Image de l’auteur.

Cartes de Risque de Déforestation dans les Projets REDD+ (VM0048) au Pérou : Enjeux et Enseignements (Partie I)

Entre les promesses de l’IA et la réalité de l’Amazonie, les nouvelles cartes de risque de déforestation soulèvent plus d’incertitudes que de garanties.

🌐 Disponible aussi en : EN — English ➡️| ES — Español➡️

La carte de risque provisoire de Verra pour le Pérou (VM0048/ VMD0055/ VT0007), qui vise à standardiser les lignes de base (baselines) de la déforestation, a fait l’objet de nombreuses observations techniques. Loin d’apporter des certitudes, elle pourrait introduire de nouvelles incertitudes en raison de limites méthodologiques et techniques.

Comme parler de cartes de risque nous conduit inévitablement dans le domaine de l’analyse de données spatiales, nous avons décidé de diviser cette publication en plusieurs parties. Dans cette première partie, nous commencerons par clarifier des concepts clés essentiels pour comprendre les principales observations. Et nous essaierons de le faire de manière pédagogique et accessible.

Le Nouveau Paradigme de REDD+ et le Rôle de l’IA dans son Évolution

Fin 2024, Verra a publié la première version du module VMD0055 Estimation of Emission Reductions from Avoiding Unplanned Deforestation, dans le cadre de la méthodologie VM0048. Ce cadre proposait des améliorations substantielles pour la mise en œuvre de projets REDD+ plus robustes.

L’un de ses éléments clés était l’allocation de la déforestation future par le biais de cartes de risque. Bien que leur usage ne soit pas totalement nouveau, le changement principal résidait dans le fait que ces cartes seraient désormais élaborées par des tiers (les Data Providers) selon les lignes directrices de VT0007 v1.0, réduisant ainsi la marge de manœuvre des développeurs de projets dans la définition des lignes de base (baselines).

Dans cette série, nous analyserons les aspects les plus critiques de la carte de risque provisoire pour le Pérou, expliquerons pourquoi ils sont importants et discuterons de leurs implications pour l’avenir de REDD+, au niveau national comme international.

Image générée par IA (Canva Magic Media), par l’auteur.

La Technologie comme Point de Bascule du REDD+

Parler de cartes de risque revient à parler de technologie : intelligence artificielle, cloud computing, données géospatiales. Le “nouveau paradigme” de REDD+ peut également être compris comme une transition technologique.

On peut décrire cette transition ainsi :

REDD+ v1.x (jusqu’en 2022) : Depuis ses origines jusqu’à l’apogée des méthodologies comme VM0007 et VM0015, cette phase était centrée sur des projets individuels, souvent gérés comme des “îlots” isolés, avec une grande latitude dans la définition des lignes de base.

Des technologies comme le machine learning étaient déjà utilisées, mais l’accès aux données spatiales et à la puissance de calcul restait limité — notamment dans les premières années.

Toutefois, ces dernières années, l’accès à des outils avancés et à des plateformes géospatiales basées sur le cloud s’est fortement accéléré, abaissant considérablement les barrières à l’entrée et permettant une application plus large. Des plateformes comme Global Forest Watch (GFW) font partie de ce changement.

La crise de confiance autour du REDD+ à la fin de 2022 — provoquée en partie par des enquêtes médiatiques publiées entre 2021 et 2023 par The Guardian — a semé les graines d’un nouveau paradigme.

REDD+ v2.x (depuis 2023) : Avec l’adoption de VM0048, REDD+ entre dans une nouvelle étape. La discrétion des développeurs de projets est limitée, et une approche juridictionnelle est adoptée. Les projets sont maintenant évalués dans un cadre commun, où les lignes de base sont dérivées de cartes de risque de déforestation développées par des tiers indépendants appelés Data Providers. Seuls les projets situés dans des zones à haut risque pourront générer un nombre significatif de crédits — de nombreux projets existants ou prévus n’y répondront pas.

Il y a dix ans, créer des cartes de risque juridictionnelles était pratiquement impossible en raison des coûts élevés et du manque de données. Aujourd’hui, grâce à l’accès plus abordable aux Big Earth Data, au cloud computing et à de puissants algorithmes, des analyses à l’échelle mondiale peuvent être réalisées en quelques minutes. Mais ce nouveau pouvoir entraîne aussi de nouveaux défis.

L’IA : solution définitive ou nouveau risque ?

Image générée par IA (Canva Magic Media), par l’auteur.

Des termes comme machine learning font désormais partie de notre vocabulaire quotidien, et il n’est pas surprenant que les nouvelles cartes de risque soient construites à l’aide de cette technologie. Mais que devons-nous réellement comprendre lorsque nous parlons d’intelligence artificielle ? Est-ce l’essence de l’innovation analytique, ou simplement un autre outil qu’il faut apprendre à manipuler avec prudence ?

Au cœur de l’IA se trouve la capacité des machines à imiter les processus de raisonnement, d’apprentissage et de prise de décision. En pratique, nous sommes déjà entourés d’IA : des distributeurs automatiques qui décident de valider ou non une transaction, jusqu’aux véhicules autonomes qui choisissent de tourner à droite ou à gauche.

L’IA moderne repose sur trois piliers principaux : des algorithmes d’apprentissage (par exemple machine learning ou deep learning), le cloud computing (accès distant à une grande puissance de calcul), et les big data (ensembles de données trop volumineux pour les méthodes traditionnelles). Au centre de tout cela, il y a les données : leur qualité, leur disponibilité et leur validité déterminent la fiabilité et la pertinence des résultats.

Garbage in, garbage out — les algorithmes ne valent que ce que valent les données que l’on y introduit.

Grâce à cette convergence, l’IA a transformé non seulement la façon dont nous traitons l’information, mais aussi notre rapport à la connaissance et au monde. Pourtant, l’enthousiasme autour de l’IA peut parfois nous faire oublier ses limites bien réelles.

Quand des données fiables et la validation font toute la différence

L’IA peut permettre des vérifications rapides et à distance — par exemple, déterminer si un projet a effectivement reboisé 1 000 hectares. Cependant, la validation rigoureuse est souvent négligée dans la course à des résultats impressionnants. Un modèle peut afficher 99,99 % de précision en laboratoire, tout en échouant sur le terrain.

Ce défi s’applique directement à l’analyse de l’occupation du sol (LULC) et à la construction de modèles comme les cartes de risque de déforestation. D’abord, ces modèles doivent être entraînés sur des données d’entrée pertinentes et de haute qualité. Les algorithmes modernes permettent d’introduire presque n’importe quel jeu de données — mais cela ne veut pas dire qu’on doit le faire. Les données d’entrée doivent être validées et correspondre à la période d’analyse.

Par exemple, si vous modélisez une période et validez avec une autre, il n’a aucun sens d’utiliser les données de validation pour entraîner le modèle — ce serait comme essayer de prédire la pluie à l’aide de données recueillies après l’orage. Cela contredit le principe même de la prévision.

Ensuite, au-delà des données d’entrée, la validation indépendante avec des données de terrain ou des sources de référence plus précises est essentielle. Valider signifie comparer les prédictions du modèle avec la réalité observée — et non réutiliser les mêmes jeux de données. C’est l’une des raisons pour lesquelles de nombreux modèles mondiaux de déforestation échouent lorsqu’ils sont appliqués à des contextes locaux.

Croire que l’IA est infaillible est une erreur. Des outils comme ChatGPT peuvent « halluciner » — générer des réponses avec des données inventées. Mais les humains ne sont pas en reste. En analyse spatiale, il est courant de mal utiliser les échelles cartographiques ou de combiner des données sans tenir compte de leur résolution temporelle ou spatiale. La technologie n’élimine pas les erreurs — elle les transforme.

Cartes de risque globales vs. complexité locale : le cas du Règlement européen sur la déforestation (EUDR)

Ce problème devient critique lorsque les décideurs s’appuient sur des informations mal interprétées ou mal contextualisées. Le cas de l’EUDR (European Union Deforestation Regulation) est un exemple pertinent, car il est largement reconnu que cette règlementation fera face à de sérieux défis dans des pays comme le Pérou, où les terres sont cultivées en petites parcelles par des agriculteurs locaux, souvent selon des pratiques traditionnelles de culture itinérante.

Cela est illustré dans la figure ci-dessous, où seules quelques parcelles agricoles ont été détectées dans la JRC Global Forest Cover Map V2 (Bourgin et al., 2024), malgré des signes clairs d’activité agricole (zones non forestières).

Images préparées par l’auteur à partir des données Google Earth et de la carte JRC V2.

Détecter ces parcelles à l’aide d’imagerie satellite à très haute résolution est déjà complexe — alors imaginez avec des données plus grossières comme Landsat (30 m) ou Sentinel-2 (10 m). Le défi ne réside pas seulement dans le niveau de détail spatial requis, mais aussi dans la dynamique temporelle et les contraintes locales comme la couverture nuageuse persistante dans les régions montagneuses.

Ainsi, une carte produite à des milliers de kilomètres peut classifier une parcelle en jachère de 2 hectares comme “forêt” en 2020 — la traitant alors comme protégée par l’EUDR, donc inéligible à l’exploitation agricole ou sujette à des sanctions. En réalité, cette terre a peut-être été cultivée auparavant puis laissée au repos, avec l’intention d’y revenir plus tard. Ce type de décalage conceptuel illustre la tension entre les réglementations mondiales et les réalités agricoles locales.

Le cas de l’EUDR mérite un post dédié — voire une série — ultérieurement, car il dépasse le cadre de cette discussion.

Vers de meilleurs outils

Concevoir des politiques sans prendre en compte leur faisabilité technique est une erreur à ne pas reproduire — il en va de même pour l’utilisation d’outils mondiaux ou d’analyses pilotées par l’IA, surtout lorsqu’elles manquent de validation. L’hétérogénéité de l’Amazonie n’est pas évidente pour ceux qui ne l’ont jamais parcourue ou étudiée. Cela conduit souvent à croire, à tort, qu’un petit échantillon peut représenter toute sa complexité — ou pire, qu’on peut tout surveiller via une plateforme automatisée “en un clic”.

Ces dernières années, plusieurs startups ont proposé des outils simplifiés promettant d’évaluer la perte de forêts ou le risque à distance via l’IA. Mais l’expérience — et les exemples abordés dans ce post — montre que ces approches, déconnectées des données de terrain et de l’expertise locale, sont non seulement insuffisantes, mais aussi potentiellement trompeuses. Ces solutions peuvent offrir des tableaux (dahsboards) de bord attractifs, mais sans validation robuste, elles alimentent un récit exagéré — qui risque de s’effondrer sous le poids des attentes non satisfaites.

Image de l’auteur.

Les outils mondiaux et les analyses pilotées par l’IA offrent des perspectives puissantes — mais les utilisons-nous avec trop de confiance ? Lorsqu’ils ne tiennent pas compte de l’hétérogénéité locale, nous risquons de fonder des décisions sur des bases fragiles. L’enjeu n’est pas de les rejeter, mais de reconnaître leurs limites — et de travailler à les améliorer.

Dans la prochaine partie de cette série, nous continuerons d’examiner les principaux problèmes posés par la carte de risque provisoire du Pérou, et expliquerons pourquoi, sous sa forme actuelle, cet outil pourrait ne pas atteindre son impact attendu. Nous discuterons également des améliorations nécessaires pour le rendre plus efficace et pertinent dans les contextes locaux.

Lectures complémentaires et références

• Bourgoin, Clement; Verhegghen, Astrid; Degreve, Lucas; Ameztoy, Iban; Carboni, Silvia; Colditz, Rene; Achard, Frederic (2024): Global map of forest cover 2020 — version 2. European Commission, Joint Research Centre (JRC) [Dataset] PID: http://data.europa.eu/89h/e554d6fb-6340-45d5-9309-332337e5bc26
• Google Earth Engine. Dataset Catalog JRC_GFC2020_V2. https://developers.google.com/earth-engine/datasets/catalog/JRC_GFC2020_V2
• Global Forest Watch. Near Real-Time Deforestation Monitoring. https://www.globalforestwatch.org
• **Greenfield, P. (2021, May 4). **Carbon offsets used by major airlines based on flawed system, warn experts. The Guardian. Retrieved September 25, 2025, from https://www.theguardian.com/environment/2021/may/04/carbon-offsets-used-by-major-airlines-based-on-flawed-system-warn-experts
• Greenfield, P. (2023, January 18). Revealed: more than 90% of rainforest carbon offsets by biggest certifier are worthless, analysis shows. The Guardian. Retrieved September 25, 2025, from https://www.theguardian.com/environment/2023/jan/18/revealed-forest-carbon-offsets-biggest-provider-worthless-verra-aoe
• **Verra. (n.d.). **Allocated deforestation risk maps: Timetable. Retrieved September 25, 2025, from https://verra.org/methodologies-main/allocated-deforestation-risk-maps-timetable/
• Verra (2023). VM0048: Reducing Emissions from Deforestation and Forest Degradation, Version 1.0. https://verra.org/wp-content/uploads/2023/11/VM0048-Reducing-Emissions-from-Deforestation-and-Forest-Degradation-v1.0-1-1.pdf
• Verra (2024). VMD0055: Estimation of Emission Reductions from Avoiding Unplanned Deforestation, Version 1.1. https://verra.org/wp-content/uploads/2024/10/VMD0055-Estimation-of-Emission-Reductions-from-Avoiding-Unplanned-Deforestation-v1.1-CLEAN-2024.10.21.24.pdf
• Verra (2023). VT0007: Unplanned Deforestation Allocation, Version 1.0. https://verra.org/wp-content/uploads/2024/02/VT0007-Unplanned-Deforestation-Allocation-v1.0.pdf