Une équipe internationale de scientifiques, conduite par Sabrina Krief, professeure du Muséum et Hugo Magaldi, ingénieur de recherche au Muséum, tous deux dans l’unité de recherche Éco-Anthropologie (CNRS/MNHN/UPCité), a mis au point un algorithme capable d’identifier avec une précision inédite la faune des forêts tropicales africaines.
Nommé DeepForestVision, ce dispositif s’inscrit dans le cadre de l’initiative One Forest Vision et est librement accessible via la plateforme AddaxAI, même en hors ligne. Entraîné à partir de 3 millions de photos et vidéos issues de 63 sites dans 11 pays africains, il permet d’identifier automatiquement 33 taxons.
Les forêts tropicales africaines sont les habitats terrestres les plus riches de la planète en biodiversité, mais elles subissent une perte rapide de leur faune en raison de la pression anthropique croissante. Afin de répondre à l’urgence d’un suivi efficace de cette biodiversité, les outils de télédétection comme les caméras à détection automatique offrent des alternatives plus rapides et moins invasives que les observations humaines, en particulier pour des espèces cryptiques et dans des habitats difficiles d’accès.
Néanmoins, l’analyse des grands volumes de données issues de ces équipements est chronophage, et les données acquises sont fréquemment sous-utilisées en raison de ressources humaines limitées. Des algorithmes d’intelligence artificielle permettent d’automatiser certains aspects de l’analyse, mais leur utilité pour la recherche et la conservation dépend de leur fiabilité pour identifier les espèces cibles et de leur capacité à être facilement déployés sur le terrain.
Dans le cadre de l’initiative One Forest Vision, l’équipe a développé le premier algorithme d’apprentissage profond (deep learning) adapté à ces habitats exigeants, capable de traiter sur le terrain à la fois des photos et des vidéos. Entraîné sur plus de 3 millions de photos et vidéos issues de caméras automatiques collectées sur 63 sites de recherche répartis dans 11 pays africains, il peut identifier 33 taxons de vertébrés non humains, dont 31 taxons de mammifères, allant des plus communs aux plus menacés, observés au niveau du sol.
Testé sur 14 982 vidéos enregistrées au sein du Sebitoli Chimpanzee Project dans le Parc national de Kibale en Ouganda, l’algorithme DeepForestVision a atteint un taux de prédiction correcte de 87,7 % sur les 23 taxons présents, surpassant d’au moins 13,1 % les trois autres algorithmes actuellement utilisables dans ces environnements.
Disponible hors ligne sur l’interface AddaxAI, DeepForestVision est utilisable en milieu isolé, sans qu’aucune ressource ou compétence informatique spécifique ne soit requise.
DeepForestVision est donc un outil fiable pour un suivi efficace de la biodiversité animale observée sur les photos et vidéos issues de caméras automatiques dans les forêts tropicales africaines. Utilisé par des acteurs de la recherche, de la conservation, du secteur privé ou public, il pourra orienter les stratégies de conservation à l’intérieur et à l’extérieur des aires protégées, et ainsi contribuer à la préservation de la biodiversité animale.
Source : MNHN