DEEPFOREST - Exploration de l’héritage archéologique et écologique des civilisations d’Asie du Sud-Est sur les forêts tropicales par apprentissage automatique profond multimodal

Malgré de nombreux indices suggérant que les activités humaines anciennes ont considérablement façonné les forêts tropicales d’Asie du Sud-Est jusqu’à aujourd’hui, l’étendue et la nature de cette influence restent largement méconnues. En évaluant la façon dont les civilisations anciennes ont impacté ces écosystèmes, le projet DEEPFOREST ambitionne de mieux comprendre leurs dynamiques actuelles et les conséquences à long terme des actions humaines sur les paysages forestiers. Identifier à grande échelle les traces des activités anciennes et les corréler avec l’état de la végétation actuelle constitue un défi majeur, en raison de la densité des forêts tropicales et de la difficulté à repérer des traces archéologiques millénaires. Pour surmonter ces obstacles, le projet combine un vaste corpus de données de télédétection nouvellement accessibles avec des mesures in situ complémentaires et des observations multimodales — LiDAR, orthophotos, images satellites et données hyperspectrales. Ces acquisitions sont exploitées par le développement et l’entraînement de modèles d’apprentissage profond multimodaux, destinés à détecter des traces archéologiques et à prédire des indicateurs et caractéristiques fonctionnelles clés des forêts, tels que la biomasse, les types de forêts et la composition de la végétation. L’équipe interdisciplinaire du projet, composée d’experts en archéologie (EFEO), en apprentissage automatique (ENPC/LIGM), en foresterie (AMAP-IRD) et en sciences de l’environnement (LSCE-CNRS), ambitionne de fournir de nouvelles connaissances sur ces écosystèmes complexes et d’explorer la relation entre occupations anciennes et structures forestières actuelles, afin d’éclairer les pratiques écologiques durables.

Délivrables :

• Perron Y., Sydorov V., Wijker A.P., Evans D., Pottier C., Landrieu L., « Archaeoscape: Bringing Aerial Laser Scanning Archaeology to the Deep Learning Era », NeurIPS Benchmark & Dataset, 2024 (spotlight, top 3%) — travaux préparatoires au projet.
• Perron Y., Sydorov V., Pottier C., Landrieu L., « Adapting Vision Transformers to Ultra-High Resolution Semantic Segmentation with Relay Tokens », Transactions on Machine Learning Research Journal, 2026. [hal-05462692]
• Perron, Y., G. Astruc, N. Gonthier, C. Mallet & L. Landrieu)., «UniverSat: Resolution- and modality-agnostic transformers for Earth observation ».
• Doctorat de Yohann Perron (ENPC), en cours depuis 2023. (soumis pour publication)
• Productions à venir : publications complémentaires prévues sur la période 2026-2029 (détection archéologique automatisée, modélisation multimodale des indicateurs forestiers).