Ne vous êtes-vous jamais demandé quelles plantes vous pourriez observer autour de vous, ou lors de votre prochaine randonnée? Ce service pourrait vous aider à y répondre.
La consultation des espèces de plantes potentiellement présentes en un lieu donné peut offrir un grand nombre d’intérêts, que ce soit pour des professionnels de la gestion environnementale ou des novices en botanique. Un tel service peut par exemple permettre d’améliorer la planification de campagnes d’observations, ou bien faciliter la gestion de certains espaces en anticipant l’apparition de nouvelles espèces. Il peut également être un outil très utile pour nourrir la discussion entre les citoyens et les décideurs au sujet de l’aménagement du territoire et de l’impact des infrastructures humaines sur la biodiversité.
Ce service original, intitulé GeoPl@ntNet vous permet, à partir de la sélection d’un point sur une carte et d’un rectangle autour de ce point, de connaître les espèces de plantes déjà observées ou potentiellement présentes dans cette zone. Il s’appuie sur les données Pl@ntNet bien sûr mais aussi plus généralement sur les données du GBIF, la plus grande plateforme de données de biodiversité au monde à laquelle Pl@ntNet contribue (voir l’article à ce sujet). Pour pouvoir prédire les espèces aux endroits où il n’y a pas ou très peu de donnée, l’application utilise un algorithme d’intelligence artificielle (appelé un Deep-SDM*), entraîné à prédire les espèces présentes à partir de données satellitaires haute résolution (celles de l’IGN) et de données environnementales (température, précipitation, type de sol, etc.). Cette technologie est issue de plusieurs travaux de thèse menés au sein de l’équipe de recherche Pl@ntNet [1,2,3] et a été mise en œuvre dans le cadre du projet européen Cos4Cloud qui s’intéresse plus généralement aux nouvelles technologies pour les sciences citoyennes. Le service est actuellement principalement adapté pour les prédictions en France métropolitaine. Vous pouvez l’utiliser hors de France, mais dans ce cas, seules les occurrences connues sont exploitées et vous ne bénéficierez pas des prédictions de l’IA dans les zones où il n’y pas de données.
N’hésitez pas à nous faire part de votre perception et vos suggestions d’améliorations.
L’équipe Pl@ntNet.
* “Deep-SDM” : Modèle de distribution géographique potentielle d’espèce réalisé à partir de l’entrainement d’un réseau de neurone profond convolutif.
1. Botella, C., Joly, A., Bonnet, P., Monestiez, P., & Munoz, F. (2018). A deep learning approach to species distribution modelling. In Multimedia Tools and Applications for Environmental & Biodiversity Informatics (pp. 169-199). Springer, Cham.
2. Deneu, B., Servajean, M., Bonnet, P., Botella, C., Munoz, F. and Joly, A., 2021. Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment. PLoS computational biology, 17(4), p.e1008856. https://doi.org/10.1371/journal.pcbi.1008856
3. Deneu, B., Joly, A., Bonnet, P., Servajean, M. and Munoz, F., 2022. Very High Resolution Species Distribution Modeling Based on Remote Sensing Imagery: How to Capture Fine-Grained and Large-Scale Vegetation Ecology With Convolutional Neural Networks?. Frontiers in Plant Science, 13. https://doi.org/10.3389%2Ffpls.2022.839279
