Détection et suivi de la biodiversité marine par intelligence artificielle

Detection and monitoring of marine biodiversity by artificial intelligence

• Auteur / Autrice : Kilian Bürgi
• Direction : Cécile Sabourault, Charles Bouveyron
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'environnement
• Date : Soutenance le 30/09/2025
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées (Nice ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : ECOSEAS (Nice)
• Jury : Président / Présidente : Michel Riveill
• Jury : Examinateurs / Examinatrices : Cécile Sabourault, Charles Bouveyron, Michel Riveill, Laurent Vigliola, Elsa Bonnaud, Ulf Bergström
• Jury : Rapporteurs / Rapporteuses : Laurent Vigliola, Elsa Bonnaud
• DOI : 10.70675/51fbcbadz9a42z495bzb390z17ff1fe5699f

Mots clés

Mots clés contrôlés

Intelligence artificielle

Modèles mathématiques

Apprentissage automatique

Écologie

Biodiversité marine

Mots clés libres

Intelligence artificielle

Modèles faiblement supervisés

Modèles profonds à variables latentes

Apprentissage statistique

Écologie

Suivi de biodiversité

Weakly supervised learning

Biodiversity monitoring

Ecology

Deep latent variable models

Statistical learning

Artificial intelligence

Résumé

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.

The health of marine ecosystems is under unprecedented threat from human-induced pressures such as habitat degradation overfishing and climate change. Monitoring fish biodiversity is essential for assessing ecosystem status and informing conservation efforts, particularly within Marine Protected Areas (MPAs). However, traditional underwater visual census (UVC) methods are labour-intensive, limited by diver availability, and subject to observer bias. This body of work presents an integrated series of studies aimed at automating underwater biodiversity assessments using deep learning and computer vision techniques applied to diver-operated video (DOV) data.The first study evaluates the feasibility of fully automated species detection using a YOLOv7-based object detection pipeline trained on Mediterranean fish species, demonstrating strong agreement with manual analysis and UVC data. The second study extends this by developing novel fish counting approaches that significantly improve upon the commonly used Nmax method, offering reliable abundance estimates across different ecological niches. The third study applies these automated tools to multi-year datasets across various conservation zones in the French Riviera, assessing spatio-temporal trends in species presence and abundance under different environmental conditions and protection levels. Building on the core pipeline, the fourth study applies these methods to a different ecological challenge, the detection and monitoring of non-indigenous species (NIS). Using annotated video transects from the Kaş-Kekova Marine Protected Area a different model was trained to distinguish native and invasive fish species. This allowed for the automated estimation of NIS percentages across habitats and provided early insights into the extent and spread of biological invasions across sites and substrates.Together, these studies establish a robust, scalable framework for ecological monitoring that minimises human bias, enhances data reproducibility, and enables high-resolution, long-term biodiversity assessments. The approach offers a transformative step towards modernising marine monitoring programs, supporting data-driven conservation and sustainable management of vulnerable marine ecosystems.