1. Simuler un incendie dans une forêt reconstruite en Gaussian Splatting
WildFireGS propose de faire fonctionner un modèle physique de propagation du feu directement sur une reconstruction forestière 3D enrichie de propriétés sémantiques et de combustible, sans passer systématiquement par une scène procédurale classique.
Je trouve ce changement de perspective fascinant : la représentation de la forêt cesse d’être un décor et devient un support de calcul. Prudence toutefois, ce travail est une prépublication.
Prépublication — arXiv
arxiv.orgWildFireGS: Physics-Based Wildfire Simulation in Large-Scale Semantics-Enriched Gaussian Splatting Forest Sceneshttps://arxiv.org/abs/2608.11100
2. LiDAR au sol et LiDAR drone : chacun voit sa moitié du problème
BCAF-Net associe les observations du tronc obtenues par LiDAR SLAM au sol à celles de la canopée acquises par drone. Cette fusion améliore, sur les sites étudiés, l’estimation de diamètre et de hauteur.
On cherchait le capteur miracle ; le résultat suggère plutôt une petite équipe de capteurs complémentaires. La forêt est visiblement peu sensible au concept marketing du « tout-en-un ».
Article scientifique — Remote Sensing
www.mdpi.comConsulter la publication sur www.mdpi.comhttps://www.mdpi.com/2072-4292/18/16/2670
3. Mesurer quelques troncs au sol, extrapoler grâce au drone
Une étude en forêt méditerranéenne combine LiDAR portatif et photogrammétrie UAV pour estimer les volumes de tiges. Les auteurs comparent notamment les outils open source FSCT et 3DFin.
Cette combinaison me paraît bien plus réaliste pour le terrain qu’une promesse de reconstruction parfaite et automatique de chaque arbre. Les résultats dépendent toutefois des essences et des conditions étudiées.
Article scientifique — Forests
www.mdpi.comConsulter la publication sur www.mdpi.comhttps://www.mdpi.com/1999-4907/17/8/9444. Une forêt scannée 25 fois pour comprendre les saisons
Des chercheurs ont répété des acquisitions SLAM portatives colorisées à 25 dates, soit 149 scans, afin d’observer les variations saisonnières de la végétation dans différentes strates.
Ce qui m’intéresse n’est pas seulement la saisonnalité : une même parcelle peut conserver plusieurs états datés, comparables et vérifiables. Le temps devient une véritable dimension de la forêt numérique.
Article scientifique — Forests
www.mdpi.comConsulter la publication sur www.mdpi.comhttps://www.mdpi.com/1999-4907/17/8/9355. Des points LiDAR artificiels pour sélectionner les bons indicateurs
Des peuplements synthétiques aux caractéristiques connues servent de banc d’essai pour identifier les métriques LiDAR les plus pertinentes pour décrire les combustibles forestiers.
Une bonne question de recherche : avant de calculer cinquante indices parce qu’on en est capable, lesquels nous disent vraiment quelque chose ?
Article scientifique — Ecological Informatics
doi.orgConsulter la publication sur doi.orghttps://doi.org/10.1016/j.ecoinf.2026.1039776. Une IA savante n’est pas nécessairement une bonne professeure
Le benchmark Teaching Monster Challenge évalue la capacité d’agents IA à construire un enseignement adapté à un profil précis d’apprenant. Les résultats révèlent un écart entre connaissance du sujet et qualité pédagogique.
J’aime beaucoup ce rappel : connaître la réponse ne signifie pas savoir aider quelqu’un à la découvrir. Même avec une carte graphique hors de prix.
Prépublication — arXiv
arxiv.orgFindings of the First Teaching Monster Challenge: A Benchmark of Pedagogical Content Knowledge in AI Agentshttps://arxiv.org/abs/2608.08852
Ce que je retiens de la semaine
Le vrai changement que je vois cette semaine : les données 3D commencent à devenir des matériaux pour expérimenter, et pas seulement des images à admirer.
Fabrice Galliot
Chef de produit Silva Numerica
Veille & analyse — Forêt & numérique