Campus de Moncton
18, avenue Antonine-Maillet
Université de Moncton
Moncton
Nouveau-Brunswick, Canada
E1A 3E9
Il est maintenant de plus en plus établi que les changements climatiques affectent la phénologie des espèces vivantes. Les oiseaux par exemple peuvent changer leurs dates de migration ou de reproduction en réponse à des printemps plus chauds. Les régions polaires sont particulièrement vulnérables aux perturbations climatiques dans la mesure où les températures y montent plus vite. Cependant, à cause de leur éloignement, du coût et des considérations logistiques, peu d’études décrivent comment ces variations climatiques impactent la phénologie des oiseaux arctiques.
Les récents progrès techniques dans le domaine de la bioacoustique nous permettent maintenant d’utiliser des appareils automatiques robustes qui peuvent enregistrer des sons pendant plusieurs mois dans des conditions rudes. Il est ainsi possible de récolter une grande quantité de données pour un coût moindre et d’une façon plus objective et plus réplicable. Toutefois, cela introduit un nouveau défi: analyser ces données. L’identification des espèces d’oiseaux à partir de leur chant nécessite encore beaucoup d’interventions humaines et cette tâche est rendue encore plus ardue par la quantité de données à traiter. De plus, les logiciels existants ne fournissent pas encore de données écologiques intéressantes.
Depuis 2013, des enregistreurs acoustiques (n = 20) ont été déployés dans deux sites arctiques: les îles Bylot et Igloolik. Les appareils sont placés au centre de parcelles de suivi dans lesquelles des données sont récoltées pour des limicoles, des passereaux et des prédateurs (renards arctiques, goélands, labbes et harfangs des neiges). La présence/absence des oiseaux et leur activité (e.g. défense territoriale) peuvent ainsi être enregistrées. Comme le succès de nidification par espèce aviaire peut varier entre 0% et 80% sur ces îles à cause de la prédation, de fortes variations temporelles sont attendues. Ces variations seront utilisées pour déterminer s’il est possible de prédire la présence et l’activité pour chaque espèce aviaire à partir des enregistrements sonores.
À partir des résultats de ces analyses, nous essaierons ensuite de développer une plate-forme technique unique permettant d’analyser automatiquement les données sonores afin d’étudier la phénologie des espèces. Des algorithmes d’apprentissage machine seront utilisés pour accélérer l’identification des espèces et limiter les interventions humaines. Nous espérons ainsi obtenir une méthode fiable, plus simple et moins onéreuse pour étudier les environnements arctiques et approfondir notre compréhension de la façon dont les espèces d’oiseaux réagissent aux variations climatiques.
Christin, S., Hervet, É., Lecomte, N., 2021. Going further with model verification and deep learning. Methods in Ecology and Evolution, 12(1): 130-134. DOI: 10.1111/2041-210X.13494.
Christin, S., Hervet, É., Lecomte, N., 2019. Applications for deep learning in ecology. Methods in Ecology and Evolution, 10(10): 1632-1644. DOI: 10.1111/2041-210X.13256.
Christin, S., St-Laurent, M.-H., Berteaux, D., 2015. Evaluation of Argos telemetry accuracy in the High-Arctic and implications for the estimation of home-range size. PLoS one, 10(11): e0141999. DOI: 10.1371/journal.pone.0141999.