Surveillance assistée par ordinateur des communautés végétales et des habitats
2026 - 2029
Cooperazione FinanziamentoEn Suisse, 48 % des habitats et plus d’un tiers des espèces sont menacés. Cependant, seule une infime partie fait l’objet d’un suivi suffisant, car l’identification fiable des types d’habitats et des espèces associées prend beaucoup de temps et nécessite des connaissances spécialisées. Notre objectif est d’étendre le suivi des habitats en Suisse en développant des algorithmes capables d’identifier de manière semi-automatique les communautés végétales à partir de vidéos et de les associer à des types d’habitats.
L'adoption rapide des plateformes de signalement par les citoyens scientifiques a entraîné une forte augmentation des observations et des identifications d'espèces. Nous avons récemment démontré l’impact de l’apprentissage automatique dans le suivi de la biodiversité en intégrant l’identification des espèces à partir d’images (FlorID) dans FlorApp, l’application de référence pour le suivi de la biodiversité en Suisse. Nous proposons ici de franchir une nouvelle étape : jeter les bases d’un service permettant de surveiller rapidement les communautés végétales et les habitats. Plus précisément, nous visons à rationaliser les relevés de végétation en développant les bases algorithmiques d’une application pour smartphone qui communique avec un serveur web afin (1) d’établir des relevés de végétation provisoires à partir de vidéos, (2) de proposer des espèces attendues mais non encore observées, et (3) de formuler des suggestions concernant les types d’habitats. Tous les développements seront déployés sur l’API SpeciesID hébergée par le WSL et mis gratuitement à disposition.
Études de la végétation ¶
Des relevés de végétation de haute qualité sont essentiels pour obtenir les données fiables nécessaires à l'évaluation de l'état et des tendances de la biodiversité. Ces relevés constituent des inventaires de toutes les espèces présentes dans une zone prédéfinie et peuvent être associés à des types d'habitats. Ils sont généralement réalisés par des professionnels. Hormis FlorApp, qui est utilisée aussi bien par des experts que par des citoyens scientifiques, la plupart des applications destinées à ces derniers ne proposent pas la possibilité d’enregistrer des relevés de végétation. La réalisation de relevés de végétation exhaustifs restant un défi, nous souhaitons, grâce à ce projet, rendre ces relevés plus accessibles et plus facilement déployables en tirant parti des progrès récents en matière de techniques de science des données.
Objectifs du projet ¶
Le cœur de SmartHabitat est constitué de pipelines analytiques de tâches serveur (figure 1 et parties I à III ci-dessous), qui seront déployés en tant que nouveaux points de terminaison de l'API SpeciesID. Il s'appuie sur FlorID, notre outil d'identification par image qui distingue avec précision plus de 3 000 espèces (85 % de la flore suisse) et qui est intégré à la célèbre application FlorApp.
Partie I – Interprétation vidéo: Notre objectif est de généraliser l’identification, en passant de photos individuelles à de courtes vidéos de 30 à 60 secondes capables de capturer des communautés végétales entières. Ces vidéos devraient être tournées par des citoyens scientifiques. Nous proposons de réentraîner les modèles de vision existants de FlorID afin qu’ils reconnaissent plusieurs espèces par image. Le modèle effectuera des prédictions multi-espèces au niveau de chaque image, qui seront agrégées pour former une liste complète des espèces présentes dans la vidéo. Le résultat final attendu pour cette partie est un pipeline analytique automatisé pour l’identification des espèces à partir de vidéos.
Partie II – Prédiction des espèces attendues mais non observées: Nous entraînerons un système de recommandation à partir des meilleures données d’inventaire de la végétation disponibles afin d’identifier les cooccurrences courantes d’espèces végétales sur le terrain. En modélisant les interactions entre les espèces et les sites, et en exploitant la stabilité des associations végétales au sein des habitats, le système pourra, à partir d’une liste partielle d’espèces identifiées, prédire celles susceptibles de se trouver à proximité. À terme, ce modèle est destiné à guider les utilisateurs sur le terrain, en leur suggérant les plantes à rechercher en fonction de leurs observations initiales. Le résultat final de cette phase est un pipeline analytique destiné à la recommandation d’espèces.
Partie III – Classification des habitats: Afin d’aider les utilisateurs sur le terrain à identifier avec précision les habitats, nous développons des classificateurs basés sur l’apprentissage automatique pour identifier les habitats selon le système suisse TypoCH. Plus précisément, nous nous concentrerons sur les 110 à 150 types de végétation les plus importants pour la conservation de la nature. Afin d’améliorer la précision, notre système combinera des sources de données complémentaires à l’aide de deux modèles distincts : (1) un modèle multimodal qui utilise des observations ponctuelles de variables environnementales (par exemple, la température et les précipitations) ainsi que des images de télédétection à haute résolution portant sur la structure de la végétation et le relief, et (2) un modèle spécialisé de vision par ordinateur qui traite les photos prises sur place par les utilisateurs. En intégrant ces modèles, ceux-ci pourront fournir des suggestions concernant le type d’habitat observé, en fonction de l’emplacement, des espèces identifiées et des photos fournies par les utilisateurs sur place. Ces outils de classification seront détaillés dans un article de recherche à paraître et déployés avec les autres pipelines sur l’API.