L'intelligence artificielle au service de la modélisation de la biodiversité : de la prévision des assemblages d'espèces végétales à la compréhension et à la cartographie des habitats

La biodiversité subit des changements rapides en raison des pressions environnementales mondiales, mais notre capacité à surveiller et à prévoir la répartition des espèces et la dynamique des écosystèmes reste limitée par la qualité et l'échelle des données et des modèles disponibles. C'est pourquoi, dans cette thèse de doctorat, nous développons et évaluons plusieurs méthodes d'intelligence artificielle, allant des réseaux neuronaux convolutifs aux grands modèles de langage, afin de mieux cartographier et comprendre les espèces végétales vasculaires européennes, les indicateurs essentiels de la biodiversité et les types d'habitats terrestres. Tout d'abord, nous assemblons un vaste ensemble de données qui intègre des millions d'observations d'espèces de plantes vasculaires (provenant à la fois de données issues de la science citoyenne et d'experts scientifiques) combinées à divers prédicteurs environnementaux à haute résolution (tels que des images satellites, des séries temporelles climatiques et des variables environnementales). Sur cette base, nous concevons un modèle multimodal pour prédire avec précision la présence des espèces et dériver des indicateurs de biodiversité pour la surveillance de la santé des écosystèmes. Nous nous concentrons ensuite sur le cœur du projet : l'identification des habitats en fonction des assemblages d'espèces, en utilisant l'apprentissage profond et en mettant l'accent sur l'interprétabilité afin de mettre en évidence les facteurs écologiques. Afin de saisir la structure latente des communautés végétales, nous introduisons une nouvelle utilisation des grands modèles de langage, affinés pour apprendre la ''syntaxe'' des plantes coexistantes et ainsi capables de détecter les espèces manquantes dans les relevés incomplets. Enfin, nous combinons toutes ces étapes dans un pipeline en cascade capable de cartographier la répartition des espèces, les indicateurs de biodiversité et les types d'habitats à haute résolution à travers l'Europe, permettant ainsi des évaluations écologiques à grande échelle auparavant impossibles à réaliser, en offrant de nouveaux outils pour la surveillance de la biodiversité, la planification de la conservation et la gestion de l'utilisation des terres. Ce travail démontre le potentiel des approches modernes d'apprentissage automatique pour relever les défis de longue date en écologie. À l'aide de la télédétection, de variables environnementales et de données sur la présence des espèces, nous avons mis au point un pipeline offrant une vue d'ensemble de la dynamique des écosystèmes. En rendant toutes nos découvertes open source, nous fournissons un cadre évolutif pour l'évaluation future de la biodiversité et la planification de sa conservation.