Un nouvel outil de calcul de l'Institut fédéral de recherche WSL montre où les espèces végétales
sont présentes en Suisse aujourd'hui et le seront à l'avenir. Il utilise entre autres des millions de
d'observations signalées par la population. La combinaison de cette énorme quantité de données
avec des algorithmes capables d'apprendre permet d'obtenir une
précision sans précédent des cartes de répartition.

Un nouvel outil de calcul de l'Institut fédéral de recherches WSL indique où poussent
les espèces végétales en Suisse et où elles se trouveront à l'avenir. Il utilise notamment
des millions d'observations rapportées par le grand public. La combinaison de cette
énorme quantité de données avec des algorithmes d'apprentissage permet d'obtenir
une précision encore inégalée pour des cartes de répartition de la végétation.

Un nuovo strumento di calcolo dell'Istituto Federale di Ricerca WSL indica la presenza
di specie vegetali in Svizzera oggi e in futuro. Per farlo, utilizza milioni di osservazioni
riportate dalla popolazione. La combinaison de cette énorme quantité de données avec des algorithmes adaptés permet d'obtenir une précision sans précédent des cartes de distribution.

Extraire les informations décisives pour la recherche et la pratique à partir d'une énorme quantité de données est l'un des grands défis de l'ère du Big Data. Les chercheurs du WSL viennent de développer un outil qui permet d'estimer avec une grande précision la répartition actuelle et future des espèces végétales en Suisse à partir des observations de plantes signalées.

Connaître et prévoir la répartition des espèces végétales

Les chercheurs mesurent l'état de la biodiversité par des observations sur le terrain et des extrapolations (modélisations) sur ordinateur. En saisissant l'habitat préféré d'une espèce, c'est-à-dire sa niche écologique, ainsi que les conditions environnementales locales, ils peuvent établir des cartes de répartition à l'aide d'algorithmes. La recherche profite du fait que la "Citizen Science" ou science participative est à la mode. Les possibilités d'observer et d'identifier les plantes à l'aide d'applications et de partager les données ont fortement augmenté ces dernières années. Philipp Brun, auteur principal de l'étude parue dans Nature Communications, déclare : "Grâce aux observations de la population, nous, les chercheurs, obtenons des informations plusieurs fois supérieures à ce qu'il serait possible d'obtenir par un travail personnel sur le terrain". Les nombreuses observations ne donnent pas seulement un aperçu des endroits préférés des espèces, mais montrent aussi quelles plantes poussent ou fleurissent à quel moment.

Exemple FlorID
Les utilisateurs de la populaire FlorApp d'InfoFlora peuvent partager leurs observations pour la science. Le module FlorID a été développé en étroite collaboration avec InfoFlora, le centre national de données et d'informations sur la flore suisse, et peut également être utilisé dans une version plus conviviale via un site web (https://florid.ch/) ou comme module dans FlorApp. Les prévisions du modèle décrit ici sont également utilisées par FlorID.
Grâce aux estimations du modèle de biodiversité, l'identification des plantes est encore plus précise qu'avec les méthodes basées sur la simple reconnaissance d'images. Cela ne sert pas seulement à soutenir les Citizen Scientists sur le terrain, mais aussi à contrôler la qualité de la base de données d'InfoFlora.

Un nouvel outil ouvre des perspectives

Sur la base de 6,7 millions d'observations de plantes et grâce à l'utilisation de l'intelligence artificielle, le WSL a développé un modèle de biodiversité inédit qui calcule la répartition de 2477 espèces végétales en Suisse. Il montre à 25 m près et jour après jour quelles plantes peuvent être observées à quel endroit et comment cela évolue au fil des saisons. Pour certaines espèces, il permet aussi d'estimer par exemple la date probable de leur floraison.
L'étude qui vient d'être publiée montre que ce modèle de biodiversité à apprentissage profond permet de prédire plus précisément la répartition des espèces et notamment la composition des communautés d'espèces que les approches courantes utilisées jusqu'ici. L'outil du WSL peut par exemple indiquer quelle espèce d'arbre est la plus probable dans quelle forêt. Les changements attendus en raison du changement climatique sont également pris en compte dans les calculs. Ainsi, l'outil permet non seulement de prévoir si une espèce disparaîtra, se maintiendra ou apparaîtra à un endroit donné, mais aussi comment sa présence pourrait évoluer au cours de la saison.

La quantité d'observations est déterminante

Le modèle est le plus précis là où de très nombreuses observations sont disponibles. Philipp Brun est convaincu du potentiel de cet outil encore nouveau et susceptible d'être développé : "Il est fort possible que ce modèle saisonnier de biodiversité, avec son approche d'apprentissage en profondeur, fasse bientôt partie des instruments standard de la recherche écologique".
La crise de la biodiversité est l'un des grands défis actuels de la société. Les plantes sont en grande partie responsables de la structure de la plupart des écosystèmes et remplissent des fonctions écosystémiques décisives. Il est donc très important de comprendre en détail les modèles de répartition des espèces végétales et leurs réactions possibles aux changements environnementaux. Ce n'est qu'ainsi que nous pourrons prendre des mesures efficaces et durables pour la protection de la biodiversité sur
.

Publication :
Brun, P., Karger, D.N., Zurell, D. et al. : Multispecies deep learning using citizen science data produces more informative plant community models. Nat Commun 15, 4421 (2024). https://doi.org/10.1038/s41467-024-48559-9