DI-UMONS : Dépôt institutionnel de l’université de Mons

Recherche transversale
Rechercher
(titres de publication, de périodique et noms de colloque inclus)
2015-06-25 - Travail sans promoteur/Rapport de recherche - Français - 19 page(s)

Wacquet Guillaume, Grosjean Philippe , "Projet FlowCAM/ZooPhytoImage", 2015-06-25

  • Codes CREF : Océanographie biologique (DI3191)
  • Unités de recherche UMONS : Ecologie numérique des milieux aquatiques (S807)
  • Instituts UMONS : Institut de Recherche sur les Systèmes Complexes (Complexys), Institut des Biosciences (Biosciences)
Texte intégral :

Abstract(s) :

(Français) Le système couplé FlowCAM/ZooPhytoImage est devenu un outil véritablement opérationnel en 2014. Cependant, pour qu'il soit totalement adapté aux observations du phytoplancton réalisées dans le cadre du réseau d’observation REPHY, et afin de mieux répondre aux sollicitations présentes et futures concernant l'évaluation de la qualité des eaux littorales et marines dans le cadre des exigences européennes, telles que la DCE et la DCSMM, il reste encore à paramétrer les différentes fonctionnalités du logiciel dans le contexte particulier du REPHY. Différents axes ont donc été proposés par l'UMONS et l'IFREMER. Premièrement, la dernière version de Zoo/PhytoImage permet d'obtenir des identifications automatiques pertinentes du phytoplancton mais sans distinguer une cellule d'une colonie. Or, même si les colonies contribuent en grande partie à la productivité annuelle, l'ensemble des estimateurs de la biomasse sont calibrés essentiellement sur l'abondance en termes de cellules par unité de volume. La méthode incluse dans Zoo/PhytoImage consiste à calibrer un modèle prédictif permettant d'estimer le nombre de cellules par colonie, en se basant sur les comptages manuels réalisés sur les particules du set d'apprentissage. Dans cette étude, une étude comparative des dénombrements manuels effectués sur deux sites (Boulogne-sur-Mer et Nantes) est présentée. Deuxièmement, le module de correction de l'erreur, intégré à Zoo/PhytoImage depuis la version 4, permet d'obtenir des identifications avec un faible pourcentage d'erreur par groupe, pour chacun des échantillons analysés. Nous proposons ici, d'utiliser l'information liée à la validation manuelle des vignettes par l'expert, afin d'optimiser l'approche de type apprentissage actif. Dans ce rapport, nous quantifions les gains obtenus à l'aide de ce processus pour la reconnaissance semi-automatisée du phytoplancton, à savoir : l'évolution du taux global d'erreur et le gain de temps lors de la validation des prédictions automatiques dans le cadre de la correction de l'erreur.