Gillespie et ses collègues ont créé un outil d’IA appelé Deepbiosphere pour suivre la biodiversité végétale. À l’aide d’images satellite et de données de scientifiques citoyens, ce modèle d’apprentissage profond a cartographié plus de 2,000 XNUMX espèces de plantes à travers la Californie. Il surpasse les méthodes traditionnelles, repérant à la fois les séquoias imposants et les fleurs sauvages avec une grande précision. Deepbiosphere pourrait révolutionner les efforts mondiaux de surveillance de la vie végétale, nous aidant à comprendre comment le changement climatique et l’activité humaine remodèlent les écosystèmes.
Les auteurs affirment que Deepbiosphere surpasse les modèles traditionnels de distribution des espèces, en atteignant une plus grande précision. Il peut cartographier les espèces avec une résolution allant jusqu'à quelques mètres et identifier avec précision les communautés végétales. Le modèle a détecté à la fois les repousses matures et jeunes dans les forêts de séquoias, montrant les effets durables de la déforestation. Il peut également identifier les changements rapides dans les communautés végétales après des événements tels que les incendies de forêt, démontrant ainsi son potentiel pour surveiller les changements de la biodiversité au fil du temps.
Gillespie et ses collègues ont développé Deepbiosphere, un modèle d'apprentissage profond, basé sur une architecture de réseau neuronal convolutif modifiée. Ce modèle utilise des images aériennes issues du Programme national d'imagerie agricole (NAIP) et plus de 650 000 observations de plantes réalisées par des citoyens scientifiques en Californie. Il a été entraîné à prédire la présence de 2 221 espèces végétales. Ses performances ont été comparées à celles d'approches de modélisation traditionnelles telles que MaxEnt et Random Forest.
La biodiversité végétale évolue rapidement en raison de la destruction des habitats et du changement climatique. Les méthodes traditionnelles n'ont pas la résolution spatiale et temporelle nécessaire pour détecter ces changements rapides pour chaque espèce. L'approche de Deepbiosphere, qui combine apprentissage profond et télédétection, offre de nouvelles possibilités de surveillance de la biodiversité à haute résolution.
À terme, nous envisageons un changement de paradigme vers des modèles de base open source qui sont continuellement formés et améliorés avec de nouvelles données de télédétection, des observations scientifiques citoyennes et des modalités de données à mesure qu'elles deviennent disponibles. La réalisation de cet objectif à partir d'images aériennes ou satellitaires publiques et d'observations scientifiques citoyennes croissantes rendra la surveillance de la biodiversité plus accessible, faisant ainsi progresser les objectifs locaux et mondiaux de conservation de la nature.
Gillespie, LE, Ruffley, M., et Exposito-Alonso, M. (2024). Les modèles d'apprentissage profond cartographient les changements rapides des espèces végétales à partir de données de science citoyenne et de télédétection. Actes de l'Académie nationale des sciences, 121(37), e2318296121. https://doi.org/10.1073/pnas.2318296121 (OA)
Posté sur Bluesky, Mastodonte & Threads.
