1. Le jumeau forestier comme état vivant, et non comme décor
Un cadre de Digital Forest Carbon Twin propose une identité persistante des arbres, un historique des observations, des versions et des calculs traçables. Un pilote en Finlande démontre surtout la faisabilité de l’intégration, pas encore la précision définitive du carbone.
C’est probablement l’idée la plus structurante de la semaine : un arbre numérique ne devrait pas changer d’identité à chaque nouvelle campagne de mesure.
Article scientifique — Environmental Challenges
doi.orgConsulter la publication sur doi.orghttps://doi.org/10.1016/j.envc.2026.101634
2. Détourer les houppiers sans tout annoter à la main
Une approche combine DeepForest et Segment Anything (SAM) pour délimiter automatiquement plus de 4 700 couronnes d’arbres sur des orthomosaïques drone. Les résultats dépendent fortement de la tolérance spatiale utilisée pour les évaluer.
Le plus intéressant n’est pas la promesse d’une IA infaillible : c’est l’assemblage d’outils existants, puis la possibilité de corriger leurs hypothèses.
Article scientifique — Remote Sensing
www.mdpi.comConsulter la publication sur www.mdpi.comhttps://www.mdpi.com/2072-4292/18/17/28973. Plusieurs capteurs, plusieurs échelles : une seule forêt
Une revue sur la surveillance de la végétation rappelle les complémentarités entre imagerie optique, radar, satellite, drone, LiDAR et relevés de terrain.
Quand les données racontent des choses différentes, elles ne se contredisent pas forcément. Elles regardent simplement la forêt depuis des points de vue différents.
Revue scientifique — Applied Sciences
www.mdpi.comConsulter la publication sur www.mdpi.comhttps://www.mdpi.com/2076-3417/16/17/83574. Voir, penser, agir : le numérique retourne sur le terrain
Des travaux forestiers présentés par l’IUFRO rapprochent acquisition de données, modèles de décision et actions opérationnelles : détecter, comprendre les contraintes, puis intervenir.
La 3D n’est qu’une étape entre le terrain et la décision. Une carte qui révèle une piste oubliée peut être plus utile qu’un modèle photoréaliste.
Compte rendu de webinar — IUFRO
www.iufro.orgConsulter la publication sur www.iufro.orghttps://www.iufro.org/events/artificial-intelligence-and-machine-learning-in-forest-technology-webinar5. Et si les erreurs de l’IA servaient à apprendre ?
Une revue systématique de 66 recherches sur l’IA générative dans l’enseignement des mathématiques relève de nombreuses limites et propose de transformer certaines erreurs de l’IA en exercices d’analyse critique.
Je trouve l’idée excellente : faire expliquer pourquoi une réponse est mauvaise peut être plus formateur que distribuer une réponse parfaite.
Revue systématique — Frontiers in Education
doi.orgConsulter la publication sur doi.orghttps://doi.org/10.3389/feduc.2026.1931535Ce que je retiens de la semaine
Ce qui change : nous commençons à parler moins d’images 3D et davantage de données qui ont une date, une origine, une incertitude… et une utilité réelle.
Fabrice Galliot
Chef de produit Silva Numerica
Veille & analyse — Forêt & numérique