Un tiers de la forêt perdue depuis 2001 ne reviendra jamais : ce que révèle la nouvelle carte mondiale des causes de déforestation

Toutes les pertes de forêt ne se valent pas. Une parcelle rasée pour une plantation de palmier à huile ne reviendra pas spontanément à l'état boisé, alors qu'une clairière née d'un feu de forêt naturel ou d'une rotation de culture sur brûlis a de bonnes chances de se régénérer en quelques années. Cette différence, invisible dans un simple comptage d'hectares déboisés, est désormais cartographiée à l'échelle mondiale grâce à la dernière mise à jour du jeu de données "Global Drivers of Forest Loss", produit conjointement par le World Resources Institute (WRI) et Google DeepMind.

Un modèle de deep learning plutôt qu'une grille de règles

Contrairement à une classification manuelle, ce jeu de données s'appuie sur un réseau de neurones de type ResNet, entraîné à partir d'imagerie satellite et de données auxiliaires, avec des échantillons d'apprentissage construits par interprétation visuelle d'images à très haute résolution. L'ensemble du traitement tourne sur Google Earth Engine, ce qui permet de produire une carte globale à une résolution d'environ 1 km. Le modèle ne détecte pas lui-même la perte de couvert : il s'appuie sur les cartes de perte déjà établies par le produit Global Forest Change de l'Université du Maryland (l'équipe de Matthew Hansen), et lui ajoute une classification automatique de la cause probable. La qualité de l'attribution est donc directement liée à celle de cette carte de perte sous-jacente.

Le jeu de données reprend la typologie en cinq classes posée par une étude de référence publiée dans Science en 2018 (Curtis et al.) : déforestation liée aux matières premières agricoles (palmier à huile, soja, bétail, mines, pétrole et gaz), agriculture itinérante de subsistance, foresterie (exploitation forestière avec régénération), feux de forêt, et urbanisation. Sur la période 2001-2015 étudiée dans cette étude fondatrice, la foresterie et l'agriculture de matières premières comptaient chacune pour environ un quart à un peu plus d'un quart de la perte mondiale, l'agriculture itinérante et les feux autour d'un quart chacun, et l'urbanisation pour moins de 1%, concentrée pour plus des deux tiers dans l'est des États-Unis. La nouveauté n'est pas la typologie elle-même, mais le fait de la recalculer chaque année, de 2001 jusqu'à 2025 dans la version actuelle (v1.3), avec un réentraînement du modèle à chaque mise à jour pour intégrer les nouvelles données de perte et de feux.

La vraie question : la forêt va-t-elle revenir ?

L'apport le plus utile de cette mise à jour pour la gestion forestière n'est pas la liste des cinq causes en elle-même, mais la distinction qu'elle permet entre perte "permanente" (changement d'usage des terres, plantation, infrastructure, mine) et perte potentiellement réversible. Sur l'ensemble de la période 2001-2025, le WRI estime qu'environ 34% de la perte mondiale de couvert arboré relève d'un changement d'usage des terres permanent. Ce chiffre grimpe à près de 60% lorsqu'on restreint l'analyse aux seules forêts primaires tropicales, les écosystèmes les plus riches en carbone et en biodiversité, où l'agriculture permanente constitue l'écrasante majorité de cette perte durable.

Ce découplage a aussi un second volet, plus inquiétant : la part croissante du feu. Selon les analyses du WRI relayées à l'automne 2026, les incendies sont désormais à l'origine d'environ 42% de la perte mondiale de couvert arboré, une proportion en forte hausse. Dans le même temps, la perte de forêt primaire tropicale a reculé de 36% en 2025 par rapport au niveau record de l'année précédente, soit environ 4,3 millions d'hectares, un recul que le WRI attribue en partie à un simple répit après une année d'incendies exceptionnelle plutôt qu'à un changement structurel durable.

Les limites que tout praticien doit garder en tête

Le WRI est explicite sur deux limites structurelles. D'abord, chaque pixel ne reçoit qu'une seule cause dominante : le modèle ne peut pas représenter des causes qui se succèdent ou se superposent sur une même parcelle, comme un feu suivi d'une conversion agricole. Ensuite, le produit ne distingue pas toujours la perte en forêt naturelle de la coupe en plantation d'arbres, deux réalités très différentes du point de vue de la biodiversité et du carbone, mais parfois similaires dans leur signature satellite. Des causes mal représentées dans les données d'entraînement, comme les ouragans, peuvent également être mal classées, par exemple assimilées à de l'agriculture itinérante.

Un outil complémentaire, pas concurrent, des alertes en temps quasi réel

Ce jeu de données ne remplace pas les systèmes d'attribution de cause à plus haute résolution et quasi temps réel que Global Forest Watch a déployés sur l'Amazonie, le bassin du Congo et l'Indonésie, et que nous avons déjà présentés sur ce site. Les deux approches répondent à des besoins différents : une résolution de 10 mètres et un délai de 31 jours pour qualifier une alerte opérationnelle récente, contre 1 km et une mise à jour annuelle pour situer une tendance mondiale sur près d'un quart de siècle. Pour qui travaille en gestion des ressources forestières, la bonne pratique consiste à croiser les deux échelles : l'alerte fine pour l'action immédiate, la tendance longue pour comprendre si une région bascule durablement d'un régime de perturbation réversible vers une conversion permanente des terres.

Le jeu de données est accessible librement via Google Earth Engine, Global Forest Watch, l'explorateur de données du WRI et une archive sur Zenodo, ce qui en fait une ressource directement exploitable pour quiconque souhaite croiser cette typologie des causes avec ses propres zones d'étude.