Un nouveau cadre d'IA aide à cartographier et à gérer les espèces de moules envahissantes dans les lacs du Canada

2 juin 2022

Recherche

Par Jonathan Woods
2 juin 2022

  • Un nouveau système de vision par ordinateur permet de déterminer avec précision la couverture, l'abondance et la biomasse des moules zébrées et quagga dans les images sous-marines.
  • Ce cadre pourrait permettre d'établir des cartes précises et actualisées de la densité des moules, ce qui est essentiel pour réduire les effets néfastes sur les écosystèmes et les infrastructures.
  • Son utilisation peut multiplier la productivité des biologistes et la rentabilité des tâches.
  • Ce cadre ouvre la voie à d'autres applications environnementales.

Les chercheurs de l'Institut Vecteur ont mis au point un nouveau cadre d'IA qui peut aider les biologistes à mieux cartographier, surveiller et gérer les moules envahissantes dans les lacs d'eau douce du Canada. Dans la première application de ce type, Angus Galloway, doctorant à l'Institut Vecteur, et Graham Taylor, directeur de recherche par intérim à l'Institut Vecteur, ont utilisé la vision artificielle pour identifier automatiquement les moules zébrées et les moules quagga dans des images de lits de lacs, fournissant ainsi "une solution efficace et précise pour cartographier les populations de moules à une échelle qui était auparavant impossible", comme l'explique un article récemment publié sur le cadre de travail. "Il s'agit d'un domaine où la ML a été sous-explorée", explique M. Galloway. "Il convient parfaitement à la tâche dangereuse et écrasante que représente l'étude du fond des lacs, des rivières et des océans côtiers, généralement effectuée par des plongeurs sous-marins.

Les moules envahissantes constituent un problème majeur dans les lacs d'eau douce du Canada : elles perturbent les écosystèmes, favorisent la prolifération des algues et obstruent des infrastructures vitales telles que les prises d'eau potable. Des cartes précises et actualisées de la densité des moules sont essentielles pour surveiller et gérer leurs effets. Cependant, les cartes actuelles reposent sur des données collectées manuellement, un processus qui implique souvent le dragage par des plongeurs sous-marins ou l'analyse d'images par des experts, ce qui prend du temps. Elles ne reflètent pas la variabilité des populations de moules à différents moments et à différents endroits, car l'analyse est limitée par le nombre de sites que les plongeurs peuvent visiter et d'images que les humains peuvent évaluer. "En réalisant une cartographie très dense, nous pouvons savoir précisément où se situe le problème et y déployer des ressources", explique M. Taylor. "Cela peut permettre des traitements très ciblés.

Galloway et Taylor ont développé le cadre après que des scientifiques d'Environnement et Changement climatique Canada ont contacté Vector à la recherche de solutions d'IA potentielles pour analyser leur bibliothèque d'images de lits de lacs. À l'aide de 1 600 photos des lits des lacs Érié et Ontario prises entre 2016 et 2018, les chercheurs ont formé un modèle de vision par ordinateur pour identifier les moules individuelles et déterminer la couverture des moules (le pourcentage d'une zone occupée par les moules), l'abondance des moules (le nombre de moules individuelles par unité de surface) et la biomasse des moules (le poids sec des moules par unité de surface). Maintenant que nous disposons de l'ensemble des données et qu'elles ont été mises en libre accès, le travail effectué par les experts pour étiqueter ces images peut être repris par d'autres groupes qui déploient ce système dans d'autres masses d'eau", explique M. Taylor. "C'est une amplification de leurs efforts.

Le cadre a atteint une concordance de 85%, 79% et 71% avec l'analyse humaine experte sur la couverture, l'abondance et la biomasse des moules respectivement, et présente plusieurs avantages par rapport aux méthodes d'analyse manuelle actuelles, notamment

  • une amélioration de la précision au fil du temps grâce à l'apprentissage du modèle
  • un meilleur rapport coût-efficacité car le modèle analyse les images en quelques millisecondes, quel que soit le nombre de moules par image
  • la multiplication du temps de productivité des biologistes grâce à des efforts axés sur l'étiquetage des images pour former les modèles au lieu du comptage manuel des moules pour créer des cartes de densité.

"La méthode est déjà suffisamment bonne pour estimer la couverture des moules dans les zones typiques des Grands Lacs dans des conditions adéquates", explique M. Galloway. "L'étape suivante consiste à combler l'écart de précision avec les plongeurs physiques qui sont sous l'eau.

Le cadre ouvre également la voie à d'autres applications environnementales. "Les progrès que nous pouvons réaliser en étudiant les moules auront un impact sur les personnes qui travaillent sur d'autres questions d'écologie aquatique", déclare Taylor. Grâce à une mise au point, le modèle pourrait être ajusté pour détecter d'autres espèces intéressantes, comme le gobie à taches noires, un poisson envahissant, ou être appliqué à d'autres environnements, comme la rivière Niagara ou l'océan côtier.

En rapport :

Recherche
Une IA digne de confiance

Des experts de renommée mondiale en matière de confiance et de sécurité de l'IA publient un article majeur sur la gestion des risques liés à l'IA dans la revue Science

Des protocoles normalisés sont essentiels pour un déploiement responsable des modèles linguistiques

Les inconnues connues : Geoff Pleiss, chercheur chez Vector, se penche sur l'incertitude pour rendre les modèles de ML plus précis.