S’envoler avec les hérons

Dans le cadre de sa maîtrise en géomatique appliquée et télédétection, Camille Dionne-Pierre s’intéresse aux milieux aquatiques et humides. Mais pour bien analyser ces écosystèmes, il faut d’abord comprendre ses habitants.

Pour ce faire, l’étudiante s’est tournée vers une espèce bien précise d’oiseau vivant dans les milieux en question : le grand héron.

Le grand héron 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. Son suivi permet indirectement d’évaluer l’impact de différentes pressions anthropiques sur les écosystèmes fréquentés par cette espèce.

Camille Dionne-Pierre, étudiante à la maîtrise en géomatique appliquée et télédétection

Cependant, un suivi adéquat de l’état des populations d’oiseaux aquatiques peut être complexe. Ces derniers sont sensibles à la présence humaine et leur habitat est souvent difficile d’accès. Ces obstacles rendent l’étude de ces environnements ainsi que la collecte de donnée ardues et, surtout, coûteuses.

Heureusement, la force de la géomatique appliquée réside dans son amalgame entre la géographie, les sciences de la Terre et de l’environnement et l’informatique. Ainsi, l’utilisation d’outils technologiques tels que le Lidar, les drones, l’imagerie thermique ou encore l’intelligence artificielle permet de faciliter grandement l’acquisition et le traitement de données. Pour Camille, l'avènement de ces nouvelles technologies démontre le besoin de réviser les méthodes traditionnelles d'inventaire.

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.

Des réseaux de neurones convolutifs?

Les réseaux de neurones convolutifs (CNN) sont conçus pour comprendre des images en analysant des éléments comme les bordures, les formes et les patterns. Le CNN apprend alors à reconnaître des caractéristiques plus complexes des images, ce qui permet de l'utiliser dans des tâches précises telles que la détection d'objets.

Le CNN est un système composé de neurones répartis sur plusieurs couches superposées et interconnectées. Ces connexions entre les neurones sont inspirées par le cortex visuel du cerveau humain.

Objectifs de l’activité terrain

Le projet de recherche de Camille, sous la direction du P^r Jérôme Théau, est réalisé en collaboration avec le Centre d’enseignement et de recherche en foresterie de Sainte-Foy (CERFO) et le ministère de l'Environnement, de la Lutte contre les changements climatiques, de la Faune et des Parcs (MELCCFP). L’objectif général du projet est d’adapter les méthodes d’inventaires classiques des héronnières du Québec, effectués actuellement par hélicoptère et interprétation humaine, afin d’utiliser le plein potentiel de l’imagerie, de la télédétection et aussi de l’apprentissage profond. Ces nouvelles méthodes permettraient ainsi de gagner du temps, d’être plus précis et de couper dans les coûts.

L’objectif spécifique de cette activité terrain était de réaliser l’acquisition par drone d’images optiques et thermiques à très hautes résolutions de différentes héronnières au Québec. Ainsi, plus de 30 000 images ont été acquises durant l’été 2023. Ces images seront par la suite triées et annotées afin de pouvoir les utiliser dans l’entraînement de réseaux de neurones convolutifs pour la détection automatisée et le décompte des grands hérons et de leurs nids.

Avec les résultats de ce projet, des recommandations permettront de redéfinir les procédures concernant les inventaires des héronnières au Québec.