Bioacoustique : écouter la biodiversité

Une forêt silencieuse n'est pas une forêt saine. C'est même l'inverse : quand les oiseaux, insectes et amphibiens disparaissent, les sons disparaissent avant que les espèces ne soient formellement comptées. Le silence est le premier indicateur du déclin. La bioacoustique exploite précisément ce signal : elle écoute là où les biologistes ne peuvent pas être partout.

La bioacoustique est la discipline scientifique qui étudie la production, la transmission et la réception des sons par les organismes vivants. Elle combine biologie, physique acoustique et, depuis une décennie, traitement algorithmique du signal.

Dans le contexte du monitoring environnemental, la bioacoustique s'élargit en éco-acoustique (ou soundscape ecology) : au lieu d'étudier les sons d'une espèce particulière, on analyse l'ensemble du paysage sonore d'un écosystème pour en inférer l'état de santé.

Les trois composantes d'un paysage sonore#

Cette tripartition a été formalisée par le biologiste Bernie Krause et le compositeur Stuart Gage, puis développée en cadre scientifique par Bryan Pijanowski et ses collaborateurs en 2011.

Les méthodes traditionnelles d'inventaire — transects visuels, piégeage, relevés botaniques — ont une limite physique : elles nécessitent des agents de terrain, souffrent d'effets observateur, et ne peuvent couvrir que des surfaces limitées à des moments ponctuels.

L'écoute présente quatre avantages structurels :

1. Non-invasif : aucun contact avec l'animal, aucune perturbation du comportement.
2. Continu dans le temps : un enregistreur autonome fonctionne 24h/24, 7j/7, pendant des mois.
3. Passif et peu coûteux : les capteurs actuels consomment moins de 1 W et coûtent quelques centaines d'euros.
4. Scalable : un réseau de 100 capteurs sur une zone forestière est déployable là où 100 ornithologues simultanément ne le sont pas.

La bioacoustique ne remplace pas les inventaires classiques, elle les complète et les démultiplie — notamment pour détecter les espèces discrètes, nocturnes ou présentes en faible densité.

Pour le lien avec la valeur globale des écosystèmes : Services écosystémiques et valeur de la nature.

3.1 Les enregistreurs automatiques#

La génération actuelle d'ARU (Autonomous Recording Units) est le cheval de bataille du terrain :

Un réseau de 200 capteurs AudioMoth couvre théoriquement une surface de plusieurs milliers d'hectares avec un budget matériel inférieur à 15 000 €. C'est l'ordre de grandeur déployé par l'OFB (Office Français de la Biodiversité) dans les Alpes et les Pyrénées pour le suivi du lagopède alpin.

3.2 Contraintes terrain#

• Autonomie énergétique : piles AA (3–6 mois selon réglages), ou panneaux solaires pour les sites accessibles.
• Stockage : un capteur en enregistrement continu génère 1 à 5 Go par jour selon la résolution. Un réseau de 100 capteurs produit plusieurs téraoctets par mois.
• Vandalisme et vol : camouflage obligatoire en zones accessibles.

Analyser manuellement des milliers d'heures d'enregistrement est impossible. La recherche a développé des indices acoustiques — des métriques calculées automatiquement sur le signal brut — pour résumer l'état d'un paysage sonore en quelques valeurs numériques.

4.1 Principaux indices#

L'ACI, proposé par Pieretti et al. en 2011, est l'indice le plus utilisé. Il repose sur le constat que les chants d'oiseaux présentent une variabilité d'amplitude irrégulière qui les distingue des sons anthropiques répétitifs.

4.2 Limites connues#

Une méta-analyse publiée dans Methods in Ecology and Evolution (Bradfer-Lawrence et al., 2019) a évalué 10 indices sur 26 jeux de données. Résultats :

• Relation modérée entre indices acoustiques et richesse spécifique réelle.
• Performance hétérogène selon les habitats (forêt dense vs. milieu ouvert).
• L'ACI, H et NDSI s'en sortent mieux que les autres pour capturer l'information biologique.

Les indices acoustiques sont donc des proxies imparfaits — utiles pour détecter des tendances dans le temps sur un même site, moins fiables pour comparer des sites très différents.

Les indices acoustiques traitent le signal de façon aveugle. L'étape suivante est l'identification automatique des espèces — reconnaître dans un enregistrement de 10 minutes tous les individus présents, à la manière d'un expert ornithologique.

5.1 BirdNET#

Développé par le Cornell Lab of Ornithology et l'Université technique de Chemnitz, BirdNET est un réseau de neurones convolutifs entraîné sur plusieurs millions d'enregistrements. Il reconnaît plus de 6 000 espèces d'oiseaux à partir de spectrogrammes audio.

Performances indicatives :

• Précision supérieure à 80 % pour les espèces communes en milieu tempéré.
• Fonctionnement en temps réel sur Raspberry Pi.
• API ouverte et bibliothèque Python disponibles.

BirdNET est utilisé par le programme eBird (Cornell) et intégré dans plusieurs solutions commerciales de monitoring.

5.2 Google Perch (DeepMind)#

En novembre 2025, Google a lancé Forest Listeners, une interface participative permettant à des volontaires d'écouter et d'étiqueter des extraits enregistrés de forêts. Ces données servent à affiner Perch, le modèle de DeepMind dédié à la classification des sons de la faune sauvage à l'échelle globale.

L'objectif déclaré : construire un modèle de fondation audio capable d'identifier des espèces dans n'importe quel écosystème, y compris sous-marin.

5.3 Écoacoustique sous-marine#

Les océans représentent un défi spécifique. Les hydrophones déployés sur des bouées ou des gliders sous-marins enregistrent en continu les cétacés, poissons et crustacés. Les modèles NOAA utilisent des réseaux de détection pour localiser les baleines bleues (Balaenoptera musculus) et ajuster les routes de navigation des navires en temps réel.

Pour les enjeux d'IA appliquée à la biodiversité : Intelligence artificielle et biodiversité : cas d'usage.

6.1 TECH4ALL / Rainforest Connection (Costa Rica)#

L'initiative TECH4ALL de Nokia, en partenariat avec Rainforest Connection, a déployé 113 dispositifs acoustiques dans les forêts costaricaines pour suivre le Grand Ara Vert (Ara ambiguus), espèce menacée. Les enregistrements sont analysés par IA pour cartographier la distribution, les comportements et les cycles de nidification.

Le même projet utilise la détection sonore pour identifier en temps réel les tronçonneuses — signal acoustique caractéristique du braconnage forestier — et alerter les gardes.

6.2 OFB — Lagopède Alpin (France)#

L'Office Français de la Biodiversité a déployé près de 200 capteurs dans les Alpes et les Pyrénées pour surveiller le lagopède alpin (Lagopus muta), indicateur sensible du changement climatique en montagne. L'espèce, essentiellement silencieuse hors période de reproduction, est difficile à surveiller visuellement en hiver.

L'analyse acoustique permet de détecter les chants territoriaux printaniers sans perturber les oiseaux en période de reproduction.

6.3 Biophonia (France)#

La startup française Biophonia propose des solutions clé-en-main de monitoring bioacoustique pour les porteurs de projets d'infrastructure (éolien, carrières, aménagements). Leurs capteurs déployés en phase de diagnostic puis de suivi permettent de documenter l'impact sur la faune nocturne (chauves-souris, rapaces) avec une résolution temporelle qu'aucun suivi humain ne peut atteindre.

7.1 Indicateurs de tendance#

En répétant les mesures sur un même site au fil des saisons et des années, les indices acoustiques et les comptages d'espèces identifiées par IA permettent de construire des courbes de tendance — sans la variabilité observateur qui affecte les transects humains.

7.2 Évaluation des corridors écologiques#

La différence de richesse acoustique entre deux parcelles forestières connectées ou non par un corridor est mesurable. C'est un outil de validation pour les projets de restauration.

7.3 Suivi des perturbations#

Un incendie, une coupe à blanc, une inondation : tous laissent une signature acoustique dans les semaines et mois suivants. La recovery acoustique est corrélée à la recovery écologique — ce qui offre un indicateur indirect de résilience.

Ces mesures s'inscrivent dans l'évaluation globale de la biodiversité, ses menaces et son état.

1. Un son n'est pas une espèce : deux individus de la même espèce, un individu qui chante plusieurs fois, ou une espèce inconnue du modèle IA faussent les comptages.
2. La détection varie selon les conditions : pluie, vent fort, présence d'un cours d'eau bruyant dégradent le signal et biaisent les indices.
3. Les modèles IA ne couvrent pas toutes les espèces : BirdNET performe bien sur les oiseaux des zones tempérées, moins sur les insectes ou les champignons qui communiquent par vibrations.
4. Pas de standardisation internationale : les protocoles de déploiement (hauteur du capteur, sensibilité, fréquence d'échantillonnage) varient entre études, rendant les comparaisons difficiles.
5. Droits sur les données : les enregistrements sonores de faune sauvage soulèvent des questions de propriété et d'accès, notamment pour les projets commerciaux.

1. La bioacoustique mesure l'état des écosystèmes via les sons produits par les organismes vivants.
2. Les ARU (enregistreurs automatiques) permettent un suivi continu, non-invasif et scalable.
3. Les indices acoustiques (ACI, NDSI, H) quantifient le paysage sonore sans identification des espèces.
4. L'IA (BirdNET, Perch) permet l'identification automatique de milliers d'espèces à partir de spectrogrammes.
5. Les applications concrètes couvrent le suivi des espèces menacées, la détection du braconnage et l'évaluation des corridors écologiques.

• Biophonia — L'acoustique au service de la biodiversité
• Bradfer-Lawrence et al. (2019), Methods in Ecology and Evolution — Guidelines for the use of acoustic indices
• Pijanowski et al. (2011) — Soundscape ecology: The science of sound in the landscape
• Branchez-vous — 3 projets IA qui écoutent l'Amazonie
• Ecosphère — Bioacoustique terrestre et sous-marine
• Triple Performance — Monitoring oiseaux par IA audio
• Frontiers in Remote Sensing — Soundscape components and acoustic index patterns