On parle beaucoup de l’intelligence artificielle comme d’une promesse pour l’environnement. Mais en France, plusieurs équipes sont déjà passées à l’acte. D’un côté, i-Sea, PME indépendante créée il y a dix ans et issue du monde académique, déploie des algorithmes de télédétection au service des collectivités territoriales. De l’autre, Étienne Decencière, directeur du Centre de Morphologie Mathématique (CMM) de Mines Paris – PSL, mobilise la vision par ordinateur pour mesurer et mieux comprendre la biodiversité.
Ces deux pôles — terrain et recherche — illustrent une réalité concrète : l’IA transforme déjà le suivi de la biodiversité urbaine en France, avec des modèles identifiés, des résultats mesurables et des limites clairement documentées. Cet article détaille ces projets, leurs méthodes et les défis qu’ils soulèvent.
Points clés à retenir
- Cartographie au mètre carré : les travaux d’i-Sea pour Bordeaux Métropole produisent des cartes de végétation à une résolution d’un mètre carré, permettant aux collectivités de mesurer finement l’impact de leurs politiques sur le végétal.
- 97 % de précision : les algorithmes de vision par ordinateur appliqués aux ailes de bourdons atteignent un taux de réussite d’identification de 97 %.
- Structuration du domaine : la chaire AI4Biodiversity vise à rendre les outils d’IA accessibles aux entreprises dans une logique d’impact sociétal et environnemental.
- L’humain reste indispensable : l’IA est un levier technique puissant, mais sa performance dépend de la qualité des données, de la clarté des problématiques et d’une collaboration étroite entre techniciens, chercheurs, collectivités et usagers de terrain.
Comment l’IA surveille-t-elle concrètement la végétation urbaine ?
Le cas de Bordeaux Métropole offre l’un des exemples les plus aboutis en France. La PME i-Sea y a déployé trois volets complémentaires de cartographie par intelligence artificielle, chacun mobilisant un modèle et des données distincts.
Détecter chaque arbre isolé avec DeepForest
À partir d’images aériennes de 2020, i-Sea a utilisé le modèle DeepForest pour cartographier les arbres isolés sur l’ensemble de la métropole bordelaise. Les données d’apprentissage ont été créées avec le concours de la Junior Agro Études de Bordeaux Sciences Agro, garantissant une annotation de qualité adaptée au contexte local.
Suivre les états de végétation avec Random Forest
Un second volet a produit une cartographie des états de végétation grâce à une pile d’images satellites Pléiades couvrant 2021-2022. L’intégration de la phénologie — les variations saisonnières du couvert végétal — a permis au modèle Random Forest, affiné par des règles expertes, de distinguer finement les différentes dynamiques végétales.
Lire la trame verte et les îlots de chaleur
Le troisième volet cartographie les espaces interstitiels et la trame verte. Cette lecture fine permet d’identifier les corridors écologiques, de repérer les îlots de chaleur urbains (ICU) et d’évaluer le patrimoine végétal à l’échelle de la métropole. C’est un enjeu crucial pour l’urbanisme durable : connaître précisément où se situent les continuités écologiques permet d’orienter les projets d’aménagement.
Les cartographies produites sont disponibles à l’échelle du mètre carré, offrant aux élus et techniciens un outil décisionnel sans précédent pour mesurer l’impact réel de leurs politiques publiques sur la biodiversité et le végétal urbain.
Comment l’IA identifie-t-elle les espèces animales en milieu urbain et périurbain ?
L’IA ne se limite pas à la végétation. Plusieurs projets français démontrent son efficacité pour identifier et suivre la faune, du micro-organisme au poisson migrateur.
Les bourdons : 97 % de précision sur les nervures alaires
Des travaux menés par Mines Paris – PSL avec l’Institut d’écologie et des sciences de l’environnement de Paris ont porté sur l’identification automatique des bourdons à partir de leurs ailes. En automatisant la détection des motifs formés par les intersections des nervures alaires, les algorithmes de vision par ordinateur ont atteint un taux de réussite de 97 %. Pour les pollinisateurs urbains, dont le déclin est un indicateur clé de la santé des écosystèmes, cette précision ouvre la voie à un suivi à grande échelle.
Saumons et anguilles : des caméras acoustiques au fil de l’eau
En partenariat avec EDF, des caméras acoustiques sont placées près des rivières pour suivre les migrations de saumons et d’anguilles. L’analyse automatisée des vidéos permet d’identifier les espèces en fonction de leurs mouvements, offrant un suivi continu là où les comptages manuels restaient ponctuels et coûteux.
Plancton : des centaines de milliers d’images pour entraîner l’IA
Dans le cadre d’une collaboration avec le CEREEP – Ecotron Île-de-France (CNRS), une campagne d’étude sur 16 lacs artificiels a généré des centaines de milliers d’images de micro-organismes planctoniques par microscopie. Cette masse de données sert à développer des algorithmes de reconnaissance automatique capables de classifier des organismes invisibles à l’œil nu — un pan entier de la biodiversité aquatique jusqu’ici difficile à inventorier.
Quels projets français utilisent déjà l’IA pour la biodiversité ?
Le panorama français est plus riche qu’on ne le pense. Le tableau ci-dessous synthétise les principaux projets documentés, en croisant les données issues des travaux d’i-Sea et de Mines Paris – PSL — un rapprochement qu’aucune source ne fait à ce jour.
| Projet | Modèle / Technologie IA | Partenaires | Résultat clé |
|---|---|---|---|
| Arbres isolés – Bordeaux Métropole | DeepForest | i-Sea, Junior Agro Études, Bordeaux Sciences Agro | Cartographie au m² des arbres sur images aériennes 2020 |
| États de végétation – Bordeaux Métropole | Random Forest + règles expertes | i-Sea, Bordeaux Métropole | Suivi phénologique via images Pléiades 2021-2022 |
| Forêts matures – PNRPL | SegNet (active learning) | i-Sea, Conservatoire botanique national, PNR Pyrénées Landes | Analyse de 5 millésimes d’orthophotographies (1950-2021) |
| Identification de bourdons | Vision par ordinateur | Mines Paris – PSL, Institut d’écologie et des sciences de l’environnement de Paris | 97 % de précision sur nervures alaires |
| Migration de poissons | Caméras acoustiques + analyse vidéo | Mines Paris – PSL, EDF | Suivi continu des saumons et anguilles |
| Plancton lacustre | Classification automatique d’images | Mines Paris – PSL, CEREEP – Ecotron Île-de-France (CNRS) | Centaines de milliers d’images de micro-organismes traitées |
Ce qui frappe dans cette synthèse, c’est la diversité des approches : deep learning supervisé (DeepForest, SegNet), apprentissage classique (Random Forest), vision par ordinateur, analyse vidéo. Chaque problématique écologique appelle un modèle adapté. On notera aussi que le projet du PNR des Pyrénées Landes, qui a mobilisé cinq millésimes d’orthophotographies couvrant la période 1950 à 2021 complétés par la BD Forêt V2 de l’IGN et un modèle numérique de hauteur, illustre la capacité de l’IA à exploiter une profondeur temporelle de plus de 70 ans pour localiser les forêts matures.
Quels sont les défis et limites de l’IA pour la biodiversité urbaine ?
Les résultats sont prometteurs, mais les acteurs de terrain comme les chercheurs identifient des limites structurelles. La grille ci-dessous croise les défis techniques documentés par Mines Paris – PSL avec les retours opérationnels d’i-Sea.
Grille des 5 défis de l’IA appliquée à la biodiversité
| Défi | Impact concret | Piste de solution |
|---|---|---|
| Rareté de certaines classes d’espèces dans les données d’entraînement | Les modèles sous-détectent les espèces peu représentées, biaisant les inventaires | Techniques d’augmentation de données, sur-échantillonnage, active learning |
| Grande variabilité intra-espèce | Un même taxon peut présenter des morphologies très différentes selon l’âge, la saison ou la région | Enrichir les jeux de données avec des annotations multi-contextuelles |
| Qualité hétérogène des images | Résolution, luminosité et conditions de prise de vue varient d’un millésime à l’autre | Prétraitement standardisé, fusion de sources (satellite, aérien, terrain) |
| Explicabilité des résultats | Les décideurs et naturalistes peinent à interpréter les sorties de modèles « boîte noire » | Développer des méthodes d’IA explicable, coupler modèles et règles expertes |
| Besoin de méthodes frugales | Les collectivités n’ont pas toutes accès à des infrastructures de calcul intensif | Optimiser les architectures, privilégier des modèles légers et transférables |
L’interdisciplinarité comme facteur clé de succès
Ces défis techniques ne se résolvent pas par la seule ingénierie informatique. Comme le soulignent les experts d’i-Sea :
> « L’IA est un levier technique puissant, mais elle ne remplace pas l’expertise humaine. Sa performance dépend avant tout de la qualité des données disponibles, de la clarté des problématiques posées, et d’une collaboration étroite entre techniciens, chercheurs, collectivités et usagers de terrain. »
Cette exigence d’interdisciplinarité est le fil rouge de tous les projets documentés : l’entraînement de SegNet a nécessité le Conservatoire botanique national, celui de DeepForest a impliqué des étudiants agronomes, et l’identification des bourdons repose sur des entomologistes. L’IA sans l’écologie de terrain reste aveugle.
Quelles perspectives pour l’IA et la biodiversité urbaine ?
La structuration du domaine s’accélère. La chaire AI4Biodiversity incarne cette dynamique : elle vise à rendre les outils d’IA accessibles aux entreprises dans une logique d’impact sociétal et environnemental. Son ambition dépasse le cadre académique en cherchant à industrialiser des solutions aujourd’hui cantonnées aux laboratoires.
Plusieurs tendances se dessinent pour les années à venir :
- Convergence disciplinaire : biologie, informatique, écologie, mathématiques et sciences de l’aménagement devront collaborer plus étroitement pour produire des modèles pertinents et acceptés.
- Démocratisation via la science participative : les applications mobiles d’identification d’espèces, alimentées par l’IA, transforment chaque citoyen en collecteur de données. Cette masse d’observations pourrait enrichir considérablement les jeux d’entraînement.
- IA frugale et embarquée : le développement de modèles légers, capables de tourner sur des capteurs de terrain autonomes, pourrait étendre le suivi à des zones aujourd’hui non couvertes.
Le défi reste de passer de projets pilotes réussis à des déploiements systématiques, sans sacrifier la rigueur scientifique qui fait la crédibilité de ces approches.
Questions fréquentes
Comment l’IA surveille-t-elle la biodiversité urbaine concrètement ?
L’IA analyse des images satellites, aériennes ou de terrain pour cartographier la végétation et identifier des espèces. À Bordeaux Métropole, par exemple, les modèles DeepForest et Random Forest produisent des cartes de la canopée et des états de végétation avec une résolution au mètre carré, exploitables directement par les services d’urbanisme.
Quels modèles d’IA sont utilisés pour cartographier la végétation en ville ?
Les projets français documentés mobilisent plusieurs architectures : DeepForest pour la détection d’arbres isolés, Random Forest couplé à des règles expertes pour le suivi phénologique, et SegNet entraîné par active learning pour la cartographie des forêts matures. Le choix du modèle dépend de la problématique écologique et des données disponibles.
L’IA peut-elle remplacer les experts en écologie ?
Non. Tous les projets étudiés confirment que l’IA dépend de l’expertise humaine à chaque étape : annotation des données d’entraînement, validation des résultats, interprétation écologique. L’IA automatise le traitement de volumes massifs de données, mais c’est le dialogue entre informaticiens, naturalistes et gestionnaires de terrain qui garantit la fiabilité des résultats.
Comment l’IA aide-t-elle à lutter contre les îlots de chaleur urbains ?
En cartographiant finement la trame verte et les espaces interstitiels, l’IA permet d’identifier les corridors écologiques et les zones de déficit végétal qui contribuent aux îlots de chaleur. Ces données orientent les politiques de végétalisation et d’aménagement pour réduire les températures en milieu urbain.
Quelles sont les principales limites de l’IA pour la conservation de la biodiversité ?
Cinq défis majeurs sont identifiés : la rareté de certaines espèces dans les données d’entraînement, la variabilité morphologique au sein d’une même espèce, la qualité hétérogène des images sources, le manque d’explicabilité des modèles, et le besoin de méthodes frugales adaptées aux moyens des collectivités.