Ce mémoire analyse les expérimentations en cours à l’IGN autour de la BD Forêt® v3, une base de données nationale visant à automatiser la cartographie des essences forestières. En s’appuyant sur l’intégration de données géospatiales multiples (LiDAR HD, orthophotographies aériennes, imagerie Sentinel-2), ce projet explore des approches de classification fondées sur l’intelligence artificielle. L’étude mobilise une revue de littérature et une série d’entretiens avec les équipes techniques de l’IGN. Elle met en évidence la complémentarité des modalités et l’intérêt de développer des modèles multimodaux : le LiDAR apporte une information structurelle tridimensionnelle utile à la discrimination morphologique ; les orthophotographies offrent une richesse texturale fine ; Sentinel-2 fournit une information temporelle et spectrale intéressante pour la caractérisation phénologique. Cependant, la performance des modèles reste fortement conditionnée par la qualité des données et la difficulté à produire des annotations, coûteuses et difficiles à produire massivement. Les approches multimodales, bien qu’efficaces, impliquent aussi des défis techniques, organisationnels et environnementaux. Enfin, l’instabilité des modèles face au changement climatique et la dépendance à l’expertise humaine soulèvent des enjeux concernant la robustesse, la soutenabilité et la pérennité à long terme de ces systèmes. Ce travail propose ainsi un état des lieux des méthodes actuelles et ouvre des perspectives sur les conditions d’une cartographie forestière plus précise, évolutive et soutenable dans le temps.
