Résumé
Les modèles de distribution d'espèces (SDMs) ont pour but d'apprendre les préférences environnementales des espèces et de projeter leur distribution géographique.Les récentes percées dans le domaine de l'apprentissage profond, associées à l'explosion des données sur la biodiversité, ont conduit au développement d'une nouvelle génération de modèles appelés deep-SDMs.Dans cette thèse, nous explorons leur application pour la conservation de la biodiversité.Tout d'abord, nous évaluons la contribution des séries temporelles d'images satellites en tant que covariables environnementales.La capture de la phénologie des habitats d'espèces s'est avérée précieuse, en particulier pour les espèces rares et dans les régions riches en espèces.Deuxièmement, nous entraînons un deep-SDM pour déduire les assemblages mondiaux d'espèces d'orchidées à l'échelle du kilomètre.Des indicateurs spatiaux de leur risque d'extinction sont ensuite cartographiés à l'aide de la liste rouge des espèces menacées de l'UICN (Union Internationale pour la Conservation de la Nature).En mettant en évidence des motifs spatiaux du risque d'extinction de taxons sous-évalués, ces indicateurs multi-échelles et basés sur de grands volumes de données peuvent informer la planification de la conservation.Troisièmement, nous utilisons des représentations d’espèces issues d’un deep-SDM pour prédire avec succès les statuts UICN des espèces, tout en permettant de projeter l'étude dans des conditions bioclimatiques futures.En effet, l'évaluation automatisée du risque d'extinction est un domaine de recherche actif pour compléter les évaluations manuelles.Notre méthode de classification bénéficie du pouvoir de généralisation des deep-SDMs.Il vise à atténuer la dépendance à l'information géographique dans les évaluations du risque d'extinction de la flore et ainsi pouvoir prédire l'évolution future de ces risques.La modélisation de la distribution des espèces est une tâche extrêmement difficile en raison de leurs dépendances biotiques et abiotiques complexes.Les modèles d'apprentissage profond peuvent s'appuyer sur les informations clefs qui sont en corrélation avec les espèces observés, et ce même lorsque des covariables environnementales riches et de très grande dimension leur sont fournies.En outre, les données sur la biodiversité sont entravées par des biais (taxonomique, géographique, temporel, etc.) que les techniques d'apprentissage automatique peuvent aider à compenser.En conclusion, nous avons étudié trois directions dans lesquelles les deep-SDM peuvent contribuer à la production de supports d'aide à la décision pour la conservation. 1) Tirer parti des données satellitaires de grande dimension pour modéliser les distributions d'espèces, 2) utiliser le pouvoir de généralisation et l'inférence des deep-SDMs pour cartographier mondialement le risque d’extinction d'assemblages d'espèces, et enfin 3) encoder des variables de grande dimension et leurs interactions reflétant les préférences environnementales des espèces pour des tâches connexes telles que la classification des statuts UICN.