On a conçu une méthode pour analyser le risque de collision avec des animaux sur les infrastructures de transport, en s’appuyant sur l’IA.
On vous explique tout ça dans un article à paraître très bientôt dans la revue Nature Conservation, écrit sous la houlette de Léa Pautrel, Sylvain Moulherat et Guillaume Debat, et dont voici les grandes lignes.
L’objectif de cette démarche méthodologique est de pouvoir identifier les zones à plus forte probabilité de présence d’animaux (et donc de risque de collision) grâce à l’utilisation d’images de capteurs photo analysées par apprentissage profond (deep learning).
Pour y parvenir, il s’agit de cartographier l’abondance des espèces, c’est-à-dire la densité d’animaux en différents lieux du territoire étudié.
On utilise pour cela des modèles spécifiques, reconnus pour leur robustesse, qui permettent d’estimer l’abondance partout sur un territoire à partir de données collectées en certains points seulement de ce territoire (dans notre cas, grâce à un nombre limité de capteurs photo).
La première question qui se pose est donc celle de la localisation des capteurs. Où faut-il les installer pour évaluer correctement le risque de collision à large échelle ?
Etape 1 : on commence par évaluer à quel endroit les animaux sont les plus susceptibles de passer, en simulant leurs déplacements probables grâce à un logiciel de modélisation écologique (au hasard, notre simulateur SimOïko).
Etapes 2 et 3 : on conçoit le scénario d’implantation optimal de manière itérative, en testant plusieurs options jusqu’à identifier la bonne.
On commence donc par imaginer un premier plan de déploiement de capteurs photos. En s’appuyant sur la simulation réalisée à l’étape 1, on calcule combien de passages d’animaux seraient susceptible d’avoir lieu devant chaque capteur.
Ces données sont ensuite injectées dans un modèle d’abondance, et l’on compare les résultats produits par ce modèle avec ceux obtenus lors de l’étape 1. Le scénario d’implantation est jugé pertinent si les résultats du modèle d’abondance sont proches de ceux obtenus par simulation en étape 1.
Vous suivez ?
On sait donc maintenant où il faut installer nos capteurs photo. On peut passer à la suite.
Etape 4 : une fois les capteurs en fonctionnement, l’objectif est d’analyser la très grande quantité d’images qu’ils collectent. C’est là que l’IA entre en jeu. On s’appuie sur des algorithmes de deep learning pour détecter les espèces photographiées (en utilisant par exemple notre logiciel en ligne Ocapi).
Etape 5 : les données de terrain collectées par les capteurs et analysées par IA sont entrées dans un modèle d’abondance, qui va produire la carte finale.
Vous avez encore du mal à y voir clair ? Vous pouvez d'ores et déjà lire la version preprint de l’article (avant corrections mineures) ici : https://preprints.arphahub.com/article/110040/.
Vous voulez être sûr de ne manquer aucune info ? Inscrivez-vous pour recevoir, tous les deux mois, notre newsletter dédiée à la biodiversité et aux technologies numériques.