Technologies d'Intelligence Artificielle pour la recherche en biodiversité – Smart-Biodiv

Les environnements marins subissent des changements rapides sous l'influence de diverses pressions (empreinte humaine, changement climatique) et le suivi de l'état de leur écosystème devient nécessaire. Un tel suivi nécessite de collecter des données, de les traiter et d'en extraire des indicateurs résumant l'état de l'environnement qui est bien souvent de trop grande dimension pour être appréhendé par un être humain. Ces dernières années, la disponibilité massive de données combinée à de puissants algorithmes d'apprentissage automatique et au matériel associé a permis des avancées significatives dans des domaines qui n'étaient même pas rêvés ces dernières années (classification d'images, traduction automatique, synthèse vocale, sélection d'actions, ...). Les écosystèmes marins, où des progrès ont été réalisés dans la collecte de grandes quantités de données, pourraient également bénéficier de ces avancées en matière d'IA. Cependant, les données dans les sciences environnementales sont souvent éparses, que ce soit dans le temps, l'espace ou par rapport aux variables mesurées, et déséquilibrées, ce qui constitue un défi pour les algorithmes d'IA. Cela conduit aux deux directions suivies dans la proposition SMART-BIODIV : 1) exploiter la puissance des algorithmes d'apprentissage automatique pour compléter et traiter les données éparses et déséquilibrées que nous rencontrons souvent dans les sciences de l'environnement et 2) concevoir des indicateurs pour qualifier l'état écologique des milieux considérés. Même si les données sont éparses, il existe plusieurs bases de données hétérogènes qui constituent autant de points de vue qui peuvent être combinés pour construire un état cohérent et complet de l'écosystème. Nous étudierons le potentiel des algorithmes d'interpolation dans le temps et l'espace ainsi que les modèles prédictifs basés sur les cooccurrences. Nous exploiterons également les grandes bases de données d'images collectées par les partenaires sur le plancton marin et les mettrons à disposition des participants au défi. De manière plus prospective, nous étudierons la faisabilité d'inclure des données symboliques, comme les réseaux trophiques, pour contraindre l'évolution de l'état de l'écosystème et injecter cette connaissance des interdépendances entre les dimensions de l'état pour améliorer son estimation. Ces données, regroupées, fusionnées et complétées, serviront ensuite de base au calcul d'indicateurs taxonomiques et de traits, qui seront conçus sur la base de notre expertise en bioindication en eau douce. Pour atteindre les objectifs du défi, notre consortium rassemble des expertises complémentaires en apprentissage profond, vision par ordinateur, océanographie, imagerie du plancton et bioindication en eau douce. De plus, nos experts en IA (GeorgiaTech, CentraleSupelec) et en biodiversité (LOV, LIEC) ont une solide expérience de collaborations interdisciplinaires fructueuses (doctorat co-supervisé, articles co-écrits).