BioMonitoring

J.Wolfgang Wägele et al. Basic and Applied Ecology. Science Direct [en ligne]. 03/2022. volume 59. pages 105-138. Disponible sur : https://www.sciencedirect.com/science/article/pii/S1439179122000032?via%3Dihub (consulté le 11/03/2024)

Les AMOODs sont des réseaux de stations qui pourraient être une nouvelle génération de centres d'évaluation de la biodiversité au niveau méso et macrofaunique. Ils combinent l'IA et les systèmes experts.

Ils peuvent être placés dans des zones difficiles d'accès, notamment où les experts ne peuvent pas se rendre, et fonctionner pendant plus d'un mois sans aucune intervention de l'humain.

Ils se composent de plusieurs types de capteurs comme :

• un échantillonneur autonome pour les insectes, le pollen et spores, permettant ainsi une distinction des espèces suivant certaines caractéristiques

• un enregistreur audios permettent une surveillance bioacoustique

• un pCOV permettant la collecte de composés organiques volatils, essentielle au métabarcoding. Il met en évidence la phénologie des plantes et leur réaction au changement climatique et au stress.

• un piège photographique qui collectent des photos ou vidéos de petits vertébrés et mammifères pour estimer la densité de population ou identifier diverses interactions entre les espèces. Cette méthode fait parti de la surveillance visuelle.

1. Dans le domaine de l'informatique : la reconnaissance de forme mais aussi des changements ou mouvements

2. Prévoir des données de références et d'entraînement

3. L'amélioration et l'intégration des capteurs

4. L'adaptation des capteurs aux espèces cibles

5. L'assemblage et la mise à l'essai du système

6. La création d'une base de données internationales sur les caractéristiques spécifiques

Pour notre projet, seule la surveillance visuelle et acoustique nous intéresse.

L'obstacle taxonomique est la difficulté principale à l'identification des espèces dans leur milieu. C'est-à-dire une difficulté à classer les espèces suivant leur similarité phylogénétique.

L'échelle de l'étude est aussi un problème car les équipements ne sont pas toujours adaptés.

Il y a aussi un manque de données de référence qui entraîne une classification erronée.

La charge de travail conséquente pour les experts est un problème à résoudre car le travail automatisé n'est pas encore bien développé.

DNA metabarcoding est une méthode d'analyse de la biodiversité. Cette technique consiste à :

• Extraire de l'ADN de l'insecte présent sur la malaise

• Analyser l'ADN récolté à l'aide d'une bibliothèque de référence. L'analyse consiste à comparer les amorces des échantillons avec celles de la bibliothèque, si elles sont similaires, la séquence est comparée à la référence pour identifier les caractéristiques de l'espèces et ainsi ordonner la présence des différentes espèces sous formes de diagramme. (comme ci-dessous)

  Diagramme metabarcoding, J.W. Wägele et al. / Basic and Applied Ecology 59 (2022) 105138, https://www.sciencedirect.com/science/article/pii/S1439179122000032

Le DNA metabarcoding présente de nombreux avantages comme la possibilité d'une estimation de population d'arthropodes, mais aussi la présence des plantes dans la zone étudiée à l'aide du pollen présent sur les arthropodes et les mammifères (grâce au sang présent dans certains insectes comme les moustiques). Elle permet aussi un contrôle des espèces envahissantes.

En revanche, elle présente des inconvénients, comme un traitement variable selon les échantillons entraînant une impossibilité de comparaison entre les échantillons de type OTU (operational taxonomic units). De plus, un facteur de correction doit être calculé pour chaque espèce.

L'extraction de l'ADN des êtres vivants étudiés est un des défis majeurs tout comme la gestion de flux de données pour gérer les données à stocker à long terme.

A l'aide d'un appareil photo (ou caméra) et d'un détecteur de mouvement, le système peut capturer en photographie des animaux de la zone étudiée.

Cette méthode permet d'identifier les caractères physiques des espèces tout en évitant les piégeages notamment pour les petits être vivants.

a typical image of moths attracted by a light trap. Lower row: Example for preprocessed images with automatically detected moths (P. Bodesheim 2021,,J.W. Wägele et al. / Basic and Applied Ecology 59 (2022) 105138, https://www.sciencedirect.com/science/article/pii/S1439179122000032

Elle permet aussi une surveillance des espèces macroscopiques terrestres et des arthropodes en continue 24h/24 et 7j/7.

Le détecteur de mouvement permet de couvrir une large zone d'étude et ainsi permettre l'estimation de l'abondance de la population.

Les photos mettent en évidence les interactions entre espèces, mais aussi les comportements de chacun et la tendance temporelle. Tous ces indicateurs ne sont pas visibles avec d'autre méthode que celle présentée.

Des possibilités d'adaptations restent encore possible, ce type de système est encore peu autonome énergétiquement.

Suivant la zone étudiée, si la végétation est dense, elle peut être source de problème lors de l'analyse. En effet, la végétation peut limiter la couverture, mais aussi rendre le cliché flou dû à une mauvaise mise au point entraînant une classification erronée. L'adaptation du FOV (champs de vision) pour les petites espèces est aussi crucial pour ne pas engendrer une mauvaise classification.

Mais la végétation n'est pas le seul facteur qui pourrait entrainer une classification erronée dans le système, l'absence d'apprentissage est un vrai défis. Lorsque le système ne connait pas une espèce qu'il a identifié, il la dispose dans une classe qu'il connaît déjà, même si elle n'en fait pas parti. Le système ne connait pas la notion d'inconnu.

Un autre défi est le traitement de données. Pour le moment, la quantité de données n'est pas assez suffisante pour une classification précise, mais en revanche plus tard l'accumulation de données pourrait nécessiter un développement informatique avec notamment un débit plus haut, la création d'un algorithme de vision par ordinateur d'apprentissage automatique.

Le segmentation d'instance est une approche de pointe de la détection visuelle d'animaux individuels dans les caméras. Cette technique est basée sur l'apprentissage profond pour détecter chaque objet apparaissant sur l'image.

Son fonctionnement est basé sur une échelle de couleurs représentant la profondeur allant de 0m (en rouge) à 15m (en bleu). Cette technologie peut être couplée à de l'infrarouge permettant de détecter la présence des animaux sur cette échelle. En revanche, un défi se pose par rapport à notre sujet, les insectes sont ectothermes donc pas détectable par les IR.

Les vidéos permettent de délimiter le comportement des animaux en 3 classes : manger, se déplacer et regarder.

L'identification est précise à 88,4% pour les cerfs, sangliers, renards et lièvres.

Le nom de l'approche est d-Mask R-CNN.

Les capteurs utilisés sont des Intel® RealSense™ D435 et pour finir les clichés utilisés sont des clips vidéos RVB-D par un piège photographique RVB-D.

color-coded distances (0 to 15 m) help to estimate sizes. ,J.W. Wägele et al. / Basic and Applied Ecology 59 (2022) 105138, https://www.sciencedirect.com/science/article/pii/S1439179122000032

Le radar est une technique de mesure à distance fondée sur l'analyse des propriétés d'un faisceau de lumière renvoyé vers son émetteur d'une distance comprise entre 100 et 300m.

Ils permettraient de contrôler les migrations des insectes volants en les corrélant avec les données météorologiques. Un système de lidar permet de compter et enregistrer l'activité des insectes en même temps.

En revanche l'identification des espèces est impossible mais certains lidars permettent tout de même de discerner la taille. Cette méthode reste tout de même une méthode uniquement diurne.

Ils permettent avec leurs caméras multispectrales de hautes résolutions de cartographier la végétation et la migration des insectes.

Un des avantages est qu'il peut se déplacer contrairement à un station de capteurs classiques.

Les enregistrements audio se font principalement en mono ou stéréo, déterminant ainsi la composition de l'espèce.

Des réseaux plus complexes, comme des réseaux composés, déterminent des informations supplémentaires comme la direction et l'emplacement des animaux, ou même le changement de densité d'une population.

Les enregistrements audios permettent d'enregistrer la présence d'insecte, de primates ou d'oiseaux. Un des atouts de cette méthode est qu'elle est plus évolutive et a une résolution temporelle plus élevée que d'autre méthodes, de 5 à 27 jours.

Les réseaux neuronaux artificiels remplacent de plus en plus les méthodes plus conventionnelles, comme le machine learning, ou les arbres de décisions pour l'analyse des données. Ils permettent notamment une amélioration de l'analyse en identifiant une plus large sélection d'espèces ou de classes.

De plus, de nombreuses librairies sont accessibles gratuitement avec des sons provenant de l'environnement et d'espèces précises.

En revanche, cette méthode requiert encore l'intervention de l'humain pour l'analyse des nombreuses données et n'est pas très diversifiée à l'ensemble des espèces.

En effet, elle est utilisée dans la plupart des cas, que pour les oiseaux et les chauves-souris (pour des travaux liés aux éoliennes notamment aux risques de collisions ou pour les migrations).

Il faut aussi déterminer une échelle pour que les données récoltées soient comparables avec la méthode traditionnelle de comptage. Ceci requiert donc un matériel adapté et des protocols spéciaux.

C'est une « mesure statistique calculée en fonction de plusieurs aspects de la distribution de l’énergie acoustique au sein d’un enregistrement ». Il permet une évaluation rapide de l'évolution de la biodiverisité.

Avec cette indice, les experts peuvent surveiller les variations saisonnières et annuelles de l'activité acoustique au sein même de la zone étudiée, sans capture d'individus de l'espèce étudiée.

Par exemple, l'indice d'entropie temporelle capte des appels nocturnes peu fréquents.

Des recherches supplémentaires sont tout de même nécessaires, pour l'évaluation des comportements sous différents niveaux de bruits de fond et l'évaluation systématique suivant l'environnement.

En utilisant des IA capables d'un apprentissage profond, les experts auraient la possibilité de créer de nouveaux indices acoustiques pouvant mettre en corrélation des sons complexes enregistrés et des propriétés biologiques.

Un développement technologique est nécessaire car les méthodes conventionnelles de surveillance sont insuffisantes dû à l'acquisition fragmentaire des données dans le temps, l'espaces ...

Les nouvelles techniques sont de plus en plus reconnues.

Les capteurs sont particulièrement utilisés pour la surveillance visuelle et acoustique.

Ils sont assez énergivore dû à la quantité de données produites.

En ce moment, un des challenges majeurs est de designer un AMMOD qui pourrait récolter, stocker et transmettre les datas via les communications mobiles.

Une recherche liée aux énergies renouvelables est aussi en cours.