Table des matières

Bourdon à queue chamois (Bombus terrestris) se nourrissant du nectar du chardon des champs (Cirsium arvense) fleurs © Damien Hicks


Les auteurs Damien Hicks et Christoph Kratz présentent leur équipe dernières recherches démontrant l’utilisation de l’apprentissage automatique pour les enquêtes en quadrats afin d’améliorer l’accessibilité et l’efficacité des ressources des méthodes actuelles de surveillance de la végétation florale.

Le sucre du nectar contenu dans les fleurs est un facteur clé de l’abondance et de la diversité des pollinisateurs. La réduction de cette ressource alimentaire, principalement par la perte d’habitat et les changements dans l’utilisation des terres, est indiquée comme un cause majeure du déclin des insectes pollinisateurs pourtant sa mesure sur le terrain et en laboratoire est laborieuse, et nécessite des compétences spécialisées.

Pour résoudre ce problème, un partenariat international de Natural England, l’Université d’Édimbourg, l’Université d’Orléans et Microsoft Corporation ont formé un modèle de réseau neuronal convolutif pour identifier et compter les fleurs productrices de nectar dans les photographies des géomètres des prairies riches en fleurs – qui peuvent ensuite être utilisé pour calculer le poids de sucre disponible pour les pollinisateurs.

qudrat + fleurs sauvages
Gauche : Géomètre Pierre Ouvrard sur un transect de pollinisateurs © Damien Hicks. À droite : une prairie de fleurs sauvages riche en fleurs, une cible appropriée pour l’identification des espèces et les capacités de comptage des fleurs d’un réseau de neurones convolutifs. Il s’agit de l’une des huit prairies plantées près d’Édimbourg grâce à un financement de NatureScot et de l’un des nombreux projets au Royaume-Uni visant à améliorer les ressources florales pour les pollinisateurs. © Pierre Graham

Construire un modèle d’apprentissage en profondeur

L’un des avantages de cette recherche était que tout l’équipement utilisé était peu coûteux. Nous avons pris plus de 2 000 images de haut en bas, chacune d’environ 1 m2 de végétation sans objets étrangers (par exemple, cadre de quadrat, litière, pieds !), puis a utilisé un logiciel open source (Python, R et VoTT) pour créer un ensemble de données de 25 000 « tags » étiquetés (c’est-à-dire des cadres de délimitation) autour de la espèces de fleurs dans ces images.

Avec le soutien du programme Microsoft AI for Earth, nous avons accédé à une puissante machine virtuelle pour exécuter plusieurs modèles de réseau neuronal convolutif (CNN). Cette méthode est conçue pour apprendre les hiérarchies de caractéristiques et les modèles locaux de manière stochastique, en les apprenant généralement dans de petites trames bidimensionnelles d’images d’entrée.

Évaluation des performances du modèle

apprentissage automatique
Un exemple de sortie visuelle du modèle de détection d’objets, étant donné une nouvelle image de quadrat contenant du chardon vert (Cirsium vulgare), de la marguerite rouge (Leucanthemum vulgare) et du silène dioica (Silene dioica) © Damien Hicks

Notre modèle final peut recevoir de nouvelles images de quadrat invisibles dans le modèle, à partir desquelles il produit un affichage visuel de ses régions de proposition et des classifications de taxons ainsi qu’une feuille de calcul des décomptes des taxons détectés convertis en masse de sucre de nectar par m2. Sur un ordinateur portable standard obsolète, cela prend environ 6 secondes, et pour une étude standard en quadrat, cet outil pourrait réduire le temps d’étude des pollinisateurs-plantes par peuplement de végétation de quelques heures à quelques minutes.

Pour évaluer les performances du modèle, nous avons rassemblé 50 nouvelles images supplémentaires provenant de divers pays et comparé les estimations de la masse de sucre du nectar faites par le CNN à celles de trois arpenteurs humains. Heureusement, ceux-ci ont renvoyé des moyennes et des écarts types similaires et plus de la moitié des estimations de la masse de sucre du nectar faites par le modèle se situaient dans la plage absolue de celles des enquêteurs humains.

Applications de l’apprentissage profond à la gestion écologique

Le projet a été conçu à l’origine à partir de discussions avec l’équipe des paiements agricoles basés sur les résultats de Natural England.

Alors que les programmes agroenvironnementaux au Royaume-Uni passent de prescriptifs à axés sur les résultats, cette approche fournit un baromètre indépendant pour la gestion des prairies, utilisable à la fois par le propriétaire foncier et l’administrateur du programme. Ce travail s’accompagne d’une gestion accrue des espaces verts dans les villes, comme un nouvel ensemble de huit prairies de pollinisateurs urbains plantés en mars le long du rivage du Firth of Forth d’Édimbourg.

apprentissage automatique_2+3
Exemples de sorties visuelles du modèle de détection d’objets, à partir de nouvelles images de quadrats contenant de la marguerite (Leucanthemum vulgare, à gauche) et de la berce du Caucase (Heracleum sphondylium, à droite) © Damien Hicks

Le modèle CNN peut être adapté aux estimations visuelles d’autres ressources écologiques telles que la nourriture pour oiseaux d’hiver, le volume de pollen floral, l’infestation d’insectes et la floraison/la fructification des arbres, et par ajustement du seuil de classification, il peut montrer une différenciation taxonomique acceptable pour les enquêtes de présence-absence. L’équipe étudie d’autres applications de cette approche d’apprentissage en profondeur, notamment la surveillance des parasites agricoles, la bioacoustique des bourdons et la détection de drains artificiels sur les tourbières.

Lisez entièrement l’article: “Détection d’objets d’apprentissage en profondeur pour estimer la masse de sucre du nectar de la végétation en fleurs” dans le numéro 2:3 de Solutions écologiques et preuves.

Publication soutenue par le ministère de l’Environnement, de l’Alimentation et des Affaires rurales (Defra) à travers leur Adhésion à l’ARE.


Source link