Caractérisation et simulation multi-échelle des mouvements d'oiseaux marins tropicaux : une approche par apprentissage profond

The study of seabird movement is fundamental to understanding how seabirds interact with their environment, and to developing conservation policies for marine ecosystems. In response to the recent accumulation of data describing their movements and habitats, this thesis proposes to characterize and simulate the movements of tropical seabirds using artificial intelligence approaches, more specifically deep learning. On one hand, convolutional neural networks are used to identify seabird habitats from satellite data and to describe their behavior from GPS trajectories. These tools are able to exploit heterogeneous data by taking into account several spatio-temporal scales. They automatically define relevant data mining metrics that can be generalized to the analysis of the movement of other bird species. On the second hand, generative networks are used to simulate foraging trajectories of seabirds. Most of the existing movement simulation tools, such as random walks, focus mainly on small-scale statistics of trajectory data and fail to reproduce realistic large-scale movement patterns. Here we show that generative adversarial networks are able to reproduce geometric features at both small and large scales. These results suggest that generative models can become a pragmatic solution for simulating and predicting complex stochastic processes, such as seabird trajectories, for which the underlying mechanistic rules are unclear or too difficult to be anatically formulated.; L'étude du mouvement des oiseaux marins est fondamentale pour comprendre la manière dont ils interagissent avec leur environnement, et pour élaborer des politiques de conservation des écosystèmes marins. En réponse à l'accumulation récente des données décrivant leurs déplacements et leurs habitats, cette thèse propose de caractériser et de simuler les mouvements d'oiseaux marins tropicaux en utilisant des approches d'intelligence artificielle, et plus précisément d'apprentissage profond. Dans un premier temps, on utilise des réseaux de neurones convolutifs pour l'identification d'habitats d'oiseaux marins à partir de données satellites, et pour la description de leurs comportements à partir de trajectoires GPS. Ces outils sont en mesure d'exploiter des données hétérogènes en prenant en compte plusieurs échelles spatio-temporelles. Ils définissent des métriques de fouille de données pertinentes de manière automatique et généralisable à l'analyse du mouvement d'autres espèces d'oiseaux. Dans un second temps, on utilise des réseaux génératifs afin de simuler les trajectoires de recherche alimentaires d'oiseaux marins. La plupart des outils existants de simulation du mouvement, tels que les marches aléatoires, se concentrent principalement sur les statistiques à petite échelle des données des trajectoires et ne parviennent pas à reproduire un modèle de mouvement réaliste à grande échelle. On montre ici que les réseaux antagonistes profonds sont capables de reproduire les caractéristiques géométriques aussi bien aux petites qu'aux grandes échelles. Ces résultats suggèrent que les modèles génératifs peuvent devenir une solution pragmatique pour simuler et prédire des processus stochastiques complexes, tels que les trajectoires d'oiseaux marins, dont les règles mécanistes qui les sous-tendent ne sont pas clairs ou trop difficiles à formuler de manière analytique.