Quelque part dans le Parc national du Mercantour, un boîtier fixé à un arbre déclenche son obturateur. Un mouvement dans la nuit. L’image est floue, l’animal passe vite, à dix mètres, entre les fougères. Un loup ? Un chien ? Un renard ? L’œil humain hésite. L’algorithme, lui, a déjà tranché.
En quelques millisecondes, un modèle d’intelligence artificielle analyse la silhouette, la posture, les proportions, la texture du pelage. Il attribue un score de confiance. 96 %. C’est un loup gris. Il note le passage, horodate l’image, géolocalise le point. Le lendemain, un chercheur ouvrira son écran et verra apparaître, sur une carte, le chemin nocturne de l’animal — ses zones de repos, ses corridors de déplacement, son territoire.
Cette scène se répète des dizaines de milliers de fois chaque année dans les forêts et les montagnes françaises. Des centaines de pièges photographiques capturent des millions d’images. Et une IA française, libre, gratuite, développée par des chercheurs du CNRS, est en train de changer radicalement la façon dont la France surveille sa faune sauvage.
DeepFaune : 78 fois plus rapide qu’un humain
Suivez LJG sur Google
Ajoutez LJG à vos sources préférées pour voir nos articles en priorité dans "À la une".
Le projet s’appelle DeepFaune. Il est né en 2020 d’un constat simple : les pièges photographiques sont devenus l’outil numéro un des écologues — non intrusifs, ils capturent loups, lynx, chamois ou sangliers 24 heures sur 24 sans déranger les animaux. Mais les images qu’ils produisent — souvent des centaines de milliers par campagne — doivent être triées une à une, manuellement, par des chercheurs ou des gardes de parcs nationaux. Une tâche qui peut prendre des semaines entières.
Vincent Miele, ingénieur CNRS rattaché au Laboratoire d’Écologie Alpine de l’Université Savoie Mont-Blanc, co-pilote le projet avec Simon Chamaillé-Jammes, chercheur CNRS au Centre d’Écologie Fonctionnelle et Évolutive de Montpellier. Ensemble, ils ont construit un réseau de collaboration inédit entre laboratoires, parcs naturels et gestionnaires d’espaces protégés : le Parc de la Vanoise, la Réserve nationale de chasse et de faune sauvage des Bauges, l’Office Français de la Biodiversité, le Conservatoire d’espaces naturels de Haute-Savoie, le CREA Mont-Blanc.
Le résultat est un logiciel qui tourne sur un simple PC, sans connexion internet, et qui identifie automatiquement plus de 30 espèces de la faune européenne. Loup, lynx, ours brun, cerf, chevreuil, chamois, isard, sanglier, bouquetin, blaireau, renard, loutre, castor, genette, hérisson, marmotte, raton laveur — et même les animaux domestiques pour les distinguer de la faune sauvage. En 2025, le chacal doré, espèce en expansion rapide, a été ajouté au catalogue.
L’architecture technique combine MegaDetector et YOLOv8 pour la détection, puis un réseau de neurones entraîné sur des millions d’images pour la classification. Le taux de réussite global dépasse 97 %. Pour le loup spécifiquement — l’espèce la plus sensible politiquement —, les tests de 2025 affichent un rappel de 96 % et une précision de 87 %. L’IA traite aussi les séquences vidéo, ce qui permet de mieux distinguer un loup d’un chien ou d’un renard en analysant la démarche et le comportement sur plusieurs secondes.
Le gain de temps est vertigineux : ce qui prenait des semaines de tri manuel se fait désormais en heures, soit un facteur d’accélération de 78. Plus de 3 000 utilisateurs en Europe — parcs nationaux, agents de l’OFB, réserves naturelles, fédérations de chasse, naturalistes bénévoles — traitent déjà des millions d’images avec DeepFaune.
Quand le modèle hésite, il classe l’image comme « indéfini » et la renvoie à un vérificateur humain. Le seuil de confiance est réglable — un chercheur peut exiger 99 % de certitude pour une publication scientifique, tandis qu’un garde de parc se satisfera de 90 % pour un premier tri. Les derniers développements intègrent aussi la classification des comportements animaux — marche, course, repos, alimentation — grâce aux modèles « zéro-shot » qui combinent vision et langage.
Dans le Mercantour, l’IA cartographie les meutes
Le Parc national du Mercantour, dans les Alpes-Maritimes, abrite l’une des plus importantes populations de loups en France — environ 1 000 individus sur l’ensemble du territoire national selon les estimations 2023-2025, obtenues par capture-recapture spatiale et génétique non invasive. Suivre ces animaux est crucial pour la gestion de l’espèce, mais c’est un défi logistique colossal. Les loups se déplacent la nuit, sur des territoires immenses, dans des terrains accidentés.
L’Institut 3IA Côte d’Azur, en partenariat avec la Maison de la Modélisation, de la Simulation et des Interactions, a lancé un programme de recherche pour exploiter les images des pièges photographiques du Mercantour. Le professeur Charles Bouveyron, directeur scientifique adjoint de l’institut et chef de l’équipe Inria MAASAI, dirige le projet.
La difficulté tient à la nature même des données. Les pièges déclenchent à toute heure, dans toutes les conditions météo. Un loup peut passer en une fraction de seconde, partiellement caché par la végétation, à contre-jour, sous la pluie. Et dans le lot d’images, les loups sont rares : la plupart des déclenchements capturent des chevreuils, des chamois, ou simplement le vent qui agite une branche.
L’ambition va bien au-delà du comptage. L’étape la plus ambitieuse consiste à croiser les données spatiotemporelles des images — où et quand chaque loup a été photographié — avec les relevés d’empreintes collectés par les gardes du parc, équivalents à des morceaux de trajectoires GPS. L’objectif : modéliser l’activité d’une meute entière, comprendre ses déplacements, ses zones de repos, ses interactions avec les autres espèces et avec les troupeaux.
L’OFB et le Plan Loup : 60 caméras dans les Bauges
L’Office Français de la Biodiversité a intégré DeepFaune dans son guide officiel de monitoring du loup, dans le cadre du Plan Loup 2024-2029. Dans la Réserve nationale de chasse et de faune sauvage des Bauges, 60 caméras ont été déployées pour comprendre la dynamique entre prédateurs et proies. Le programme européen LIFE WOLFALPS EU utilise la même approche à l’échelle des Alpes.
L’IA ne se contente pas de dire qu’un loup est passé. Elle révèle les chemins de déplacement, les zones où les meutes se reposent, les rythmes d’activité — des informations que des semaines de pistage humain ne permettraient pas d’obtenir avec la même précision. Ces données sont d’autant plus précieuses que le loup continue sa recolonisation : des meutes s’installent désormais en Normandie, dans le Massif central, dans des territoires où les éleveurs n’avaient jamais eu à cohabiter avec un grand prédateur.
En 2025, les attaques sur les troupeaux ont augmenté d’environ 10 %. Mais grâce aux cartes ultra-précises produites par l’IA — qui identifient les corridors de passage et les zones à risque —, les mesures de protection deviennent plus ciblées. On ne pose plus des clôtures électriques au hasard. On les installe là où l’algorithme montre que le loup passe réellement. La protection est plus efficace et moins coûteuse.
C’est un point crucial dans un débat qui reste inflammable. En 2025, l’Union européenne a abaissé le niveau de protection du loup. L’IA offre une voie neutre dans cette controverse : des données vérifiables, pas des impressions. Des faits cartographiés, pas des estimations à la louche.
Des micros dans la forêt écoutent les hurlements
L’IA ne se contente pas de regarder. Elle écoute aussi. La startup Synature, née à l’École polytechnique fédérale de Lausanne, a développé des micros intelligents qui enregistrent en continu les sons de la nature et les analysent automatiquement par intelligence artificielle.
Le loup a été le premier cobaye. Lors d’une campagne menée en 2022 dans le canton de Glaris en Suisse, le système a démontré sa capacité à détecter et localiser les individus par leurs hurlements. L’IA peut même différencier les cris de jeunes loups de ceux des adultes — une information précieuse pour estimer la reproduction d’une meute sans jamais la déranger.
Plus près de nous, la ferme-pilote Hectar, au sud-est de Paris, a testé le dispositif sur plus de 300 hectares pour monitorer la faune peuplant les étendues de forêt adjacentes. Les micros captent piaillements, glapissements, coassements — tout ce que les pièges photographiques ne voient pas. Combinés, les deux systèmes offrent une carte de la biodiversité qu’il serait impossible de dresser par observation humaine seule.
Au-delà du loup : manchots, forêts et colliers intelligents
L’IA au service de la faune ne se limite pas aux grands prédateurs. Le CNRS et le Centre Scientifique de Monaco ont mis au point RFIDeep, un système d’apprentissage profond qui analyse automatiquement les données de plus de 20 000 manchots marqués par identification radiofréquence depuis près de 25 ans. Le réseau de collaboration implique huit pays. Le système détermine automatiquement les paramètres de reproduction et de survie — des données qui nécessitaient auparavant des mois de travail manuel.
L’INRAE, dans le cadre du projet OPTMix en forêt d’Orléans, a développé un logiciel de vision artificielle capable de détecter les animaux sur les vidéos de pièges en milieu forestier. L’objectif à terme : embarquer ces algorithmes directement sur des ordinateurs monocarte fixés aux arbres — Raspberry Pi ou Jetson Nano — pour un traitement en temps réel, sans connexion internet, directement dans la forêt.
D’autres projets explorent des frontières nouvelles. Des colliers équipés d’IA détectent les comportements anormaux — stress, course prolongée — qui peuvent signaler un braconnage en cours. Le programme Mammalps, déployé dans les Alpes, analyse les interactions entre humains et faune sauvage pour réduire les conflits. Des modèles prédictifs aident les éleveurs à anticiper les périodes de risque en croisant données de présence lupine, conditions météo et topographie.
Ce qui se joue dans nos forêts
Plus de la moitié des populations de vertébrés dans le monde ont disparu en moins de 50 ans. Le rythme d’extinction actuel est 100 à 1 000 fois supérieur au taux naturel. On ne peut protéger que ce qu’on peut compter. Et on ne pouvait pas compter grand-chose — jusqu’à maintenant.
L’IA ne sauve pas les loups. Elle ne replante pas les forêts. Elle ne résout pas le conflit entre éleveurs et prédateurs, qui est aussi ancien que l’élevage lui-même. Mais elle donne aux chercheurs, aux gardes de parcs, aux gestionnaires d’espaces naturels un outil qui démultiplie leur capacité d’observation. Un garde du Mercantour avec DeepFaune voit ce que dix gardes sans IA ne verraient pas. Et les données sont ouvertes, gratuites, accessibles à tous — du parc national au naturaliste amateur qui a posé une caméra dans son jardin.
C’est peut-être la contribution la plus significative de l’IA française à la protection de la biodiversité : avoir démocratisé l’accès à la donnée. Des milliers de bénévoles et gestionnaires enrichissent déjà les cartes de présence du loup, espèce par espèce, territoire par territoire.
La prochaine fois que vous randonnez dans les Bauges, la Vanoise ou le Mercantour, levez les yeux vers les arbres. Il y a probablement un boîtier qui vous regarde. L’algorithme sait que vous n’êtes ni un loup ni un lynx. Il vous classera « humain » avec 99 % de confiance, et passera à l’image suivante.
Je suis Ethan, journaliste spécialisé en intelligence artificielle et nouvelles technologies. Je couvre l’actualité de l’IA agentique, des grands modèles de langage et des outils qui transforment nos usages numériques. Mon objectif : rendre accessibles les avancées technologiques les plus complexes, avec rigueur et sans jargon inutile.
