L’empreinte musicale individuelle : reconnaître une plante par son comportement
Deux plantes de la même espèce se ressemblent. Pourtant, elles ne bougent jamais exactement de la même manière. Leur architecture diffère légèrement. Leur masse foliaire n’est pas identique. La rigidité des pétioles varie. Leur histoire hydrique n’est pas la…
Deux plantes de la même espèce se ressemblent. Pourtant, elles ne bougent jamais exactement de la même manière.
Leur architecture diffère légèrement. Leur masse foliaire n’est pas identique. La rigidité des pétioles varie. Leur histoire hydrique n’est pas la même. Leur exposition à la lumière, leur croissance récente, leurs micro-blessures, leur orientation et leur interaction avec l’air créent des dynamiques particulières.
Ces différences ouvrent une hypothèse fascinante : une plante peut posséder une empreinte dynamique suffisamment stable pour devenir reconnaissable par une intelligence artificielle.
Et si cette empreinte est transformée en musique, elle devient également une empreinte musicale individuelle.
De l’espèce à l’individu
Plantsound commence par identifier la morphologie de la plante. Dans sa chaîne actuelle, un modèle de vision embarqué, Plantsound-IA-BioA, classe le végétal parmi plusieurs familles morphologiques. Cette classification participe ensuite au choix du profil musical : gamme, timbre, tempo et comportement sonore.
Cette première couche répond à la question :
« Quel type de plante suis-je en train d’observer ? »
Mais une seconde question devient possible :
« Est-ce la même plante qu’hier ? »
Pour y répondre, l’image seule ne suffit plus.
Il faut observer le comportement.
L’intelligence artificielle ne cherche alors plus uniquement la forme d’une feuille. Elle étudie la manière dont cette feuille, cette tige et l’ensemble du feuillage évoluent dans le temps.
On passe de la reconnaissance visuelle à la biométrie comportementale végétale.
Chaque plante possède une mécanique particulière
Une feuille est un système mécanique.
Sa masse, sa surface, la longueur de son pétiole, sa rigidité et son orientation déterminent la manière dont elle réagit à une perturbation.
Plantsound exploite précisément cette dimension en mesurant optiquement de très faibles variations du feuillage. Le traitement décrit dans son mémoire scientifique utilise 64 zones de l’image et privilégie les régions où le contraste permet de détecter efficacement les déplacements. Le système sépare notamment une activité relativement rapide d’une composante beaucoup plus lente.
Dans la voie rapide, la dynamique du feuillage est recherchée dans une bande couvrant l’essentiel des oscillations mécaniques considérées par Plantsound. Une bande témoin située à plus haute fréquence sert parallèlement à caractériser le bruit de mesure. Le système sélectionne ensuite une zone présentant un rapport mouvement/bruit élevé.
Cette information contient déjà davantage qu’un simple « mouvement ».
Elle contient une manière de bouger.
Deux feuilles soumises au même déplacement d’air peuvent présenter des réponses différentes :
l’une revient rapidement à sa position initiale ;
l’autre continue d’osciller ;
une troisième se déplace très peu ;
une quatrième présente plusieurs fréquences superposées.
Cette réponse mécanique dépend de l’individu.
La plante possède donc potentiellement une signature dynamique.
Construire une empreinte
Pour transformer cette idée en protocole scientifique, il faut cesser de considérer chaque session Plantsound comme une expérience isolée.
Chaque observation devient au contraire une mesure d’un même organisme.
Une session de quelques minutes peut être représentée par un vecteur de caractéristiques :
E = [A, F, Q, V, L, C, H, R…]
où l’on peut définir, par exemple :
A : amplitude moyenne de l’activité ;
F : fréquences dominantes ;
Q : stabilité ou qualité des oscillations ;
V : variabilité temporelle ;
L : importance des mouvements lents ;
C : cohérence entre différentes zones du feuillage ;
H : distribution des périodes d’activité et de repos ;
R : réponse à une perturbation extérieure.
Ce vecteur constitue une photographie dynamique de la plante.
On recommence l’expérience.
Puis encore.
Après plusieurs jours, l’intelligence artificielle ne possède plus un point mais un nuage de mesures.
Ce nuage devient la véritable empreinte.
L’IA ne mémorise pas une mélodie
Une erreur serait de tenter de reconnaître la plante à partir d’une suite exacte de notes.
La plante ne rejoue jamais la même séquence.
L’IA doit apprendre quelque chose de plus abstrait : la structure statistique qui génère ces séquences.
C’est exactement le type de problème pour lequel les méthodes modernes d’apprentissage de représentations sont intéressantes.
Un réseau neuronal reçoit des fenêtres temporelles du signal végétal et apprend à les transformer en un espace latent.
Dans cet espace, deux mesures réalisées sur la même plante doivent progressivement se rapprocher.
Les mesures de plantes différentes doivent au contraire s’éloigner.
On peut utiliser un apprentissage contrastif :
même plante → représentations rapprochées
plantes différentes → représentations séparées
Après suffisamment d’observations, chaque individu occupe une région particulière de cet espace mathématique.
Cette région constitue son identité comportementale.
Mais il faut apprendre à ignorer le vent
Le problème devient immédiatement plus intéressant.
Une partie du mouvement mesuré appartient à la plante.
Une autre appartient au milieu.
Un courant d’air peut déplacer toutes les feuilles. Une variation lumineuse peut modifier la réponse de la caméra. Une personne passant à proximité peut provoquer une vibration mécanique.
Plantsound possède déjà une première défense contre ces perturbations : le traitement retire une composante commune aux différentes zones de l’image afin de limiter les variations globales de la scène, comme les changements d’exposition ou certains mouvements affectant l’ensemble de l’image.
Mais pour construire une identité individuelle, l’IA doit aller plus loin.
Elle doit apprendre à distinguer :
ce qui arrive à la plante
de
la manière dont la plante répond à ce qui lui arrive.
C’est cette seconde partie qui contient l’information la plus intéressante.
Supposons qu’un léger déplacement d’air soit observé.
La stimulation est extérieure.
Mais l’amplitude de la réponse, sa fréquence, son amortissement, sa propagation d’une feuille à l’autre et le temps nécessaire au retour au calme dépendent de la structure végétale.
Autrement dit, le vent n’efface pas nécessairement l’identité.
Il peut au contraire la révéler.
La perturbation devient un test
Cette idée conduit à un protocole expérimental beaucoup plus robuste.
Au lieu d’attendre passivement que la plante bouge, on applique une perturbation faible et reproductible.
Par exemple : un flux d’air calibré pendant deux secondes.
La caméra mesure ensuite la réponse.
L’IA analyse :
la latence du premier mouvement ;
l’amplitude maximale ;
les fréquences dominantes ;
le temps d’amortissement ;
la synchronisation entre différentes feuilles ;
le retour à l’état initial.
On obtient une sorte de réponse impulsionnelle végétale.
En acoustique, on caractérise une pièce en lui envoyant un signal puis en étudiant sa réponse.
On peut appliquer exactement la même logique à une plante.
L’environnement fournit l’impulsion.
La plante fournit la réponse mécanique.
Et cette réponse contient une partie de son identité.
Chaque plante devient son propre référentiel
Le système devient encore plus intéressant lorsqu’il possède plusieurs semaines de données.
Il n’a alors plus besoin de comparer une plante à une moyenne générale.
Il peut comparer la plante à elle-même.
On calcule une référence individuelle :
μᵢ = comportement moyen de la plante i
ainsi qu’une variabilité naturelle :
σᵢ = dispersion normale de son comportement
Une nouvelle observation peut alors être exprimée relativement à cette référence :
z = (observation − μᵢ) / σᵢ
Cette simple transformation change profondément l’interprétation.
Une activité considérée comme importante pour une plante très stable peut être parfaitement normale chez une plante naturellement mobile.
Le système cesse alors de demander :
« cette valeur est-elle élevée ? »
Il demande :
« cette valeur est-elle inhabituelle pour cette plante précise ? »
C’est beaucoup plus puissant.
La musique peut rendre cette identité audible
Une fois cette empreinte apprise, elle peut être traduite musicalement.
Il ne s’agit plus seulement de donner un timbre différent à chaque famille végétale.
Le système peut progressivement adapter certains paramètres à l’individu.
Une plante présentant une forte stabilité temporelle peut développer une musique plus continue.
Une plante caractérisée par de nombreuses ruptures possède davantage de silences ou de changements d’articulation.
Une grande diversité dynamique élargit progressivement le registre disponible.
Une forte composante lente augmente la durée des phrases.
Une oscillation mécanique très marquée peut influencer les motifs rythmiques.
Les notes instantanées continuent à provenir du mouvement actuel.
Mais l’histoire de la plante modèle désormais l’instrument qui les joue.
On obtient ainsi trois couches clairement séparées :
la famille botanique donne le vocabulaire ;
l’individu donne le style ;
l’instant donne la phrase.
Reconnaître une plante uniquement par sa musique
On peut alors poser une expérience radicale.
On enregistre dix plantes pendant plusieurs semaines.
Pour chacune, Plantsound produit les données du mouvement et leur traduction musicale.
On masque ensuite les images et les noms.
L’intelligence artificielle reçoit uniquement les séquences dynamiques, ou même leurs représentations musicales.
Sa mission consiste à déterminer quelle plante est à l’origine de chaque session.
Si le taux de reconnaissance dépasse nettement le hasard, une information individuelle persiste effectivement dans le signal.
On peut ensuite conduire exactement la même expérience avec des humains.
Une personne écoute régulièrement plusieurs plantes.
Après une phase d’apprentissage, elle reçoit des morceaux anonymes.
Peut-elle reconnaître « sa » plante ?
Si oui, le phénomène devient particulièrement intéressant : une signature dynamique végétale aurait été transformée en une signature perceptible par l’audition humaine.
Un Shazam du végétal
À terme, Plantsound peut fonctionner comme une sorte de Shazam comportemental.
Le téléphone observe une plante pendant quelques minutes.
Le système extrait son embedding dynamique.
Il le compare aux empreintes précédemment enregistrées.
Puis il indique :
Plante reconnue : individu n°7
similarité comportementale : élevée
activité actuelle : supérieure à sa moyenne récente
La reconnaissance ne repose plus uniquement sur l’apparence.
Elle repose sur une histoire.
Une feuille coupée ou une orientation légèrement différente ne suffisent plus nécessairement à tromper le système, puisque l’identité est distribuée dans plusieurs propriétés temporelles.
Une identité qui évolue
Cette empreinte n’est pourtant pas figée.
Et c’est précisément ce qui la rend biologiquement intéressante.
Une plante pousse.
Elle développe de nouvelles feuilles.
Certaines disparaissent.
La longueur et la rigidité des tiges changent.
L’état hydrique évolue.
La distribution des masses se transforme.
Son empreinte dynamique dérive donc lentement.
Plutôt que de considérer cette dérive comme une erreur, on peut la mesurer.
La distance entre l’empreinte actuelle et celle enregistrée trois mois auparavant devient un nouvel indicateur.
On obtient ainsi une trajectoire :
identité(t)
La personnalité musicale de la plante n'est plus un profil fixe.
Elle possède une histoire.
Les saisons deviennent audibles
Sur plusieurs mois, cette évolution permet d’explorer une nouvelle dimension.
La même plante peut présenter des états mécaniques différents selon :
la durée du jour ;
la température ;
son cycle de croissance ;
ses périodes de repos ;
la disponibilité en eau ;
la production de nouvelles feuilles.
Si Plantsound conserve cette mémoire, l’année entière devient une composition.
Le morceau du mois de janvier n’est plus exactement celui de juin.
Pourtant, certaines caractéristiques persistent.
C’est précisément cette combinaison entre permanence et transformation qui définit une identité.
Vers un passeport dynamique du végétal
L’empreinte pourrait finalement être enregistrée sous la forme d’un véritable passeport numérique :
identité visuelle ;
famille morphologique ;
fréquences mécaniques dominantes ;
profil de mouvement lent ;
réactivité environnementale ;
rythme circadien ;
variabilité habituelle ;
embedding comportemental ;
histoire de l’évolution de ces paramètres.
La photographie décrit alors à quoi ressemble la plante.
L’empreinte dynamique décrit comment elle se comporte.
Et la musique permet d’en percevoir directement une partie.
Plantsound deviendrait ainsi moins un dispositif destiné à « faire jouer de la musique aux plantes » qu’un système permettant de rendre audible une propriété beaucoup plus subtile :
la continuité comportementale d’un organisme vivant.
Le véritable objectif scientifique n’est donc plus de demander :
« peut-on transformer une plante en musique ? »
Cette étape est déjà techniquement accessible.
La question suivante est beaucoup plus profonde :
« peut-on reconnaître un individu végétal dans sa musique, comme on reconnaît une voix humaine ? »
Une expérience suffisamment longue permettra de le mesurer.
Et si cette reconnaissance fonctionne, chaque plante ne possédera plus seulement une musique.
Elle possédera une signature.
Pour en savoir plus, rdv sur l'application https://plantsound.fr
