Résumé
La capacité d'observation de la biodiversité et l'environnement physique et biologique marin est essentielle pour soutenir les politiques publiques et assurer la durabilité écologique et socio-économique des services associés. Dans le cas des écosystèmes coralliens tropicaux, l'observation fait face à d'importants défis scientifiques et technologiques en raison de la diversité de ces écosystèmes, de leur vaste étendue géographique et de la difficulté d'accéder à des sites potentiellement éloignés. L'objectif de cette thèse est de quantifier les changements dans ces écosystèmes (surface, événements de blanchiment, diversité des espèces) en utilisant une approche de reconnaissance automatique d'images multi-échelle (deep learning). Cette approche multi-échelle consiste à utiliser les données collectées à fine échelle par des planches autonomes et des usagers de la mer (projet Seatizen et Ifremer IOT) pour identifier les habitats et espèces d'intérêt de certaines zones caractéristiques des écosystèmes coralliens. Les habitats et espèces identifiés à cette échelle serviront de jeux d'entraînement pour des algorithmes utilisant des données de drones sur de plus grandes zones. Là encore, ces données de drones serviront de jeux d'entraînement pour des algorithmes utilisant des images satellites et couvrant ainsi de très grandes zones spatiales. Cette approche sera développée à l'échelle de l'océan Indien mais sera générique pour pouvoir étendre la méthode à d'autres océans.