La micropaléontologie ne consiste pas seulement à étudier les organismes eux-mêmes, mais plutôt à comprendre les environnements passés de la Terre, avec des applications allant de la biostratigraphie à la paléoocéanographie, en passant par la capacité d'étudier les changements évolutifs au sein des morphoespèces dans le temps et dans l'espace. Ce domaine est confronté à de nombreux défis, car l'analyse des microfossiles nécessite un effort humain important et une expertise taxonomique, conduisant souvent à des incohérences dans les interprétations. Ce travail de thèse se concentre sur l'application de l'utilisation de l'intelligence artificielle (IA), telle que les réseaux de neurones artificiels (ANN), pour la reconnaissance automatique d'images de radiolaires de l'Éocène moyen de l'Atlantique tropical. De grands ensembles de données ont été construits afin de former différents réseaux de neurones et nos résultats montrent que les réseaux de neurones peuvent automatiquement classer plusieurs classes différentes de radiolaires jusqu'au niveau de l'espèce, ainsi que dans de nombreux cas, être capables d'identifier des espèces étroitement apparentées et même des morphotypes qui font partie d'une transition évolutive. Le réseau de neurones a également pu identifier correctement les radiolaires moins brisés ou flous. Il a également été appliqué avec succès à la reconnaissance automatique d’images pour un travail biostratigraphique, qui pouvait en général détecter des âges plus généraux ou des événements biologiques très précis. Ce travail inclut l'utilisation des approches classiques de réseaux de neurones pour analyser le contexte visuel, telles que les réseaux de neurones convolutifs (CNN), mais comprend également l'utilisation de réseaux de neurones à pointes (SNN), qui ne sont pas aussi couramment utilisés pour la reconnaissance automatique d'images que les CNN. Les SNN ont permis d'obtenir une précision égale ou presqu'égale à celle des CNN, avec simplement leur utilisation étant plus efficace en termes de calcul et du fait qu'il prennent moins de mémoire. Il y a également eu quelques comparaisons utilisant des analyses morphométriques traditionnelles, telle que l'analyse de discrimination linéaire (LDA), donnant à peu près le même type de résultats. Nos recherches visent non seulement à simplifier et à accélérer le processus d'analyse, mais contribuent également à accroître la précision et la cohérence des interprétations micropaléontologiques, lesquelles, à terme, contribueront à des études de haute résolution afin de comprendre l'histoire passée de la Terre.
M. Taniel DANELIAN Université de Lille Directeur de thèse, M. Fabrice CORDEY Université Claude Bernard Lyon1 Rapporteur, Mme Rie HORI Ehime University Examinatrice, M. Thibault DE GARIDEL-THORON Aix-Marseille Université Rapporteur, M. Pierre BOULET Université de Lille Co-directeur de thèse, Mme Allison HSIANG Stockholm University Examinatrice, Mme Catherine CRONIER Université de Lille Examinatrice, M. François DANNEVILLE Université de Lille Examinateur, M. Philippe DEVIENNE Université de Lille Invité.
français
English