Cet article de blog est également disponible en espagnol ici.
Les espèces envahissantes constituent l’une des plus grandes menaces pour la biodiversité, la sécurité alimentaire et la santé des écosystèmes. Lorsque des plantes non indigènes se propagent dans de nouveaux environnements, elles peuvent supplanter les espèces indigènes, perturber les habitats et causer des dommages durables aux habitats naturels et aux services que les écosystèmes fournissent aux humains.
La plupart du temps, les espèces envahissantes sont identifiées uniquement après ils sont déjà bien établis et se propagent activement dans de nouvelles zones, rendant les efforts de contrôle coûteux et souvent inefficaces. Mais et si nous pouvions prédire quelles espèces sont les plus susceptibles de devenir « ?problématique » avant même qu’ils n’arrivent ? C’est exactement ce que nos recherches tentent de faire.
Une solution d’apprentissage automatique
Nous avons développé un nouveau cadre d’apprentissage automatique (ML) pour prédire le risque d’invasion d’espèces végétales non indigènes avant qu’elles ne se propagent dans de nouveaux habitats. À l’aide de données collectées auprès de plus de 1 000 espèces de plantes introduites dans 15 îles des Caraïbes, nos modèles ML ont analysé les traits liés à la biologie des espèces, aux préférences environnementales et aux historiques d’invasion afin d’identifier les plantes les plus susceptibles de devenir problématiques et envahissantes. En tirant parti de la puissance du ML, nous avons détecté des modèles difficiles à identifier dans les évaluations traditionnelles. Remarquablement, nos modèles ont atteint une précision de plus de 90 % dans la prévision du succès des invasions, fournissant ainsi aux scientifiques et aux décideurs politiques un outil puissant pour faire face de manière proactive aux invasions potentielles.
Notre cadre ne se contente pas de prédire l’invasion, il nous aide également à expliquer pourquoi certaines espèces réussissent tandis que d’autres échouent. En utilisant l’analyse de l’importance des caractéristiques (une méthode qui montre quels traits contribuent le plus à prédire les invasions), nous avons identifié les traits les plus fortement liés au succès de l’invasion. Par exemple, les espèces adaptées pour croître dans des zones fréquemment perturbées avaient une probabilité significativement plus élevée de devenir envahissantes, tandis que celles capables de prospérer dans un large éventail d’environnements étaient plus susceptibles de se propager de manière agressive. De plus, les plantes qui ont réussi à envahir d’autres régions ont tendance à avoir plus de chances de réussir à nouveau.
Ces résultats mettent en évidence le rôle crucial de l’adaptabilité écologique et l’importance du contexte historique d’invasion dans la compréhension et la gestion du risque d’invasion.
Un outil pour une biosécurité proactive
L’une des applications les plus prometteuses de notre cadre ML est sa capacité à signaler les envahisseurs à haut risque non encore présents dans une région donnée et à quantifier rigoureusement les incertitudes de prévision, donnant ainsi aux décideurs une compréhension plus claire des risques potentiels. Cela nous permet de concevoir des stratégies fondées sur des données probantes, telles qu’une surveillance ciblée, des réglementations sur les importations et des mesures de contrôle précoces, avant que les espèces non indigènes ne deviennent envahissantes et ne causent des dommages écologiques.
S’appuyant sur différents ensembles de caractéristiques, notre cadre ML est évolutif et peut être adapté efficacement pour être appliqué à d’autres régions et écosystèmes.
Pourquoi c’est important
La mondialisation et le changement climatique accélèrent les déplacements des espèces à travers le monde, augmentant ainsi le risque d’invasions biologiques. Nos recherches proposent une approche proactive et basée sur les données pour prédire et gérer le problème des invasions.
En combinant l’apprentissage automatique avec les connaissances écologiques, nous pouvons mieux protéger la biodiversité, sauvegarder la sécurité alimentaire et planifier une gestion durable des écosystèmes. Ces travaux constituent un moyen puissant de anticiper les invasions biologiques et de réduire leurs impacts avant qu’il ne soit trop tard.
Lire l’article complet, « Apprentissage automatique pour la biosécurité : un cadre probabiliste pour la gestion des espèces envahissantes »dans Journal d’écologie appliquée.