Nuove mappe di intelligenza artificiale aiutano a proteggere la biodiversità in tutti i settori
Le decisioni in merito alla biodiversità dipendono spesso da dati incompleti. In un sito potrebbe essere presenti alcune indagini condotte in anni diversi, da team diversi e che utilizzano metodi diversi. Ciò rende difficile confrontare le località, individuare tempestivamente le tendenze e spiegare i compromessi quando si prendono in considerazione nuove infrastrutture, l’uso del suolo o le misure di conservazione. Il progetto GUARDEN(si apre in una nuova finestra), finanziato dall’UE, si è proposto di migliorare la situazione con una serie di strumenti pratici per il monitoraggio. Combinando indicatori satellitari, modellizzazione IA, piattaforme di scienza dei cittadini, sensori acustici e strumenti di realtà aumentata, si propone di attivare un aggiornamento più frequente delle informazioni sulla biodiversità e sui servizi ecosistemici e di sostenere l’applicazione di tali informazioni nella pianificazione del mondo reale.
Indicatori satellitari e dell’intelligenza artificiale che si adeguano ai diversi paesaggi
I risultati più consistenti di GUARDEN sono stati ottenuti combinando l’osservazione della Terra con la modellizzazione ecologica basata sull’intelligenza artificiale. Come spiega il coordinatore del progetto Pierre Bonnet, «in condizioni reali, la combinazione dei dati di osservazione della Terra con la modellizzazione ecologica basata sull’IA si è rivelata uno degli approcci di monitoraggio più solidi e scalabili nell’ambito di GUARDEN». Questi indicatori degli habitat derivati dal satellite sono stati progettati per essere ripetibili in diversi paesaggi e contesti di governance, favorendo il confronto tra aree e scenari. Per agevolare l’utilizzo dei risultati, GUARDEN ha reso accessibile il proprio set di mappe attraverso lo strumento di mappatura web GeoPl@ntNet(si apre in una nuova finestra). L’approccio funziona meglio per gli schemi su scala del paesaggio e per il monitoraggio delle tendenze, mentre caratteristiche locali su scala fine e specie rare possono essere difficili da cogliere senza un lavoro mirato sul campo.
Metodi di combinazione per ridurre gli angoli morti
GUARDEN ha considerato il monitoraggio come un problema combinato, perché ogni metodo presenta criticità diverse. Le osservazioni derivate dalla scienza dei cittadini tramite piattaforme specifiche, come MINKA e Pl@ntNet, possono fornire preziose registrazioni sul campo; tuttavia, sono soggette alla disomogeneità dei tentativi di campionamento e ai pregiudizi degli osservatori. I sensori acustici possono essere altamente ripetibili, ma le prestazioni diminuiscono se le registrazioni sono mascherate da vento, pioggia e macchinari o se le specie bersaglio sono rare. La conclusione del progetto è chiara: «Una lezione fondamentale è stata che nessun metodo di monitoraggio è sufficiente da solo. I risultati più affidabili sono emersi con l’evidente combinazione degli strumenti, in cui ciascuno ha compensato i punti ciechi degli altri.» Prima di inserire i dati nei modelli, GUARDEN ha aggiunto livelli di controllo della qualità, tra cui controlli di duplicati e anomalie, punteggi di confidenza per le identificazioni, soglie di incertezza e convalida incrociata con set di dati di riferimento e campioni esaminati dagli esperti.
Convalida a terra, analisi comparativa e cosa è cambiato sul campo
La convalida è stata iterativa, unendo le indagini mirate sul campo, i programmi di monitoraggio esistenti, le valutazioni degli esperti e le osservazioni dei cittadini. Un passo tecnico importante è stata la valutazione comparativa del quadro di apprendimento profondo di GUARDEN attraverso le sfide internazionali GeoLifeCLEF(si apre in una nuova finestra) e PlantCLEF(si apre in una nuova finestra), che hanno fornito parametri di riferimento esterni per le prestazioni e contribuito nella calibrazione dei modelli. Nel caso di divergenza tra le mappe e le osservazioni sul campo, la risposta è stata diagnosticare e regolare piuttosto che scartare. Bonnet osserva: «Quando sono emerse discrepanze tra le osservazioni sul campo e i risultati del modello, sono state trattate come segnali di miglioramento piuttosto che come fallimenti.» Tra le cause si annoverano le carenze di dati sulla formazione, gli effetti di scala e i fattori di gestione locali, con affinamenti locali laddove necessario, anche per le esigenze legali. In pratica, i risultati di GUARDEN hanno orientato le revisioni delle opzioni di percorso per le infrastrutture di trasporto, hanno aiutato a concentrare le indagini sul campo sui punti caldi segnalati dal modello, hanno supportato la definizione delle priorità gestionali negli habitat periurbani e hanno permesso di segnalare più rapidamente le specie potenzialmente invasive utilizzando i dati forniti dai cittadini.
