AI et hérisson: détection de l’espace et indices de ronce

Des chercheurs de l’Université de Cambridge ont développé un modèle d’intelligence artificielle capable d’identifier les patchs de vitesses – arbustes denses et épineux cruciaux pour les habitats du hérisson – en utilisant l’imagerie satellite. Le projet, surnommé Tessera, démontre une nouvelle demande de réseaux de neurones au-delà de l’accent actuel sur l’IA génératif, offrant une solution éventuellement évolutive pour la cartographie écologique.

Identification de l’habitat du hérisson de l’espace

L’équipe a formé un réseau neuronal pour reconnaître les ronces à partir de données par satellite haute résolution. La validation initiale sur le terrain dans une zone de 2 hectares des terres agricoles à Norfolk, en Angleterre, a montré des résultats prometteurs, le modèle identifiant correctement environ 85% des plaques de ronce. Cependant, le modèle a montré des scores de confiance plus faibles – une limitation logique étant donné les perspectives aériennes du satellite. « Étant donné que Tessera est une représentation apprise à partir de données de télédétection, il serait logique qu’une ronce partiellement obscurcie d’en haut puisse être plus difficile à repérer », a expliqué Jaffer.

Alors que les chercheurs ont exprimé leur enthousiasme sur les premiers résultats, les travaux de détection des ronces représentent une preuve de concept qui est toujours sous des recherches actives. Le modèle n’a pas encore été publié dans une revue évaluée par des pairs, et la validation du terrain décrite ici était un test informel plutôt qu’une étude scientifique. L’équipe de Cambridge reconnaît ces limitations et prévoit une validation plus systématique.

Tho, c’est toujours une application de recherche relativement positive des techniques de réseau neuronal qui nous rappelle que le domaine de l’intelligence artificielle est beaucoup plus grande que les modèles d’IA génératifs, tels que le chatppt, ou les modèles de synthèse vidéo.

Si les recherches de l’équipe se déroulent, la simplicité du détecteur Bramble offre des avantages pratiques. Contrairement aux modèles d’apprentissage en profondeur à forte intensité de ressources, le système pourrait potentiellement s’exécuter sur des appareils mobiles, permettant la validation du terrain en temps réel. L’équipe a envisagé de développer un système d’apprentissage actif basé sur un téléphone qui permettrait aux chercheurs sur le terrain d’améliorer le modèle tout en vérifiant ses prévisions.

À l’avenir, des approches similaires basées sur l’IA combinant la télédétection par satellite avec les données scientifiques des citoyens pourraient potentiellement cartographier les espèces envahissantes, suivre les ravageurs agricoles ou surveiller les changements dans divers écosystèmes. Pour les espèces menacées comme les hérissons, cartographier rapidement les caractéristiques de l’habitat critique devient de plus en plus précieuse à une époque où le changement climatique et l’urbanisation remodèlent activement les lieux que les hérissons aiment appeler chez eux.