Annonce

Pour discriminer les stocks de poissons d'une espèce en fonction de son origine géographique, la forme des otolithes, pièces calcifiées de l'oreille interne des poissons, est utilisée depuis une cinquantaine d'années. Cette pièce est considérée comme une boîte noire qui renferme l'histoire de vie d’un poisson. Sa structure interne est principalement utilisée pour estimer l'âge des poissons tandis que sa structure externe permet d'identifier le type de poissons. Les structures de l'otolithe varient selon la génétique, l'environnement et l'ontogénie des poissons. Différentes informations sont accessibles pour mieux caractériser ces structures, elles peuvent être classées selon deux types : mesures directes et mesures indirectes/extraites. Parmi les mesures directes on peut citer les paramètres du poisson (longueur totale, poids, poids de l’estomac, poids des gonades, etc.), l'image 2D (issues des coupes scannées des otolithes, permettant de visualiser la formation des anneaux et ainsi déterminer l’âge du poisson), la génétique, et la géolocalisation (paramètres physiques du lieu de la zone de prélèvement). Parmi les mesures indirectes, on trouve : la forme externe et les paramètres extraits des images 2D (surface, périmètre, asymétrie, descripteurs elliptiques de Fourier (EFD) permettant d'extraire le contour) et des images 3D reconstruites (volume global, volume du sulcus, trou, descripteurs sphériques de Fourier SFD-3D, etc.).

L'ensemble de ces données ont été acquises et mises en forme (hors génétique) pour une espèce appelée Rouget Barbet. Des premiers travaux basés sur les données issues des descripteurs de Fourier 2D et 3D ont montré des apports différents de ces deux sources et des effets différenciés [1,2,3].

L’objectif de ce stage est donc de mettre en œuvre des algorithmes d'apprentissage automatique et de fusion d'informations (permettant de prendre en compte les mesures directes et indirectes) afin d’obtenir des estimations robustes dans l’identification des populations. Ces outils devront réduire et intégrer si possible les incertitudes liées aux mesures directes et indirectes.

Plusieurs problématiques émergent. Tout d'abord, du fait des méthodes de prélèvement (par exemple la taille des mailles d'un filet de pêche) les bases d'apprentissages disponibles sont déséquilibrées. Les méthodes classiques d'apprentissage automatique ne sont pas toujours adaptées aux classes déséquilibrées et peu représentées. Ainsi, il pourrait être nécessaire de mettre en œuvre des techniques de rééchantillonnage des données ou de prise en compte du biais de discrétisation de l'espace.

De plus, les algorithmes d'apprentissage automatique ainsi que le système de fusion devront être résistants/adaptables à la variabilité de forme de l'otolithe au sein d’une même classe. Cette variabilité est notamment présente sur une espèce comme celle du Rouget Barbet, mais elle est également liée aux conditions environnementales, ontogéniques et génétiques.

 

[1] Nicolas Andrialovanirina, Sébastien Couette, Rémi Laffont, Lauriane Poloni, Camille Lutet-Toti, Kelig Mahe, Émilie Poisson Caillault. Asymmetry of Sagittal Otolith Shape Based on Inner Ear Side Tested on Mediterranean Red Mullet (Mullus barbatus Linnaeus, 1758): Comparative Analysis of 2D and 3D Otolith Shape Data. Symmetry, 2023, 15 (5), pp.1067.

[2] Nicolas Andrialovanirina, Aurélie Mateos, Émilie Poisson Caillault, Sébastien Couette, Kirsteen MacKenzie, Rémi Laffont, Kélig Mahé, Compared analysis of 2D and 3D otolith shape for mainly commercial species (flatfish and roundfish) in the Eastern Channel and the North Sea, 7th International Otolith Symposium, Chile, Oct. 2023

[3] Nicolas Andrialovanirina, Émilie Poisson Caillault, Sébastien Couette, Rémi Laffont, Lauriane Poloni, Camille Lutet-Toti, Kélig Mahé. Stock identification of red mullet in the Mediterranean Sea: Comparative analysis of otolith shape from 2D and 3D images, 7th International Otolith Symposium, Chile, Oct. 2023.

 

Envoyer un CV et une lettre de motivation à :

 

Niveau Master 2 ou équivalent. Le candidat sera motivé par l’intelligence artificielle et par les problématiques d’ingénierie.

 

LGI2A, Faculté des Sciences Appliquées, Technoparc Futura, 62400 Béthune.

 

Le stage sera effectué sur une période de 6 mois avec un démarrage, idéalement, en février 2024. La rémunération sera celle imposée par la réglementation sur les stages au sein des laboratoires publics de recherche (actuellement : 4.05€/heure).