Ce que l’IA a révélé
Des chercheurs ont mis en évidence, grâce à l’intelligence artificielle, un second type de rugissement chez le lion. En plus du rugissement puissant et profond que tout le monde connaît, les lions émettent aussi un rugissement intermédiaire, plus subtil, qui passait jusqu’ici inaperçu. Cette découverte change la manière d’identifier et de suivre les individus à distance, en ajoutant une couche d’information utile aux programmes de conservation.
Deux rugissements, une signature sonore plus riche
- Le rugissement “classique” sert d’appel puissant, portant loin et marquant le territoire.
- Le rugissement “intermédiaire” apparaît dans la même séquence, mais avec une forme et une énergie différentes.
Les enregistrements montrent que ces deux formes coexistent au sein d’une même “phrase” vocale. Pendant des années, on pensait qu’il n’existait qu’un seul type de rugissement; la nouvelle analyse rebat les cartes: le lion ne parle pas d’une seule voix. Cette richesse vocale ouvre la voie à une lecture plus fine des signatures individuelles et du contexte comportemental (déplacements, défense du territoire, interactions sociales).
Pourquoi c’est crucial pour la conservation
Les lions d’Afrique sont classés comme vulnérables: il ne resterait qu’environ 20 000 à 25 000 individus à l’état sauvage, soit près de la moitié en moins qu’il y a 25 ans. Dans ce contexte, chaque outil fiable compte.
- L’étude des rugissements permet d’estimer les populations et de reconnaître des individus sans capture ni contact direct.
- Le suivi acoustique est discret, fonctionne de nuit et couvre de grandes distances, ce qui en fait un complément précieux aux pièges photographiques et au pistage des empreintes.
En ajoutant le rugissement intermédiaire à l’équation, on obtient un portrait sonore plus précis des populations et de leur dynamique.
L’apport décisif de l’apprentissage automatique
Les chercheurs ont entraîné des modèles d’apprentissage automatique pour séparer automatiquement les types de rugissements et attribuer des signatures à des individus. Résultat: une précision de 95,4 %, avec une réduction nette du biais humain lié à l’interprétation manuelle.
Concrètement, le flux de travail est le suivant:
- déploiement de capteurs acoustiques passifs,
- extraction et segmentation des séquences,
- classification automatique des rugissements,
- identification des individus et suivi dans le temps.
Ce processus accélère l’analyse, standardise les méthodes et rend le monitoring passif plus accessible aux équipes de terrain.
Des parallèles avec d’autres grands carnivores
La bioacoustique progresse vite chez plusieurs espèces. Des avancées comparables existent, par exemple, chez les hyènes tachetées. Chaque amélioration méthodologique renforce l’idée que le son est une donnée écologique de premier plan, capable de révéler des comportements, des territoires et des tendances démographiques invisibles autrement.
Qui a mené l’étude et où elle paraît
Le travail a été conduit par l’Université d’Exeter, avec la participation de la Wildlife Conservation Unit de l’Université d’Oxford, Lion Landscapes, la Frankfurt Zoological Society, le TAWIRI (Tanzania Wildlife Institute for Research) et le TANAPA (Tanzania National Parks Authority). La publication est parue dans la revue Ecology and Evolution sous le titre “Roar Data: Redefining a Lion’s Roar Using Machine Learning” (DOI: 10.1002/ece3.72474).
Le projet a reçu le soutien du Lion Recovery Fund, du WWF Allemagne, de la Darwin Initiative, et du UKRI AI Centre for Doctoral Training in Environmental Intelligence.
Et maintenant ?
Les auteurs plaident pour un changement d’échelle: multiplier les dispositifs de surveillance acoustique passive, affiner les modèles et relier les données sonores à d’autres sources (caméras, relevés au sol, données spatiales). L’objectif: un tableau intégré et en temps quasi réel de l’état des populations, utile pour anticiper les risques, cibler les zones prioritaires et évaluer l’impact des mesures de protection.
FAQ
Les microphones doivent-ils être proches des lions pour bien capter les rugissements ?
Pas nécessairement. Les rugissements portent loin. Des enregistreurs autonomes posés à des points stratégiques (carrefours de pistes, lisières, points d’eau) couvrent de grandes zones. L’IA aide ensuite à filtrer le bruit ambiant et à extraire les signaux utiles.
Peut-on distinguer l’âge ou le sexe d’un lion à partir du son ?
Oui, en partie. La fréquence, l’énergie et certains motifs temporels varient selon la taille, l’âge et le sexe. Les modèles apprennent ces différences, mais une validation croisée avec des observations de terrain reste importante pour éviter les erreurs.
Que se passe-t-il quand plusieurs lions rugissent en même temps ?
Les enregistrements multi-sources peuvent se chevaucher. Les algorithmes séparent alors les composantes (séparation de sources) pour identifier chaque voix. Plus il y a de capteurs et de recouvrements, plus la localisation et l’attribution s’améliorent.
Cette approche peut-elle aider à lutter contre le braconnage ?
Indirectement, oui. Un maillage acoustique fournit des alertes sur l’activité des lions et sur des anomalies sonores (moteurs, coups de feu, véhicules hors-piste). Croisées avec d’autres données, ces informations aident à prioriser les patrouilles.
Est-ce transposable à d’autres félins ou espèces menacées ?
En grande partie. Le principe de la bioacoustique assistée par IA s’applique à des espèces vocales variées (félins, canidés, primates, cétacés). Il faut cependant réentraîner les modèles avec des données propres à chaque espèce et à chaque milieu.
