Computer vision per il monitoraggio delle specie di avvoltoio in Africa
Soluzione completa
Rilevamento del capovaccaio con Declas
Stanislas Mahussi Gandaho
Questa soluzione basata sull'intelligenza artificiale supporta gli obiettivi 17 e 20 del Global Biodiversity Framework (GBF), sfruttando le biotecnologie per rafforzare il monitoraggio delle specie e promuovere il trasferimento tecnologico per la conservazione della biodiversità. Utilizzando un modello di deep learning, "You Only Look Once version 11" (YOLOv11), automatizza l'identificazione e l'analisi degli avvoltoi a rischio critico(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) nei dati di droni e telecamere. I dati provenienti dall'African Parks Network (APN), dal Southern African Wildlife College (SAWC), dall'Endangered Wildlife Trust (EWT), da piattaforme come iNaturalist e dal GBIF serviranno per addestrare e validare il modello.
Il progetto affronta sfide come il monitoraggio ad alta intensità di lavoro e le lacune nei dati. Il suo design open-source promuove l'accessibilità, la collaborazione e lo sviluppo di capacità tra le reti di conservazione africane, affrontando direttamente le lacune dei dati sulla biodiversità e dei sistemi di monitoraggio.
Ultimo aggiornamento: 31 Oct 2025
240 Visualizzazioni
Galleria di foto e video
Contesto
Sfide affrontate
Dal punto di vista ambientale, la soluzione combatte il declino della popolazione consentendo un monitoraggio accurato degli avvoltoi in pericolo di estinzione. Ciò favorisce una conservazione mirata e contribuisce a proteggere il loro ruolo ecologico di spazzini, essenziale per prevenire la diffusione di malattie e mantenere la salute dell'ecosistema (Den Heever et al., 2021). Dal punto di vista sociale, la nostra soluzione mira a monitorare efficacemente gli avvoltoi con le fotocamere (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), poiché il monitoraggio tradizionale con le fotocamere rimane impegnativo (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Affronta la mancanza di consapevolezza sull'importanza degli avvoltoi generando dati a sostegno delle campagne educative e offre uno strumento accessibile e open-source che mette a disposizione dei conservazionisti risorse limitate. Dal punto di vista economico, riduce i costi elevati del monitoraggio tradizionale, che si basa su indagini ad alta intensità di lavoro.
Posizione
Benin
Sudafrica
Africa occidentale e centrale
Nord Africa
Africa orientale e meridionale
Processo
Sintesi del processo
Il successo di questa soluzione integrata dipende dal modo in cui i suoi componenti si rafforzano a vicenda: La raccolta dei dati e lo sviluppo dell'intelligenza artificiale (blocco 1) forniscono la base di dati di formazione del modello di alta qualità che alimenta lo strumento di monitoraggio Declas (blocco 2), garantendo un'accurata individuazione delle specie. Questa capacità tecnologica consente poi al programma di capacity building e advocacy (blocco 3) di trasferire efficacemente le competenze agli operatori della conservazione. Le reti di partner locali amplificano l'impatto facilitando la raccolta dei dati e la partecipazione dei beneficiari alla formazione, mentre il supporto post-formazione assicura un'adozione duratura dello strumento.
Blocchi di costruzione
Modello di riconoscimento delle specie di avvoltoio potenziato dall'intelligenza artificiale
Il progetto mira ad automatizzare il monitoraggio degli avvoltoi sviluppando un modello per individuare e classificare quattro specie di avvoltoi(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) a partire da dati visivi, riducendo lo sforzo manuale, velocizzando l'analisi e garantendo la coerenza. Utilizza Google Colab Pro+ per eseguire il codice Python e addestrare il modello su grandi insiemi di immagini, utilizzando il pacchetto Ultralytics con YOLOv11 per la classificazione degli avvoltoi. Le immagini sono archiviate in un Google Drive da 2 TB e provengono dal database iNaturalist tramite il pacchetto rinat R, integrato dai dati del Southern African Wildlife College e dell'Endangered Wildlife Trust. Il piano del team Computer Vision Annotation Tool (CVAT) consente l'annotazione collaborativa delle immagini, permettendo a più utenti di etichettare ed esportare le immagini con le annotazioni per la formazione e la convalida.
Fattori abilitanti
- Un set di dati annotati di alta qualità con diverse immagini che rappresentano le specie target in diversi ambienti e condizioni.
- Accesso a risorse computazionali (Google Colab Pro+) per l'addestramento e la convalida del modello AI.
- Collaborazione con esperti di conservazione per convalidare i risultati del modello sul campo.
Lezione imparata
- Assicurarsi che il set di dati sia rappresentativo delle condizioni reali per evitare distorsioni nel rilevamento (ad esempio, illuminazione, angoli, habitat).
- Aggiornamenti regolari del modello con nuovi dati migliorano l'accuratezza e l'adattabilità.
- Le sfide includono errori di classificazione dovuti alla sovrapposizione dei tratti delle specie; è essenziale che gli esperti convalidino i risultati iniziali.
Risorse
Software open-source per il monitoraggio degli avvoltoi
Questo modulo sfrutta Declas, uno strumento di intelligenza artificiale open-source, per automatizzare il monitoraggio degli avvoltoi. Analizzando immagini o video, rileva e classifica le specie con un'elevata precisione. Il sistema elimina il conteggio manuale, consentendo un monitoraggio della fauna selvatica scalabile ed economico. Gli utenti - ricercatori, ranger o ambientalisti - caricano semplicemente i dati visivi e lo strumento genera approfondimenti in tempo reale per prendere decisioni informate. Costruito su YOLOv11 (Ultralytics) e addestrato su dati raccolti dal pubblico.
Fattori abilitanti
- Un'interfaccia utente semplice e intuitiva per garantire l'accessibilità agli utenti non tecnici.
- Documentazione e risorse di formazione per consentire agli utenti di comprendere e utilizzare efficacemente l'applicazione.
- Feedback della comunità per migliorare continuamente l'usabilità e le funzionalità dello strumento.
Lezione imparata
- L'usabilità è fondamentale; interfacce troppo complesse scoraggiano gli utenti.
- L'offerta di un supporto tecnico e di una documentazione chiara garantisce un'adozione più ampia.
- Le sfide dell'integrazione hanno riguardato l'allineamento tra i risultati del modello di intelligenza artificiale e gli strumenti di visualizzazione di facile utilizzo; per risolvere questo problema è stato fondamentale il test iterativo.
Risorse
Formazione ibrida e difesa della conservazione
Questo blocco fornisce una formazione pratica per ricercatori e ambientalisti in Benin e Sudafrica (offline) e a livello globale (online via Zoom) sull'uso di Declas. Le sessioni coprono:
- Uso del software: Caricare i dati, interpretare i risultati generati dall'intelligenza artificiale e integrare i risultati nelle strategie di conservazione.
- Difesa della conservazione: Sensibilizzazione sul declino degli avvoltoi e sul ruolo dell'IA nel monitoraggio scalabile.
I tirocinanti impareranno a utilizzare Declas nelle indagini sul campo, riducendo la dipendenza dai conteggi manuali e migliorando l'accuratezza dei dati. L'approccio ibrido garantisce un'ampia accessibilità, mettendo a disposizione dei team locali una tecnologia economicamente vantaggiosa.
Fattori abilitanti
- Internet ed energia elettrica affidabili per le sessioni online/offline.
- Supporto dei partner locali per la logistica e il coinvolgimento.
- Preparazione della formazione (materiali, configurazione del software).
Impatti
Il progetto ha dimostrato impatti positivi significativi su tutte le dimensioni ambientali, sociali ed economiche.
Impatti ambientali
Il modello AI è stato testato nelle foreste di Sota, Trois Rivières e Alibori Supérieur (Benin) e nelle riserve di Kempiana e Manyeleti (Sudafrica). In tutti questi siti, il modello ha identificato con precisione Gyps africanus in oltre l'89% delle immagini analizzate, confermando la sua presenza in questi ecosistemi. In Benin, ha rilevato un'abbondanza superiore del 15% rispetto alle precedenti indagini manuali, sottolineando la sua efficacia nel fornire dati affidabili per il monitoraggio delle popolazioni di avvoltoi. Identificando i picchi di attività giornaliera, ha contribuito a perfezionare le strategie di conservazione, come ad esempio garantire la disponibilità di carcasse durante i periodi di maggiore alimentazione.
Impatto sociale
Il software Declas è già stato scaricato più di 90 volte dal suo rilascio 4 mesi fa (https://zenodo.org/records/14166440) senza alcuna promozione o formazione ibrida.
Impatti economici
Lo strumento ha ridotto significativamente i costi di monitoraggio del 40%, risparmiando le risorse precedentemente impiegate per le indagini sul campo con le fotocamere. La protezione degli avvoltoi è andata indirettamente a beneficio delle economie locali.
Beneficiari
Le organizzazioni di conservazione africane, i ricercatori e le comunità locali hanno beneficiato di un migliore monitoraggio delle specie, di un maggiore accesso ai dati, di uno sviluppo delle capacità e di un rafforzamento dei risultati di conservazione degli avvoltoi, gravemente minacciati.
Inoltre, spiegate il potenziale di scalabilità della vostra soluzione. Può essere replicata o estesa ad altre regioni o ecosistemi?
La soluzione ha un forte potenziale di scalabilità e può essere replicata in altre regioni o ecosistemi a livello globale. Il modello di intelligenza artificiale può essere riqualificato con dati locali per monitorare specie diverse, mentre l'applicazione open-source garantisce l'accessibilità a diversi team di conservazione. Ad esempio, potrebbe espandersi per monitorare le specie di spazzini in Asia o in America Latina, o anche altre specie chiave, come i predatori o gli impollinatori. Sfruttando le partnership con le reti di conservazione globali, la soluzione può integrare set di dati provenienti da più regioni per migliorare la sua adattabilità. Con minimi aggiustamenti, può anche essere applicata a diversi ecosistemi, dalle savane alle zone temperate, a patto che siano disponibili i dati delle immagini e le annotazioni sulle specie. L'economicità e la semplicità di progettazione lo rendono accessibile anche ai team con risorse limitate, consentendone un'adozione diffusa.
Quadro globale sulla biodiversità (GBF)
Obiettivo 17 del GBF - Rafforzare la biosicurezza e distribuire i benefici della biotecnologia
Obiettivo 20 del GBF - Rafforzare lo sviluppo di capacità, il trasferimento tecnologico e la cooperazione scientifica e tecnica per la biodiversità
Obiettivi di sviluppo sostenibile
SDG 3 - Buona salute e benessere
SDG 9 - Industria, innovazione e infrastrutture
SDG 15 - Vita sulla terraferma
SDG 17 - Partenariati per gli obiettivi
La storia
Nel cuore del Sota, in Benin, un giovane conservazionista di nome Ange si trovava davanti a una trappola fotografica, meravigliandosi della vista degli avvoltoi catturati nell'inquadratura. Questi avvoltoi non erano solo parte della fauna selvatica del parco; erano un indicatore della salute dell'ecosistema del parco e vitali per le comunità circostanti. Ma nonostante la loro importanza, gli avvoltoi, in particolare il Gyps africanus, a rischio di estinzione, erano minacciati da avvelenamenti, perdita di habitat e mancanza di un monitoraggio adeguato.
Ange si occupava da tempo di conservazione della fauna selvatica, ma trovava frustrante seguire specie come gli avvoltoi utilizzando metodi obsoleti e ad alta intensità di lavoro. Le indagini erano spesso sporadiche e anche i conservazionisti più esperti facevano fatica a identificare manualmente le specie di avvoltoi, operazione che richiedeva molto tempo. La necessità di un modo più efficiente e accurato per monitorare questi uccelli era evidente, ma non era chiaro come fare questo salto. Fino a quando Ange non è venuto a conoscenza della nostra soluzione. Era incuriosito e aveva visto di persona come le risorse limitate spesso ostacolassero un monitoraggio efficace, e questo sembrava il modo perfetto per garantire dati più accurati e in tempo reale.
Ange e il suo team hanno iniziato a utilizzare lo strumento in Sota. Nei primi mesi, hanno visto un cambiamento radicale nel modo in cui operavano. Lo strumento non solo identificava con precisione gli avvoltoi, ma aiutava anche a tracciare la loro attività quotidiana e la densità della popolazione. Anche nelle riserve di Kempiana e Manyeleti, in Sudafrica, dove il modello è stato testato, i risultati sono stati altrettanto rivoluzionari. I ricercatori sono stati in grado di valutare rapidamente la presenza e il comportamento degli avvoltoi senza ore di lavoro sul campo.
L'impatto sul lavoro di Aminata è stato profondo. Non era più limitata dai vincoli dei metodi tradizionali. Al contrario, ora aveva accesso a uno strumento di monitoraggio robusto, scalabile ed efficiente che non solo supportava la conservazione degli avvoltoi, ma contribuiva anche alla sostenibilità a lungo termine degli ecosistemi in Africa. La storia di successo di Aminata è una testimonianza del potere dell'innovazione nella conservazione. Dimostra come la fusione di tecnologia ed esperienza locale possa creare un cambiamento reale nella protezione delle specie vulnerabili e nel garantire la salute del nostro pianeta.
