Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Dans cette étude, plusieurs caméras ont été posées autour de différents points d’eau sur le plateau karstique du Larzac en France. L’ajout de caméra supplémentaire avec une fonction vidéo pour affiner les prises de données a été réalisés. L’objectif est de déterminer l’intérêt des mares pour les espèces de mammifères européens, les activités qu’ils réalisent au point d’eau et les variations dans l’utilisation temporelle de ces espèces. Au total, plus de 26 280 h de données ont été récoltées. Les caméra-traps ont permis de déterminer la diversité spécifique sur les différents points d’eau. Principalement, les mammifères utilisent ceux-ci pour s’hydrater. Une augmentation de la fréquence d’apparition est constatée aux périodes estivales. Les variations temporelles saisonnières sont présentes et suivent le rythme circadien du soleil en fonction des saisons. Les patrons de chevauchement des espèces ne laissent pas sous-entendre des exclusions mutuelles et presque aucune relation antagoniste n’a été enregistrée. Les caméras-traps sont de bons moyens pour évalués la biodiversité d’une zone et les préférences écologiques des espèces tout en limitant les coûts et le dérangement par la présence humaine.

europe --- mammifère --- point d'eau --- caméra-trap --- Sciences du vivant > Sciences de l'environnement & écologie

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Les services écosystémiques récréatifs sont généralement mal évalués ou ignorés. Une meilleure évaluation de ces services devrait permettre aux gestionnaires de milieux naturels de comprendre plus finement la dynamique des visiteurs dans ces milieux. Cela aiderait à mieux lutter contre la dégradation des milieux naturels, mais aussi à mettre certains écosystèmes plus en valeur. Dans ce mémoire, un prototype d’une nouvelle technique d’évaluation de la fréquentation touristique est élaboré. Cette technique utilise les camera traps pour collecter des données sur le nombre de visiteurs et sur leur comportement. Le travail d’analyse de ces images, souvent conséquent, est confié à un algorithme de deep learning nommé Mask R-CNN. D’une part, les résultats montrent que la position des caméras traps doit être homogénéisée pour faciliter le fonctionnement de l’algorithme. D’autre part, le modèle détecte 89,0 ± 4,2 % du temps les personnes et les classifie correctement 97,1 ± 1,0 % du temps sur des photos floues. Néanmoins, les autres classes (chiens, vélos, véhicules, sacs à dos) ne sont pas encore correctement détectées. Le modèle doit être partiellement entraîné sur des données en extérieur et un prétraitement des images par segmentation devrait être utilisé. Une étude de cas réalisée sur le projet AGRETA montre que, même si la technique doit être améliorée, il est déjà possible d’obtenir certaines données précises sur le long terme. De plus, pouvoir consulter les images lors d’événements suspects dans les résultats est une source d’informations inattendue, mais riche. Recreational ecosystem services are generally poorly valued or ignored. However, a better evaluation of these services should allow managers to better understand the dynamics of visitors in these environments. This would help to better prevent the degradation of natural environments but also to highlight certain ecosystems. In this work, a prototype of a new technique for visitor monitoring is being developed. This technique uses camera traps to collect counting and behavioural data of visitors. The analysing task of these images, often substantial, is carried out by a deep learning algorithm called Mask R-CNN. The results show, on the one hand, that the position of the camera traps must be homogenized to facilitate the operation of the algorithm. On the other hand, the model detects people 89.0 ± 4.2% of the time and classifies them correctly 97.1 ± 1.0% of the time on blurred photos. However, the other classes (dogs, bicycles, vehicles, backpacks) are not correctly detected yet. The model must be partially trained on outdoor data, and image pre-processing by segmentation should be used. A case study of the AGRETA project shows that although the technique needs to be improved, it is already possible to obtain some accurate data over the long term. In addition, the ability to view images during suspicious events in the results is an unexpected but rich source of information.

services écosystémiques culturels, réseaux neuronaux convolutionnels, CNN, Mask R-CNN, piège caméra, fréquentation touristique, nombre de visiteurs, écotourisme, Ardenne, parcs nationaux --- cultural ecosystem services, convolutional neural network, CNN, Mask R-CNN, camera trap, visitor monitoring, visitor number, ecotourism, Ardenne, national parks --- Sciences du vivant > Sciences de l'environnement & écologie --- Ingénierie, informatique & technologie > Sciences informatiques --- Sciences sociales & comportementales, psychologie > Géographie humaine & démographie

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

The world today is threatened by a dramatic biodiversity crisis. It is therefore becoming essential to monitor the animal and plant populations that inhabit the earth's ecosystems. In this sense, camera traps are cameras that capture images or videos when they detect movement. These cameras are increasingly used in the scientific world and could become an essential tool in wildlife monitoring systems. They have the advantage of being very low-intrusive and of being able to be installed in remote and difficult-to-access places. The main weakness of this technology is that it generates a huge amount of data. The analysis of this data by humans is therefore very time-consuming and tedious. A solution to this problem could be found in the use of deep learning. This allows deep neural networks to be trained to automate a task usually performed by humans. Some deep learning approaches have achieved better results in solving complex problems. The main objective of this work is therefore to use deep learning to automate the recognition of animal species in videos of camera traps installed in the tropical rainforests of Central Africa. To this end, three datasets were created and 22 classes were defined. Different model architectures were then tested. These are composed of convolutional neural networks (two-dimensional and three-dimensional ResNet) and recurrent neural networks (convolutional long short-term memory (ConvLSTM) and long short-term memory (LSTM)). This work also discusses the comparison of different tools that have been developed to automatically classify camera traps data. The best trained models achieved, on a test dataset, an overall accuracy of 67,93 % for multispecies classification and 84,89 % for binary classification (animal/background). These models performed better than the other tested tools for the multispecies classification but not for the binary classification. Finally, the models developed could be used under certain conditions to assist in the analysis of camera traps data. The results obtained are promising. Le monde actuel est menacé par une crise de la biodiversité dramatique. Il devient donc primordial de surveiller les populations animales et végétales qui habitent les écosystèmes de la Terre. Dans ce sens, les pièges photographiques sont des caméras qui capturent des images ou des vidéos lorsqu'elles détectent un mouvement. Ces caméras sont de plus en plus utilisées dans le monde scientifique et pourraient devenir un outil essentiel dans des systèmes de surveillance de la faune et de la flore. Elles possèdent notamment l'avantage d'être très peu intrusives et de pouvoir être installées dans des endroits reculés et difficilement accessibles. Le point faible de cette technologie est qu'elle génère une quantité très importante de données. L'analyse de ces dernières par l'homme est donc très chronophage et fastidieuse. Une solution pourrait être apportée à ce problème grâce à l'utilisation de l'apprentissage profond. Celui-ci permet d'entraîner des réseaux de neurones profonds afin d'automatiser une tâche habituellement réalisée par l'homme. Certaines approches d'apprentissage profond ont permis d'atteindre de meilleurs résultats lors la résolution de problèmes complexes. L'objectif principal de ce travail est donc d'utiliser l'apprentissage profond afin d'automatiser la reconnaissance d'espèces animales dans des vidéos de pièges photographiques installés dans les forêts tropicales d'Afrique centrale. Pour ce faire, trois jeux de données ont été constitués et 22 classes ont été définies. Différentes architectures de modèles ont ensuite été testées. Ces dernières sont composées de réseaux de neurones convolutifs (ResNet à deux dimensions et à trois dimensions) et de réseaux de neurones récurrents (mémoire convolutive à long court terme (ConvLSTM) et mémoire à long court terme (LSTM)). Ce travail aborde également la comparaison de différents outils qui ont été développés afin de classifier automatiquement des données de pièges photographiques. Les meilleurs modèles entraînés ont atteint, sur un jeu de données de test, une exactitude globale de 67,93 % pour la classification multi-espèces et de 84,89 % pour la classification binaire (animal / arrière-plan). Ces modèles ont mieux performés que les autres outils testés, pour la classification multi-espèces mais pas pour la classification binaire. Enfin, les modèles développés pourraient être utilisés sous certaines conditions dans le but d'aider à l'analyse des données de pièges photographiques. Les résultats obtenus sont prometteurs.

camera trap --- tropical forest --- deep learning --- convolutional neural network --- convolutional long short-term memory --- classification --- wildlife --- piège photographique --- forêt tropicale --- apprentissage profond --- réseau de neurones convolutifs --- mémoire convolutive à long court terme --- classification --- faune sauvage --- Ingénierie, informatique & technologie > Multidisciplinaire, généralités & autres