L'approche mécanistico-statistique permet d'aller au-delà des approches corrélatives pour prendre en compte explicitement des mécanismes dans les modèles de distribution d'espèces (dispersion limitée, compétition, prédation...). Une partie des modèles développés repose sur des modèles de réaction-diffusion. L’estimation des paramètres d’un tel modèle par maximum de vraisemblance ou dans un cadre bayésien (MCMC, ABC, etc.) nécessite généralement la résolution de celui-ci pour un grand nombre de valeur de paramètres. Ors, cette résolution est coûteuse en temps de calcul dans le cas d’un système de grande dimension, de domaines à la géométrie complexe où de la prise en compte d’hétérogénéités dans les paramètres. Les techniques d’apprentissage profond intégrant des composantes physiques (physics informed deep learning) est une piste prometteuse pour rendre l'inférence de modèles mécanistico-statistique plus aisée. En collaboration avec le réseau MEDIA et avec l'aide de la FRUMAM deux journées sont organisées pour faire l’état de l’art de ces approches et de leurs possibles applications en écologie.