Integrating Wikipedia and GBIF: Enhancing Habitat Classification using Natural Language Processing for Ecological Information

L'arrivée récente de bases de données collaboratives recensant un grand nombre d'observations d'espèces a permis de dépasser les limites précédemment imposées par les observations de terrain. En parallèle, l'apparition de grandes encyclopédies en ligne ont permis d'améliorer l'accès aux informations biologiques et écologiques. Utilisées conjointement, les nombreuses observations d'espèces et les informations textuelles qui leur sont liées consitituent un vaste réservoir d'informations écosystémiques. Ce travail a pour but l'évaluation des bénéfices apportés par l'ajout d'information textuelles dans le cadre de la classification automatisée des écosystèmes. Afin d'y parvenir, le jeu de données Wik-iSpeciesHabitats (WSH) est créé. Il met en correspondance cartes d'habitats naturels, observations d'espèces géo-localisées et articles décrivant les espèces provenant de Wikipedia. Des réseaux de neurones sont entrainés sur WSH afin de classer automatiquement les textes écologiques en différents habitats naturels. Les résultats montrent que l'addition de texte permet l'amélioration de la performance des modèles. De plus, le texte bénéficie dans une large mesure aux capacités de généralisation du modèle, permettant ainsi d'effectuer des prédictions à partir d'occurrences d'espèces jamais observées précédemment. L'inclusion de données textuelles, encore peu utilisées, semble offrir des perspectives prometteuses pour la résolution de tâches de machine learning en écologie.