De nouvelles cartes d’IA aident à protéger la biodiversité dans tous les secteurs
Les décisions relatives à la biodiversité reposent souvent sur des données incomplètes. Un site peut faire l’objet de plusieurs enquêtes réalisées à différentes périodes, par différentes équipes et selon différentes méthodes. Cela complique la comparaison entre sites, la détection précoce des tendances et l’explication des arbitrages lors de projets d’infrastructure, d’utilisation des sols ou de conservation. Le projet GUARDEN(s’ouvre dans une nouvelle fenêtre), financé par l’UE, entend améliorer la situation en proposant une boîte à outils de surveillance pratique. En combinant des indicateurs issus de l’observation satellitaire, la modélisation par IA, des plateformes de science participative, des capteurs acoustiques et des outils de réalité augmentée, le projet entend permettre des mises à jour plus fréquentes des données sur la biodiversité et les services écosystémiques, et en faciliter l’utilisation dans des contextes de planification concrets.
Des indicateurs satellitaires et d’IA applicables à grande échelle
Les résultats les plus solides de GUARDEN proviennent de la combinaison entre observation de la Terre et modélisation écologique fondée sur l’IA. Comme l’explique Pierre Bonnet, coordinateur du projet, «En conditions réelles, la combinaison des données d’observation de la Terre et de la modélisation écologique basée sur l’IA s’est révélée être l’une des approches de suivi les plus robustes et les plus extensibles dans GUARDEN». Ces indicateurs d’habitat dérivés de données satellitaires ont été conçus pour être reproductibles dans différents paysages et contextes de gouvernance, ce qui permet d’établir des comparaisons entre zones et scénarios. Pour en faciliter l’accès, GUARDEN a rendu ses cartes disponibles via l’outil de cartographie web GeoPl@ntNet(s’ouvre dans une nouvelle fenêtre). Cette approche est particulièrement adaptée à l’analyse de structures à l’échelle des paysages et le suivi des tendances, tandis que les caractéristiques locales fines et les espèces rares peuvent encore être difficiles à détecter sans relevés de terrain ciblés.
Combiner les méthodes pour réduire les angles morts
GUARDEN considère le suivi comme un problème de combinaison, chaque méthode présentant ses propres limites. Les observations issues de la science participative, via des plateformes spécifiques (MINKA et Pl@ntNet) fournissent des données utiles, mais restent sensibles aux biais d’échantillonnage et d’observation. Les capteurs acoustiques offrent une forte reproductibilité, mais leurs performances diminuent lorsque les enregistrements sont perturbés (vent, pluie, activités humaines) ou lorsque les espèces ciblées sont rares. La conclusion du projet est claire: «Aucune méthode de suivi ne se suffit à elle seule. Les résultats les plus fiables ont été obtenus lorsque les outils ont été explicitement combinés, chacun compensant les lacunes des autres». Avant leur intégration dans les modèles, les données ont fait l’objet de contrôles de qualité incluant la détection des doublons et anomalies, l’attribution de scores de confiance aux identifications, la définition de seuils d’incertitude et une validation croisée à partir de jeux de données de référence et d’échantillons validés par des experts.
Validation, étalonnage et effets opérationnels
La validation a été itérative, mêlant des enquêtes de terrain ciblées, des programmes de surveillance existants, des évaluations d’experts et des observations de citoyens. Une étape technique importante a consisté à évaluer le système d’apprentissage profond de GUARDEN dans le cadre des défis internationaux GeoLifeCLEF(s’ouvre dans une nouvelle fenêtre) et PlantCLEF(s’ouvre dans une nouvelle fenêtre), fournissant des points de référence externes et permettant d’ajuster les modèles. Lorsque les cartes et les observations de terrain divergeaient, la démarche consistait à en analyser les causes et à ajuster les modèles plutôt qu’à les écarter. «Lorsque des divergences apparaissaient entre les observations de terrain et les résultats des modèles, elles étaient interprétées comme des signaux d’amélioration plutôt que comme des échecs», souligne Pierre Bonnet.» Ces écarts s’expliquent notamment par des lacunes dans les données d’entraînement, des effets d’échelle et des facteurs de gestion locaux. Des ajustements ont été apportés lorsque nécessaire, y compris pour répondre à des exigences réglementaires. En pratique, les résultats de GUARDEN ont alimenté l’analyse de tracés pour des infrastructures de transport, de cibler les inventaires de terrain sur des zones identifiées comme sensibles par les modèles, de prioriser la gestion d’habitats périurbains et de signaler plus rapidement des espèces potentiellement envahissantes à partir de données citoyennes.
