Un’ambulanza che attraversa Firenze a sirene spiegate viene identificata come una strolaga minore, un uccello acquatico del Nord Europa. Il rumore di una moto in accelerazione diventa il richiamo di una cicogna bianca, mentre le grida dei bambini vengono confuse con quelle di un gabbiano corallino. Non sono semplici curiosità, ma alcuni degli errori documentati in due studi scientifici italiani che mettono in evidenza i limiti dell’intelligenza artificiale nel riconoscimento degli uccelli attraverso i loro richiami, soprattutto negli ambienti urbani. Al centro delle ricerche c’è BirdNET, uno dei software più utilizzati per identificare automaticamente le specie di uccelli attraverso le registrazioni sonore. L’analisi condotta dai ricercatori dell’Università di Torino ha evidenziato un dato particolarmente significativo: a Torino e Firenze, dopo le verifiche degli esperti, oltre la metà delle specie segnalate dall’algoritmo è risultata erroneamente identificata. I due lavori, realizzati dal Dipartimento di Scienze della Vita e Biologia dei Sistemi dell’Università di Torino nell’ambito del National Biodiversity Future Center (NBFC), dimostrano quanto sia complesso per un sistema di intelligenza artificiale distinguere i richiami degli animali dai rumori che caratterizzano le città. Allo stesso tempo, offrono indicazioni per rendere più affidabile una tecnologia destinata ad assumere un ruolo sempre più importante nel monitoraggio della biodiversità.
BirdNET, l’intelligenza artificiale che riconosce gli uccelli ma confonde i rumori della città
BirdNET è un software basato su reti neurali, sviluppato dal K. Lisa Yang Center for Conservation Bioacoustics del Cornell Lab of Ornithology e dalla Chemnitz University of Technology. Il suo funzionamento permette di analizzare grandi quantità di registrazioni ambientali e individuare automaticamente le specie di uccelli potenzialmente presenti, riconoscendone le vocalizzazioni. La tecnologia rappresenta un importante strumento per la ricerca naturalistica, perché consente di esaminare una mole di dati che sarebbe estremamente impegnativo controllare attraverso il solo ascolto umano. Ma cosa succede quando il software viene utilizzato in un ambiente caratterizzato da traffico, sirene, voci, attività umane e altri rumori che si sovrappongono ai suoni della natura? È la domanda affrontata nel primo studio, Listening to the city, pubblicato sulla rivista scientifica Remote Sensing in Ecology and Conservation. La ricerca ha valutato l’affidabilità di BirdNET nei contesti urbani. Il secondo lavoro, Decoding the noise, pubblicato sul Journal of Ornithology, ha invece approfondito le cause degli errori, analizzando quali caratteristiche dei suoni portino l’algoritmo a confondere specie differenti o a interpretare rumori estranei come richiami di uccelli. L’obiettivo non è soltanto individuare le imprecisioni del programma, ma comprendere in che modo l’intelligenza artificiale elabora le informazioni acustiche e quali fattori ne condizionano l’affidabilità.
Oltre 4.000 registrazioni nei parchi di Torino e Firenze: come sono stati condotti gli studi
Per raccogliere i dati necessari, tra maggio e giugno 2024 i ricercatori hanno installato 26 registratori automatici nei parchi e nelle aree verdi delle due città. Di questi, 15 sono stati collocati a Torino e 11 a Firenze. I dispositivi sono stati programmati per registrare dieci minuti all’inizio di ogni ora, sia durante il giorno sia nelle ore notturne. Questa metodologia ha consentito di raccogliere un archivio di oltre 4.000 registrazioni sonore, successivamente sottoposte all’analisi automatica di BirdNET. La fase più impegnativa della ricerca è stata però quella dedicata alla verifica dei risultati. Per ciascuna specie individuata dal programma, gli studiosi hanno riascoltato manualmente fino a 500 frammenti audio della durata di tre secondi ciascuno, arrivando a esaminare oltre 30.000 frammenti. Il controllo ha permesso di stabilire se le identificazioni effettuate dall’intelligenza artificiale fossero corrette e, nei casi di errore, di individuare il suono che aveva tratto in inganno il sistema. Un passaggio fondamentale per distinguere le reali presenze ornitologiche dalle segnalazioni prodotte da somiglianze acustiche.
Il risultato sorprendente: più della metà delle specie di uccelli segnalate non era presente
I risultati mostrano una differenza sostanziale tra l’affidabilità dei singoli riconoscimenti e quella dell’elenco complessivo delle specie individuate. Quando BirdNET riceve informazioni sulla località e sul periodo dell’anno in cui è stata effettuata la registrazione, così da limitare il riconoscimento alle specie plausibilmente presenti in quella zona e in quella stagione, la maggior parte delle identificazioni risulta corretta. Nello specifico, circa sette rilevamenti su dieci a Torino e quasi otto su dieci a Firenze sono stati confermati dalle verifiche. Il quadro cambia sensibilmente quando si passa dai singoli rilevamenti al numero complessivo delle specie segnalate. A Torino, BirdNET aveva individuato 113 specie di uccelli, ma il controllo degli esperti ornitologi ha confermato la presenza effettiva di appena 48 specie. A Firenze, su 136 specie indicate dal software, soltanto 65 sono risultate realmente presenti. In termini percentuali, le specie erroneamente segnalate rappresentavano il 58% a Torino e il 52% a Firenze. In entrambe le città, quindi, più della metà delle specie incluse inizialmente negli elenchi automatici non ha trovato conferma nelle registrazioni esaminate dagli esperti. La spiegazione risiede soprattutto nelle identificazioni occasionali. Molte specie vengono segnalate dal software pochissime volte e, di conseguenza, questi errori incidono relativamente poco sul numero totale dei rilevamenti. Sono tuttavia sufficienti ad aumentare artificialmente il numero delle specie apparentemente presenti in un determinato ambiente. Il rischio, dal punto di vista scientifico, è quello di ottenere una rappresentazione della biodiversità urbana più ricca rispetto alla realtà, con possibili conseguenze sull’interpretazione dei dati ecologici.
Perché le sirene delle ambulanze diventano richiami di uccelli: il funzionamento dell’algoritmo
Il secondo studio ha cercato di comprendere il meccanismo alla base degli errori di riconoscimento. Dall’analisi emerge che circa sette errori su dieci derivano dalla confusione tra le vocalizzazioni di specie differenti. In circa un caso su cinque, invece, l’algoritmo interpreta erroneamente suoni prodotti dalle attività umane, come le voci, il traffico, i motori e le sirene. Nei casi restanti, corrispondenti a circa uno su dieci, la fonte dell’errore è rappresentata da fenomeni naturali, come il vento e la pioggia. Per comprendere queste anomalie bisogna considerare il modo in cui BirdNET analizza le registrazioni. Il programma non ascolta i suoni come farebbe un esperto di ornitologia, ma li converte in spettrogrammi, rappresentazioni visive che descrivono come le frequenze sonore cambiano nel tempo. Le reti neurali utilizzano queste rappresentazioni per riconoscere le caratteristiche associate alle diverse specie. Quando il profilo acustico di un rumore urbano presenta somiglianze con quello di un richiamo animale, il software può attribuirlo a una specie che in realtà non ha prodotto quel suono. È quanto accaduto con la sirena di un’ambulanza a Firenze, scambiata per una strolaga minore, un uccello acquatico del Nord Europa la cui presenza in un parco cittadino alla fine della primavera sarebbe del tutto inattesa. Analogamente, l’accelerazione di una moto è stata interpretata come il verso di una cicogna bianca e le grida di alcuni bambini come le vocalizzazioni di un gabbiano corallino. Questi episodi evidenziano un limite del riconoscimento automatico: la somiglianza tra i profili sonori può prevalere sulla plausibilità ecologica dell’identificazione, portando il programma a segnalare specie incompatibili con il contesto ambientale esaminato.
Merli, capinere e usignoli riconosciuti correttamente: quali specie mettono in difficoltà BirdNET
Le ricerche mostrano che l’affidabilità del software varia notevolmente a seconda della specie. Gli uccelli più comuni negli ambienti cittadini, come merlo, capinera, cinciallegra e usignolo, vengono riconosciuti quasi sempre correttamente. Al contrario, specie che normalmente non dovrebbero trovarsi nei parchi urbani, come aquila reale e nocciolaia, non sono mai state identificate correttamente nel corso delle verifiche effettuate. In generale, i ricercatori hanno osservato che gli errori tendono ad aumentare quando il programma deve riconoscere specie ecologicamente specializzate e poco compatibili con gli ambienti urbani. Una possibile spiegazione riguarda i dati utilizzati durante l’addestramento dell’intelligenza artificiale. Le specie più comuni potrebbero essere rappresentate da un numero maggiore di registrazioni, consentendo alle reti neurali di apprenderne meglio le caratteristiche acustiche. Per le specie meno frequenti o lontane dal contesto urbano, invece, il riconoscimento potrebbe risultare meno affidabile. Un altro elemento determinante è rappresentato dalle soglie di confidenza, ossia dai punteggi minimi che il software deve assegnare a un’identificazione affinché questa possa essere considerata sufficientemente attendibile. Gli studiosi hanno calcolato le soglie ottimali per 33 specie, riscontrando differenze significative non soltanto tra un uccello e l’altro, ma anche tra Torino e Firenze. Ne deriva che una soglia di affidabilità valida per una determinata specie in una città non è necessariamente altrettanto efficace in un’altra.
Università di Torino: “senza filtri ecologici e verifica umana il rischio è un’immagine falsata della biodiversità”
A sottolineare l’importanza di interpretare correttamente le identificazioni automatiche è la dottoressa Valeria Ferrario, prima autrice di entrambi gli studi, che evidenzia tanto le potenzialità dello strumento quanto la necessità di sottoporne i risultati a controlli accurati. “BirdNET è uno strumento potente, che permette di analizzare in poco tempo quantità di dati che sarebbero altrimenti impossibili da ascoltare a mano per verificare la presenza di diverse specie. I suoi risultati, però, non vanno presi alla lettera: in città, senza filtri ecologici e senza una verifica umana, il rischio è di ottenere un’immagine della comunità di uccelli molto più ricca di quella reale”, spiega la ricercatrice. Il lavoro mette così in evidenza la necessità di affiancare alle capacità di elaborazione dell’intelligenza artificiale le competenze degli esperti, soprattutto quando i dati vengono utilizzati per valutare la distribuzione delle specie e la composizione delle comunità ornitologiche. L’analisi automatica rimane uno strumento di grande utilità, ma l’accuratezza delle sue conclusioni dipende anche dalla selezione delle specie potenzialmente presenti, dalla calibrazione dei parametri e dalla verifica delle segnalazioni meno attendibili.
Un archivio pubblico degli errori dell’intelligenza artificiale per migliorare il riconoscimento degli uccelli
Uno degli aspetti più interessanti del progetto riguarda la decisione dei ricercatori di rendere pubblici gli errori più significativi commessi da BirdNET, trasformando le identificazioni sbagliate in materiale utile per ulteriori analisi e per lo sviluppo della tecnologia. Il gruppo ha realizzato un archivio online aperto a tutti, nel quale sono disponibili fino a cinque esempi per specie. Le registrazioni permettono di ascoltare direttamente i suoni che hanno indotto l’algoritmo a riconoscere un uccello diverso da quello effettivamente presente oppure a classificare come vocalizzazione animale un rumore prodotto dall’uomo. Tra gli esempi figurano proprio la sirena scambiata per una strolaga minore e il motore della moto interpretato come una cicogna bianca. L’iniziativa si inserisce nell’approccio della scienza aperta e non nasce con l’intento di criticare il software. L’obiettivo è mettere a disposizione di ricercatori, utilizzatori e sviluppatori informazioni concrete sulle condizioni in cui il riconoscimento automatico può fallire. Studiare gli errori, infatti, può contribuire a individuare i limiti dei modelli e a comprendere quali caratteristiche degli ambienti sonori urbani debbano essere considerate per migliorare le prestazioni dei sistemi di intelligenza artificiale.
Il futuro del monitoraggio della biodiversità urbana passa dall’intelligenza artificiale
Le implicazioni delle due ricerche vanno oltre il funzionamento di un singolo programma. Secondo le proiezioni, entro il 2050 oltre due terzi della popolazione mondiale vivrà nelle città, mentre l’espansione urbana rappresenta già oggi una delle principali cause della perdita di biodiversità. In questo scenario, conoscere le specie che frequentano parchi, giardini e altre aree verdi assume un’importanza crescente. Gli uccelli costituiscono una componente fondamentale della fauna urbana e il loro monitoraggio permette di raccogliere informazioni sulla biodiversità degli ambienti cittadini. I sistemi di monitoraggio bioacustico automatico, come BirdNET, offrono la possibilità di estendere le osservazioni a numerosi luoghi e a lunghi intervalli di tempo, riducendo i costi e la quantità di lavoro necessari rispetto alle metodologie tradizionali. La capacità di registrare e analizzare automaticamente i suoni ambientali consente infatti di raccogliere grandi quantità di informazioni, che devono però essere interpretate tenendo conto delle caratteristiche ecologiche dei luoghi e dei limiti del riconoscimento algoritmico.
Su questo aspetto interviene il professor Enrico Caprio, dell’Università di Torino, ultimo autore di entrambi gli studi. “Le città sono uno degli ambienti più difficili per il monitoraggio acustico, e proprio per questo sono un banco di prova ideale. I nostri risultati offrono indicazioni pratiche a chi vuole usare questi strumenti: filtrare le specie in base alla stagione, calibrare le soglie per ogni specie e per ogni sito e verificare i risultati prima di trarre conclusioni ecologiche”, commenta il docente. Le indicazioni emerse dalle ricerche delineano quindi un possibile percorso per aumentare l’affidabilità dei sistemi di riconoscimento automatico: utilizzare filtri ecologici coerenti con il territorio e la stagione, stabilire soglie di confidenza adeguate alle singole specie e sottoporre i risultati al controllo degli esperti prima di considerarli dati definitivi. Un’ulteriore prospettiva riguarda il miglioramento dell’addestramento delle reti neurali. I ricercatori indicano la possibilità di insegnare ai software a riconoscere anche i rumori tipici delle città, integrando nei dati utilizzati per l’addestramento esempi acustici raccolti direttamente negli ambienti urbani. Sirene, motori, voci e altri suoni di origine umana potrebbero così diventare parte delle informazioni necessarie per distinguere con maggiore precisione le vocalizzazioni degli uccelli dalle interferenze sonore. Un’evoluzione che permetterebbe di sfruttare meglio le potenzialità dell’intelligenza artificiale nella ricerca ecologica, mantenendo centrale il ruolo della verifica scientifica.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?