Enfin, nous supposons que tous les capteurs de détection possèdent les mêmes capacités. Les microphones possèdent des rayons de détection équivalents, les capteurs ont la même durée de vie et connaissent la région à laquelle ils sont affiliés ainsi que le capteur-passerelle de leur région.
L’architecture que nous proposons répond aux exigences fonctionnelles et techniques du projet. Elle permet d’étudier les oiseaux sans modifier ni leur habitat, ni leur vie quotidienne en les encombrant avec des dispositifs trop gênants comme le feraient des colliers GPS. Par ailleurs, bien positionné, un même capteur peut permettre d’obtenir des données sur plusieurs individus, ce qui n’est pas permis avec un système GPS qui n’est, lui, associé qu’à un seul individu.
En ce qui concerne la limitation des échanges sur le réseau, nous avons pu observer que l’infrastructure logique de communication, organisée en deux couches, permet d’agréger, de filtrer et de traiter dans un premier temps les informations au niveau des capteurs-passerelle, avant un envoi vers la base centrale. Ce premier traitement permet de limiter les échanges sur le réseau, en n’autorisant pas une communication directe entre les capteurs de détection et la station de base. Ce système permet également de se prémunir de l’envoi d’informations redondantes à la base.
6.2. Stratégie de collecte 147
En ce qui concerne la consommation énergétique, deux facteurs concourent au maintien d’un cycle de fonctionnement optimal. Tout d’abord, les capteurs sont équipés de panneau solaire et d’une batterie rechargeable afin d’être en mesure de fonctionner sur de très longues périodes. De plus, la limitation des échanges sur le réseau réduit un peu plus la quantité d’énergie nécessaire pour acheminer les informations à la base centrale.
Enfin, le nombre de capteurs installés croît avec la surface de la zone d’étude à couvrir. La solution permet de maîtriser la quantité de dispositifs de façon à couvrir plus densément les zones très fréquentées, si cette information est connue. Cependant, une difficulté qui se pose avec cette architecture concerne le placement des capteurs, c’est-à-dire la façon de positionner les capteurs les uns par rapport aux autres. En effet, bien qu’une seule région soit affectée à un capteur, en fonction de la technique de placement choisie, on peut être confronté à deux types de phénomènes : soit des zones ne sont pas couvertes, soit le rayon de détection d’un capteur recouvre plusieurs régions. Les trois types de positionnement les plus utilisés sont :
Le positionnement uniforme. Cette configuration consiste à disposer uniformément les capteurs de façon à ce qu’ils couvrent toute la zone. Cette configuration maximise les chances de détection, et dans notre contexte peut être utilisée pour diminuer le phénomène de chevauchement des rayons de détection sur plusieurs régions.
Le positionnement dense. Ce type de placement consiste à placer un maximum de cap-teurs pour couvrir une large surface. Cette configuration pose naturellement des pro-blèmes de coût et d’interférences entre les signaux.
Le positionnement aléatoire. Cette méthode consiste à disposer les capteurs de façon aléatoire sur la zone.
Dans l’étude menée à la Section6.4, nous étudions l’effet de différentes configurations de placement sur les résultats.
6.2.3 Identification des individus
Un des avantages du système de collecte que nous proposons est de pouvoir configurer les capteurs de manière à disposer de différentes solutions d’identification des individus. En effet, en fonction des périphériques connectés aux capteurs, plusieurs méthodes de recon-naissance peuvent être envisagées, basées par exemple sur la capture d’images, de sons, de vidéos ou une combinaison de plusieurs sources. Quelle que soit la méthode de reconnais-sance considérée, la construction du réseau social est basée sur le principe qu’un individu, et la région sur laquelle il est présent peuvent être identifiés de manière unique. Cette première approche, se restreint aux situations dans lesquelles l’élément sonore, le chant, est le principal témoin de la présence et de l’activité d’un individu.
La méthode de reconnaissance que nous avons expérimentée est basée sur l’hypothèse que les individus d’une même espèce peuvent être identifiés en analysant leur chant. En effet, bien qu’une même espèce d’oiseaux possède un chant caractéristique, plu-sieurs travaux ont montré que chaque individu a des particularités propres dans son chant [Beletsky 1982, Phillmore 2002]. Le chant est d’ailleurs un signe de reconnaissance entre les individus eux-mêmes. Cette caractéristique a été mise en évidence par Laurent Dabouineau [Dabouineau 2004] qui a analysé les chants de plusieurs individus de Troglo-dyte et a montré que chaque individu possède des caractéristiques spécifiques dans son chant qui permettent de l’identifier. Des études similaires menées sur des Chouettes Hu-lottes [Galeottia 1991] ont également permis de vérifier cette propriété.
Les connaissances expertes des géographes et des ornithologues nous autorisent à penser que la même caractéristique existe chez les Moqueurs Gorge Blanche.
La méthode de reconnaissance que nous proposons s’effectue en deux étapes : (1) la première étape vise à déterminer si le chant enregistré correspond à celui de l’espèce étudiée et (2) la seconde étape a pour objectif d’identifier l’individu concerné.
Ces deux tâches sont effectuées en utilisant les techniques de paramétrisation, qui produisent une empreinte caractéristique à partir du signal sonore. Cette empreinte est ensuite utilisée pour identifier à la fois l’espèce et l’individu. Cette solution suppose vraie l’hypothèse d’un degré élevé de variations inter-individus et d’un faible niveau de variations pour un individu donné, dans les empreintes associées aux chants. En effet, malgré les très légères variations qui peuvent survenir sur le chant d’un même individu (selon le matériel, l’environnement, le contexte, etc.), les empreintes tirées de ses différents chants devraient être très proches, permettant ainsi de le reconnaitre.
Plus précisément, la paramétrisation est une technique qui permet de transformer un signal sonore en une représentation caractéristique, c’est-à-dire un ensemble de coefficients décrivant le signal à intervalle de temps régulier. Cette représentation permet de réduire l’in-formation en quantité et en redondance. On parle d’empreinte caractéristique, ou de traits caractéristiques. Ces représentations sont classiquement utilisées chez les humains, en recon-naissance de la parole et pour identifier le locuteur [Mariani 2002,Levy 2006,Bredin 2006]. Il existe différentes techniques de paramétrisation telles que la méthode basée sur les MFCC (Mel-frequency cepstral coefficients) ou celle basée sur LPC (Linear predictive co-ding). Dans ce travail, nous utilisons la paramétrisation basée sur les MFCC, classiquement utilisés en traitement de la parole pour identifier à la fois les mots mais également le locu-teur [Bredin 2006]. L’étude menée par Christophe Levy [Levy 2006] en comparant plusieurs techniques de paramétrisation pour la reconnaissance de locuteurs a également montré que la paramétrisation basée sur les MFCC présente de bons résultats sur des systèmes à ca-pacités restreintes tels que les téléphones portables ou les capteurs. Dans cette approche, les MFCC sont utilisés car l’analyse est limitée au chant de l’oiseaux et les capacités des dispositifs sont restreintes.
Comme l’illustre la Figure 6.6, le processus d’identification peut être décrit en trois étapes selon le niveau :
(1) Le capteur de détection. Les capteurs de détection sont capables d’enregistrer les sons dans leur environnement et de déterminer s’il s’agit d’un chant de Moqueur Gorge Blanche. Plus précisément, quand un capteur enregistre un son, le signal est paramétrisé afin d’obtenir une empreinte représentative du signal. Cette empreinte est ensuite analysée par le capteur pour déterminer s’il s’agit d’un chant de l’espèce recherchée ou pas. Pour optimiser le traitement localement, nous avons opté pour une solution simple, qui consiste à comparer une empreinte donnée à une empreinte moyenne caractéristique stockée localement sur chaque capteur de détection. Cette empreinte moyenne est générée avant déploiement, à partir d’un grand nombre d’em-preintes de différents individus connus de l’espèce. Ainsi, en fonction d’un seuil nous considérons que si l’empreinte diffère trop de l’empreinte moyenne, le son enregistré ne correspond pas à celui d’un chant de l’espèce ; sinon, nous admettons qu’il s’agit d’un chant émis par un individu de l’espèce et l’empreinte est transmise au capteur-passerelle.
Ce premier traitement effectué localement permet d’éviter d’envoyer au capteur-passerelle des empreintes générées par des sons parasites, produits par exemple par des marcheurs, le vent, la pluie ou même d’autres espèces animales.
(2) Le capteur-passerelle. À chaque instant, les passerelles reçoivent les empreintes pro-venant des capteurs de détection de leur région. À ce niveau, les empreintes reçues ne correspondent qu’à des individus supposés de l’espèce. Cependant, comme plusieurs
6.2. Stratégie de collecte 149
1
2
3
Chant des oiseaux
Créer l empreinte et l envoyer au capteur-passerelle Rechercher les empreintes distinctes et les envoyer à la station de base Rechercher les individus associés aux empreintes et maintenir le réseau Réseau social Capteur de détection Capteur-passerelle Base centrale