Identificazione individuale e stima della popolazione del tritone montano a macchie gialle (Neurergus derjugini) basate sul deep learning

Perché i piccoli tritoni di montagna sono importanti

In alto, nei torrenti dei monti Zagros in Iran, vive un piccolo anfibio in pericolo: il tritone montano a macchie gialle. Come molti anfibi del mondo, la sua popolazione è minacciata dall’inquinamento, dalla perdita di habitat e dai cambiamenti climatici. Per proteggere una specie così fragile, gli scienziati devono sapere quanti individui esistono e se le popolazioni stanno diminuendo o recuperando — tuttavia le tecniche tradizionali di marcatura e monitoraggio possono danneggiare le stesse creature che si intende salvare. Questo studio dimostra come foto ordinarie scattate con uno smartphone, abbinate all’intelligenza artificiale moderna, possano riconoscere i singoli tritoni dalle loro macchie uniche e stimare la popolazione in modo delicato e senza contatto.

Dai marchi dannosi alle foto innocue

I biologi della conservazione hanno a lungo fatto affidamento su metodi come il taglio delle dita, impianti di microchip o anelli colorati per distinguere gli animali nel tempo. Pur essendo efficaci, questi approcci possono essere dolorosi, stressanti e poco pratici per piccoli anfibi delicati già esposti a numerose minacce. I ricercatori dietro questo studio si sono proposti di sostituire questi metodi invasivi con una semplice tecnica fotografica. I tritoni montani a macchie gialle possiedono naturalmente un manto distintivo di macchie giallo brillante su pelle scura, simile a un’impronta digitale o a una costellazione nel cielo notturno. Fotografando con cura questi motivi in natura, il team mirava a costruire un sistema in grado di riconoscere ogni individuo a prima vista e tracciarlo durante rilievi ripetuti.

Trasformare le macchie in dati

Lavorando su un torrente di montagna noto come punto caldo riproduttivo, il team ha catturato 549 tritoni adulti durante la stagione 2024. Ogni animale è stato brevemente posto in una piccola scatola di imaging bianca, illuminato con luce naturale soffusa e fotografato dall’alto con uno smartphone standard. I tritoni sono poi stati rilasciati esattamente dove erano stati trovati. In laboratorio, gli scienziati hanno prima usato passaggi classici di elaborazione delle immagini per “insegnare” al computer cosa contava come macchia gialla e cosa era sfondo. Convertendo le immagini a colori in una forma che evidenzia tinta e luminosità e rimuovendo il rumore visivo, hanno potuto misurare quante macchie aveva ogni tritone, quanto erano grandi e rotonde e quanto del corpo coprivano. Questo metodo geometrico da solo ha corretto rilevato le macchie in circa nove casi su dieci, anche quando le immagini erano ritagliate per concentrarsi solo sulla testa o sul tronco.

Come l’intelligenza artificiale impara un volto

Per andare oltre il conteggio delle macchie e riconoscere veramente gli individui, i ricercatori si sono rivolti al deep learning, una forma di intelligenza artificiale ispirata a come i cervelli elaborano le informazioni visive. Hanno addestrato tre diverse reti neurali convoluzionali — modelli informatici eccellenti nel riconoscimento delle immagini — usando le foto dei tritoni e le loro identità note. Senza essere indirizzate su quali caratteristiche specifiche cercare, queste reti hanno imparato a distinguere sottili differenze nell’assetto e nella forma delle macchie gialle. Tutti e tre i modelli hanno mostrato prestazioni impressionanti, identificando correttamente quasi tutti i tritoni, con la migliore rete che ha superato il 99% di accuratezza. Il sistema ha funzionato particolarmente bene quando ha analizzato insieme testa e tronco, suggerendo che combinare più regioni del corpo fornisce all’IA “indizi” più affidabili su chi è chi.

Contare una popolazione nascosta

Il riconoscimento individuale è potente perché sblocca uno strumento ecologico classico chiamato marcatura–ricattura, in cui gli animali rilevati in una prima visita sono “marcati” e poi ricercati successivamente. Invece di marchi fisici, questo studio ha usato corrispondenze tra immagini prodotte dal sistema di deep learning come etichette virtuali. In due rilievi separati da 13 giorni, il team ha fotografato 332 tritoni la prima volta e 217 la seconda, scoprendo 65 individui che comparivano in entrambi i set di immagini. Inserendo questi numeri in una formula standard si è ottenuta una stima di circa 1.100 tritoni montani a macchie gialle nel torrente. Sebbene questo numero presenti una certa incertezza — gli animali reali possono muoversi dentro e fuori l’area di studio — offre un’istantanea non invasiva del numero di individui presenti e fornisce una base per monitorare cambiamenti futuri.

Cosa significa per la conservazione delle specie

Per un non specialista, il messaggio chiave è semplice: usando fotografie e IA al posto di bisturi e marchi, gli scienziati possono sorvegliare animali vulnerabili con molto meno rischio di danneggiarli. In questo caso, le macchie gialle uniche di un tritone montano diventano un codice a barre naturale che un computer può leggere con notevole affidabilità. Questo approccio rapido e a basso costo potrebbe essere diffuso con smartphone e laptop in siti remoti, aiutando i conservazionisti a monitorare gli anfibi minacciati mentre i climi si riscaldano e gli habitat cambiano. Oltre a questa singola specie, lo studio offre un modello per l’uso del moderno riconoscimento d’immagine per salvaguardare una vasta gamma di creature timide e fragili la cui sopravvivenza può dipendere dall’essere viste — ma mai toccate — da chi cerca di proteggerle.

Citazione: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

Parole chiave: conservazione degli anfibi, identificazione fotografica, deep learning, monitoraggio della popolazione, specie in pericolo