Georeferencing Non-Gazetteered Place Names using Biological Specimen Records

Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu de chercher une personne disparue, vous essayez de trouver un lieu qui n'existe sur aucune carte. C'est le monde de la géoréférencement, une branche de la science qui transforme les mots décrivant un lieu en coordonnées réelles (comme la latitude et la longitude) que les ordinateurs peuvent utiliser. Habituellement, c'est facile : si un texte mentionne « Paris », un ordinateur le recherche dans un dictionnaire numérique de lieux appelé gazetteer et trouve l'endroit exact. Mais que se passe-t-il lorsqu'un texte mentionne un lieu qui n'est pas dans le dictionnaire ? Peut-être est-ce un ancien nom d'il y a 100 ans, un surnom local que seuls les voisins connaissent, ou un endroit spécifique comme « le grand chêne près du ruisseau » qui n'a jamais eu de nom officiel. Ce sont des noms de lieux non répertoriés dans les gazetteers. Ils sont comme des fantômes dans la machine — des lieux réels que l'ordinateur ne peut tout simplement pas voir parce qu'ils manquent à ses livres de référence. Cela importe car des millions de registres historiques, des vieilles lettres aux journaux scientifiques, sont remplis de ces noms invisibles, verrouillant une connaissance géographique précieuse que nous ne pouvons ni accéder ni utiliser.

Ce document plonge dans un véritable trésor de tels lieux cachés : les enregistrements de spécimens biologiques. Considérez-les comme les notes de terrain de scientifiques qui ont passé plus d'un siècle à collecter des plantes, des insectes et des champignons. Lorsqu'ils trouvaient une nouvelle espèce, ils notaient précisément où ils l'avaient trouvée, utilisant souvent des noms locaux et non officiels pour les points de repère. Les chercheurs de cette étude se sont posé une grande question : pouvons-nous utiliser les indices éparpillés à travers des milliers de ces vieilles notes pour déterminer où se trouvent réellement ces lieux « fantômes » ? Ils ont traité les enregistrements de spécimens comme un immense puzzle. Si une note dit qu'une plante a été trouvée « au nord de Cabstand » et qu'une autre dit qu'elle a été trouvée « au sud de Cabstand », et que nous savons exactement les coordonnées de l'endroit où ces plantes ont été prélevées, nous pouvons remonter le fil pour trouver où « Cabstand » doit se situer. En combinant ces indices, l'équipe a tenté de fixer les emplacements de ces lieux manquants en utilisant trois différentes stratégies de détective : une méthode stricte de suivi de règles, une méthode de probabilité mathématique et une méthode moderne d'Intelligence Artificielle (IA).

Le Mystère des Lieux Disparus

L'histoire commence avec une collection massive de données provenant de l'Allan Herbarium en Nouvelle-Zélande. Les chercheurs ont examiné plus de 13 000 enregistrements numériques de spécimens de plantes. Ils ont scanné le texte à la recherche de noms de lieux, puis les ont vérifiés par rapport aux bases de données cartographiques officielles du gouvernement. Comme ils le soupçonnaient, ils ont trouvé des centaines de noms qui n'existent dans aucun gazetteer officiel. C'étaient les Noms de Lieux Non Répertoriés (NGP). Certains étaient d'anciennes stations agricoles, d'autres d'anciens points trigonométriques (repères de levés), et certains étaient simplement des lieux communautaires locaux comme une école spécifique ou une salle de thé.

Le problème était que ces noms n'avaient pas de coordonnées. Pour résoudre cela, l'équipe a réalisé qu'elle possédait une arme secrète : la redondance. Dans le monde de la biologie de terrain, les scientifiques collectent souvent de nombreux échantillons dans une même zone générale. Cela signifie que le même nom de lieu caché peut apparaître dans des dizs de notes différentes, chaque fois avec une description différente. Une note peut dire « Trouvé près de Cabstand », tandis qu'une autre dit « Trouvé à 1 mille au nord de Cabstand ». Même si « Cabstand » n'est pas sur une carte, les spécimens autour de lui le sont. En sachant exactement où les spécimens ont été trouvés, les chercheurs pouvaient faire l'ingénierie inverse de l'emplacement du nom de lieu manquant.

Trois Façons de Résoudre l'Énigme

Pour briser le code, l'équipe a testé trois approches, chacune ayant sa propre personnalité.

1. Le Suiveur de Règles Stricte (Méthode Déterministe)
Imaginez un robot qui suit les instructions parfaitement mais qui est confus si les instructions sont légèrement vagues. Cette méthode a tenté de dessiner une « boîte » stricte autour de la localisation possible du lieu manquant. Si une note disait « au nord de », le robot dessinait une ligne et disait : « Le lieu doit être au-dessus de cette ligne ». Si une autre note disait « au sud de », il dessinait une autre ligne. La réponse devait se trouver là où toutes les lignes se croisaient.

• Le Résultat : Cette méthode était très pointilleuse. Si les indices ne s'alignaient pas parfaitement (ce qui arrivait souvent, car les vieilles notes peuvent être vagues), le robot abandonnait et disait : « Je ne peux pas résoudre ceci ». Elle a échoué à trouver un emplacement pour 108 des 365 lieux qu'elle tentait de résoudre. Lorsqu'elle fonctionnait, elle n'était pas très précise.

2. Le Magicien des Mathématiques (Méthode Probabiliste)
Cette approche ressemblait davantage à un prévisionniste météo. Au lieu de tracer des lignes dures, elle utilisait les mathématiques pour calculer la probabilité qu'un lieu se trouve à un certain endroit. Elle traitait chaque indice comme un « vote ». Une note disant « 1 km à l'est » lançait un vote fort pour un point situé à 1 km à l'est. Une note disant « près de » lançait un vote plus faible et plus large. L'ordinateur additionnait tous les votes pour trouver l'endroit ayant le score total le plus élevé.

• Le Résultat : Ce fut le champion. Elle a réussi à trouver un emplacement pour chaque lieu. Elle était la plus précise, avec une erreur médiane de 1,43 km. Cela signifie que la moitié du temps, l'emplacement deviné se trouvait à moins de 1,43 km de l'endroit réel. Elle a également trouvé l'emplacement à moins de 1 km de la vérité 36 % du temps.

3. Le Détective IA (Méthode LLM)
Cette méthode utilisait un Grand Modèle de Langage (une IA avancée) et lui donnait le texte brut des notes ainsi que les coordonnées, en lui demandant de « comprendre le problème ». L'IA devait lire les indices, comprendre les relations (comme « au nord de » ou « près de ») et faire le calcul mental pour deviner l'endroit. Les chercheurs ont même demandé à l'IA d'expliquer son raisonnement, ce qui, étonnamment, l'a aidée à s'améliorer.

• Le Résultat : L'IA était une sérieuse concurrente. Elle a trouvé des emplacements pour tous les lieux et présentait une erreur moyenne très faible, suggérant qu'elle commettait rarement de grosses erreurs aberrantes. Cependant, elle n'était pas aussi précise que le Magicien des Mathématiques. Son erreur médiane était de 1,80 km, et elle n'était à moins de 1 km de la vérité que 31 % du temps.

Ce que les Indices nous Disent

L'étude a révélé des schémas intéressants sur la façon dont ces méthodes gèrent différents types d'indices.

• La distance compte : Lorsqu'une note disait « 1 km au nord », toutes les méthodes étaient plus performantes. La distance offrait une ancre solide.
• La direction seule est délicate : Si une note disait simplement « nord » sans distance, le Magicien des Mathématiques peinait un peu plus car « nord » pouvait signifier n'importe quoi, de quelques mètres à des centaines de kilomètres de distance. L'IA, cependant, était étonnamment douée pour deviner la bonne distance même sans nombre, utilisant probablement son entraînement sur la façon dont les gens décrivent habituellement les choses.
• Le problème du « Près de » : L'indice le plus courant était simplement « près de ». C'est vague. Le Magicien des Mathématiques gérait bien cela en traitant « près de » comme un cercle flou autour du spécimen. L'IA a également bien performé, mais elle s'appuyait parfois sur sa propre connaissance interne du fonctionnement du monde, ce qui est une épée à double tranchant (elle peut deviner juste par chance, ou se tromper en se basant sur une mauvaise supposition).

Le Verdict

Le papier conclut que bien que l'IA soit incroyablement intelligente et flexible, la modélisation mathématique traditionnelle (la Méthode Probabiliste) reste le roi de la précision lorsqu'il s'agit de trouver un point précis sur le terrain. L'IA est excellente pour faire une bonne supposition et expliquer son raisonnement, mais si vous avez besoin de l'emplacement le plus précis possible, l'approche basée sur les mathématiques l'emporte.

Les chercheurs précisent avec prudence que ce n'est pas une solution miracle qui règle tout. Les méthodes fonctionnent mieux lorsqu'il y a plusieurs indices (au moins trois notes mentionnant le même lieu) et lorsque les coordonnées des spécimens sont précises. Ils notent également que leur test a été effectué sur un ensemble de données « pseudo » où ils connaissaient les réponses à l'avance pour vérifier leur travail, donc l'application dans le monde réel pourrait présenter des défis différents.

En fin de compte, cette étude prouve que nous n'avons pas à jeter les vieilles notes de terrain désordonnées simplement parce qu'elles mentionnent des lieux qui ne sont pas sur les cartes modernes. En traitant ces registres comme un réseau d'indices, nous pouvons redonner vie à ces lieux « fantômes », comblant les lacunes de nos cartes numériques et préservant l'histoire géographique de notre monde. La prochaine fois que vous verrez une note disant « trouvé près du vieux moulin », vous saurez qu'avec suffisamment d'autres notes, nous pouvons probablement trouver exactement où se trouvait ce moulin.