« Il nous a fallu environ 20 secondes pour trouver le premier hérisson dans une zone indiquée par le modèle », a écrit M. Jaffer dans un billet de blog décrivant l’essai sur le terrain. En commençant par le centre communautaire de Milton, où le modèle indiquait avec une grande certitude la présence de ronces près du parking, l’équipe a systématiquement visité des endroits où les niveaux de prédiction variaient.
L’équipe de recherche repère sa première ronce.
Crédit :
Sadiq Jaffer
Dans le Milton Country Park, toutes les zones de confiance vérifiées contenaient une quantité importante de ronces. Lorsqu’ils ont enquêté sur un point chaud résidentiel, ils ont trouvé une parcelle vide envahie par les ronces. Plus amusant encore, une prédiction majeure dans le nord de Cambridge les a conduits à la réserve naturelle locale de Bramblefields. Comme son nom l’indique, la zone était couverte de ronces.
Le modèle s’est avéré plus performant lorsqu’il s’agissait de détecter de grandes parcelles de ronces non couvertes, visibles d’en haut. Les ronces plus petites sous le couvert d’arbres ont obtenu des scores de confiance plus faibles – une limitation logique compte tenu de la perspective aérienne du satellite. « Étant donné que TESSERA est une représentation apprise à partir de données de télédétection, il serait logique que les ronces partiellement cachées depuis le ciel soient plus difficiles à repérer », a expliqué M. Jaffer.
Une première expérience
Bien que les chercheurs aient exprimé leur enthousiasme face aux premiers résultats, le travail de détection des ronces représente une preuve de concept qui fait encore l’objet de recherches actives. Le modèle n’a pas encore été publié dans une revue à comité de lecture et la validation sur le terrain décrite ici était un test informel plutôt qu’une étude scientifique. L’équipe de Cambridge reconnaît ces limites et prévoit une validation plus systématique.
Il s’agit néanmoins d’une application de recherche relativement positive des techniques de réseaux neuronaux qui nous rappelle que le domaine de l’intelligence artificielle est bien plus vaste que les modèles d’IA générative, tels que ChatGPT, ou les modèles de synthèse vidéo.
Si les recherches de l’équipe s’avèrent fructueuses, la simplicité du détecteur de ronces offre certains avantages pratiques. Contrairement aux modèles d’apprentissage profond plus gourmands en ressources, le système pourrait potentiellement fonctionner sur des appareils mobiles, ce qui permettrait une validation en temps réel sur le terrain. L’équipe a envisagé de développer un système d’apprentissage actif basé sur le téléphone qui permettrait aux chercheurs sur le terrain d’améliorer le modèle tout en vérifiant ses prédictions.
À l’avenir, des approches similaires basées sur l’IA combinant la télédétection par satellite et les données de la science citoyenne pourraient potentiellement cartographier les espèces invasives, suivre les ravageurs agricoles ou surveiller les changements dans divers écosystèmes. Pour les espèces menacées comme le hérisson, la cartographie rapide des caractéristiques essentielles de l’habitat 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 leur maison.