Détection du grand héron par imagerie aérienne et apprentissage profond : apports de l’imagerie visible à très haute résolution et de la fusion visible–thermique

Le grand héron (Ardea herodias) est une espèce considérée comme indicatrice de la qualité des milieux aquatiques et humides. Il s’agit d’une espèce très sensible aux différentes menaces de son environnement. Le suivi de l’état des populations d’oiseaux aquatiques coloniaux peut être complexe, en considérant leur sensibilité au dérangement et l’accessibilité difficile à leur habitat. La méthode de suivi actuelle du grand héron au Québec requiert un effort d’échantillonnage important et coûteux. Plusieurs études portant sur la détection faunique ont montré le potentiel de l’imagerie acquise par drone pour le décompte de la faune. Parallèlement à cela, les méthodes de détection d'objets basées sur les réseaux de neurones convolutifs (apprentissage profond) ont également montré leur forte capacité à détecter les animaux sur différents types d'imageries. La combinaison d’informations provenant de différents types de capteurs, tels que thermique et visible, peut permettre une meilleure détection d’un animal en le différenciant plus facilement de son environnement. L’objectif général du projet était d’évaluer le potentiel de l’imagerie drone, de la télédétection et aussi de l’apprentissage profond pour adapter les méthodes d’inventaires classiques des héronnières du Québec. La détection des nids occupés, nids vides et individus isolés a été testée avec le réseau de neurones convolutif YOLO11n sur des données acquises par drone avec des capteurs visibles et infrarouge thermique dans dix héronnières au Québec lors de l’été 2023. Trois modèles ont été testés et comparés : un premier modèle, utilisant des images visibles à très haute résolution spatiale (< 1 cm/pixel) et deux autres modèles, utilisant des images visibles (2-3 cm/pixel) et thermiques (4-5 cm/pixel) acquises simultanément. Ces deux derniers modèles correspondent à deux méthodes de fusion de données : la fusion de bas niveau (early fusion) et la fusion de haut niveau (late fusion). Parmi ces trois modèles, le premier modèle a le mieux performé et a atteint un score F1 moyen de 77,2% (toutes les classes), dépassant la fusion de bas niveau de 12,9% et la fusion de haut niveau de 18,7%. Ce modèle a aussi atteint un score F1 de 93,6% pour la détection des nids occupés, ce qui présente une amélioration de moins de 1% en comparaison à la fusion de haut niveau. Entre les deux méthodes de fusion de données, la fusion de haut niveau a mieux performé pour la classe principale nid occupé, avec un score F1 de 93,0%, dépassant la fusion de bas niveau de 4,2%. La fusion de bas niveau a atteint une performance de 64,3% pour le score F1 global, en comparaison à 58,5% pour la fusion de haut niveau. La fusion de haut-niveau a toutefois permis l’identification des faux positifs grâce à l’utilisation de deux sources d’informations, contrairement à une seule avec les autres méthodes. Les différents drones utilisés ont permis de réaliser l’acquisition des images de façon non invasive. Les comportements observés lors des vols ont permis de faire une distinction du niveau de dérangement face à la taille du drone utilisé. Le drone de plus petite taille ne provoquait aucune réaction chez les grands hérons, comparativement aux deux autres drones plus gros et moins discrets. Bien que le processus ne soit pas totalement complet pour adapter la méthode d’inventaire actuelle, ce projet a démontré le fonctionnement d’une approche utilisant de l’imagerie drone et un réseau de neurones convolutif pour la détection des grands hérons et de leur nid, et ce, sur différents types d’images. La méthode utilisant des images visibles à très haute résolution semble être l’approche qui présente le meilleur compromis dans un contexte opérationnel. Cette méthode a démontré de très bonnes performances tout en demeurant relativement simple dans son fonctionnement. Les approches de fusion de données, quant à elles, comportent actuellement trop de limitations, telles que la perte d’images associée au processus d’alignement ainsi que l’angle de vue réduit, pour être applicables dans un contexte d’inventaire.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.