambienti urbani ha permesso di osservare errori particolarmente significativi: una sirena di ambulanza è stata identificata come il verso di una strolaga minore, il rumore di una motocicletta come quello di una cicogna bianca e le grida dei bambini come vocalizzazioni di un gabbiano corallino.
I ricercatori hanno verificato come l’utilizzo di informazioni contestuali, quali la località geografica e il periodo dell’anno, possa migliorare le prestazioni del riconoscimento automatico. Quando il sistema viene configurato per considerare soltanto le specie compatibili con l’area e la stagione della registrazione, circa sette rilevamenti su dieci a Torino e quasi otto su dieci a Firenze risultano corretti. Tuttavia, la valutazione cambia sensibilmente quando si considera il numero complessivo di specie individuate anziché la correttezza dei singoli rilevamenti. BirdNET ha segnalato 113 specie a Torino e 136 a Firenze, mentre le verifiche effettuate da ornitologi esperti hanno confermato rispettivamente soltanto 48 e 65 specie effettivamente presenti. Le identificazioni errate corrispondono quindi al 58% delle specie segnalate a Torino e al 52% di quelle individuate a Firenze. Questa differenza deriva soprattutto dalla presenza di falsi positivi occasionali, che possono rappresentare una quota relativamente limitata delle registrazioni ma alterare considerevolmente le stime della ricchezza specifica di un ambiente.
Un ulteriore elemento esaminato riguarda l’utilizzo delle soglie di confidenza, cioè i punteggi minimi che un riconoscimento deve raggiungere per essere considerato sufficientemente affidabile. I ricercatori hanno calcolato le soglie ottimali per 33 specie, osservando che i valori cambiano in funzione della specie e del contesto urbano considerato. Non è quindi sufficiente applicare una soglia uniforme a tutte le classificazioni, poiché segnali acustici diversi presentano caratteristiche differenti e possono essere influenzati in modo non omogeneo dalle condizioni ambientali. La ricerca evidenzia l’importanza di integrare le previsioni del modello con filtri ecologici, informazioni sulla distribuzione geografica delle specie e verifiche effettuate da specialisti, soprattutto quando i dati vengono utilizzati per stimare la composizione delle comunità ornitiche.
Secondo Valeria Ferrario, prima autrice di entrambi gli studi, BirdNET permette di esaminare quantità di registrazioni difficilmente gestibili attraverso il solo ascolto umano, ma le identificazioni non possono essere considerate automaticamente equivalenti a osservazioni confermate sul campo. Il problema assume particolare rilevanza nei programmi di monitoraggio della biodiversità, nei quali una sovrastima del numero di specie può compromettere la rappresentazione delle comunità animali presenti in un territorio. I risultati ottenuti nei parchi di Torino e Firenze indicano quindi che il riconoscimento acustico automatizzato può sostenere efficacemente la raccolta e l’elaborazione dei dati, a condizione che le classificazioni siano valutate in relazione alle caratteristiche ecologiche e sonore degli ambienti osservati.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)