Cartographie multi-échelle des changements dans les récifs tropicaux

Multi-scale mapping of changes in tropical reefs

• Auteur / Autrice : Matteo Contini
• Direction : Alexis Joly
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 21/11/2025
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....)
• Jury : Président / Présidente : Dino Ienco
• Jury : Examinateurs / Examinatrices : Sylvain Bonhommeau, Laura Mannocci
• Jury : Rapporteurs / Rapporteuses : Alexandra Branzan Albu, Luigi Ceccaroni
• DOI : 10.70675/4ce49177zd5cfz4279zadc9zb54a3542dd4c

Mots clés

Mots clés contrôlés

Apprentissage profond

Sciences et recherches participatives

Vision par ordinateur

Récifs coralliens

Mots clés libres

Deep Learning

Science participative

Reconnaissance d’images

Computer Vision

Récifs coralliens

Deep Learning

Citizen science

Image recognition

Computer Vision

Coral Reefs

Résumé

Le suivi de l'état de santé des récifs coralliens et de leur biodiversité sur de grandes étendues spatiales représente un défi majeur en biologie marine. Les avancées en matière de technologies marines et les initiatives de sciences participatives ont conduit à une disponibilité croissante d’images, offrant des opportunités de collecte de données à faible coût. Cependant, extraire des informations écologiques de ce flux de données volumineux et hétérogène nécessite des cadres de traitement automatisés et reproductibles. Cette thèse contribue à ce domaine par le développement d’une série de modèles d’apprentissage profond conçus pour permettre le suivi des récifs coralliens, depuis la classification d’images jusqu’à la segmentation sémantique. Un élément central de ce travail est la création de Seatizen Atlas : un jeu de données en libre accès composé d’images sous-marines et aériennes, structuré selon les principes fair et conçu pour faciliter la recherche interdisciplinaire. À partir du jeu de données d'images sous-marines à haute résolution, nous présentons d’abord un réseau de neurones entraîné à classer plusieurs catégories benthiques sur des images sous-marines, incluant des morphotypes coralliens, des herbiers marins et la faune associée. Nous explorons ensuite deux stratégies complémentaires pour étendre les prédictions à fine échelle des images sous-marines à des échelles spatiales plus larges à l’aide d’images aériennes de drones. La première repose sur des techniques de distillation des connaissances pour entraîner un modèle de classification multilabel sur des images de drone aérien à faible altitude, en utilisant les prédictions du modèle sous-marin, sans avoir besoin d’annotation manuelle sur les images aériennes. La seconde approche utilise des prédictions de présence d’espèces géoréférencées issues des images sous-marines comme annotations faibles pour entraîner un modèle de segmentation sur ces images aériennes. Enfin, nous montrons comment le modèle de segmentation entraîné sur des images de drones à basse altitude peut être adapté à des images aériennes acquises à plus haute altitude. Cette thèse montre le potentiel de l’intégration de sources de données diversifiées, associée à des techniques de géoréférencement et à des approches d’ai, pour développer un cadre évolutif de suivi des récifs coralliens. Elle constitue une base pour de futurs développements en suivi écologique et souligne l’importance des données ouvertes, de la collaboration interdisciplinaire et de la transparence méthodologique dans la construction de systèmes d’observation reproductibles.

The monitoring of coral reef's health and their biodiversity in shallow waters over large spatial extents represents a major challenge in marine biology. Advances in marine technologies and citizen science initiatives have led to a growing availability of georeferenced image data, creating low-cost opportunities for data collection. However, extracting and mapping ecological information from this large and heterogeneous data stream requires automated and reproducible data processing frameworks. This thesis contributes to this field through the development of a series of deep learning models aimed at supporting coral reef monitoring from image-level classification to semantic segmentation tasks. Central to this work is the creation of Seatizen Atlas: an open-access dataset of georeferenced underwater and aerial marine imagery curated according to fair principles and built to facilitate interdisciplinary research. Using this dataset, we first present a vision transformer trained to classify multiple benthic categories from underwater images, including coral morphotypes, seagrass and associated fauna. We then explore two complementary strategies to extend fine-scale underwater classifications to broader spatial scales using aerial drone imagery. The first leverages knowledge distillation techniques to train an aerial multilabel classification model using predictions from the underwater classifier, enabling broad-area classification without requiring manual aerial annotations. The second approach uses dense georeferenced underwater presence probabilities as weak annotations to train a segmentation model on aerial imagery. Finally, we explore how segmentation models trained on low-altitude drone imagery can be transferred to aerial images captured from higher altitudes. This thesis demonstrates the potential of integrating diverse data sources with precise georeferencing techniques and innovative ai methodologies to provide a scalable framework for the monitoring of coral reefs. It provides a foundation for future developments in coral reef mapping and highlights the importance of open data, interdisciplinary collaboration and methodological transparency in building reproducible ecological observation systems.