Le attività di monitoraggio basate su dati di tracciamento, come quelli provenienti da sistemi AIS, sono fondamentali per comprendere le dinamiche spazio-temporali delle imbarcazioni e supportare la gestione sostenibile degli ecosistemi marini. Tuttavia, tali sistemi sono spesso soggetti a interruzioni, dovute a guasti tecnici, perdita di segnale o disattivazioni intenzionali, che generano lacune nei dati e compromettono l’analisi delle traiettorie e l’individuazione di attività potenzialmente sospette.
Le principali criticità riguardano la ricostruzione affidabile delle traiettorie mancanti, soprattutto in presenza di blackout prolungati e in contesti marini complessi, dove il movimento delle imbarcazioni non è vincolato a percorsi predefiniti. L’assenza di dati continui può introdurre bias nelle analisi e limitare l’efficacia degli strumenti di sorveglianza e controllo.
Nel contesto attuale, il lavoro che vi presentiamo questa settimana propone un’architettura innovativa basata su deep learning per l’imputazione di traiettorie mancanti, denominata BackForward BiLSTM (BF-BiLSTM). Il modello sfrutta reti neurali ricorrenti bidirezionali per apprendere le dipendenze temporali sia precedenti che successive ai gap nei dati, consentendo di ricostruire porzioni mancanti anche estese (fino al 30% della traiettoria) con elevata accuratezza. Il lavoro si inserisce nelle attività di ricerca del Centro Nazionale per il Futuro della Biodiversità, sostenuto dal Piano Nazionale di Ripresa e Resilienza (PNRR), con l’obiettivo di sviluppare tecnologie avanzate per il monitoraggio e la tutela degli ecosistemi marini.
L’articolo è disponibile in modalità open access al seguente link: doi.org/10.3390/s25123831