L’IA permet à iNaturalist de cartographier les plantes californiennes avec une précision sans précédent

En utilisant les données avancées de l’intelligence artificielle et de la science citoyenne de l’application iNaturalist, des chercheurs de l’Université de Californie à Berkeley ont développé certaines des cartes les plus détaillées à ce jour présentant la répartition des espèces végétales de Californie.

iNaturalist est une application pour téléphone portable largement utilisée, développée à l’origine par des étudiants de l’UC Berkeley, qui permet aux gens de télécharger des photos et des données de localisation de plantes, d’animaux ou de toute autre vie qu’ils rencontrent, puis de collecter leur identité. L’application compte actuellement plus de 8 millions d’utilisateurs dans le monde qui ont collectivement téléchargé plus de 200 millions d’observations.

Les chercheurs ont utilisé un type d’intelligence artificielle appelé réseau neuronal convolutif, qui est un modèle d’apprentissage profond, pour corréler les données scientifiques citoyennes sur les plantes de Californie avec des images satellite ou aériennes de télédétection à haute résolution de l’État. Le réseau a découvert des corrélations qui ont ensuite été utilisées pour prédire l’aire de répartition actuelle de 2 221 espèces de plantes dans toute la Californie, à des échelles de quelques mètres carrés.

Les botanistes établissent généralement des cartes d’espèces de haute qualité en répertoriant minutieusement toutes les espèces végétales d’une zone, mais cela n’est pas réalisable en dehors de quelques petites zones naturelles ou parcs nationaux. Au lieu de cela, le modèle d’IA, appelé Deepbiosphere, exploite les données gratuites d’iNaturalist et d’avions ou de satellites de télédétection qui couvrent désormais la totalité du globe. Avec suffisamment d’observations par des scientifiques citoyens, le modèle pourrait être déployé dans des pays manquant de données scientifiques détaillées sur la répartition des plantes et leurs habitats pour surveiller les changements de végétation, tels que la déforestation ou la repousse après des incendies de forêt.

Les constatations ont été publiés Le 5 septembre dans le journal Actes de l’Académie nationale des sciences par Moisés « Moi » Expósito-Alonso, professeur adjoint de biologie intégrative à l’UC Berkeley, premier auteur Lauren Gillespie, doctorante en informatique à l’Université de Stanford, et leurs collègues. Gillespie bénéficie actuellement d’une subvention du programme étudiant américain Fulbright pour utiliser des techniques similaires pour détecter les modèles de biodiversité végétale au Brésil.

« Au cours de mon année ici au Brésil, nous avons connu la pire sécheresse jamais enregistrée et l’une des pires saisons d’incendies jamais enregistrées », a déclaré Gillespie. « Jusqu’à présent, les données de télédétection ont pu nous indiquer où ces incendies se sont produits ou où la sécheresse est la plus grave, et avec l’aide d’approches d’apprentissage en profondeur comme Deepbiosphere, elles nous diront bientôt ce qui arrive aux espèces individuelles sur le terrain. »

« C’est un objectif : l’étendre à de nombreux endroits », a déclaré Expósito-Alonso. « Presque tout le monde possède un smartphone désormais, alors peut-être que les gens commenceront à prendre des photos des habitats naturels et que cela pourra être fait à l’échelle mondiale. À un moment donné, cela nous permettra d’avoir des couches dans Google Maps montrant où se trouvent tous les les espèces le sont, donc nous pouvons les protéger.

En plus d’être gratuites et couvrant la majeure partie de la Terre, les données de télédétection sont également plus fines et plus fréquemment mises à jour que d’autres sources d’informations, telles que les cartes climatiques régionales, qui ont souvent une résolution de quelques kilomètres. L’utilisation des données scientifiques citoyennes avec des images de télédétection – uniquement des cartes infrarouges de base qui fournissent uniquement une image et la température – pourrait permettre une surveillance quotidienne des changements de paysage difficiles à suivre.

Une telle surveillance peut aider les écologistes à découvrir les points chauds de changement ou à identifier les zones riches en espèces nécessitant une protection.

« Grâce à la télédétection, nous obtenons presque tous les quelques jours de nouvelles images de la Terre avec une résolution d’un mètre », a déclaré Expósito-Alonso. « Ceux-ci nous permettent désormais de suivre potentiellement en temps réel les changements dans la répartition des plantes et les changements dans la répartition des écosystèmes. Si les gens déboisent des endroits éloignés de l’Amazonie, ils ne peuvent plus s’en sortir – cela est signalé par ce réseau de prédiction. »

Expósito-Alonso, qui a déménagé de Stanford à l’UC Berkeley plus tôt cette année, est un biologiste évolutionniste qui s’intéresse à la façon dont les plantes évoluent génétiquement pour s’adapter au changement climatique.

« J’ai ressenti le besoin d’avoir une méthode évolutive pour savoir où se trouvent les plantes et comment elles se déplacent », a-t-il déclaré. « Nous savons déjà qu’ils essaient de migrer vers des zones plus fraîches, qu’ils essaient de s’adapter à l’environnement auquel ils sont confrontés actuellement. L’essentiel de notre laboratoire consiste à comprendre ces changements et ces impacts et à déterminer si les plantes évolueront. s’adapter. »

Dans l’étude, les chercheurs ont testé Deepbiosphere en excluant certaines données iNaturalist de l’ensemble de formation de l’IA, puis en demandant au modèle d’IA de prédire les plantes dans la zone exclue. Le modèle d’IA avait une précision de 89 % pour identifier la présence d’espèces, contre 27 % pour les méthodes précédentes. Ils l’ont également comparé à d’autres modèles développés pour prédire où les plantes poussent en Californie et comment elles migreront avec la hausse des températures et l’évolution des précipitations. L’un de ces modèles est Maxentdéveloppé au Musée américain d’histoire naturelle, qui utilise des grilles climatiques et des données végétales géoréférencées. Deepbiosphere a obtenu des résultats nettement meilleurs que Maxent.

Ils ont également testé Deepbiosphere par rapport à des cartes végétales détaillées créées pour certains parcs de l’État. Il a prédit avec une précision de 81,4 % l’emplacement des séquoias dans le parc national de Redwood en Californie du Nord et a capturé avec précision (avec R2=0,53) la gravité des brûlures causées par l’incendie de bordure de 2013 dans le parc national de Yosemite.

« Ce qui était incroyable dans ce modèle proposé par Lauren, c’est que vous l’entraînez simplement avec des données accessibles au public que les gens continuent de télécharger avec leur téléphone, mais vous pouvez extraire suffisamment d’informations pour pouvoir créer des cartes bien définies en haute résolution. » » a déclaré Expósito-Alonso. « La question suivante, une fois que nous comprenons les impacts géographiques, est la suivante : « Les plantes vont-elles s’adapter ? »

Megan Ruffley, également de la Carnegie Institution for Science à Stanford, est co-auteur de l’article.

Plus d’informations :
Lauren E. Gillespie et al, Les modèles d’apprentissage en profondeur cartographient les changements rapides d’espèces végétales à partir de données scientifiques citoyennes et de télédétection, Actes de l’Académie nationale des sciences (2024). DOI : 10.1073/pnas.2318296121

Fourni par l’Université de Californie – Berkeley

ph-tech