La surveillance participative de la biodiversité comble les lacunes de la cartographie mondiale des traits des plantes

Pourquoi les observations de la nature du quotidien comptent désormais pour la science mondiale

Des photos de fleurs sauvages prises dans les jardins aux relevés minutieux menés dans des forêts isolées, des personnes du monde entier enregistrent où vivent les plantes et quelles sont leurs caractéristiques. Cette étude montre comment ces observations dispersées, une fois combinées avec des images satellitaires et des données de terrain d’experts, peuvent être transformées en cartes globales détaillées décrivant la façon dont les plantes poussent, survivent et se reproduisent. Ces cartes nous aident à comprendre comment forêts, prairies et autres écosystèmes répondent au changement climatique et peuvent guider les efforts de protection de la biodiversité.

Ce qui fait fonctionner les plantes

Les plantes diffèrent selon de nombreuses caractéristiques mesurables : la taille de leurs feuilles, la densité de leur bois, la profondeur de leurs racines ou la quantité d’azote contenue dans une feuille. Ces « traits fonctionnels » contrôlent la manière dont les plantes utilisent la lumière, l’eau et les nutriments et, ensemble, façonnent le fonctionnement des écosystèmes. Ils influencent la quantité de carbone stockée par les forêts, la rapidité du cycle de l’eau à travers les paysages et la résilience de la végétation face à la chaleur, à la sécheresse et aux perturbations. Les scientifiques aimeraient connaître la répartition de ces traits à l’échelle planétaire, mais les mesures directes sur le terrain sont longues à réaliser et inégalement réparties, laissant de vastes régions du monde peu échantillonnées.

Transformer des relevés épars en une image globale

Pour combler ces lacunes, les auteurs ont construit un cadre qui fusionne trois principaux types d’informations. D’abord, des relevés de végétation d’experts, où des botanistes formés recensent toutes les espèces végétales et leur abondance dans des parcelles choisies avec soin. Ensuite, des données participatives collectées via des plateformes alimentant le Global Biodiversity Information Facility, où des citoyens déposent des observations géotagguées de plantes. Enfin, des mesures de traits issues d’une large base de données internationale compilant des mesures de laboratoire et de terrain telles que la chimie foliaire, la hauteur des plantes ou la taille des graines. Ces données biologiques sont ensuite associées à des couches environnementales à haute résolution dérivées d’observations satellitaires et de cartes climatiques et pédologiques, comme la réflectance de surface, la température, les précipitations et les propriétés des sols.

Comment fonctionne le modèle en interne

À partir de ces données, l’équipe a entraîné des modèles d’apprentissage automatique avancés pour prédire les valeurs moyennes des traits des communautés végétales locales pour 31 traits différents, à des mailles spatiales pouvant atteindre un kilomètre carré. Ils ont testé trois approches : n’utiliser que les données de parcelles d’experts, seulement les données de science citoyenne, ou une combinaison des deux. Pour éviter des résultats trop optimistes, ils ont validé les modèles en utilisant une forme spéciale de validation croisée qui sépare spatialement les zones d’entraînement et de test. Cela leur a permis d’évaluer non seulement la précision des prédictions là où des données existaient, mais aussi leur transférabilité vers de nouvelles régions aux environnements différents.

Ce que révèlent les cartes sur le pouvoir des données

L’approche combinée a surpassé ou égalé les cartes globales de traits précédentes pour des traits clés tels que la surface foliaire spécifique et la teneur en azote des feuilles, atteignant des coefficients de corrélation d’environ 0,65 avec des données d’enquête indépendantes. Les données de parcelles d’experts seules étaient en moyenne légèrement plus précises dans les zones bien couvertes, mais l’ajout d’observations de science citoyenne a largement étendu les régions où les modèles pouvaient produire des prédictions fiables et a réduit l’incertitude, en particulier dans des régions éloignées ou peu échantillonnées comme les déserts, les zones alpines, les forêts tropicales et les zones humides. L’étude a également montré que différents traits sont mieux prédits à différentes résolutions cartographiques : certains répondent principalement à des conditions locales, tandis que d’autres suivent de larges gradients climatiques, soulignant qu’il n’existe pas d’échelle universelle pour comprendre les stratégies végétales.

Pourquoi cela compte pour la planète et pour vous

Concrètement, ces nouvelles cartes offrent aux écologues et aux modélisateurs climatiques une vision beaucoup plus nette et plus complète du fonctionnement des communautés végétales à l’échelle mondiale. Elles peuvent être utilisées pour améliorer les simulations du cycle du carbone et de l’eau, affiner la classification des biomes et identifier les régions où des stratégies végétales uniques ou vulnérables pourraient être menacées. Peut-être plus important encore, ce travail démontre que les observations quotidiennes des citoyens, lorsqu’elles sont soigneusement combinées avec des données d’experts et des mesures satellitaires, peuvent faire progresser de manière significative la recherche sur le changement global. À mesure que davantage de personnes documentent les plantes qui les entourent et que les technologies de télédétection s’améliorent, notre image de la surface vivante de la Terre deviendra encore plus claire et utile pour orienter la conservation et l’action climatique.

Citation: Lusk, D., Wolf, S., Svidzinska, D. et al. Crowdsourced biodiversity monitoring fills gaps in global plant trait mapping. Nat Commun 17, 1203 (2026). https://doi.org/10.1038/s41467-026-68996-y

Mots-clés: traits des plantes, science citoyenne, télédétection, cartographie de la biodiversité, fonctionnement des écosystèmes