Une équipe de biologistes marins et d'ingénieurs de l'Université Dalhousie a entraîné un modèle d'intelligence artificielle pour décrypter le comportement nocturne de la baleine franche de l'Atlantique Nord, une espèce en danger critique d'extinction.
La recherche, publiée le 16 septembre 2026 dans la revue scientifique PLOS ONE, a combiné des capteurs inertiels tridimensionnels et des caméras sous-marines fixés sur le dos des cétacés avec des algorithmes d'apprentissage automatique. Cette méthodologie a permis de révéler pour la première fois des modèles d'alimentation près de la surface en heures nocturnes, un comportement qui restait caché aux méthodes traditionnelles de conservation en milieu océanique et aux outils de science environnementale.
L'étude, dirigée par l'écologue et chercheur Jay Kirkham, s'est concentrée sur des spécimens de Eubalaena glacialis habitant le golfe du Saint-Laurent, au Canada, pendant la saison estivale. Avec seulement 350 individus survivants sur la planète, l'espèce fait face à un risque constant d'extinction en raison des collisions avec des navires marchands et des enchevêtrements dans les engins de pêche.
Le manque de visibilité dans l'obscurité empêchait de connaître avec précision les schémas de plongée nocturne de ces géants marins, un vide d'information que les scientifiques ont résolu grâce à l'intégration de l'apprentissage automatique (machine learning).
Les dispositifs à ventouses ont enregistré des données inertiels et vidéo sous l'eau
Pendant les campagnes de terrain déployées entre 2023 et 2024, le groupe académique a fixé des étiquettes de suivi inertiels (CATS) sur le dos de 23 baleines franches. Chaque dispositif, fixé par des ventouses non invasives, intégrait des accéléromètres, des gyroscope, des magnétomètres, des enregistreurs de profondeur, des microphones sous-marins, des capteurs de lumière et une micro-caméra haute résolution orientée vers la bouche de l'animal.
Le défi principal résidait dans l'interprétation de la grande masse de données cinématiques collectées par les unités inertiels. En filtrant le zooplancton, la baleine ouvre sa vaste cavité buccale, ce qui génère une résistance hydrodynamique marquée sous l'eau. « La baleine freine sa vitesse de nage et doit augmenter la fréquence de la nage pour vaincre la friction causée par le maintien de la bouche ouverte », a expliqué Kirkham dans le mémoire technique de l'étude.
L'équipe scientifique a utilisé l'enregistrement vidéo direct pour confirmer manuellement les moments exacts d'ingestion et a utilisé ces informations validées comme matière première d'entraînement pour les algorithmes.
Un algorithme de classification a atteint 95 pour cent de précision diagnostique
Avec les images confirmées par l'audit visuel, les chercheurs ont entraîné divers classificateurs d'apprentissage automatique afin de reconnaître la signature cinématique du filtrage sans avoir besoin de passer des heures à examiner les enregistrements à l'œil nu. Parmi les schémas évalués, une machine à vecteurs de support (SVM) a obtenu les meilleurs résultats, atteignant un taux de correspondance de 95 % avec les identifications manuelles réalisées par les biologistes.
Le modèle automatisé a traité les données inertielles complètes et a déterminé que les baleines franches consacrent en moyenne 11,4 heures par jour à l'alimentation, une fourchette qui varie entre 11 % et 76 % du temps total de chaque individu.
L'outil a démontré une capacité inédite à différencier la nage de transit de l'activité de filtrage actif, même lorsque la caméra ne disposait pas d'une lumière ambiante suffisante pour enregistrer la vidéo. « Les baleines ne sont pas toujours les meilleures opératrices de caméras, mais nous avons pu analyser suffisamment de vidéo pour entraîner des algorithmes d'apprentissage automatique capables d'identifier les périodes d'alimentation », ont indiqué les auteurs dans la publication de PLOS ONE.
L'intelligence artificielle a détecté que les baleines remontent en surface la nuit
Le résultat le plus pertinent de la recherche est apparu lors de l'application de l'algorithme aux enregistrements de profondeur nocturnes. En journée, le modèle a confirmé que les baleines cherchent leur nourriture dans les zones profondes, avec une profondeur moyenne de 47,7 mètres, descendant jusqu'au fond marin.
L'enregistrement vidéo a d'ailleurs fourni les premières images de l'espèce se nourrissant directement sur le fond de la mer, certaines étiquettes revenant en surface tachées de limon.
Cependant, à la tombée de la nuit, l'algorithme a identifié un changement radical de comportement : les cétacés ont remonté vers les premiers mètres de la colonne d'eau. La concentration maximale de filtrage nocturne s'est produite dans la tranche des 14,2 mètres de profondeur, le plus souvent entre 21 h et minuit. Ce comportement répond à la migration verticale du zooplancton (principalement des copépodes de l'espèce Calanus finmarchicus), qui remonte vers la surface dans l'obscurité pour se nourrir de microalgues.
Ce motif nocturne restait sous-estimé par les méthodes traditionnelles d'analyse des plongées, qui classaient les manœuvres en surface pendant la nuit comme des périodes de repos ou de transit. Le modèle d'IA a révélé que 54,25 % de l'activité nocturne en eaux peu profondes correspond à un filtrage actif avec la bouche ouverte.
En restant près de la surface dans l'obscurité, les baleines sont exposées à un risque significativement plus élevé de subir des collisions mortelles avec des embarcations, dont les équipages peuvent ne pas les détecter à l'œil nu.
L'étude a également déterminé que 25 % du temps d'alimentation se produit en dehors des zones à vitesse réduite en vigueur au Canada.
Les chercheurs de l'Université Dalhousie ont souligné que l'utilisation de l'apprentissage automatique offre un outil standardisé pour mettre à jour les mesures de protection environnementale et ajuster les limites du trafic maritime en fonction du comportement réel des espèces protégées.