IA e Biodiversità: due studi dell'UniTo rivelano i limiti del riconoscimento automatico degli uccelli

L'impiego dell'intelligenza artificiale nel monitoraggio ecologico richiede una forte cautela interpretativa. È quanto emerge da due studi condotti dal Dipartimento di Scienze della Vita e Biologia dei Sistemi dell’Università di Torino - intitolati Listening to the city e Decoding the noise e pubblicati rispettivamente su Remote Sensing in Ecology and Conservation e Journal of Ornithology - che hanno messo alla prova BirdNET, uno dei software di bioacustica più diffusi al mondo, sviluppato dal Cornell Lab of Ornithology e dalla Chemnitz University of Technology. Analizzando oltre 4.000 registrazioni raccolte tramite 26 dispositivi installati tra maggio e giugno 2024 nei parchi di Torino e Firenze, i ricercatori hanno evidenziato come il software tenda a sovrastimare drasticamente la ricchezza faunistica urbana.

Se la precisione dei singoli rilevamenti si attesta attorno al 70-80% quando vengono impostati i filtri geografici e temporali, il conteggio complessivo delle specie evidenzia un margine d'errore marcato: a Torino il software ha segnalato 113 specie contro le 48 realmente confermate da esperti ornitologi, mentre a Firenze le segnalazioni sono arrivate a 136 a fronte di 65 specie effettive, traducendosi in un tasso d'errore superiore al 50%. L'analisi dettagliata dei frammenti audio ha mostrato che in circa sette casi su dieci l'errore deriva da confusioni tra specie simili, mentre in un caso su cinque il sistema si lascia ingannare da rumori antropici, trasformando ambulanze in strolaghe minori, accelerazioni di motociclette in cicogne bianche e grida di bambini in gabbiani corallini.

Il fenomeno è riconducibile alla modalità con cui l'algoritmo processa i dati, convertendo i suoni in spettrogrammi visivi e privilegiando la somiglianza morfologica delle frequenze rispetto alla plausibilità ecologica della specie nel contesto cittadino. Mentre le specie comuni (merli, capinere, cinciallegre) vengono identificate con elevata affidabilità, le specie rare o estranee all'habitat urbano generano falsi positivi sistematici. Per mitigare tali criticità, il team di ricerca - coordinato dal prof. Enrico Caprio e con la dott.ssa Valeria Ferrario come prima autrice - raccomanda l'adozione di soglie di confidenza ottimali, il filtraggio stagionale dei dati e la verifica umana preventiva, proponendo inoltre di integrare nell'addestramento dei modelli i rumori tipici dei contesti metropolitani.

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato con le notizie di GreenCity.it iscriviti alla nostra Newsletter gratuita.