Fine-scale habitat partitioning of sympatric stingrays revealed by drone-based remote sensing and deep learning

Questo studio dimostra come l'uso combinato di droni e intelligenza artificiale abbia rivelato una marcata partizione dell'habitat e strategie di foraggiamento distinte tra specie di razze simpatriche in una laguna del Mar Rosso, evidenziando come le preferenze micro-ambientali strutturino la loro ecologia spaziale.

L'essenziale

Immaginate il fondale marino di una laguna nel Mar Rosso come un grande palcoscenico affollato. Su questo palco, diverse specie di razze (pesci piatti come il disco) devono condividere lo stesso spazio, mangiare e vivere senza litigare troppo. La domanda è: come fanno a non calpestarsi i piedi?

Questo studio scientifico racconta la storia di come due tipi di razze, molto diverse tra loro, hanno trovato il loro modo di vivere insieme, grazie a una tecnologia moderna che assomiglia a un occhio magico che guarda dall'alto.

Ecco la spiegazione semplice, passo dopo passo:

1. Gli Attori: Chi sono i protagonisti?

Nel nostro palcoscenico ci sono due "attori" principali:

• La Razza azzurra (Bluespotted ray): È piccola, colorata come un gioiello e vive molto vicino alla riva, quasi sulla sabbia umida. È come un bambino che gioca nella vasca da bagno: sta sempre in acqua molto bassa.
• La Razza frustante (Whipray): È molto più grande, con una coda lunga come una frusta. È come un adulto che preferisce stare in piscina, in acque leggermente più profonde e su fondali con alghe.

2. Il Problema: Come studiarli senza disturbarli?

In passato, per studiare questi animali, gli scienziati dovevano tuffarsi o usare sonar, ma spesso spaventavano gli animali o vedevano poco perché l'acqua è torbida.
In questo studio, gli scienziati hanno usato dei droni (delle piccole eliche volanti) come se fossero fotografi aerei silenziosi. Hanno fatto 30 voli sopra la laguna, scattando migliaia di foto dall'alto, come se stessero guardando un mosaico gigante.

3. La Magia dell'Intelligenza Artificiale (L'AI)

Qui arriva il trucco: c'erano così tante foto che un essere umano ci avrebbe messo mesi a guardarle tutte. Inoltre, le razze azzurre sono piccole e si mimetizzano bene sulla sabbia; un occhio umano le avrebbe spesso perse.
Gli scienziati hanno quindi addestrato un cervello digitale (Intelligenza Artificiale) per riconoscere queste razze nelle foto.

• L'analogia: Immaginate di cercare un ago in un pagliaio. L'occhio umano si stanca e ne perde alcuni. L'AI è come un robot super-veloce che scansiona tutto il pagliaio in un secondo e trova quasi tutti gli aghi.
• Il risultato: L'AI ha trovato il 97% delle razze, mentre gli umani ne avevano trovati solo il 76%. Ha anche lavorato 15 volte più velocemente!

4. La Scoperta: Chi mangia cosa e dove?

Grazie a queste foto e ai dati raccolti, gli scienziati hanno scoperto che le due razze non si contendono lo stesso cibo nello stesso posto. È come se avessero diviso la cucina:

• La Razza azzurra va nella zona più bassa, vicino alle mangrovie (gli alberi che crescono nell'acqua). Lì, usa la sua bocca per scavare nella sabbia come un piccolo bulldozer, cercando vermi e crostacei nascosti sotto. Questo scavare crea una "tempesta di sabbia" che spaventa i pesci piccoli, ma nutre la razza. È un'area molto attiva e rumorosa (biologicamente parlando).
• La Razza frustante preferisce i fondali con le alghe. Non scava la sabbia con la stessa forza; invece, mangia le prede che trova sopra la sabbia o tra le alghe, senza fare molto disordine. È un approccio più "gentile" e silenzioso.

5. Perché è importante?

Questa ricerca ci insegna due cose fondamentali:

1. La natura è intelligente: Anche se vivono nello stesso posto, le razze si dividono lo spazio in modo preciso (una sta in acqua bassissima, l'altra in acqua un po' più profonda) per non litigare per il cibo. Questo permette a entrambe di sopravvivere.
2. La tecnologia ci aiuta a proteggere: Usando droni e intelligenza artificiale, possiamo contare e osservare questi animali senza toccarli. Questo è fondamentale perché molte razze sono in pericolo di estinzione a causa della pesca eccessiva. Se sappiamo esattamente dove vivono e cosa mangiano, possiamo proteggerli meglio.

In sintesi:
Gli scienziati hanno usato dei "fotografi volanti" e un "assistente digitale" per scoprire che le razze del Mar Rosso sono come vicini di casa che hanno deciso di vivere in stanze diverse della stessa casa: una cucina e un salotto, per non disturbarsi a vicenda mentre mangiano. E grazie alla tecnologia, ora possiamo osservare questa vita segreta senza fare rumore.

Sommario tecnico

Titolo: Partizione dell'habitat su scala fine di razze simpatriche rivelata dal telerilevamento tramite droni e deep learning

1. Il Problema

La coesistenza di specie ecologicamente simili (simpatriche) richiede una differenziazione nell'uso delle risorse lungo gli assi spazio, tempo o dieta. Tuttavia, la comprensione di come le razze (elasmobranchi) partizionino l'habitat su scale spaziali fini e come le loro strategie di foraggiamento influenzino la struttura degli ecosistemi costieri rimane limitata.
Le sfide principali includono:

• Limiti metodologici: Le tecniche tradizionali (telemetria acustica/satellitare) offrono bassa risoluzione spaziale, piccoli campioni e sono difficili da applicare in acque molto basse.
• Collo di bottiglia analitico: L'uso crescente di droni (UAS) per il monitoraggio genera volumi di dati immensi che superano la capacità di elaborazione manuale.
• Difficoltà di rilevamento: In ambienti marini complessi, la presenza di distorsioni ondose, riflessi solari e la piccola dimensione degli animali (es. razze azzurre, <35 cm) rende l'annotazione manuale soggetta a errori e omissis.
• Carenza di dati: Manca una comprensione chiara di come le popolazioni di razze, in particolare quelle mesopredatrici come la Taeniura lymma (razza azzurra), stiano cambiando in risposta alla riduzione dei grandi predatori (squali) e come interagiscano con specie simpatriche come la razza frusta (Himantura uarnak).

2. Metodologia

Lo studio è stato condotto in una laguna costiera nel Mar Rosso centrale (KAUST, Arabia Saudita), un ambiente con acque poco profonde (<2 m), fondali sabbiosi, barriere coralline e mangrovie.

• Raccolta Dati:
  • Tranetti aerei: 30 survey aerei (maggio-novembre 2024) utilizzando un drone DJI Matrice 300 RTK con camera Zenmuse P1 (45 MP). I voli sono stati eseguiti a 35 m di altitudine, coprendo circa 17 ettari per survey con una risoluzione al suolo (GSD) di 0,41 cm/pixel.
  • Inseguimento attivo: 41 razze e 1 squalo sono stati tracciati manualmente per un totale di >23 ore. Un sistema di "relè" con due droni ha permesso di estendere la durata del tracciamento fino a 2 ore.
• Analisi delle Immagini (AI):
  • Protocollo a doppio osservatore: Le immagini sono state analizzate sia manualmente che tramite un modello di Intelligenza Artificiale basato su YOLOv11x (customizzato).
  • Ottimizzazione del modello: Per superare il problema della rilevazione di oggetti piccoli, è stato implementato un flusso di lavoro "Slicing Aided Hyper Inference" (SAHI). Le immagini originali sono state tagliate in tessere sovrapposte (2432x1632 px) e ritagliate (1344x1344 px) per l'addestramento e l'inferenza, mantenendo la risoluzione nativa.
  • Addestramento: Il modello è stato addestrato su immagini di tracciamento attivo (alta qualità, angoli nadir) per garantire la trasferibilità sui dati dei tranetti.
  • Validazione: Un'analisi manuale ha revisionato le rilevazioni AI per eliminare falsi positivi e duplicati.
• Analisi Statistica:
  • I dati sono stati aggregati in celle di griglia 5x5 m.
  • Sono stati utilizzati Modelli Additivi Generalizzati Misti (GAMM) binomiali per modellare la probabilità di presenza in funzione di variabili ambientali (profondità, tipo di habitat, distanza dalle mangrovie, distanza dall'acqua aperta) e la distanza dal conspecifico più vicino.
  • Sono stati analizzati i comportamenti (nuoto, sosta, scavo/foraggiamento) e le associazioni spaziali.

3. Contributi Chiave

• Innovazione Metodologica: Integrazione efficace di droni e deep learning per il monitoraggio degli elasmobranchi. Il flusso di lavoro AI ha rilevato il 97% degli individui rispetto al 76% degli analisti umani, riducendo il tempo di elaborazione da 15 ore a meno di 1 ora per survey.
• Risoluzione Spaziale: Capacità di mappare l'uso dell'habitat e il comportamento di foraggiamento su scale sub-chilometriche, impossibili da ottenere con la telemetria tradizionale in acque basse.
• Dataset Pubblico: Creazione e pubblicazione di un dataset annotato di oltre 109.000 immagini (di cui 3.681 annotate) per supportare la ricerca futura sull'IA marina.
• Nuove Scoperte Ecologiche: Dimostrazione empirica di una partizione dell'habitat guidata dal comportamento di foraggiamento tra due specie di razze simpatriche.

4. Risultati

• Abbondanza e Rilevamento: Sono stati registrati 1.468 individui di razze (6 specie) e 4 squali. La specie dominante è stata la razza azzurra (Taeniura lymma, n=1.221), seguita dalle razze frusta (Himantura uarnak e affini, n=187).
• Partizione dell'Habitat:
  • Razze Azzurre (T. lymma): Si concentrano nelle aree più superficiali della laguna (<0,4 m), specialmente sulle sabbie adiacenti alle mangrovie. Evitano l'acqua aperta profonda.
  • Razze Frusta (H. uarnak): Prediligono le piattaforme coralline con macroalghe (circa 0,6 m di profondità) e mostrano una minore preferenza per le zone ultra-basse rispetto alle razze azzurre.
• Strategie di Foraggiamento:
  • Le razze azzurre mostrano un comportamento di scavo (excavation) intenso (26% del tempo tracciato), creando "hotspot" di bioturbazione lungo il bordo delle mangrovie. Questo disturba i sedimenti e rilascia nutrienti.
  • Le razze frusta foraggiano prevalentemente in modo non distruttivo (cibandosi di prede epifaunali) sulle piattaforme coralline, con un'attività di scavo molto ridotta (2% del tempo).
• Aggregazione: Entrambe le specie mostrano aggregazione con i conspecifici, suggerendo una risposta condivisa alle risorse o ai fattori ambientali piuttosto che a comportamenti sociali complessi.
• Impatto Ecologico: La concentrazione delle razze azzurre in aree specifiche crea un impatto trofico e fisico localizzato, mentre l'impatto delle razze frusta è più diffuso.

5. Significato e Implicazioni

• Ecologia Teorica: Lo studio conferma che la partizione dell'habitat su scala fine, guidata da strategie di foraggiamento contrastanti (scavo vs. alimentazione non distruttiva) e vincoli di dimensione corporea (rischio di predazione vs. rischio di arenamento), è un meccanismo chiave per la coesistenza di mesopredatori simpatrici.
• Gestione degli Ecosistemi: Identifica le zone costiere adiacenti alle mangrovie come aree critiche di alimentazione e bioturbazione per le razze azzurre. La comprensione di questi "hotspot" è vitale per la conservazione, specialmente in un contesto di declino degli squali che potrebbe portare a un rilascio dei mesopredatori.
• Avanzamento Tecnologico: Dimostra che l'uso combinato di droni e modelli AI (come YOLO con tecniche di slicing) può scalare l'inferenza ecologica, permettendo monitoraggi su larga scala, ad alta risoluzione e a costi ridotti. Questo approccio è fondamentale per la gestione basata sull'ecosistema (EBM) e per il raggiungimento degli obiettivi di sviluppo sostenibile (SDG 14) nelle regioni costiere tropicali.
• Futuri Sviluppi: Il metodo proposto apre la strada a studi su scale temporali più ampie (stagionali/annuali) e a una migliore comprensione della dinamica delle popolazioni di elasmobranchi in ambienti costieri vulnerabili.