Detection and monitoring of marine biodiversity by artificial intelligence

La santé des écosystèmes marins est menacée de manière inédite par des pressions anthropiques telles que la dégradation des habitats, la surpêche et le changement climatique. Le suivi de la biodiversité organismes marins, notamment les des poissons, est essentiel pour évaluer l'état des écosystèmes et orienter les actions de conservation, en particulier au sein des Aires Marines Protégées (AMP). Cependant, les méthodes traditionnelles de recensement visuel sous-marin (UVC) sont coûteuses en main-d'œuvre, limitées par l'accessibilité des sites aux plongeurs, et sujettes à des biais d'observation. Ce travail de doctorat présente une série intégrée d'études visant à automatiser l'évaluation de la biodiversité sous-marine à l'aide de techniques d'apprentissage profond et de vision par ordinateur appliquées à des vidéos enregistrées par des plongeurs (DOV).La première étude évalue la faisabilité de la détection automatisée des espèces à l'aide d'un modèle de détection basé sur YOLOv7, avec des photos d'entraîné sur des espèces de poissons méditerranéens, montrant une forte concordance avec les analyses manuelles et les données UVC. La deuxième étude étend cette approche en développant de nouvelles méthodes de comptage qui surpassent nettement la méthode Nmax couramment utilisée, permettant une estimation fiable de l'abondance selon différentes niches écologiques. La troisième étude applique ces outils automatisés à des jeux de données pluriannuels issus de différentes zones de conservation de la Côte d'Azur, afin d'analyser les tendances spatio-temporelles de la présence et de l'abondance des espèces dans divers contextes environnementaux et niveaux de protection. En s'appuyant sur le pipeline central, la quatrième étude applique ces méthodes à un défi écologique différent : la détection et la surveillance des espèces non indigènes (ENI). À partir de transects vidéo annotés provenant de l'Aire Marine Protégée de Kaş-Kekova, un modèle distinct a été entraîné pour distinguer les espèces de poissons natives des espèces non indigènes. Cela a permis une estimation automatisée des pourcentages d'ENI selon les habitats, fournissant ainsi des premiers indices sur l'ampleur et la répartition des invasions biologiques selon les sites et les substrats. Ensemble, ces études établissent un cadre robuste et évolutif pour le suivi écologique, réduisant les biais humains, améliorant la reproductibilité des données, et permettant une évaluation fine et durable de la biodiversité. Cette approche représente une avancée majeure vers la modernisation des programmes de suivi de la biodiversité marine, soutenant une conservation fondée sur les données et une gestion durable des écosystèmes marins vulnérables.