L’UMR 7204 « Centre d’Écologie et des Sciences de la Conservation »(CESCO) est une UMR (unité mixte de recherche) du Muséum national d’Histoire naturelle, du CNRS et de Sorbonne Université. Le CESCO développe des recherches pour la conservation de la biodiversité, en mobilisant des approches d’écologie et d’évolution ainsi que des interfaces avec les sciences humaines et sociales.
L’Agence Nationale des Parcs Nationaux (ANPN) est l’établissement public gabonais en charge de la gestion des 13 parcs nationaux du Gabon et autre aires protégées sous sa juridiction, qui couvrent environ 11,5 % du territoire national terrestre et 26 % des eaux marines du pays. L’ANPN agit également pour valoriser le patrimoine naturel et culturel tout en soutenant le développement durable à travers des politiques de conservation et de recherche scientifique.
Depuis 2021, le CESCO collabore avec l’ANPN pour l’étude de l’écologie des éléphants de forêt et participe au renforcement et à la formation du personnel de l’ANPN pour l’aider à mener à bien ses missions de suivi de la biodiversité.
Contexte scientifique
Les grands herbivores façonnent la structure et le fonctionnement des paysages et des environnements dans lesquels ils se trouvent, mais aujourd’hui, 60 % des herbivores de grande taille sont menacés d’extinction. La majorité de ces espèces font face à une réduction de leur aire de répartition, principalement en raison de la perte d’habitat et de leur surexploitation. La disparition de ces ingénieurs des écosystèmes a des répercussions à grande échelle sur le paysage, entraînant des conséquences telles qu’un changement dans la structure et la composition des communautés végétales.
La capacité des forêts tropicales exploitées à maintenir diverses fonctions écologiques et socio-économiques à long terme est incertaine. L’éléphant de forêt d’Afrique (Loxodonta cyclotis) est une espèce centrale pour le bon fonctionnement des forêts du Bassin du Congo. Sa disparition pourrait entraîner de graves conséquences sur la structure des forêts et leur capacité à stocker le carbone. Les populations d’éléphants font face à un déclin dramatique en raison du braconnage pour le commerce de l’ivoire et de la réduction d’habitat. Le Gabon abrite plus de 60 % des éléphants de forêt restants, mais l’espèce, qui vit aussi bien à l’intérieur qu’en dehors des aires protégées est menacée par les activités humaines légales et illégales.
Pour les espèces qui occupent des habitats fermés et difficiles d’accès, les observations directes sont rares, et les activités humaines sont difficiles à mesurer, en particulier lorsqu’elles sont illégales. Bien que les patrouilles de lutte contre le braconnage assurent la surveillance des aires protégées, de vastes zones restent insuffisamment surveillées en raison du manque de ressources humaines et matérielles. L’intensification des industries extractives, notamment l’exploitation forestière, constitue également une perturbation importante pour les éléphants au Gabon.
Le suivi acoustique est une méthode non invasive efficace de monitoring des populations d’éléphants. Il permet également de détecter les activités humaines, et de mesurer l’efficacité des actions de lutte anti-braconnage. Cependant, la grande quantité de données à analyser nécessite l’utilisation d’outils innovants basés sur l’apprentissage automatique.
Objectifs du stage et rôle du stagiaire
Depuis 2023, des enregistreurs acoustiques (SongMeter Mini2, Wildlife Acoustics) sont déployés aux abords du Parc National de Moukalaba-Doudou au Gabon pour échantillonner les paysages sonores dans différents contextes de perturbations humaines (zone villageoise, zone d’exploitation forestière, parc national).
Le/la stagiaire s’occupera de l’organisation des données acoustiques et participera au développement/adaptation des méthodes pour leur analyse à l’aide de méthodes de pattern matching et de machine learning (i.e. BirdNet, Kahl et al. 2021, Koogu, Madhusudhana 2022). Il/elle sera également amené.e à utiliser des logiciels de visualisation et de traitement des données acoustiques (i.e. Kaleidoscope, Audacity).
Il/elle contribuera à l’analyse des données pour produire des indices d’activités humaines et explorer leur impact sur le comportement des éléphants.
Il/elle sera amené(e) à travailler avec les différentes personnes impliquées dans ce projet.
Compétences requises
– Expérience avec R et/ou langage de programmation Python, en particulier pour l’analyse de données et machine learning ;
– Expérience en écoacoustique serait appréciée ;
– Capacité à travailler en équipe, rigueur scientifique et autonomie.
Période envisagée : Février-Juillet
Lieu : CESCO – Campus Buffon, 43 rue Buffon, 75005 Paris
Rémunération : gratification de stage
Encadrement :
CESCO: Marie Sigaud.
ANPN : Stéphanie Bourgeois
Merci d’adresser votre candidature (CV et lettre de motivation) à :
marie.sigaud@mnhn.fr
stephanieBourgeois@anpngeneticlab.org
Pour toute demande d’informations, contactez Marie Sigaud et/ou Stéphanie Bourgeois
Références :
Yoh, N., W. Mbamy, B. L. Gottesman, G. Z. L. Froese, T. Satchivi, M. Obiang Ebanega, L. Carlson, S. E. Koto, M. Özdoğan, D. J. I. Seaman, V. Maicher, H. Malinowski, J. Poulsen, A. Ebang Mbélé, and Z. Buřivalová. 2024. Impacts of logging, hunting, and conservation on vocalizing biodiversity in Gabon. Biological Conservation 296:110726.
Hedwig, D., and A. Kohlberg. 2024. Call combination in African forest elephants Loxodonta cyclotis. PLOS ONE 19:e0299656.
Swider, C. R., C. F. Gemelli, P. H. Wrege, and S. E. Parks. 2022. Passive acoustic monitoring reveals behavioural response of African forest elephants to gunfire events. African Journal of Ecology 60:882–894.
Wrege, P. H., F. B.-D. Bambi, P. J. F. Malonga, O. J. Samba, and T. Brncic. 2024. Early detection of human impacts using acoustic monitoring: An example with forest elephants. PLOS ONE 19:e0306932.
Kahl, S., C. M. Wood, M. Eibl, and H. Klinck. 2021. BirdNET: A deep learning solution for avian diversity monitoring. Ecological Informatics 61:101236.
Madhusudhana, S., B. S. Miller, M. G. Aulich, and N. Kelly. 2022. Automated detection of blue whale D-calls using deep learning with a double-observer performance assessment. The Journal of the Acoustical Society of America 151:A29.
Commentaires récents