Lors de la 34e Conférence de l’European Vegetation Survey à Clermont-Ferrand, Giulio Martellucci, doctorant chez Pl@ntNet, a présenté de nouveaux résultats de recherche montrant comment des données historiques issues de relevés de végétation peuvent aider l’intelligence artificielle à identifier les plantes au sein de communautés naturelles complexes.
Du 7 au 11 septembre 2026, des scientifiques et experts de la végétation venus de toute l’Europe se sont réunis à Clermont-Ferrand, en France, à l’occasion de la 34e Conférence de l’European Vegetation Survey (https://34evs2026.org/). Intitulée « Données historiques, dynamiques et conservation », la conférence s’est intéressée à la manière dont les données de végétation peuvent contribuer à la recherche en écologie, au suivi de la biodiversité, ainsi qu’à la conservation et à la restauration.
Lors de la session consacrée au suivi de la végétation et à la conservation de la biodiversité, Giulio Martellucci a présenté un travail intitulé « Exploiter l’European Vegetation Archive pour lever les ambiguïtés visuelles dans le suivi automatisé de la biodiversité ».
Ce travail, réalisé dans le cadre de sa thèse de doctorat (et menée dans le cadre du projet Pl@ntAgroEco), associe la vision par ordinateur et la science de la végétation pour répondre à l’un des principaux défis du suivi automatisé de la biodiversité : identifier plusieurs espèces végétales au sein d’images complexes représentant de véritables communautés végétales.
Pourquoi les communautés végétales restent-elles difficiles à identifier pour l’intelligence artificielle ?
Les modèles de deep learning ont fait des progrès remarquables dans l’identification des plantes à partir de photographies, en particulier lorsqu’une image montre un spécimen unique et clairement visible. Les communautés végétales naturelles présentent toutefois un problème bien plus complexe. Une photographie prise dans une prairie, une forêt ou une zone humide peut contenir de nombreuses espèces poussant côte à côte. Les plantes peuvent se chevaucher, n’apparaître que partiellement sur l’image ou encore être observées dans des conditions d’éclairage difficiles. Des espèces proches peuvent également présenter des caractéristiques visuelles et morphologiques très similaires, ce qui les rend difficiles, voire même parfois impossibles, à distinguer sur leur seule apparence.
C’est dans le cadre de ses recherches que Giulio a pu étudié en détails comment les informations écologiques peuvent contribuer à lever cette ambiguïté visuelle. Il prend notamment en compte le fait que chaque espèce possède des préférences écologiques et tend à coexister plus fréquemment avec certaines espèces plutôt qu’avec d’autres. Lorsqu’un modèle visuel hésite entre plusieurs identifications possibles, les informations sur les plantes susceptibles de se trouver ensemble peuvent fournir un indice supplémentaire et pertinent sur le plan écologique.
Cette recherche a été développée en collaboration avec le groupe de travail European Vegetation Survey (https://euroveg.org/), qui gère l’European Vegetation Archive, ou EVA et dont l’objectif est de constituer et de maintenir un référentiel unique d’observations issues de relevés de végétation réalisés en Europe et dans les régions voisines.
Dans l’approche présentée par Giulio, deux sources d’information complémentaires sont combinées : l’information visuelle (issue des prédictions du modèle Pl@ntNet) et l’information écologique (issue de ces relevés de végétation de l’EVA). Utilisées conjointement, ces informations permettent de générer une « couche corrective » qui aide le modèle d’IA de Pl@ntNet à départager plusieurs espèces visuellement plausibles lorsqu’il est appliqué à des relevés de végétation. Les travaux de doctorat de Giulio s’inscrivent d’ailleurs dans une collaboration scientifique plus large entre les communautés EVA et Pl@ntNet.
Les données de relevés de végétation de l’EVA avaient déjà contribué aux travaux menés par César Leblanc et publiés dans Nature Plants sous le titre « Learning the syntax of plant assemblages » (https://www.nature.com/articles/s41477-025-02105-7). Or, ce travail devellopé Giulio Martellucci explore quant à lui une direction complémentaire : utiliser les connaissances sur les assemblages végétaux pour améliorer directement l’identification des espèces à partir d’images. Ensemble, ces projets montrent comment les données écologiques historiques et les avancées récentes de l’intelligence artificielle peuvent se renforcer mutuellement.
