Suivi des réserves naturelles via les réseaux sociaux et le deep learning
Les figures ci-dessus (A à F) montrent les six principales catégories d’activités humaines qui ont été identifiées dans les réserves naturelles. Les étiquettes représentent les 10 principales balises détectées automatiquement par l’algorithme d’apprentissage profond, tandis que les objets ont été identifiés manuellement par les chercheurs à partir de ces balises. Les trois principales catégories sont Abiotique, Biotique et Humains, chacune avec des sous-catégories comme indiqué entre parenthèses. Les images présentées servent d’exemples des types d’images potentielles qui pourraient être trouvées dans l’ensemble de données. Crédit : Université nationale de Singapour
Des chercheurs en biologie environnementale de l’Université nationale de Singapour (NUS) ont développé une méthode efficace pour identifier et classer rapidement les activités humaines au sein des réserves naturelles à l’échelle mondiale, en utilisant les médias sociaux et des techniques d’apprentissage profond.
De nombreuses personnes visitent les réserves naturelles pour diverses raisons, notamment pour faire de la randonnée afin de garder la forme. Malgré ces avantages, il est clair qu’un nombre trop important de visiteurs pourrait entraîner une surpopulation et avoir un impact négatif sur les efforts de conservation.
Par conséquent, pour mettre en œuvre des stratégies de gestion de l’utilisation des sols plus efficaces pour contrôler les foules, les gouvernements doivent mieux comprendre la manière dont ces espaces verts sont utilisés. Cependant, comme la plupart de ces réserves naturelles couvrent de vastes superficies, le recours à des enquêtes de terrain conventionnelles pour surveiller les activités humaines à l’intérieur de ces réserves peut s’avérer coûteux et prendre du temps.
L’équipe de recherche, dirigée par le professeur associé L. Roman Carrasco du département des sciences biologiques de la NUS et son doctorant, M. Timothy Bing Lun Yee, a développé une technique pour traiter les images des médias sociaux prises dans les zones protégées (AP) comme un proxy pour identifier les activités humaines à l’intérieur de celles-ci.
En analysant ces images à l’aide d’un modèle d’étiquetage d’images basé sur l’apprentissage profond, les activités humaines qui y sont représentées sont automatiquement détectées. Ces images étiquetées sont ensuite regroupées en catégories distinctes d’activités humaines. Pour cette étude, ils ont analysé un total de 87 090 photos provenant de 2 813 AP dans 207 pays.
Ces résultats ont été publiés dans Rapports scientifiques.
Les chercheurs ont fait des observations intéressantes. Notamment, les différents groupes d’activités des AP correspondaient étroitement aux attentes. Par exemple, les AP d’Asie du Sud-Est présentaient de nombreuses photographies d’animaux et de plantes, tandis que les AP européennes présentaient de nombreuses photographies de châteaux historiques. De plus, les AP d’un même pays présentaient des activités similaires, même si elles avaient des environnements physiques différents.
M. Yee a déclaré : « Bien que des études similaires aient déjà été réalisées, il s’agit probablement de la première étude qui tente d’examiner les activités humaines au sein des AP à l’échelle mondiale. Elle démontre l’utilité des médias sociaux et de l’apprentissage approfondi pour permettre aux chercheurs d’enquêter sur des problèmes environnementaux urgents à une échelle beaucoup plus grande. »
Le professeur Carrasco a ajouté : « L’équipe espère que cette technique pourra être adoptée par les organisations de protection de la nature pour surveiller les schémas d’utilisation des terres dans les réserves naturelles de manière efficace et rentable, permettant ainsi des efforts de conservation plus ciblés pour protéger les écosystèmes malgré l’augmentation du nombre de visiteurs. »
Plus d’information:
Timothy Bing Lun Yee et al., Application de l’apprentissage profond aux médias sociaux pour étudier les services écosystémiques culturels dans les zones protégées du monde entier, Rapports scientifiques (2024). DOI : 10.1038/s41598-024-64115-3
Fourni par l’Université nationale de Singapour
Citation: Suivi des réserves naturelles via les réseaux sociaux et le deep learning (2024, 5 août) récupéré le 5 août 2024 sur
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre d’information uniquement.