Observer des animaux vivant en groupe avec des drones et la vision par ordinateur

Un drone survole un troupeau de zèbres des plaines du centre du Kenya. Il vole assez haut pour ne pas gêner les animaux. Ces zèbres sont vraiment intéressants pour les études de comportement collectif et spatial, selon les chercheurs Ben Koger et Blair Costelloe, qui surveillent le drone.

Les zèbres des plaines vivent dans des sociétés à plusieurs niveaux : de petits groupes de femelles et un mâle se combinent pour former de plus grands troupeaux de dizaines d’animaux. Cette structure sociale et spatiale pourrait influencer les processus comportementaux tels que la prise de décision et le partage d’informations et avoir des implications pour la compréhension de nos propres sociétés complexes. Traditionnellement, il a été très difficile de mener ce type de recherche. Mais les nouvelles techniques que leur équipe a développées à l’aide de drones imageurs et de l’intelligence artificielle ouvrent de nouvelles possibilités.

Pour explorer des groupes d’animaux comme les zèbres ou les singes géladas, Ben Koger, Blair Costelloe, Iain Couzin et d’autres chercheurs du Max Planck Institute of Animal Behavior, le « Centre for the Advanced Study of Collective Behavior » (CASCB) de l’Université de Konstanz et l’Université d’Aarhus ont développé une nouvelle méthode de collecte de données sur le comportement des animaux et le paysage physique naturel environnant des animaux à l’aide de drones et de la vision par ordinateur.

Les chercheurs utilisent des drones d’imagerie pour enregistrer des groupes entiers d’animaux dans des milieux naturels. L’écologiste comportemental Blair Costelloe décrit la méthode : « Nous avons créé un pipeline analytique qui nous permet de prendre des images de drones aériens et d’extraire des informations sur les emplacements, les mouvements et le comportement des animaux. Nous pouvons mesurer leur distribution spatiale et leurs états comportementaux et obtenir des informations riches. sur leur environnement, y compris la structure 3D de l’environnement. »

Amener le suivi du laboratoire au terrain

Auparavant, les chercheurs obtenaient principalement des ensembles de données de haute précision sur la dynamique des groupes d’animaux dans des conditions de laboratoire hautement contrôlées où vous pouviez répéter les expériences encore et encore. Mais l’équipe s’est demandé : « Pourrions-nous utiliser des drones d’imagerie et de nouveaux algorithmes informatiques pour adopter les mêmes approches de laboratoire, mais en les introduisant dans les paysages naturels ?

C’est possible, mais plusieurs défis ont dû être résolus. « Nous enregistrions souvent 20 individus différents ou plus à la fois. Quantifier où se trouve chacun des individus dans une seule observation vidéo d’une demi-heure en tant qu’humain prendrait des semaines », explique Ben Koger. « Le premier défi était de savoir comment détecter automatiquement les animaux qui nous intéressaient ? »

La solution consistait à entraîner de puissants algorithmes d’apprentissage en profondeur. Deuxième défi : les chercheurs se sont intéressés aux mouvements des animaux, et pourtant les vidéos qu’ils ont enregistrées comprenaient non seulement des mouvements d’animaux, mais aussi des mouvements de drones et des distorsions du paysage vallonné qu’ils filmaient. Tous ces différents éléments devaient être démêlés avant de pouvoir obtenir des données significatives.

Avantages de la nouvelle méthode

« La puissance de notre méthode basée sur l’image réside dans le fait qu’il s’agit d’une solution générale », déclare Koger. Étant donné que les drones observent non seulement le groupe animal mais aussi le paysage, vous obtenez un ensemble de données très large, qui comprend des informations sur le contexte social et environnemental de tous les animaux du groupe observé.

Cela est possible car ils modélisent explicitement le paysage 3D qu’ils enregistrent. Cela signifie que la méthode peut être utilisée dans n’importe quel paysage ouvert et permet aux chercheurs d’examiner explicitement les effets de l’habitat sur le comportement. « C’est une approche vraiment puissante qui jusqu’à présent a été très difficile », déclare Blair Costelloe.

Un autre avantage, contrairement à une autre méthode courante, est que les animaux n’ont pas besoin d’être capturés et équipés de capteurs de mouvement, ce qui peut être une procédure risquée et coûteuse, en particulier lorsque vous travaillez avec des espèces en voie de disparition telles que le zèbre de Grévy.

Potentiel d’utilisation

Dans le monde entier, les populations d’animaux sauvages diminuent en raison de la perte d’habitat, du changement climatique et d’autres menaces. En savoir plus sur la façon dont les groupes d’animaux se comportent dans des environnements naturels complexes peut aider à éclairer les actions de conservation et également générer de nouvelles informations sur la vie et le comportement des espèces sauvages.

Dans leur article, publié dans le Journal d’écologie animalel’équipe décrit certains domaines de recherche où leur méthode a un fort potentiel pour générer de nouvelles connaissances, telles que les processus comportementaux à médiation spatiale, les comportements collectifs multi-animaux et les interactions animal-environnement.

Le document comprend des études de cas sur les zèbres de Grévy au Kenya et les singes gelada en Éthiopie. « L’une des forces de nos méthodes est qu’elles peuvent être adaptées à de nombreuses espèces et environnements différents », déclare Blair Costelloe. C’est pourquoi elle est optimiste quant à l’utilisation de la nouvelle méthode. « Je pense que cette méthode a le potentiel de nous aider à développer une compréhension plus mécaniste de la façon dont les comportements individuels génèrent les phénomènes d’ordre supérieur qui intéressent la conservation », déclare Costelloe.

L’équipe travaille maintenant sur les données générées pour mieux comprendre le comportement de groupe des geladas ainsi que des ongulés africains tels que les zèbres.