Identification d’individus et estimation de densité de population : le cas du lynx boréal

Overview & Synopsis

Nous vivons actuellement une crise de la biodiversité, les espèces s’éteignant 10 à 1000 fois plus rapidement que le rythme naturel (OFB, 2022 ; IPBES, 2022). Il devient donc essentiel de suivre la biodiversité. Pour ce faire nous avons besoin d’indicateurs écologiques tels que l’abondance et la diversité. Ainsi, de nouvelles technologies ont vu le jour et ont permis l’émergence de méthodes non-invasives pour le suivi comme les pièges photos. C’est le cas ici pour le lynx boréal dont le taux de détection est très faible et nécessite un suivi automatique. En parallèle, l’Intelligence Artificielle a émergé et permet d’automatiser la prédiction de grands volumes de données par deep learning. D’autre part, la méthode spatialisé de capture recapture a vu le jour et permet d’obtenir une estimation de l’effectif des populations ainsi qu’une densité. Peut-on ainsi considérer que le deep learning et les modèles spatiaux de capture recapture sont une solution pour le suivi de la population de lynx par piège photos ? Pour ce faire, un modèle de deep learning sur population ouverte a été développé, comparant les photos des individus les unes avec les autres afin de prédire la classe d’une nouvelle image. Aussi, deux modèles spatiaux de capture recapture, utilisant des données traitées par l’humain et par l’IA sont comparées afin de voir l’impact de l’IA sur les prédictions de densité de population. Nous avons obtenu un modèle qui pour une nouvelle image donnée, a 67% de chance de retrouver parmi les 5 images les plus proches le même individu. Cela a induit une estimation de la densité de lynx par IA trois fois supérieure à celle obtenue par l’humain.