Un modèle d’exemple pour appliquer la sélection de variables et les techniques d’apprentissage automatique à l’estimation et la gestion des populations d’écrevisses

Pourquoi compter les écrevisses nécessite aujourd’hui des outils intelligents

Alors que l’appétit mondial pour les produits de la mer augmente, les gestionnaires sont sous pression pour maintenir la santé des stocks sauvages tout en assurant l’approvisionnement alimentaire. Les écrevisses sont une délicatesse nutritive et pauvre en graisses qui peut être élevée avec des besoins en eau relativement modestes, mais les maladies, la surpêche et la pollution rendent leurs effectifs plus difficiles à prévoir. Cette étude montre comment des techniques de données modernes, empruntées à l’intelligence artificielle, peuvent transformer de simples mesures corporelles d’écrevisses en indices puissants sur leur croissance, le rendement en chair et la taille des populations — aidant ainsi les pêcheries à rester à la fois rentables et durables.

Les écrevisses comme source alimentaire d’avenir

Les écrevisses sont riches en protéines et en minéraux essentiels tout en étant peu grasses et peu caloriques, ce qui en fait une option attrayante là où les protéines animales de qualité sont rares ou coûteuses. Elles tolèrent aussi une gamme de conditions environnementales et peuvent être cultivées en étangs, réservoirs, voire dans les rizières avec des intrants relativement faibles. Parallèlement, le changement climatique mondial et l’augmentation de la population humaine devraient faire grimper fortement la demande alimentaire dans les décennies à venir. Parce que les stocks d’écrevisses ont déjà montré des fluctuations dues aux épizooties, à la pêche intensive et à la pollution de l’eau, il est urgent de disposer de meilleurs outils pour suivre leur état et planifier les captures sans épuiser cette ressource précieuse.

Transformer les mesures de terrain en données utiles

Les chercheurs se sont concentrés sur une importante population d’écrevisses dans le réservoir Atikhisar en Turquie, où ils ont collecté des mesures détaillées de 6 470 écrevisses à pattes étroites. Pour chaque animal, ils ont relevé 20 caractéristiques, incluant la longueur totale, les largeurs et longueurs des principales parties du corps, ainsi que les poids de la tête, de l’abdomen et des pinces, ainsi que la chair comestible. Ces mesures ont été prises avec des calibres et des balances précis, puis nettoyées à l’aide d’une méthode simple de moyennage pour combler les valeurs manquantes. L’équipe a également appliqué des formules classiques longueur‑poids utilisées en pêcheries pour examiner la relation entre la longueur totale et le poids total et vérifier la façon dont les animaux croissent au fil du temps.

Identifier les caractéristiques corporelles les plus révélatrices

Toute mesure n’apporte pas une information utile, et des caractéristiques supplémentaires faiblement corrélées peuvent ralentir ou perturber les modèles informatiques. Pour trier le signal du bruit, les auteurs ont utilisé un outil statistique qui note la force avec laquelle chaque caractéristique évolue avec le poids total. Ils n’ont conservé que les mesures montrant au moins un lien modéré, telles que la longueur totale, la longueur et la largeur de la tête, la longueur et la largeur de l’abdomen, ainsi que les différents poids de parties et de chair. Cette étape a fortement réduit le nombre d’entrées à considérer par les modèles, tout en préservant presque toute l’information nécessaire pour décrire à quel point une écrevisse est susceptible d’être lourde.

Permettre aux algorithmes d’apprendre à partir des prises

Avec les caractéristiques les plus importantes en main, l’équipe a entraîné plusieurs méthodes de prédiction courantes relevant de l’apprentissage automatique. En utilisant 70 % des données pour apprendre aux modèles et 30 % pour les tester, ils ont comparé la capacité de chaque approche à estimer le poids total d’une écrevisse à partir de ses mesures corporelles. Pour les femelles, les mâles et la population combinée, trois méthodes — la régression linéaire multiple, la forêt aléatoire et, surtout, le gradient boosting — ont produit de manière constante des prédictions très précises, avec des erreurs faibles par rapport à la variation naturelle des données. Une autre méthode largement utilisée, la régression par vecteurs de support, est restée en retrait car elle peinait à capter les relations subtiles et courbes entre taille et poids chez ces animaux.

Ce que cela signifie pour les pêcheries futures

Pour les non‑spécialistes, le message principal est que de simples mesures corporelles d’écrevisses, lorsqu’elles sont associées à des outils d’apprentissage automatique bien choisis, peuvent fournir rapidement et de manière fiable une estimation de la quantité de chair exploitable contenue dans une population. L’étude a montré que les écrevisses du réservoir présentent une forme de croissance où le poids augmente légèrement plus vite que la longueur, et que les modèles de gradient boosting, alimentés par des caractéristiques soigneusement sélectionnées, peuvent prédire ce schéma avec une précision quasi parfaite. En pratique, cela signifie que les gestionnaires pourraient estimer la taille des stocks et concevoir des règles de capture sans peser chaque individu, économisant ainsi du temps et des coûts tout en réduisant le risque de surpêche. À mesure que des méthodes similaires seront appliquées à d’autres espèces, des modèles fondés sur les données comme ceux‑ci pourraient devenir une pierre angulaire de l’aquaculture durable et de la gestion des stocks sauvages.

Citation: Gültepe, Y., Gültepe, N. A sample model for applying feature selection and machine learning techniques to estimate and manage crayfish populations. Sci Rep 16, 14540 (2026). https://doi.org/10.1038/s41598-026-45535-9

Mots-clés: pêcheries durables, élevage d’écrevisses, apprentissage automatique, évaluation des stocks, sélection de caractéristiques