- Un outil d’intelligence artificielle dénommé Forest Foresight permet de prédire une déforestation illégale avant qu’elle ne se produise, permettant ainsi des interventions préventives sur le terrain.
- Forest Foresight est un outil efficace d’aide à la décision.
- Toutefois, selon ses concepteurs, il ne permet pas de détecter l’ensemble des événements de déforestation et ne saurait se substituer à la surveillance, ni à l’action humaine.
World Wide Fund for Nature (WWF) , en collaboration avec l’université de Wageningen aux Pays-Bas, a développé un outil basé sur l’intelligence artificielle, capable de prédire la déforestation, six mois à l’avance. Le but étant d’aider à prévenir une déforestation non durable et illégale.
Dénommé Forest Foresight, cet outil repose d’abord sur les données d’un radar à haute précision, développé par l’université de Wageningen, qui analyse à son tour des images satellites.
Ces images ont l’avantage de traverser la couverture nuageuse et permettent de détecter, presque chaque jour, l’ouverture de nouvelles routes ou des zones de défrichement, souvent associées à l’arrivée d’engins lourds.
À partir de ces données, le système observe les changements du couvert forestier en y intégrant les informations sur les causes de la déforestation, à l’exemple de l’exploitation minière, l’agriculture à petite ou grande échelle ou l’exploitation forestière. En croisant ces éléments avec le type de forêt et les caractéristiques locales, cet outil reconnaît les signes annonciateurs de déforestation et identifie les zones où le risque de déforestation illégale est le plus élevé.
« La plupart des systèmes de surveillance détectent ce qui s’est déjà produit. Forest Foresight cherche au contraire à prédire le lieu où la déforestation est susceptible de se produire, ce qui permet d’agir plus tôt », affirme Johannes Reiche, professeur associé en télédétection radar à Wageningen, l’un des concepteurs de cette intelligence artificielle.
Test au Gabon
Reiche explique, dans un courriel à Mongabay, que l’outil est opérationnel depuis 2021. Ses performances ont été évaluées scientifiquement entre juin 2023 et mai 2024, dans 17 pays d’Amérique du Sud, d’Afrique et d’Asie du Sud-Est. En Afrique, l’évaluation a porté sur six pays du bassin du Congo : le Cameroun, le Gabon, la Guinée équatoriale, la République du Congo, la République démocratique du Congo et la République centrafricaine.
Les résultats montrent de bonnes performances globales dans les pays du bassin du Congo. Le Cameroun et la République démocratique du Congo obtiennent les scores les plus élevés, soit 75,4 % pour le Cameroun et 74,1 % pour la RDC. La Guinée équatoriale obtient un score de 69,9 %, la République du Congo 61,8 %, et la République centrafricaine 59,3 %.
Par « performance », les concepteurs entendent la capacité du modèle à anticiper correctement sur des zones à déforester dans les six mois à venir, en comparaison avec ce qui s’est effectivement produit d’après les alertes satellitaires.
Dans l’étude publiée dans la revue Environmental Research Communications en décembre 2025, le Gabon sert de cas d’illustration pour montrer, de manière concrète, comment fonctionne le modèle de prédiction de la déforestation à une échelle locale, s’agissant du bassin du Congo. Les cartes y révèlent trois types d’informations : les zones déjà déforestées avant juin 2023, les zones que le modèle considère comme à risque pour la période allant de juin à novembre 2023, et les zones où la déforestation a effectivement été observée durant ces mois.
L’étude indique que les zones identifiées comme à risque se situent le plus souvent à proximité des secteurs déjà touchés par la déforestation, notamment le long des axes d’accès ou près d’espaces où l’activité humaine est déjà visible. Une part importante des déforestations observées par la suite apparaît dans ces zones ou à leur immédiate proximité, ce qui indique que le modèle anticipe principalement la poursuite des observations préalables.
Les cartes produites par l’outil mettent aussi en évidence des pertes forestières qui surviennent en dehors des zones prévues, principalement dans des forêts jusque-là peu ou pas perturbées. Elles mettent ainsi en évidence des alertes non suivies d’effets, appelées faux positifs, ainsi que des déforestations non anticipées, appelées faux négatifs. « Cette évaluation nous a appris qu’il est possible de prévoir de manière fiable le risque de déforestation à court terme, à proximité des zones récemment touchées par des pertes de couvert forestier, en utilisant les alertes de déforestation comme principal indicateur prédictif », explique Reiche. « En revanche, les performances diminuent fortement dans les forêts intactes et jusque-là non perturbées, ce qui limite la détection de nouveaux fronts de déforestation. L’intelligence artificielle ne pourra donc se substituer à l’humain, ni aux actions locales », ajoute-t-il.
« L’amélioration des prédictions nécessitera l’intégration d’indicateurs d’activité humaine en temps réel ou quasi temps réel. Des indicateurs tels que les données de déplacement issues de la téléphonie mobile ou des signaux économiques, par exemple les flux de crédit ou de prêts associés aux opérations de défrichement, afin d’anticiper l’émergence de nouveaux risques de déforestation », conclut Reiche.
Manual Venceslas Prossie, expert camerounais en cartographie appliquée à la gestion durable des territoires et en télédétection, affirme à Mongabay que le déploiement d’une telle intelligence artificielle est une bonne initiative, salutaire pour les forêts, car elle permettra de cibler plus facilement les zones vulnérables. « Selon la FAO, environ 10 millions d’hectares de forêts sont perdus chaque année depuis 2015 à cause de la déforestation, l’un des principaux facteurs du réchauffement climatique. Face à cette situation, il devient crucial de mettre en place des mécanismes efficaces de lutte contre la déforestation et de préservation des écosystèmes. L’outil Forest Foresight permet de faire des prévisions sur la déforestation future et d’orienter les interventions vers des actions ciblées et anticipées », dit Prossie.
Image de bannière : Déforestation à coté de Lieki en RDC. Photo Axel Fassio/CIFOR via Flickr (CC BY-NC-ND 2.0).
Citations :
Cué La Rosa, L. E., van Duijvenbode, J., Calle, Z., Marcos, D., Dallinga, J. S., & Reiche, J. (2025). Predicting near-future deforestation across the tropics using deep learning: Insights from the Forest Foresight project. Environmental Research Communications, 12, 125002. https://doi.org/10.1088/2515-7620/ae1f69
Wageningen University and Research. (2025, September 10). AI system predicts illegal deforestation: Already prevented the clearing of 30 hectares near a gold mine. Wageningen University & Research. https://www.wur.nl/en/news/ai-system-predicts-illegal-deforestation-already-prevented-clearing-30-hectares-near-gold-mine
Feedback : Utilisez ce formulaire pour envoyer un message à l’éditeur de cet article. Si vous souhaitez publier un commentaire public, vous pouvez le faire au bas de la page.
Crédits
