Droni e Intelligenza Artificiale: La Mia Avventura per Salvare le Palme dell’Amazzonia Peruviana!

Ciao a tutti! Oggi voglio raccontarvi una storia che mi sta particolarmente a cuore, un’avventura che unisce tecnologia all’avanguardia e la salvaguardia di uno dei polmoni verdi più preziosi del nostro pianeta: l’Amazzonia. Immaginatevi distese infinite di foresta pluviale, un groviglio verde interrotto solo dal sinuoso corso dei fiumi. In questo paradiso di biodiversità, le palme giocano un ruolo da protagoniste, non solo per l’ecosistema, ma anche per le comunità locali che da secoli ne raccolgono i frutti.

Un Problema Spinoso: Mappare le Palme Amazzoniche

Per gestire queste risorse in modo sostenibile, però, c’è un grosso ostacolo: sapere dove e quante palme ci sono. Tradizionalmente, questo significava spedizioni a piedi, faticose e costose, in aree spesso allagate e difficili da raggiungere. Immaginate il tempo e le risorse necessarie per mappare migliaia di ettari in questo modo! I dati satellitari? Utili, certo, ma spesso non abbastanza precisi per distinguere le singole specie o contare gli alberi uno per uno, specialmente quando le chiome si sovrappongono fittamente. E le immagini aeree commerciali ad alta risoluzione? Troppo costose e spesso inutilizzabili a causa della perenne copertura nuvolosa amazzonica. Ci siamo trovati di fronte a un classico “gap” tra la ricerca e l’applicazione pratica: tante belle idee tecnologiche, ma poche soluzioni realmente utilizzabili sul campo da chi ne ha bisogno.

I Droni Entrano in Scena: Occhi Tecnologici dal Cielo

Ed è qui che entrano in gioco i nostri amici volanti: i droni! Abbiamo pensato: e se usassimo questi velivoli senza pilota (UAV) per ottenere immagini ad altissima risoluzione, a costi contenuti e con la flessibilità necessaria per operare anche sotto le nuvole? Lavorando fianco a fianco con l’Autorità per le Aree Protette del Perù (il SERNANP), abbiamo deciso di raccogliere la sfida. Il nostro obiettivo: sviluppare un metodo preciso, su larga scala e accessibile per mappare tre specie di palme arboree amazzoniche di enorme importanza economica ed ecologica: la Mauritia flexuosa (conosciuta localmente come “aguaje”), l’Oenocarpus bataua (“ungurahui”) e l’Euterpe precatoria (“açaí”). Queste palme non sono solo fondamentali per le comunità locali e la fauna selvatica, ma contribuiscono anche a mantenere servizi ecosistemici cruciali, come lo stoccaggio di enormi quantità di carbonio nelle torbiere dominate dall’aguaje.

Abbiamo quindi iniziato a sorvolare diverse aree nelle regioni di Loreto (nord del Perù) e Madre de Dios (sud del Perù) con droni commerciali equipaggiati con semplici fotocamere RGB (quelle che catturano i colori come li vediamo noi). Contemporaneamente, a terra, squadre georeferenziavano con GPS ad alta precisione la posizione di centinaia di palme delle specie target. Questo ci ha permesso di creare un dataset di addestramento fondamentale.

La Magia dell’Intelligenza Artificiale: Insegnare ai Computer a Vedere le Palme

Ma come trasformare migliaia di foto aeree in una mappa precisa delle palme? Qui entra in gioco l’intelligenza artificiale, e più precisamente il deep learning. Abbiamo utilizzato reti neurali convoluzionali (CNN), in particolare un’architettura chiamata DeepLab v3+, addestrandola a riconoscere i pixel appartenenti a ciascuna delle tre specie di palma e a distinguerli dallo sfondo (altri alberi, acqua, suolo). È un po’ come insegnare a un computer a “vedere” e classificare le diverse texture e forme delle chiome delle palme dall’alto.

Ma non bastava riconoscere le aree coperte dalle palme; dovevamo contarle individualmente, anche quando le loro chiome si toccavano o si sovrapponevano. Per questo, abbiamo implementato un secondo modello basato sulla “Deep Watershed Transform”, che impara a identificare il centro di ogni singola palma e a delinearne la corona, separando così gli individui anche nei gruppi più densi. Per rendere il modello ancora più robusto e capace di generalizzare a condizioni diverse (luce variabile, altezze di volo diverse, persino fotocamere differenti), abbiamo usato tecniche di data augmentation: abbiamo modificato artificialmente le immagini di addestramento simulando rotazioni, zoom, cambiamenti di luminosità e saturazione, sfocature, ecc.

Risultati Sorprendenti: Precisione e Risparmio

E i risultati? Devo dire che sono stati entusiasmanti! Il nostro approccio ha dimostrato un’accuratezza molto elevata nel rilevare le chiome della Mauritia flexuosa, raggiungendo una precisione del 99% (quasi tutte le palme identificate dal modello erano effettivamente *M. flexuosa*) e un richiamo (recall) dell’81% (l’81% delle *M. flexuosa* presenti sono state rilevate), con un punteggio F1 complessivo (una media armonica di precisione e richiamo) dell’81%. Per le altre due specie, *Euterpe precatoria* e *Oenocarpus bataua*, l’accuratezza è stata leggermente inferiore (F1 del 64% e 65% rispettivamente), principalmente perché avevamo meno dati di addestramento per loro. Ma la cosa notevole è che il modello ha funzionato bene anche su immagini test scattate in una regione diversa (Madre de Dios) con droni e fotocamere non usati per l’addestramento, dimostrando una grande capacità di generalizzazione.

Ma il vero punto di svolta è stato confrontare i costi e i tempi del nostro metodo basato sui droni con quelli tradizionali basati su inventari a terra (plot-based). I risultati sono stati sbalorditivi:

• Il costo per ettaro dell’inventario delle risorse di M. flexuosa è stato ridotto del 99% (da 411 USD/ha a soli 5 USD/ha)!
• I costi operativi totali per sviluppare un piano di gestione sostenibile sono stati ridotti del 23%.
• Il tempo impiegato dal personale per queste attività è stato ridotto del 36%.

Certo, c’è un costo iniziale per l’attrezzatura (drone, computer potente, software, formazione), ma abbiamo calcolato che questo investimento si ripaga già dopo lo sviluppo di soli quattro piani di gestione, grazie ai bassissimi costi marginali successivi.

Colmare il Divario: La Chiave è la Collaborazione

Questo successo non è dovuto solo alla tecnologia in sé, ma a come l’abbiamo sviluppata e implementata. Fin dall’inizio, abbiamo coinvolto attivamente il SERNANP, il nostro stakeholder chiave. Abbiamo ascoltato le loro esigenze, li abbiamo formati sull’uso dei droni e sull’elaborazione delle immagini, abbiamo reso il software open-source e facile da usare. Non abbiamo semplicemente creato uno strumento “per” loro, ma “con” loro. Questo approccio collaborativo è fondamentale per superare il divario tra ricerca e implementazione pratica nella conservazione. E i frutti si vedono: il SERNANP ha già utilizzato la nostra tecnologia per supportare i primi piani di gestione della raccolta sostenibile dei frutti di palma nella Riserva Nazionale di Tambopata e sta valutando di adottare questo metodo come protocollo nazionale!

Guardando al Futuro: Un Modello per il Mondo

Le mappe ad alta risoluzione che otteniamo non solo aiutano la gestione sostenibile, ma aprono anche nuove strade per la ricerca ecologica, permettendoci di studiare la distribuzione spaziale delle specie e i fattori che la influenzano (tipo di suolo, vicinanza all’acqua, dispersione dei semi) a una scala mai vista prima. Ad esempio, abbiamo osservato come la *M. flexuosa* tenda a formare grandi gruppi in aree allagate, mentre l’E. precatoria* ha una distribuzione più sparsa.

Crediamo che questo approccio, che combina droni accessibili, intelligenza artificiale potente e, soprattutto, una stretta collaborazione con gli utenti finali, possa essere un modello replicabile in altre regioni tropicali del mondo. Potrebbe essere usato per mappare altre specie di palme importanti, come quelle del genere *Raphia* nel bacino del Congo o *Pandanus* in Asia/Oceania, o qualsiasi altra specie arborea con una chioma distintiva visibile dall’alto.

La sfida della conservazione e della gestione sostenibile delle risorse naturali è immensa, ma strumenti come questi, sviluppati pensando alle esigenze reali sul campo, ci danno una speranza concreta. È affascinante vedere come la tecnologia, se usata con criterio e in modo collaborativo, possa diventare un alleato potentissimo per proteggere la straordinaria biodiversità del nostro pianeta e supportare le comunità che da essa dipendono.

Fonte: Springer