See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/363566106

Apports de l'intelligence artificielle pour cartographier ou modéliser la

distribution spatiale d'espèces marines

Conference Paper · September 2022

CITATIONS READS

0 80

8 authors, including:

Justine Talpaert Daudon Matteo Contini

L’Institut de recherche pour le développement (IRD) Institut Français de Recherche pour l'Exploitation de la Mer
5 PUBLICATIONS 0 CITATIONS 4 PUBLICATIONS 0 CITATIONS

SEE PROFILE SEE PROFILE

Alexis Joly
National Institute for Research in Computer Science and Control
186 PUBLICATIONS 4,222 CITATIONS

SEE PROFILE

All content following this page was uploaded by Gaétan Morand on 15 September 2022.

The user has requested enhancement of the downloaded file.

 Apports de l’intelligence artificielle pour
cartographier ou modéliser la distribution spatiale
d’espèces marines

Justine Daudon∗1 , Gaétan Morand∗1 , Julien Barde1 , Matteo Contini2 , Titouan Lorieul3 ,
Sylvain Bonhommeau2 , Alexis Joly3 , and Thomas Chevrier2
1
MARine Biodiversity Exploitation and Conservation – Institut de Recherche pour le Développement :
UMRD 248, Institutf rançaisdeRecherchepourl0 ExploitationdelaM er :
U M R9190, CentreN ationaldelaRechercheScientif ique : U M R9190, U niversitédeM ontpellier :
U M R9190 − −F rance
2
Institut Français de Recherche pour l’Exploitation de la MER – Institut Français de Recherche pour
l’Exploitation de la MER - IFREMER, Institut Français de Recherche pour l’Exploitation de la Mer
(IFREMER) – France
3
Laboratoire dÍnformatique de Robotique et de Microélectronique de Montpellier – Centre National de
la Recherche Scientifique : UMR5506, Université de Montpellier : UMR5506, L’Institut National de
Recherche en Informatique et e n Automatique (INRIA) – France

Résumé

Le développement des technologies de l’information permet la collecte et le traitement

massifs de données géoréférencées (photographies, sons, variables environnementales). C’est
un progrès bienvenu car la forte complexité du vivant nécessite des informations variées,
précises et nombreuses. Mais la morphologie et le comportement des animaux marins ne
répondent pas à des règles explicites : ils sont très difficiles à modéliser de manière réaliste.
Jusqu’ici, deux solutions sont régulièrement appliquées : réduire la quantité de données et
les traiter manuellement, ou simplifier le problème et y appliquer des modèles statistiques
explicites. Dans les deux cas, les données ne sont pas interprétées dans leur complexité,
ce qui limite la connaissance scientifique et, in fine, les capacités de compréhension et de
protection de la biodiversité.

L’intelligence artificielle, en particulier le deep learning, permet de dépasser cette limite

: les corrélations sont découvertes et apprises par un modèle, de manière implicite à partir
d’évènements observés en situation réelle (par exemple des photos de poissons préalablement
identifiés). Le modèle est ensuite en mesure d’extrapoler cette connaissance pour l’appliquer
à de nouveaux cas (par exemple pour identifier ces poissons dans de nouvelles photos). Nous
appliquons ce principe pour cartographier des occurrences d’espèces à partir d’images sous-
marines, et modéliser des distributions spatiales d’animaux marins.

1. À travers une collaboration entre l’Ifremer et l’IRD, le projet G2OI vise à identifier et car-
tographier automatiquement des occurrences d’espèces grâce à l’intelligence artificielle. La
méthode repose sur l’acquisition d’images sous-marines géo-référencées par des scientifiques
ou grâce aux sciences citoyennes et aux activités nautiques. Ensuite, ces images ou vidéos
∗
Intervenant

sciencesconf.org:rgr2022:424606
 sont analysées pour identifier automatiquement les espèces et habitats présents. L’objectif
est d’apporter une réponse au besoin croissant de données d’occurrences d’espèces, que ce
soit pour la communauté scientifique (ex : GBIF) ou pour le grand public, afin d’aller vers
une surveillance de la biodiversité à grande échelle et sur le long terme.

2. En parallèle, l’équipe de scientifiques qui a créé l’application Pl@ntNet a développé des

modèles qui permettent de relier les conditions environnementales (imagerie satellite) à des
occurrences d’espèces végétales. L’utilisation du deep learning permet en effet de prendre
en compte toute l’information spatiale et pas seulement des indicateurs ponctuels (valeur en
un point, moyenne, etc.). C’est un progrès significatif car la présence d’espèces ne dépend
pas uniquement des conditions environnementales en un point donné mais aussi (et surtout)
de son environnement proche. Nous travaillons à adapter ces modèles aux milieux côtier et
hauturier. La faible résolution des données disponibles et la quantité réduite d’observations
in situ sont autant de défis à relever. Cependant, nous explorons cette piste dans le but
d’obtenir des liens entre les variables environnementales et les distributions ou migrations
d’animaux marins.
La production massive d’informations précises sur l’identification, la distribution spatiale et
la dynamique des espèces et des habitats est essentielle pour la conservation de la biodi-
versité. L’intelligence artificielle permet de passer à une autre échelle, en tirant parti de la
quantité d’informations disponibles pour se rapprocher au plus près de la complexité de la
réalité.

View publication stats