AI for Fisheries Science: Neural Network Tools for Forecasting, Spatial Standardization, and Policy Optimization

Cet article de réflexion présente l'application de réseaux de neurones, notamment les LSTM, les CNN et l'apprentissage par renforcement, pour améliorer la prévision des populations, la standardisation spatiale des indices d'abondance et l'optimisation des politiques de pêche, tout en soulignant leurs avantages et leurs limites par rapport aux méthodes traditionnelles.

L'essentiel

🐟 L'Intelligence Artificielle à la pêche : Une nouvelle boîte à outils pour sauver nos océans

Imaginez que la gestion de la pêche est comme un grand chef cuisinier qui doit décider combien de poissons il peut pêcher chaque année sans épuiser la mer. Traditionnellement, ce cuisinier utilise des recettes anciennes et rigides (des modèles mathématiques classiques) basées sur ce qu'il a vu les années passées.

Mais le monde change ! Le climat se réchauffe, les poissons bougent, et les données arrivent en masse. Ce document est une "nourriture pour la pensée" (un essai) qui propose d'ajouter de nouveaux ingrédients à la cuisine : l'Intelligence Artificielle (IA), et plus précisément des réseaux de neurones, qui sont comme des cerveaux artificiels capables d'apprendre par eux-mêmes.

Les auteurs ont testé trois façons différentes d'utiliser ces "cerveaux artificiels" pour voir si ça marche mieux que les vieilles méthodes. Voici ce qu'ils ont découvert, expliqué avec des analogies :

1. Prédire la taille des poissons (Le "Prédicteur de Croissance")

Le problème : Les poissons ne grandissent pas toujours de la même façon. Parfois, l'eau est plus chaude, parfois il y a plus de nourriture. Les méthodes classiques utilisent une "moyenne" (la taille moyenne des 5 dernières années) ou une formule fixe. C'est un peu comme si vous prédisiez la taille d'un enfant en 2030 en disant : "Il grandira exactement comme il l'a fait l'année dernière".

La solution IA (LSTM) : Ils ont utilisé un type d'IA appelé LSTM. Imaginez un élève très attentif qui ne se contente pas de regarder la dernière note d'un examen, mais qui se souvient de toutes les notes des 10 dernières années, des vacances, des périodes de stress, etc.

• Le résultat : Pour prédire la taille future des poissons, ce "super-élève" (LSTM) a souvent fait de meilleures prédictions que les méthodes classiques, surtout quand les conditions changent vite. Il a mieux compris les tendances cachées.

2. Dessiner la carte des poissons (Le "Cartographe des Océans")

Le problème : Les scientifiques ne voient pas tous les poissons. Ils ne font que des échantillons (comme des points sur une carte). Pour savoir combien de poissons il y a au total, ils doivent "deviner" ce qu'il y a entre les points. C'est comme essayer de deviner la météo d'une ville entière en ne regardant que deux ou trois thermomètres dispersés.
Les méthodes actuelles (comme tinyVAST) sont très bonnes pour combler ces trous en utilisant des règles statistiques.

La solution IA (CNN) : Ils ont essayé d'utiliser des CNN (réseaux de neurones convolutifs), qui sont normalement des experts pour reconnaître des visages dans des photos complètes.

• Le résultat : Ici, l'IA a été un peu déçue. Comme les données de pêche sont très "trouées" (on ne voit pas tout l'océan), l'IA a eu du mal à deviner les petits détails. Les méthodes classiques ont mieux réussi à dessiner la carte complète.
• La leçon : L'IA est géniale pour les photos complètes, mais pour des données éparses comme en pêche, les vieilles méthodes restent encore très solides pour l'instant.

3. Trouver la meilleure règle de pêche (Le "Joueur de Stratégie")

Le problème : Comment décider du quota de pêche ? Habituellement, les scientifiques testent des règles fixes (ex: "Si la population est haute, on pêche 10%"). C'est comme jouer aux échecs en suivant un livre de règles strictes.

• Le défi : Parfois, les règles fixes ne sont pas assez intelligentes pour s'adapter à des situations complexes.

La solution IA (Apprentissage par Renforcement) : Ils ont utilisé une IA qui apprend par essais et erreurs, comme un joueur de vidéo-jeu qui apprend à gagner. L'IA a joué des milliers de fois contre un simulateur de l'océan. À chaque fois qu'elle prenait une bonne décision, elle recevait un "bon point" (récompense).

• Le résultat : L'IA a inventé des stratégies de pêche que les humains n'auraient jamais imaginées ! Elle a parfois pêché beaucoup plus, tout en gardant les poissons en bonne santé, en trouvant des équilibres subtils que les règles classiques manquaient. C'est comme si l'IA avait trouvé une nouvelle façon de jouer aux échecs qui bat le grand maître.

🧠 En résumé : Ce qu'il faut retenir

Ce papier ne dit pas "Jetez tout et utilisez l'IA". Il dit plutôt : "L'IA est un super outil, mais il faut savoir quand l'utiliser."

• ✅ Pour prédire l'avenir (taille des poissons) : L'IA est très forte car elle voit des motifs complexes que l'humain rate.
• ⚠️ Pour remplir les trous de données (cartes de poissons) : Les méthodes classiques sont encore plus fiables car l'IA a besoin de beaucoup de données complètes pour bien fonctionner.
• 🚀 Pour inventer de nouvelles règles : L'IA peut découvrir des stratégies de gestion brillantes et surprenantes, mais il faut faire attention : ces stratégies peuvent sembler étranges ou contre-intuitives pour les pêcheurs et les décideurs.

La conclusion finale :
L'avenir de la gestion des pêches ne sera pas "IA contre Humains", mais "IA + Humains". L'IA peut faire le gros du calcul et trouver des idées nouvelles, mais les scientifiques et les gestionnaires doivent vérifier ces idées pour s'assurer qu'elles sont sûres, justes et compréhensibles pour tout le monde. C'est comme avoir un copilote très intelligent dans un avion : il peut voir des choses que vous ne voyez pas, mais c'est vous qui tenez le manche.

Résumé technique

1. Problématique

La gestion scientifique des pêcheries fait face à des défis sans précédent dus aux changements dynamiques et imprévisibles de l'environnement marin et à l'évolution des priorités de financement. Les méthodes traditionnelles reposent sur des modèles biologiques paramétriques (comme les modèles de régression généralisée ou GLM) et des processus basés sur des hypothèses statistiques strictes. Ces approches sont souvent limitées par leur sensibilité aux erreurs de spécification du modèle et leur difficulté à capturer des relations non linéaires complexes, des dépendances temporelles à long terme et des structures spatiales dynamiques dans des données de pêcheries hétérogènes.

L'article propose d'explorer l'intelligence artificielle (IA), et plus spécifiquement les réseaux de neurones (NN), comme une alternative flexible capable d'apprendre des motifs non locaux et décalés dans le temps, ainsi que d'approximer des relations non linéaires entre variables latentes, sans nécessiter les mêmes hypothèses restrictives que les modèles statistiques classiques.

2. Méthodologie

Les auteurs ont mené une étude comparative basée sur trois études de cas (simulations) appliquant différentes architectures de réseaux de neurones à des problèmes fondamentaux de la science des pêcheries. Les méthodes comparées incluent des approches traditionnelles (moyennes historiques, modèles de croissance de von Bertalanffy, modèles à effets aléatoires GMRF, et le cadre tinyVAST) contre des modèles de Deep Learning.

Les trois études de cas sont les suivantes :

• Étude de cas 1 : Prévision de la démographie des stocks (Taille à l'âge)

  • Objectif : Prédire la taille à l'âge des poissons (un indicateur clé pour les conseils de gestion).
  • Modèles comparés : Moyenne des 5 dernières années, courbe de von Bertalanffy (VBGF), VBGF avec effets aléatoires, modèle GMRF (Markov aléatoire gaussien), un réseau de neurones simple (NN) et un réseau LSTM (Long Short-Term Memory).
  • Données : Deux jeux de données simulés basés sur le flétan du mer de Béring (Gadus chalcogrammus) : un avec une croissance invariante dans le temps et un avec une croissance variant dans le temps (tendance directionnelle et AR1).
  • Évaluation : Erreur quadratique moyenne (RMSE) via validation croisée et projections rétrospectives (hindcast et forecast).

• Étude de cas 2 : Standardisation spatio-temporelle des données d'enquête

  • Objectif : Interpoler la biomasse et standardiser les indices d'abondance relative à partir de données d'enquête spatialement et temporellement éparses.
  • Modèles comparés : Le cadre tinyVAST (modèle statistique de référence utilisant des champs aléatoires gaussiens) contre deux approches de réseaux de neurones : un CNN (Réseau de Neurones Convolutif) traitant chaque année séparément, et un hybride CNN-LSTM intégrant des dépendances temporelles et un masquage pour les données manquantes.
  • Données : Simulation sur une grille 20x20 sur 12 ans avec des effets aléatoires spatiaux et temporels, et un échantillonnage aléatoire de 50% des cellules (distribution de Tweedie).

• Étude de cas 3 : Découverte de politiques de pêche par Apprentissage par Renforcement (RL)

  • Objectif : Découvrir automatiquement des règles de contrôle des captures (HCR) optimisant les prises tout en maintenant la biomasse reproductrice.
  • Modèles comparés : Une évaluation de stratégie de gestion (MSE) traditionnelle avec des règles préétablies contre un agent RL (Deep Reinforcement Learning) qui apprend une politique par interaction avec un environnement simulé.
  • Scénarios : Deux dynamiques de recrutement pour le flétan du mer de Béring : recrutement constant et relation de recrutement de type Ricker (dépendante de la taille du stock).
  • Objectif de l'agent : Maximiser les prises annuelles.

3. Résultats Clés

• Prévision de la taille à l'âge (LSTM) :

  • Pour les scénarios de croissance invariante dans le temps, le modèle LSTM a systématiquement obtenu les RMSE les plus faibles pour les prévisions à court et moyen terme (1 et 2 ans), surpassant les modèles traditionnels.
  • Pour les scénarios de croissance variable dans le temps, le modèle GMRF (traditionnel) a souvent performé mieux pour l'ajustement historique et les prévisions à 1 an. Cependant, le LSTM a montré des performances comparables ou supérieures pour les prévisions à 2 ans, suggérant sa capacité à capturer des motifs temporels complexes.

• Standardisation spatio-temporelle (CNN) :

  • Les modèles CNN et CNN-LSTM n'ont pas surpassé l'approche tinyVAST en termes de précision (RMSE du log-biomasse et log-densité).
  • Bien que les CNN aient pu identifier des tendances générales de haute et basse biomasse, ils ont échoué à reconstruire les motifs régionaux à petite échelle que tinyVAST a pu récupérer.
  • Cause identifiée : Les CNN sont conçus pour des images complètes (vision par ordinateur). La nature éparses des données de pêcheries (beaucoup de cellules non échantillonnées) et la faible quantité de données temporelles (12 ans) limitent leur efficacité par rapport aux modèles statistiques conçus spécifiquement pour l'interpolation spatiale avec données manquantes.

• Politiques de pêche (RL) :

  • L'agent RL a découvert des politiques de pêche non linéaires et parfois contre-intuitives qui ont surpassé les stratégies MSE traditionnelles en termes de rendement cumulé tout en maintenant une biomasse reproductrice stable.
  • Sous le scénario Ricker, la politique RL a permis des prises moyennes d'environ 3,5 millions de tonnes (contre 1-1,5 pour le MSE) tout en stabilisant la biomasse autour de 21% de la biomasse non exploitée ($B_0$).
  • La politique RL a appris à éviter la pêche en dessous de certains seuils de biomasse et à augmenter les captures de manière agressive au-delà, démontrant une capacité à optimiser dynamiquement sans règles préétablies.

4. Contributions Principales

1. Benchmarking Rigoureux : L'article fournit une comparaison directe et transparente entre des outils d'IA de pointe (LSTM, CNN, RL) et les méthodes statistiques de référence actuelles en science des pêcheries.
2. Identification des Limites et Avantages : Il démontre que l'IA n'est pas une solution universelle. Les LSTM sont excellents pour les séries temporelles de démographie, mais les CNN peinent avec les données spatiales éparses typiques des pêcheries, là où les modèles statistiques (VAST) restent supérieurs.
3. Nouveaux Paradigmes de Gestion : L'étude de cas sur le RL ouvre la voie à la découverte automatique de politiques de gestion (HCR) qui pourraient être plus performantes et adaptatives que les règles statiques utilisées actuellement, bien qu'elles soient moins intuitives pour les parties prenantes.
4. Feuille de Route de Recherche : L'article propose une série de questions de recherche prioritaires, notamment sur la nécessité de développer des modèles capables de gérer l'incertitude causale (et non seulement prédictive) et d'adapter les architectures d'IA aux spécificités des données de pêcheries (données manquantes, erreurs d'observation).

5. Signification et Conclusion

Cet article, présenté comme un « aliment de réflexion » (Food for Thought), marque un tournant dans l'adoption de l'IA par la communauté scientifique des pêcheries. Il souligne que :

• Les réseaux de neurones offrent une flexibilité supérieure pour la prévision (surtout temporelle) et la découverte de politiques optimales.
• Cependant, pour la standardisation des indices et l'interpolation spatiale sur des données éparses, les modèles statistiques traditionnels (comme tinyVAST) restent plus robustes et précis pour l'instant.
• Le principal défi futur réside dans le développement de modèles d'IA capables non seulement de prédire avec précision, mais aussi de fournir une inférence causale fiable pour guider des politiques de gestion face à des scénarios jamais observés (ex: changement climatique combiné à la surpêche).

L'article conclut que l'avenir de la gestion des pêcheries réside probablement dans une approche hybride, combinant la puissance prédictive de l'IA avec la rigueur structurelle et l'interprétabilité des modèles de processus biologiques traditionnels.