Identification individuelle et estimation de la population du triton montagnard à taches jaunes (Neurergus derjugini) basée sur l’apprentissage profond

Pourquoi les petits tritons de montagne comptent

Haut dans les ruisseaux des montagnes Zagros en Iran vit un petit amphibien en danger : le triton montagnard à taches jaunes. Comme beaucoup de grenouilles et de salamandres dans le monde, ses effectifs sont menacés par la pollution, la perte d’habitat et le changement climatique. Pour protéger une espèce aussi fragile, les scientifiques doivent savoir combien d’individus existent et si leurs populations diminuent ou se rétablissent — toutefois, les techniques classiques d’étiquetage et de suivi peuvent nuire aux animaux qu’elles cherchent à sauver. Cette étude montre comment des photos ordinaires prises au smartphone, associées à l’intelligence artificielle moderne, peuvent reconnaître des tritons individuels d’après leurs motifs de taches uniques et estimer leur population de manière douce et sans manipulation.

Des marquages nuisibles aux photos non invasives

Les biologistes de la conservation ont longtemps recours à des méthodes telles que la coupe d’orteils, les micropuces implantées ou les anneaux colorés pour distinguer les animaux au fil du temps. Bien qu’efficaces, ces approches peuvent être douloureuses, stressantes et peu pratiques pour de petits amphibiens délicats déjà soumis à de nombreuses menaces. Les chercheurs à l’origine de cette étude ont voulu remplacer ces méthodes invasives par une simple technique photographique. Le triton montagnard à taches jaunes porte naturellement un manteau distinctif de taches jaunes brillantes sur une peau sombre, un peu comme une empreinte digitale ou une constellation dans le ciel nocturne. En photographiant soigneusement ces motifs sur le terrain, l’équipe visait à construire un système capable de reconnaître chaque animal à vue et de le suivre lors des recensements répétés.

Transformer les taches en données

Travaillant sur un ruisseau de montagne connu comme un site de reproduction, l’équipe a capturé 549 tritons adultes pendant la saison 2024. Chaque animal a été brièvement placé dans une petite boîte d’imagerie blanche, éclairée par une lumière naturelle douce, et photographié depuis le dessus avec un smartphone standard. Les tritons ont ensuite été relâchés exactement à l’endroit où ils avaient été trouvés. Au laboratoire, les scientifiques ont d’abord utilisé des étapes classiques de traitement d’image pour « apprendre » à l’ordinateur ce qui constituait une tache jaune et ce qui était l’arrière-plan. En convertissant les images couleur en une forme qui met en évidence la teinte et la luminosité, et en éliminant le bruit visuel, ils ont pu mesurer combien de taches chaque triton avait, la taille et la rondeur des taches, et la surface du corps qu’elles couvraient. Cette méthode géométrique à elle seule a correctement détecté les taches dans environ neuf cas sur dix, même lorsque les images étaient recadrées pour se concentrer uniquement sur la tête ou le tronc.

Comment l’intelligence artificielle apprend un visage

Pour aller au-delà du simple comptage de taches et véritablement reconnaître les individus, les chercheurs se sont tournés vers l’apprentissage profond, une forme d’intelligence artificielle inspirée de la façon dont le cerveau traite l’information visuelle. Ils ont entraîné trois réseaux de neurones convolutionnels différents — des modèles informatiques excellant en reconnaissance d’images — en utilisant les photos de tritons et leurs identités connues. Sans être indiqués sur les caractéristiques spécifiques à rechercher, ces réseaux ont appris à distinguer des différences subtiles dans l’agencement et la forme des taches jaunes. Les trois modèles ont obtenu des performances impressionnantes, identifiant correctement presque tous les tritons, le meilleur réseau atteignant plus de 99 % de précision. Le système fonctionnait particulièrement bien lorsqu’il analysait la tête et le tronc ensemble, ce qui suggère que la combinaison de plusieurs régions du corps donne à l’IA des « indices » plus fiables sur l’identité.

Compter une population cachée

La reconnaissance individuelle est puissante parce qu’elle permet d’utiliser un outil écologique classique appelé capture–recapture, où les animaux détectés lors d’une première visite sont « marqués » puis recherchés à nouveau plus tard. Au lieu de marques physiques, cette étude a utilisé des correspondances d’images issues du système d’apprentissage profond comme étiquettes virtuelles. Lors de deux relevés espacés de 13 jours, l’équipe a photographié 332 tritons la première fois et 217 la seconde, découvrant 65 individus présents dans les deux séries d’images. En injectant ces chiffres dans une formule standard, ils ont estimé une population locale d’environ 1 100 tritons montagnards à taches jaunes dans le ruisseau. Si ce chiffre comporte une certaine incertitude — de vrais animaux peuvent entrer et sortir de la zone d’étude — il offre un instantané non invasif du nombre d’individus présents et fournit une base de référence pour suivre les évolutions futures.

Ce que cela signifie pour la sauvegarde des espèces

Pour un non-spécialiste, le message principal est simple : en utilisant des photographies et l’IA plutôt que des scalpels et des marques, les scientifiques peuvent surveiller des animaux vulnérables avec beaucoup moins de risque de leur nuire. Dans ce cas, les taches jaunes uniques d’un triton de montagne deviennent un code-barres naturel que l’ordinateur peut lire avec une fiabilité remarquable. Cette approche rapide et peu coûteuse pourrait être déployée avec des smartphones et des ordinateurs portables sur des sites de terrain isolés, aidant les conservateurs à surveiller les amphibiens menacés à mesure que le climat se réchauffe et que les habitats changent. Au-delà de cette espèce, l’étude propose une feuille de route pour utiliser la reconnaissance d’images moderne afin de protéger une grande variété de créatures timides et fragiles dont la survie peut dépendre du fait d’être vues — mais jamais touchées — par les personnes qui tentent de les protéger.

Citation: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

Mots-clés: conservation des amphibiens, identification par photo, apprentissage profond, suivi des populations, espèces en danger