Du 2 au 4 février dernier, l’équipe Pl@ntNet était au meeting annuel du projet CoForFunc pour présenter ses activités autour d’un nouveau développement : l’identification d’arbres de forêts tropicales à partir d’images prises par drone !
Cette nouvelle fonctionnalité, mise en place pour la première fois dans le cadre du concours XPrize (dont nous vous avions parlé ici !), visait à explorer le potentiel d’utiliser des photographies de canopée issues de drones pour identifier des arbres tropicaux dans les forêts du Brésil. Les résultats obtenus étaient alors déjà très encourageants.
Cette expérience se poursuit aujourd’hui au sein de deux projets (OFVi et CoForFUNC) centrés sur la forêt du bassin du Congo, un hotspot mondial de biodiversité fortement menacé par les changements climatiques et les pressions anthropiques. Ces deux projets devraient permettre de rendre opérationnelle cette nouvelle fonction et de l’appliquer à diverses questions de recherche comme la structure et la composition de ces forêts ou encore leurs variations phénologiques dans le temps.
Ce travail se base sur les nombreuses images produites par l’UMR AMAP depuis plusieurs années sur ces forêts. Le modèle Pl@ntNet a ainsi bénéficié pour son entrainement de plus de 10000 photographies annotées de couronnes d’arbres, couvrant plus de 100 espèces du sud du Cameroun. Cette base de données, rare par sa qualité, son exhaustivité et son format drone, a permis au modèle Pl@ntNet d’obtenir des performances remarquables pour l’identification d’espèces directement depuis la canopée.
Aujourd’hui, cette technologie ouvre la voie à un suivi rapide, à grande échelle et à moindre coût des forêts tropicales. Cette nouvelle fonctionnalité ouvre de nombreuses perspectives de recherche comme une meilleure compréhension de la structure et de la dynamique des forêts ainsi que de leur réponse aux changements environnementaux.
Au-delà des performances prometteuses du modèle, une analyse plus fine des « erreurs » du modèle a montré que les faibles performances observées étaient plutôt liées à des erreurs humaines dans le jeu de données d’entraînement (mauvaise identification ou images mal cadrées) que des limites du modèle lui-même.
Ce constat souligne à nouveau l’importance cruciale des données de référence validées, produites en quantité et en qualité suffisantes par des experts, pour le développement d’outils fiables de suivi automatisé de la biodiversité.
Ces résultats ouvrent des perspectives d’amélioration, notamment pour renforcer la capacité du modèle à exclure automatiquement les situations les plus propices aux erreurs, tout en élargissant à terme le nombre d’espèces identifiables et l’échelle d’analyse.
