Integrating Remote Sensing and Deep Learning Into Aerial Survey of Large African Mammals

Abstract

Sub-Saharan Africa is a hotbed of remarkable terrestrial biodiversity, home to a unique diversity of mammals. Unfortunately, this richness is threatened by the growing impact of human activities. While wildlife populations are declining, livestock numbers have been increasing for decades. With significant population growth predicted for the region this century, the pressures on biodiversity are likely to intensify. It is therefore imperative to closely monitor wild and domestic mammal populations. The conventional method of aerial counting using systematic sampling is still widely used to census these populations in open areas. However, the use of on-board photographic sensors on various remote sensing platforms offers the potential to improve and standardize traditional methods. However, processing the large quantities of data generated by these sensors remains a major challenge. In this context, the use of automatic approaches based on deep learning, a branch of artificial intelligence, appears to be a promising solution. The objective of this thesis is therefore to evaluate the effectiveness of the combined use of remote sensing and deep learning for the multi-species census of large African mammals. The research spans several protected areas and considers various mammal species, both wild and domestic.

Firstly, I assessed the potential of pre-existing convolutional neural network architectures to automate the detection and identification of wild species in ultra-high resolution (UHR) images (Chapter 2). Three architectures were tested on a dataset comprising six large mammal species. The best model, achieving a mean Average Precision (mAP) of 80%, was applied to an independent dataset from Garamba National Park, Democratic Republic of Congo. It showed superior detection performance to previous studies in similar habitats, opening up promising prospects. However, detection limits were observed for the smallest species (warthog, Phacochoerus africanus), and a drop in precision was observed in herd situations for African elephant (Loxodonta africana) and buffalo (Syncerus caffer), due to a high number of false positives.

Secondly, I developed a novel deep learning architecture named HerdNet in response to the limitations of pre-existing models (Chapter 3). HerdNet is a point-based object detector inspired by crowd-counting techniques. It has been tested on oblique images of domestic herds of camel (Camelus dromedarius), donkey (Equus asinus), sheep (Ovis aries) and goat (Capra hircus)from the Ennedi Natural and Cultural Reserve in Chad. HerdNet demonstrated better detection and counting accuracy than previous methods, on both oblique (+26% of F1 score) and nadir UHR images (+32%). In addition, it solves the problem of false positives in dense herd situations, with proximity-invariant precision. Although species identification could be improved, the practical benefits and potential use of HerdNet were discussed, promising a significant reduction in the human interpretation time associated with aerial surveys.

Thirdly, I evaluated the contribution of oblique UHR imagery and deep learning on systematic aerial sample surveys, in a semi-automatic detection context (Chapter 4). I first quantified the reduction in human workload associated with the manual interpretation of oblique images acquired by an on-board camera system on light aircraft. HerdNet was used to detect, count and identify 12 animal species in the Queen Elizabeth Protected Area, Uganda, resulting in a 74% reduction in the number of images to be interpreted by humans.

Alternate abstract:

L'Afrique subsaharienne est un foyer de biodiversité terrestre remarquable, abritant une diversité unique de mammifères. Malheureusement, cette richesse est menacée par l'impact grandissant des activités humaines. Alors que les populations d'espèces sauvages déclinent, le nombre de bétail augmente depuis des décennies. Avec la prévision d'une croissance démographique significative dans la région au cours du siècle, les pressions sur la biodiversité risquent de s'intensifier. Il est donc impératif de surveiller de près les populations de mammifères sauvages et domestiques. La méthode conventionnelle de comptage aérien par échantillonnage systématique reste largement utilisée pour inventorier ces populations en milieu ouvert. Cependant, l'utilisation de capteurs photographiques embarqués sur différentes plateformes de télédétection offre un potentiel d'amélioration et de standardisation des méthodes traditionnelles. Pourtant, le traitement de grandes quantités de données générées par ces capteurs reste un défi majeur. Dans ce contexte, l'utilisation d'approches automatiques basées sur l'apprentissage profond, une branche de l'intelligence artificielle, apparaît comme une solution prometteuse. L'objectif de cette thèse est donc d'évaluer l'efficacité de l'utilisation combinée de la télédétection et de l'apprentissage profond pour le recensement multi-espèces des grands mammifères africains. La recherche s’étend sur plusieurs aires protégées et en considère diverses espèces de mammifères, tant sauvages que domestiques.

Premièrement, j'ai évalué le potentiel des architectures préexistantes de réseaux de neurones convolutifs pour automatiser la détection et l'identification des espèces sauvages dans des images à ultra-haute résolution (UHR) (Chapitre 2). Trois architectures ont été testées sur un jeu de données comprenant six espèces de grands mammifères. Le meilleur modèle, présentant un mean Average Precision (mAP) de 80%, a été appliqué à un jeu de données indépendant provenant du Parc National de la Garamba, en République Démocratique du Congo. Il a montré des performances de détection supérieures à celles des études précédentes dans des habitats similaires, ouvrant ainsi des perspectives prometteuses. Cependant, des limites de détection ont été observées pour l’espèce de plus faible taille (le phacochère, Phacochoerus africanus), et une baisse de précision a été constatée en situation de troupeaux pour les éléphants (Loxodonta africana) et buffles d’Afrique (Syncerus caffer), en raison d'un nombre élevé de faux positifs.

Deuxièmement, j'ai développé une architecture d’apprentissage profond appelée HerdNet en réponse aux limitations des modèles préexistants (Chapitre 3). HerdNet est un détecteur d'objets basé sur des points, inspiré des techniques de comptage de foule. Il a été testé sur des images obliques de troupeaux domestiques de dromadaires (Camelus dromedarius), ânes (Equus asinus), moutons (Ovis aries) and chèvres (Capra hircus)au sein de la Réserve Naturelle et Culturelle de l’Ennedi au Tchad. HerdNet a démontré une meilleure précision de détection et de comptage par rapport aux méthodes antérieures, tant sur des images à UHR obliques (+26% de F1 score) que nadir (+32%). De plus, il résout le problème des faux positifs en situation de troupeau dense, avec une précision constante indépendamment de la proximité des individus. Bien que l'identification des espèces puisse être améliorée, les avantages pratiques et le potentiel d'utilisation de HerdNet ont été discutés, promettant une réduction significative du temps d'interprétation humaine associé aux inventaires aériens.