1. Des milliards de points LiDAR… issus de forêts inventées
Boreal3D génère des placettes synthétiques parfaitement annotées, avec différentes simulations de capteurs LiDAR. L’étude présente 1 000 placettes, plus de 48 000 arbres et des dizaines de milliards de points. Un modèle préentraîné sur ces données atteint, après adaptation avec une fraction des mesures réelles, une performance comparable à un entraînement beaucoup plus gourmand en données terrain.
Ce qui m’intéresse : on ne construit plus uniquement une forêt virtuelle pour la regarder. On peut aussi s’en servir comme banc d’essai scientifique. À condition, évidemment, de vérifier ensuite que la forêt synthétique n’a pas inventé ses propres lois botaniques.
Article scientifique — Remote Sensing of Environment
doi.orgConsulter la publication sur doi.orghttps://doi.org/10.1016/j.rse.2026.115436
2. Comparer plusieurs gestions au lieu de chercher LA réponse
FoRDM combine des résultats de simulation forestière et une optimisation multicritère. L’utilisateur explore des compromis selon les scénarios climatiques, les objectifs et ses préférences, notamment dans une application Web Shiny.
Pour la formation, je trouve ce renversement précieux : une décision de gestion n’est pas une réponse à deviner, mais un arbitrage à justifier. Et non, le bouton « meilleure forêt possible » n’existe toujours pas.
Article scientifique — Ecological Informatics
doi.orgConsulter la publication sur doi.orghttps://doi.org/10.1016/j.ecoinf.2026.1039033. Quand l’iPhone mesure des rémanents en trois dimensions
SlashScan exploite le LiDAR d’appareils Apple compatibles pour scanner des amas de rémanents et estimer leur volume sur le terrain. La méthode a été comparée à une acquisition LiDAR drone.
Une perspective intéressante : le téléphone peut devenir un capteur de terrain, pas seulement un écran de consultation. Mais ses mesures doivent rester accompagnées d’informations sur leur précision et leurs limites.
Étude et notice — USDA Forest Service
research.fs.usda.govConsulter la publication sur research.fs.usda.govhttps://research.fs.usda.gov/treesearch/805244. Combien de précision faut-il vraiment pour décider ?
Une étude confronte plusieurs résolutions d’inventaires issus de nuages de points à un système d’aide à la décision forestière. La finesse des données initiales peut fortement influer sur les indicateurs projetés.
Cette question me plaît : faut-il absolument mesurer plus précisément, ou mesurer suffisamment bien pour répondre à une vraie question ? Plus de décimales ne fabrique pas automatiquement une meilleure décision.
Article scientifique — Ecological Informatics
doi.orgConsulter la publication sur doi.orghttps://doi.org/10.1016/j.ecoinf.2026.1038965. Plusieurs pays peuvent-ils entraîner un modèle sans partager leurs placettes ?
Une étude sur l’apprentissage fédéré examine la possibilité d’exploiter des inventaires forestiers nationaux tout en conservant localement les données sensibles. Les performances doivent néanmoins être adaptées aux contextes régionaux.
Derrière le mot « fédéré », il y a une question très pratique : comment apprendre ensemble sans exiger que chacun abandonne ses données ? Ce sujet reviendra dès que les bases forestières se connecteront davantage.
Recherche — Wageningen University
research.wur.nlConsulter la publication sur research.wur.nlhttps://research.wur.nl/en/publications/federated-learning-in-forest-resource-modelling-and-monitoring-br/6. L’IA pédagogique doit-elle aider ou faire à la place ?
RAIL-Ed propose un cadre de réflexion sur les compétences nécessaires pour apprendre avec l’IA : jugement critique, autonomie, contrôle humain et capacité à évaluer les réponses. Il s’agit d’un cadre conceptuel, et non d’une preuve d’efficacité en forêt.
Je retiens surtout une règle simple : une IA qui donne la bonne réponse trop vite peut supprimer précisément la réflexion qu’on voulait enseigner.
Prépublication — arXiv
arxiv.orgRethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Educationhttps://arxiv.org/abs/2608.01705
Ce que je retiens de la semaine
Une forêt numérique utile n’est pas forcément celle qui ressemble le plus à une photographie. C’est peut-être celle qui aide le mieux à tester une hypothèse, comprendre une incertitude ou discuter un choix.
Fabrice Galliot
Chef de produit Silva Numerica
Veille & analyse — Forêt & numérique