Au cours des deux dernières semaines de notre Numéro spécial sur la botanique numériqueNous avons pu constater l'ampleur du travail accompli par les herbiers du monde entier pour numériser leurs collections et les rendre accessibles en ligne. Des millions de spécimens, dont environ 7.3 millions à l'herbier national, sont concernés. Jardins botaniques royaux, Kew, et 4.6 millions à la Jardin botanique de New York — deviennent accessibles aux chercheurs, aux étudiants et aux passionnés de botanique bien au-delà des murs de leurs institutions. Mais l'accès n'est qu'un premier pas. 

Une fois ces collections en ligne, les utilisateurs ont toujours besoin de moyens pour rechercher, interpréter et identifier des spécimens à grande échelle. Les chercheurs développent des outils pour faciliter cette recherche, afin que l'exploration de millions de spécimens ne se résume pas à les parcourir un par un. Voici trois outils et méthodes de travail utiles qui méritent une place de choix dans la boîte à outils de tout botaniste numérique.

Wikidata : relier des fragments épars de connaissances botaniques

WikidataWikidata, projet frère de Wikipédia, est une base de connaissances multilingue et ouverte qui permet de relier des informations botaniques souvent dispersées. De quel type d'informations s'agit-il ? Pratiquement tout : une espèce végétale, un collecteur, une publication, une expédition de terrain, un site de collecte ou même une séquence d'ADN. Chacune de ces informations peut avoir sa propre entrée Wikidata, dotée d'un identifiant unique qui peut être relié à d'autres, créant ainsi un réseau interconnecté de connaissances botaniques.

Pour les botanistes, la véritable valeur de Wikidata réside dans ce que ces liens rendent possible. Un exemple utile en est l'histoire de Oxalis psoraleoides subsp. insipide, Qui Sabine von Mering et ses collègues présentent dans leur récent articleGrâce à Wikidata, un utilisateur peut suivre l'évolution de cette plante à travers plus de deux siècles de travaux botaniques : de Saint-Hilaireles collections de au Brésil, à Darwin's Oxalis spécimen provenant Fernando de Noronha, to Alicia LourteigLa révision taxonomique ultérieure de Wikidata permet d'étendre la piste jusqu'aux collections plus anciennes, aux publications nominatives, aux études moléculaires, aux séquences d'ADN, aux insectes pollinisateurs et aux usages traditionnels. Autrement dit, Wikidata transforme des faits ou des liens isolés que les chercheurs devraient autrement reconstituer manuellement en une histoire cohérente d'une plante, de ses noms, de ses collecteurs et de ses usages. Les utilisateurs peuvent explorer ces liens en effectuant des recherches directement dans Wikidata, en améliorant les entrées existantes, en ajoutant des informations manquantes ou en posant des questions plus générales sur l'ensemble des données. Service de requêtes Wikidata.

Wikidata ne remplace pas les bases de données spécialisées, les catalogues d'herbiers ni l'expertise taxonomique. Sa valeur réside dans sa capacité à faciliter leur mise en relation, rendant ainsi l'accès, la vérification, la réutilisation et l'enrichissement des informations botaniques plus aisés. Pour quiconque travaille avec des données numériques sur les plantes, c'est un moyen de créer des liens entre des connaissances dispersées et de les préserver pour les générations futures.

Herbariographe : trier le fouillis caché des images d'herbier

Les collections numérisées ne se limitent pas aux seules planches d'herbier. Elles peuvent également inclure des illustrations, des lames microscopiques, des pages de texte, des spécimens partiellement masqués, des fichiers corrompus et de nombreux autres types d'images. Avant de pouvoir utiliser ces images, les chercheurs doivent savoir précisément ce qu'elles contiennent. C'est là que… Herbier entre en jeu.

Herbier, Développé par Fabio Andrés Ávila et ses collègues, cet outil d'apprentissage profond est conçu pour reconnaître les types d'images courants dans les bases de données de collections botaniques. Pour ce faire, les chercheurs ont créé un jeu de données ouvert comprenant 17 catégories d'images, chacune représentée par 12 288 images provenant de 43 institutions. Ils ont ensuite entraîné un modèle de reconnaissance d'images afin de distinguer différents types d'images de collections botaniques, notamment les spécimens d'herbier, les illustrations, les images microscopiques, le texte, les plantes vivantes, les fichiers endommagés et d'autres images problématiques. Concrètement, Herbier permet de trier de grands lots d'images de collections avant que les chercheurs ou les conservateurs n'entament un travail plus détaillé.

Cela en fait un outil précieux dès les premières étapes du travail d'herbier numérique. Un chercheur spécialisé dans les caractéristiques des feuilles n'aura peut-être besoin que de fiches d'échantillons standard ; un chercheur en IA souhaitera peut-être supprimer des illustrations ou des fichiers corrompus ; un conservateur voudra peut-être signaler les images de mauvaise qualité. Au lieu d'ouvrir manuellement des milliers de fichiers, Herbier Il peut effectuer un premier tri. Il ne remplace pas le jugement humain, mais il peut considérablement raccourcir le chemin qui mène des « millions d'images en ligne » aux « images pertinentes pour cette question ».

Jeux de données validés par des experts : enseigner l’IA grâce à de meilleures images d’herbier

L'identification automatisée des plantes semble être le genre de chose qui devrait se simplifier une fois que des millions de spécimens d'herbier seront disponibles en ligne. Mais il y a un hic : les modèles d'intelligence artificielle ne valent que par la qualité des images et des étiquettes utilisées pour leur entraînement. Si l'ensemble de données est déséquilibré, contient de nombreux doublons ou des identifications obsolètes ou douteuses, le modèle risque d'apprendre de mauvaises habitudes. Le pipeline développé par Jed Arno et ses collègues aborde cette étape moins glamour mais essentielle : comment constituer des ensembles de données d’images fiables à partir de collections d’herbiers numérisées avant de demander à l’IA d’identifier les plantes.

Le pipeline échantillonne des images numérisées de spécimens via GBIF, les prétraite, équilibre la représentation des différents taxons et ajoute des étiquettes taxonomiques qui peuvent ensuite être vérifiées par des experts. L'équipe l'a testé sur deux familles de plantes : les Cypéracées, un groupe de monocotylédones complexe, et les Rhamnacées, une famille d'eudicotylédones. Ils ont utilisé les jeux de données pour entraîner des modèles d'apprentissage profond au niveau du genre dans les deux familles, et au niveau de l'espèce dans les Rhamnacées. Bulbostyle et ZizipheLors des tests, le premier genre suggéré par le modèle était correct dans au moins 72 % des cas. Le genre correct figurait parmi les trois premières suggestions dans au moins 88 % des cas, et parmi les cinq premières avec une précision d'au moins 92 %. Au niveau de l'espèce, la première suggestion était correcte dans 65 % des cas. Bulbostyle et 72% pour Ziziphe, atteignant 89 % et 90 % lorsque cinq suggestions étaient autorisées.

L'intérêt de ce processus réside dans son utilité pour les taxonomistes travaillant à plus grande échelle. Un conservateur ou un chercheur pourrait l'utiliser pour constituer un jeu de données d'images plus précis, entraîner un modèle d'identification et générer des noms suggérés pour de nombreux spécimens. Ces suggestions nécessiteraient toujours l'avis d'un expert, notamment pour les groupes complexes, mais elles permettraient de prioriser les tâches, de repérer les erreurs potentielles et d'accélérer les identifications de routine.

Ensemble, ces outils démontrent que la botanique numérique ne se limite pas à la mise en ligne de spécimens, mais vise aussi à faciliter leur recherche, leur tri, leur mise en relation et leur utilisation. Aucun de ces outils ne dispense de l'expertise botanique. Au contraire, ils permettent d'étendre cette expertise à un plus grand nombre de spécimens, de collections et de questions qu'une seule personne ne pourrait traiter.

APPRENDRE ENCORE PLUS:

Ávila FA, Park JY, Feder L, Petit DP. 2025. Herbier: un outil d'apprentissage profond pour classifier les images d'échantillons. New Phytologist. https://doi.org/10.1111/nph.70447

Arno J, Morel J, Rasaminirina F, et al. 2025. Un processus permettant de compiler des ensembles de données numérisés d'échantillons d'herbier, vérifiés par des experts, pour l'identification automatisée des plantes afin d'accélérer la taxonomie. Plantes, Humains, Planète. https://doi.org/10.1002/ppp3.70149

von Mering S, Leachman S, Santos J, Meudt HM. 2025. Wikidata pour les botanistes : avantages de la collaboration et du partage des données ouvertes liées. Annals of Botany 136: 491-511. https://doi.org/10.1093/aob/mcaf062