La classification des espèces au secours de la pêche durable

Pour contrer la pêche hors quotas qui menace nos ressources marines, l’organisme Nature Conservancy a installé des caméras de surveillance à bord des bateaux de pêche des îles Caroline. Prochainement, les bandes vidéos seront analysées à l’aide d’algorithmes de machine learning capables de classifier les espèces sous-marines.

Ce sont 90 % des stocks de poissons sauvages qui seraient aujourd’hui pleinement exploités ou surexploités. Ce cri d’alarme lancé par la FAO (l’Organisation des Nations Unies pour l’alimentation et l’agriculture) met clairement en doute l’efficacité des méthodes employées jusqu’ici pour combattre la surpêche. Il faut dire que dans les eaux du Pacifique, des Philippines à Hawaï, seuls 2% des opérations de pêche sont contrôlées par des observateurs, un taux bien insuffisant pour comprendre les effets de la surpêche sur les espèces menacées et empêcher le trafic illégal.

 

Une surveillance automatisée via des logiciels de reconnaissance

 

Un contexte qui a conduit l’organisme « Nature Conservancy » à automatiser le contrôle des opérations de pêche dans la région, en remplaçant les observateurs humains par des caméras dont elle a déjà équipé une douzaine de bateaux. Reste à rationaliser le visionnage et l’analyse de ces milliers d’heures d’enregistrement. Pour cela, le groupe a lancé un concours pour le développement d’un algorithme d’apprentissage automatique (machine learning) capable de classifier les créatures marines – un outil susceptible de simplifier et d’accélérer considérablement le travail des scientifiques. Parallèlement, la NOAA (National Oceanic and Atmospheric Administration) a, elle aussi, investi dans des dispositifs de surveillance automatisée pour contrôler la pêche le long des côtes étatsuniennes. L’agence, qui développe actuellement des séries de données pour entraîner les algorithmes de machine learning, vise une classification automatisée à l’horizon 2019.

 

Pour Mark Zimring, directeur du programme « thon » dans la région indo-pacifique chez Nature Conservancy, il ne s’agit pas de remplacer l’analyse humaine par des machines mais bien d’optimiser le travail des observateurs et des scientifiques : “ces méthodes sont fort utiles puisqu’elles permettent de réduire les volumes d’enregistrements à visionner, ce qui représente une économie de temps considérable.” Et, comme le souligne Chris Rilling, directeur de la division Fisheries Monitoring and Analysis auprès de NOAA Alaska, “même s’ils sont encore perfectibles, les algorithmes de machine learning fournissent des informations primordiales dans la mesure où les scientifiques pourront tester les incertitudes dans les données produites.”

 

Lire l’article (en anglais)

 

En complément :

Les big data prennent la clé des champs,

Google traque les bateaux de pêche en temps réel.