Meta et le World Resources Institute ont présenté une mise à jour majeure de leur technologie mondiale de cartographie forestière, qui utilise le modèle d’intelligence artificielle DINOv3 pour estimer la hauteur de la canopée des arbres avec une résolution métrique à partir d’images satellites optiques.
La nouvelle version 2 de la carte de hauteur de la canopée, connue sous le nom de CHMv2, a été détaillée dans une étude publiée par Scientific Data le 28 juillet 2026. Le système vise à améliorer la mesure de la structure forestière dans les régions où les données détaillées issues du balayage laser aéroporté ne sont pas disponibles ou sont trop coûteuses à collecter à grande échelle.
CHMv2 transforme des images satellites bidimensionnelles en estimations tridimensionnelles de la hauteur de la canopée. Ses développeurs indiquent que le modèle actualisé fournit des résultats plus précis, représente mieux les trouées individuelles et les lisières forestières, et réduit la sous-estimation systématique des grands arbres observée dans les produits mondiaux antérieurs.
Modèle de vision satellitaire DINOv3
Au cœur de CHMv2 se trouve DINOv3, le modèle de vision par ordinateur auto-supervisé de Meta. La version utilisée pour le projet a été préentraînée sur SAT-493M, un vaste jeu de données contenant des images satellites géographiquement diversifiées.
Plutôt que de dépendre entièrement d’images annotées manuellement, DINOv3 apprend des motifs visuels à partir de grands volumes de données non étiquetées. Il peut identifier des relations subtiles entre la hauteur de la canopée et des caractéristiques visibles telles que la forme des couronnes, la longueur des ombres, la texture et la structure spatiale.
Un décodeur convolutionnel traduit ensuite les caractéristiques extraites par DINOv3 en estimations de la hauteur de la canopée. Ce décodeur a été entraîné à partir de modèles de hauteur de canopée dérivés du balayage laser aéroporté, qui reste l’une des méthodes les plus précises pour mesurer la structure verticale des forêts.
Amélioration de la précision de la hauteur de la canopée
Selon Meta, le coefficient de détermination du modèle actualisé est passé de 0,53 avec la version précédente à 0,86 avec CHMv2. Cela indique une relation beaucoup plus forte entre les prédictions du modèle et les mesures de hauteur de référence utilisées pour l’évaluation.
Cette amélioration est particulièrement importante dans les forêts matures. De nombreux produits satellitaires de hauteur de canopée offrent des performances raisonnables pour la végétation basse et de hauteur moyenne, mais sous-estiment de plus en plus la hauteur à mesure que les arbres deviennent plus grands.
CHMv2 s’attaque à ce problème grâce à une fonction de perte révisée et à une stratégie d’échantillonnage adaptée à la répartition inégale des hauteurs de canopée. Le jeu de données d’entraînement a également été enrichi avec une couverture lidar plus diversifiée sur le plan géographique, ce qui aide le modèle à fonctionner de manière plus cohérente dans les environnements tropicaux, tempérés et boréaux.
L’équipe de recherche a validé le système à l’aide de jeux de données indépendants issus du balayage laser aéroporté ainsi que de dizaines de millions de mesures collectées par les missions GEDI et ICESat-2 de la NASA. L’étude fait état de performances cohérentes dans les principaux biomes forestiers du monde.
Cartographie forestière à un mètre de résolution
L’avantage pratique d’une cartographie à un mètre de résolution ne réside pas uniquement dans la netteté accrue des images obtenues. À cette échelle, les analystes peuvent examiner des ouvertures individuelles dans la canopée, de fines bandes boisées, des habitats fragmentés, la végétation urbaine, les systèmes agroforestiers et les limites entre les peuplements forestiers.
Les produits à plus faible résolution peuvent indiquer la présence d’arbres dans une grande cellule de grille, mais ils ne permettent souvent pas de montrer de manière fiable comment la canopée est structurée à l’intérieur de cette zone. CHMv2 vise à préserver ces caractéristiques de petite taille, rendant le jeu de données plus utile aussi bien pour la gestion locale des terres que pour les analyses régionales et mondiales.
Les applications potentielles comprennent l’estimation du carbone aérien, l’évaluation des projets de restauration, l’identification de la dégradation forestière, la cartographie des habitats de la faune, la planification de projets de rafraîchissement urbain et le suivi des programmes de plantation d’arbres.
Le jeu de données et le modèle associé ont été publiés en libre accès, avec des données cartographiques disponibles via l’AWS Open Data Registry et des outils de visualisation accessibles par Google Earth Engine.
Limites des cartes forestières basées sur l’IA
CHMv2 ne doit pas être considéré comme un remplacement direct des inventaires de terrain ou des relevés lidar aéroportés récents. Il s’agit toujours d’une couche de hauteur estimée à partir d’images optiques, et ses résultats peuvent être influencés par les dates d’acquisition des images, la géométrie d’observation, les différences saisonnières, les nuages, le relief et la disponibilité de données d’entraînement représentatives.
Les images sous-jacentes ne fournissent pas non plus un enregistrement continuellement actualisé de l’état des forêts. Une carte statique très précise de la canopée peut constituer une excellente référence initiale, mais la détection fiable de la croissance annuelle, de l’exploitation forestière, des dommages causés par les incendies ou des progrès de la restauration nécessite des images prises à des dates cohérentes et des résultats répétés du modèle.
Meta a reconnu que des travaux supplémentaires étaient nécessaires dans les régions pauvres en données, sur les effets de l’angle d’observation et sur l’élargissement de la couverture temporelle pour la détection des changements.
Pourquoi CHMv2 est important
La réalisation la plus importante ne tient pas au fait que l’intelligence artificielle puisse estimer la hauteur des arbres à partir d’une image satellite. Des concepts similaires existent depuis plusieurs années. La véritable avancée réside dans la combinaison d’une couverture mondiale, d’un niveau de détail spatial d’un mètre, de meilleures performances dans les forêts de grande hauteur et d’un modèle de diffusion en libre accès.
La hausse du R² de 0,53 à 0,86 est suffisamment importante pour rapprocher cette technologie d’un usage opérationnel, en particulier pour les inventaires forestiers préliminaires et l’évaluation initiale de projets dans les zones dépourvues de couverture lidar.
Toutefois, la prochaine étape critique sera la cohérence temporelle. Le suivi des forêts repose sur la détection des changements, et pas seulement sur la production d’un instantané extrêmement détaillé. CHMv2 atteindra sa plus grande valeur pratique lorsque la même méthodologie pourra générer des cartes comparables sur plusieurs années sans introduire de fausses différences causées par les images, les saisons ou la géométrie des capteurs.
Même avec cette limite, CHMv2 représente une évolution importante de la télédétection. La structure de la canopée à haute résolution passe d’un jeu de données spécialisé, principalement disponible dans les régions disposant de moyens importants, à une couche exploitable à l’échelle mondiale que les gouvernements, les chercheurs, les organisations de conservation et les développeurs de projets carbone peuvent consulter et analyser.
À propos de Meta
Meta Platforms est une entreprise technologique américaine dont les produits comprennent Facebook, Instagram, Messenger et WhatsApp. Sa division Fundamental AI Research, connue sous le nom de FAIR, développe des modèles de recherche ouverts et des systèmes de vision par ordinateur, notamment la famille DINO.
Meta a déclaré un chiffre d’affaires de 60,80 milliards de dollars au deuxième trimestre 2026, soit une hausse de 28 % par rapport à l’année précédente. En juin 2026, 3,60 milliards de personnes en moyenne ont utilisé chaque jour au moins une des applications du groupe. L’entreprise a également enregistré 31,08 milliards de dollars de dépenses d’investissement trimestrielles, alors qu’elle poursuivait l’expansion de ses infrastructures d’intelligence artificielle et de calcul.
Le projet CHMv2 a été développé par des chercheurs de Meta, Meta FAIR, du World Resources Institute et de l’Université du Maryland. La contribution du WRI a été financée dans le cadre d’un contrat avec Meta et d’une subvention du Bezos Earth Fund.
