Forêt et IA : Suivi des dépérissements par drones et satellites

Si la traque des anomalies temporelles par satellite fonctionne remarquablement bien pour suivre les attaques foudroyantes de ravageurs sur les résineux (comme le scolyte de l'épicéa), la forêt souffre d'autres maux, plus insidieux et complexes. Le changement climatique provoque le dépérissement lent et progressif de grandes étendues de feuillus, à l'image des chênes. Parfois, les maladies attaquent de manière si diffuse et hétérogène que la résolution d'un satellite classique ne suffit plus pour établir un diagnostic fiable.

Pour relever ces défis, les chercheurs mobilisent aujourd'hui l'Intelligence Artificielle (IA) et descendent de l'orbite terrestre pour s'approcher au plus près de la canopée grâce aux capteurs aéroportés et aux drones.

Projet RECONFORT : L'IA au chevet des chênes

Dans la région Centre-Val de Loire, le projet de recherche RECONFORT (mené notamment par l'Université d'Orléans et le laboratoire toulousain CESBio) s'attaque au dépérissement des chênes. Ici, la méthode change radicalement : on passe de la simple détection d'anomalies à la classification supervisée par intelligence artificielle (machine learning, via des algorithmes de type Random Forest).

L'algorithme ne devine pas seul l'état de la forêt, il doit d'abord être longuement entraîné par l'humain. Pour cela, les agents du Département de la Santé des Forêts (DSF) et leurs partenaires ont arpenté près de 2 700 placettes sur le terrain. Ils ont évalué la santé des arbres selon le protocole strict "DEPERIS", qui mesure visuellement la mortalité des branches et le manque de ramifications fines dans le houppier (classé de A, très sain, à F, très dépérissant).

En croisant ces diagnostics de terrain ultra-précis avec les données des satellites Sentinel-2 sur deux années consécutives, l'IA apprend à reconnaître la signature spatiale d'un arbre mourant. Elle se nourrit de deux indices clés : la réflectance dans l'infrarouge (qui trahit la chute de la teneur en eau) et le comportement dans la zone du Red Edge (qui capte la baisse de l'activité de la chlorophylle).

Les résultats sont impressionnants : la machine atteint une précision de près de 84 % pour identifier les zones saines. Une fois entraînée, elle est capable d'extrapoler et de classer des millions de pixels sur de vastes territoires. Les cartes générées classent la forêt en trois catégories : saine (moins de 20% d'arbres dépérissants), dépérissante (20 à 50%), et très dépérissante (plus de 50%). Ce modèle permet d'objectiver, chiffres à l'appui, la progression alarmante du phénomène de sécheresse entre 2017 et 2022.

L'effet de zoom : Des satellites aux drones

Cependant, le satellite Sentinel-2 possède une limite physique incontournable : sa résolution est de 10 mètres par pixel. Si cette échelle est parfaite pour analyser la dynamique d'un massif forestier entier, elle reste aveugle aux drames qui se jouent à l'échelle de l'individu.

Comment détecter une maladie racinaire (comme le fomes, un champignon redoutable) qui ronge un pin maritime isolé au milieu d'arbres sains dans le massif Landais ? Comment repérer les premiers signes de sécheresse sur quelques hêtres dispersés en Franche-Comté ?

Pour obtenir une véritable "médecine de précision", les géomaticiens abandonnent le satellite au profit d'images aériennes (PVA) capturées par des avions ou des drones. Ces outils offrent une résolution vertigineuse de 5 à 10 centimètres par pixel.

De la photo-interprétation à la segmentation automatique

Historiquement, l'analyse de ces images aériennes se faisait par "photo-interprétation" : un expert humain scrutait l'image à l'écran pour pointer manuellement les arbres malades. Une tâche titanesque et coûteuse en ressources humaines.

Aujourd'hui, l'automatisation prend le relais. Avec une résolution de 5 cm, l'image n'est plus un amas de pixels lissés, mais une véritable mosaïque de cimes individuelles. Des algorithmes de traitement d'image avancés sont utilisés pour réaliser une "segmentation" : le logiciel identifie automatiquement les sommets, puis détourne les contours précis de chaque houppier, isolant chaque arbre comme on le ferait avec un pochoir.

Une fois les couronnes isolées, des modèles de machine learning évaluent les indices de végétation (couleurs naturelles, proche infrarouge) de chaque individu de manière indépendante. La machine cartographie ainsi précisément un arbre mort, un arbre vivant, ou un individu en début de déclin au milieu d'une parcelle parfaitement verte.

L'Humain et la Machine : Une alliance indispensable

Faut-il pour autant en conclure que l'algorithme remplacera le forestier ? Absolument pas. Comme le rappelle Thierry Bellouard, la télédétection, aussi puissante soit-elle, souffre d'un biais majeur : elle ne voit que la canopée (le sommet des arbres).

Or, le diagnostic d'une maladie forestière nécessite souvent d'observer le tronc, de gratter l'écorce ou d'analyser les racines pour identifier le pathogène exact (insecte, champignon, ou simple stress hydrique). Le travail de terrain reste la seule source de vérité absolue.

La télédétection apporte une vision exhaustive, dynamique et en temps réel sur d'immenses surfaces. Le terrain apporte la précision du diagnostic et la connaissance du contexte sylvicole. L'avenir ne réside donc pas dans l'opposition de ces méthodes, mais dans leur hybridation : les satellites et les IA lancent les alertes et ciblent les zones critiques, tandis que les experts déploient leur savoir-faire sur le terrain là où la forêt en a le plus besoin.