JUNOM (Jumeau Numérique Oiseaux Marins) Vers un jumeau numérique des oiseauxmarins : modèles d'apprentissage profond pour la scénarisation des impacts du changement climatique et des pressions anthropiques multiples

Towards a digital twin of seabirds deep learning models for the scenarioization of climate change impacts and multiple anthropogenic pressures

• Auteur / Autrice : Noémie Muquet
• Direction : Sophie Lanco, Jean-Daniel Zucker
• Type : Projet de thèse
• Discipline(s) : EFSA-Sciences de la Mer
• Date : Inscription en doctorat le 01/12/2023
• 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

Biologging

Jumeau numérique

Apprentissage profond

Modèles génératifs stochastiques

Transformers

Seabirds

Biologging

Digital twin

Deeap learning

Generative stochatic models

Transformers

Résumé

Ce projet de thèse vise à mieux comprendre le conditionnement du comportement des oiseaux marins par l'environnement dans une perspective de scénarisation de l'impact du changement climatique et des pressions anthropiques afin de mieux anticiper les mesures de gestion et de gouvernance qui permettraient de contenir l'érosion de la biodiversité et favoriser la conservation de ces espèces sentinelles. L'originalité du projet consiste à proposer une approche de type jumeau numérique en exploitant une diversité de données spatio-temporelles de biologging via des familles d'algorithmes d'apprentissage profonds parmi les plus récents et prometteurs (modèles de diffusion et modèles auto attentifs).

The aim of this thesis project is to gain a better understanding of how seabirds' behavior is conditioned by the environment, with a view to scenarioizing the impact of climate change and anthropogenic pressures, in order to better anticipate management and governance measures that would make it possible to contain the erosion of biodiversity and promote the conservation of these sentinel species.The originality of the project lies in proposing a digital twin approach, exploiting a diversity of spatio-temporal biologging data via some of the most recent and promising families of deep learning algorithms (diffusion models and self-attentive models).