ForestCast : passer du comptage des pertes forestières à la prédiction du risque

Depuis une dizaine d'années, le suivi satellite de la déforestation s'est concentré sur un objectif : détecter le plus vite possible qu'une parcelle de forêt vient de disparaître. Global Forest Watch et ses alertes hebdomadaires, les produits DETER au Brésil ou les systèmes de fusion radar-optique en sont les illustrations les plus connues. Ces outils répondent tous à la même question, "où la forêt a-t-elle déjà reculé ?". Une équipe de chercheurs de Google Research, avec Matthew Overlan, Charlotte Stanton, Maxim Neumann et plusieurs co-auteurs, propose de déplacer le curseur vers une question différente et nettement plus difficile : où la déforestation risque-t-elle de survenir ensuite ? Leur travail, "ForestCast: Forecasting Deforestation Risk at Scale with Deep Learning", publié en préprint sur EarthArXiv, introduit à la fois une méthode et le premier jeu de données de référence public conçu spécifiquement pour entraîner des modèles de deep learning à cette tâche de prévision.

Le problème des cartes de risque qui se périment

Prévoir un risque de déforestation n'est pas un exercice nouveau en soi. Des approches existent depuis longtemps, mais elles reposent en général sur l'assemblage de couches de données hétérogènes : réseaux routiers, densité de population, proximité des fronts agricoles, concessions minières. Le problème, souligné par les auteurs de ForestCast, est que ces couches sont disponibles de façon inégale selon les régions du monde et se périment vite. Une carte du réseau routier vieille de cinq ans peut être franchement trompeuse dans une zone où l'expansion agricole a été rapide. ForestCast prend le parti inverse : s'appuyer autant que possible sur des données satellite pures, actualisables en continu, plutôt que sur des couches administratives ou cartographiques qui demandent une mise à jour manuelle. L'objectif affiché est qu'une méthode entraînée de cette façon puisse s'appliquer de manière cohérente d'une région à l'autre, et rester exploitable à mesure que de nouvelles images arrivent, sans dépendre d'un travail cartographique local.

Trois familles de données mises à l'épreuve

Le benchmark ForestCast teste systématiquement l'apport de trois types d'entrées pour prédire le risque futur de perte forestière : l'imagerie satellite brute, des couches de variables dérivées comme la pente du terrain ou la distance aux routes, et ce que les auteurs appellent l'historique de changement, c'est-à-dire une image résumant les épisodes de déforestation déjà survenus sur la zone. En isolant la contribution de chacune de ces sources, le travail permet de savoir laquelle pèse le plus dans la qualité de la prédiction, une question qui reste ouverte dans une bonne partie de la littérature existante sur le sujet.

Le deep learning devant, la forêt aléatoire derrière

Sur le plan des modèles, ForestCast compare plusieurs architectures de deep learning à une base de référence plus classique, une forêt aléatoire (Random Forest). Résultat rapporté par les auteurs : les architectures de deep learning devancent systématiquement cette base classique. Parmi les modèles de deep learning testés, c'est un transformer spatio-temporel, le TSViT (Temporal-Spatial Vision Transformer), qui obtient en moyenne les meilleurs résultats. Pour un usage pratique, l'équipe recommande précisément la combinaison du TSViT avec les images du jeu de données Global Forest Change (GFC), largement utilisé dans la communauté du suivi forestier depuis sa publication par l'université du Maryland. Cette combinaison offre, selon les auteurs, une bonne précision tout en produisant des cartes de risque visuellement plus lisses et cohérentes, un avantage concret pour des utilisateurs qui doivent ensuite interpréter ces cartes sur le terrain plutôt que de simples scores bruts par pixel.

Ce qui change concrètement pour la gestion forestière

L'intérêt de ForestCast ne se limite pas à une performance de modèle. En publiant à la fois le code, la méthode et un jeu de données d'entrée, d'entraînement et d'évaluation en accès libre, les auteurs posent une base commune sur laquelle d'autres équipes peuvent comparer leurs propres approches de prévision du risque, ce qui manquait jusqu'ici à ce sous-domaine spécifique de la télédétection forestière. Pour une administration forestière ou une ONG de conservation, la différence pratique entre détecter et prévoir est significative : une alerte de déforestation arrive après la coupe, quand la parcelle est déjà perdue, alors qu'une carte de risque fiable permettrait en théorie d'orienter les patrouilles, les contrôles ou les mesures de dissuasion vers les zones les plus exposées avant que la perte ne survienne. C'est ce basculement, du comptage rétrospectif vers l'anticipation, que les auteurs mettent en avant dans le billet de blog associé à la publication, "Forecasting the future of forests with AI: From counting losses to predicting risk".

Les limites à garder en tête

ForestCast reste à ce stade un préprint déposé sur EarthArXiv, donc non encore validé par une relecture par les pairs dans une revue scientifique. Le passage d'une carte de risque, aussi précise soit-elle, à une action de terrain effective (patrouille, contrôle, dissuasion) suppose aussi des capacités institutionnelles et des moyens humains que la seule disponibilité de la donnée ne garantit pas. Reste que la démarche, rendre public un jeu de données de référence pour la prévision du risque de déforestation plutôt que sa seule détection, comble un manque réel et documenté dans les outils actuellement disponibles pour la recherche et la gestion forestière.