A predictive approach to determining the joint conservation status of species | Une approche prédictive de la détermination du statut de conservation conjoint des espèces

English. Species distribution models (SDMs) aim to learn the environmental preferences of species and ultimately project their geographic distributions.Recent breakthroughs in deep learning, coupled with the explosion of biodiversity data, have led to the development of a new generation of models, called deep-SDMs.In this thesis, we explore their application in biodiversity conservation.First, we evaluate the contribution of satellite image time-series as environmental covariates.Capturing the phenology of species' habitats was found to be valuable, especially for rare species and in species-rich regions.Second, we train a deep-SDM to infer global orchid species assemblages at the kilometre scale.Spatial indicators of their extinction risk are then mapped using the IUCN Red List of threatened species.By highlighting spatial patterns of extinction risk for under-assessed taxa, such scalable and data-intensive indicators can inform conservation planning.Third, we use SDM-based species features to successfully predict the IUCN extinction risk status of species while being flexible enough to project the study into future bioclimatic conditions.Indeed, automated extinction risk assessment is an active research avenue to complement manual assessments.Our classification scheme benefits from the generalisation power of deep-SDMs.It aims to mitigate the over-reliance on geographic information in flora extinction risk assessments, thus allowing prediction of future extinction risk patterns.Modelling species distributions is an incredibly difficult task due to complex biotic and abiotic dependencies.Deep learning models can rely on the critical information that correlates with observed species patterns when provided with rich, high-dimensional environmental covariates.Furthermore, biodiversity data are hampered by biases (taxonomic, geographic, temporal, etc.) that machine learning techniques can help to compensate for.Ultimately, in our work we have investigated three directions in which deep-SDMs can contribute to the production of decision support for conservation: 1) taking advantage of high-dimensional satellite data to model species distributions, 2) using their generalisation and inference power to map the extinction risk of global species assemblages, and finally 3) encoding high-dimensional covariate information for downstream tasks such as flexible IUCN status classification.

French. 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.