Le Cornell Lab of Ornithology et l’Université technique de Chemnitz exploitent des réseaux de surveillance acoustique passive pour identifier les espèces aviaires en temps réel. Ces systèmes, basés sur l’intelligence artificielle, permettent un suivi automatique de la biodiversité et des flux migratoires sur des territoires nationaux entiers sans intervention humaine constante.
La surveillance de la biodiversité aviaire repose traditionnellement sur l’observation humaine. Des ornithologues parcourent des zones spécifiques à des dates précises pour noter la présence d’espèces, une méthode limitée par le coût et la disponibilité du personnel. L’émergence de la surveillance acoustique passive (PAM, pour Passive Acoustic Monitoring) modifie cette approche en transformant des forêts et des zones humides en réseaux de capteurs permanents.
Le déploiement des capteurs AudioMoth
Le passage à une échelle nationale repose sur l’utilisation de matériel abordable et autonome. Le capteur AudioMoth, développé par Open Acoustic Devices, s’est imposé comme le standard technique. Ce dispositif compact enregistre les sons ambiants sur des cartes SD, permettant une capture continue ou programmée des chants et cris d’oiseaux.
L’installation de ces appareils en grille sur un territoire permet de couvrir des zones inaccessibles aux observateurs humains. Contrairement aux microphones directionnels classiques, ces capteurs captent l’environnement sonore global. La densité du réseau détermine la précision de la localisation des espèces, transformant des milliers d’hectares en un laboratoire à ciel ouvert.
L’automatisation via l’algorithme BirdNet
Le volume de données généré par des centaines de capteurs est impossible à traiter manuellement. Un seul appareil peut produire plusieurs gigaoctets de données audio par semaine. Pour résoudre ce problème, les chercheurs utilisent BirdNet, un modèle d’apprentissage profond développé par le Cornell Lab of Ornithology et l’Université technique de Chemnitz.
Le fonctionnement de l’IA repose sur la transformation du son en spectrogrammes, des représentations visuelles des fréquences audio. L’algorithme traite ces images pour identifier des motifs spécifiques correspondant à chaque espèce. Le système ne se contente pas de reconnaître un chant ; il attribue un score de confiance à l’identification. Si le score est inférieur à un seuil défini, l’enregistrement est écarté ou marqué pour une révision humaine.
L’objectif est de passer d’un échantillonnage sporadique à un flux continu de données sur la biodiversité.
Équipe de développement BirdNet, Cornell Lab of Ornithology
Le suivi des flux migratoires en temps réel
L’application la plus directe de cette technologie concerne la migration. En analysant les dates de première détection d’une espèce à différents points d’un réseau national, les scientifiques peuvent tracer la progression des vagues migratoires avec une précision temporelle accrue.
Ce suivi permet d’observer les décalages phénologiques, c’est-à-dire les changements dans le calendrier naturel des espèces. Par exemple, si des oiseaux migrateurs arrivent plus tôt au printemps en raison du réchauffement climatique, le réseau acoustique le détecte immédiatement. Cette donnée est cruciale pour comprendre si les oiseaux arrivent encore au moment où leurs sources de nourriture, comme les insectes, sont disponibles.
Les limites techniques et le risque de faux positifs
Malgré l’efficacité de l’IA, le traitement acoustique à grande échelle rencontre des obstacles techniques. Le principal défi réside dans les faux positifs
, où l’algorithme confond un bruit environnemental — vent, pluie, frottement de feuilles ou bruit mécanique — avec le chant d’un oiseau.
Pour limiter ces erreurs, les analystes appliquent des filtres de nettoyage audio avant le passage dans BirdNet. Le traitement des données se divise désormais en deux approches : le traitement centralisé, où les cartes SD sont récupérées et analysées sur des serveurs puissants, et le traitement en périphérie (edge computing). Dans ce dernier cas, l’IA est intégrée directement dans le capteur, qui n’enregistre et ne transmet que les segments audio identifiés comme pertinents, réduisant ainsi la consommation d’énergie et le volume de stockage.
Impact sur la conservation et politiques publiques
L’automatisation de la surveillance transforme la gestion des zones protégées. Au lieu de rapports annuels basés sur des observations ponctuelles, les gestionnaires de parcs disposent de tableaux de bord actualisés. Cela permet de réagir rapidement à la disparition soudaine d’une espèce ou à l’apparition d’une espèce invasive.
L’intégration de ces données acoustiques avec d’autres sources, comme les données citoyennes de eBird, crée une vue d’ensemble plus fiable. Alors que eBird dépend de la présence d’observateurs humains (souvent concentrés près des routes et des sentiers), les réseaux PAM couvrent les zones reculées, éliminant ainsi un biais géographique majeur dans le recensement des populations aviaires.
L’évolution future de ces systèmes tend vers une interconnectivité totale. L’utilisation de réseaux cellulaires basse consommation (LPWAN) pourrait permettre une transmission instantanée des détections, transformant la surveillance nationale en un système d’alerte précoce pour la biodiversité. La question reste cependant celle du financement et de la maintenance physique de milliers de capteurs exposés aux intempéries et à la faune.