L’IA au service de la conservation du lamantin d’Afrique
Le lamantin d’Afrique, Trichechus senegalensis, est l’un des mammifères aquatiques les plus discrets et menacés d’Afrique. Farouche et vivant dans des eaux turbides, il est presque impossible à observer à l’œil nu.
Résultats : les scientifiques ont longtemps manqué de données fiables pour protéger efficacement sa population.
Une étude scientifique publiée récemment dans la revue Remote Sensing in Ecology and Conservation pourrait changer la donne. Elle compare l’efficacité de trois modèles d’intelligence artificielle (IA) pour détecter les vocalisations du lamantin d’Afrique. De nouveaux outils qui pourraient avoir un impact direct sur sa conservation.
Cette étude a été menée au cœur du parc national de Conkouati-Douli par Lucas Dubus, doctorant HELP Congo / Beauval Nature, rattaché au laboratoire du CEFE*-CNRS* à Montpellier.
Les lamantins d’Afrique, une détection difficile en eaux troubles
Surnommé « vache des mers », le lamantin d’Afrique est un grand mammifère aquatique herbivore. Il vit principalement dans les grands fleuves et lagunes côtières s’étalant de la Mauritanie à l’Angola, ainsi que dans quelques eaux intérieures du Tchad, du Mali et du Niger.
Classé « Vulnérable » sur la Liste rouge de l’UICN*, il est principalement menacé par la chasse et les captures accidentelles dans les filets de pêche. De plus, sa faible reproduction, d’un petit tous les deux à trois ans, fragilise davantage la préservation de l’espèce.
En tout, il subsisterait moins de 10 000 individus. Toutefois, ces estimations reposent davantage sur des témoignages recueillis auprès des populations locales que sur des comptages directs. Le manque de données fiables freine la mise en place de mesures de conservation adaptées à l’espèce.
Détection du lamantin d’Afrique en mai 2024
L’IA : un vrai coup de pouce pour les scientifiques
Pour repérer les lamantins, le suivi acoustique passif a été utilisé. Ainsi, entre mars 2024 et avril 2025, l’équipe a enregistré 600 jours de sons subaquatiques en continu grâce à plusieurs hydrophones (micros sous-marins) installés sur 52 sites du parc national.
Face au volume de données générées, l’IA a été chargée d’identifier et de détecter automatiquement les vocalisations du lamantin. Pour ce faire, trois modèles ont été comparés :
- Un logiciel d’apprentissage automatique classique, très utilisé en bioacoustique (Kaleidoscope),
- Un réseau de neurones convolutif (CNN*) qui transforme chaque son en image (spectrogramme) (ResNet),
- Un transformeur qui capture le contexte acoustique global (Dasheng).
Les deux derniers relèvent de l’apprentissage profond (deep learning), une forme d’IA qui apprend à caractériser des données (sons, images, etc.) à partir d’exemples annotés par les chercheurs.
Zone d’étude du lamantin d’Afrique
En pratique : comment les modèles de deep learning reconnaissent-ils les vocalisations du lamantin ?
Annoter des sons à la main prend beaucoup de temps. Deux méthodes ont donc été utilisées pour entraîner les modèles d’apprentissage profond :
- L’apprentissage par transfert (transfer learning):ici l’IA est pré-entraînée sur de très grandes banques d’images et de sons,
- L’augmentation de données (data augmentation):ici des sons sont mélangés pour entraîner l’IA à reconnaître le cri du lamantin dans des conditions variées.
Le deep learning, nettement supérieur au logiciel classique
Les résultats de la comparaison des logiciels sont sans appel :
- Le logiciel classique manque environ 7 vocalisations sur 10, contre 1 sur 10 pour le meilleur des deux modèles de deep learning.
- L’IA n’a eu besoin que de 300 vocalisations annotées pour apprendre à reconnaître le lamantin avec une précision excellente.
Une très bonne nouvelle pour les actions de conservation !
Même si des ONG et des écogardes locaux disposent de peu d’enregistrements, ils ont la possibilité d’installer des outils de surveillance acoustique peu coûteux et efficaces.
Détection du lamantin d’Afrique en décembre 2024
Des impacts directs sur le terrain
L’étude a également permis d’identifier des zones fortement fréquentées par le lamantin situées hors des zones de protection intégrale du parc national. Grâce à cette meilleure connaissance de leur répartition géographique, les zones de protection peuvent être ajustées afin de préserver efficacement l’espèce.
De plus, la redéfinition des aires protégées ne se limite pas à la protection des lamantins et peut bénéficier à d’autres espèces vulnérables.
Et maintenant ?
Après avoir présenté ses travaux sur les méthodes de détection des lamantins d’Afrique lors de la conférence de rentrée de septembre dernier, Lucas Dubus poursuit sa thèse sur deux volets :
- La modélisation de l’utilisation saisonnière de l’habitat par les lamantins dans le parc national, basée sur la détection acoustique,
- La description génétique de la population de lamantins du site, basée sur l’ADN environnemental.
Nous suivrons de près les prochaines parutions scientifiques pour vous présenter les résultats !
Lucas Dubus lors de la conférence de rentrée
Vous aviez raté la conférence de rentrée ? Visionner le replay :
*Centre d’Écologie Fonctionnelle et Évolutive
*Centre National de la Recherche Scientifique
*Union Internationale pour la Conservation de la Nature (UICN)
*Convolutional Neural Network (CNN) : réseau de neurones convolutif
Photo principale : ©Harry Collins
