Thèse Développement de Modèles Interprétables et Frugaux pour le Suivi Acoustique d'Écosystèmes H/F - Doctorat.Gouv.Fr

Établissement : Le Mans Université École doctorale : École doctorale Mathématiques et Sciences et Technologies du numérique, de l'Information et de la Communication Laboratoire de recherche : LABORATOIRE D'INFORMATIQUE DE L'UNIVERSITE DU MANS (LIUM) Direction de la thèse : Marie TAHON ORCID 0000-0002-6782-0332 Date limite de candidature : 2026-05-15T00:00:00
L'étude des écosystèmes repose principalement sur le recensement des espèces présentes sur un territoire et le suivi de l'évolution de leurs populations. L'écoacoustique [Stowell and Sueur, 2020] propose une approche innovante en utilisant des microphones placés dans les milieux naturels pour enregistrer périodiquement l'environnement sonore. Cette acquisition de données, qui peut s'étendre d'une journée à plusieurs années, fournit une base riche pour l'analyse de la biodiversité et de l'évolution des écosystèmes.
Traditionnellement, les experts analysent ces enregistrements en identifiant les sons d'intérêt à partir de caractéristiques temporelles et fréquentielles. Plus récemment, l'essor des modèles neuronaux pour la classification des espèces a ouvert de nouvelles perspectives pour l'interprétation des paysages sonores [Michaud, 2025]. Cependant, ces approches présentent deux limites majeures : les méthodes classiques ne permettent pas une analyse fine du paysage sonore, tandis que les modèles neuronaux, bien que performants, restent centrés sur les espèces et sont difficilement interprétables. De plus, l'apprentissage de modèles complexes se heurte à la rareté des données annotées, limitant ainsi la possibilité d'exploitation des modèles. Dans ce contexte l'objectif de la thèse sera de développer des approches interprétables et frugales basées sur le traitement automatique du signal audio pour l'amélioration et le suivi des écosystèmes par l'acoustique.

Financement et localisation : Cette thèse s'inscrit dans le projet EcoSound-XI financé par l'ANR en collaboration avec le Laboratoire d'Informatique de l'Université du Mans (LIUM) et le laboratoire CESCO du Muséum d'Histoire Naturelle de Paris (MNHN). La thèse se déroulera au Mans dans les locaux du LIUM. Des réunions périodiques seront menées avec les équipes de CESCO.

Le ou la doctorant·e aura accès à un bureau dans les locaux du LIUM, ainsi qu'aux équipements nécessaires à son travail (ordinateur, écran). Le laboratoire s'engage à lui fournir les moyens nécessaires sur fonds propres (financiers et matériels) pour lui permettre de publier ses travaux dans les conférences et journaux majeurs du domaine.

Le LIUM dispose d'un serveur de calcul permettant l'apprentissage de modèles d'IA. Une équipe technique est disponible pour accompagner l'étudiant·e dans la prise en main de ce service. L'étudiant·e disposera également d'un accès aux infrastructures de calcul nationale (Jean Zay) et régionale (GLiCID) pour l'apprentissage et l'évaluation des modèles d'apprentissage automatique.

Objectifs : Dans un premier temps, il s'agira d'analyser et de simuler des données écoacoustiques pour l'apprentissage de modèles de segmentation et regroupement en individus. Ces approches à grain temporel fin pourront s'inspirer des travaux récents en segmentation et regroupement en locuteur (diarization) comme par exemple EEND-VC [Kinoshita et al., 2021]. Cela permettra de prédire de façon longitudinale des indicateurs de biodiversité tels que la richesse (le nombre d'espèces différentes) et l'abondance (le nombre d'individus) [Bradfer-Lawrence et al., 2023]. Dans un second, nous envisageons de conditionner les modèles à des mesures environnementales qui ont un impact important sur le chant des espèces (T°C, humidité, saison, heure de la journée). Par exemple, des techniques récentes développées pour le démêlage, pourront être étudiées [Wang et al., 2024 ; Almudevar et al., 2024]. Enfin, dans une logique de meilleure compréhension des modèles, ces derniers devront fournir des explications écoutables sous forme de prototypes (sonotypes) [Paissan et al., 2024 ; Mariotte et al., 2024].