Transformer la surcharge des pièges photographiques en une surveillance exploitable de la faune dans les forêts tropicales africaines – The Applied Ecologist

Pour soutenir la gestion adaptative, Magaldi et al. ont développé un modèle d’apprentissage en profondeur pour analyser les pièges photographiques au niveau du sol dans les forêts tropicales africaines.

Un problème familier

Si vous travaillez dans la recherche sur la faune sauvage ou dans la gestion d’aires protégées, vous connaîtrez ce sentiment : les pièges photographiques sont excellents pour « être là » 24 heures sur 24 et 7 jours sur 7 dans une forêt dense, mais ils ont un coût caché : une avalanche de photos et de vidéos que quelqu’un doit trier, étiqueter et vérifier.

Dans les forêts tropicales africaines, cette charge de travail peut être particulièrement intense. Les animaux peuvent être partiellement cachés, se déplacer rapidement ou être enregistrés la nuit. Et les équipes fonctionnent souvent avec un temps, un personnel et une puissance de calcul limités. Tout cela signifie que de précieuses données capturées par des caméras peuvent rester sans analyse pendant des mois, ce qui est trop lent pour les décisions de gestion quotidiennes.

C’est l’écart que nous cherchons à combler.

Ce que nous avons construit

Avec une équipe internationale de chercheurs en Europe et dans le bassin du Congo, nous avons développé DeepForestVision, un modèle d’apprentissage en profondeur conçu spécifiquement pour les pièges photographiques au niveau du sol dans les forêts tropicales africaines, et le seul outil disponible capable de traiter à la fois des photos et des vidéos sur le terrain.

Les séquences de pièges photographiques forestiers comprennent un éclairage difficile, des vues partielles, des mouvements rapides et une vaste gamme de paramètres de caméra. Construire un outil capable de faire face à cette diversité a nécessité des données de formation provenant de nombreux habitats : nous avons rassemblé (à notre connaissance) l’un des plus grands ensembles de données de pièges photographiques étiquetés pour ces habitats : plus de 2,7 millions de photos et 220 000 vidéos, collectées sur 63 sites de recherche dans 11 pays africains.

DeepForestVision peut reconnaître 33 taxons vertébrés non humains (principalement des mammifères), et signale également les humains, les véhicules et les images vierges, une caractéristique cruciale lorsque les blancs constituent une grande partie des ensembles de données de terrain. Il utilise une approche en deux étapes : 1) il détecte si un animal (ou une personne/un véhicule) est présent et recadre la partie pertinente de l’image 2) il classe l’animal recadré.

Nous avons évalué DeepForestVision sur deux ensembles de données réelles très différentes : environ 15 000 vidéos du parc national de Kibale et environ 700 000 photos du parc national de Lopé, au Gabon. Elle a atteint respectivement une précision de 87,7 % et 98,9 %, surperformant les autres options existantes de 13,1 % à 45 %.

Un objectif clé était l’accessibilité. DeepForestVision est disponible gratuitement via le AddaxAI interface qui peut fonctionner hors ligne et ne nécessite pas de compétences en programmation.

Pourquoi c’est important pour la direction

Pour les équipes de conservation, la rapidité et la fiabilité sont importantes car les décisions sont souvent sensibles au facteur temps. Un traitement plus rapide des images brutes vers les listes d’espèces et les modèles d’activité soutient une gestion adaptative, par exemple en répondant aux changements saisonniers ou aux menaces émergentes. Au lieu de tout trier manuellement, les équipes peuvent concentrer les efforts humains sur la vérification des enregistrements clés (espèces rares, zones prioritaires, classifications incertaines). Le signalement automatique des détections humaines peut également faciliter la planification des patrouilles et aider à évaluer la pression à l’intérieur et à l’extérieur des zones protégées.

Parce que DeepForestVision est robuste aux différents protocoles de pièges photographiques et simple à déployer dans des conditions de faibles ressources, il s’adapte aux réalités des programmes de recherche et de conservation et prend en charge la surveillance de la biodiversité dans les forêts tropicales africaines dans l’espace et dans le temps.

Pourtant, aucun système automatisé n’est parfait, en particulier dans les forêts tropicales. Par exemple, les petits animaux qui se déplacent rapidement la nuit (comme les rongeurs et les écureuils) peuvent passer inaperçus si la détection échoue. C’est pourquoi nous considérons DeepForestVision comme un outil d’aide à la décision gérant l’essentiel du travail à grande échelle, tandis que les personnes restent essentielles à la validation, en particulier pour les enregistrements rares ou à enjeux élevés.

Ceci est un résumé en langage simple traitant d’un article récemment publié dans Solutions et preuves écologiques. Lire l’article complet ici.