Nouveaux outils d’IA pour le suivi des espaces naturels protégés en Europe
La surveillance de la biodiversité présente souvent des lacunes, car la nature est vaste, les moyens sur le terrain sont limités et de nombreuses espèces ne sont présentes qu’à certaines périodes ou dans des conditions spécifiques. Le projet MAMBO(s’ouvre dans une nouvelle fenêtre), financé par l’UE, développe des outils intégrant des caméras, des enregistreurs sonores et la télédétection pour aider les agences et les gestionnaires de sites à suivre les espèces et à évaluer les conditions de l’habitat plus fréquemment, sur des zones plus vastes et avec moins de travail manuel.
Une IA qui reconnaît les espèces à partir de photos et de sons
MAMBO a contribué à améliorer les performances de services d’identification et de cartographie les plus fréquemment utilisés, notamment Pl@ntNet(s’ouvre dans une nouvelle fenêtre), Observation.org(s’ouvre dans une nouvelle fenêtre) et GeoPl@ntNet(s’ouvre dans une nouvelle fenêtre). Concrètement, la détection automatisée d’espèces à partir d’images donne de bons résultats. En revanche, la fiabilité de l’identification dépend fortement des groupes d’espèces et des données d’entraînement disponibles. Le coordinateur du projet, Toke Thomas Høye, explique: «Pour les animaux, le niveau de détection est globalement satisfaisant. En revanche, l’identification fonctionne particulièrement bien pour les oiseaux et les papillons de nuit, tandis que la reconnaissance de certaines espèces de chauves-souris à partir d’ultrasons, ou de nombreux autres insectes à partir d’images, reste complexe». Le projet a également développé des outils des outils capables d’analyser une parcelle de végétation complète à partir d’une seule image, facilitant la standardisation des relevés botaniques et allégeant la charge de travail des experts.
Cartographier l’état des habitats grâce au LiDAR, aux drones et aux satellites
Les données sur les espèces ne suffisent pas à elles seules. Les zones protégées nécessitent aussi des indicateurs comparables de l’état des habitats, entre sites et entre pays. MAMBO a développé un processus permettant d’extraire des indicateurs de structure verticale ligneuse à partir de données LiDAR, puis l’a étendu à l’échelle nationale via des campagnes LiDAR. Il a également exploré les flux de travail des drones, par exemple l’estimation de la couverture et de la biomasse des arbustes dans les sites de réintroduction, la cartographie du bois mort dans les forêts et la détection des traces de grands mammifères dans les roselières. L’un des principaux avantages est une couverture cohérente des détails les plus fins. Comme le souligne l’équipe, «En capitalisant sur l’imagerie satellitaire et les données de biodiversité existantes, la technologie évolutive développée pour la cartographie des espèces et des habitats a permis d’accéder à des prévisions cohérentes couvrant l’Europe avec une résolution spatiale inédite de 50 m, inaccessible aux méthodes de surveillance traditionnelle in situ de la biodiversité». Le maintien à jour de cartes nécessite toutefois des données satellites actualisées ainsi que des observations de terrain continues pour l’entraînement et l’évaluation.
Du prototype à l’outil opérationnel: enjeux et perspectives
De nombreux flux de travail d’IA fonctionnent en environnement expérimental, mais peinent à s’imposer en conditions réelles, où les équipes ont besoin d’interfaces simples, de résultats clairs et d’assistance. MAMBO a identifié cet enjeu dès le départ, comme le souligne Niels Raes, participant au projet: «L’un des principaux défis a consisté à associer les dernières avancées et fonctionnalités en matière d’IA à des outils conviviaux permettant d’accéder aux résultats sous des formats adaptés aux parties prenantes». Plusieurs sorties sont déjà exploitables. Le projet propose notamment un tutoriel et une application web publique pour les relevés de végétation par quadrats à partir d’images. GeoPl@ntNet permet, quant à lui, de visualiser et de synthétiser les prédictions relatives aux habitats et aux espèces végétales à différentes échelles spatiales. Le flux de travail LiDAR de MAMBO a été déployé sur plusieurs sites pilotes en Europe et produit des indicateurs harmonisés décrivant la hauteur de la végétation, son couvert et sa complexité structurelle. Les outils de MAMBO alimenteront également le projet Biodiversity Meets Data (BMD)(s’ouvre dans une nouvelle fenêtre), qui entend créer une plateforme numérique centralisée (le Single Access Point) dédiée au suivi haut débit par les gestionnaires de Natura 2000 et les décideurs politiques. Ce projet est coordonné par Niels Raes. Dans ce cadre, il s’appuiera sur les algorithmes d’analyse d’images et de sons de MAMBO pour permettre l’identification (semi)automatisée à partir de pièges photographiques et d’enregistrements, tandis que BMD se concentrera sur l’intégration des outils, des données et des analyses dans un point d’accès unique facilitant le reporting au titre des directives européennes sur la nature.