1. 583 sites français pour regarder l’évolution des peuplements
Le réseau RMQS met à disposition des descriptions de peuplements sur 583 sites forestiers, avec des campagnes de 2006–2007 et 2024, enrichies par un historique de gestion depuis 1995. Il s’agit de données à l’échelle des sites, pas d’une reconstruction arbre par arbre.
C’est une ressource précieuse pour poser de meilleures questions sur l’évolution des peuplements et sur les effets de la sylviculture.
Base de données scientifique — Annals of Forest Science
link.springer.comConsulter la publication sur link.springer.comhttps://link.springer.com/article/10.1186/s13595-026-01353-7
2. LiDAR plus plans de gestion : l’union fait le volume
Une étude compare des algorithmes de détection individuelle des arbres à différentes densités LiDAR, puis confronte les estimations aux documents de gestion et aux volumes exploités.
Ce qui m’intéresse : la meilleure estimation ne vient pas toujours de la plus grosse quantité de points. Elle peut venir d’une combinaison plus intelligente avec les données forestières déjà connues.
Article scientifique — Scientific Reports
www.nature.comConsulter la publication sur www.nature.comhttps://www.nature.com/articles/s41598-026-70748-33. L’IA qui apprend quelques lois de la forêt
Un modèle hybride de prédiction du carbone combine apprentissage automatique et connaissances issues des processus écologiques. L’étude montre de meilleures capacités d’extrapolation sur des horizons de dix à quinze ans dans les forêts chinoises étudiées.
Voilà une direction que j’aime : l’IA peut calculer très vite, mais lui rappeler comment fonctionne un écosystème n’est peut-être pas une mauvaise idée.
Article scientifique — Annals of Forest Science
link.springer.comConsulter la publication sur link.springer.comhttps://link.springer.com/article/10.1186/s13595-026-01359-14. Le même LiDAR peut donner plusieurs réponses
Une étude sur la biomasse de mangroves compare plusieurs méthodes d’exploitation des mêmes données LiDAR. Les estimations varient selon qu’on calcule à l’arbre ou à l’échelle du peuplement.
Avant d’afficher un résultat parfaitement rond ou très précis, il faut donc regarder les hypothèses placées entre le capteur et le chiffre.
Article scientifique — Carbon Balance and Management
link.springer.comConsulter la publication sur link.springer.comhttps://link.springer.com/article/10.1186/s13021-026-00508-35. UNESCO : prouver l’utilité de l’IA à l’école
La déclaration ministérielle publiée par l’UNESCO demande davantage de preuves d’intérêt pédagogique, de transparence et de contrôle humain pour les systèmes d’IA éducative.
C’est une exigence utile : « nous avons ajouté une IA » n’explique ni ce qu’apprend l’étudiant ni comment on le vérifie.
Déclaration et analyse — UNESCO
www.unesco.orgEducation Ministers call for education to remain a common good in thehttps://www.unesco.org/en/articles/education-ministers-call-education-remain-common-good-age-ai-unescos-digital-learning-week
6. OCDE / PISA : l’IA ne remplace pas l’esprit critique
L’OCDE souligne les enjeux de lecture, de jugement et d’évaluation des informations à l’ère de l’IA. Les observations présentées ne démontrent pas qu’utiliser l’IA cause mécaniquement une baisse des performances.
Ce que je retiens : il faut apprendre à questionner les réponses, pas seulement à bien formuler les demandes.
Analyse — OCDE / PISA
www.oecd.orgConsulter la publication sur www.oecd.orghttps://www.oecd.org/en/blogs/2026/09/pisa-findings-on-artificial-intelligence-use-reading-skills-and-learning.htmlCe que je retiens de la semaine
Mesurer, calculer, prévoir : très bien. Mais la question suivante doit toujours rester disponible : comment le savons-nous ?
Fabrice Galliot
Chef de produit Silva Numerica
Veille & analyse — Forêt & numérique