Come distinguere i singoli animali nelle foto delle fototrappole: palchi, manti e cicatrici

Conviene aprire con un numero scomodo. Nel 2020, una squadra ha messo 16 leopardi delle nevi in cattività davanti alle fototrappole, li ha fotografati in 40 occasioni e ha affidato le immagini a otto osservatori perché li smistassero in individui — esattamente il compito che sta alla base di metà delle stime di popolazione dei grandi felini in letteratura. Gli osservatori hanno classificato erroneamente il 12,5% di tutte le occasioni di cattura. Non suona catastrofico, finché non si segue dove sono finiti gli errori: poiché gli sbagli non erano casuali, hanno gonfiato le stime di popolazione risultanti di circa un terzo in media — il 35% in eccesso, all'incirca. La conclusione degli autori è stata netta: identificare animali individualmente unici a partire dalle foto delle fototrappole «potrebbe non essere affidabile quanto si credeva in precedenza».

È l'intero problema di questo articolo in un solo studio. Distinguere i singoli animali nelle foto è il motore che sta dietro la stima di densità per cattura-ricattura — il metodo di riferimento per contare la fauna elusiva senza catturarla — ed è assai meno infallibile di quanto sembri. Farlo bene consente di monitorare una popolazione di tigri a pochi punti percentuali di scarto. Farlo sottilmente male porta a riportare un terzo di animali in più di quanti ne esistano davvero, con un intervallo di confidenza che appare rassicurantemente stretto attorno alla risposta sbagliata.

Questo è dunque un articolo di metodo, rivolto al citizen scientist o al ricercatore agli inizi che voglia procedere in modo corretto: quali marche naturali consentono realmente di separare gli individui, quali specie mandano all'aria l'intero approccio, come sbagliano gli osservatori, perché il fianco sinistro di un animale è un animale diverso dal fianco destro per quanto riguarda i dati, e dove la visione artificiale aiuta davvero rispetto a dove si limita a riciclare gli stessi errori più in fretta. Il gergo verrà definito strada facendo. La versione breve, in apertura: **l'affidabilità dell'identificazione individuale dipende quasi interamente dalla specie, e gran parte del lavoro difficile sta nell'essere onesti sulle foto che non si riescono a identificare, non su quelle che si riescono.**

Perché identificare i singoli individui, in fondo

Contare animali che non si possono radunare è uno dei più antichi grattacapi dell'ecologia, e l'identificazione individuale ne è la risposta più ingegnosa. La logica è mutuata dalla cattura-ricattura: se si riconosce lo stesso individuo in fotografie separate, si può costruire una «storia di incontri» per ciascun animale — quando e dove è stato visto — e dallo schema di chi viene ri-osservato e chi no, un modello statistico stima quanti animali non si sono visti. Le versioni moderne sono spazialmente esplicite (il settore la chiama SECR, cattura-ricattura spazialmente esplicita), che usano anche il dove è avvenuto ciascun rilevamento per stimare la densità per unità di superficie anziché il semplice conteggio grezzo.

Il pregio è la non invasività. Le marche naturali — le strisce di una tigre, le macchie di una giraffa — permettono di «catturare» un animale con una fototrappola invece che con una freccia narcotizzante, e sono probabilmente migliori delle marche artificiali, perché identificano l'animale «senza l'atto pericoloso e invasivo della cattura fisica», e non si staccano né cambiano. Uno studio pluriennale sulle giraffe Masai poggia esattamente su questo: le giraffe sono identificabili individualmente dai loro «disegni del manto unici e immutabili», e gli scienziati usano quei disegni di macchie per riconoscere gli individui fin dagli anni Cinquanta, molto prima che qualcuno parlasse di fototrappola.

Quando funziona, è il miglior strumento a disposizione per animali rari e ad ampio raggio. Una rassegna della letteratura SECR con fototrappole ha rilevato che il metodo è «attualmente concentrato su carnivori rari, elusivi, ad ampio raggio e identificabili individualmente, in particolare grandi felidi», e l'ha definito «uno dei modi migliori per studiare queste specie». L'inghippo si nasconde in quella frase — identificabili individualmente — ed è un club assai più ristretto di quanto l'entusiasmo del settore lasci intendere. La stessa rassegna ha rilevato che il 90,9% delle stime di densità da fototrappola riguardava carnivori, e l'82% di quelle riguardava felini; più di un terzo di tutti gli studi verteva su appena tre animali — leopardo, tigre e giaguaro. Non perché a nessuno importi dei cervi o dei cinghiali. È perché quei tre indossano codici a barre e la maggior parte degli animali no.

È perché quei tre indossano codici a barre e la maggior parte degli animali no.

Che cosa rende una specie «identificabile individualmente»

La linea di demarcazione è se un animale porti una marca naturale che sia unica per l'individuo, stabile nel tempo e visibile a una fototrappola. Se ci sono tutti e tre i requisiti, si è a posto. Se ne manca uno, si improvvisa.

Il caso più netto è un disegno del mantello ad alto contrasto — le marcature del manto degli animali macchiati e a strisce. In uno studio SECR su tigre e leopardo in India, gli osservatori identificavano gli animali esaminando «la forma e il disegno delle marcature naturali; le strisce nelle tigri e le rosette nei leopardi», incrociando fianchi, arti, code e quarti anteriori. Questi disegni si comportano come impronte digitali: uno studio sugli ocelot descrive l'algoritmo HotSpotter (di cui si dirà più avanti) come un software che «analizza le texture in un'immagine per trovare disegni riconoscibili» proprio perché la texture delle macchie è diagnostica a livello individuale. La lince rossa viene smistata per «raggruppamenti di macchie sulle zampe, raggruppamenti di macchie sul corpo, marcature facciali e marcature della coda» — il protocollo di uno studio californiano richiedeva la corrispondenza di «almeno tre caratteristiche naturali del manto» prima di dichiarare due foto lo stesso felino. I gatti selvatici europei, più sfumati, vengono individuati sulla base di «forma e posizione di strisce e macchie, numero e forma degli anelli della coda», più una lista di controllo di linea dorsale, strisce delle spalle e strisce del collo.

Si noti la disciplina in quegli esempi. Nessuno stabilisce la corrispondenza su una singola macchia sfocata — si richiede l'accordo di più caratteristiche indipendenti. Una squadra dello Sri Lanka sui leopardi ha formalizzato tutto questo in un sistema «multipunto», segmentando il manto in 15 punti definiti per formazione di macchie e rosette, e richiedendo «un minimo di 9 punti MPC sui 15» prima di dichiarare due avvistamenti lo stesso leopardo. Quella ridondanza è l'intera difesa contro gli errori di identificazione da cui si è partiti. Più punti indipendenti si esigono, più è difficile che due animali diversi simulino una corrispondenza.

Ma «unico e stabile» fa un gran lavoro, e persino sui felini ben marcati non è un assoluto. Lo stesso studio dello Sri Lanka ha documentato qualcosa che la maggior parte dei protocolli di identificazione tacitamente dà per scontato: i disegni cambiano. In osservazione continuativa, sono stati registrati 29 casi in cui le macchie e le rosette di un leopardo sono mutate — macchie perse, ridotte o cambiate in «prominenza, forma e dimensione» — e 16 di quei leopardi erano cambiati dopo una ferita documentata. Un metodo precedente e meno rigoroso, nello stesso parco, aveva duplicato i leopardi tanto malamente da produrre «un tasso di errore superiore al 15%», contando lo stesso felino come più esemplari. Perciò anche gli animali meglio marcati non sono pasto gratis; una cicatrice che oggi aiuta può riscrivere domani proprio il disegno su cui si stabilisce la corrispondenza.

Marche su animali per il resto uniformi: cicatrici, orecchie e palchi

La maggior parte degli animali non porta macchie. L'istinto, allora, è ripiegare su ciò che è distintivo — un orecchio lacerato, una cicatrice sul corpo, il palco di un maschio — e per alcuni scopi è legittimo. Ma è esattamente qui che l'identificazione individuale diventa pericolosa, e le fonti sono divise in un modo che vale la pena capire.

I palchi sono l'esempio ovvio per chiunque osservi i cervi. Un palco grande e asimmetrico con una stanga spezzata o una punta in più separa davvero quel maschio dagli altri sul proprio terreno, almeno per una stagione. La letteratura sulla densità dei cervi lo sfrutta: uno studio su 13 popolazioni di cervidi riconosceva gli individui per «forme e deformazioni evidenti dei palchi», assieme a «cicatrici distintive su entrambi i lati del corpo» e deformazioni degli arti. I limiti netti sono ovvi non appena li si enuncia. I palchi sono stagionali — cadono e ricrescono ogni anno, perciò un'identificazione basata sul palco scade ogni inverno e non può collegare un animale da un anno all'altro. Riguardano solo i maschi, lasciando non marcate femmine e piccoli. E le marche più sottili si rivelano scivolose: lo stesso studio ha rilevato che indizi potenziali come «tacche alle orecchie o cicatrici su un solo fianco» erano «spesso ambigui» nella pratica e non potevano essere usati in modo affidabile.

Per i felini dal manto uniforme, i ricercatori ricorrono a cicatrici, danni alle orecchie e code piegate. Uno studio sui puma sostiene che una di queste sia genuinamente eccellente: i padiglioni auricolari danneggiati o mancanti (le pinne). Quando gli osservatori hanno confrontato foto di puma, c'era «accordo perfetto per gli accoppiamenti di eventi in cui un puma mostrava un danno alle pinne e l'altro no» — un pezzo di orecchio mancante è binario e lampante, perciò non ha mai causato disaccordo. È il modello della buona marca idiosincratica: inequivocabile, permanente, visibile.

E poi c'è il monito che dovrebbe rendere cauti sull'intero approccio. Un ampio studio sulla densità dei puma si è rifiutato categoricamente di identificare gli animali non marcati dalle loro presunte marche naturali, «per l'incertezza intrinseca che potrebbe distorcere le stime di densità». Il ragionamento è il nocciolo della questione: attribuire identità ad hoc a partire da «cicatrici, tacche alle orecchie, forme o portamenti del corpo» può produrre «stime di densità distorte e inaffidabili», perché «più individui possono avere caratteristiche fisiche simili, portando gli osservatori a concordare su attribuzioni di identità errate o a discordare su attribuzioni di identità corrette». Va letto due volte. Il fallimento non è solo mancare una cicatrice — è che due animali diversi condividano un aspetto simile e vengano fusi, oppure che un animale appaia diverso in due foto e venga scisso. Sono esattamente gli errori che hanno deformato le stime sui leopardi delle nevi.

C'è una reale via di mezzo qui, e conviene esserne onesti invece di schierarsi. Una macchia crema alla gola o al petto può essere un'autentica impronta digitale quando è abbastanza complessa. Le martore sono il caso da manuale: ognuna ha una «pettorina dal disegno unico» — una macchia pettorale giallo-crema — che «agisce come un'impronta digitale, rendendo possibile distinguere gli individui», con forme dei bordi distinte e marcature interne più scure. È una marca naturale legittima, più simile a un disegno del manto che a una cicatrice. Ma persino i professionisti che la usano segnalano la trappola stagionale: la pettorina di una martora «può apparire notevolmente diversa tra il folto manto invernale e il pelo estivo più liscio». La lezione che si generalizza: un disegno strutturale (una pettorina, un campo di macchie) è assai più sicuro come base di identificazione rispetto a una caratteristica incidentale (una cicatrice che si rimargina, una tacca che si potrebbe star immaginando).

Un disegno strutturale (una pettorina, un campo di macchie) è assai più sicuro come base di identificazione rispetto a una caratteristica incidentale (una cicatrice che si rimargina, una tacca che si potrebbe star immaginando).

Il problema delle specie non marcate

Mettendo insieme tutto ciò, si arriva all'ostacolo centrale e poco pubblicizzato del settore. La maggior parte degli animali semplicemente non si può distinguere a occhio in modo affidabile. In una rassegna di 176 specie di carnivori, oltre il 60% aveva colorazione uniforme dei fianchi — niente macchie, niente strisce, niente su cui stabilire una corrispondenza. I cervidi stanno peggio, non meglio: «la maggior parte delle specie di cervidi è caratterizzata da un'alta proporzione di individui anonimi», ed è di routine che «vengano rilevati troppo pochi cervidi naturalmente marcati e identificabili» perché la cattura-ricattura funzioni.

I numeri dietro tutto questo fanno riflettere. In quello studio su 13 popolazioni di cervidi, la quota di rilevamenti riconducibili a un individuo identificabile andava da appena il 3% al 28% — il che significa che nella maggior parte dei siti «la grande maggioranza dei rilevamenti non poteva essere attribuita in modo affidabile a un individuo identificabile». I tassi di identificazione con fototrappole tra le specie raccontano la stessa storia: una rassegna ha collocato l'intervallo raggiungibile tra circa il 2% e il 54% di identificati, dal 2% delle immagini grezze negli orsi neri asiatici fino al 54% nei leopardi. Se solo una frazione degli animali può ricevere un nome, la classica cattura-ricattura si inceppa in sordina — non ci sono abbastanza ri-catture per stimare alcunché di stabile.

Il settore ha quindi costruito soluzioni alternative, e sapere quale si adatti alla propria situazione è gran parte dell'abilità metodologica. Ecco la mappa pratica:

• Mark-resight spaziale (SMR). Il rimedio più diffuso. Si marca fisicamente un sottoinsieme di animali — collari GPS, marche auricolari — così che un numero noto sia identificabile individualmente, poi si usano insieme le foto degli animali marcati e non marcati. Lo studio sui cervidi di cui sopra ha usato la SMR per ottenere densità in popolazioni dove solo il 3–28% dei rilevamenti era identificabile. Uno studio sulla lince rossa ne ha costruito una versione «ibrida» che incorpora le storie complete e note dei felini muniti di collare e ha stretto i suoi intervalli di confidenza a «non oltre il 57%», meglio dei modelli basati sulle sole foto. Il prezzo è lavoro sul campo reale: bisogna catturare e munire di collare alcuni animali.
• Identità parziale. Invece di pretendere un'identificazione completa, si usa un'informazione parziale per includere o escludere combinazioni. Uno studio sui puma ha modellato il sesso degli animali non marcati come «covariata categoriale parzialmente identificante», il che ha affinato la stima — un rilevamento maschile semplicemente non può essere lo stesso individuo di uno femminile, e quel solo vincolo compra precisione.
• Random thinning. Un modello più recente che abbandona del tutto la rigida separazione «marcato contro non marcato». Tratta l'identità come «un processo di diradamento casuale, in cui i campioni perdono la loro identità individuale in modo casuale» — alcune foto sono identificabili, altre no, e il modello usa entrambe le classi insieme senza costringere a pre-smistare gli animali in schieramenti. Applicato agli orsi bruni con circa il 60% di successo di identificazione, ha ridotto la varianza della stima di densità dell'11,8% rispetto ai metodi standard, semplicemente recuperando i rilevamenti non identificati invece di scartarli.
• Doppio osservatore / fototrappole appaiate. Per popolazioni del tutto non marcate, due fototrappole che sorvegliano lo stesso piccolo punto «da direzioni diverse» possono stimare quanti animali ciascuna abbia mancato, correggendo per il rilevamento imperfetto — ma solo se le due fototrappole rilevano «in modo pressoché indipendente». Quello studio ha rilevato che le fototrappole possono mancare gli animali dal 4 al 36%, il che si traduce direttamente in una sottostima della densità dello stesso ordine se lo si ignora.
• Saltare del tutto l'identificazione individuale. Il random encounter model (REM) stima la densità «senza bisogno del riconoscimento individuale» trattando gli incontri animale-fototrappola come molecole di gas che collidono — gli servono la velocità di spostamento degli animali e la geometria di rilevamento della fototrappola, non le loro identità. Il suo successore generalizzato (gREM) lo estende al «monitoraggio di popolazioni di animali non marcati su ampie scale spaziali, temporali e tassonomiche». Se la specie non si può distinguere affatto, questa è spesso la via onesta.

La cosa sorprendente, dato quanto contino questi metodi, è quanto poco vengano usati. Quella rassegna SECR ha rilevato che i modelli mark-resight comparivano in «< 5% degli studi inclusi» — gran parte del settore lavora ancora solo sulla manciata di specie macchiate e identificabili oppure riporta indici più grezzi di abbondanza relativa. Se si sceglie un metodo per una specie non marcata, si è già avanti rispetto a gran parte della letteratura pubblicata semplicemente ricorrendo allo strumento giusto.

L'animale del lato sinistro e l'animale del lato destro

Ecco la trappola che coglie quasi tutti la prima volta, ed è pura geometria. Molti animali sono bilateralmente asimmetrici — le marcature del loro fianco sinistro sono completamente diverse da quelle del destro. Le «marche del lato sinistro» di un ocelot «sono diverse da quelle del lato destro», e soprattutto «non tutti gli individui attraversano davanti alla fototrappola mostrando tutti i lati». Perciò, se una fototrappola fotografa il fianco sinistro di un ocelot e un'altra fototrappola fotografa un fianco destro dall'aspetto diverso, non c'è modo di sapere se si tratti di due animali o di un solo animale visto da entrambi i lati.

Non è un fastidio da poco; biforca il dataset in due. Lo studio sulla lince rossa ha esplicitato la conseguenza: poiché usavano una sola fototrappola per postazione, «non riuscivano ad accoppiare le foto del lato sinistro con quelle del lato destro», perciò i dati hanno dovuto essere «suddivisi in storie di incontri del lato sinistro e del lato destro» e analizzati separatamente. In sostanza si esegue l'intera analisi due volte, su due insiemi di animali non sovrapposti. In quello studio i dati del lato destro implicavano 44 linci rosse e quelli del lato sinistro 36 — anche se, a onor del vero, non erano statisticamente distinguibili, dati gli intervalli di confidenza sovrapposti. La squadra sul gatto selvatico europeo ha sbattuto contro lo stesso muro: per fondere i due lati di un animale in un unico record, «un individuo deve essere fotografato bilateralmente almeno una volta», e semplicemente «non riuscivano a identificare entrambi i fianchi di tutti gli individui rilevati». Il loro conteggio finale ha catturato il pasticcio con precisione — 13 individui accoppiati su entrambi i fianchi, più 5 fianchi destri isolati e 3 fianchi sinistri isolati che non riuscivano a collegare a nessuno.

Il rimedio pratico è meccanico e non negoziabile per le specie asimmetriche: dispiegare fototrappole appaiate una di fronte all'altra ai due lati del sentiero, così che quasi ogni animale di passaggio venga fotografato su entrambi i fianchi in una volta, fornendo il collegamento bilaterale. Lo studio indiano sulle tigri ha fatto esattamente questo con 35 postazioni appaiate e ha stabilito la corrispondenza su «entrambi i fianchi, destro e sinistro» come prassi. Chi usa fototrappole singole su un animale a strisce o macchiato ha costruito il problema del fianco nel proprio disegno di studio prima ancora di aver raccolto un fotogramma.

Chi usa fototrappole singole su un animale a strisce o macchiato ha costruito il problema del fianco nel proprio disegno di studio prima ancora di aver raccolto un fotogramma.

Gli osservatori sono lo strumento — e lo strumento deriva

Facendo un passo indietro, si nota da cosa dipende quietamente ogni sezione qui sopra: un essere umano che guarda due foto e decide che sono lo stesso animale. Quell'essere umano è lo strumento di misura, e come ogni strumento ha un tasso di errore, varia da uno all'altro e può essere calibrato. Trattare l'identificazione come ovvia — «si vede e basta» — è il modo in cui gli errori si insinuano.

Si è già incontrata la cifra di apertura: il 12,5% delle occasioni di cattura classificate erroneamente, con distorsione delle stime di popolazione verso l'alto di circa un terzo. Il motivo per cui un tasso di errore del 12,5% diventa una sovrastima del 35% merita di essere interiorizzato, perché è la modalità di fallimento che si cerca di evitare. Quello studio ha delineato una tassonomia di tre errori. Un errore di combinazione fonde due individui in uno. Un errore di scissione fa l'opposto — divide le foto di un individuo in due e «crea un individuo 'fantasma'», gonfiando il conteggio. Un errore di spostamento trasferisce una cattura dalla storia di un animale a quella di un altro. Questi non si compensano. Gli errori di scissione che evocano fantasmi tendono a dominare, motivo per cui l'identificazione sciatta sovrastima invece di equilibrarsi.

Quanto sono bravi gli osservatori, in realtà? Gli esperimenti più onesti sostituiscono l'identificazione individuale con il compito strettamente affine di distinguere specie somiglianti — stessa abilità, stesse modalità di fallimento, ma con una risposta corretta verificabile. I risultati non sono lusinghieri. Osservatori che usavano guide da campo standard per separare due specie simili di scoiattolo hanno raggiunto solo il 78,2% di accuratezza, e osservatori non addestrati su un dataset più difficile sono arrivati al 51,3% — appena sopra il lancio di una moneta. Il verdetto dello studio: «anche gli esperti non sempre identificano accuratamente le specie dalle fotografie quando coesistono specie morfologicamente simili». I puma mostrano la stessa dispersione: valutatori indipendenti che classificavano le stesse foto di volti hanno raggiunto solo un accordo «da moderato a buono» (un kappa di Fleiss di 0,54, dove 1,0 è perfetto), che è salito a un «sostanziale» 0,76 solo dopo che la squadra ha riconciliato i casi in cui un singolo valutatore era l'unico dissenziente.

La metà incoraggiante è che gli osservatori possono essere addestrati, e funziona in modo spettacolare. Se agli osservatori degli scoiattoli si fornisce una chiave di identificazione costruita ad hoc, la loro accuratezza è balzata dal 78,2% al 93%; aggiungendo l'addestramento è arrivata al 98,8%, con gli osservatori più sicuri al 100%. L'accordo tra osservatori è cresciuto di pari passo, da un debole kappa di 0,47 per gli osservatori che usavano la letteratura a 0,95 dopo l'addestramento con la chiave. Gli insegnamenti sono concreti e andrebbero incorporati in qualsiasi protocollo:

• Redigere una chiave di identificazione esplicita per la propria specie e popolazione — le caratteristiche nominate che devono corrispondere, come il sistema a 15 punti del leopardo o la regola delle «tre caratteristiche del manto» della lince rossa — invece di affidarsi al colpo d'occhio.
• Usare più di un osservatore e misurarne l'accordo (riportare il kappa), poi riconciliare esplicitamente i disaccordi invece di lasciar valere il giudizio di una sola persona.
• Addestrare prima di classificare, e riclassificare; i guadagni di una chiave più l'addestramento sono maggiori di quanto la maggior parte delle persone si aspetti.

Riportare le foto che non si sono riuscite a identificare

Questa è la parte che i principianti saltano e che i revisori dovrebbero esigere, e discende direttamente da tutto quanto sopra. Il dataset di identificazione individuale è definito tanto da ciò che si è scartato quanto da ciò che si è tenuto — e quel mucchio di scarti è dove vive la distorsione.

Gli studi onesti sono scrupolosi al riguardo. La squadra sugli scoiattoli ha acquisito 15.847 fotografie e ha confermato le identificazioni solo per 7.300 di esse — all'incirca il 54% delle immagini è stato escluso per bassa confidenza o disaccordo tra osservatori. Lo studio sui cervidi ha riportato il suo rapporto di rilevamenti identificabili (quel 3–28%) come risultato di primo piano, non come nota a piè di pagina. Una rassegna ha fatto notare che nel lavoro con fototrappole «il tasso di identificazione è raramente riportato» del tutto — che è esattamente la lacuna che permette a uno studio di presentare in sordina un numero sicuro poggiante su una fetta sottile e scelta a proprio favore dei suoi dati. Se si riportano solo gli animali che si sono nominati con successo, il lettore non ha modo di giudicare se fosse il 90% delle catture o il 9%.

E la precisione non è la stessa cosa dell'accuratezza, che è la trappola che scatta su chi ha fatto tutto il resto per bene. Quella rassegna SECR ha rilevato che lo studio mediano riportava un coefficiente di variazione (una misura di precisione) del 30%, e solo circa un quinto degli studi raggiungeva un CV stretto del 20% o migliore. Perché importa? Perché stime imprecise non riescono a rilevare il cambiamento: con un tipico CV del 31%, un programma di monitoraggio ha solo il 32,7% di probabilità di rilevare un reale declino del 50% in una popolazione di tigri nell'arco di dieci anni — che sale al 68% se si riesce a portare il CV al 20%. Si può eseguire un protocollo di identificazione impeccabile e produrre comunque un numero troppo rumoroso per svolgere il compito di conservazione a cui era destinato. Riportare onestamente il proprio tasso di identificazione, la propria frazione non identificata e il proprio CV è ciò che permette a chiunque di cogliere la differenza.

Si può eseguire un protocollo di identificazione impeccabile e produrre comunque un numero troppo rumoroso per svolgere il compito di conservazione a cui era destinato.

Dove la visione artificiale aiuta davvero

La speranza ovvia è che il software faccia sparire tutto questo — che si carichino le foto e un algoritmo restituisca gli individui, senza osservatori affaticati, senza deriva. La realtà è più interessante e più limitata: l'IA è genuinamente brava a suggerire corrispondenze e pessima nell'essere creduta ciecamente, e la distinzione conta.

Prima, va chiarito un fraintendimento comune. I famosi risultati di deep learning con fototrappole riguardano le specie, non gli individui. Il progetto Snapshot Serengeti ha addestrato una rete su 3,2 milioni di immagini di 48 specie e ha raggiunto il 94,9% di accuratezza top-1 nel nominare la specie, automatizzando il 99,3% dell'etichettatura alla stessa accuratezza dei volontari in crowdsourcing e risparmiando oltre 17.000 ore di lavoro umano. È rivoluzionario per ripulire i fotogrammi vuoti e distinguere «questa è una iena» da «questa è una gazzella» — ma non dice quale iena. La re-identificazione individuale è un passo separato e più difficile che segue dopo il rilevamento e l'identificazione della specie.

Per quel passo di re-identificazione, il cavallo di battaglia negli ambienti faunistici è HotSpotter, un algoritmo di riconoscimento di pattern che trova la texture distintiva in un manto o in un carapace e restituisce una lista ordinata di corrispondenze probabili dalla propria libreria — «uno contro uno» confrontando immagine con immagine, oppure «uno contro molti» rispetto all'intero database, con un punteggio di somiglianza su ciascuna. È gratuito e gira su computer ordinari. La sua accuratezza sugli animali ben marcati è solida ma non magica, e degrada esattamente dove ci si aspetterebbe. Sulle tartarughe embricate, HotSpotter ha collocato la corrispondenza corretta nella prima scelta l'80% delle volte, salendo al 91% entro le prime sei scelte. Sui carnivori costaricani ha azzeccato i giaguari (85,7%) e gli ocelot (83,3%) sulla corrispondenza col punteggio più alto, ma ha raggiunto solo il 57,1% sugli oncilla — il felino più piccolo e meno marcatamente disegnato — e l'accuratezza era correlata a quante immagini avesse ciascun animale. Lo schema è coerente: marcature marcate e più foto aiutano; disegni sbiaditi e dati radi danneggiano.

L'inquadramento più utile viene da uno studio che ha confrontato direttamente l'identificazione manuale con la pipeline HotSpotter. L'identificazione manuale sovrastimava le popolazioni del 7% per il ghepardo e del 22% per il leopardo rispetto all'analisi assistita dall'algoritmo — la stessa distorsione verso l'alto che si continua a incontrare, con il software nel ruolo di arbitro più coerente. È questa la vera proposta di valore: non che l'IA sia infallibile, ma che non si stanca, non si annoia e non si affeziona a un'intuizione, perciò commette gli errori coerenti che un passo di riconciliazione umana può cogliere, invece di quelli idiosincratici che gonfiano un conteggio in sordina.

Dove sta andando tutto questo? La direzione attuale sono i modelli di re-identificazione generalisti, addestrati su molte specie in una volta. Un modello del 2024, addestrato su 49 specie e 37.000 individui, ha battuto i modelli specie-specifici di una media del 12,5% in accuratezza top-1, con una versione già «in uso produttivo per oltre 60 specie». I ricercatori inquadrano la promessa di lungo periodo come software capace di «re-identificare gli animali individuali oltre le capacità di un osservatore umano», accoppiando gli animali mentre «escono e rientrano nell'inquadratura della fototrappola».

Due cautele tengono con i piedi per terra l'entusiasmo, e un ricercatore attento dovrebbe reggerle entrambe. Le rassegne del panorama software confrontano questi strumenti su costo, piattaforma e metodo di corrispondenza, ma non pubblicano cifre di accuratezza proprie — perciò l'accuratezza reale è quella che suggeriscono gli studi sul campo pubblicati qui sopra per un animale simile al proprio, non ciò che dichiara un fornitore. E l'accuratezza sui benchmark può essere gonfiata da una fuga sottile: se immagini visivamente simili dello stesso animale finiscono sia nell'insieme di addestramento sia in quello di test, un modello può apparire migliore di quanto sia. I benchmark di re-identificazione più recenti usano deliberatamente una «suddivisione consapevole del tempo e della somiglianza» per prevenire esattamente questo tipo di «fuga di dati dall'addestramento al test», il che significa che le cifre di accuratezza oneste sono spesso inferiori a quelle di primo piano che si vedranno citate. La re-identificazione con IA è un potente assistente. Non è ancora, e potrebbe non essere mai, un motivo per saltare il passo di revisione umana.

Il flusso di lavoro onesto, in ordine

Mettendo insieme il tutto, ecco come si svolge davvero un progetto attento di identificazione individuale, e perché ogni passo è dove si trova:

1. Decidere se la specie sia anche solo identificabile. Macchiata o a strisce (tigre, leopardo, ocelot, giraffa, gatto selvatico) — sì, con disciplina. Dal manto uniforme (la maggior parte dei cervidi, il puma e il 60% dei carnivori) — probabilmente no dal manto, e conviene pianificare mark-resight, random thinning o REM fin dall'inizio, non come soccorso successivo.
2. Costruire la geometria delle fototrappole attorno al problema del fianco. Appaiare le fototrappole ai due lati del sentiero per qualsiasi animale asimmetrico, così da catturare entrambi i lati in una volta.
3. Redigere una chiave di identificazione esplicita — le caratteristiche nominate e multiple che devono concordare — ed esigere ridondanza prima di dichiarare una corrispondenza.
4. Usare più osservatori addestrati, misurarne l'accordo e riconciliare i disaccordi invece di affidarsi a un occhio solo.
5. Lasciare che la visione artificiale suggerisca, e che un umano decida. HotSpotter per ordinare i candidati; una persona per confermare.
6. Riportare ciò che non si è riusciti a identificare — il tasso di identificazione, la frazione non identificata, il CV — con la stessa evidenza di ciò che si è riusciti a identificare.

Nulla di tutto ciò rende l'identificazione individuale priva di sforzo. La rende difendibile — il che, dato che uno scivolone del 12,5% può diventare una sovrastima del 35%, è l'intero compito.

Nulla di tutto ciò rende l'identificazione individuale priva di sforzo. La rende difendibile — il che, dato che uno scivolone del 12,5% può diventare una sovrastima del 35%, è l'intero compito.

Domande frequenti