Automated AI image recognition tools improve the efficiency of aerial wildlife counts: A multi-species case study on breeding seabirds and pinnipeds at the sub-Antarctic Bounty Islands.

Cette étude démontre que l'association de relevés aériens et d'outils de reconnaissance d'images par intelligence artificielle permet de compter avec précision et rapidité les populations d'oiseaux marins et de pinnipèdes aux îles Bounty, réduisant considérablement le temps de traitement par rapport aux méthodes manuelles.

L'essentiel

🌊 Le Défi : Compter les oiseaux dans un labyrinthe de rochers

Imaginez que vous devez compter tous les oiseaux qui vivent sur un groupe d'îles rocheuses et sauvages, situées à 700 km au large de la Nouvelle-Zélande. C'est le archipel des Bounty.

Ces îles sont un vrai casse-tête :

• Il n'y a pas de routes, pas de sol, juste des rochers battus par les vagues.
• Des milliers d'oiseaux (des albatros de Salvin, des pingouins, des phoques) y vivent enchevêtrés.
• Pour les compter à la main, il faudrait envoyer une équipe sur place pendant des semaines, ce qui est dangereux, coûteux et peut effrayer les animaux.

C'est comme essayer de compter les grains de sable sur une plage pendant une tempête, à la main, un par un.

🚁 La Solution : Un avion qui prend des "selfies" géants

Au lieu d'envoyer des humains sur les rochers, les chercheurs ont pris un avion piloté. Ils ont survolé les îles en faisant des photos très nettes, comme si l'avion prenait des milliers de "selfies" de la colonie d'oiseaux.

Ensuite, ils ont assemblé toutes ces photos pour créer une carte géante et ultra-détaillée (un "orthomosaïque") de tout l'archipel.

🤖 Le Super-Héros : L'Intelligence Artificielle (IA)

C'est ici que la magie opère. Auparavant, un humain devait regarder cette carte géante pendant 66 heures (presque deux semaines de travail !) pour compter chaque oiseau un par un. C'était lent et fatiguant.

Dans cette étude, les chercheurs ont créé un robot détective (une Intelligence Artificielle) pour faire le travail à leur place.

• L'entraînement du robot : Imaginez que vous montrez à un enfant 1 000 photos d'albatros pour lui apprendre à les reconnaître. C'est ce qu'ils ont fait avec l'IA. Ils lui ont montré des milliers d'exemples d'albatros, de pingouins et de phoques.
• Le super-pouvoir : Une fois entraîné, ce robot a analysé la carte géante en 4 minutes seulement.

🏆 Les Résultats : Rapide, Précis et Polyvalent

Voici ce que le robot a accompli :

1. Vitesse éclair : Là où un humain a mis 66 heures, le robot a fini en 4 minutes. C'est 963 fois plus rapide ! C'est comme si vous passiez de la marche à pied à un avion supersonique.
2. Précision incroyable : Le robot a compté les albatros avec une précision de 97 % par rapport au comptage humain. Il s'est trompé très peu.
3. Un couteau suisse : Le plus génial, c'est que le robot n'a pas compté seulement les albatros. En même temps, il a aussi repéré les pingouins, les phoques et même d'autres petits oiseaux, comme un détective qui verrait tout d'un seul coup d'œil.

💡 Pourquoi c'est important pour la nature ?

Cette méthode change la donne pour la protection des animaux :

• Moins de dérangement : On n'a plus besoin d'envoyer des humains qui marchent au milieu des nids et stressent les oiseaux.
• Sauvegarde des espèces : Les albatros sont en danger. Pouvoir compter leur population rapidement et souvent permet de mieux les protéger.
• Économies : C'est beaucoup moins cher et plus simple à organiser.

En résumé

Cette étude nous dit que nous n'avons plus besoin de compter les oiseaux à la main, comme on compterait des moutons dans un pré. Grâce aux avions et à l'intelligence artificielle, nous pouvons maintenant prendre une photo de tout un archipel et laisser un "cerveau numérique" compter les animaux en quelques minutes, avec une précision de presque 100 %.

C'est une révolution : la technologie au service de la nature, pour la protéger plus vite et mieux. 🦅🤖🌍

Résumé technique

Titre de l'étude

Outils de reconnaissance d'images automatisés par IA pour améliorer l'efficacité des dénombrements aériens de la faune : une étude de cas multi-espèces sur les oiseaux de mer et les pinnipèdes reproducteurs aux îles Bounty (sous-antarctique).

---

1. Problématique

Le suivi précis des populations d'oiseaux de mer est crucial pour la gestion de la conservation, en particulier pour les espèces vulnérables comme l'albatros de Salvin (Thalassarche salvini). Cependant, les méthodes traditionnelles de comptage au sol présentent plusieurs limites majeures :

• Contraintes logistiques : Les îles sous-antarctiques comme les îles Bounty sont difficiles d'accès, éloignées et soumises à des conditions météorologiques et terrain hostiles.
• Coût et temps : Les campagnes de terrain nécessitent des équipes sur place pendant des semaines, ce qui est coûteux et perturbateur pour la faune.
• Limites des méthodes aériennes existantes : Bien que l'imagerie aérienne (satellites, drones/UAV) soit utilisée, le comptage manuel des images reste long, sujet à l'erreur et peu reproductible. De plus, les drones ont souvent des limites d'autonomie et de résolution, tandis que les satellites peuvent manquer de précision pour identifier des individus individuels.

L'objectif de cette étude est d'évaluer l'efficacité d'une approche basée sur l'intelligence artificielle (IA) pour automatiser le dénombrement à partir d'images aériennes haute résolution acquises par un avion piloté, en comparant les résultats avec des comptages manuels antérieurs.

2. Méthodologie

Collecte de données :

• Site : Îles Bounty (Nouvelle-Zélande), un archipel de 13 îles granitiques.
• Plateforme : Avion bimoteur à hélice (Reims F406) piloté.
• Capteurs : Caméra reflex numérique plein format (Nikon D800) avec objectif téléphoto (70-200 mm), montée sur un hublot pour des images à nadir (verticales).
• Paramètres de vol : Altitude de 1200 ft, vitesse de 120 nœuds, survol le jour de l'incubation (mi-octobre).
• Données : 450 photographies haute résolution assemblées en 9 orthomosaïques couvrant l'ensemble des zones de nidification.

Traitement et Modélisation IA :

• Architecture du modèle : Utilisation d'un réseau de neurones convolutifs (CNN) de type Faster R-CNN avec un backbone Residual Network (ResNet) et un Feature Pyramid Network (FPN).
• Technique d'inférence : Méthode SAHI (Slicing-Aided Hyper-Inference) pour améliorer la détection dans les images contenant un grand nombre d'individus en les découpant en sous-images.
• Entraînement :
  • Espèce cible principale : Albatros de Salvin (1 392 exemples d'entraînement).
  • Espèces secondaires (entraînement opportuniste) : Manchots à huppe dressée (1 076 exemples), phoques de Nouvelle-Zélande (55 exemples), prions fulmars (22 exemples).
• Validation : Comparaison des détections IA avec les annotations manuelles d'un observateur expert. Métriques utilisées : Score F1 (harmonique de la précision et du rappel), matrice de confusion, et Intersection over Union (IoU > 0,5).

Comparaison :
Les résultats de l'IA ont été confrontés aux comptages manuels originaux (réalisés en 66 heures) sur un sous-ensemble d'images représentant environ la moitié des données initiales.

3. Contributions Clés

• Intégration Avion Piloté + IA : Démonstration qu'un avion piloté, offrant une couverture rapide de grandes zones et une haute résolution, combiné à l'IA, est supérieur aux drones (limités par l'autonomie) et aux satellites (résolution insuffisante) pour les colonies denses et isolées.
• Détection Multi-espèces : Capacité du modèle à compter simultanément plusieurs espèces (oiseaux et mammifères marins) dans une même image, offrant une efficacité scalable pour les inventaires de biodiversité.
• Réduction drastique du temps de traitement : Passage d'un processus de comptage manuel de plusieurs semaines à un traitement automatisé de quelques minutes.
• Analyse de la relation Données/Précision : Établissement d'un seuil empirique indiquant qu'environ 1 000 exemples d'entraînement par espèce sont nécessaires pour atteindre une précision de modèle supérieure à 75 % (Score F1 > 0,75).

4. Résultats

• Précision de détection :
  • Albatros de Salvin : Score F1 initial de 92,8 %.
  • Manchots à huppe dressée : Score F1 de 89,4 % (malgré un contraste faible avec le substrat rocheux).
  • Phoques et Prions : Scores plus faibles (48 % et 30 %) en raison du manque de données d'entraînement, confirmant l'importance du volume de données.
• Comparaison des comptages :
  • Le comptage manuel initial était de 30 899 albatros.
  • Le comptage IA sur le même sous-ensemble a donné 31 718 albatros.
  • Différence : +819 oiseaux (+3 %). L'IA a compté légèrement plus car elle inclut les oiseaux en vol, que l'observateur humain excluait pour éviter les doubles comptages de partenaires.
  • Précision globale : 97 % d'accord entre les deux méthodes.
• Gain de temps :
  • Temps de comptage humain : 66 heures (environ 1,5 semaine de travail).
  • Temps de traitement IA : 4 minutes et 6 secondes (246 secondes).
  • Accélération : L'IA est 963 fois plus rapide que la méthode manuelle.
• Performance multi-espèces : Le modèle a détecté avec succès des manchots, des phoques et des prions, bien que la précision pour ces espèces secondaires puisse être améliorée avec plus de données d'entraînement.

5. Signification et Impact

Cette étude démontre qu'il est possible de transformer la surveillance de la faune marine dans des environnements extrêmes grâce à une synergie entre l'aérométrie pilotée et l'IA.

• Efficacité opérationnelle : La capacité de réaliser un recensement complet en une seule journée de vol, suivi d'un traitement quasi instantané, permet une prise de décision de conservation beaucoup plus rapide.
• Réduction de la perturbation : En évitant l'atterrissage et la présence prolongée d'équipes humaines sur les îles, la méthode minimise le stress et la perturbation des colonies d'oiseaux et des mammifères marins.
• Évolutivité : La méthode est adaptable à d'autres espèces et régions. Le modèle peut être réentraîné rapidement pour de nouvelles cibles (autres oiseaux, mammifères terrestres, navires).
• Gestion des populations : Bien que le comptage brut soit légèrement différent (en raison de la définition de ce qui est compté, ex: oiseaux en vol), la méthode fournit une base solide pour estimer les populations de reproduction une fois les facteurs de correction appliqués.

En conclusion, cette approche offre une solution robuste, reproductible et économiquement viable pour le suivi à long terme des espèces vulnérables dans des régions isolées, surpassant les méthodes traditionnelles en termes de vitesse, de sécurité et de précision.