AI4Forest : un consortium franco-allemand publie Open-Canopy, un jeu de données ouvert pour cartographier les forêts arbre par arbre

Suivre l'état des forêts à l'échelle du continent est une chose ; le faire à l'échelle de l'arbre individuel, et le refaire assez souvent pour détecter une perturbation avant qu'elle ne s'aggrave, en est une autre. C'est ce second objectif, nettement plus ambitieux, que vise le projet de recherche AI4Forest, un consortium franco-allemand qui a commencé à livrer des résultats concrets avec la publication d'Open-Canopy, un jeu de données ouvert de cartographie de la canopée à très haute résolution.

Un projet de recherche franco-allemand, pas une startup

AI4Forest est financé conjointement par l'Agence nationale de la recherche française (ANR, sous la référence de subvention ANR-22-FAI1-0002), le Centre aérospatial allemand (DLR) et le ministère fédéral allemand de l'Éducation et de la Recherche (BMBF). Le consortium réunit, côté français, le CNRS, l'INRAE, l'ENS, l'École des Ponts (ENPC), l'IGN et le laboratoire LSCE/IPSL (porté par le CEA, le CNRS et l'UVSQ), et côté allemand, le Zuse Institute Berlin (ZIB), l'université de Münster (WWU) et l'université technique de Munich (TUM).

Cette structure de financement public et académique mérite d'être soulignée : contrairement à beaucoup d'annonces du secteur qui restent au stade de la démonstration technologique, AI4Forest a pour vocation explicite de produire des méthodes et des jeux de données réutilisables par la communauté scientifique, pas un produit commercial fermé.

L'objectif : des cartes forestières à la résolution de l'arbre, mises à jour souvent

Le projet rassemble des chercheurs en intelligence artificielle, mathématiques appliquées, informatique, télédétection spatiale et sciences du climat, avec un objectif commun : développer des méthodes de deep learning, notamment des réseaux de neurones convolutifs (CNN) et des réseaux récurrents de type LSTM, capables de traiter à grande échelle des séries temporelles de données d'observation de la Terre (optique, radar, LiDAR).

Le but affiché est de produire des cartes détaillées de variables forestières clés, telles que la hauteur de canopée, la biomasse, l'espèce dominante, la mortalité des arbres ou les pertes et gains de carbone, à une résolution spatiale et temporelle qui descend jusqu'à l'arbre individuel, avec des mises à jour mensuelles ou hebdomadaires plutôt qu'annuelles, à l'échelle de l'Europe puis du monde. C'est une rupture d'échelle par rapport aux produits satellite classiques, qui travaillent le plus souvent au pixel de plusieurs mètres et à la fréquence annuelle.

Open-Canopy : un livrable concret, pas une promesse

Le projet a déjà produit un résultat tangible : Open-Canopy, un benchmark ouvert pour l'estimation de la hauteur de canopée à très haute résolution, présenté dans un article accepté à la conférence CVPR 2025 (Fajwel Fogel, Martin Schwartz, Alexandre d'Aspremont et coauteurs). Le jeu de données couvre plus de 87 000 km² du territoire français.

Il combine deux sources de données complémentaires :

• de l'imagerie satellite très haute résolution SPOT 6-7, distribuée via la plateforme française DINAMIS, à une résolution panchromatique native de 1,5 mètre ;
• des nuages de points LiDAR aériens issus du programme LiDAR-HD de l'IGN, avec une densité dépassant 10 points par mètre carré.

Pour chaque tuile du jeu de données, Open-Canopy fournit l'image satellite à 1,5 mètre de résolution et la carte de hauteur de canopée dérivée du LiDAR correspondant, avec des ensembles d'entraînement, de validation et de test répartis sur la majeure partie du territoire français. Les tuiles de test sont séparées de celles d'entraînement et de validation par une zone tampon d'un kilomètre, une précaution méthodologique qui limite la fuite d'information entre zones d'entraînement et d'évaluation. Le jeu de données complet, incluant les prédictions sur le jeu de test et des modèles pré-entraînés, pèse environ 360 Go et est hébergé sur Hugging Face.

Open-Canopy-Δ : détecter le changement, pas seulement décrire un état

Le projet inclut un second benchmark, Open-Canopy-Δ, consacré à une tâche plus difficile : détecter la réduction de hauteur de canopée entre deux dates, à l'échelle de l'arbre. Les auteurs présentent explicitement cette tâche comme difficile pour les modèles de vision par ordinateur actuels, ce qui en fait un terrain d'évaluation intéressant pour mesurer les progrès réels des méthodes de détection de changement, au-delà de la simple cartographie d'un état figé.

Cette distinction entre cartographier un état et détecter un changement rejoint une limite déjà rencontrée avec d'autres produits de télédétection forestière : une carte isolée, même précise, dit peu sur la dynamique d'un territoire si elle n'est pas comparée à une référence antérieure cohérente dans le temps.

Ce que ça change pour l'enseignement et la pratique en géomatique forestière

Pour qui enseigne la télédétection forestière, Open-Canopy présente un intérêt direct : c'est un jeu de données réel, documenté, à très haute résolution, accompagné de modèles pré-entraînés, sur lequel on peut faire travailler des étudiants sur l'estimation de hauteur de canopée ou la détection de changement sans avoir à constituer soi-même des données LiDAR aéroportées, un investissement de terrain généralement hors de portée d'un module de formation.

Une réserve méthodologique s'impose néanmoins, la même que pour tout jeu de données géographiquement localisé : Open-Canopy a été construit et calibré sur le territoire français, avec les essences et les conditions d'acquisition qui lui sont propres. Un modèle entraîné sur ces données ne se transpose pas automatiquement à des forêts de structure très différente, qu'il s'agisse de forêts tropicales denses ou de peuplements méditerranéens comme les subéraies ou les cédraies marocaines, sans réévaluation ni réentraînement sur des données locales. Reste que la méthode et le code, eux, sont documentés et réutilisables : c'est précisément ce que la démarche ouverte d'AI4Forest rend possible.