Soutenance de thèse - Mélisande Teng
Bonjour à tous,
Vous êtes cordialement invité.e.s à la soutenance de thèse de Mélisande Teng le 12 février à 14h30 EST (mode hybride).
Title: Applications of Machine Learning for Biodiversity Monitoring
Date: 12 février at 14:30 pm EST
Room: Coworking Space (6650 St-Urbain, first floor)
Link: https://umontreal.zoom.us/j/81197854421?pwd=BAmPSvnvw7m8KO7cFJBzWZXp6BUgij.1
Jury
| Présidente | Dhanya Sridhar |
Directeur de recherche | Yoshua Bengio |
| Co-Directeurs | Hugo Larochelle & David Rolnick |
Membre | Margaret Kalacska |
| Examinateur externe | Rebecca Hutchinson-TBD |
Résumé:
Les crises interdépendantes du changement climatique et de la perte de biodiversité exigent des mesures urgentes afin d'atténuer leurs impacts sur la société humaine et l'environnement naturel. Pour relever ces défis, il est indispensable d'approfondir notre compréhension de l'état actuel de la biodiversité. Les avancées récentes dans le domaine de l'apprentissage automatique et des technologies de capteurs, tels que la télédétection et les enregistreurs audio, offrent des possibilités sans précédent pour l'observation et le suivi à grande échelle de la Terre et de la biodiversité.
Dans cette thèse, nous présentons des méthodes visant à combler les lacunes en matière de connaissances et de données sur la biodiversité et à permettre un suivi à grande échelle de la biodiversité afin de guider la prise de décision en matière de conservation écologique.
En particulier, nous nous intéressons à des applications en modélisation de la répartition des espèces, en surveillance des forêts et en bioacoustique, guidée par les questions suivantes : « Quelles opportunités l'apprentissage automatique et l'apprentissage profond offrent-ils pour le suivi de la biodiversité ? » et « Comment les connaissances du domaine d'application peuvent-elles être intégrées dans les modèles et guider leur conception ? ».
Dans notre première contribution, nous présentons SatBird [1], un jeu de données et un benchmark pour la modélisation de la répartition des espèces d'oiseaux à partir de données de télédétection et environnementales, en utilisant des étiquettes issues de données de science citoyenne. Nous mettons en lumière le potentiel de l'apprentissage profond et des images satellites pour cartographier la distribution des espèces à grande échelle.
Dans notre deuxième contribution, nous développons CISO [2], une nouvelle approche basée sur l'apprentissage profond pour la modélisation de la répartition des espèces, conditionnée sur des observations incomplètes d'espèces. Ce modèle prend en entrée des données environnementales et n'importe quel nombre d'observations d'espèces, conditionnant les prédictions aux présences ou absences connues d'autres espèces, s'adaptant ainsi à la variabilité fréquente et au caractère incomplet des données biotiques disponibles en pratique. Nous montrons que CISO améliore significativement les prédictions par rapport aux autres méthodes.
Dans cette thèse, nous nous penchons également sur la tâche de segmentation d'instances de couronnes d'arbres dans des images à haute résolution prises par drone pour l'estimation du carbone forestier [3]. Nous comparons plusieurs modèles et proposons une nouvelle méthode pour cette tâche, en s'appuyant sur le modèle Segment Anything et des données d'élévation dérivées de l'imagerie par drone. Nous l'appliquons à des contextes de plantation et de forêt tempérée et tropicale. Ce travail montre le potentiel de l'adaptation des modèles de fondation et de l'intégration des données d'élévation pour cette tâche, et met en évidence les défis posés par différents types de forêts.
Enfin, nous présentons une méthode non supervisée pour l'annotation automatique des syllabes dans les enregistrements de chants d'oiseaux [4], afin d'alléger le travail manuel fastidieux, coûteux et laborieux effectué par les écologistes. Etudier les chants d'oiseaux au niveau des syllabes est utile pour de nombreuses applications en bioacoustique, telles que l'identification individuelle des oiseaux et l'étude de la communication animale, positionnant notre méthode comme un outil prometteur pour accélérer la recherche en bioacoustique.
[1]
[2]
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210x.70238
[3]
https://openreview.net/forum?id=1vSLxdJNq8
[4]