Il risveglio degli erbari

Tra le schede ingiallite degli erbari storici si nasconde una memoria botanica complessa, fatta di osservazioni, intuizioni e inevitabili errori. La digitalizzazione e gli strumenti di intelligenza artificiale stanno permettendo di rileggerla con maggiore precisione, correggendo identificazioni e riportando ordine in collezioni costruite nel corso dei secoli.

Gli erbari di Kew e il peso degli errori tassonomici

Nei depositi dell’Herbarium dei Royal Botanic Gardens di Kew sono conservati circa 8 milioni di esemplari vegetali essiccati, alcuni dei quali catalogati in modo non conforme alla classificazione attuale. Gli errori tassonomici eventualmente presenti possono influire sulla qualità dei dati utilizzati negli studi sulla biodiversità.

Algoritmi per riconoscere le piante

Per affrontare il problema, i ricercatori dei Kew Gardens hanno avviato un progetto che applica algoritmi di intelligenza artificiale al riconoscimento di specie botaniche attraverso l’analisi di immagini digitali ad alta risoluzione. L’intelligenza artificiale, addestrata su insiemi di dati visivi, è in grado di rilevare schemi morfologici ricorrenti (la forma del margine fogliare, la disposizione degli organi riproduttivi…) e proporre ipotesi di classificazione, evidenziando potenziali discrepanze rispetto alle etichette originali.

Come lavora l’intelligenza artificiale

L’intelligenza artificiale riconosce le caratteristiche delle forme vegetali e può mettere in luce contraddizioni tra quanto rilevato dall’analisi e il nome riportato sull’etichetta. Se nota qualcosa che non torna (come una foglia con nervature insolite rispetto alla specie indicata) lo segnala per una revisione tassonomica. I sistemi di intelligenza artificiale “imparano” soprattutto utilizzando le immagini di erbari già digitalizzati. Per questo la qualità delle scansioni conta: più le immagini sono nitide e curate, più l’intelligenza artificiale riesce a riconoscere con precisione i dettagli delle piante.

Oltre all’analisi automatizzata, il lavoro con l’intelligenza artificiale si basa quindi anche sulla digitalizzazione sistematica dei campioni, un processo che coinvolge operatori specializzati nella scansione, descrizione e archiviazione dei reperti. Il risultato è una banca dati consultabile a distanza, utile per ricercatori, enti di conservazione e istituzioni accademiche.

Un supporto alla revisione tassonomica

Questa procedura accelera il processo di revisione tassonomica, che altrimenti richiederebbe anni di lavoro manuale, e può contribuire a rendere più sistematico il lavoro nelle collezioni molto estese. Può inoltre avere ricadute positive per la conservazione, migliorando la qualità delle informazioni disponibili sulle specie rare o minacciate.

Efficienza algoritmica e sguardo umano

Un confronto tra la classificazione tradizionale e quella assistita dall’intelligenza artificiale solleva anche interrogativi concettuali:

In che misura un algoritmo può “comprendere” l’identità biologica di una pianta?

L’applicazione dell’intelligenza artificiale nella revisione tassonomica degli erbari rappresenta uno strumento potente per migliorare la qualità e l’accessibilità dei dati botanici. Automatizzando il riconoscimento morfologico e favorendo la revisione delle classificazioni, queste tecnologie non solo accelerano il lavoro scientifico, ma ampliano anche la quantità e la qualità delle informazioni che si possono estrarre dalle collezioni. Resta aperta la riflessione sul ruolo interpretativo dell’uomo nel riconoscimento biologico: mentre l’intelligenza artificiale fornisce efficienza e sistematicità, è ancora lo sguardo umano a garantire contesto, significato e direzione.

Cosa stanno facendo gli altri erbari del mondo

Sebbene i Kew Gardens siano tra le istituzioni più avanzate nell’uso dell’intelligenza artificiale, molte delle applicazioni più recenti nascono da collaborazioni internazionali. Alcuni erbari stanno sperimentando modelli capaci di leggere non solo la morfologia delle piante, ma altri elementi delle schede dell’erbario: etichette, timbri, annotazioni e altro. Questi dati possono contribuire a ricostruire aspetti della storia dei campioni, come la provenienza o alcune informazioni di raccolta. È una lettura delle collezioni più articolata, che li considera non solo archivi scientifici, ma culturali.

Hespi integra modelli di rilevamento per identificare i componenti del foglio e classificare le etichette come stampate, dattiloscritte, scritte a mano o miste, utilizzando OCR e riconoscimento della scrittura per l’estrazione del testo.(Bioscience – Hespi: una pipeline per rilevare automaticamente le informazioni dai fogli dei campioni dell’erbario – 2025)

Fenologia, clima e biodiversità

La massiccia digitalizzazione degli erbari consente oggi di estrarre informazioni che vanno oltre la tassonomia.

Digital herbarium specimens provide unprecedented opportunities for large‑scale phenology research. (The promise of digital herbarium specimens in large-scale phenology research – New Phytologist – 2024)

Le scansioni di qualità elevata, combinate con modelli di riconoscimento automatico, consentono di studiare la fenologia storica e di confrontarla con i dati attuali. La fenologia è lo studio delle fasi stagionali delle piante (come germogliazione, fioritura e fruttificazione, ma anche la presenza di patogeni) e di come questi variano nel tempo e con il clima. Gli archivi così possono documentare come le piante abbiano risposto ai cambiamenti climatici, all’urbanizzazione e alle trasformazioni agricole. Per alcune specie poco documentate, gli erbari possono rappresentare una fonte storica importante.

L’ambiguità come parte della conoscenza

L’efficienza degli algoritmi tende a ricondurre i caratteri a categorie note, mentre la biologia presenta spesso zone di passaggio e ambigue. Foglie intermedie, caratteri atipici, ibridazioni spontanee: sono aree grigie che un modello tende a ricondurre a categorie note, mentre un botanico le osserva come parte della storia evolutiva di una specie. La collaborazione tra sistemi automatici e sguardo umano è essenziale per interpretare correttamente anche i caratteri che non rientrano nelle categorie previste dai modelli. È in queste eccezioni che spesso si nascondono le informazioni più preziose.