Articles de couverture (112:10) : Utilisation de l’apprentissage automatique pour relier le climat, la phylogénie et la surface foliaire
L’image de couverture de notre Numéro d’octobre montre la première partie d’un processus automatisé pour extraire la surface foliaire des images d’herbier. Ici, les prédictions du modèle concernant les feuilles se trouvent sur le spécimen de plante pressé de Corymbia gilbertensis. L’image concerne l’article Choix de l’éditeur ‘Utiliser l’apprentissage automatique pour relier le climat, la phylogénie et la surface foliaire des eucalyptus grâce à une multiplication par 50 des ensembles de données sur les caractéristiques des feuilles‘, par Karina Guo et coll. Ici, Karine nous raconte l’histoire derrière l’image :
L’apprentissage automatique a récemment attiré l’attention du monde entier, et la science ne fait pas exception. Dans différents domaines, elle entraîne des progrès à pas de géant, de diverses manières. Cela inclut de nouvelles fonctions informatiques qui n’étaient pas possibles auparavant, telles que des prédictions précises du repliement des protéines. Cela inclut également la génération d’ensembles de données à une échelle sans précédent, via l’automatisation de tâches auparavant banales et répétitives. L’écologie est un domaine qui évolue également rapidement pour développer l’intelligence artificielle et l’apprentissage automatique pour effectuer des mesures, et par conséquent, des découvertes sont faites quotidiennement à partir des nouveaux ensembles de données qui sont débloqués.
En tant qu’écologiste qui a appris à collecter des données manuellement, c’était décourageant d’une manière contre-intuitive et encourageante. Les longues heures et journées passées à mesurer, enregistrer et transcrire des données ne pouvaient que susciter une réflexion. Cela m’a fait réfléchir : « Comment puis-je rendre cela plus facile ? Il existe sûrement un moyen d’automatiser cela ? Tout en gardant cette idée en tête, je travaillais également à numériser la collection de spécimens de plantes de l’herbier national de Nouvelle-Galles du Sud – deux tâches distinctes qui se chevauchaient au bon moment. En parcourant des centaines de feuilles d’herbier, j’ai réalisé que des siècles d’informations à travers le monde n’attendaient que que quelqu’un les transcrive sous forme d’ensemble de données numériques que nous puissions analyser. Mais le simple volume de données provenant d’un seul herbier était suffisant pour inonder le travail d’une vie ; sans parler de tous les herbiers du monde entier. Je savais que je devais créer un moyen de l’automatiser. La surface foliaire est l’une des nombreuses choses qui peuvent être extraites d’une feuille d’herbier et a été largement étudiée dans plusieurs familles et genres. Cependant, les ensembles de données préexistants étaient relativement petits en volume et, de ce fait, la surface foliaire se présentait comme un bon point de départ. J’ai développé et perfectionné mon modèle d’apprentissage automatique sur les eucalyptus, une espèce essentielle d’Australie actuellement répandue dans le monde entier en tant qu’arbre forestier important. Avec cela, j’ai créé le premier ensemble de données d’une telle taille. Cela m’a permis d’utiliser cette nouvelle technologie avec les données des herbiers pour mieux comprendre les changements évolutifs au fil du temps.
Tout n’a pas été facile. En tant que chercheur en début de carrière, l’idée de plonger dans les profondeurs de ce qui constitue un bassin très profond d’apprentissage automatique était indéniablement intimidant. Tout y était nouveau. La terminologie utilisée, les concepts abordés, le logiciel et le code. Les didacticiels et les forums de dépannage en ligne ont aidé à l’époque. Mais le pivot du projet était sans aucun doute les experts autour de moi qui ont soutenu le projet et donné vie au modèle à succès illustré ici. Je leur serai toujours reconnaissant, ainsi que du soutien généreux, des connaissances et du temps qu’ils m’ont offert. Donc, si vous lisez, merci.
Dans l’ensemble, ce projet était un voyage. Celui qui a façonné ma façon de penser le monde. Je suis plus enclin à être conscient des nouvelles technologies qui nous entourent, et avec la rapidité avec laquelle les choses évoluent dans le domaine de l’apprentissage automatique, c’est un espace à surveiller. Cependant, je regarde les nouvelles technologies avec les deux yeux ouverts : l’un pour les critiques et l’autre pour les opportunités qu’elles peuvent apporter. Nous devons encourager de nouveaux logiciels, matériels et techniques dans nos recherches, car ce modèle que j’ai créé n’est qu’une petite représentation de ce que l’apprentissage automatique peut aider à réaliser en écologie.
Lire l’article complet en ligne : Utiliser l’apprentissage automatique pour relier le climat, la phylogénie et la surface foliaire des eucalyptus grâce à une multiplication par 50 des ensembles de données sur les caractéristiques des feuilles