← Toutes les actualités

Forêt & numérique — Semaine 47 : quand l’IA doit prouver ce qu’elle voit

Illustration de l’actualité « Forêt & numérique — Semaine 47 : quand l’IA doit prouver ce qu’elle voit »

Les forêts deviennent plus lisibles depuis l’espace. Mais une prédiction précise est-elle une vérité de terrain ? Un programme d’intelligence artificielle compare aujourd’hui des cartes forestières prises à six ans d’intervalle ; un autre combine plusieurs signaux laser pour distinguer végétation, sol et eau. Au même moment, des chercheurs montrent qu’ajouter des images plus détaillées n’améliore pas toujours beaucoup le résultat. Un fil conducteur s’impose dans cette nouvelle édition : le numérique forestier ne gagne pas seulement en puissance, il apprend à documenter ses incertitudes.

Période examinée : du 14 au 20 novembre 2026 inclus. Les dates indiquées sont celles des travaux publiés ou des rencontres programmées, et non la date de découverte des liens. Les résultats évalués par les pairs sont séparés des résumés de conférences, des annonces de webinaires et des ressources antérieures. Les chiffres cités décrivent les terrains et protocoles des auteurs : ils ne constituent pas des performances universelles. Cette sélection a été établie à partir des sources originales disponibles le 20 novembre au matin.

À la une — les nouveautés scientifiques de la semaine

1. Des satellites à l’IA : expliquer pourquoi une forêt semble avoir changé

18 novembre 2026 — étude scientifique évaluée par les pairs. En Corée du Sud, une équipe a combiné les représentations satellitaires AlphaEarth et un outil de dialogue en langage naturel pour examiner l’évolution de cartes forestières entre 2019 et 2025. Les « représentations » sont des caractéristiques numériques apprises à partir de données d’observation de la Terre : elles permettent de reconnaître des régularités parfois difficiles à exprimer avec quelques indices de végétation classiques.

Sur les données d’évaluation de Chuncheon, le système atteint un score F1 de 0,926 pour détecter les changements, contre 0,811 pour la comparaison construite autour de quatre indices Sentinel-2. Le score F1 résume la capacité à retrouver les changements sans multiplier les fausses alertes ; il ne signifie pas « 92,6 % de forêts correctement connues ». Les chercheurs ont aussi documenté la provenance des calculs utilisés dans des comptes rendus générés automatiquement. C’est une piste intéressante pour les gestionnaires : pouvoir remonter d’une alerte à l’image, à la carte et au calcul qui l’a produite.

La limite décisive : les étiquettes de référence proviennent elles-mêmes de cartes forestières administratives. Cette expérimentation ne remplace donc ni une vérification écologique sur place, ni l’analyse juridique d’un changement d’usage du sol. Le transfert testé vers un autre secteur montre des performances inférieures : un bon résultat local ne voyage pas gratuitement d’un territoire à l’autre.

Source : 18 novembre 2026 — Remote Sensing, article scientifique. Étude AlphaEarth et surveillance forestière.

2. Des images plus fines ne donnent pas toujours une meilleure carte des essences

15 novembre 2026 — étude scientifique évaluée par les pairs. Dans les forêts de steppe du nord de la Mongolie, une recherche a confronté les images Sentinel-2, celles de PlanetScope et des informations sur le relief pour distinguer cinq essences d’arbres, les zones brûlées et les secteurs non forestiers. Les modèles analysent les signatures spectrales, les saisons et la topographie, puis tentent de classer les pixels avec une méthode d’apprentissage automatique appelée Random Forest.

La fusion des sources atteint, selon les dates observées, jusqu’à 91,3 % de précision globale. Mais la moyenne des résultats est bien plus instructive : 88,9 % avec la fusion contre 88,3 % pour Sentinel-2 seul. Les différences peuvent être statistiquement significatives tout en restant modestes pour un utilisateur. Selon la saison et l’état des feuillages, une source gratuite et relativement simple peut donc presque égaler un assemblage plus complexe.

Cela intéresse directement l’inventaire des peuplements : avant de multiplier les capteurs, il faut vérifier quelles essences sont réellement mieux distinguées et à quelle date. Une carte d’espèces produite en Mongolie ne peut toutefois pas être transposée telle quelle aux mélanges feuillus et résineux d’une forêt française.

Source : 15 novembre 2026 — Forests, article scientifique. Étude Sentinel-2, PlanetScope et relief.

3. Le LiDAR « écoute » aussi la forme complète de l’écho laser

16 novembre 2026 — étude scientifique évaluée par les pairs. Le LiDAR mesure des distances à l’aide d’impulsions laser et peut restituer une forêt sous forme de millions de points en trois dimensions. Mais certains instruments enregistrent également la forme complète du signal de retour, ou onde complète. Cette information décrit la façon dont le faisceau a interagi avec plusieurs éléments : feuilles, branches, terrain, eau.

Une nouvelle méthode associe cette onde complète au nuage de points pour mieux séparer la végétation du sol et de l’eau, puis calculer le pourcentage de surface occupé par le couvert végétal. Sur les grilles de test de cette étude, l’algorithme atteint 94,00 % de précision globale en validation croisée spatiale, soit un gain de 1,77 à 2,52 points par rapport aux variantes n’utilisant qu’une seule famille de données. Une nouvelle façon de compter les surfaces couvertes réduit aussi de trois points de pourcentage l’écart d’estimation sur les tests rapportés.

L’intérêt est concret pour l’analyse du couvert, de la structure et des zones ouvertes. Mais ce pourcentage de couverture ne dit pas à lui seul quelles essences sont présentes, combien de mètres cubes de bois sont disponibles, ni si les arbres sont en bonne santé. Il faut également disposer de capteurs capables d’enregistrer l’onde complète et vérifier le comportement du modèle dans d’autres milieux.

Source : 16 novembre 2026 — Remote Sensing, article scientifique. Étude LiDAR à onde complète.

4. Incendies, coupes et reboisements : un même paysage peut changer de plusieurs façons

17 novembre 2026 — étude scientifique évaluée par les pairs. Suivre seulement la superficie forestière totale peut masquer des transformations profondes : une zone se reboise pendant qu’une autre subit une coupe, un incendie ou une conversion d’usage. En analysant près de trente ans d’images Landsat, de 1993 à 2021, des chercheurs ont tenté de distinguer simultanément quatre grands processus dans les régions tropicales et subtropicales de Chine : incendie, coupe rase, boisement et déforestation.

Leur approche combine des séries temporelles et un modèle d’apprentissage automatique interprétable. Elle montre des évolutions contrastées entre territoires : les changements associés aux feux ne suivent pas partout la même dynamique que les coupes ou la déforestation. Pour les gestionnaires et les lecteurs de cartes, le résultat rappelle que deux paysages présentant une surface boisée comparable peuvent avoir des histoires écologiques très différentes.

Précaution : la méthode statistique SHAP permet de repérer quelles variables contribuent aux prédictions, mais pas de démontrer à elle seule qu’une température, une pente ou une activité humaine est la cause d’un événement. La qualité des cartes historiques utilisées pour l’apprentissage reste déterminante.

Source : 17 novembre 2026 — Remote Sensing, article scientifique. Étude sur les changements forestiers en Chine.

Observer le vivant — au-delà de la couleur verte

5. Photosynthèse : la fluorescence de la chlorophylle n’éclipse pas les indices classiques

17 novembre 2026 — méta-analyse scientifique évaluée par les pairs. Une plante absorbe de la lumière pour produire de la matière organique. Une très faible partie de cette énergie ressort sous forme de fluorescence de la chlorophylle, que des instruments satellitaires savent détecter : c’est la SIF, pour solar-induced fluorescence. On y voit souvent une façon de suivre l’activité photosynthétique plutôt que la simple apparence verte des feuilles.

En compilant 81 études sur l’estimation de la productivité primaire brute de la végétation, les chercheurs ne trouvent pourtant pas de supériorité générale de la fluorescence : le coefficient de détermination moyen R² vaut 0,661 pour les méthodes fondées sur la SIF, contre 0,691 pour celles reposant sur la réflectance ; la différence globale n’est pas statistiquement significative. Certains travaux suggèrent en revanche que la SIF révèle plus tôt un ralentissement lié à la chaleur ou à la sécheresse.

Pour comprendre une forêt, il est donc préférable de croiser structure, apparence et fonctionnement biologique plutôt que d’ériger un indicateur en juge unique. Et attention au vocabulaire : mesurer la productivité photosynthétique brute ne revient pas à mesurer directement le stock de carbone des arbres.

Source : 17 novembre 2026 — Remote Sensing, méta-analyse. Méta-analyse de 81 études.

6. Après une tempête, un couvert toujours vert peut cacher une activité affaiblie

18 novembre 2026 — étude scientifique évaluée par les pairs. Une recherche consacrée aux cyclones d’Afrique australe compare deux regards satellitaires : le NDVI, qui renseigne principalement sur la verdure du couvert, et la fluorescence SIF, liée à l’activité photosynthétique. Sur trois des douze zones présentant des observations exploitables, les signaux vont dans des directions différentes : la fluorescence diminue alors que le NDVI augmente.

Cette discordance n’est pas un défaut gênant à effacer : elle peut révéler que la végétation conserve une apparence verte alors que son fonctionnement ralentit. La démarche pourrait inspirer la surveillance des milieux après des événements extrêmes, y compris en contexte forestier. Mais l’étude ne mesure pas directement les pertes de bois, et les observations disponibles ne suffisent pas toujours à trancher. Douze zones ne représentent pas douze cyclones indépendants.

Source : 18 novembre 2026 — Remote Sensing, article scientifique. Étude fluorescence et cyclones.

7. Trois satellites, plusieurs échelles : pourquoi les courbes ne coïncident-elles pas ?

17 novembre 2026 — étude scientifique évaluée par les pairs. Un nouvel examen de séries NDVI dans le piémont nord des monts Qinling, en Chine, confronte Landsat, MODIS et Sentinel-2. Leurs courbes racontent globalement une même histoire saisonnière de la végétation, mais les écarts deviennent plus visibles lorsqu’on s’intéresse aux variations rapides, aux petites parcelles ou aux différences de résolution.

Le message paraît technique, mais il concerne toute personne qui compare des cartes ou des graphiques produits avec des satellites différents : un capteur qui voit très souvent le même endroit ne photographie pas nécessairement les mêmes détails qu’un capteur plus fin. Les conditions atmosphériques, les pentes et les dates d’acquisition jouent aussi. Avant de conclure à une dégradation ou à une reprise d’activité, il faut comparer des indicateurs et des périodes réellement compatibles.

Source : 17 novembre 2026 — Remote Sensing, article scientifique. Étude comparative Landsat–MODIS–Sentinel-2.

Jumeaux numériques et 3D — les méthodes progressent

8. Reconstruire le relief en 3D à partir de peu d’images satellites

18 novembre 2026 — étude scientifique évaluée par les pairs. Les reconstructions 3D par Gaussian Splatting représentent les scènes au moyen d’éléments volumétriques qui permettent ensuite de générer des vues fluides. Une équipe propose de mieux contraindre l’altitude de ces éléments lorsqu’on ne dispose que d’un petit nombre d’images satellites : l’objectif est d’éviter une belle représentation visuelle dont les volumes ou les hauteurs seraient déformés.

De telles techniques pourraient faciliter la visualisation géographique et la mise en cohérence de scènes éloignées des campagnes de relevés classiques. Pour autant, les essais publiés portent sur des jeux de référence de photogrammétrie satellitaire : ce n’est ni une nouvelle application de gestion forestière, ni une preuve qu’on puisse retrouver l’inventaire précis des arbres sous une canopée dense à partir de quelques vues orbitales.

Source : 18 novembre 2026 — Remote Sensing, article scientifique. Étude sur le Gaussian Splatting satellitaire.

9. Transformer un nuage LiDAR en réseau navigable : une piste venue de la ville

17 novembre 2026 — étude scientifique évaluée par les pairs, application urbaine. Avec G3H-GraphSim, un chercheur explore une manière reproductible de convertir des points LiDAR et leurs étiquettes en cellules spatiales 3D reliées sous forme de graphe. Ce réseau devient exploitable par des logiciels d’analyse et de cheminement. La méthode relie les points d’origine, les classes reconnues et les choix de parcours, afin de rendre les traitements plus vérifiables.

Cette logique pourrait un jour intéresser les réseaux de pistes forestières, les obstacles ou la préparation d’itinéraires sur terrain accidenté. Mais l’évaluation publiée utilise des données de voirie à Gwangju, en Corée du Sud. Un sol forestier encombré, une végétation saisonnière et des chemins peu visibles constituent une autre difficulté. Il serait donc trompeur de présenter ce travail comme un outil forestier prêt à déployer.

Source : 17 novembre 2026 — Remote Sensing, article scientifique sur des données urbaines. Étude G3H-GraphSim.

10. Un jumeau numérique qui cite ses propres documents : exemple hors forêt

18 novembre 2026 — étude scientifique évaluée par les pairs, conservation du patrimoine bâti. Un travail sur la cathédrale de Milan combine représentation tridimensionnelle, suivi instrumenté et moteur d’intelligence artificielle alimenté par des documents techniques de référence. Plutôt que d’inventer une explication, l’outil cherche à rattacher la réponse aux sources et mesures disponibles.

Le domaine est celui du patrimoine, pas celui de la sylviculture. Mais l’idée mérite l’attention de tous les utilisateurs de modèles spatiaux : une scène 3D devient plus utile quand elle indique d’où viennent les données, à quelle date elles se rapportent et quelles interprétations sont étayées. La cohérence d’une réponse avec ses documents ne garantit pas à elle seule que les capteurs mesurent correctement la réalité.

Source : 18 novembre 2026 — Remote Sensing, article scientifique hors domaine forestier. Étude sur le jumeau numérique de la cathédrale de Milan.

Cette semaine dans les conférences — annonces et résumés, pas résultats certifiés

11. À Barcelone, une cartographie des hauteurs d’arbres qui montre aussi son incertitude

18 novembre 2026 — communication scientifique annoncée à un atelier de l’Agence spatiale européenne, du 18 au 20 novembre. Lors d’une rencontre consacrée aux radars SAR, une présentation du Centre aérospatial allemand (DLR) décrit une approche fondée sur les données TanDEM-X et l’apprentissage profond probabiliste pour estimer la hauteur des couverts forestiers. Le résumé annonce des comparaisons avec le LiDAR aérien norvégien et une mesure explicite de l’incertitude, avec des résultats moins fiables lorsque les données s’éloignent des situations apprises.

L’enseignement le plus concret est peut-être là : une estimation de hauteur, même très convaincante sur une carte nationale, doit être accompagnée d’une indication de confiance. Attention au statut : il s’agit ici d’un résumé de présentation inscrit au programme, non d’une publication scientifique indépendante dont toutes les analyses auraient été vérifiées pour cette veille.

Source : présentation programmée le 18 novembre 2026 — résumé de conférence ESA, non assimilé à un article évalué par les pairs. Résumé « Uncertainty-Aware Forestry Products ».

12. Idaho : un webinaire montre la promesse des jumeaux numériques forestiers

18 novembre 2026 — annonce de webinaire professionnel. Le Digital Forest Lab de l’université de l’Idaho, invité dans le programme ForestEd de la Society of American Foresters, a prévu une présentation de jumeaux numériques forestiers et d’intelligence artificielle. Au menu annoncé : alignement de nuages de points acquis à plusieurs dates, comparaison de croissance, scénarios sylvicoles et tableaux de bord interactifs.

Ce programme résume bien l’évolution du secteur : le modèle 3D ne sert plus seulement à admirer un peuplement, mais à discuter des options de gestion. Toutefois, une annonce de séance ne dit rien, à elle seule, de la qualité des prévisions, des coûts ou des logiciels accessibles aux propriétaires ; aucune démonstration indépendante n’est présumée validée ici.

Source : séance annoncée pour le 18 novembre 2026 — annonce de formation / webinaire. Programme ForestEd / Digital Forest Lab.

13. Enseigner la forêt : l’innovation ne tient pas seulement dans le matériel

19 novembre 2026 — annonce de rencontre IUFRO. L’Union internationale des instituts de recherches forestières a programmé une session intitulée « Learning to Drive Innovation », consacrée à la circulation des savoirs entre recherche, enseignement et pratique. L’enjeu dépasse les casques de réalité virtuelle ou les écrans : comment transformer des données complexes en expériences qui permettent aux apprenants de comparer, discuter et comprendre leurs décisions ?

Les simulations interactives peuvent offrir le droit de se tromper sans abîmer une forêt, de rejouer un scénario et de confronter des interprétations. Mais elles ne remplacent ni les observations sur le terrain, ni l’apprentissage des gestes, ni les échanges avec les professionnels. La page consultée annonce la session ; elle ne constitue pas un compte rendu de ses conclusions.

Source : session programmée le 19 novembre 2026 — annonce d’événement IUFRO. Programme IUFRO.

Ressources plus anciennes repérées cette semaine — ne pas confondre avec des nouveautés

14. Sous les pins, pourquoi le positionnement GNSS devient difficile

2 novembre 2026 — étude scientifique évaluée par les pairs, antérieure à cette semaine. Un article consacré à des plantations de pin radiata relie la structure de la canopée issue du LiDAR aérien à l’affaiblissement d’un signal GNSS mesuré sous les arbres. Les auteurs rapportent des ordres de grandeur d’atténuation d’environ 0,35 à 0,36 dB par mètre pour certaines géométries d’observation, dans les conditions étudiées.

Ce résultat aide à comprendre pourquoi une précision annoncée par un récepteur GNSS ou RTK en espace dégagé ne se retrouve pas automatiquement dans une forêt : feuillage, branches, réflexions des signaux et visibilité du ciel compliquent la mesure. Mais une atténuation radio ne se transforme pas directement en une erreur de position exprimée en centimètres, et ces chiffres ne s’étendent pas sans contrôle à toutes les essences ou à toutes les saisons.

Source : 2 novembre 2026 — Remote Sensing, article scientifique déjà publié avant la période. Étude LiDAR et atténuation GNSS sous canopée.

15. Un logiciel libre pour suivre le bois et le carbone après la récolte

17 octobre 2026 — publication scientifique et logiciel ouvert, ressource antérieure. Présenté par l’Institut européen de la forêt, aiphoria est un paquet Python consacré aux flux de matière bois et au carbone stocké dans les produits. Il suit par exemple le passage d’une ressource par la transformation jusqu’aux bâtiments, aux meubles ou au papier, puis la durée de vie de ces produits et leurs sorties de stock.

Le modèle permet d’explorer des scénarios au moyen de fichiers de paramètres et de graphiques de flux. Il donne ainsi une autre vision de la gestion forestière : une partie des effets se joue après la coupe, dans l’utilisation et le devenir du matériau. Il ne faut pourtant pas le confondre avec un simulateur 3D de croissance des arbres ou un inventaire forestier géolocalisé ; les hypothèses sur les durées de vie et les usages conditionnent fortement les résultats.

Source : 17 octobre 2026 — Journal of Open Source Software / EFI, ressource antérieure. Présentation et référence du logiciel aiphoria.

16. GAIA-M : un projet européen qui veut afficher la marge d’erreur du carbone forestier

Projet en cours, date de lancement non établie pour cette semaine — fiche de démonstration ESA. GAIA-M, porté dans le cadre des solutions spatiales européennes, associe imagerie satellitaire, LiDAR par drone et mesures de terrain pour estimer la biomasse au-dessus du sol dans des projets de boisement. Une particularité du descriptif est l’importance donnée à l’incertitude : le service vise des résultats accompagnés d’un intervalle de confiance plutôt qu’un seul chiffre spectaculaire.

Les objectifs affichés — comparaison aux placettes de contrôle, réduction des coûts de suivi et rapports vérifiables — sont des cibles du projet, pas des performances établies par une étude indépendante. Pour le public, c’est un rappel utile : une estimation de carbone forestier ne devient crédible que si l’on connaît son périmètre, sa méthode et sa marge d’erreur.

Source : fiche consultée le 20 novembre 2026, publication d’origine non datée précisément — fiche de projet ESA / objectifs annoncés. Projet ESA GAIA-M.

17. Une prépublication de mars pour cartographier les espèces envahissantes sous les arbres

23 mars 2026 — prépublication, non assimilée à un article évalué par les pairs. MapForest propose un équipement de relevé pouvant être porté sur un sac, un vélo ou un drone, puis associe LiDAR, capteurs inertiels, GNSS et reconnaissance visuelle pour localiser l’ailante glanduleux. L’intérêt est d’essayer de fabriquer une carte utilisable dans un système d’information géographique même lorsque la réception satellite est intermittente.

Les tests rapportés restent modestes et ne prouvent pas une cartographie forestière entièrement automatisée : dans un parcours forestier de 1,2 km, l’erreur de trajectoire indiquée est d’environ 1,95 m, tandis que la détection de l’espèce cible atteint un score F1 de 0,653. C’est une piste expérimentale pour comprendre les compromis entre mobilité, prix des capteurs et fiabilité des observations, pas une garantie de positionnement centimétrique.

Source : 23 mars 2026 — prépublication arXiv, ressource antérieure. Prépublication MapForest.

18. Des dilemmes de gestion dans la salle de classe : une enquête européenne

26 septembre 2026 — billet de recherche de l’Institut européen de la forêt, reposant sur une étude scientifique antérieure. Des enseignants-chercheurs à Fribourg présentent une enquête auprès de 39 enseignants de 36 établissements d’enseignement supérieur répartis dans 31 pays européens, consacrée à la manière de former à la gestion forestière intégrative : préserver la biodiversité, tenir compte des risques climatiques, produire du bois et dialoguer avec la société.

Le constat est parlant pour toutes les formations forestières : les thèmes existent souvent dans les programmes, mais restent dispersés entre disciplines. Les auteurs plaident pour des cas concrets où les étudiants doivent argumenter des choix, discuter les compromis et relier plusieurs compétences. L’enquête repose sur les déclarations d’un nombre limité de formateurs ; elle ne mesure pas directement les effets d’une plateforme numérique sur les apprentissages. Il ne s’agit pas non plus d’une nouveauté de novembre.

Source : 26 septembre 2026 — billet de recherche EFI présentant une étude scientifique ; ressource antérieure. Analyse sur l’enseignement forestier en Europe.

À noter dans les prochains jours — agenda vérifié

23–24 novembre — Berne, Suisse. Le congrès IUFRO Green the City – Grow the Future rassemblera chercheurs et professionnels autour des arbres et des solutions fondées sur la nature en ville. Le programme prévoit des interventions majoritairement en allemand, avec un dispositif de traduction allemand-français ; la date de réservation annoncée est passée. Page officielle IUFRO. Statut : annonce de congrès.

23–26 novembre — Bolzano, Italie. La conférence IUFRO Forest-Based Value Chains in Transition abordera notamment les nouveaux modèles économiques, les chaînes du bois et la formation professionnelle. La date limite d’inscription indiquée par l’organisateur est déjà passée ; vérifier directement les conditions d’accès. Programme Eurac Research. Statut : annonce de conférence.

24 novembre — Bruxelles et retransmission en ligne. La rencontre finale des programmes européens OptFor-EU et CLIMB-FOREST prévoit une démonstration de système d’aide à la décision forestière, des scénarios de résilience et un échange entre scientifiques et décideurs. Les démonstrations sont annoncées au programme ; elles ne sont pas présentées ici comme des produits déjà évalués. Programme officiel. Statut : annonce d’événement.

26 novembre, 10 h–11 h 30 — en ligne. L’Institut européen de la forêt (EFI), avec FORWARDS et WILDCARD, consacrera une séance à la cartographie des forêts anciennes, en associant LiDAR aérien, images satellites et inventaires de terrain. Un bon exemple de la nécessité de combiner mesures et interprétation écologique. Webinaire « Seeing the forest clearly ». Statut : annonce d’événement.

26 novembre, 15 h–16 h 30 — en ligne. L’EFI Biocities examinera la manière de mesurer la biodiversité urbaine et de passer des plans de nature en ville à des réalisations concrètes. Programme et inscription. Statut : annonce de webinaire.

10 décembre, 15 h–16 h 30 — Bruxelles, Belgique. Le rendez-vous ThinkForest de l’EFI examinera comment concilier conservation de la biodiversité et production de bois dans la gestion forestière intégrative. Programme et inscription. Statut : annonce de rencontre.

11 décembre, 13 h–14 h — en ligne. L’EFI annonce une séance FOREXT Fridays sur les paiements pour services écosystémiques, les outils des conseillers forestiers et les difficultés de mise en œuvre. Programme et inscription. Statut : annonce de webinaire.

Ce qui a changé depuis la précédente édition

La veille du 13 novembre interrogeait surtout les limites des cartes de biodiversité et les écarts entre observation satellitaire et réalité locale. Cette semaine apporte des réponses plus opérationnelles à cette même question : vérifier les changements de forêt avec des données traçables, associer plusieurs observations sans oublier leur coût, mesurer l’incertitude d’une hauteur de couvert et distinguer la verdure d’un végétal de son activité photosynthétique. Le discours passe du « la carte peut se tromper » au « voici comment nous pouvons documenter ce qu’elle sait et ce qu’elle ignore ».

Pour conclure — apprendre à lire une carte comme une hypothèse

La forêt numérique n’est plus seulement une belle image de canopée vue du ciel. Elle devient une conversation entre mesures, modèles, photographies, données de terrain et savoirs humains. Dans cette conversation, les chiffres ont leur place, mais aussi leurs conditions d’emploi : une méthode peut être remarquable sur un territoire et moins fiable ailleurs ; un signal peut décrire la couleur des feuilles sans raconter leur physiologie ; une simulation peut rendre des décisions discutables sans prédire l’avenir à coup sûr. Pour les curieux, les étudiants et les professionnels, le progrès le plus prometteur est peut-être celui-ci : des outils qui nous permettent de poser de meilleures questions à la forêt, plutôt que de prétendre avoir toujours la réponse.

Ouvrir ou télécharger la vidéo