La couleur de l’océan décryptée par l’IA pour mieux comprendre le phytoplancton

À la base des réseaux trophiques marins, le phytoplancton joue un rôle central dans le fonctionnement des écosystèmes océaniques. Sa distribution et sa composition évoluent sous l’influence des conditions environnementales. Les observer à grande échelle permet donc d’apporter de nouvelles informations sur l’état et la dynamique de l’océan.

L’observation de la couleur de l’océan par satellite offre aujourd’hui un moyen de suivre certains de ces paramètres sur de vastes zones. Mais au-delà de la quantité de phytoplancton présente, sa structure en taille constitue également une information importante. C’est sur cette caractérisation plus fine que portent les travaux menés par CLS, avec l’utilisation de l’intelligence artificielle pour exploiter les données d’observation de la Terre.

Les données satellites pour caractériser les différentes tailles de phytoplancton

La lumière qui pénètre dans l’océan interagit avec les différents constituants présents dans l’eau avant d’être en partie renvoyée vers la surface. Les pigments du phytoplancton, notamment la chlorophylle-a, absorbent certaines longueurs d’onde et en diffusent d’autres. Ils modifient ainsi la couleur de la lumière qui émerge de l’océan. C’est précisément cette couleur, et ses variations, qui sont étudiées à travers l’observation de la « couleur de l’océan ». Les mesures obtenues permettent alors d’extraire des informations sur le phytoplancton présent dans les eaux de surface.

Les données satellitaires permettent ainsi d’observer la concentration en chlorophylle-a, largement utilisée comme indicateur de la biomasse phytoplanctonique. Mais une même concentration ne signifie pas nécessairement que les communautés présentes sont identiques.

La taille du phytoplancton apporte une information complémentaire sur la structure de ces communautés. On distingue différentes classes, depuis le picophytoplancton, inférieur à 2 µm, en passant par le nanophytoplancton, compris entre 2 et 20 µm, jusqu’au microphytoplancton, compris entre 20 et 200 µm. Ces différentes classes n’ont pas toutes le même rôle dans l’écosystème marin. Les distinguer permet de mieux comprendre leur évolution dans le temps et les effets de ces changements sur le réseau trophique.

Dans le cadre de ces travaux, le microphytoplancton présente un intérêt particulier en raison de son efficacité dans le transfert d’énergie vers les niveaux trophiques supérieurs. Suivre sa distribution peut ainsi apporter de nouvelles informations pour étudier les liens entre l’environnement marin et les ressources halieutiques.

L’intelligence artificielle pour observer le phytoplancton à grande échelle

L’étude des classes de taille du phytoplancton à partir de la couleur de l’océan s’appuie sur des méthodes développées depuis plusieurs décennies. Les travaux menés par CLS reprennent notamment une méthode proposée par Kostadinov et al. en 2009, adaptée aux observations de Sentinel-3 et de son instrument OLCI (Ocean and Land Colour Instrument). Cette méthode utilise les propriétés optiques de l’eau pour estimer la distribution des différentes tailles de phytoplancton.

Pour accélérer son application à de grandes quantités de données satellitaires, CLS* a entraîné un modèle d’intelligence artificielle à reproduire les résultats de cette méthode physique. Les résultats obtenus ont ensuite été confrontés à des mesures réalisées directement en mer, issues d’une base de données couvrant la période 2017 à mi-2025. Cette comparaison permet d’évaluer la capacité de l’approche à retrouver les différentes classes de taille observées sur le terrain.

Les premiers résultats montrent que l’IA parvient à reproduire les estimations du modèle physique tout en améliorant fortement l’efficacité des traitements. L’approche reste toutefois dépendante de la qualité des données disponibles et des performances de la méthode physique initiale. L’objectif est à terme de disposer d’un traitement suffisamment rapide pour suivre les classes de taille du phytoplancton à l’échelle globale et de manière quotidienne.

* Travaux réalisés par Léa Schamberger, Jihwan Kim, Maxime Lalire, Camille Keisser et Vincent Laborde, au sein des équipes Ressources halieutiques de CLS.

Croiser les données phytoplanctoniques avec les données de captures de pêche

L’intérêt de ces informations peut également être étudié au regard des données halieutiques. Le phytoplancton constitue le premier niveau de nombreux réseaux trophiques marins. Les variations de sa distribution et de sa structure peuvent donc être mises en perspective avec d’autres observations de l’écosystème.

Croiser les données sur les classes de taille du phytoplancton avec les données de captures permet d’explorer les relations entre les conditions environnementales observées et la distribution des ressources halieutiques.

L’objectif n’est pas d’établir une relation directe entre la présence de phytoplancton et les captures de poissons. Les interactions trophiques sont complexes et peuvent se manifester avec un décalage dans le temps. Les travaux menés par CLS permettent notamment d’étudier le temps entre une efflorescence de phytoplancton et la présence de prédateurs supérieurs. Le croisement de ces données ouvre ainsi de nouvelles pistes pour mieux comprendre les liens entre la dynamique du phytoplancton et celle des ressources halieutiques.

Références scientifiques

Kostadinov, T. S., Siegel, D. A. & Maritorena, S. (2009). Retrieval of the particle size distribution from satellite ocean color observations. Journal of Geophysical Research: Oceans.

Ronneberger, O., Fischer, P. & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention.