Comment distinguer les animaux individuels sur les photos de piège photographique : bois, pelage et cicatrices

Commençons par un chiffre inconfortable. En 2020, une équipe a placé 16 panthères des neiges captives devant des pièges photographiques, les a photographiées à 40 reprises et a remis les images à huit observateurs pour qu'ils les répartissent en individus — la tâche même qui sous-tend la moitié des estimations de population de grands félins dans la littérature. Les observateurs ont mal classé 12,5 % de toutes les occasions de capture. Cela ne paraît pas catastrophique tant qu'on ne retrace pas où sont allées les erreurs : comme ces erreurs n'étaient pas aléatoires, elles ont gonflé les estimations de population qui en résultaient d'environ un tiers en moyenne — 35 % de trop, à peu de chose près. La conclusion des auteurs était sans détour : identifier des animaux individuellement uniques à partir de photos de piège photographique « n'est peut-être pas aussi fiable qu'on le croyait ».

Voilà tout le problème de cet article résumé en une seule étude. Distinguer les animaux individuels sur des photos est le moteur de l'estimation de densité par capture-recapture — la méthode de référence pour dénombrer une faune insaisissable sans la capturer physiquement — et c'est bien moins infaillible qu'il n'y paraît. Faites-le correctement et vous pouvez suivre une population de tigres à quelques pour cent près. Faites-le subtilement mal et vous pouvez rapporter un tiers d'animaux de plus qu'il n'en existe réellement, avec un intervalle de confiance qui se resserre de façon rassurante autour de la mauvaise réponse.

Ceci est donc un article de méthode, destiné à la personne qui fait de la science participative ou débute sa carrière de chercheur et veut s'y prendre correctement : quelles marques naturelles permettent réellement de séparer les individus, quelles espèces mettent l'approche entière en échec, comment les observateurs se trompent, pourquoi le côté gauche d'un animal est un animal différent de son côté droit pour vos données, et où la vision par ordinateur aide vraiment par opposition aux cas où elle ne fait que blanchir les mêmes erreurs plus vite. Je définirai le jargon au fil de l'eau. La version courte d'emblée : **la fiabilité de l'identification individuelle dépend presque entièrement de l'espèce, et l'essentiel du travail difficile consiste à être honnête au sujet des photos que vous ne pouvez pas identifier, non de celles que vous pouvez.**

Pourquoi identifier les individus, au fait

Dénombrer des animaux qu'on ne peut pas rassembler est l'un des plus vieux casse-têtes de l'écologie, et l'identification individuelle en est la réponse la plus astucieuse. La logique est empruntée à la capture-recapture : si vous savez reconnaître le même individu d'une photo à l'autre, vous pouvez construire un « historique de rencontres » pour chaque animal — quand et où il a été vu — et, à partir du schéma de qui est revu et qui ne l'est pas, un modèle statistique estime combien d'animaux vous n'avez pas vus. Les versions modernes sont spatialement explicites (le domaine parle de SECR, capture-recapture spatialement explicite), qui utilisent aussi où chaque détection s'est produite pour estimer la densité par unité de surface plutôt qu'un simple décompte brut.

L'attrait, c'est que c'est non invasif. Les marques naturelles — les rayures d'un tigre, les taches d'une girafe — vous permettent de « capturer » un animal avec une caméra au lieu d'un fusil hypodermique, et elles sont sans doute meilleures que des marques artificielles, car elles identifient l'animal « sans l'acte dangereux et invasif de la capture physique », et elles ne tombent pas ni ne changent. Une étude au long cours sur la girafe Massaï s'appuie exactement là-dessus : les girafes sont individuellement identifiables par leurs « motifs de pelage uniques et immuables », et les scientifiques utilisent ces motifs de taches pour reconnaître des individus depuis les années 1950, bien avant que quiconque ne parle de piège photographique.

Quand ça marche, c'est le meilleur outil dont nous disposons pour les animaux rares à vaste territoire. Une revue de la littérature SECR sur les pièges photographiques a constaté que la méthode est « actuellement centrée sur des carnivores rares, insaisissables, à vaste domaine vital et individuellement identifiables, en particulier les grands félidés », et l'a qualifiée de « l'une des meilleures façons d'étudier ces espèces ». Le piège se cache dans cette phrase — individuellement identifiables — et c'est un club bien plus étroit que l'enthousiasme du domaine ne le laisse croire. Cette même revue a trouvé que 90,9 % des estimations de densité par piège photographique portaient sur des carnivores, et 82 % d'entre elles sur des félins ; plus d'un tiers de toutes les études portaient sur trois animaux seulement — léopard, tigre et jaguar. Ce n'est pas que personne ne s'intéresse aux cervidés ou au sanglier. C'est que ces trois-là portent des codes-barres et que la plupart des animaux n'en portent pas.

C'est que ces trois-là portent des codes-barres et que la plupart des animaux n'en portent pas.

Ce qui rend une espèce « individuellement identifiable »

La ligne de partage tient à savoir si un animal porte une marque naturelle qui est unique à l'individu, stable dans le temps et visible par une caméra. Cochez les trois et vous êtes en affaires. Ratez-en une seule et vous improvisez.

Le cas le plus net est un motif de pelage à fort contraste — les marques du pelage des animaux tachetés et rayés. Dans une étude SECR sur le tigre et le léopard en Inde, les observateurs identifiaient les animaux en examinant « la forme et le motif des marques naturelles ; les rayures chez les tigres et les rosettes chez les léopards », en recoupant flancs, membres, queues et avant-trains. Ces motifs se comportent comme des empreintes digitales : une étude sur l'ocelot décrit l'algorithme HotSpotter (nous y reviendrons) comme un logiciel qui « analyse les textures d'une image pour trouver un motif reconnaissable » précisément parce que la texture des taches est individuellement diagnostique. Les lynx roux sont triés par « groupes de taches sur les pattes, groupes de taches sur le corps, marques faciales et marques de la queue » — le protocole d'une étude californienne exigeait de faire correspondre « au moins trois caractéristiques naturelles du pelage » avant de déclarer que deux photos représentaient le même félin. Les chats forestiers, plus subtils, sont classés d'après « la forme et la position des rayures et des taches, le nombre et la forme des anneaux de la queue », plus une liste de contrôle de la ligne dorsale, des rayures d'épaule et des rayures de cou.

Remarquez la discipline dans ces exemples. Personne ne fait correspondre une seule tache floue — on exige que plusieurs caractéristiques indépendantes concordent. Une équipe travaillant sur le léopard au Sri Lanka a formalisé cela en un système « multipoint », segmentant le pelage en 15 points définis par la formation des taches et des rosettes, et exigeant un « minimum de 9 points MPC sur les 15 » pour établir une correspondance avant de déclarer que deux observations représentaient le même léopard. Cette redondance est toute la défense contre les erreurs d'identification erronée par lesquelles nous avons commencé. Plus vous exigez de points indépendants, plus il est difficile pour deux animaux différents de simuler une correspondance.

Mais « unique et stable » fait beaucoup de travail, et même sur des félins bien marqués ce n'est pas absolu. Cette même étude sri-lankaise a documenté quelque chose que la plupart des protocoles d'identification passent discrètement sous silence : les motifs changent. Au fil d'une observation continue, ils ont enregistré 29 cas où les taches et rosettes d'un léopard s'étaient modifiées — taches perdues, réduites ou changées en « proéminence, forme et taille » — et 16 de ces léopards avaient changé après une blessure documentée. Une méthode antérieure et moins rigoureuse dans le même parc avait dédoublé des léopards suffisamment mal pour produire « un taux d'erreur de plus de 15 % », comptant le même félin comme plusieurs. Ainsi, même les animaux les mieux marqués ne sont pas un repas gratuit ; une cicatrice qui vous aide aujourd'hui peut réécrire demain le motif même sur lequel vous faites la correspondance.

Marques sur des animaux par ailleurs uniformes : cicatrices, oreilles et bois

La plupart des animaux ne portent pas de taches. L'instinct, alors, est de se rabattre sur ce qui est distinctif — une oreille déchirée, une cicatrice corporelle, la ramure d'un mâle — et pour certains usages c'est légitime. Mais c'est exactement là que l'identification individuelle devient dangereuse, et les sources sont divisées d'une manière qui vaut la peine d'être comprise.

Les bois sont l'exemple évident pour quiconque observe les cervidés. Une grande ramure asymétrique avec un andouiller cassé ou un cor supplémentaire distingue vraiment ce mâle des autres sur votre terrain, du moins pour une saison. La littérature sur la densité des cervidés s'en sert : une étude portant sur 13 populations de cervidés reconnaissait les individus par « des formes et déformations de bois manifestes », ainsi que par « des cicatrices distinctives sur les deux côtés du corps » et des déformations des membres. Les limites fermes sautent aux yeux une fois qu'on les énonce à voix haute. Les bois sont saisonniers — ils tombent et repoussent chaque année, si bien qu'une identification fondée sur les bois expire chaque hiver et ne peut pas relier un animal d'une année à l'autre. Ils sont exclusivement mâles, laissant femelles et jeunes sans marques. Et les marques plus subtiles se révèlent glissantes : cette même étude a constaté que des indices potentiels comme « les entailles aux oreilles ou une cicatrice sur un seul flanc » étaient « souvent ambigus » en pratique et ne pouvaient pas être utilisés de façon fiable.

Pour les félins au pelage uniforme, les chercheurs se rabattent sur les cicatrices, les dommages aux oreilles et les queues coudées. Une étude sur le puma plaide pour que l'un de ces éléments soit véritablement excellent : les pavillons d'oreille abîmés ou manquants (les pinnae). Lorsque les observateurs comparaient des photos de pumas, il y avait « un accord parfait pour les appariements d'événements dans lesquels un puma présentait des dommages aux pavillons et l'autre non » — un morceau d'oreille manquant est binaire et évident, si bien qu'il n'a jamais provoqué de désaccord. Voilà le modèle d'une bonne marque idiosyncrasique : sans ambiguïté, permanente, visible.

Et puis il y a l'avertissement qui devrait vous rendre prudent quant à l'approche entière. Une vaste étude de densité sur le puma a catégoriquement refusé d'identifier les animaux sans marques d'après leurs marques naturelles perçues, « en raison de l'incertitude inhérente qui pourrait biaiser les estimations de densité ». Leur raisonnement est le nœud de l'affaire : attribuer des identités au coup par coup à partir de « cicatrices, entailles aux oreilles, formes du corps ou allures » peut produire « des estimations de densité biaisées et peu fiables », parce que « plusieurs individus peuvent présenter des traits physiques similaires, amenant les observateurs à s'accorder sur de mauvaises attributions d'identité ou à diverger sur des attributions correctes ». Lisez-le deux fois. L'échec n'est pas seulement de rater une cicatrice — c'est deux animaux différents partageant une apparence similaire et se retrouvant fusionnés, ou un animal paraissant différent sur deux photos et se retrouvant scindé. Ce sont précisément les erreurs qui ont faussé les estimations sur la panthère des neiges.

Il y a ici un véritable entre-deux, et mieux vaut être honnête à son sujet plutôt que de choisir un camp. Une tache crème à la gorge ou à la poitrine peut être une véritable empreinte digitale quand elle est assez complexe. Les martres en sont le cas d'école : chacune a une « bavette au motif unique » — une tache pectorale jaune crème — qui « agit comme une empreinte digitale, permettant de distinguer les individus », avec des formes de contour distinctes et des marques internes plus foncées. Voilà une marque naturelle légitime, plus proche d'un motif de pelage que d'une cicatrice. Mais même les praticiens qui l'emploient signalent le piège saisonnier : la bavette d'une martre « peut paraître sensiblement différente entre l'épais pelage d'hiver et la fourrure plus lisse de l'été ». La leçon qui se généralise : un motif structurel (une bavette, un champ de taches) est bien plus sûr pour identifier qu'un trait accidentel (une cicatrice qui guérit, une entaille que vous imaginez peut-être).

Un motif structurel (une bavette, un champ de taches) est bien plus sûr pour identifier qu'un trait accidentel (une cicatrice qui guérit, une entaille que vous imaginez peut-être).

Le problème des espèces sans marques

Mettez tout cela ensemble et vous arrivez à l'obstacle central et peu médiatisé du domaine. La plupart des animaux ne peuvent tout simplement pas être distingués de façon fiable à l'œil nu. Dans une étude portant sur 176 espèces de carnivores, plus de 60 % avaient une coloration de flanc uniforme — pas de taches, pas de rayures, rien à faire correspondre. Les cervidés sont pires, non meilleurs : « la plupart des espèces de cervidés se caractérisent par une forte proportion d'individus quelconques », et il est courant que « trop peu de cervidés naturellement marqués et identifiables soient détectés » pour que la capture-recapture fonctionne le moins du monde.

Les chiffres derrière cela donnent à réfléchir. Dans cette étude sur 13 populations de cervidés, la part des détections qui pouvaient être rattachées à un individu identifiable allait de seulement 3 % à 28 % — ce qui signifie que sur la plupart des sites, la « grande majorité des détections ne pouvaient pas être attribuées de façon fiable à un individu identifiable ». Les taux d'identification par piège photographique à travers les espèces racontent la même histoire : une revue a chiffré la fourchette atteignable à environ 2 % à 54 % d'identifiés, de 2 % des images brutes chez l'ours noir d'Asie jusqu'à 54 % chez les léopards. Si seule une fraction de vos animaux peut être nommée, la capture-recapture classique se casse discrètement — il n'y a pas assez de recaptures pour estimer quoi que ce soit de stable.

Le domaine a donc bâti des contournements, et savoir lequel convient à votre situation constitue l'essentiel du savoir-faire méthodologique. Voici la carte pratique :

• Marquage-réobservation spatial (SMR). Le remède le plus courant. Vous marquez physiquement un sous-ensemble d'animaux — colliers GPS, marques auriculaires — de sorte qu'un nombre connu soit individuellement identifiable, puis vous utilisez ensemble les photos d'animaux marqués et non marqués. L'étude sur les cervidés ci-dessus a utilisé le SMR pour obtenir des densités sur des populations où seulement 3 à 28 % des détections étaient identifiables. Une étude sur le lynx roux a construit une version « hybride » qui intègre les historiques complets et connus des félins équipés de colliers et a resserré ses intervalles de confiance à « ne dépassant pas 57 % », mieux que les modèles fondés uniquement sur les photos. Le prix, c'est un vrai travail de terrain : il faut capturer et équiper de colliers quelques animaux.
• Identité partielle. Au lieu d'exiger une identification complète, vous utilisez une information partielle pour inclure ou exclure des combinaisons. Une étude sur le puma a modélisé le sexe des animaux sans marques comme une « covariable catégorielle partiellement identifiante », ce qui a affiné son estimation — une détection de mâle ne peut tout simplement pas être le même individu qu'une détection de femelle, et cette seule contrainte apporte de la précision.
• Éclaircissement aléatoire. Un modèle plus récent qui abandonne entièrement la distinction rigide « marqué contre non marqué ». Il traite l'identité comme « un processus d'éclaircissement aléatoire, où les échantillons perdent leur identité individuelle au hasard » — certaines photos sont identifiables, d'autres non, et le modèle utilise les deux classes ensemble sans vous forcer à pré-trier les animaux en camps. Appliqué à des ours bruns avec environ 60 % de succès d'identification, il a réduit la variance de l'estimation de densité de 11,8 % par rapport aux méthodes standard, simplement en récupérant les détections non identifiées au lieu de les mettre au rebut.
• Double observateur / caméras appariées. Pour des populations entièrement sans marques, deux caméras surveillant le même petit point « depuis des directions différentes » peuvent estimer combien d'animaux chacune a manqués, corrigeant la détection imparfaite — mais seulement si les deux caméras détectent « de façon quasi indépendante ». Cette étude a constaté que les caméras peuvent manquer des animaux de 4 à 36 %, ce qui se traduit directement par une sous-estimation de la densité du même ordre si on l'ignore.
• Sauter complètement l'identification individuelle. Le modèle de rencontres aléatoires (REM) estime la densité « sans besoin de reconnaissance individuelle » en traitant les rencontres animal-caméra comme des molécules de gaz qui entrent en collision — il lui faut la vitesse de déplacement des animaux et la géométrie de détection de la caméra, pas leur identité. Son successeur généralisé (gREM) étend cela au « suivi de populations animales non marquées à de larges échelles spatiales, temporelles et taxonomiques ». Si votre espèce ne peut pas du tout être distinguée, c'est souvent la voie honnête.

Ce qui frappe, vu à quel point ces méthodes comptent, c'est à quel point elles sont peu utilisées. Cette revue SECR a trouvé que les modèles de marquage-réobservation apparaissaient dans « moins de 5 % des études incluses » — l'essentiel du domaine travaille encore soit uniquement sur la poignée d'espèces tachetées et identifiables, soit en rapportant des indices d'abondance relative plus grossiers. Si vous choisissez une méthode pour une espèce sans marques, vous êtes déjà en avance sur la majeure partie de la littérature publiée rien qu'en vous tournant vers le bon outil.

L'animal de gauche et l'animal de droite

Voici le piège qui attrape presque tout le monde la première fois, et c'est de la pure géométrie. Beaucoup d'animaux sont bilatéralement asymétriques — les marques de leur flanc gauche sont complètement différentes de celles de leur flanc droit. Les « marques du côté gauche » d'un ocelot « sont différentes de celles du côté droit », et surtout, « tous les individus ne passent pas devant la caméra en montrant tous leurs côtés ». Ainsi, si votre caméra photographie le flanc gauche d'un ocelot et qu'une autre caméra photographie un flanc droit d'aspect différent, vous n'avez aucun moyen de savoir s'il s'agit de deux animaux ou d'un seul animal vu des deux côtés.

Ce n'est pas un désagrément mineur ; cela coupe votre jeu de données en deux. L'étude sur le lynx roux a explicité la conséquence : comme ils utilisaient une seule caméra par station, ils « n'ont pas pu apparier les photos du côté gauche avec celles du côté droit », si bien que les données ont dû être « scindées en historiques de rencontres du côté gauche et du côté droit » et analysées séparément. Vous exécutez en somme toute l'analyse deux fois, sur deux ensembles d'animaux sans recoupement. Dans cette étude, les données du côté droit impliquaient 44 lynx roux et celles du côté gauche 36 — même si, pour être juste, elles n'étaient pas statistiquement distinguables compte tenu du chevauchement des intervalles de confiance. L'équipe travaillant sur le chat forestier a heurté le même mur : pour fusionner les deux côtés d'un animal en un seul enregistrement, « un individu doit être photographié bilatéralement au moins une fois », et ils « n'ont tout simplement pas pu identifier les deux flancs de tous les individus détectés ». Leur décompte final capturait précisément le désordre — 13 individus appariés sur les deux flancs, plus 5 flancs droits isolés et 3 flancs gauches isolés qu'ils n'ont pu rattacher à personne.

Le remède pratique est mécanique et non négociable pour les espèces asymétriques : déployez des caméras appariées se faisant face de part et d'autre du passage, de sorte que presque chaque animal qui passe soit photographié sur les deux flancs à la fois, vous donnant le lien bilatéral. L'étude indienne sur le tigre a fait exactement cela avec 35 stations appariées et faisait correspondre « les flancs droit et gauche » comme une évidence. Si vous utilisez des caméras uniques sur un animal rayé ou tacheté, vous avez intégré le problème des flancs à votre conception avant même d'avoir collecté une seule image.

Si vous utilisez des caméras uniques sur un animal rayé ou tacheté, vous avez intégré le problème des flancs à votre conception avant même d'avoir collecté une seule image.

Les observateurs sont l'instrument — et l'instrument dérive

Prenez du recul et remarquez ce dont chaque section ci-dessus dépend discrètement : un humain qui regarde deux photos et décide qu'il s'agit du même animal. Cet humain est votre instrument de mesure, et comme tout instrument, il a un taux d'erreur, il varie d'un individu à l'autre, et on peut le calibrer. Traiter l'identification comme évidente — « ça se voit, voyons » — voilà exactement comment les erreurs se glissent.

Nous avons déjà rencontré le chiffre phare : 12,5 % des occasions de capture mal classées, biaisant les estimations de population à la hausse d'environ un tiers. La raison pour laquelle un taux d'erreur de 12,5 % devient une surestimation de 35 % vaut la peine d'être intériorisée, car c'est le mode d'échec que vous cherchez à éviter. Cette étude a exposé une taxonomie de trois erreurs. Une erreur de combinaison fusionne deux individus en un seul. Une erreur de scission fait l'inverse — elle scinde les photos d'un individu en deux et « crée un individu "fantôme" », gonflant le décompte. Une erreur de déplacement déplace une capture de l'historique d'un animal vers un autre. Ces erreurs ne se compensent pas. Les erreurs de scission qui font surgir des fantômes tendent à dominer, ce qui explique pourquoi une identification bâclée surestime plutôt que de s'équilibrer.

Quelle est vraiment la qualité des observateurs ? Les expériences les plus honnêtes échangent l'identification individuelle contre la tâche étroitement apparentée consistant à distinguer des espèces qui se ressemblent — même compétence, mêmes modes d'échec, mais avec une bonne réponse vérifiable. Les résultats ne sont pas flatteurs. Des observateurs utilisant des guides de terrain courants pour séparer deux espèces de tamias semblables n'ont atteint que 78,2 % d'exactitude, et des observateurs non formés sur un jeu de données plus difficile ont obtenu 51,3 % — à peine mieux qu'un tirage à pile ou face. Le verdict de l'étude : « même les experts n'identifient pas toujours correctement les espèces à partir de photos lorsque des espèces morphologiquement similaires coexistent ». Les pumas montrent le même écart : des évaluateurs indépendants notant les mêmes photos de faces n'ont atteint qu'un accord « modéré à bon » (un kappa de Fleiss de 0,54, où 1,0 est parfait), qui n'est monté à un « substantiel » 0,76 qu'après que l'équipe a réconcilié les cas où un seul évaluateur était le récalcitrant isolé.

La moitié encourageante de tout cela, c'est que les observateurs peuvent être formés, et cela fonctionne de façon spectaculaire. Donnez aux observateurs de tamias une clé d'identification spécialement conçue et leur exactitude a bondi de 78,2 % à 93 % ; ajoutez une formation par-dessus et elle a atteint 98,8 %, les observateurs les plus sûrs d'eux touchant 100 %. L'accord inter-observateurs s'est élevé au même rythme, d'un kappa faible de 0,47 pour les observateurs s'appuyant sur la littérature à 0,95 après formation avec la clé. Les enseignements sont concrets et vous devriez les intégrer à tout protocole :

• Rédigez une clé d'identification explicite pour votre espèce et votre population — les caractéristiques nommées qui doivent concorder, comme le système en 15 points du léopard ou la règle des « trois caractéristiques du pelage » du lynx roux — plutôt que de vous fier à l'impression d'ensemble.
• Utilisez plus d'un observateur et mesurez leur accord (rapportez le kappa), puis réconciliez les désaccords explicitement au lieu de laisser l'appréciation d'une seule personne prévaloir.
• Formez avant de noter, et re-notez ; les gains d'une clé associée à une formation sont plus grands que la plupart des gens ne l'imaginent.

Rapportez les photos que vous n'avez pas pu identifier

C'est la partie que les débutants sautent et que les relecteurs devraient exiger, et elle découle directement de tout ce qui précède. Votre jeu de données d'identification individuelle est défini autant par ce que vous avez écarté que par ce que vous avez gardé — et c'est dans ce tas de rebuts que loge le biais.

Les études honnêtes y sont scrupuleuses. L'équipe travaillant sur les tamias a capturé 15 847 photographies et n'a confirmé les identifications que pour 7 300 d'entre elles — environ 54 % des images ont été exclues pour faible confiance ou désaccord des observateurs. L'étude sur les cervidés a rapporté son ratio de détections identifiables (ces 3 à 28 %) comme un résultat phare, non comme une note de bas de page. Une revue a souligné que dans le travail par piège photographique « le taux d'identification est rarement rapporté » tout court — ce qui est précisément la faille qui permet à une étude de présenter en douce un chiffre assuré reposant sur une tranche mince et triée sur le volet de ses données. Si vous ne rapportez jamais que les animaux que vous avez réussi à nommer, votre lecteur n'a aucun moyen de juger si c'était 90 % des captures ou 9 %.

Et la précision n'est pas la même chose que l'exactitude, c'est le piège qui se referme sur ceux qui ont tout fait correctement par ailleurs. Cette revue SECR a trouvé que l'étude médiane rapportait un coefficient de variation (une mesure de précision) de 30 %, et que seulement un cinquième environ des études atteignait un CV serré de 20 % ou mieux. Pourquoi s'en soucier ? Parce que des estimations imprécises ne peuvent pas détecter le changement : avec un CV typique de 31 %, un programme de suivi n'a que 32,7 % de chances de détecter un déclin réel de 50 % d'une population de tigres sur dix ans — montant à 68 % si vous parvenez à abaisser le CV à 20 %. Vous pouvez exécuter un protocole d'identification irréprochable et produire tout de même un chiffre trop bruité pour accomplir la tâche de conservation à laquelle il était destiné. Rapporter honnêtement votre taux d'identification, votre fraction non identifiée et votre CV, voilà ce qui permet à quiconque de faire la différence.

Vous pouvez exécuter un protocole d'identification irréprochable et produire tout de même un chiffre trop bruité pour accomplir la tâche de conservation à laquelle il était destiné.

Où la vision par ordinateur aide vraiment

L'espoir évident est que le logiciel fasse disparaître tout cela — que vous téléversiez vos photos et qu'un algorithme vous rende les individus, sans observateurs fatigués, sans dérive. La réalité est plus intéressante et plus limitée : l'IA est vraiment douée pour suggérer des correspondances et exécrable pour qu'on lui fasse aveuglément confiance, et la distinction compte.

D'abord, dissipons une confusion courante. Les fameux résultats d'apprentissage profond sur les pièges photographiques portent sur les espèces, pas sur les individus. Le projet Snapshot Serengeti a entraîné un réseau sur 3,2 millions d'images de 48 espèces et a atteint 94,9 % d'exactitude top-1 pour nommer l'espèce, automatisant 99,3 % de l'étiquetage à la même exactitude que des bénévoles en externalisation participative et économisant plus de 17 000 heures d'effort humain. C'est transformateur pour évacuer les images vides et trier « ceci est une hyène » de « ceci est une gazelle » — mais cela ne vous dit pas quelle hyène. La ré-identification individuelle est une étape distincte et plus difficile qui s'exécute après la détection et l'identification de l'espèce.

Pour cette étape de ré-identification, le cheval de bataille dans les milieux de la faune est HotSpotter, un algorithme de reconnaissance de motifs qui trouve la texture distinctive d'un pelage ou d'une carapace et renvoie une liste classée de correspondances probables tirées de votre bibliothèque — « un contre un » comparant image à image, ou « un contre plusieurs » face à toute la base de données, avec un score de similarité pour chacun. Il est gratuit et fonctionne sur des ordinateurs ordinaires. Son exactitude sur les animaux bien marqués est solide mais pas magique, et elle se dégrade exactement là où on s'y attendrait. Sur les tortues imbriquées, HotSpotter a placé la bonne correspondance en premier choix 80 % du temps, montant à 91 % parmi les six premiers choix. Sur les carnivores du Costa Rica, il a mis dans le mille pour les jaguars (85,7 %) et les ocelots (83,3 %) sur la correspondance la mieux notée, mais n'a obtenu que 57,1 % pour les oncilles — le félin plus petit et moins nettement tacheté — et l'exactitude était corrélée au nombre d'images dont disposait chaque animal. Le schéma est constant : des marques nettes et davantage de photos aident ; des motifs discrets et des données clairsemées nuisent.

Le cadrage le plus utile vient d'une étude qui a comparé directement l'identification manuelle à la chaîne HotSpotter. L'identification manuelle surestimait les populations de 7 % pour le guépard et de 22 % pour le léopard par rapport à l'analyse assistée par algorithme — le même biais à la hausse que nous ne cessons de rencontrer, le logiciel jouant l'arbitre le plus constant. Voilà la véritable proposition de valeur : non que l'IA soit infaillible, mais qu'elle ne se fatigue pas, ne s'ennuie pas et ne s'attache pas à une intuition, si bien qu'elle commet les erreurs constantes qu'une étape de réconciliation humaine peut rattraper, plutôt que les erreurs idiosyncrasiques qui gonflent un décompte en douce.

Vers où cela se dirige-t-il ? La direction actuelle, ce sont des modèles de ré-identification polyvalents entraînés sur de nombreuses espèces à la fois. Un modèle de 2024 a été entraîné sur 49 espèces et 37 000 individus et a battu les modèles spécifiques à une espèce de 12,5 % en moyenne pour l'exactitude top-1, avec une version déjà « en usage en production pour plus de 60 espèces ». Les chercheurs présentent la promesse à long terme comme un logiciel capable de « ré-identifier des animaux individuels au-delà des capacités d'un observateur humain », appariant les animaux à mesure qu'ils « sortent du champ de la caméra et y reviennent ».

Deux mises en garde gardent l'engouement les pieds sur terre, et un chercheur rigoureux devrait tenir les deux. Les revues du paysage logiciel comparent ces outils selon le coût, la plateforme et la méthode d'appariement mais ne publient aucun chiffre d'exactitude propre — votre exactitude réelle est donc celle que suggèrent les études de terrain citées ci-dessus pour un animal comme le vôtre, non l'affirmation d'un fournisseur. Et l'exactitude de référence peut être gonflée par une fuite subtile : si des images visuellement similaires du même animal atterrissent à la fois dans les jeux d'entraînement et de test, un modèle peut paraître meilleur qu'il ne l'est. Les tout derniers jeux de référence de ré-identification utilisent délibérément une « répartition tenant compte du temps et de la similarité » pour empêcher exactement ce genre de « fuite de données entre entraînement et test », ce qui signifie que les chiffres d'exactitude honnêtes sont souvent plus bas que ceux, tapageurs, que vous verrez cités. La ré-identification par IA est un assistant puissant. Ce n'est pas encore, et ce ne sera peut-être jamais, une raison de sauter l'étape de vérification humaine.

Le déroulement honnête, dans l'ordre

En rassemblant tout cela, voici comment se déroule réellement un projet d'identification individuelle rigoureux, et pourquoi chaque étape est là :

1. Décidez si votre espèce est même identifiable. Tachetée ou rayée (tigre, léopard, ocelot, girafe, chat forestier) — oui, avec de la discipline. Au pelage uniforme (la plupart des cervidés, le puma et 60 % des carnivores) — probablement pas d'après le pelage, et vous devriez prévoir le marquage-réobservation, l'éclaircissement aléatoire ou le REM dès le départ, non comme un sauvetage plus tard.
2. Construisez la géométrie de vos caméras autour du problème des flancs. Appariez les caméras de part et d'autre du passage pour tout animal asymétrique afin de saisir les deux côtés à la fois.
3. Rédigez une clé d'identification explicite — les caractéristiques nommées et multiples qui doivent concorder — et exigez de la redondance avant de déclarer une correspondance.
4. Utilisez plusieurs observateurs formés, mesurez leur accord et réconciliez les désaccords plutôt que de vous fier à un seul œil.
5. Laissez la vision par ordinateur suggérer, et laissez un humain décider. HotSpotter pour classer les candidats ; une personne pour confirmer.
6. Rapportez ce que vous n'avez pas pu identifier — votre taux d'identification, votre fraction non identifiée, votre CV — aussi visiblement que ce que vous avez pu.

Rien de tout cela ne rend l'identification individuelle sans effort. Cela la rend défendable — ce qui, étant donné qu'un écart de 12,5 % peut devenir un surcomptage de 35 %, est toute la tâche.

Rien de tout cela ne rend l'identification individuelle sans effort. Cela la rend défendable — ce qui, étant donné qu'un écart de 12,5 % peut devenir un surcomptage de 35 %, est toute la tâche.

Questions fréquentes