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

Recherche transversale
Rechercher
(titres de publication, de périodique et noms de colloque inclus)
2014-06-13 - Colloque/Présentation - communication orale - Français - 1 page(s)

Wacquet Guillaume, Lefebvre Alain, Neaud-Masson Nadine, Belin Catherine, Grosjean Philippe , "Etude et caractérisation de la dynamique et de la diversité phytoplanctonique par analyse d’images et classification semi-automatisée" in Instrumentation haute fréquence pour l'observation et la surveillance de l'environnement marin, Boulogne-sur-mer, France, 2014

  • Codes CREF : Océanographie biologique (DI3191), Statistique appliquée (DI1133)
  • 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) Plus de 3000 échantillons d'eau sont examinés annuellement pour des lectures de phytoplancton dans le cadre du réseau REPHY (Phytoplancton & Phycotoxines) et des réseaux régionaux pilotés par l'Ifremer. Les aspects "observation" et "surveillance" assurés par ces réseaux présentent un double objectif : patrimonial (connaissance de la distribution spatio-temporelle des différentes espèces phytoplanctoniques sur le littoral français) et sanitaire (protection des consommateurs par la détection des espèces phytoplanctoniques productrices de toxines). C'est dans ce contexte, que le projet FlowCAM/ZooPhytoImage a été initié en 2008 pour améliorer et optimiser cette stratégie. L'outil est constitué (i) du matériel FlowCAM destiné à numériser les images des particules phytoplanctoniques, (ii) du logiciel ZooPhytoImage, qui permet d'identifier semi-automatiquement et de dénombrer le phytoplancton à partir de ces images numérisées, tout en produisant un taux d’erreur quantifiable et reproductible. Ce système innovant présente de nombreux avantages par rapport à la méthode traditionnelle de dénombrement au microscope photonique par un opérateur : erreur quantifiable et corrigeable, stockage peu encombrant et quasiment illimité des données, nouvelles mesures et informations sur les particules. Cette approche, basée sur le principe du machine learning, montre que la discrimination quantitative des particules dans un échantillon naturel est possible à un niveau taxonomique élevé. Pour cela, le logiciel ZooPhytoImage permet de réaliser les différentes étapes du processus qui conduit à la classification semi-automatisée d’un ensemble d’objets, à partir d’un jeu d’images donné : création et optimisation d'un ensemble d'apprentissage, création et optimisation d'un outil de reconnaissance basé sur un algorithme de classification supervisée (Random Forest), classification automatique des particules d'un échantillon inconnu et validation manuelle partielle des prédictions. Ce projet vise l’optimisation de l’observation et de la surveillance du phytoplancton des différentes régions du littoral français, devrait permettre d’aborder la diversité de ce compartiment à des échelles de temps adaptées à son mode de développement (notamment lors des efflorescences) et contribuera à améliorer les connaissances quant à la dynamique planctonique et aux mécanismes de contrôle (par couplage à d’autres systèmes de mesures à haute résolution) pouvant entraîner des changements dans l’intensité et le démarrage des blooms phytoplanctoniques.