Integrating remote sensing and deep learning into aerial survey of large African mammals | Intégrer la télédétection et l'apprentissage profond dans les inventaires aériens des grands mammifères africains

Английский. Sub-Saharan Africa is a hotbed of remarkable terrestrial biodiversity, home to a unique diversity of mammals. Unfortunately, this richness is threatened by the growing impact of human activities. While wildlife populations are declining, livestock numbers have been increasing for decades. With significant population growth predicted for the region this century, the pressures on biodiversity are likely to intensify. It is therefore imperative to closely monitor wild and domestic mammal populations. The conventional method of aerial counting using systematic sampling is still widely used to census these populations in open areas. However, the use of on-board photographic sensors on various remote sensing platforms offers the potential to improve and standardize traditional methods. However, processing the large quantities of data generated by these sensors remains a major challenge. In this context, the use of automatic approaches based on deep learning, a branch of artificial intelligence, appears to be a promising solution. The objective of this thesis is therefore to evaluate the effectiveness of the combined use of remote sensing and deep learning for the multi-species census of large African mammals. The research spans several protected areas and considers various mammal species, both wild and domestic. Firstly, I assessed the potential of pre-existing convolutional neural network architectures to automate the detection and identification of wild species in ultra-high resolution (UHR) images (Chapter 2). Three architectures were tested on a dataset comprising six large mammal species. The best model, achieving a mean Average Precision (mAP) of 80%, was applied to an independent dataset from Garamba National Park, Democratic Republic of Congo. It showed superior detection performance to previous studies in similar habitats, opening up promising prospects. However, detection limits were observed for the smallest species (warthog, Phacochoerus africanus), and a drop in precision was observed in herd situations for African elephant (Loxodonta africana) and buffalo (Syncerus caffer), due to a high number of false positives. Secondly, I developed a novel deep learning architecture named HerdNet in response to the limitations of pre-existing models (Chapter 3). HerdNet is a point-based object detector inspired by crowd-counting techniques. It has been tested on oblique images of domestic herds of camel (Camelus dromedarius), donkey (Equus asinus), sheep (Ovis aries) and goat (Capra hircus) from the Ennedi Natural and Cultural Reserve in Chad. HerdNet demonstrated better detection and counting accuracy than previous methods, on both oblique (+26% of F1 score) and nadir UHR images (+32%). In addition, it solves the problem of false positives in dense herd situations, with proximity-invariant precision. Although species identification could be improved, the practical benefits and potential use of HerdNet were discussed, promising a significant reduction in the human interpretation time associated with aerial surveys. Thirdly, I evaluated the contribution of oblique UHR imagery and deep learning on systematic aerial sample surveys, in a semi-automatic detection context (Chapter 4). I first quantified the reduction in human workload associated with the manual interpretation of oblique images acquired by an on-board camera system on light aircraft. HerdNet was used to detect, count and identify 12 animal species in the Queen Elizabeth Protected Area, Uganda, resulting in a 74% reduction in the number of images to be interpreted by humans. Next, I examined whether a semi-automated approach, incorporating HerdNet, combined with oblique image acquisition, improves the accuracy and precision of population estimates compared with the traditional method. This comparison was carried out for seven key species (e.g. elephant; waterbuck, Kobus ellipsiprymnus ssp. defassa; western hartebeest, Alcelaphus buselaphus ssp. major) in Comoé National Park, Côte d'Ivoire, covering 11,500 km². The semi-automatic approach showed significantly higher population estimates for smaller species, i.e. +241% for kob (Kobus kob spp. kob) and +163% for warthog (Phacochoerus africanus ssp. africanus), with tighter confidence intervals. However, the obstruction of animals by vegetation had a substantial impact on their detection in the images. Finally, human effort in the semi-automated approach was significantly reduced when compared to fully manual interpretation (estimated at -98%), resolving the major challenge of photographic methods. In conclusion, this thesis highlights the importance of using remote sensing and deep learning to standardize surveys of large African mammals and efficiently process the growing volume of images generated. Although the approach presented still requires further validation, the results obtained suggest a real potential to revolutionize traditional aerial survey methods. Consequently, the advancement of current aerial survey standards should be considered, as well as the use of other acquisition platforms (e.g. microlight aircrafts), less costly and less challenging to deploy than light aircraft. As for satellites, while recent advancements in image-based ecological monitoring have propelled their potential ahead of other methods, current constraints limit its viability as an immediate alternative. Nevertheless, the use of their images might serve as a valuable complement to organize and deploy other data acquisition platforms, rather than as a standalone survey solution. It is therefore crucial to foster interdisciplinary collaboration to promote these new technological approaches, which will help improve biodiversity monitoring and its long-term preservation.

Французский. L'Afrique subsaharienne est un foyer de biodiversité terrestre remarquable, abritant une diversité unique de mammifères. Malheureusement, cette richesse est menacée par l'impact grandissant des activités humaines. Alors que les populations d'espèces sauvages déclinent, le nombre de bétail augmente depuis des décennies. Avec la prévision d'une croissance démographique significative dans la région au cours du siècle, les pressions sur la biodiversité risquent de s'intensifier. Il est donc impératif de surveiller de près les populations de mammifères sauvages et domestiques. La méthode conventionnelle de comptage aérien par échantillonnage systématique reste largement utilisée pour inventorier ces populations en milieu ouvert. Cependant, l'utilisation de capteurs photographiques embarqués sur différentes plateformes de télédétection offre un potentiel d'amélioration et de standardisation des méthodes traditionnelles. Pourtant, le traitement de grandes quantités de données générées par ces capteurs reste un défi majeur. Dans ce contexte, l'utilisation d'approches automatiques basées sur l'apprentissage profond, une branche de l'intelligence artificielle, apparaît comme une solution prometteuse. L'objectif de cette thèse est donc d'évaluer l'efficacité de l'utilisation combinée de la télédétection et de l'apprentissage profond pour le recensement multi-espèces des grands mammifères africains. La recherche s’étend sur plusieurs aires protégées et en considère diverses espèces de mammifères, tant sauvages que domestiques. Premièrement, j'ai évalué le potentiel des architectures préexistantes de réseaux de neurones convolutifs pour automatiser la détection et l'identification des espèces sauvages dans des images à ultra-haute résolution (UHR) (Chapitre 2). Trois architectures ont été testées sur un jeu de données comprenant six espèces de grands mammifères. Le meilleur modèle, présentant un mean Average Precision (mAP) de 80%, a été appliqué à un jeu de données indépendant provenant du Parc National de la Garamba, en République Démocratique du Congo. Il a montré des performances de détection supérieures à celles des études précédentes dans des habitats similaires, ouvrant ainsi des perspectives prometteuses. Cependant, des limites de détection ont été observées pour l’espèce de plus faible taille (le phacochère, Phacochoerus africanus), et une baisse de précision a été constatée en situation de troupeaux pour les éléphants (Loxodonta africana) et buffles d’Afrique (Syncerus caffer), en raison d'un nombre élevé de faux positifs. Deuxièmement, j'ai développé une architecture d’apprentissage profond appelée HerdNet en réponse aux limitations des modèles préexistants (Chapitre 3). HerdNet est un détecteur d'objets basé sur des points, inspiré des techniques de comptage de foule. Il a été testé sur des images obliques de troupeaux domestiques de dromadaires (Camelus dromedarius), ânes (Equus asinus), moutons (Ovis aries) and chèvres (Capra hircus) au sein de la Réserve Naturelle et Culturelle de l’Ennedi au Tchad. HerdNet a démontré une meilleure précision de détection et de comptage par rapport aux méthodes antérieures, tant sur des images à UHR obliques (+26% de F1 score) que nadir (+32%). De plus, il résout le problème des faux positifs en situation de troupeau dense, avec une précision constante indépendamment de la proximité des individus. Bien que l'identification des espèces puisse être améliorée, les avantages pratiques et le potentiel d'utilisation de HerdNet ont été discutés, promettant une réduction significative du temps d'interprétation humaine associé aux inventaires aériens. Troisièmement, j'ai évalué la contribution de l'imagerie oblique à UHR et de l'apprentissage profond sur les inventaires aériens par échantillonnage systématique, dans un contexte de détection semi-automatique (Chapitre 4). Tout d'abord, j'ai quantifié la réduction de la charge de travail humain liée à l'interprétation manuelle d'images obliques acquises par un système de caméras embarqué sur avion léger. HerdNet a été utilisé pour détecter, compter et identifier 12 espèces d'animaux dans la réserve Queen Elizabeth, en Ouganda, entrainant une réduction de 74% du nombre d’images à interpréter manuellement. Ensuite, j'ai examiné si une approche semi-automatique, intégrant HerdNet, associée à une acquisition d'images obliques, améliore l’exactitude et la précision des estimations de population par rapport à la méthode traditionnelle. Cette comparaison a été effectuée pour sept espèces clés, dont l’éléphant ; le cobe defassa, Kobus ellipsiprymnus ssp. defassa; le bubale, Alcelaphus buselaphus ssp. major, dans le Parc national de la Comoé, en Côte d’Ivoire, couvrant 11 500 km². L'approche semi-automatique a montré des estimations de population significativement plus élevées pour les espèces de petite taille, soit +241% pour le cobe de Buffon (Kobus kob spp. kob) et +163% pour le phacochère (Phacochoerus africanus ssp. africanus), avec des intervalles de confiance plus étroits. L'obstruction des animaux par la végétation a cependant eu un impact important sur leur détection au sein des images. Enfin, l'effort humain dans l'approche semi-automatique a été significativement réduit par rapport à une interprétation entièrement manuelle (estimé à -98%), résolvant ainsi le défi majeur des méthodes photographiques. En conclusion, cette thèse met en lumière l'importance de l'utilisation de la télédétection et de l'apprentissage profond pour standardiser les inventaires des grands mammifères africains et traiter efficacement le volume croissant d'images générées. Bien que l’approche présentée nécessite encore des validations supplémentaires, les résultats obtenus suggèrent un véritable potentiel pour révolutionner les méthodes d'inventaire aérien traditionnelles. Par conséquent, la mise à jour des standards actuels d’inventaire aérien devrait être envisagée, ainsi que l’utilisation d’autres plateformes d’acquisition (comme l’ULM), moins coûteuse et moins difficile à mettre en place que les avions légers. Quant aux satellites, bien que les progrès récents en matière de surveillance écologique par imagerie aient propulsé leur potentiel devant d'autres méthodes, les contraintes actuelles limitent leur faisabilité en tant qu'alternative d’inventaire immédiate. Néanmoins, l’usage de leurs images pourrait servir de complément précieux pour organiser et déployer d'autres plateformes d'acquisition de données plutôt qu’une solution d’inventaire à part entière. Il est donc crucial de favoriser la collaboration interdisciplinaire pour promouvoir ces nouvelles approches technologiques, qui contribueront à améliorer la surveillance de la biodiversité et à sa préservation à long terme.