Détermination par apprentissage automatique des effets de la qualité de l'eau et de l'habitat sur les patterns des distribution des communautés de poisson dans les rivière de Himalaya et de la Moselle

Using machine learning to understand the impacts of water quality and habitat disturbances on fish community structure and patterns in lower East-Himalayan streams of India and in La Moselle stream in France

• Auteur / Autrice : Samudranil Basak
• Direction : Hoai Minh Le, Baba Issa Camara
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 13/02/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : LCOMS - Laboratoire de Conception, Optimisation et Modélisation des Systèmes

Mots clés

Mots clés libres

Apprentissage automatique

Apprentissage profond

Densité multi-espèces

Statistiques spatiales

Concervation d'écosystème

Machine Learning

Deep learning

Multi-species density

Spatial statistics

Ecosystem conservation

Résumé

Le bon fonctionnement écologique est indispensable pour permettre le déroulement normal du cycle biologique de nombreuses espèces des systèmes aquatiques d'intérêts économiques majeurs. Or ces dernières décennies ont été marquées par des fortes perturbations de ces écosystèmes aquatiques. Ainsi la biodiversité mondiale des eaux douces diminue à un rythme sans précédent tandis que les espèces non indigènes se développent. Afin de limiter le déclin et restaurer les communautés impactées, une estimation de la diversité et de l'abondance d'espèces de poissons devient une nécessité. Notre projet vise d'une part, à développer des modèles d'apprentissage statistique permettant d'estimer l'occupation spatiale et la dynamique des densités d'espèces de poissons. Les modèles N-mélange multi-espèces sont de nouvelles approches pour traiter de tels problèmes. D'autre part, grâce aux outils de feature-engineering et de deep-Learning, nous allons développer des indicateurs de biodiversité et de conservation des espèces basés sur la qualité de l'eau, la qualité de l'habitat et la présence d'espèces invasives. Ces modèles développés seront entrainés, testés pour prédire et disposer d'indicateurs fiables de conservation de la biodiversité. L'objectif final sera de produire un outil d'aide à la décision pour les gestionnaires de ces écosystèmes aquatiques.

Good ecological functioning is essential to allow the normal development of the biological cycle of many species of aquatic systems of major economic interest. However, recent decades have been marked by major disturbances of these aquatic ecosystems. So global freshwater biodiversity is declining at an unprecedented rate while non-native species are expanding. In order to limit the decline and restore the impacted communities, an estimate of the diversity and abundance of fish species becomes a necessity. Our project aims on the one hand, to develop statistical learning models to estimate the spatial occupation and the dynamics of the densities of fish species. In addition, using feature-engineering and deep-learning tools, our goal is to develop biodiversity and species conservation indicators based on water quality, habitat quality and the presence of invasive species, in tropical (in India) and temperate (in France) ecosystems. These developed models will be trained, tested to predict and have reliable indicators of biodiversity conservation. Our final results can serve as a decision-making tool for managers of these aquatic ecosystems.