Come misuriamo quello che si sente.

1 · Il sensore in campo

Ogni installazione Ecocanto è basata su un sensore Upupa: un piccolo computer alimentato in continuo, con un microfono direzionale protetto dalle intemperie. Ascolta 24 ore su 24, tutto l'anno, in finestre di 3 secondi.

In questa generazione di sensori nessun audio grezzo viene trasmesso o conservato in cloud. Il dispositivo analizza il suono localmente e invia solo una lista di specie riconosciute con il momento in cui sono state ascoltate e il grado di confidenza del modello. La scelta ha tre motivi: privacy (non registriamo conversazioni umane né rumori identificativi di persone), costo (l'audio pesa mille volte di più dei dati testuali) e focus scientifico (quello che ci interessa è la presenza della specie nel tempo).

Trade-off dichiarato. Non conservare l'audio ha un costo epistemico. Se una rilevazione è dubbia, non possiamo "riascoltarla" per verificare, e questa è la ragione per cui abbiamo bisogno di un secondo livello di lettura basato sul contesto. Le prossime generazioni di sensori potranno prevedere una conservazione selettiva (solo brevi clip di detection ambigue, opt-in per progetto): stiamo studiando come farlo senza compromettere privacy e costi.

2 · Il modello di riconoscimento

A bordo del sensore gira BirdNET v2.4 in formato TFLite (comunemente indicato come BirdNET-Lite), il riconoscitore acustico sviluppato dal Cornell Lab of Ornithology e dal team del Chemnitz University of Technology (Kahl et al., 2021). È lo stesso motore che alimenta l'app BirdNET usata da centinaia di migliaia di appassionati e ricercatori.

Il modello riceve un frammento di 3 secondi di suono, lo trasforma in una rappresentazione visuale del suono (spettrogramma), e restituisce una lista di specie candidate con un valore di confidenza da 0 a 1. Se il modello dice Turdus merula, confidenza 0.92, sta affermando: "questo suono somiglia molto al canto del Merlo comune, secondo il mio addestramento".

In questa fase non calibriamo, non riaddestriamo né modifichiamo il modello. Lo usiamo così come rilasciato da Cornell, per garantire trasparenza e riproducibilità (chiunque può scaricare lo stesso modello e verificare le uscite). Il team Cornell stesso, però, in un articolo pubblicato sul Journal of Ornithology nel 2024 (Wood & Kahl, 2024), raccomanda esplicitamente che qualunque uso ecologico serio di BirdNET stimi la precisione specifica per ciascuna specie sul proprio dataset. È un passo che consideriamo strategico per il 2027, quando avremo un test set annotato italiano di dimensione sufficiente per una calibrazione statisticamente onesta.

2.1 · La soglia di confidenza operativa

Il sensore invia in cloud solo le rilevazioni con confidenza BirdNET ≥ 0.65. Sotto questa soglia il rumore campionario domina, come mostrato indipendentemente sia da Pérez-Granados (2023) sia da Funosas et al. (2024) su comunità aviarie europee. Non è una soglia magica: è un punto di equilibrio tra volume di dati raccolti e qualità del segnale.

Nel cloud, quando il layer di plausibilità propone una rimappatura verso una specie alternativa (vedi §4), applichiamo una soglia più conservativa (confidenza originale ≥ 0.60): sotto questa soglia preferiamo marcare la rilevazione come da approfondirepiuttosto che rischiare un'attribuzione automatica di seconda mano. Le soglie sono attualmente uniche per l'intero catalogo di specie; una calibrazione differenziata per specie è nella nostra roadmap 2027.

2.2 · Il filtro geografico di Cornell (e perché non lo usiamo)

Dalla versione 2.3 di BirdNET, Cornell mette a disposizione un Species Range Model integrato (repository birdnet-team/geomodel): un filtro post-processing che, sulla base di latitudine, longitudine e settimana dell'anno, restringe l'output del modello alle specie "attese" in quella cella secondo le frequenze di checklist eBird. In molti deployment commerciali (BirdNET-Pi, BirdNET-Go, Haikubox, BirdWeather) questo filtro è attivo di default.

Nel nostro deployment lo abbiamo disattivato. Ragionamento onesto:

• La copertura eBird in Italia è disomogenea. eBird è nato negli Stati Uniti e in Italia ha densità di segnalazioni molto inferiore a quella di paesi anglofoni. Alcune regioni interne, valli remote e specie mediterranee hanno sotto-copertura strutturale (Johnston et al., 2020, sui bias dei dati citizen; Robinson et al., 2018, su come correggerli).
• Il filtro eBird sopprime rilevazioni valide. Applicato in Italia senza correzione, il range model tende a scartare specie realmente presenti ma sotto-rappresentate su eBird — in particolare endemismi mediterranei e specie di ambienti scarsamente monitorati. Preferiamo perdere in precisione a monte che perdere presenze reali.
• Il nostro layer di plausibilità è più ampio del filtro Cornell: integra la fenologia italiana canonica (atlanti nazionali CISO, MITO2000, Brichetti & Fracasso), non solo eBird; considera ora del giorno e habitat, non solo settimana e cella; e prevede il pattern di rimappatura verso specie congenerica plausibile invece del solo scarto binario (§4).

Questa non è una critica al lavoro di Cornell — il Species Range Model integrato è uno strumento eccellente per contesti USA/UK dove eBird è denso. È una scelta di adattamento al contesto italiano, dove la letteratura scientifica canonica nazionale (in gran parte pre-eBird) resta la miglior fonte di plausibilità geografica.

3 · I limiti del modello (che nessun modello risolve da solo)

Cornell BirdNET è potente ma non è onnisciente. Il team Cornell stesso li documenta apertamente. I quattro più rilevanti per l'Italia:

3.a · Il modello include un catalogo globale

BirdNET è addestrato globalmente su oltre 6.000 specie. Sa distinguere anche un Sialia sialis (uccello azzurro orientale, tipico del Nord America) da un Passer domesticus. Il problema è che, se un pattern acustico in Lombardia somiglia debolmente al canto di Sialia sialis, senza un filtro geografico esplicito il modello può proporlo come candidato: sul nostro sensore di Bergamo, prima del layer di plausibilità, abbiamo osservato periodicamente candidati statunitensi con confidenza media.

3.b · Alcune specie italiane sono sotto-rappresentate

Il dataset di addestramento è tanto forte quanto le registrazioni disponibili per ogni specie. Sospettiamo che alcune specie mediterranee o endemismi italiani (candidati: Magnanina sarda, Passera lagia, Balia dal collare in certe forme) siano sotto-rappresentati nel training set rispetto a specie centro-europee comuni. Non abbiamo ancora un test set italiano annotato per quantificarlo con precisione: è un'area di lavoro per il biennio 2026-27. Sappiamo, in generale, che la performance di BirdNET sulle comunità europee (misurata con F1-score) è più variabile e spesso inferiore rispetto ai benchmark USA (Funosas et al., 2024).

3.c · Alcuni gruppi non-uccello finiscono nelle uscite

Il modello include, oltre agli uccelli, alcuni anfibi, insetti e mammiferi. La copertura è però irregolare. Wood et al. (2023) documentano che BirdNET riesce a riconoscere efficacemente alcuni anuri nordamericani (Anaxyrus canorus, Pseudacris regilla), ma la copertura degli anuri europei — inclusa la Rana verde (Pelophylaxspp.) — resta incompleta. Sui nostri sensori vicini a zone umide osserviamo che i cori delle rane vengono spesso etichettati come rallidi, con pattern ripetibile fra sensori in habitat simili. Ipotizziamo che il modello proietti la banda di frequenza dominante del coro anuro sulla specie di rallide che gli somiglia acusticamente: è un'ipotesi coerente ma non ancora dimostrata con un'analisi controllata.

3.d · Il rumore antropico imita bird calls

Campane di chiesa, allarmi antifurto, sirene, treni, alcuni versi di animali domestici. Bermant et al. (2025) documentano nel case study Doñana come suoni antropici ripetitivi generino falsi positivi ad alta confidenza in BirdNET. In Italia i sensori sono spesso installati in aree periurbane e agricole, dove il rumore antropico è pervasivo. È un fronte aperto: stiamo studiando un "noise fingerprint" per device — un'analisi dei pattern acustici sospetti nei primi giorni di deployment, che aiuti a marcare le confusioni sistematiche per sito.

4 · Il nostro secondo livello di lettura

Nessuno di questi limiti si risolve chiedendo di più al modello. Servono informazioni che il modello non ha e non deve avere: dove è il sensore, quandoè avvenuta la rilevazione, cosa sappiamo delle specie in quella zona in quel periodo dell'anno. Il nostro layer di plausibilità applica proprio queste tre coordinate. È un'implementazione operativa italiana di un framework consolidato in letteratura (Chambert et al., 2015; Kéry & Royle, 2020) per il trattamento dei falsi positivi in modelli di occupancy bioacustica.

Le tre domande di plausibilità

1. La specie è compatibile col luogo?Usiamo dataset pubblici autorevoli (eBird di Cornell, GBIF, atlanti pubblicati come Brichetti & Fracasso, il progetto MITO2000 di CISO) per capire in quali regioni italiane una specie è documentata come presente. Se non c'è mai stata segnalazione seria, il candidato è debole.
2. La specie è compatibile con la stagione? La fenologia italiana è ben studiata: sappiamo quando una specie nidifica, sverna, è di passo, o è invece assente. Se il modello propone un uccello svernante in piena estate, il candidato è debole.
3. La specie è compatibile con l'ora e l'habitat? Un uccello notturno non canta a mezzogiorno; un uccello di boschi di conifera non vive in pianura irrigua. Se il modello propone un candidato con pattern circadiano incoerente, il candidato è debole.

Quando tutti e tre i controlli sono superati, la rilevazione è accettata. Quando falliscono, cerchiamo una specie alternativa plausibilein una tabella di confusioni note (curata internamente, alimentata da confusioni acustiche documentate in letteratura e da osservazioni empiriche sui nostri sensori). Se esiste una specie simile per pattern acustico e presente nel luogo-e-nel-tempo, la sostituiamo esplicitamente e lo dichiariamo. Se non esiste un'alternativa sensata, la rilevazione viene segnata come da approfondire e non compare nelle viste pubbliche di quel progetto.

4.1 · Cosa succede in pratica sui nostri sensori

Al momento della pubblicazione di questa pagina (luglio 2026), la nostra rete conta quattro sensori pilota in Lombardia — Monte Isola sul lago d'Iseo, un parco agricolo di Bergamo, un'area rurale a Treviglio e il Parco delle Colline di Gussago — con circa 70.000 rilevazioni analizzate negli ultimi 60 giorni e circa 500 specie candidate uniche coinvolte.

In condizioni tipiche di ambiente rurale o prealpino, la grande maggioranza delle rilevazioni supera tutti e tre i controlli e viene mostrata così com'è. Una minoranza consistente viene rimappata a una specie congenerica plausibile (ad esempio quando BirdNET propone una specie nordamericana e il layer sostituisce con il congenere europeo). Una minoranza simile viene marcata come da approfondire e non compare nelle viste pubbliche.

Esistono casi eccezionali: sul sensore di Bergamo, che si trova in un parco agricolo periurbano con rogge e piccole zone umide, una singola confusione ricorrente (un rallide raro etichettato al posto di un coro di anuri, vedi §5.c) domina lo storico e viene rimappata sistematicamente. È un pattern che rende bene l'idea di come la stessa pipeline si comporti in modo molto diverso in habitat diversi.

Deliberatamente non pubblichiamo qui percentuali: la composizione di rilevazioni accettate, rimappate e da approfondire dipende in modo forte dal singolo sito e dalla stagione, quindi una percentuale media sulla rete sarebbe più fuorviante che informativa. Chi vuole i numeri esatti può leggerli sulle pagine dei singoli progetti o richiederli scrivendoci.

5 · Tre esempi concreti

Preferiamo raccontare come funziona con casi reali dai nostri sensori, anonimizzati o citando esplicitamente il luogo se già pubblico.

5.a · L'uccello che qui non è mai stato

Su più di un nostro sensore il modello Cornell ha proposto, in vari momenti, candidati come Sialia sialis, Megaceryle alcyon (Martin pescatore americano), Amazona auropalliata(Amazzone nucagialla). Queste specie sono neartiche o neotropicali: non c'è mai stata segnalazione seria in Italia. Il nostro layer scarta immediatamente il candidato: non è "improbabile", è "impossibile". La rilevazione non compare nelle pagine del progetto. Se il modello continua a proporla insistendo, cerchiamo una specie italiana con pattern acustico simile (per congenerici americani è spesso il congenere europeo: Sialia → turdide comune, Megaceryle → Alcedo atthis) e proponiamo la sostituzione con una nota di metodo.

5.b · La specie giusta al momento sbagliato

Un caso classico: il Turdus iliacus (Tordo sassello). La specie è davvero italiana, ma è un migratore svernante — arriva dall'Europa settentrionale in autunno, sverna, riparte a primavera. In luglio si trova in Scandinavia a nidificare. Se il modello lo identifica a Treviglio a luglio, il layer non elimina il candidato — un Tordo sassello a gennaio sarebbe legittimo e mostrato senza controversia — ma applica un filtro stagionale. In luglio la specie viene rimappata al congenerico più comune presente in quel periodo (Tordo bottaccio o Merlo), e la rilevazione originale resta salvata nell'archivio per audit successivo. In inverno il flusso è opposto: nessuna rimappa, il candidato è mostrato integralmente.

5.c · Il coro delle rane e il rallide notturno

In un parco agricolo di Bergamo, con rogge e piccole zone umide, il modello ha identificato per molte notti consecutive una Zapornia pusilla (schiribilla grigiata), un rallide acquatico rarissimo in Italia (BirdLife International, 2016: popolazione europea totale 4.000-9.000 individui, praticamente assente storicamente nel Bergamasco).

Le rilevazioni sono concentrate al 92% nelle ore notturne (tra le 22 e le 04), con picco a giugno. Il Porciglione (Rallus aquaticus) — un altro rallide realmente presente in zona — ha un pattern acustico notturno-crepuscolare, ma le sue rilevazioni sul nostro sensore sono poche decine, non decine di migliaia. Il pattern notturno-estivo-massiccio in un habitat con rogge è invece molto coerente con il coro delle rane verdi (Pelophylaxspp.), che cantano corali a bassa frequenza esattamente in quelle condizioni. Wood et al. (2023) documentano che BirdNET non ha un'etichetta affidabile per gli anuri europei: è ragionevole ipotizzare che il modello mappi il pattern acustico su un rallide della propria libreria che gli somiglia per fascia di frequenza.

Il nostro layer, guardando ora, mese e habitat, propone di riclassificare quelle rilevazioni come "coro di anuri" e lo dichiara apertamente nella nota metodologica. Il dato originale resta in archivio. Questa è un'ipotesi del nostro layer, non una certezza; ci aspettiamo che, con l'evoluzione dei modelli acustici multi-taxa come Perch 2.0 (Hamer J. et al., 2025) che copre in modo dedicato uccelli, anfibi e mammiferi, casi come questo diventino risolvibili al livello del riconoscimento primario.

6 · Come cambiamo idea nel tempo

Il metodo non è congelato. Ogni volta che scopriamo un errore sistematico — dalle segnalazioni di naturalisti che ci scrivono, da nuova letteratura, o da una nostra revisione interna — aggiorniamo le regole di plausibilità e ricalcoliamo lo storico. Una rilevazione può cambiare stato: era accettata, è diventata da approfondire; era da approfondire, è diventata accettata.

Preserviamo sempre il dato originario: sappiamo cosa aveva detto il modello, cosa abbiamo detto noi al momento, quando abbiamo cambiato idea e perché. Ogni singola decisione è tracciabile e reversibile. Nella dashboard interna manteniamo un audit trail per ogni rilevazione che ha cambiato stato almeno una volta.

Il primo snapshot ufficiale del dataset è previsto per il 2027 Q2 con identificatore permanente (DOI su Zenodo). Chi cita i nostri dati saprà esattamente a quale versione si riferisce.

7 · Aiutaci a validare

Stiamo costruendo una pagina dedicata dove ornitologi, naturalisti e appassionati possano contribuire come layer aggiuntivo di plausibilità ecologica. Il contributo nonè una verifica acustica — sarebbe scorretto chiedere a qualcuno di giudicare un suono che non ha sentito — ma un ragionamento ecologico: dato il luogo, la stagione, l'ora, l'habitat e il pattern temporale della specie sul sito, il candidato proposto dal modello è plausibile? Le domande somigliano a: "in questo giardino di pianura, a questa data, questa specie ha senso?"

Chi vuole contribuire non deve essere accademico. Un birdwatcher regionale che conosce il proprio territorio ha spesso più valore, sui casi locali, di uno studio pubblicato quindici anni fa in un'altra regione. Nel frattempo: se noti qualcosa che non torna nei dati pubblicati, scrivici a info@ecocanto.it. Le segnalazioni entrano nel registro di revisione insieme al nome del segnalante.

8 · Roadmap del metodo

Il metodo è un documento vivo. La versione corrente è v1.2 (luglio 2026). Elenchiamo qui cosa è già operativo, cosa stiamo costruendo per la v2.0 e quali sono le direzioni di ricerca aperte per il futuro.

Già operativo (v1.2)

• Il filtro geo-temporale su specie non documentate autorevolmente in Italia.
• La rimappatura verso specie congenerica plausibile quando l'alternativa è ovvia (tabella deterministica di confusioni note).
• La conservazione del dato originale in archivio con audit trail.
• La soglia di confidenza operativa unica (≥ 0.65 alla ricezione, ≥ 0.60 per la rimappatura).

In sviluppo per la v2.0 (rilascio previsto 2027 Q1)

• La pagina community per la validazione ragionata di plausibilità ecologica.
• La calibrazione soglia specie per specie raccomandata da Wood & Kahl (2024), a partire da un test set italiano annotato che stiamo costruendo.
• Il filtro circadiano per specie con doppio picco di attività canora (crepuscolare + diurno).
• Il trattamento sistematico degli anuri, degli ortotteri e dei chirotteri, che escono dallo scope aviario di BirdNET.
• La conservazione selettiva di brevi clip audio per rilevazioni ambigue (opt-in per progetto, nelle prossime generazioni di sensori).
• Il noise fingerprint per device: analisi dei pattern acustici sospetti nei primi giorni di deployment.
• Lo snapshot ufficiale del dataset con DOI Zenodo (previsto 2027 Q2).
• Valutazione di Perch 2.0 (Hamer J. et al., 2025) come backbone alternativo o complementare a BirdNET per specie non aviarie.

Ricerca aperta (oltre la v2.0)

• Integrazione con reti bioacustiche europee (BirdWeather, BirdNET-Pi community) per confronti cross-site.
• Modelli di occupancy dinamici (Kéry & Royle, 2020) per stimare presenza latente delle specie.
• API pubblica versionata e dati strutturati per LLM e ricercatori.
• Espansione territoriale oltre l'Italia con calibrazioni regionali.

Perché lo diciamo così apertamente.Un sistema di monitoraggio bioacustico che non dichiara i propri limiti fa un cattivo servizio a chi lo usa. Un ricercatore, un'autorità di parco o un'azienda che rendiconta la propria impronta ecologica ha bisogno di sapere non solo cosa misuriamo, ma quando ci fidiamo del dato e quando chiediamo cautela. Preferiamo essere onesti oggi che pentircene fra tre anni.

Bibliografia essenziale

I riferimenti su cui poggia questa versione del metodo. Sono citazioni, non note a piè di pagina: chi vuole approfondire trova qui il punto di partenza.

1. Kahl S., Wood C. M., Eibl M., Klinck H. (2021). BirdNET: A deep learning solution for avian diversity monitoring. Ecological Informatics 61: 101236. DOI
2. Wood C. M., Kahl S. (2024). Guidelines for appropriate use of BirdNET scores and other detector outputs in avian acoustic monitoring. Journal of Ornithology. DOI
3. Pérez-Granados C. (2023). BirdNET: applications, performance, pitfalls and future opportunities. Ibis 165: 1068-1075. DOI
4. Funosas D. et al. (2024). Assessing the potential of BirdNET to infer European bird communities from large-scale ecoacoustic data. Ecological Indicators 164: 112146. DOI
5. Ferrari M. et al. (2025). Fine-Tuning BirdNET for the Automatic Ecoacoustic Monitoring of Bird Species in the Italian Alpine Forests. Information 16(8): 628. MDPI
6. Wood C. M. et al. (2023). Passive acoustic surveys and the BirdNET algorithm reveal detailed spatiotemporal variation in the vocal activity of two anurans. Bioacoustics 32(5).
7. Bermant P. C. et al. (2025). A Bird Song Detector for improving bird identification through Deep Learning: a case study from Doñana. arXiv 2503.15576. arXiv
8. Chambert T., Miller D. A., Nichols J. D. (2015). Modeling false positive detections in species occurrence data under different study designs. Ecology 96(2): 332-339.
9. Kéry M., Royle J. A. (2020). Applied Hierarchical Modeling in Ecology, Vol. 2: Dynamic and Advanced Models. Academic Press. Cap. 7 — False-positive occupancy models.
10. Johnston A. et al. (2020). Best practices for making reliable inferences from citizen science data — a case study using eBird to estimate species distributions. Methods in Ecology and Evolution 12. DOI
11. Robinson O. J., Ruiz-Gutierrez V., Fink D. (2018). Correcting for bias in distribution modelling for rare species using citizen science data. Diversity and Distributions 24(4): 460-472. DOI
12. Hamer J., Harrell L., Burns A., Denton T. et al. (2025). Perch 2.0: The Bittern Lesson for Bioacoustics. arXiv 2508.04665. arXiv
13. BirdLife International (2016). Zapornia pusilla species factsheet — European population 4.000-9.000 mature individuals. DataZone