Le repérage acoustique est largement utilisé par les biologistes marins pour étudier la répartition et les mouvements des poissons ainsi que des mammifères marins sur des échelles de temps qui varient de quelques heures à plusieurs mois, voire même des années. Cette technique fort efficace permet aux scientifiques de cartographier les routes de migration du saumon. Elle donne également la possibilité d’effectuer des corrélations entre l'habitat et le déplacement des requins, en fonction du temps et des variables environnementales. Ces études apportent des données précieuses pour la prise de décision en matière de gestion de l’environnement marin.
Le repérage acoustique consiste essentiellement à munir des animaux d’émetteurs acoustiques et à implanter un réseau sous-marin composé de récepteurs pour détecter lorsqu’un animal se trouve à proximité. Ces démarches sont accompagnées de défis logistiques et techniques. L’interprétation des données peut aussi s’avérer complexe.
Il est essentiel de déterminer la capacité de chaque récepteur du réseau à détecter un animal (sa « portée »). Or, il s’agit d’une difficulté, car la portée de détection dépend de nombreux paramètres environnementaux qui peuvent varier avec le temps. Par exemple, des niveaux élevés de bruit ambiant peuvent masquer les signaux de suivi acoustique ou des couches de densité et d’autres propriétés défavorables de la colonne d’eau peuvent empêcher les signaux de se propager sur de longues distances.
To help address this problem, MERIDIAN has partnered with the Ocean Tracking Network (OTN) on a project that seeks to analyze historical range testing data and model the efficiency of historical and proposed acoustic tracking arrays using machine-learning techniques. Using historical tracking data from OTN’s vast detection database, we will attempt to leverage the power of machine learning, e.g., neural networks, to uncover useful correlations between detection efficiency and various environmental variables.
