Photographie sous-marine et IA : LOBSTgER explore un océan en mutation

Sous la surface, une photographie ne saisit jamais seulement un poisson, une algue ou un jeu de lumière. Elle fixe aussi un instant d’un milieu vivant, soumis à des transformations parfois rapides et difficiles à percevoir depuis la côte. C’est à cette frontière entre observation, récit visuel et sensibilisation que se place LOBSTgER, un projet du MIT Sea Grant qui associe photographie sous-marine et intelligence artificielle.

L’initiative s’intéresse au golfe du Maine, sur la côte nord-est des États-Unis. Ce terrain est à la fois remarquablement riche sur le plan biologique et particulièrement vulnérable aux changements environnementaux. En s’appuyant sur des photographies authentiques, précisément renseignées, les participants au projet cherchent à produire des représentations visuelles capables de faire voir cette diversité sans perdre de vue les réalités écologiques qui la structurent.

LOBSTgER, un projet entre archive photographique et IA générative

Le nom LOBSTgER désigne une démarche qui fait collaborer l’art, la science et les outils d’intelligence artificielle. Le photographe sous-marin Keith Ellenbogen apporte son travail de terrain et son expérience de la prise de vue en milieu marin. À ses côtés, Andreas Mentzelopoulos, étudiant en ingénierie mécanique au Massachusetts Institute of Technology, travaille sur les dimensions technologiques du projet.

Leur point de départ n’est pas un imaginaire océanique construit de toutes pièces. Il s’agit d’une bibliothèque d’images originales, sélectionnées avec soin, dont les sujets sont identifiés et le contexte géographique renseigné. Ces précautions comptent : un modèle génératif apprend à partir de ce qu’on lui fournit. Si les images et leurs descriptions sont imprécises, les productions risquent de mélanger les espèces, les habitats ou les conditions lumineuses de façon trompeuse.

Dans LOBSTgER, l’IA est donc envisagée comme un outil de traduction visuelle. À partir du matériau photographique, elle peut aider à élaborer des récits et des images qui rendent une scène sous-marine plus accessible, plus évocatrice et plus facile à partager. L’enjeu est double : conserver l’attention portée au vivant observé et susciter une réaction face aux changements écologiques.

Pourquoi le golfe du Maine est-il un terrain crucial ?

Le golfe du Maine abrite une grande variété d’animaux et d’organismes marins, parmi lesquels des baleines, des requins et de nombreuses autres espèces. Cette diversité en fait un lieu privilégié pour qui veut observer les relations complexes entre les êtres vivants, les températures de l’eau, la lumière, les saisons et les habitats côtiers.

Mais ce milieu est aussi confronté à une évolution préoccupante. Selon le constat repris par le projet, la température de ses eaux augmente plus vite que dans 99 % des océans mondiaux. Un tel rythme de réchauffement peut modifier la répartition des espèces, perturber les chaînes alimentaires et changer les conditions dans lesquelles les animaux se nourrissent, se reproduisent ou se déplacent.

Ces phénomènes sont difficiles à appréhender dans leur ensemble. Une courbe de température permet de mesurer une tendance, mais elle ne restitue pas spontanément la présence d’un organisme, les textures d’un habitat ou l’atmosphère d’un paysage sous-marin. La photographie apporte cette dimension concrète. L’intelligence artificielle, lorsqu’elle reste ancrée dans des données visuelles solides, peut contribuer à relier ces fragments en un récit plus lisible.

Faire ressentir sans confondre art et preuve scientifique

Une part essentielle de LOBSTgER tient dans cette recherche d’équilibre. La photographie sous-marine possède une valeur documentaire, mais elle est aussi un langage artistique : choix du cadrage, distance avec l’animal, lumière disponible, mouvement de l’eau et moment de la rencontre déterminent ce que le spectateur perçoit.

L’IA générative ajoute une autre couche. Les modèles peuvent apprendre des caractéristiques visuelles récurrentes dans un ensemble d’images : l’aspect de l’eau, les dégradés de lumière, les textures ou certaines colorations propres aux espèces photographiées. Ils peuvent ensuite produire de nouvelles compositions qui s’inspirent de ces régularités.

Cette capacité est utile pour imaginer des récits visuels, mais elle appelle aussi à la clarté. Une image créée par un modèle ne doit pas être présentée comme si elle constituait, à elle seule, une preuve qu’un animal a été vu à un endroit et à un instant donnés. Sa force réside ailleurs : elle peut aider à communiquer une réalité écologique documentée, à condition que son statut soit explicite et que le travail de terrain reste au centre.

Comment un modèle génératif peut-il rester lié au réel ?

L’expression « IA générative » recouvre des systèmes capables de créer de nouveaux contenus à partir de très nombreux exemples. Dans le cas des images, les modèles de diffusion latente, évoqués dans la démarche de LOBSTgER, fonctionnent de manière schématique en apprenant à transformer progressivement du bruit visuel en une image cohérente, guidée par les motifs repérés pendant l’entraînement et par des consignes.

Le résultat peut sembler réaliste sans être une photographie. C’est pourquoi la qualité des données de départ est déterminante. LOBSTgER s’appuie sur une collection dans laquelle chaque photographie originale est associée à une identification d’espèce et à un contexte géographique. Cette base donne au modèle un cadre écologique que ne possède pas une génération d’images fondée sur des données vagues ou inconnues.

Cela ne rend pas l’IA infaillible. Même entraîné sur un corpus rigoureux, un modèle peut produire des détails erronés, déplacer une caractéristique anatomique ou associer des éléments qui ne devraient pas coexister. La validation humaine reste donc indispensable, notamment lorsqu’une image est destinée à expliquer une espèce ou un écosystème au grand public.

La rigueur ne consiste pas seulement à choisir de bonnes images. Elle implique aussi de conserver la distinction entre trois objets différents : la photographie initiale, les métadonnées qui la décrivent et la production générée qui en est inspirée. Cette traçabilité permet de savoir ce qui relève de l’observation et ce qui relève de l’interprétation visuelle.

Photographier sous l’eau, un travail de terrain exigeant

Avant même d’entraîner un modèle, il faut obtenir les images. Or la photographie sous-marine dans les eaux côtières de la Nouvelle-Angleterre est particulièrement exigeante. La visibilité peut être réduite, l’éclairage varie fortement avec la profondeur et les conditions de surface, tandis que les animaux marins ne se laissent évidemment pas placer devant l’objectif.

Les déplacements imprévisibles des sujets ajoutent une difficulté. Capturer une image de qualité demande d’anticiper la trajectoire d’un animal, de maintenir son équipement de prise de vue et de composer avec l’eau en mouvement. Il faut aussi respecter le milieu observé : documenter un écosystème ne doit pas conduire à perturber les animaux qu’on cherche à montrer.

Le travail de Keith Ellenbogen s’inscrit dans cette volonté de bâtir un registre visuel approfondi de la biodiversité marine. La photographie est ici une étape décisive, non un simple matériau décoratif. Sans observations de qualité, contextualisées, l’IA ne disposerait pas d’une base fiable pour faire émerger des récits visuels pertinents.

Ce que l’IA apporte, et ce qu’elle ne peut pas décider

Employée avec prudence, l’intelligence artificielle peut élargir les possibilités de médiation. Elle peut aider à organiser de grands ensembles d’images, à faire ressortir des motifs visuels ou à proposer des représentations qui attirent l’attention sur des réalités marines souvent éloignées de l’expérience quotidienne. Pour des personnes qui ne plongent pas, elle peut devenir une porte d’entrée vers des habitats autrement difficiles à imaginer.

Elle ne peut toutefois pas déterminer seule l’état de santé d’un écosystème ni établir une stratégie de conservation. Ces décisions reposent sur des mesures, des observations répétées, des connaissances biologiques et des choix collectifs. Une image, même puissante, ne dit pas tout de la dynamique d’un milieu.

Cette limite n’affaiblit pas nécessairement le projet. Au contraire, elle précise sa vocation : LOBSTgER ne cherche pas à faire de l’IA un substitut au travail scientifique. Le projet explore plutôt comment la création visuelle peut rendre les connaissances existantes plus présentes dans l’espace public. La dimension émotionnelle, souvent absente des données brutes, peut devenir un levier pour mieux comprendre ce qui est en jeu.

Ce qu’il faut surveiller pour la suite

L’ambition à long terme de LOBSTgER est de développer un modèle capable de représenter une gamme plus large des espèces présentes dans le golfe du Maine. Pour y parvenir sans perdre la cohérence écologique recherchée, l’enrichissement de la bibliothèque photographique sera central. Plus les images seront variées, identifiées et replacées dans leur contexte, plus les visualisations pourront refléter la complexité du milieu.

La question de la transparence sera tout aussi importante. À mesure que les images générées deviennent convaincantes, le public doit pouvoir distinguer clairement une photographie de terrain d’une visualisation produite par IA. Cette distinction protège la valeur du travail documentaire et évite que l’émotion suscitée par une image ne soit confondue avec une donnée scientifique directe.

Enfin, le projet ouvre une piste pour d’autres systèmes marins. Chaque milieu possède ses espèces, ses conditions de lumière, ses rythmes et ses fragilités. Reproduire cette méthode ailleurs supposerait donc de constituer, pour chaque territoire, des archives visuelles locales et soigneusement décrites. C’est à cette condition que l’alliance entre photographie et IA pourra vraiment aider à rendre visible l’invisible, sans simplifier à l’excès les mondes océaniques qu’elle ambitionne de faire connaître.