Estimer la densité de faune par pièges photographiques sans marquer les animaux

Une caméra qui se déclenche un millier de fois ne vous dit presque rien sur le nombre d'animaux qui vivent devant elle. Ce pourrait être un millier de cerfs différents passant une seule fois, ou un renard effronté qui a compris que l'objectif fait un jouet à mâcher des plus satisfaisants. Cette ambiguïté — de nombreux individus mobiles contre un seul résident affairé — est tout le problème. C'est pourquoi un « taux de capture » brut n'a jamais été une monnaie fiable, et pourquoi, pendant des décennies, l'estimation de densité par pièges photographiques a signifié tigres, léopards et pas grand-chose d'autre : il fallait des pelages reconnaissables individuellement pour appliquer la capture-recapture.

La plupart des espèces n'ont pas de rayures. Un renard roux est un renard roux. Alors une famille de méthodes a grandi pour faire quelque chose qui semble presque trop malin — estimer la densité absolue, des animaux au kilomètre carré, à partir d'animaux non marqués que l'on ne peut distinguer les uns des autres. Voici le guide de cette famille : le Random Encounter Model (modèle de rencontre aléatoire, REM) et ses descendants, ce que chacun exige réellement de vous, et les façons précises dont chacun vous mentira si vous n'y prenez pas garde. Aucun n'est magique, et — cela compte — aucun n'est la réponse universelle. L'état honnête du domaine est un ensemble de compromis, pas un vainqueur.

Si vous avez lu nos articles sur Plan d'étude par pièges photographiques : espacement, densité et durée ou sur, voici la couche analytique qui se trouve en dessous : vous avez placé les caméras, vous avez les détections, vous voulez maintenant un chiffre avec une unité au bout.

Pourquoi « il suffit de compter les photos » n'a jamais pu marcher

Deux choses cassent l'approche naïve. D'abord le problème d'identité individuelle déjà évoqué : les détections ne se traduisent pas proprement en animaux. Ensuite, plus subtilement, le déplacement des animaux brouille la surface d'échantillonnage. Une caméra échantillonne un morceau de terrain, mais quelle est la taille de ce morceau ? Elle dépend de la distance que parcourent typiquement les animaux que vous cherchez à compter, distance que vous ne connaissez généralement pas. Sans surface d'échantillonnage définie, une estimation d'abondance n'a pas de dénominateur — pas d'espace clair auquel elle se rapporte.

Le domaine se divise donc, en réalité, selon la façon dont chaque méthode traite ce problème d'espace. Certaines estiment l'abondance à une caméra sans aucune référence spatiale et vous laissent l'attribuer ensuite à une surface. Certaines intègrent la surface explicitement dans le modèle. Et certaines — celles sur lesquelles s'appuie ce guide — estiment la densité directement dans le champ de vision collectif des caméras et supposent que ce champ de vision représente le paysage plus large. Cette dernière hypothèse, « les caméras voient un échantillon représentatif », fait un travail énorme, et c'est exactement pourquoi la discipline de placement se révèle plus importante que n'importe quel choix de modélisation.

Voici un chiffre qui devrait recadrer votre façon de voir toute cette entreprise. Une revue de 927 études par pièges photographiques publiées entre 2014 et 2019 a constaté que seulement 5,5 % environ employaient une méthode d'estimation d'abondance, quelle qu'elle soit. L'écrasante majorité se rabattait sur des indices d'abondance relative, l'occupancy ou le comportement. Les méthodes ci-dessous ne sont pas la voie par défaut, celle des sentiers battus. Ce sont une frontière, et elles récompensent ceux qui comprennent leurs hypothèses plutôt que de les traiter comme une boîte noire.

Une caméra qui se déclenche un millier de fois ne vous dit presque rien sur le nombre d'animaux qui vivent devant elle.

Le Random Encounter Model : les animaux comme des particules de gaz

Le REM est le fondateur, et son idée centrale est empruntée, magnifiquement, à la physique du dix-neuvième siècle. Les physiciens modélisaient la fréquence des collisions entre molécules de gaz. Rowcliffe et ses collègues ont compris que des animaux entrant dans la zone de détection d'une caméra relèvent du même type de processus. Traitez les animaux comme des particules de gaz parfait se déplaçant au hasard dans l'espace, et le taux auquel ils déclenchent une caméra devient une fonction prévisible de leur nombre, de leur vitesse et de la taille de la zone de détection.

En pratique, cela signifie que le REM met le taux de capture à l'échelle de la densité à l'aide de quatre ingrédients : la taille de groupe moyenne et le domaine journalier (la distance qu'un animal parcourt en une journée) du côté de la biologie, et le rayon et l'angle de la zone de détection de la caméra du côté du matériel. Obtenez des estimations non biaisées de ces grandeurs, placez vos caméras sans biais, et les photos vous donnent la densité.

Le test de terrain initial est instructif précisément par l'endroit où il a échoué. Dans un parc animalier anglais clôturé aux effectifs connus, le REM a visé juste pour trois espèces sur quatre, à moins de 22 % du compte réel. La quatrième — un petit marsupial appelé mara — est ressortie 86 % trop basse. La raison n'était pas le modèle. C'est qu'environ 90 % des maras broutaient sur des pelouses ouvertes où les chercheurs avaient délibérément pas placé de caméras, afin de ne pas photographier les visiteurs. La leçon a résonné dans chaque article depuis : dès l'instant où vous laissez le placement des caméras corréler avec les endroits où sont les animaux, le REM s'effondre. Ne ciblez ni sentiers, ni indices, ni points d'eau, ni appâts pour gonfler votre taux de capture — cela viole le modèle d'observation et « ne peut pas fournir d'estimations de densité non biaisées ».

Le deuxième casse-tête récurrent est le domaine journalier. Savoir quelle distance vos animaux d'étude parcourent par jour, sans biais, est réellement difficile. Les raccourcis allométriques (estimer le domaine journalier à partir de la taille corporelle) « introduisent un biais important et devraient être utilisés avec prudence ». On peut l'obtenir par colliers GPS, mais une étude sur l'ours noir a rendu le mode de défaillance très concret : des localisations de collier relevées à longs intervalles sous-estiment la distance réellement parcourue par l'animal, ce qui à son tour surestime la densité — et le biais mord plus fort chez les espèces lentes. Dans cette même étude, le REM a abouti à une densité d'ours noir crédible, non significativement différente d'une référence de capture-recapture spatiale fondée sur l'ADN, mais seulement une fois la donnée de vitesse maniée avec soin. Le hic est presque philosophique : si vous avez besoin de coûteuses données de collier pour alimenter le REM, vous avez perdu l'avantage bon marché et non invasif qui rendait le REM attrayant au départ.

Appliquez le REM à une espèce qui ne se comporte pas comme une particule de gaz et vous en verrez la tension directement. Les lionnes du Serengeti passent leurs journées à somnoler sous des arbres isolés — et les arbres isolés sont exactement là où l'on placerait une caméra. Chaque modèle REM de cette étude a surestimé la densité de lions ; restreindre l'analyse aux photos nocturnes, quand les lions se déplacent réellement, a réduit le biais de façon substantielle. C'est l'art récurrent du REM : trouvez les moments et les lieux où vos animaux se déplacent au hasard par rapport aux caméras, et appuyez-vous sur eux.

Dès l'instant où vous laissez le placement des caméras corréler avec les endroits où sont les animaux, le Random Encounter Model s'effondre.

L'échantillonnage par distance pour caméras (CT-DS) : emprunter une boîte à outils vieille de 50 ans

L'échantillonnage par distance avec pièges photographiques fait un pari différent. L'échantillonnage par distance — mesurer comment la détection décroît avec l'éloignement d'un observateur — est l'un des cadres les plus mûrs et les mieux étayés de toute l'étude de la faune, fort de décennies de théorie, de logiciels et de recommandations de conception. Howe, Buckland et leurs collègues ont adapté l'échantillonnage par distance sur points de sorte qu'une caméra joue le rôle de l'observateur.

Le mécanisme est élégant. Au lieu de tenter d'estimer la vitesse des animaux, le CT-DS enregistre la distance radiale à chaque animal à des instants d'instantané prédéterminés, espacés de quelques secondes, et modélise comment la détection décline avec la distance. Comme les instantanés sont des heures fixes choisies indépendamment de l'endroit où se trouvent les animaux, le déplacement ne biaise pas la distribution des distances. Vous héritez de tout l'appareillage de l'échantillonnage par distance — le logiciel Distance, les conventions de sélection de modèle, tout — et vous n'avez jamais à estimer le domaine journalier.

Ce que le CT-DS exige en retour, c'est une détection certaine juste devant la caméra (distance zéro). De petits animaux se faufilant sous le champ de vision, des demi-corps impossibles à identifier ou un déclenchement paresseux violent tous cette exigence — et le remède est de tronquer à gauche, c'est-à-dire d'écarter les distances proches de la caméra où la détection n'est pas certaine. La méthode ne peut par ailleurs compter que les animaux disponibles à l'observation : une espèce qui passe la moitié de son temps sous terre ou dans la canopée se lira comme la moitié de sa densité réelle, à moins de corriger ce temps d'indisponibilité.

Le CT-DS brille à grande échelle et sur de nombreuses espèces à la fois. Dans une étude du parc national de la Salonga en République démocratique du Congo — 160 caméras réparties sur 17 000 kilomètres carrés — un seul déploiement CT-DS a produit des estimations de densité pour 14 espèces simultanément, d'une macroscélide de 200 grammes aux éléphants de forêt, y compris les toutes premières valeurs de densité pour le paon du Congo et le grand pangolin terrestre. Cette portée multi-espèces est quelque chose que REST et TIFC peinent à égaler.

Mais la Salonga a aussi mis à nu le mode de défaillance le plus vicieux du CT-DS : les animaux qui réagissent à la caméra. Les éléphants de forêt trouvaient les caméras fascinantes et s'attardaient devant elles, à renifler et à inspecter. Inclure ces observations réactives a gonflé la densité d'éléphants de jusqu'à deux ordres de grandeur. Les bonobos faisaient l'inverse — se tenant à distance, méfiants —, ce qui a gonflé leur densité d'environ 15 %. Les défenses recommandées consistent à déployer les caméras un mois à l'avance pour que les animaux s'habituent, ou à privilégier pour les pires fauteurs de trouble une méthode moins sensible à la réactivité.

Il existe aussi un piège plus discret du CT-DS qui vaut la peine d'être connu, car il est facile à manquer et ses conséquences sont importantes. Le CT-DS a été conçu pour la vidéo. Si vous l'appliquez à des images fixes, la caméra devient aveugle pendant son temps de récupération et pendant les périodes où un animal immobile ne parvient pas à la redéclencher. Si vous omettez de soustraire ces intervalles morts de votre effort d'étude, vous pouvez sous-estimer la densité de jusqu'à 96 % — parce que vous avez crédité la caméra d'un temps d'échantillonnage qu'elle a passé endormie. L'intervalle mort moyen, dans une étude européenne, allait de 8 à 15 secondes selon l'espèce, ce qui s'additionne vite.

REST : troquer la vitesse contre le temps de présence

Le modèle Random Encounter and Staying Time est le cousin japonais astucieux du REM. Il conserve la logique de rencontre du REM mais remplace le paramètre que tout le monde déteste — le domaine journalier — par un que vous pouvez lire directement sur les séquences : le temps de présence, la durée pendant laquelle un animal s'attarde dans une petite zone focale prédéfinie où vous êtes certain que la détection est assurée. Comme le temps de présence est inversement proportionnel à la vitesse, il porte la même information sans que vous ayez jamais à poser de collier sur quoi que ce soit.

Le REST possède une propriété qui mérite qu'on s'y arrête : en simulation, il est resté non biaisé même lorsque des animaux se déplaçaient à des vitesses différentes, et même lorsqu'ils se déplaçaient par paires. Cette robustesse est réelle et précieuse. Mais le REST vient avec un casier judiciaire notoirement explicite — les auteurs énumèrent ouvertement sept hypothèses. Deux d'entre elles causent l'essentiel des ennuis sur le terrain. D'abord, si les animaux ne sont pas actifs de façon synchronisée — certains dormant tandis que d'autres se nourrissent — le REST sous-estime la densité. Ensuite, un animal qui se couche et se repose à l'intérieur de la zone focale produit un temps de présence anormalement long qui tire la moyenne vers le haut et surestime la densité ; le remède est d'écarter ces valeurs aberrantes et de corriger votre effort par la fraction de la journée où les animaux sont réellement actifs.

La mise en œuvre pratique est plus pointilleuse que celle du REM. Vous définissez une aire focale — un triangle équilatéral fonctionne le mieux — d'environ 1,9 mètre de côté en général, centrée dans le champ de vision, et vous vérifiez que la détection à l'intérieur est vraiment certaine. Vous faites tourner la caméra sans délai entre les déclenchements (un délai gonfle votre calcul d'effort et biaise la densité vers le bas), avec des capteurs rapides et une batterie généreuse, idéalement en enregistrant de la vidéo de plus de 15 secondes. Vient ensuite le labeur : superposer une image de référence de la zone focale vide à chaque séquence d'animal pour mesurer exactement combien de temps il s'y est trouvé. Les auteurs du guide pratique sont d'une franchise rafraîchissante : cette mesure est « laborieuse et à ses balbutiements ».

Le gain, dans le seul essai en face à face qui a testé ensemble toutes les grandes méthodes, a été la meilleure précision et le plus faible effort humain des trois. Le hic est le revers de cette efficacité : parce que le REST n'utilise que les animaux qui traversent le petit triangle focal, il manque de données pour les espèces de faible densité — précisément les situations où l'on veut le plus un chiffre.

TIFC : la caméra comme quadrat

Le Time-in-Front-of-Camera pousse l'idée du temps de présence à son extrême logique et en fait sans doute la plus accessible aux praticiens de toutes. Oubliez de séparer les rencontres des temps de présence. Additionnez simplement le temps total passé dans le champ de vision par tout animal de votre espèce cible sur l'ensemble du déploiement, divisez par la surface échantillonnée et par le temps total de fonctionnement, et vous avez la densité.

La raison pour laquelle cela fonctionne est vraiment satisfaisante. Le temps cumulé dans le champ est invariant à la vitesse de déplacement des animaux et à la taille de leur domaine vital. Doublez la vitesse d'un animal et il passe deux fois moins de temps dans le cadre à chaque passage — mais il passe deux fois plus souvent. Doublez la taille du domaine vital et l'animal visite une caméra donnée deux fois moins souvent — mais il y a deux fois plus d'animaux dont les domaines chevauchent cette caméra. La comptabilité se compense, vous laissant une mesure qui ne nécessite aucun taux de déplacement, aucune taille de groupe et aucune donnée de domaine vital du tout. Pour cette raison, elle a été déployée à une échelle énorme : près de 3 000 caméras à travers l'Alberta sur six ans.

Les hypothèses du TIFC appartiennent à la même famille que les autres — placement représentatif, aucun changement de comportement induit par la caméra, détection fiable près de la caméra —, mais sa faiblesse distinctive est celle que partagent toutes les méthodes de temps de présence, et le TIFC la ressent vivement parce qu'il compte chaque seconde : les animaux qui s'attardent gonflent l'estimation. Une étude récente sur les ongulés a détaillé exactement comment cela se joue d'une espèce à l'autre, et c'est le récit édifiant le plus clair de la littérature. Comparé à des relevés aériens, le TIFC a visé juste pour l'élan (solitaire, ne traîne pas). Il est ressorti 19 % trop bas pour le bison, parce que les caméras sous-échantillonnaient les prairies ouvertes que le bison affectionne. Et il a affiché un stupéfiant 116 % trop haut pour le wapiti, parce que les caméras étaient posées sur des coulées (où les wapitis se concentrent) et que les wapitis n'arrêtaient pas de s'arrêter pour inspecter l'objectif — deux facteurs gonflant le temps de présence. Des facteurs de correction ont aidé, mais les auteurs préviennent que ces facteurs pourraient nécessiter un réétalonnage pour chaque paysage. La conclusion n'est pas « le TIFC est mauvais ». C'est que la même méthode peut être non biaisée, biaisée vers le bas et biaisée vers le haut pour trois espèces d'un même jeu de données, entièrement à cause du placement et du comportement.

La même méthode était non biaisée pour l'élan, biaisée vers le bas pour le bison et biaisée vers le haut pour le wapiti — dans un seul jeu de données, entièrement à cause de l'emplacement des caméras et du comportement des animaux.

Time-to-event et space-to-event : compter l'horloge et les intervalles

La branche la plus récente est née de biologistes raisonnant comme des analystes de survie. Si une caméra enregistre des événements en continu, alors le temps jusqu'à l'apparition du premier animal porte une information sur l'abondance. C'est le modèle time-to-event (TTE). Le problème est que le TTE, comme le REM, dépend d'une estimation indépendante du déplacement et est donc sensible à la vitesse de déplacement — en simulation, il tendait à sous-estimer, gravement pour les populations lentes.

Alors la même équipe a fait quelque chose d'ingenieux : elle a réduit chaque occasion d'échantillonnage à un seul instant. Si vous ne regardez qu'un moment figé, le déplacement des animaux pendant l'intervalle ne peut pas vous biaiser. C'est le modèle space-to-event (STE), et ses estimations sont entièrement insensibles au taux de déplacement. Le STE utilise des photos en time-lapse — des images prises selon un calendrier plutôt que par déclenchement au mouvement —, ce qui apporte un second avantage sous-estimé : il contourne tout le problème de la détection variable du capteur de mouvement, car une image programmée contient un animal ou n'en contient pas. Une simplification supplémentaire, l'échantillonnage instantané (IS), se contente de compter les animaux dans chaque image en time-lapse comme un échantillon de surface fixe.

Lors d'un test de terrain sur des wapitis en hivernage, le STE a livré la meilleure précision des nouvelles méthodes sans nécessiter aucune donnée de déplacement, atteignant un total proche de celui d'un relevé aérien. Ces méthodes règlent aussi discrètement des problèmes de charge de travail : le TTE permet à un opérateur d'arrêter de parcourir les images après la première détection, et le STE permet d'estimer l'abondance sans compter combien d'animaux figurent sur chaque photo — une vraie économie, puisque les comptages par photo sont lents et sujets à erreur. Le compromis est que le time-lapse convient aux espèces communes ; pour des animaux vraiment rares, les images programmées seront le plus souvent vides. Et toutes trois supposent que les animaux sont distribués à peu près au hasard (Poisson) autour de chaque caméra, ce qui met à mal les espèces très sociales ou territoriales.

Figez l'échantillon à un seul instant et la vitesse des animaux ne peut plus vous tromper — c'est cette astuce unique qui sépare le space-to-event de tout ce qui a besoin de savoir à quelle vitesse les animaux se déplacent.

Alors, laquelle devriez-vous utiliser ?

C'est ici que la littérature justifie sa valeur, car quelqu'un a enfin fait tourner les méthodes côte à côte au lieu de défendre l'une d'elles. Palencia et ses collègues ont soumis REM, REST et CT-DS aux mêmes six populations de cerf élaphe, de sanglier et de renard roux. Le résultat rassurant : dans cinq populations sur six, les trois méthodes n'ont produit aucune différence statistiquement significative de densité, et une précision similaire. Elles ne sont pas en désaccord flagrant.

Mais la nuance est dans les différences. Le REM tendait à lire plus haut que REST et CT-DS (qui sont, les auteurs le montrent, mathématiquement équivalents). Sur la précision et l'effort, le REST est arrivé en tête — plus faible coefficient de variation, moins de temps de traitement d'images — tandis que le CT-DS exigeait le plus d'analyse. Cela a produit la règle empirique la plus citable du domaine :

Traitez ce tableau comme un point de départ, non comme un verdict. Le conseil plus profond de la littérature de synthèse est de choisir en fonction de trois choses : l'histoire naturelle de votre espèce cible (s'attarde-t-elle ? se déplace-t-elle en hardes ? grimpe-t-elle aux arbres ?), un cadre d'échantillonnage soigneusement défini, et ce que la collecte de données vous est réellement possible. Une méthode théoriquement la meilleure mais que vous ne pouvez pas exécuter proprement perdra face à une plus simple que vous pouvez exécuter.

Et gardez en vue les études de validation, car elles tempèrent l'optimisme. Lorsque des chercheurs ont testé REM, CT-DS et TTE contre la vérité de la capture-recapture spatiale sur dix espèces néotropicales, les méthodes sans marquage se sont révélées exactes mais moins précises pour des espèces modérément communes comme l'ocelot — et ont échoué pour les jaguars, l'espèce rare, où elles ne pouvaient égaler la SECR. La conclusion sans détour : les modèles sans marquage sont prometteurs pour les animaux abondants à relativement rares, mais pour les vraiment rares, vous voulez encore des marques. La puissance statistique compte aussi : atteindre la précision nécessaire pour détecter un déclin réel de population exige souvent plus de 100 emplacements de caméra, et pour les espèces rares, même cela pourrait ne pas suffire.

Le contraste : la capture-recapture spatiale, quand vous pouvez distinguer les individus

Il vaut la peine d'être clair sur ce que ces méthodes sans marquage cherchent à contourner. Quand les animaux sont identifiables individuellement — motifs de pelage naturels, cicatrices ou marques posées — la capture-recapture spatiale (SECR) est la référence, et elle fait quelque chose que les méthodes sans marquage ne peuvent pas : elle estime la surface effectivement échantillonnée statistiquement, à partir du schéma des lieux où le même individu est redétecté. C'est exactement le problème de dénominateur que la famille sans marquage doit contourner par hypothèse.

La raison pour laquelle la SECR n'est pas la réponse pour la plupart des projets tient simplement au fait que la plupart des espèces manquent de marques exploitables. Une revue des études SECR par pièges photographiques a trouvé un fort biais en faveur des grands félins — les espèces à rayures et à taches —, parce que c'est là que l'identification individuelle est faisable, et pour beaucoup de ces espèces, la SECR fournit les seules estimations de densité de référence qui existent. Les deux mondes se rencontrent dans les études comparatives, et les comparaisons sont encourageantes : appliquez la SECR marquée et le CT-DS et le REM sans marquage à la même population de martre des pins et elles atterrissent toutes dans le même ordre de grandeur (estimations ponctuelles de 0,49 à 1,20 animal par km²), différant surtout par la précision et le coût. Le CT-DS s'est d'ailleurs révélé la méthode la plus précise dans ce concours précis. Les méthodes sans marquage ne sont pas un piètre substitut à la SECR — ce sont un outil légitime qui échange simplement un peu de précision contre le fait de n'avoir à reconnaître personne.

La machinerie sous chaque méthode

Remarquez ce qui n'a cessé de refaire surface dans chaque section ci-dessus : la zone de détection et le niveau d'activité. Ces deux pièces de plomberie alimentent presque toutes les méthodes, et les régler de travers corrompt en silence tout ce qui vient en aval.

La distance de détection effective — la distance à laquelle la caméra perçoit les animaux de façon fiable — n'est pas une propriété fixe de la caméra. Elle augmente fortement avec la masse corporelle (les animaux plus gros et plus chauds déclenchent le capteur de plus loin) et elle est plus courte en végétation dense. Dans un jeu de données de forêt tropicale, la distance de détection effective variait de près du triple selon les espèces, et était environ 70 % plus longue en saison sèche qu'en saison humide. Les conséquences pratiques sont tranchées. Vous ne pouvez pas réutiliser la distance de détection d'une espèce pour une autre — utiliser la zone de détection d'un chat domestique pour une martre des pins sous-estime la densité de la martre, car la martre est perçue à une portée différente. Et une apparente différence d'usage de l'habitat entre deux sites peut se révéler n'être rien d'autre qu'une différence de distance de détection causée par la végétation. Le remède est bon marché : planter des repères de distance dans le champ de vision (au moins cinq intervalles) et ajuster une fonction de détection selon le repère que chaque animal franchit. Déployez toujours les caméras avec ces repères pour pouvoir corriger les taux de capture par la suite.

Le niveau d'activité — la fraction de la journée où les animaux sont actifs — est l'autre correction commune, utilisée par REST, CT-DS et TIFC pour ramener les détections à la bonne base temporelle. Il repose sur une hypothèse qui mérite un œil sceptique : que tous les individus sont actifs au pic quotidien. Quand elle tient, la méthode fonctionne ; quand elle ne tient pas, vous surestimez l'activité et donc sous-estimez la densité. Et elle ne tient pas toujours — de grands prédateurs dont les cycles de chasse s'étalent sur des jours, ou de petits mammifères dans les journées très courtes du plein hiver aux hautes latitudes, peuvent la violer. C'est le fil unique qui relie les modes de défaillance : une étude multi-espèces l'a dit sans détour, REM, REST et CT-DS incluent tous explicitement une hypothèse d'activité, tandis que les méthodes time-to-event en portent une non déclarée — que les animaux sont toujours disponibles. Un contrôle par caméras appariées dans ce travail a trouvé que 9 % des animaux dans une zone de détection supposée certaine avaient été purement et simplement manqués, ce qui devrait tempérer la foi de chacun en la « détection parfaite à distance zéro ».

Régler de travers la zone de détection ou le niveau d'activité corrompt en silence chaque estimation de densité bâtie par-dessus.

Le faire pour de vrai : aspects pratiques de terrain et de logiciel

Si vous ne retenez rien d'autre des travaux de comparaison et de validation, retenez ces deux non-négociables, que chaque méthode partage :

1. Placez les caméras au hasard par rapport au déplacement des animaux. Utilisez un plan aléatoire ou systématique à origine aléatoire. Décaler une caméra de quelques mètres pour atteindre un arbre est acceptable ; choisir délibérément un sentier, un grattis, une souille ou un appât est fatal à une estimation non biaisée.
2. Utilisez des caméras performantes. Déclenchement rapide (bien en deçà d'une seconde), récupération fiable, et soit de la vidéo, soit des rafales d'images rapides. Des déclenchements lents ou capricieux sapent l'hypothèse de « détection certaine » au cœur du REM, du REST, du CT-DS et du TTE indifféremment.

Pour l'effort, l'arithmétique brute est décourageante mais utile. Le taux de rencontre entre caméras domine la variance, aussi davantage d'emplacements de caméra l'emporte sur des déploiements plus longs à moins d'emplacements. Objectifs CT-DS concrets tirés d'une grande étude effort-précision : un coefficient de variation autour de 20 % nécessite en gros 100 jours d'échantillonnage sur 50 emplacements, ou 100 à 150 emplacements pour une étude plus courte ; pousser vers un CV de 10 % peut exiger plus de 200 emplacements. Planifiez en conséquence, et soyez honnête avec vous-même avant de commencer sur le fait de savoir si votre espèce cible est assez commune pour atteindre une précision exploitable, tout court.

Côté logiciel, la bonne nouvelle est que l'outillage est ouvert et s'améliore. L'estimation de densité sous R est bien prise en charge — il existe un tutoriel maintenu couvrant REM, time-to-event et space-to-event, N-mixture et la capture-recapture spatiale sans marquage — et la correction d'activité vit dans le paquet `activity`, tandis que l'échantillonnage par distance a le logiciel Distance derrière lui. Ce même chapitre orienté R est d'une franchise rafraîchissante : estimer la densité à partir de données de caméras « n'est pas facile, souvent pas précis » et signifie généralement un vrai travail — une attitude saine à emporter avec soi.

La frontière, c'est l'automatisation, et elle arrive vite. Un flux de travail CT-DS semi-automatisé utilise désormais un modèle de profondeur par apprentissage profond couplé à un détecteur automatique d'animaux pour mesurer les distances d'observation directement à partir des photos, calibré avec seulement deux images de référence par caméra. Il a produit des estimations de densité statistiquement impossibles à distinguer d'une mesure manuelle laborieuse, tout en divisant le temps de traitement des données par plus de treize — réduisant des semaines d'annotation de distances à quelques jours. Les méthodes multi-espèces progressent aussi : une extension bayésienne du REM estime désormais la densité d'une communauté entière à la fois, y compris les espèces les plus rares, en n'utilisant que l'information tirée des images elles-mêmes.

En résumé

Il n'existe pas de méthode universelle, et quiconque vous dit le contraire cherche à vous vendre quelque chose. REM, CT-DS, REST, TIFC et la famille time-to-event sont tous légitimes, tous relus par les pairs, et tous capables de produire des estimations de densité qui tiennent face à des relevés indépendants — à condition que leurs hypothèses soient respectées. Choisissez selon le comportement de votre espèce et vos réalités de données, pas selon la méthode à la plus jolie démonstration. Respectez le placement aléatoire par-dessus tout. Mesurez votre zone de détection. Vérifiez l'hypothèse d'activité. Et dimensionnez votre étude pour la précision dont vous avez réellement besoin, en sachant que pour les espèces rares, la réponse pourrait encore être « on ne peut pas y arriver sans marques ». Employées avec cette lucidité, les caméras transforment un tas de photos non attribuables en l'un des outils de densité les plus puissants et les moins invasifs dont dispose la science de la faune.

Questions fréquentes