Usage du deep learning dans l'apprentissage de SDM

Le développement du Deep Learning ces dernières années a très largement contribué à faire évoluer les outils et méthodes permettant de caractériser des entités biologiques, qu’il s’agisse d’individus, ou d’espèces. C’est initialement sur des problématiques d’identification d’espèces que l’usage du DL a été expérimenté par le Lirmm et Amap dans le cadre du développement de la plateforme Pl@ntNet. L’évolution de la disponibilité des données, des ressources de calculs, et des performances de cet ensemble de méthodes, ont permis le développement de nouvelles applications, notamment pour la prédiction de la distribution géographique des espèces à grande échelle, et fine résolution.

L’objet de ce séminaire est de faire un état des lieux des travaux sur ce sujet, menés entre le Lirmm et Amap. Il s’articulera autour des interventions suivantes :
14h-14h10 : Introduction du cheminement scientifique mis en œuvre (P. Bonnet & A. Joly),
14h10 - 15h10 : Partage des résultats obtenus jusqu'ici dans le cadre des thèses de Benjamin Deneu et Joaquim Estopinan, respectivement intitulées “Interprétabilité des modèles de distribution des communautés d'espèces végétales appris par apprentissage profond” et “Une approche prédictive pour déterminer le statut de conservation conjoint des espèces”,
15h10 - 15h30 : Echanges sur le potentiel et les limites actuelles de ce type d'approche.
15h30 - 15h45 : Présentation du projet de cartographie de diversité forestière du Costa Rica à l'aide d'imagerie Sentinel-2, par G. Vincent et Maïrì Souza Oliveira.
15h45 - 16h00 : Cross-validation spatialisée de modèles de machine learning, une application aux forêts centre-africaines, par R. Pélissier et P. Ploton.


RECENT REFERENCES:
- Botella, C., Joly, A., Bonnet, P., Monestiez, P., & Munoz, F. (2018). A deep learning approach to species distribution modelling. In Multimedia Tools and Applications for Environmental & Biodiversity Informatics (pp. 169-199). Springer, Cham.
- Cole, E., Deneu, B., Lorieul, T., Servajean, M., Botella, C., Morris, D., ... & Joly, A. (2020). The geolifeclef 2020 dataset. arXiv preprint arXiv:2004.04192.
- Deneu, B., Joly, A., Bonnet, P., Servajean, M., & Munoz, F. (2021, January). How do deep convolutional SDM trained on satellite images unravel vegetation Ecology?. In International Conference on Pattern Recognition (ICPR) (Vol. 12666, pp. 148-158). Springer.
- Deneu, B., Servajean, M., Bonnet, P., Botella, C., Munoz, F., & Joly, A. (2021). Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment. PLoS computational biology, 17(4), e1008856.
- Ploton, P., Mortier, F., Réjou-Méchain, M., Barbier, N., Picard, N., Rossi, V., ... & Pélissier, R. (2020). Spatial validation reveals poor predictive performance of large-scale ecological mapping models. Nature communications, 11(1), 1-11.