Simulation par apprentissage profond du comportement des oiseaux marins : évaluation de l'impact des parcs éoliens en mer

Simulation of seabirds' behavior through deep learning : evaluating the impact of offshore wind farm

• Auteur / Autrice : Sophie-Nawel Benboudjema
• Direction : Sophie Lanco
• Type : Projet de thèse
• Discipline(s) : EFSA-Sciences de la Mer
• Date : Inscription en doctorat le 06/02/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : MARBEC - Biodiversité Marine, Exploitation et Conservation

Mots clés

Mots clés libres

Oiseaux marins

Réseaux génératifs antagonistes

Parcs éoliens en mer

Réseaux de neurone

Bio-logging

Seabirds

Generative adversarial networks

Offshore wind farms

Deep learning

Bio-logging

Résumé

Depuis une vingtaine d'années, l'augmentation du nombre de parcs éoliens en mer en Europe soulève la question de l'impact de cette activité sur l'avifaune marine. En effet, ces parcs sont susceptibles de provoquer un effet barrière, de modifier l'habitat ou même d'induire une mortalité directe par collision pour les oiseaux marins. Lors de la conception d'un parc, il est donc important de faire une prédiction de ces impacts potentiels afin de pouvoir prendre les mesures d'évitement, de réduction et de compensation adéquates. Or les modèles actuellement existants sont soit très simples, soit trop complexes pour être mis en œuvre dans des études d'impact (nécessité de collecte de données importantes, paramétrisation complexe, peu généralisables…). Dans cette optique, le but de cette thèse est de développer une nouvelle méthodologie flexible, se basant sur les nombreuses données GPS récoltées en Europe en dehors et au sein des parcs éoliens en mer. Pour cela, ce travail s'appuiera sur des travaux récents dans ce domaine et plus particulièrement sur des outils d'apprentissage profond (Réseaux génératifs antagonistes ou GAN) pour simuler de façon réaliste le comportement des oiseaux marins en mer. En choisissant et évaluant la pertinence de différentes conditions environnementales (bathymétrie, conditions de vents, présence de parcs éoliens…), l'objectif est d'adapter ces méthodes afin d'établir des prédictions sur l'impact probable des parcs éoliens en fonction des caractéristiques propres de chaque région et espèce d'intérêt.

In the past twenty years, the rise of the number of offshore wind farms in Europe raised the question of their impact on seabirds. Indeed, offshore wind farms might create a barrier effect, change the habitat, and even induce a direct mortality through collision for seabirds. During the conception of an offshore windfarm, it is thus important to predict those potential impacts to implement the adequate measures of avoidance, reduction and compensation. However, the existing models are either simplistic, or too complicated to be used in an environmental assessment (need for numerous data collection, complex parametrization, lack of generability ). In this context, the goal of this PhD program is to develop a new and flexible method, based on the GPS data gathered in Europe outside and within offshore windfarms. To achieve this, this work will build upon recent works in the domain, and more precisely upon deep learning tools (Generative Adversarial Networks (GAN)) in order to simulate the behavior of seabirds at sea in a realistic fashion. By choosing and evaluating the relevance of various environmental conditions (bathymetry, wind conditions, presence of offshore windfarms ), the goal is to adapt those methods to predict the potential impact of offshore wind farms, depending on the specific characteristics of each region and specie of interest.