Système d'analyse forestière par imagerie aérienne, algorithmes et intelligence artificielle

Vidéo explicatif

Les arbres nous offrent bien plus que du bois ; ils sont notre première ligne de défense climatique. Couvrant 31 % de notre planète, les forêts capturent chaque année environ 2,4 × 10¹² kilogrammes de carbone. Pourtant, un arbre sur pied est rarement récompensé : aujourd'hui, la forêt n'a de valeur économique que lorsqu'elle est abattue. Parce que ce travail naturel demeure « invisible », les petits propriétaires n’ont aucun moyen simple de prouver la valeur environnementale des terres qu’ils protègent et gèrent.

Actuellement, les outils d'évaluation se concentrent sur des projets massifs et centralisés, oubliant que des millions de petits boisés stockent collectivement d'immenses quantités de carbone. Or, si les citoyens ne peuvent pas mesurer l'impact de leur propre arrière-cour, ils manquent de motivation pour la protéger. Ce projet vise justement à combler ce fossé entre la prise de conscience et l'action. Mon but est de démocratiser l'accès aux mesures environnementales et de séquestration de carbone en utilisant l'intelligence artificielle pour traduire des images aériennes en mesures scientifiques rigoureuses.

En rendant la séquestration de carbone visible en quelques secondes, chaque arbre devient une solution climatique mesurable. Cette transparence permet enfin aux propriétaires de monétiser la conservation plutôt que la coupe, transformant l'anxiété environnementale en action concrète. Nous passons d'une observation passive à une participation active, garantissant que chaque « micro-puits » compte dans l'effort mondial. Mon hypothèse est qu'un tel système peut atteindre une exactitude de 85 % à 95 %, rendant la certification carbone enfin accessible à tous.

COMMENT : Architecture et itération du système

Puisqu'aucun système de ce type n’avait été conçu auparavant, la réalisation de ce projet a nécessité la fusion de deux mondes : l'expertise forestière traditionnelle et les technologies de pointe. Ma démarche s’est organisée en trois phases : recherche, conception et validation sur le terrain.

1. Prototypage et pivot technologique

Après avoir obtenu ma certification de pilote, j’ai testé un algorithme de comptage de pixels utilisant un repère humain au sol. Cependant, les variations d’angles de la caméra et les distorsions optiques rendaient les mesures instables. J'ai alors pivoté vers l’exploitation des métadonnées EXIF pour créer un référentiel spatial fixe.

2. Intégration de l'IA et architecture logicielle

L’IA s’imposait, mais entraîner mon propre modèle avec la précision requise aurait consommé 50 000 MWh et émis 15 000 tonnes de CO₂ (l'équivalent de 3 500 voitures/an). Pour rester cohérent avec ma mission écologique, j'ai choisi d’intégrer l’architecture de Google DeepMind. Avec le soutien de l’IA pour m’épauler en programmation, j’ai bâti un pipeline automatisé : les images sont encodées en Base64 et fusionnées aux métadonnées techniques. Le système extrait alors six métriques vitales : espèce, hauteur, DHP, biomasse, carbone stocké et séquestration annuelle de CO₂.

3. Validation : Précision vs Méthodes traditionnelles

Cette phase a prouvé simultanément la difficulté des méthodes manuelles et la fiabilité de mon système. Par des tests comparatifs exhaustifs sur le terrain, j'ai pu analyser et corriger les biais d'estimation liés aux espèces et à la hauteur. Ces réitérations m'ont permis d'améliorer l'ingénierie des prompts et la structure des sorties JSON pour maximiser la précision, tout en optimisant l'utilisation des modèles pour minimiser les tokens et les coûts associés.

A. Résultats et Fonctionnement

Le prototype fonctionne comme un scanner écologique instantané. Lorsqu'une photo prise par drone est soumise au système, il identifie les arbres et retourne l'espèce, les valeurs de hauteur, de diamêtre à hauteur de la poitrine (DHP), de biomasse, de carbone stocké, et des valeurs de séquestration de CO2 annuelles. Les résultats sont spectaculaires :

Précision de la hauteur : 92,4%

Précision du diamètre : 83.9 %

Précision de l’espèce : 92.9 %

Précision de la biomasse : 84.2

Exactitude de la biomasse : 94,1 %

Exactitude de CO2 stocké dans l’arbre : 94,1 %

Le système ne se contente pas d'être précis ; il redéfinit l'efficacité et le coût. Là où un inventaire manuel prend environ 180 secondes et jusqu'à 5 dollars par arbre, mon application traite la même donnée en 25 secondes pour seulement 10 sous.

B. Tableau comparative

(Voir deuxième image)

Tableau comparative entre des méthodes traditionnelles et mon système d'analyse pour l'analyse forestière

C. Discussion des résultats

L'analyse statistique montre que l'écart de 6 % restant proviennent principalement de la difficulté de l'IA à estimer le DHP lorsque le feuillage est extrêmement dense au sol et aux angles trompeuses. Cependant, ce taux d'erreur est comparable, voire inférieur, à l'erreur humaine type lors de mesures manuelles rapides.

L'aspect le plus fascinant réside dans la gestion des irrégularités de forme. L'IA détecte des courbures du tronc ou des variations de cime qu'un forestier pressé pourrait ignorer. En utilisant la vision par ordinateur, nous obtenons une estimation du volume plus "organique" et moins théorique.

D. Conclusion Technique

L'utilisation de modèles multimodaux permet de corréler l'aspect visuel (texture de l'écorce pour l'espèce) et spatial (proportions pour la taille). Ce succès confirme mon hypothèse : ce système que j’ai construit est à la fois accessible et exacte, capable de supporter des calculs scientifiques complexes de séquestration de carbone. En abaissant le coût de 98 %, nous rendons la certification carbone accessible non plus seulement aux multinationales, mais à chaque citoyen possédant des arbres.

Les résultats sont sans appel : ce système transforme un simple drone en expert forestier haute précision. Avec une exactitude de 94,1 %, mon système ne fait pas que rivaliser avec les pros ; il les surpasse là où l'humain s'arrête. J’ai appris que l'IA ne craint ni les pentes abruptes, ni les étangs de castors, ni la fatigue. Elle capture des détails et des formes que l’œil au sol ne verra jamais, éliminant l'erreur humaine pour offrir une mesure enfin indiscutable.

Le véritable enseignement de ce projet est économique : l’obstacle à la planète n’est pas le manque de volonté, mais le coût de la preuve. En faisant chuter le temps de mesure de 180 secondes à 25 secondes et le prix de quelques dollars à moins de 10 sous, nous brisons un plafond de verre. Nous passons d'un inventaire de luxe à une protection de masse accessible à tous. Désormais, un petit propriétaire peut voir sa forêt comme un trésor vivant plutôt que comme un tas de bois d'œuvre.

L'impact est donc immense. En transformant un gadget de loisir en outil de certification, on redonne le pouvoir aux citoyens. Ce projet prouve qu'avec les bons algorithmes, la conservation devient enfin plus rentable que la coupe. Nous donnons une voix économique à la forêt vivante, pour que chaque arbre compte dans la lutte mondiale pour le climat. C'est le début d'une ère où protéger la nature est la décision la plus intelligente — et la plus payante — que l'on puisse prendre.

La prochaine étape est d’intégrer cet outil à un protocole officiel de certification. Je souhaite collaborer avec le Service canadien des forêts, Gold Standard ou Verra pour l’accréditation de crédits carbone.

À l'échelle nationale, il pourra ainsi cartographier des millions de « micro-puits » de carbone ignorés. Mondialement, je développe le "Airbnb de la séquestration" : une plateforme où chaque certificat apporte une valeur concrète aux agriculteurs et aux communautés rurales ou autochtones exclus des marchés traditionnels.

En appliquant ce système déjà précis et abordable, la conservation se transforme en revenu direct, faisant de chaque forêt un pilier de l'économie verte.

La science est un sport d'équipe, et ce projet n'aurait jamais pu prendre son envol sans un soutien précieux. Je tiens tout d’abord à exprimer ma gratitude envers la Fondation Rideau Hall pour son appui financier et mentorat. Cette aide et ces encouragements m'ont permis de transformer une simple curiosité technologique en une mission environnementale concrète et structurée.

Je remercie également chaleureusement Burton Kelly, Lindsey Trites et Stacey Reade de m'avoir ouvert les portes de leurs boisés.  Ces heures passées sur le terrain, entre les érables et les étangs de castors, ont été le cœur de ma recherche : elles m'ont permis de confronter mes algorithmes à la réalité de la forêt et de valider ma « vérité terrain ».

Enfin, un immense merci à ma famille pour sa patience et son aide logistique lors de mes nombreuses sessions de vol de drone. Rien de tout cela n'aurait été possible sans cette précieuse entraide.

A. Sources de données et littérature scientifique

Lambert, M.-C., Ung, C.-H. et Raulier, F. (2005). Canadian national tree aboveground biomass equations. Canadian Journal of Forest Research, 35, 1996-2018.

Pan, Y. et al. (2011). A large and persistent carbon sink in the world’s forests. Science, 333(6045), 988-993.

Roman, L. A. et al. (2017). Data quality control for urban forest citizen science: is manual measurement reliable? Urban Forestry & Urban Greening, 24, 176-190.

Smiley, E. T. et Baker, F. A. (1988). Options in street tree inventories. Arboriculture & Urban Forestry, 14(2), 36-42.

Staley, D. C. (2022). Modern urban forestry for modern cities: Technology challenges and opportunities for the remote sensing of urban forests. Arboriculture & Urban Forestry, 48(2), 147-163.

Tang, L. et Shao, G. (2015). Drone remote sensing for forestry research and practices. Journal of Forestry Research, 26, 791-797.

Ung, C.-H., Bernier, P. Y. et Guo, X. (2008). Canadian national biomass equations: new parameter estimates that include British Columbia data. Canadian Journal of Forest Research, 38, 1123-1132.

B. Outils et Technologies

Google DeepMind et AI Studio. (s.d.). Configuration et déploiement des modèles multimodaux pour l'analyse et programmation.

Service canadien des forêts. (2023). Équations allométriques pour la biomasse des arbres au Canada. Ressources naturelles Canada. https://apps-scf-cfs.rncan.gc.ca/calc/fr/calculateur-biomasse

C. Rapports gouvernementaux, Politiques et Réglementations

Ressources naturelles Canada. (2025). L'État des forêts au Canada : rapport annuel 2025. Gouvernement du Canada.

Transports Canada. (2025). Résumé des changements apportés en 2025 à la réglementation canadienne sur les drones. Gouvernement du Canada.

Transports Canada. (s.d.). Sécurité des drones. Gouvernement du Canada.

United Nations. (s.d.). Goal 15: Sustainably manage forests, combat desertification, halt and reverse land degradation, halt biodiversity loss. United Nations Sustainable Development.

D. Images

Toutes les images présentes dans ce travail ont été prises par moi même.