Intelligence artificielle et biodiversité : cas d'usage 2026

L'intelligence artificielle ne résoudra pas seule la crise de la biodiversité. Mais elle devient en 2026 un outil de monitoring incontournable pour des chercheurs qui doivent analyser des quantités de données impossibles à traiter manuellement. Drones hyperspectraux, capteurs acoustiques IoT, modèles de deep learning pour l'identification d'espèces, cartographie LiDAR des canopées — les technologies s'accumulent et commencent à produire des résultats concrets sur le terrain.

Cette fiche thématique passe en revue les principaux cas d'usage de l'IA appliquée à la biodiversité en 2026, leurs apports réels et leurs limites.

L'explosion des données environnementales

Le suivi traditionnel de la biodiversité repose sur des relevés de terrain — transects botaniques, comptages d'oiseaux, inventaires de macroinvertébrés. Ces méthodes sont précises mais lentes, coûteuses et géographiquement limitées.

Depuis une décennie, la multiplication des capteurs a fait exploser les volumes de données disponibles : images satellite haute résolution, photographies aériennes par drone, enregistrements acoustiques continus, données de baguage et de géolocalisation GPS sur la faune. Un seul enregistreur acoustique actif 24h/24 produit 50 à 100 gigaoctets par semaine. Un réseau de 100 capteurs dans une forêt tropicale génère des volumes qu'aucune équipe de biologistes ne peut analyser manuellement.

L'IA — et plus précisément le machine learning et le deep learning — permet de traiter ces volumes à une échelle et une vitesse inatteignables par l'humain seul.

Une biodiversité en déclin accéléré

La pression est d'autant plus forte que la sixième extinction de masse s'accélère. Selon l'IPBES (Plateforme intergouvernementale scientifique et politique sur la biodiversité et les services écosystémiques), environ 1 million d'espèces sont actuellement menacées d'extinction. Les chercheurs ont besoin de données en quasi temps réel pour identifier les points chauds de déclin et orienter les actions de conservation.

Les récifs coralliens sont parmi les écosystèmes les plus menacés et les plus complexes à surveiller. Ils couvrent moins de 1 % des fonds marins mais abritent plus de 25 % des espèces marines connues. Leur état de santé évolue rapidement sous l'effet du blanchissement thermique.

Comment fonctionne le monitoring IA des récifs

Des drones sous-marins équipés de caméras haute définition et de capteurs de température parcourent les récifs à intervalles réguliers. Les images collectées sont analysées par des modèles de vision artificielle entraînés à :

• Identifier les genres et espèces de coraux avec une précision atteignant 85 à 95 % selon les espèces (contre 60 à 70 % pour un non-spécialiste)
• Quantifier le taux de couverture corallienne en distinguant le corail vivant des algues, du corail mort blanchi et du substrat nu
• Détecter le blanchissement précoce avant qu'il soit visible à l'œil nu, en analysant les variations de fluorescence

L'Ifremer a développé dans l'océan Indien un programme utilisant cette approche, combinant drones de surface et caméras sous-marines pour suivre les récifs de La Réunion et Mayotte.

SurfPerch : l'IA de Google pour les sons des récifs

Google Research et DeepMind ont développé SurfPerch, un modèle d'apprentissage automatique entraîné sur des milliers d'heures d'enregistrements acoustiques de récifs en bonne santé et dégradés. Les récifs sains sont acoustiquement riches — crépitement des crevettes pistolets, stridulations des poissons, bruits d'alimentation. Un récif dégradé devient acoustiquement silencieux.

SurfPerch peut estimer l'état de santé d'un récif à partir d'un enregistrement de quelques heures, sans plonger ni identifier visuellement chaque espèce. Déployé sur un réseau d'hydrophones fixes, ce système permet un suivi en continu de dizaines de sites simultanément — une première.

L'AFD et le challenge IA-BIODIV

L'Agence Française de Développement (AFD) a cofinancé en 2024-2025 le challenge IA-BIODIV, un concours scientifique international visant à développer des modèles d'identification automatique des espèces marines à partir d'images. Les meilleures solutions atteignent aujourd'hui des performances comparables aux experts dans certaines familles de poissons et d'invertébrés.

Le LiDAR (Light Detection And Ranging) est une technologie radar laser qui mesure la distance en envoyant des impulsions lumineuses et en chronométrant leur retour. Monté sur drone ou sur avion, le LiDAR génère des nuages de points 3D qui permettent de reconstruire la structure verticale de la végétation avec une précision centimétrique.

Ce que le LiDAR révèle que les photos ne montrent pas

Une image satellite ou aérienne montre le toit de la canopée. Le LiDAR, lui, pénètre entre les feuilles et mesure la structure interne de la forêt : hauteur des arbres, densité du sous-bois, volume de bois sur pied, présence de bois mort.

Ces données permettent d'estimer avec précision :

• La biomasse forestière et donc le stock de carbone séquestré par la forêt
• La diversité structurelle de l'habitat, un proxy de la biodiversité animale (les forêts à forte diversité verticale abritent davantage d'espèces)
• Les trouées de chablis (zones d'arbres tombés), indicateurs de la dynamique naturelle ou de l'exploitation forestière

L'IA pour traiter les nuages de points

Un vol LiDAR sur une forêt tropicale produit des milliards de points de données. Des algorithmes de segmentation automatique, entraînés par deep learning, permettent de détecter individuellement chaque arbre dans le nuage de points, d'estimer son diamètre à hauteur de poitrine (DBH) et sa hauteur, et d'en déduire la biomasse.

Ces méthodes, développées notamment par des équipes du CIRAD et du CNRS, permettent aujourd'hui de cartographier la biomasse forestière de parcelles de plusieurs centaines d'hectares en quelques jours de traitement — un inventaire qui aurait nécessité des années de terrain.

Application pour la REDD+

Le mécanisme REDD+ (Reducing Emissions from Deforestation and forest Degradation) rémunère les pays en développement qui préservent leurs forêts tropicales. Mais la crédibilité du système dépend de la qualité des mesures de biomasse. Le LiDAR associé à l'IA fournit une méthode de vérification indépendante, plus fiable que les estimations basées uniquement sur les images satellite optiques.

La bioacoustique consiste à étudier les sons produits par les animaux. Chaque espèce a une signature acoustique distincte — chant des oiseaux, ultrasons des chauves-souris, stridulations des insectes. Des enregistreurs automatiques déployés dans la nature collectent ces sons en continu.

Des modèles de reconnaissance spécifique

Des modèles de deep learning entraînés sur des milliers d'heures d'enregistrements étiquetés peuvent identifier automatiquement les espèces présentes dans un enregistrement. BirdNET, développé par l'Université technique de Chemnitz (Allemagne) en collaboration avec Cornell Lab of Ornithology, est aujourd'hui capable d'identifier plus de 6 000 espèces d'oiseaux à partir de leurs chants, avec des performances proches de celles d'un ornithologue expérimenté.

Des systèmes équivalents existent pour les chauves-souris (BatDetective), les cétacés (ORCA-Spot), les amphibiens et certains insectes.

Un réseau IoT pour la forêt

Des entreprises comme Rainforest Connection déploient des réseaux de capteurs solaires accrochés aux arbres dans les forêts tropicales. Ces capteurs enregistrent les sons en continu et transmettent les données par satellite ou réseau cellulaire à des serveurs qui analysent en temps réel les signatures acoustiques. Quand les algorithmes détectent des sons de tronçonneuse, d'abattage ou de moteur de camion, une alerte est envoyée aux rangers en quelques minutes.

Ces réseaux sont actifs en Amazonie (Brésil), à Bornéo (Malaisie, Indonésie) et dans plusieurs parcs nationaux africains. Ils constituent un outil de lutte anti-déforestation illégale complémentaire à la surveillance satellite, avec une latence bien moindre.

Les capteurs ultrasonores pour les insectes

La surveillance des pollinisateurs est un enjeu critique. Les abeilles, bourdons et autres insectes pollinisateurs sont difficiles à compter par observation directe. Des capteurs acoustiques miniaturisés, placés à l'entrée des ruches ou dans des prairies, détectent les signatures sonores spécifiques des différentes espèces. Des projets européens utilisent cette technologie pour cartographier la présence des pollinisateurs à l'échelle des paysages agricoles.

Les modèles de distribution d'espèces (SDM, Species Distribution Models) prédisent où une espèce est susceptible d'être présente en fonction des conditions environnementales — température, précipitations, type de végétation, altitude. Ces modèles sont utilisés depuis les années 1990, mais le deep learning leur a apporté une nouvelle dimension.

Des modèles multimodaux

Les nouveaux SDM basés sur le deep learning intègrent simultanément des données hétérogènes : images satellite, données climatiques, relevés de terrain historiques, données de séquençage environnemental (ADNe). Des modèles comme BIOCLIM 2.0 ou les réseaux de neurones développés par des équipes du MNHN combinent ces sources pour produire des cartes de probabilité de présence à haute résolution.

Anticiper les déplacements sous changement climatique

Ces modèles permettent de projeter les déplacements potentiels des espèces sous différents scénarios climatiques. L'INRAE et le CNRS utilisent ces approches pour anticiper comment des espèces indicatrices — papillons, plantes vasculaires, amphibiens — vont se redistribuer sur le territoire français d'ici 2050. Ces projections alimentent les stratégies de création de corridors écologiques et d'aires protégées.

Le problème des données d'entraînement

Les modèles de deep learning apprennent sur des données étiquetées. Or, les données biologiques validées par des experts sont rares pour de nombreuses espèces, surtout dans les régions tropicales où la diversité est la plus grande et les naturalistes les moins nombreux. Un modèle entraîné sur des données européennes ou nord-américaines peut avoir de mauvaises performances en Afrique subsaharienne ou en Asie du Sud-Est.

Le biais de détection

Un modèle qui ne « voit » qu'une partie du spectre des espèces — parce qu'il n'a été entraîné que sur les espèces bien documentées — produira des résultats biaisés. Les espèces rares, discrètes ou de nuit sont systématiquement sous-représentées dans les bases de données d'entraînement.

L'IA comme outil, pas comme substitut

Les biologistes de terrain le soulignent régulièrement : l'IA ne remplace pas l'expertise naturaliste, elle la démultiplie. Un modèle qui identifie 95 % des espèces correctement génère encore 5 % d'erreurs qui nécessitent une validation humaine. Et pour les espèces rares ou les comportements complexes, l'œil d'un expert reste irremplaçable.

L'IA est un outil de priorisation : elle permet d'identifier rapidement les zones, les espèces et les phénomènes qui méritent une attention immédiate, en libérant du temps d'expert pour les situations qui l'exigent vraiment.

Les prochains développements attendus dans le domaine incluent :

• Les modèles de fondation (large language models adaptés à l'écologie) capables de synthétiser plusieurs types de données environnementales simultanément
• Les jumeaux numériques d'écosystèmes — modèles informatiques capables de simuler la dynamique d'un écosystème en intégrant les données temps réel des capteurs
• L'ADN environnemental (ADNe) à grande échelle — prélèvement d'eau ou de sol pour identifier toutes les espèces présentes par leurs traces génétiques, combiné à l'IA pour le traitement des séquences
• Les réseaux de surveillance collaboratifs associant données citoyennes (applications iNaturalist, eBird) et données professionnelles dans des modèles intégrés

L'enjeu n'est plus technologique. C'est la gouvernance et le partage des données : comment s'assurer que les outils développés en Europe ou en Amérique du Nord profitent également aux pays à forte biodiversité qui en ont le plus besoin ?

• CNRS Le journal, L'intelligence artificielle au service de la biodiversité marine
• AFD, L'intelligence artificielle au service de la biodiversité marine — challenge IA-BIODIV
• Ifremer Océan Indien, L'intelligence artificielle au service de la protection des récifs tropicaux
• France Science, Initiatives en Intelligence Artificielle pour le climat et la biodiversité