Thèse Évaluation de l'Intégration de Données Participatives Expertes et Issues de Modèles d'IA pour le Suivi à Large Échelle de la Dynamique des Végétations H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier École doctorale : GAIA - Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau Laboratoire de recherche : AMAP - botAnique et Modélisation de l'Architecture des Plantes et des végétations Direction de la thèse : Guillaume PAPUGA Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-05T23:59:59 Ce projet de thèse s'inscrit dans le cadre du projet européen BEAGLE et vise à optimiser
l'utilisation des données issues de sciences participatives pour le suivi de la biodiversité
végétale méditerranéenne. L'enjeu majeur est de lever les verrous liés à la qualité des
données citoyennes (biais d'observation, erreurs taxonomiques) en les couplant à des
approches expertes et à des modèles d'intelligence artificielle (IA) développés par
l'équipe Pl@ntNet (GeoPl@ntNet, Pl@ntBERT).
La thèse s'articulera autour de deux axes principaux :
. L'évaluation multidimensionnelle de la qualité des données citoyennes (exactitude,
complétude, traçabilité) à travers la confrontation avec des inventaires de terrain
réalisés par le doctorant et des équipes d'experts au niveau européen, ainsi qu'avec des
prédictions issues de modèles d'IA (deep learning et grands modèles de langage).
. Le développement d'un cadre méthodologique s'appuyant sur ces données, pour la
caractérisation de la dynamique des végétations, permettant d'améliorer les protocoles
de restauration écologique et les inventaires réglementaires.
Le travail bénéficiera de l'expertise de l'équipe Pl@ntNet et de l'infrastructure de
données du projet BEAGLE pour transformer des signaux numériques complexes en
outils d'aide à la décision destinés aux gestionnaires d'espaces naturels. La documentation et le suivi de la biodiversité végétale, en
particulier dans des régions hautement diverses et sous pression anthropique comme le
bassin méditerranéen, posent des défis scientifiques majeurs. L'exploitation à grande
échelle du potentiel des sciences participatives, bien que prometteuse, se heurte encore
à des limitations importantes liées à l'hétérogénéité et à la qualité des données
produites. Ces limites constituent des freins significatifs à leur intégration dans des
programmes de suivi scientifique et réglementaire robustes. Parallèlement, les avancées
en intelligence artificielle (IA), notamment dans le domaine du deep learning et de la
modélisation prédictive, ouvrent de nouvelles perspectives. Ces modèles peuvent non
seulement identifier les espèces, mais aussi prédire des assemblages écologiques
cohérents et potentiellement identifier des espèces absentes mais attendues. Cette
capacité offre des pistes inédites pour : (i) Guider les efforts d'inventaire futurs en
priorisant les zones ou les taxons sous-explorés, (ii) Améliorer le suivi des habitats en
fournissant une base de référence prédictive, (iii) Soutenir les stratégies de restauration
écologique en identifiant les cortèges d'espèces cibles.
La thèse vise à coupler les données massives produites par les citoyens avec la puissance
prédictive des modèles d'IA, afin de produire des connaissances et des outils plus fiables
et opérationnels pour la gestion de la biodiversité et la recherche fondamentale sur les
patrons biogéographiques et les règles d'assemblage des communautés végétales. Évaluer la qualité des flux de données participatives via les modèles d'IA.
. Comparer les prédictions multi-espèces aux inventaires de terrain réalisés par des
experts.
. Développer des indicateurs de 'qualité d'inventaire' pour les usages réglementaires.
. Intégrer ces workflows dans le cadre unifié du projet européen BEAGLE. Analyse statistique de grands jeux de données naturalistes, campagnes
d'inventaires botaniques en région méditerranéenne, utilisation de modèles de Deep
Learning et calcul de métriques de diversité potentielle

Master 2 en écologie/botanique, excellente
expertise en flore méditerranéenne, maîtrise de R ou Python, forte appétence pour les
sciences participatives et les modèles de deep learning.