Depuis 2016, i-Sea a investi plus spécifiquement le monde du machine learning notamment les nouvelles approches dites « Deep Learning ». Les réseaux de neurones convolutifs, et plus particulièrement les architectures de types SegNet ont été appliquées avec succès dans le cadre de travaux avec le PNMBA (Parc Naturel Marin du Bassin d’Arcachon) pour la cartographie surfacique des friches ostréicoles mais aussi des tables ostréicoles et des herbiers à partir d’images aériennes dès 2018. Ces approches ont ensuite été étendues à l’analyse d’images satellites, à grande échelle, dans le cadre du projet SACSAT, financé par l’OFB, cela afin de démontrer le potentiel de notre approche pour la cartographie des activités conchylicoles à l’échelle de façades maritimes. Nous avons donc développé un processus de cartographie reposant sur l’usage de réseaux de neurones convolutifs, adapté à la cartographie fine des activités conchylicoles. Notre approche a été appliquée avec succès sur plusieurs images Pléiades (0,5 m de résolution spatiale) sur de vastes sites du Cotentin ainsi que sur le Bassin d’Arcachon. Dans un premier temps, la méthode a été développée et testée sur une image du Cotentin, en construisant pas à pas, par raffinements successifs, un modèle de prédiction très performant. Une première étape de digitalisation manuelle est essentielle pour constituer une base de données d’apprentissage. Cette base de données d’apprentissage est ensuite complétée par des techniques d’augmentation de données permettant de multiplier le volume de données. Plusieurs itérations sont ensuite réalisées pour entrainer le modèle de prédiction, évaluer ses performances, et compléter, enrichir la base de données de cas particuliers que le modèle n’avait pas encore rencontré dans son apprentissage. Après quelques itérations, les prédictions atteignent de très bons niveaux de performance et permettent la production de cartographies à grande échelle. Dans un second temps, nous avons cherché à démontrer le potentiel de généralisation de notre approche en entrainant notre modèle avec différentes images sur nos deux sites, cela afin de prendre en compte un maximum de variabilité en terme à la fois de types d’activités conchylicoles, de types de milieux environnants, avec la présence de tables ostréicoles émergées mais aussi immergées. Le modèle généralisé ainsi entrainé et évalué devient invariant à toutes ces conditions et a produit des prédictions de grande qualité sur l’ensemble des jeux de données testés, avec des précisions globales obtenues de l’ordre de 95% pour le Cotentin et 94% sur le Bassin d’Arcachon sur des échantillons de validation. Enfin, nous avons aussi montré, tout d’abord sur le Bassin d’Arcachon avec le PNMBA puis sur le Cotentin dans le cadre du projet SACSAT, que notre processus de cartographie est aussi capable de différencier les types d’activités conchylicoles lorsque l’on travaille avec des images aériennes plus résolues (entre 5 cm et 20 cm de résolution). Nous disposons donc aujourd’hui d’outils performants pour la gestion des activités conchylicoles à l’échelle de grandes façades maritime à partir d’images satellitaires à très haute résolution spatiale, pouvant répondre au besoin d’un outil opérationnel pour la DCSMM et l’indicateur « D6 intégrité des fonds marins ».