Depuis l'espace et grâce à l'IA, des chercheurs vont bientôt pouvoir détecter... des hérissons

Des chercheurs de l'université de Cambridge utilisent un modèle d'IA simple, combiné à des images satellites, pour repérer les habitats préférés des hérissons, une population quasi menacée d'extinction.

Repérer un hérisson depuis l'espace, c'est bientôt une réalité. Mais pourquoi ? Comme le rapporte Arstechnica, des chercheurs de l'université de Cambridge tentent d'utiliser des images satellites et des modèles d'IA pour cartographier les habitats potentiels des hérissons à travers le Royaume-Uni. Pour cela, ils identifient leurs cachettes préférées... les ronces.

Une approche qui répond à un enjeu crucial de conservation puisque la population de hérissons européens a diminué de 30 à 50% au cours des dix dernières années. En octobre 2024, les hérissons ouest-européens sont passés de "préocupation mineur" à "quasi menacé" d'extinction sur la liste rouge de l'Union internationale pour la conservation de la nature (UICN).

Mais les procédés traditionnels pour les repérer sont longs et coûteux. En effet, les recensements des hérissons nécessitent un travail de terrain nocturne intense, du matériel spécialisé ou encore l'aide de scientifiques. Des chercheurs anglais développent donc un dispositif plus adapté pour détecter et préserver à grande échelle les hérissons.

Un modèle encore en phase de test

L'imagerie satellite permet de couvrir une vaste zone en continue. De son côté, un modèle d'IA simple est capable d'identifier de manière fiable les caractéristiques de l'habitat de ces mammifères, comme les ronces, en se basant sur les images satellites et les données d'iNaturalist, une plateforme de science citoyenne où les gens partagent leurs observations de la faune. L'outil attribue ensuite des scores de confiance aux zones détectées, en fonction de la probabilité de trouver des ronces.

"Il nous a fallu environ 20 secondes pour trouver le premier hérisson dans une zone indiquée par le modèle", s'enthousiasme Sadiq Jaffer, dans un article de blog qui documente des essais sur le terrain.

Globalement, le modèle est plus performant pour détecter les grandes ronces non couvertes, visibles d'en haut. Les ronces plus petites, cachées sous des arbres par exemple, présentent des scores de confiance plus faibles.

Pour le moment, le modèle est encore en phase de test. Si les recherches de l'équipe aboutissent, le détecteur de ronces pourrait s'avérer très utile sur le terrain. En effet, contrairement aux modèles d'apprentissage comme ChatGPT, plus gourmands en ressources, le système peut fonctionner sur des appareils mobiles et nomades.

Des approches similaires basées sur l'IA, combinant la télédétection par satellite et des observations scientifiques, pourraient aider à cartographier d'autres espèces, traquer les animaux qui ravagent les récoltes ou surveiller l'évolution de divers écosystèmes.

Salomé Ferraris