Récifs coralliens : comment une caméra qui corrige les vagues et l’IA mesurent leur état

Vu du ciel, un récif peu profond n’est qu’à quelques mètres de l’objectif, mais la surface de la mer, toujours en mouvement, le déforme comme une vitre ondulée. À Guam, des chercheurs de l’University of Miami ont pourtant cartographié plus de 5 km² de récif à l’échelle du centimètre, en juin 2022 puis en juin 2024, de part et d’autre du typhon Mawar : la surface classée en coraux massifs y recule de 59 % et celle des algues double, ce dernier chiffre étant le moins sûr de l’étude. L’étude, parue le 23 avril 2026 dans Frontiers in Marine Science, et un second outil publié le 15 juillet 2026 sous le nom de PICOGRAM décrivent deux maillons d’une même filière : une image exploitable, une IA qui en classe chaque pixel, des humains qui l’entraînent ou la corrigent.

Le typhon Mawar a frappé Guam le soir du 24 mai 2023, en catégorie 4. Au-delà du bilan des dégâts, les deux publications posent une question de mesure. Comment passe-t-on d’une photographie prise au-dessus ou sous la surface à un chiffre d’état du récif ? Que fait réellement l’intelligence artificielle dans ce trajet, et avec quelle marge d’erreur ? La réponse tient en une suite de maillons, de la physique de la vague au clic d’un opérateur. Chacun peut céder, et le chiffre final ne vaut pas mieux que le plus faible.

Un récif se mesure d’abord en surface couverte

L’état d’un récif ne tient pas dans une note de « santé ». Il se décompose en surfaces : combien de mètres carrés de fond sont occupés par du corail vivant, combien par des algues, combien par du sable ou des débris. Un récif qui se dégrade voit la première part reculer et les autres progresser. Le suivi consiste donc à mesurer ces surfaces, au bon endroit, à la bonne échelle, et de façon répétable d’une année sur l’autre.

Le premier outil disponible est satellitaire. La NOAA, l’agence américaine chargée de l’océan et de l’atmosphère, suit le stress thermique des récifs du monde entier avec un indicateur en degrés-semaines de chauffe, qui cumule dans le temps l’excès de chaleur de l’eau, sur des mailles de 5 km de côté. Elle le complète par des observations de blanchissement faites sur place. C’est ce dispositif qui a établi que 84 % de la surface récifale mondiale a subi un stress thermique de blanchissement entre début 2023 et mi-2025, avec un blanchissement de masse documenté dans au moins 83 pays et territoires, contre 21 % lors de l’épisode de 1998, 37 % en 2010 et 68 % en 2014-2017, selon le bilan de la NOAA sur le quatrième épisode mondial de blanchissement, repris par le réseau mondial de surveillance GCRMN en juin 2026. Une maille de 5 km mesure pourtant la chaleur de l’eau, pas la mort des coraux. Celle-ci se constate par l’image ou par le plongeur.

Le deuxième outil est la cartographie satellitaire des habitats. L’Allen Coral Atlas couvre les récifs de la planète en pixels de 5 m de côté. Les auteurs de l’étude de Guam lui attribuent des précisions comprises entre 20 % et 67 % selon le site et la méthode d’évaluation retenue. Le troisième outil est le plongeur, avec ses transects et ses photoquadrats, des carrés de fond photographiés à intervalles fixes : le programme national de suivi des récifs de la NOAA visite à lui seul 400 à 600 sites chaque année. La précision y est maximale. La couverture, minimale.

Entre la maille satellitaire et le carré du plongeur, il manquait une mesure fine sur de grandes surfaces. C’est la place que vise l’étude de Guam ; PICOGRAM, lui, accélère l’exploitation des photos prises sous l’eau. La même logique, une image suivie d’un algorithme qui en tire une mesure, sert aussi à l’IA appliquée à l’imagerie satellitaire, mais à une échelle beaucoup plus grossière. Ici, l’objet mesuré est la colonie.

La houle, une loupe qui déforme le fond

Photographier un récif peu profond depuis les airs semble simple : l’eau est claire, le fond est à quelques mètres. L’obstacle est la surface. Une mer agitée se comporte comme une lentille en mouvement permanent. Sous une crête de vague, la surface bombée agit comme une loupe et le fond paraît grossi. Sous un creux, il paraît rapetissé. Et comme les vagues se déplacent, chaque point du fond change de taille et de position apparente d’une image à l’autre.

Cette déformation met en échec la méthode classique de cartographie d’un récif par drone, la photogrammétrie dite structure-from-motion. Son principe : prendre des centaines de photos qui se recouvrent largement, repérer dans chacune les mêmes détails du fond, et déduire de leurs positions relatives la forme et l’emplacement de chaque point. Tout repose sur une hypothèse. Un même rocher doit occuper la même place réelle sur chaque cliché. Si la surface de l’eau le déplace en apparence d’une photo à l’autre, les correspondances deviennent fausses et la reconstruction se brouille.

Quand l’hypothèse tient, la méthode fonctionne très bien. Une étude publiée en novembre 2016 dans la revue Coral Reefs a ainsi cartographié 8 380 m² de récif avec un drone grand public, à partir de 306 images se recouvrant à 90 % au moins, pour une mosaïque finale de 0,78 cm par pixel. Mais ses auteurs posaient trois conditions : une eau calme, un vent faible et des reflets solaires minimes. La limite n’est donc pas la finesse de la caméra. C’est l’état de la mer.

Attendre une mer d’huile restreint les fenêtres de mesure et rend difficile la répétition d’une campagne à date fixe. La technique employée à Guam prend le problème dans l’autre sens.

Transformer la vague en gain de résolution

Le fluid lensing, littéralement « lentille fluide », ne traite pas la vague comme un bruit à subir. Il la modélise. L’appareil enchaîne de nombreuses prises rapides du même endroit. Le calcul suit, image après image, comment chaque point du fond est déplacé et déformé par la surface, puis retire cette déformation. Il ne se contente pas de l’annuler : aux instants où une crête passe au-dessus d’un détail et le grossit, le logiciel exploite ce grossissement pour gagner en résolution. La gêne devient une source de détail.

Le principe a été exposé par la NASA en juillet 2018, dans une présentation de la caméra FluidCam où Ved Chirayath, coauteur des deux études de 2026, décrivait l’effet de loupe des crêtes et de rétrécissement des creux. L’agence annonçait alors une résolution de 0,5 cm. À Tumon Bay, l’étude publiée le 23 avril 2026 dans Frontiers in Marine Science donne des valeurs plus prudentes : un pixel au sol de 1,4 cm en moyenne, et une résolution effective qui varie de 0,5 à 3 cm selon l’altitude de vol et l’état de la mer. Les deux grandeurs ne se confondent pas : le pixel au sol est la surface de fond que représente un point de l’image, la résolution effective le plus petit détail que l’image sépare réellement. Les 0,5 cm annoncés par la NASA sont le bas de cette fourchette, son meilleur cas. Le haut est six fois plus grossier.

La profondeur lisible dépend de la transparence de l’eau. En eau claire, le fond reste exploitable jusqu’à 15 à 20 m environ à Tumon Bay. Au-delà, ou dans une eau turbide, la méthode ne s’applique plus, ce que les auteurs reconnaissent eux-mêmes. La caméra corrige la houle ; elle ne rend pas l’eau transparente.

Le dispositif d’acquisition n’est pas documenté de la même façon pour les deux dates. La campagne de 2022 a été menée par drone, du 21 mai au 20 juin 2022, par l’University of Guam, l’University of Miami et la NASA, sur Tumon Bay mais aussi sur Piti Bomb Holes, Achang Reef Flat, Sharks Cove et Ague Cove, selon la présentation qu’en faisait le Pacific Island Times le 8 juillet 2022. Elle prolongeait une première phase lancée en 2019 et était financée par la Coral Reef Initiative du Department of the Interior, le ministère américain de l’Intérieur. Pour la campagne de juin 2024, l’étude parle d’imagerie aéroportée sans préciser le type d’appareil, l’altitude ni le nombre d’images. Seule la prise de vue de 2022 est donc établie comme une campagne par drone ; pour les deux dates, il est seulement acquis que les images ont été prises depuis les airs.

Des joueurs bénévoles pour apprendre à la machine

Une image corrigée n’est encore qu’une photographie. Pour en tirer des surfaces, il faut dire, pour chaque pixel, ce qu’il représente. C’est la segmentation sémantique : l’algorithme attribue à chaque point de l’image une catégorie choisie dans une liste fixée à l’avance. À Tumon Bay, la liste compte sept classes : front récifal corallien, crête récifale (ou crête à algues calcaires), coraux branchus, coraux massifs, algues, sable et débris, et une catégorie « hors classe » qui regroupe l’eau profonde et la végétation.

Un réseau de neurones n’invente pas ces catégories. Il les apprend sur des exemples déjà étiquetés par des humains, puis applique ce qu’il a appris au reste des images. La qualité de la carte dépend donc d’abord de la qualité de ces exemples. À Guam, ils ont été produits d’une manière peu commune. NeMO-Net, un jeu d’annotation déjà présenté par la NASA en 2018, a reçu un niveau consacré à Tumon Bay. Des joueurs expérimentés et des bénévoles formés sur place y ont étiqueté environ 1 % de l’imagerie de la baie, soit plusieurs centaines de scènes, selon les sept classes.

Le chiffre qui compte est ce 1 %. Le réseau n’a disposé d’étiquettes humaines que pour une part infime de la baie ; il a étendu ce jugement au reste. L’IA ne « voit » donc pas le récif au sens où un biologiste le voit. Elle reproduit, à une échelle qu’aucune équipe ne pourrait couvrir pixel par pixel, un jugement humain appris sur un petit échantillon. Ses faiblesses suivent en partie celles de cet échantillon : une classe peu annotée, ou difficile à distinguer à l’œil sur une photo en couleurs, le sera aussi pour la machine.

Mesurée contre des données de référence, la carte atteint 88 % de pixels correctement classés sur l’ensemble des sept classes. Ce taux global ne vaut pas pour chaque classe prise isolément, et l’écart se lit plus loin, classe par classe. Un pourcentage global n’est pas une fiabilité uniforme.

Sept classes de fond, pixel par pixel

Le réseau employé est une version modifiée d’une architecture courante en segmentation d’images, le U-Net résiduel à attention (Attentive Residual U-Net). Il se compose de deux moitiés. L’encodeur extrait de l’image les motifs utiles : contours, textures, formes. Ici, c’est un EfficientNet-B3 déjà entraîné sur ImageNet, une vaste banque de photographies généralistes, ce qui lui apporte d’emblée la reconnaissance des formes et des textures. Le décodeur fait le chemin inverse : à partir de ces motifs, il reconstruit une carte à la taille de l’image, où chaque pixel reçoit sa classe. Des « portes d’attention » placées entre les deux pondèrent les zones de l’image et aident le réseau à ignorer le fond non pertinent.

Un réglage répond à une difficulté propre au récif : le déséquilibre entre classes. À Tumon Bay, le sable et les débris occupent une surface environ vingt fois supérieure à celle des coraux massifs. Un réseau entraîné sans précaution pourrait obtenir un bon score en répondant « sable » presque partout. La fonction de perte, qui chiffre l’erreur que l’apprentissage cherche à réduire, est donc pondérée par classe : se tromper sur une classe rare coûte plus cher que se tromper sur le sable. L’entraînement a porté sur 1 276 tuiles de 512 × 512 pixels, découpées dans 101 images annotées.

Le point le plus instructif tient à la relation entre l’image et le modèle. Les auteurs relèvent qu’avec des données d’entrée propres, débarrassées des distorsions de la houle, un modèle relativement simple suffit à bien faire. Une imagerie de moindre qualité obligerait un modèle plus sophistiqué à consacrer une partie de sa capacité à débruiter avant même de classer. Le réseau a ainsi convergé en environ 27 époques, c’est-à-dire 27 passages complets sur les données d’entraînement. En production, il traite une mosaïque de 10 000 × 10 000 pixels en 2 à 3 minutes, et la baie entière en une douzaine d’heures, sur une seule carte graphique NVIDIA RTX 3090.

C’est une charge de calcul modeste au regard des grands modèles dont la consommation énergétique se compte à l’échelle des centres de données. Dans cette chaîne, l’optique fait une large part du travail. L’IA n’est pas le seul moteur du progrès.

Tumon Bay entre juin 2022 et juin 2024 : le bilan chiffré

Tumon Bay est une réserve marine de Guam. Le typhon Mawar y est passé le soir du 24 mai 2023, en catégorie 4, l’œil traversant la pointe nord de l’île ou passant tout près, selon le compte rendu de l’Associated Press diffusé par PBS NewsHour le jour même. C’était la tempête la plus forte sur le territoire depuis des décennies, avec des vents soutenus de 140 mph (environ 225 km/h) et des rafales jusqu’à 170 mph (environ 274 km/h). Les auteurs de l’étude font état d’une surcote, c’est-à-dire d’une élévation du niveau de la mer poussée par la tempête, allant jusqu’à 2,4 m.

Les deux cartes encadrent l’événement : l’une date de juin 2022, l’autre de juin 2024. Elles couvrent environ 5,1 km² de récif. Le tableau ci-dessous donne, pour les six classes d’habitat, la surface mesurée à chaque date et le score de recouvrement de la classe, un indicateur de fiabilité détaillé plus bas qui vaut 1 quand la carte coïncide parfaitement avec la référence.

Les pourcentages se lisent à l’échelle des surfaces. En juin 2022, les coraux massifs ne couvraient que 0,050 km², soit 5 hectares, environ 1 % de la zone cartographiée. Leur recul de 59 % représente à peu près 2,9 hectares. Le front récifal corallien, qui ne perd « que » 35 %, perd en réalité davantage de surface : environ 5,4 hectares. Les algues, elles, gagnent une quinzaine d’hectares. Et le sable et les débris restent de loin la classe dominante, autour de 1 km², avec une variation de 3 %. Le plus fort pourcentage ne désigne pas la plus forte perte.

La carte apporte ce qu’aucun pourcentage ne donne : l’emplacement des pertes, à l’échelle du centimètre, sur toute la baie. C’est elle, plus que le chiffre agrégé, qui dit où les changements se concentrent. Ce que pèse une progression des algues pour un écosystème marin est une question en soi, développée dans les effets des algues sur la vie marine. À Tumon Bay, c’est pourtant le chiffre le plus fragile du tableau.

La part d’incertitude derrière les +105 % d’algues

Le taux global de 88 % et le score de recouvrement d’une classe ne mesurent pas la même chose. Le premier compte des pixels : chaque classe y pèse à proportion de sa surface, et les grandes classes faciles dominent le calcul. Le second juge chaque classe isolément. L’eau profonde, regroupée avec la végétation dans la catégorie « hors classe », obtient un score de 0,97 ; le sable et les débris, de loin la plus étendue des classes d’habitat, 0,68. La classe « algues » plafonne à 0,33. Ses erreurs vont dans les deux sens : jusqu’à 47 % d’erreur de commission, des pixels classés « algues » qui n’en sont pas, et jusqu’à 53 % d’erreur d’omission, des algues réelles que le modèle a manquées. La raison est visuelle. Les algues ont un aspect diffus, peu de pixels ont été annotés, et leur signature en imagerie couleur (rouge, vert, bleu) ressemble à celle du sable et des débris. Les auteurs jugent nécessaires des bandes spectrales sensibles à la chlorophylle pour les séparer.

S’ajoute un choix de méthode. La carte de 2024 a été produite en appliquant le modèle entraîné sur les images de 2022, sans le ré-entraîner sur des conditions d’après typhon. Les auteurs l’assument en ces termes : « Si cette approche introduit une incertitude supplémentaire, elle fournit un premier aperçu précieux des changements temporels de la composition du récif. » Le sens du changement est crédible. Son ampleur exacte, pour les algues, l’est beaucoup moins.

Typhon ou deux années de stress cumulés

Le protocole compare deux états, juin 2022 et juin 2024. Les auteurs attribuent les pertes à Mawar, ce que la chronologie rend plausible. Mais un dispositif avant/après ne sépare pas formellement l’effet du typhon d’autres pressions survenues pendant ces vingt-quatre mois. Or cette période recouvre le quatrième épisode mondial de blanchissement, qui a placé 84 % de la surface récifale de la planète sous stress thermique. Ce chiffre décrit un contexte mondial, pas un constat à Tumon Bay. Mesurer un changement n’est pas en démontrer la cause.

La validation sur le terrain borne aussi la lecture. Elle repose sur dix points, notés TB1 à TB10, tous situés sur la crête récifale, entre environ 1,83 et 5,49 m de profondeur, documentés par photoquadrats et transects. La comparaison avec la carte est décrite par les auteurs comme visuelle et préliminaire. Elle ne permet pas de chiffrer l’erreur propre à la carte de 2024.

Sous l’eau, PICOGRAM détoure chaque colonie

Le second outil change d’échelle et de point de vue. Il ne survole pas le récif : il travaille sur les photos sous-marines fixes du National Coral Reef Monitoring Program de la NOAA, prises dans les archipels d’Hawaï et des Mariannes, aux Samoa américaines et dans les îles éloignées du Pacifique. Sa tâche tient en une phrase : tracer le contour de chaque colonie et séparer le corail du fond. Décrit dans un article de la rubrique « technologie et code » paru le 15 juillet 2026 dans Frontiers in Marine Science, il procède en quatre maillons.

Premier maillon, le découpage. L’image est fragmentée en superpixels, de petits groupes de pixels voisins dont la couleur et la texture se ressemblent. La méthode employée, dite SLIC, remplace ainsi une grille de pixels sans signification par des morceaux d’image cohérents.

Deuxième maillon, l’assemblage. Des règles propres au milieu sous-marin, comme la densité de contours, la compacité d’une forme ou sa distance au premier plan, regroupent ces fragments en masques candidats. Un lissage par graphe, complété par un champ aléatoire conditionnel dit de Potts, pousse les fragments voisins à recevoir la même étiquette. Un filtre de plausibilité écarte enfin les formes qui ne ressemblent pas à une colonie. Ces pseudo-masques sont produits automatiquement, hors ligne, en 15 minutes environ par image, et seulement lorsque l’outil est adapté à un nouveau jeu d’images.

Troisième maillon, l’apprentissage. Les pseudo-masques entraînent un modèle généraliste de segmentation de la famille SAM2, conçu pour détourer n’importe quel objet à partir d’une invite : un point ou une boîte désigne l’objet, le modèle en renvoie le contour. Son cœur, un réseau de type Vision Transformer, reste gelé. Seuls de petits adaptateurs, dits de faible rang, ajoutés sur ses deux derniers étages, sont entraînés pour l’ajuster au corail : ils superposent aux calculs existants une correction compacte, si bien qu’une faible part des paramètres suffit à spécialiser le modèle. Aucun masque dessiné à la main n’entre dans cet entraînement. C’est le gain principal : aucun expert n’a eu à tracer des contours au centimètre pour former l’outil.

Quatrième maillon, la correction. En usage, quand un masque est ambigu, un opérateur clique sur la zone ou trace une boîte. Ce geste sert de nouvelle invite au modèle, qui redessine le contour. L’humain ne disparaît pas de la chaîne. Il intervient là où la machine hésite.

Le projet est financé par la NASA, au titre de son programme Biodiversity & Ecological Forecasting (appel ROSES, subvention 80NSSC23K0430). Son objectif déclaré est d’adapter NeMO-Net et les instruments de l’équipe, dont la FluidCam, au programme récifal de la NOAA. Les deux études relèvent donc d’une même filière, de l’image aérienne à la photo de plongée.

87,5 % de recouvrement : comment se lit le score

Le score qui résume PICOGRAM est l’IoU, pour « intersection sur union ». On superpose le contour tracé par l’IA et celui tracé par un expert. On divise la surface qu’ils ont en commun par la surface couverte par l’un ou l’autre. Deux contours identiques donnent 100 %. Un contour deux fois trop large, qui engloberait correctement la colonie et autant de fond autour, donnerait 50 %. Le score pénalise donc à la fois ce qui est oublié et ce qui est ajouté.

Sur des sites déjà représentés dans les données d’entraînement, PICOGRAM atteint 87,5 %. Sur des sites qu’il n’a jamais vus, le score descend à 82,5 %. C’est ce second chiffre qui décrit l’usage réel sur un nouveau récif. L’IoU calculée sur les seuls bords des colonies atteint 82,1 %. Deux autres mesures se distinguent. La précision, 93,0 %, dit quelle part des pixels marqués « corail » en est vraiment. Le rappel, 91,7 %, dit quelle part du corail réel a été trouvée. Pour situer ces valeurs, les auteurs donnent les scores d’autres modèles : 84,9 % pour SAM2, 83,3 % pour SAM1, 82,4 % pour YOLOv11 et 69,3 % pour CoralScop. Entre les meilleurs, l’écart tient en quelques points.

Pour le gestionnaire, le chiffre utile est ailleurs : la couverture corallienne d’une image, c’est-à-dire la part de la photo occupée par du corail. Sur 137 images annotées par des experts, issues de deux sites absents de l’entraînement, l’écart moyen entre l’IA et les experts est de 1,2 point de pourcentage, avec un biais de −0,3 point, une légère tendance à sous-estimer, et une dispersion de ± 2,1 points d’une image à l’autre. La corrélation avec les experts atteint r = 0,98. Concrètement, si un expert lit 30 % de corail sur une image, l’IA s’en écarte en moyenne de 1,2 point, soit une lecture typique entre 28,8 % et 31,2 %, avec des écarts plus larges sur certaines images.

La conséquence est directe. Une variation de couverture de quelques points entre deux campagnes se situe près de cette marge. Elle demande à être confirmée sur de nombreuses images avant d’être lue comme un changement du récif. La correction, elle, coûte peu : quand un masque pose problème, il faut en moyenne 1,8 clic pour atteindre 90 % d’IoU.

Pour les gestionnaires de récifs, un suivi plus large et plus fréquent

L’automatisation change d’abord la surface couverte : une baie entière cartographiée au centimètre, là où des plongeurs suivent quelques transects. Elle change ensuite la répétabilité. Un même modèle appliqué à deux dates juge les images selon la même règle, alors que deux annotateurs humains ne tracent jamais exactement le même contour. Même règle ne veut pas dire même exactitude : si les images de la seconde date diffèrent de celles de l’entraînement, l’erreur peut changer, et c’est précisément la réserve des auteurs sur la carte de Tumon Bay de 2024. PICOGRAM vise aussi le flux d’images des 400 à 600 sites que la NOAA visite chaque année. Elle raccourcit enfin les délais : une douzaine d’heures de calcul pour une baie, ce qui rend envisageable une carte rapide après un cyclone ou un épisode de blanchissement.

Ce gain ne retire pas l’humain de la chaîne. À Tumon Bay, ce sont des joueurs et des bénévoles qui ont fourni les étiquettes, et des relevés de terrain qui ont servi de contrôle. Avec PICOGRAM, c’est un opérateur qui tranche les cas ambigus d’un clic. L’outil automatise la répétition du jugement, pas le jugement lui-même.

La chaîne a aussi ses conditions de rupture, précisées par les auteurs des deux études. L’imagerie aérienne exige une eau claire et peu profonde, jusqu’à 15 à 20 m environ : elle ne convient ni aux récifs turbides ni aux récifs profonds. En couleurs naturelles, les algues se confondent avec le sable. PICOGRAM se dégrade en eau très turbide et sous les reflets spéculaires, ces éclats de soleil renvoyés par la surface. Il distingue le corail du fond, sans identifier l’espèce ni la forme de croissance. Il traite des images fixes, pas de la vidéo. Il peut être biaisé si son entraînement sous-représente les substrats difficiles. Enfin, chaque outil n’a été évalué que sur peu de terrain : une seule baie d’environ 5 km², dont les auteurs jugent les résultats non extrapolables tels quels, avec un modèle entraîné sur une seule année ; 137 images issues de deux sites pour PICOGRAM.

Reste le statut opérationnel de PICOGRAM. Selon la communication de l’University of Miami Rosenstiel School, relayée par Phys.org le 3 octobre 2026, la NASA a classé l’outil au niveau 8 de son échelle de maturité applicative (ARL), qui mesure l’avancement d’un outil vers l’usage opérationnel, et la NOAA l’a depuis testé à l’échelle opérationnelle. L’article scientifique publié en juillet ne mentionne ni l’un ni l’autre ; il présente seulement un outil déployable. Ces deux éléments reposent donc, à ce jour, sur la seule communication de l’université.

De la carte à la prévision, l’étape qui reste à franchir

Le nom de PICOGRAM annonce davantage que ce que l’outil fait aujourd’hui. Le titre de l’article parle de prédiction de la croissance, du recrutement et de la mortalité des colonies, le recrutement désignant l’installation de nouvelles colonies. L’outil publié, lui, détoure des colonies. Détourer n’est pas prédire.

Le lien entre les deux passe par le temps. Des contours fiables d’une même colonie, photographiée d’année en année, permettraient de suivre sa surface, donc sa croissance ou son recul ; l’apparition d’un contour nouveau signalerait un recrutement, sa disparition une mortalité. C’est ce suivi longitudinal que les contours actuels rendent possible. La prévision démographique, elle, reste un objectif, que les auteurs formulent eux-mêmes : « De futures validations longitudinales étendront le cadre vers l’estimation directe de la croissance, du recrutement et de la mortalité des colonies. »

La question ouverte est donc celle des séries. Il faudra des images répétées des mêmes colonies, sur plusieurs campagnes, avec une erreur de mesure assez faible pour qu’un changement réel de surface ne se confonde pas avec l’incertitude du contour. Les marges publiées en 2026, environ 2 points de couverture d’une image à l’autre et 82 % de recouvrement sur les seuls bords des colonies, donnent le point de départ. Reste à savoir si elles suffiront à lire la vie d’une colonie.

FAQ — suivi des récifs coralliens par IA

Qu’est-ce que le fluid lensing ?

C’est une technique de prise de vue aérienne qui photographie le fond à travers une surface agitée. Au lieu de subir la déformation due aux vagues, le calcul la modélise sur de nombreuses images rapides, la retire, et exploite le grossissement produit par les crêtes pour gagner en détail. À Tumon Bay, le pixel au sol mesure 1,4 cm en moyenne, avec une résolution effective de 0,5 à 3 cm selon l’altitude et l’état de la mer.

Un drone peut-il voir le fond de la mer ?

Seulement en eau claire et peu profonde. À Tumon Bay, le fond reste lisible jusqu’à 15 à 20 m environ. Une eau turbide ou un récif profond sortent du champ de la méthode. La photogrammétrie classique par drone exige en outre une mer calme, un vent faible et peu de reflets.

L’IA remplace-t-elle les plongeurs dans le suivi des récifs ?

Non. Elle étend à de grandes surfaces un jugement appris sur des exemples humains : environ 1 % de l’imagerie de Tumon Bay a été étiqueté par des joueurs et des bénévoles. Des relevés de terrain ont servi de contrôle à la carte, et un opérateur corrige les contours ambigus de PICOGRAM d’un clic.

Quelle est la précision de ces outils ?

La carte de Tumon Bay classe correctement 88 % des pixels, mais ce taux global masque de forts écarts : la classe « algues » obtient un score de recouvrement de 0,33 seulement. PICOGRAM atteint 82,5 % de recouvrement sur des sites inconnus et estime la couverture corallienne d’une image à 1,2 point près en moyenne, avec une dispersion de ± 2,1 points.

Guam a-t-il perdu 59 % de ses coraux ?

Non. Le recul de 59 % concerne la seule classe « coraux massifs » dans environ 5 km² de Tumon Bay, entre juin 2022 et juin 2024. Elle couvrait environ 5 hectares au départ ; la perte représente près de 2,9 hectares. Les coraux branchus de la même baie varient de 4 %.

PICOGRAM prédit-il la mort des coraux ?

Pas encore. L’outil publié en juillet 2026 détoure les colonies sur des photos sous-marines. L’estimation de la croissance, du recrutement et de la mortalité est présentée par ses auteurs comme un travail futur, qui suppose des images répétées des mêmes colonies.

Ces outils fonctionnent-ils sur tous les récifs ?

Non. La cartographie aérienne exige une eau claire et ne lit pas le fond au-delà d’environ 20 m. PICOGRAM se dégrade en eau très turbide et sous les reflets du soleil, ne distingue pas les espèces et ne traite pas la vidéo. Chacun n’a été évalué que sur peu de sites : une baie pour la cartographie aérienne, 137 images de deux sites pour PICOGRAM.