Multi-scale mapping of changes in tropical reefs

Cartographie multi-échelle des changements dans les récifs tropicaux Le suivi de l'état de santé des récifs coralliens et de leur biodiversité sur de grandes étendues spatiales représente un défi majeur en biologie marine. Les avancées en matière de technologies marines et les initiatives de sciences participatives ont conduit à une disponibilité croissante d’images, offrant des opportunités de collecte de données à faible coût. Cependant, extraire des informations écologiques de ce flux de données volumineux et hétérogène nécessite des cadres de traitement automatisés et reproductibles. Cette thèse contribue à ce domaine par le développement d’une série de modèles d’apprentissage profond conçus pour permettre le suivi des récifs coralliens, depuis la classification d’images jusqu’à la segmentation sémantique. Un élément central de ce travail est la création de Seatizen Atlas : un jeu de données en libre accès composé d’images sous-marines et aériennes, structuré selon les principes fair et conçu pour faciliter la recherche interdisciplinaire. À partir du jeu de données d'images sous-marines à haute résolution, nous présentons d’abord un réseau de neurones entraîné à classer plusieurs catégories benthiques sur des images sous-marines, incluant des morphotypes coralliens, des herbiers marins et la faune associée. Nous explorons ensuite deux stratégies complémentaires pour étendre les prédictions à fine échelle des images sous-marines à des échelles spatiales plus larges à l’aide d’images aériennes de drones. La première repose sur des techniques de distillation des connaissances pour entraîner un modèle de classification multilabel sur des images de drone aérien à faible altitude, en utilisant les prédictions du modèle sous-marin, sans avoir besoin d’annotation manuelle sur les images aériennes. La seconde approche utilise des prédictions de présence d’espèces géoréférencées issues des images sous-marines comme annotations faibles pour entraîner un modèle de segmentation sur ces images aériennes. Enfin, nous montrons comment le modèle de segmentation entraîné sur des images de drones à basse altitude peut être adapté à des images aériennes acquises à plus haute altitude. Cette thèse montre le potentiel de l’intégration de sources de données diversifiées, associée à des techniques de géoréférencement et à des approches d’ai, pour développer un cadre évolutif de suivi des récifs coralliens. Elle constitue une base pour de futurs développements en suivi écologique et souligne l’importance des données ouvertes, de la collaboration interdisciplinaire et de la transparence méthodologique dans la construction de systèmes d’observation reproductibles.