Thèse en Développement de modèles interprétables et frugaux pour le suivi acoustique d’écosystèmes

Niveau: Doctorat
Encadrement: Théo Mariotte (LIUM), Marie Tahon (LIUM, dir)
Équipe d’accueil: Laboratoire d’Informatique de l’Université du Mans (LIUM)
Lieu: Le Mans
Début de la thèse : Octobre 2026
Contact: Marie Tahon et Theo Mariotte (prénom.nom@univ-lemans.fr)
Candidature: déposer CV, lettre de motivation et relevé de notes Master avant le 10 mai 2026 sur la plateforme dédiée : https://amethis.doctorat.org/amethis-client/prd/consulter/offre/3325

 

 

Profil recherché

le ou la candidat.e devra avoir des compétences en apprentissage automatique (en particulier en deep learning) et en traitement du signal.

 

Résumé

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.

 

Objectifs de la thèse

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 temps, 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].