Intelligence Artificielle pour la surveillance des forêts depuis l'espace – AI4Forests

AI-based high-resolution forest maps: AI4Forest will create and evaluate new high-accuracy maps of European forests and other large forest biomes of the world. This will be done at a very high spatial and temporal resolution, down to the level of individual trees.
Scalable AI for global-scale analyses: AI4Forest will yield scalable and efficient AI techniques for such large-scale analyses, with the aim of reducing both computational and storage costs for the training and inference phase of the underlying AI models.

Résultats obtenus sur la période concernée
- Chaîne de traitement des données satellites
- Développement d’un nouveau modèle de fondation pour simuler les fonctions de
réponse LiDAR de GEDI et d’autres variables forestières
- Amélioration de la détection de chaque arbre à partir de données à très haute résolution
- Cartes de hauteur et de biomasse sur la France, Espagne, Italie et globe avec un modèle
UNET basé sur des données optiques et LiDAR à 10 m et 30 m de résolution
- Cartes de hauteur des forêts sur des sites en France à haute résolution (1.5 m) avec un
benchmark de données de référence et différents modèles
- Etude des courbes de repousse de la forêt après des perturbations de la région Centre en
France pour la couverture arborée, la hauteur et la biomasse
- Etude d’un problème de distillation de réseaux de neurones afin d’accélérer l’inférence.
- Etude d’un problème de sélection de variables pour faciliter l'interprétation des modèles
de signal.

Prévision sur la prochaine période
- Améliorer la chaîne de traitement qui est partagée avec les partenaires Allemands
- Application du modèle de fondation pour améliorer la cartographie de la biomasse, tree
cover, hauteur
- Carte de France de la biomasse à l’échelle de l’arbre
- Développement et application du modèle UNET pour des cartes changements de
hauteur et biomasse
- Cartes de hauteur / changements de hauteur à très haute résolution sur l’ensemble de la
France
- Utilisation des courbes de repousse avec IA explicative pour estimer les potentiels de stockage du carbone en France
- Production d’un algorithme efficace pour la distillation (un programme quadratique de grande taille dans notre cas).

1. High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach (https://doi.org/10.1016/j.jag.2024.103711)
2. Estimating Canopy Height at Scale (https://arxiv.org/pdf/2406.01076)
3. Alarming decline in the carbon sink of European forests driven by disturbances (en revue)
4. Post-fire biomass recovery in boreal forest during the last three decades. in review. Nature

La gestion et la conservation des écosystèmes forestiers en Europe et dans le monde constituent un élément indispensable des stratégies d'adaptation et d'atténuation du changement climatique. Des informations précises et actualisées sur la santé et le bilan carbone des forêts sont donc essentielles pour évaluer l'état actuel des forêts, déclencher des contre-mesures appropriées contre la disparition des forêts et élaborer de meilleures stratégies de gestion. Les progrès de l'Observation de la Terre et de l'intelligence artificielle ont ouvert la voie à l'automatisation de la surveillance des forêts à l'aide de séries chronologiques de données satellitaires, y compris des mesures optiques, radar et LiDAR. Cependant, les cartes forestières produites par les approches actuelles sont encore souvent limitées à des résolutions grossières et/ou à des zones spatiales relativement petites. Pour surmonter ces limites, le projet AI4Forest réunit des experts en intelligence artificielle, en mathématiques appliquées, en informatique, en télédétection spatiale et en changement climatique. AI4Forest s'efforce de mettre au point des méthodes d'IA novatrices pour la surveillance des forêts, ainsi que des méthodes d'IA évolutives permettant de traiter efficacement et à faible coût de grandes quantités de données. Les techniques qui en résulteront faciliteront la génération de cartes de variables clés des forêts mondiales détaillées à très haute résolution spatiale et temporelle pour l'ensemble du continent européen et du monde entier, y compris l'identification des espèces d'arbres, de la mortalité, et des pertes et gains de carbone jusqu'au niveau des arbres individuels.