top of page
  • Writer's pictureMaxence Longle

Pourquoi l'imagerie aérienne et l'IA sont importantes pour le suivi et la conservation des cétacés


Les baleines vivent dans tous nos océans et toutes nos mers, du Haut-Arctique à l'Antarctique, et passent la plupart de leur temps sous l'eau. Le suivi des populations de baleines à des échelles aussi vastes est une tâche difficile pour les scientifiques, les défenseurs de l'environnement et les gestionnaires. Les relevés aériens constituent une méthode de surveillance éprouvée. Par rapport à l'étude des mammifères marins à partir de bateaux, les enquêteurs à bord d'avions peuvent couvrir des zones beaucoup plus vastes et atteindre des endroits éloignés et souvent inaccessibles, situés loin au large ou couverts de banquises éparses.


Bertrand au travail lors d'un relevé aérien.

Malgré ces avantages, les relevés aériens nécessitent beaucoup de ressources financières et humaines. Plusieurs observateurs des mammifères marins sont nécessaires pour détecter, identifier et compter les baleines individuelles. D'après mon expérience personnelle à bord d'un avion, ce n'est pas une tâche facile lorsque vous volez à 100 nœuds/heure à 1000 ou 2000 pieds ! En tant qu'observateur aérien, vous vous contenteriez souvent d'avoir identifié l'espèce observée et d'avoir un nombre assez précis de baleines présentes à la surface.

C'est là que l'imagerie aérienne devient extrêmement précieuse. Les images fixes ne nous permettent pas seulement de compter les baleines qui font surface avec plus de précision - les imagesnous donnent également la possibilité de récupérer plus d'informations sur la composition des groupes, comme le nombre d'adultes, de jeunes et de nouveau-nés. Grâce à ces données détaillées, les scientifiques peuvent mieux comprendre et prédire le déclin ou la croissance future des populations, en se basant par exemple sur le nombre de femelles reproductrices présentes. Ils peuvent également identifier les habitats clés pour l'accouplement ou la mise bas, ce qui peut aider les gestionnaires à définir les priorités en matière de politique de conservation. De plus, l'imagerie permet à plusieurs observateurs de revoir une observation incertaine pour décider de l'identification d'une cible.

Alors pourquoi n'utilise-t-on pas plus souvent l'imagerie aérienne ? Bien que les images aériennes puissent être une source précieuse d'informations, le nombre d'images collectées au cours d'une enquête est le principal point faible de l'exploitation de cette source de données. Nous parlons de centaines de milliers d'images à traiter. L'analyse manuelle de ces images peut prendre de quelques minutes à quelques heures par image en fonction de la complexité des images (c'est-à-dire l'éblouissement, l'état de la mer, la glace) et du nombre de cibles trouvées. L'annotation manuelle est actuellement le statu quo pour les relevés aériens, ce qui empêche la surveillance aérienne d'être une solution réellement évolutive.

Pour résoudre le problème de l'extensibilité de l'imagerie aérienne, nous avons besoin de toute urgence de solutions d'IA pour traiter ces données en peu de temps. Je tiens à faire une distinction entre l'IA et une solution d'IA, car de nombreuses personnes pensent à tort qu'il suffit de développer un algorithme d'IA pour que tout soit prêt. Une solution d'IA n'est pas une solution "mains libres". Tout algorithme d'IA que vous développez doit être intégré dans une infrastructure de pipeline qui peut être alimentée par de grandes quantités de données provenant de sources et de formats différents, et produire des formats différents si nécessaire. Si vous ne disposez pas d'une infrastructure flexible, l'utilisation de votre algorithme sera très limitée. En outre, vous devez veiller à ce que votre modèle ne perde pas sa capacité à reconnaître une caractéristique au fil du temps (un phénomène connu sous le nom de " dérive du modèle"). Vous devez donc constamment guider et réentraîner votre modèle pour qu'il continue à fonctionner à un niveau élevé.


Annotations manuelles de détection des baleines (jaune) et algorithme de détection des baleines de Whale Seeker(rouge).


À l'adresse Whale Seeker, nous avons consacré beaucoup de temps et d'efforts au développement de l'infrastructure de soutien de notre modèle d'IA, ce qui se traduit par une solution très puissante, évolutive et normalisée, capable de traiter rapidement et systématiquement des téraoctets de données. Cela signifie que nous pouvons désormais plus facilement comparer les résultats dans le temps et suivre les changements au sein d'une population.


La réalisation d'enquêtes aériennes et la collecte de données sont des activités coûteuses qui ne sont pas exploitées au maximum de leur potentiel. Nous devrions accorder une attention et un investissement similaires à l'analyse des données aériennes afin d'en tirer le plus d'informations possible. Les solutions d'IA ont un coût initial, mais le retour sur investissement augmente rapidement sur une courte période. Avec l'augmentation rapide de l'échelle des industries maritimes et des projets de gestion des océans, les solutions d'IA deviennent un élément essentiel pour la surveillance des populations de mammifères marins.

Comments


bottom of page