Le domaine de l'écologie animale est entré dans l'ère du big data et de l'internet des objets. Des quantités sans précédent de données sont désormais collectées sur les populations d'animaux sauvages, grâce à des technologies sophistiquées telles que des satellites, des drones et des appareils terrestres tels que des caméras automatiques et des capteurs placés sur les animaux ou dans leur environnement. Ces données sont devenues si faciles à acquérir et à partager qu'elles ont réduit les distances et les délais des chercheurs tout en minimisant la présence perturbatrice des humains dans les habitats naturels. Aujourd'hui, une variété de programmes d'IA sont disponibles pour analyser de grands ensembles de données, mais ils sont souvent de nature générale et mal adaptés à l'observation du comportement et de l'apparence exacts des animaux sauvages. Une équipe de scientifiques de l'EPFL et d'autres universités a esquissé une approche pionnière pour résoudre ce problème et développer des modèles plus précis en combinant les progrès de la vision par ordinateur avec l'expertise des écologistes. Leurs découvertes, qui paraissent aujourd'hui dans Nature Communications , ouvrent de nouvelles perspectives sur l'utilisation de l'IA pour contribuer à la préservation des espèces sauvages.

Construire un savoir-faire transversal

La recherche sur la faune est passée du local au mondial. La technologie moderne offre désormais de nouvelles façons révolutionnaires de produire des estimations plus précises des populations d'animaux sauvages, de mieux comprendre le comportement des animaux, de lutter contre le braconnage et de stopper le déclin de la biodiversité. Les écologistes peuvent utiliser l'IA, et plus particulièrement la vision par ordinateur, pour extraire les principales caractéristiques des images, des vidéos et d'autres formes visuelles de données afin de classer rapidement les espèces sauvages, de compter les animaux individuels et de glaner certaines informations, à l'aide de grands ensembles de données. Les programmes génériques actuellement utilisés pour traiter ces données fonctionnent souvent comme des boîtes noires et ne tirent pas parti de l'ensemble des connaissances existantes sur le règne animal. De plus, ils sont difficiles à personnaliser, souffrent parfois d'un contrôle qualité médiocre et sont potentiellement sujets à des problèmes éthiques liés à l'utilisation de données sensibles. Ils contiennent également plusieurs biais, notamment régionaux; par exemple, si toutes les données utilisées pour former un programme donné ont été collectées en Europe, le programme pourrait ne pas convenir à d'autres régions du monde.

"Nous voulions intéresser davantage de chercheurs à ce sujet et mutualiser leurs efforts afin d'avancer dans ce domaine émergent. L'IA peut servir de catalyseur clé dans la recherche sur la faune et la protection de l'environnement plus largement", déclare le professeur Devis Tuia, directeur du Laboratoire de sciences computationnelles de l'environnement et d'observation de la Terre de l'EPFL et auteur principal de l'étude. Si les informaticiens veulent réduire la marge d'erreur d'un programme d'IA entraîné à reconnaître une espèce donnée, par exemple, ils doivent pouvoir s'appuyer sur les connaissances des écologistes animaliers. Ces experts peuvent préciser quelles caractéristiques doivent être prises en compte dans le programme, par exemple si une espèce peut survivre à une latitude donnée, si elle est cruciale pour la survie d'une autre espèce (par exemple par une relation prédateur-proie) ou si la physiologie de l'espèce change au cours de sa vie. Par exemple, de nouveaux algorithmes d'apprentissage automatique peuvent être utilisés pour identifier automatiquement un animal. comme l'utilisation du motif de rayures unique d'un zèbre, ou en vidéo, la dynamique de leurs mouvements peut être une signature d'identité », déclare le professeur MackenzieMathis, responsable de la chaire de neurosciences intégratives de la Fondation Bertarelli à l'EPFL et co-auteur de l'étude. la fusion de l'écologie et de l'apprentissage automatique est essentielle :le biologiste de terrain possède une immense connaissance du domaine de l'animal étudié, et nous, en tant que chercheurs en apprentissage automatique, le travail consiste à travailler avec eux pour créer des outils afin de trouver une solution."

Faire connaître les initiatives existantes

L'idée de forger des liens plus solides entre la vision par ordinateur et l'écologie est apparue lorsque Tuia, Mathis et d'autres ont discuté de leurs défis de recherche lors de diverses conférences au cours des deux dernières années. Ils ont vu qu'une telle collaboration pourrait être extrêmement utile pour empêcher l'extinction de certaines espèces sauvages. Quelques initiatives ont déjà été déployées dans ce sens; certains d'entre eux sont répertoriés dans l'article de Nature Communications. Par exemple, Tuia et son équipe à l'EPFL ont développé un programme capable de reconnaître des espèces animales à partir d'images de drones. Il a été testé récemment sur une population de phoques. Pendant ce temps, Mathis et ses collègues ont dévoilé un progiciel open source appelé DeepLabCut qui permet aux scientifiques d'estimer et de suivre les poses d'animaux avec une précision remarquable. Il a déjà été téléchargé 300 000 fois. DeepLabCut a été conçu pour les animaux de laboratoire mais peut également être utilisé pour d'autres espèces. Des chercheurs d'autres universités ont aussi développé des programmes, mais il leur est difficile de partager leurs découvertes car aucune véritable communauté ne s'est encore constituée dans ce domaine. D'autres scientifiques ne savent souvent pas que ces programmes existent ou lequel serait le meilleur pour leur recherche spécifique.

Cela dit, les premiers pas vers une telle communauté ont été franchis par le biais de divers forums en ligne. L'article de Nature Communications vise cependant un public plus large, composé de chercheurs du monde entier. "Une communauté prend progressivement forme", déclare Tuia. "Jusqu'à présent, nous avons utilisé le bouche à oreille pour construire un premier réseau. Nous avons commencé il y a deux ans avec les personnes qui sont maintenant les autres auteurs principaux de l'article :Benjamin Kellenberger, également à l'EPFL; Sara Beery à Caltech aux États-Unis; et Blair Costelloe à l'Institut Max Planck en Allemagne."