Sélectionner une page

Marre, G., et al. “Deep convolutional neural networks to monitor coralligenous reefs: Operationalizing biodiversity and ecological assessment.” Ecological Informatics. 59 (2020): 101110. Lien (disponible 50 j, nous contacter ensuite)

Abstract : Monitoring the ecological status of natural habitats is crucial to the conservation process, as it enables the implementation of efficient conservation policies. Nowadays, it is increasingly possible to automate species identification, given the availability of very large image databases and state-of-the-art computational power which makes the training of automated machine learning-based classification models an increasingly viable tool
for monitoring marine habitats. Coralligenous reefs are an underwater habitat of particular importance, found in the Mediterranean. This habitat is of a similar biocomplexity to coral reefs. They have been monitored in French
waters since 2010 using manually annotated photo quadrats (RECOR monitoring network). Based on the large database of annotations accumulated therein, we have trained convolutional neural networks to automatically recognise coralligenous species using the data gathered from photo quadrats. Previous studies conducted on similar habitats performed well, but were only able to consider a limited number of classes, resulting in a very coarse description of these often-complex habitats. We therefore designed a custom network based on off-theshelf architectures which is able to discriminate between 61 classes with 72.59% accuracy. Our results showed that confusion errors were for the most part taxonomically coherent, showing accuracy performances of 84.47% when the task was simplified to 15 major categories, thereby outperforming the human accuracy previously
recorded in a similar study. In light of this, we built a semi-automated tool to reject unsure results and reduce error risk, for when a higher level of accuracy is required. Finally, we used our model to assess the biodiversity and ecological status of coralligenous reefs with the Coralligenous Assemblage Index (CAI) and the Shannon Index. Our results showed that whilst the prediction of the CAI was only moderately accurate (pearson correlation
between observed and predicted CAI = 0.61), the prediction of Shannon Index was more accurate (pearson correlation = 0.74). In conclusion, it will be argued that the approach outlined by this study offers a cost and time-effective tool for the analysis of coralligenous assemblages which is suitable for integration into a large-scale monitoring network of this habitat.

Keywords: Coralligenous reefs; Deep learning; Convolutional neural networks
Image classification; Species recognition; Monitoring

Résumé : Le suivi de l’état écologique des habitats naturels est crucial pour le processus de conservation, car il permet la mise en œuvre de politiques de conservation efficaces. De nos jours, il est de plus en plus possible d’automatiser l’identification des espèces, étant donné la disponibilité de très grandes bases de données d’images et d’une puissance de calcul de pointe qui fait de la formation de modèles de classification automatisés basés sur l’apprentissage machine un outil de plus en plus viable pour la surveillance des habitats marins. Les récifs coralligènes sont un habitat sous-marin d’une importance particulière, que l’on trouve en Méditerranée. Cet habitat est d’une biocomplexité similaire à celle des récifs coralliens. Ils ont été suivis en français eaux depuis 2010 en utilisant des quadrats de photos annotées manuellement (réseau de surveillance RECOR). Sur la base de la vaste base de données d’annotations qui y est accumulée, nous avons formé des réseaux neuronaux convolutifs pour reconnaître automatiquement les espèces coralligènes à l’aide des données recueillies à partir des quadrats de photos. Les études précédentes menées sur des habitats similaires ont donné de bons résultats, mais n’ont pu prendre en compte qu’un nombre limité de classes, ce qui a donné lieu à une description très grossière de ces habitats souvent complexes. Nous avons donc conçu un réseau personnalisé basé sur des architectures standard, capable de distinguer 61 classes avec une précision de 72,59 %. Nos résultats ont montré que les erreurs de confusion étaient pour la plupart taxonomiquement cohérentes, avec des performances de précision de 84,47 % lorsque la tâche était simplifiée à 15 catégories principales, surpassant ainsi la précision humaine précédemment
enregistré dans une étude similaire. Nous avons donc construit un outil semi-automatisé pour rejeter les résultats incertains et réduire le risque d’erreur, pour les cas où un niveau de précision plus élevé est requis. Enfin, nous avons utilisé notre modèle pour évaluer la biodiversité et le statut écologique des récifs coralligènes avec l’indice d’assemblage coralligène (CAI) et l’indice de Shannon. Nos résultats ont montré que si la prévision de l’IAC n’était que modérément précise (corrélation de Pearson entre l’IAC observé et l’IAC prédit = 0,61), la prédiction de l’indice de Shannon était plus précise (corrélation de Pearson = 0,74). En conclusion, on peut affirmer que l’approche décrite par cette étude offre un outil d’analyse des assemblages coralligènes rentable et efficace en termes de temps et de coût, qui peut être intégré dans un réseau de surveillance à grande échelle de cet habitat.

Mots-clés : Récifs coralligènes ; Apprentissage profond ; Réseaux neuronaux convolutifs ; Classification des images ; Reconnaissance des espèces ; Surveillance