Oggi oltre 120.000 specie monitorate dalla Lista rossa IUCN risultano minacciate e di ben 17.000 non si hanno dati. I dati raccolti comunque sono sempre eterogenei – video, immagini, registrazioni – e le indagini scientifiche sono condotte a livello globale. Per questo secondo Frank van Langevelde, professore del gruppo Wildlife Ecology and Conservation presso l’Università di Wageningen, oggi servono strumenti innovativi che consentano una valutazione ampia e rapida di una gran quantità di dati eterogenei e la sua proposta è coniugare le conoscenze ecologiche con le nuove tecnologie di machine learning.
Oggi i sensori sono economici e accessibili e stanno accelerando l’acquisizione dei dati nell’ecologia animale ma queste tecnologie attualmente hanno un impiego limitato perché i dati vengono estratti e utilizzati in modo inefficiente senza sfruttarne il potenziale.
Generalmente, poi, la conoscenza delle specie e delle dinamiche delle loro popolazioni si basano sulla raccolta dei dati effettuata da operatori che sul campo contano gli animali, osservano il loro comportamento e/o pattugliano le riserve naturali. Sforzi lunghi, laboriosi e costosi che possono anche portare a set di dati distorti perché dipendono dalla soggettività dell’osservatore. Non solo, la presenza umana può implicare rischi per la fauna selvatica e i loro habitat e questo tipo di rilevazioni sono necessariamente parziali perché il numero di animali che possono essere osservati simultaneamente è necessariamente ridotto, quindi i dati e l’estensione dell’area fisica monitorata sono limitati.
Le piattaforme di crowdsourcing come eMammal (emammal.si.edu), Agouti (agouti.eu) e Zooniverse (www.zooniverse.org), che funzionano come portali collaborativi, hanno un ruolo cruciale ma il rapido aumento del volume e della velocità di raccolta dei dati sta rendendo inadeguati e insostenibili gli approcci tradizionali di analisi.
Secondo il professor, c’è una discrepanza tra il volume della documentazione (video, immagini, registrazioni audio) acquisita per gli studi ecologici e la capacità di elaborare e analizzare questi dati multi-sorgente.
Per questo Frank van Langevelde e il suo team sostengono che l’integrazione del machine learning nei flussi di lavoro ecologici potrebbe migliorare gli input per i modelli ecologici e portare a strumenti di modellazione ibrida integrati. Un percorso innovativo per cui è necessaria una collaborazione interdisciplinare in grado di garantire la qualità di nuovi approcci e anche di formare una nuova generazione di data scientist in ecologia e conservazione.
L’idea di coniugare ecologia e machine learning è nata quando Van Langevelde e il suo team stavano testando un sistema per rilevare i bracconieri nelle savane africane utilizzando i grandi erbivori come sentinelle. Animali come zebre e gnu cambiano comportamento quando le persone, come i bracconieri, si trovano nelle vicinanze. “Abbiamo monitorato il comportamento degli animali utilizzando il GPS e abbiamo scoperto che la presenza di intrusi umani poteva essere rilevata con una precisione dell’86%. Iniziative di questo tipo sono molto utili per prevenire l’estinzione di alcune specie selvatiche e combinando ulteriormente l’intelligenza artificiale e l’ecologia si potrebbero ottenere risultati importanti“, ha affermato Van Langevelde.
Lo studio è stato pubblicato il 9 febbraio su Nature Communications.
proposta di lavoro molto interessante e soprattutto del tutto realizzabile con la tecnologia attuale. è molto bello l’esempio del monitoraggio di questa “specie”, ahimè ancora non in estinzione, che sono i bracconieri 🙂
forse è venuto il momento che l’uomo che ha creato questi sistemi, per gran parte, per il proprio divertimento o per il proprio guadagno si impegni anche salvare le specie che fino ad ora ha vessato, anche e soprattutto non conoscendole. non c’è nulla di peggio di chi fa del male senza conoscere a chi lo sta facendo ?