Aller au contenu principal

Application de l’Intelligence artificielle à l’identification automatique de traits fonctionnels du zooplancton à partir d’images à haute résolution

Ce projet est réalisé dans le cadre d'un partenariat entre l'Université Laval et l'Université Côte-d'Azur.

 

Chercheurs principaux

Frédéric Maps, Eric Debreuve


Co-chercheurs

Denis Laurendeau, Lionel Guidi


Collaborateurs hors-ULaval / UCA

Sakina-Dorothée Ayata (Université Sorbonne)


Résumé du projet

L’Arctique se réchauffe trois fois plus vite que le reste de la planète. Une conséquence majeure est le déclin rapide et irréversible de la banquise, ce qui conduira à des perturbations profondes mais encore imprévisibles des écosystèmes marins Arctiques. À la base de ceux-ci se trouvent les organismes planctoniques. La production primaire assurée par le phytoplancton dépend de la lumière provenant de la surface et des nutriments abondants en profondeur. Ces contraintes limitent donc leur croissance à la base de la glace au printemps et à la couche supérieure de l’océan en été, alors que le long et obscur hiver arctique empêche toute production primaire. Le zooplancton joue alors un rôle crucial en transformant efficacement la production primaire en réserves lipidiques : ces réserves leurs permettront de survivre et seront disponibles pour les niveaux trophiques supérieurs, même au cœur de l’hiver. 

Ainsi, l’environnement Arctique a contraint ces organismes à adapter leurs cycles de vie et leur physiologie afin d’y survivre efficacement. Ces adaptations, souvent partagées par plusieurs espèces, représentent des « traits fonctionnels » qui influencent le succès évolutif des organismes et le fonctionnement des écosystèmes. Une meilleure connaissance de ces traits est cruciale pour prédire les réponses des communautés planctoniques aux changements sans précédents de l’Océan Arctique. Plusieurs de ces traits sont associés à des caractéristiques morphologiques (taille, présence d’un sac ovigère, de réserves lipidiques, etc.), ce qui permet de les détecter et de les mesurer automatiquement à partir d’images. 

Les techniques d’imagerie pour l’étude du plancton se sont multipliées et rapidement améliorées ces 10 dernières années. Coupler cette abondante information de qualité à des techniques d’analyse d'apprentissage profond offre une avenue de recherche prometteuse et en fait vitale dans un contexte de développement du monitorage en continu de l'OA.