La biodiversité végétale est une composante majeure de la résilience des agroécosystèmes, à l’origine d’un nombre important de services écosystémiques pour la production agricole (ressource pour les auxiliaires des cultures, pollinisation) et pour la préservation des ressources du sol (couvert enherbés) et en eau (phytoremédiation, par ex.) (Garcia et al 2018). Durement impactée par l’agriculture intensive et le changement climatique (Lichtenberg et al 2017), elle est peu à peu ré-introduite dans les paysages agricoles via la biodiversification et l’agroécologie, en partant du constat que les paysages plus complexes, i.e. plus riches en éléments semi-naturels, facilitent l’établissement d’une biodiversité associée dans les parcelles (Estrada-Carmona et al 2022).

Cette biodiversité spécifique, mieux caractérisée dans l’espace et dans le temps, atteste ou non de la réussite des programmes agroécologiques en termes de restauration des connectivités écologiques et renseigne sur la santé des agroécosystèmes. Les communautés végétales traduites en propriétés fonctionnelles renseignent à la fois sur la réponse des plantes soumises au changement climatique et sur la contribution de la biodiversité à la restauration des services écosystémiques (Rudi et al 2020). Il est donc important de pouvoir caractériser cette diversité dans tous les éléments du paysage, et en particulier les espaces interstitiels des cultures, i.e. haies, fossés, bordures, susceptible d’être biodiversifiés car non productifs.

Or la caractérisation de la biodiversité à une échelle spécifique, i.e. l’identification des espèces végétales et de leur couverture par unité de surface, est une tâche réservée à un certain nombre de spécialistes, botanistes professionnels ou amateurs, selon des protocoles spécifiques établis en fonction du type de milieu et du type de diversité recherchée (alpha, beta, gamma), avec parfois un biais d’observation significatif (Archaux et al 2006, Morrison 2016). Ces freins réduisent la force d’échantillonnage nécessaire pour répondre aux enjeux actuels de préservation des ressources à l’échelle du paysage (cf. au grain des infrastructures agroécologiques). Cet échantillonnage doit être à la fois dense spatialement pour caractériser finement la biodiversité de tous les éléments du paysage impactés par la transition agroécologique, et temporellement pour permettre à la biodiversité végétale de jouer le rôle de sentinelle des impacts du changement climatique.

L’arrivée récente de l’intelligence artificielle appliquée à l’imagerie, et la diffusion d’application dédiée à la reconnaissance automatique des espèces, comme Pl@ntNet (Affouard et al., 2017), a bouleversé la situation, ajustant les déséquilibres en permettant à tout un chacun de reconnaître des espèces végétales à partir d’une image prise sur le terrain. Cette méthode est particulièrement efficace pour reconnaître une espèce à partir d’une ou plusieurs images de couverture du sol (Bonnet et al 2016), mais son potentiel à reconnaître et positionner plusieurs spécimens à partir d’une seule image est encore à approfondir.

Bien que des améliorations notables aient été apportées sur des images multi-specimen de plantes cultivées (van der Velde, 2022), il subsiste un certain nombre de verrous méthodologiques pour relier ce type d’application  à des protocoles d’échantillonnage de la biodiversité des milieux agricoles. En effet, ces derniers nécessitent des analyses exhaustives de couverts végétaux  (par exemple des quadrats ou des transects)  pour lesquels il est nécessaire de reconnaître plusieurs espèces en mélange par unité de surface, à des stades phénologiques divers. Réaliser de tels relevés en photographiant et en identifiant les individus un par un avec une application telle que Pl@ntNet serait un travail très long et très pénible qui limiterait l’acceptabilité et la mise en œuvre de telles approches. Une solution serait donc de développer de nouveaux outils permettant d’automatiser ce type de relevé directement à partir d’images d’un couvert végétal multispécifique.