Recherche de site Web

Les drones qui traversent la forêt peuvent-ils prévenir les incendies ?


Comment les plateformes de collecte de données sont à l’avant-garde des solutions forestières avancées.

Un drone collectant des données dans la forêt à l’aide de la technologie Treeswift.

L’un des principaux défis de la gestion des terres forestières contre des menaces telles que les incendies et la déforestation est l’obstacle logistique redoutable de la collecte de données. Les drones qui traversent les forêts sous la canopée peuvent aider.

Cette prémisse précaire a valu aux investisseurs un vote de confiance important de 6,4 millions de dollars, y compris un tour de table de 4,8 millions de dollars récemment clôturé. Treeswift, une start-up qui a développé une solution basée sur des drones pour naviguer sous la canopée de la forêt afin de collecter de grandes quantités de données, y compris des informations sur des arbres individuels, a annoncé le tour de table mené par Pathbreaker Ventures.

Le problème est profond, et il n'est pas difficile de repérer les besoins du marché. 

« Notre mission est de construire l'écosystème de données pour le monde naturel, et nous y parvenons en capturant des données importantes sous la canopée forestière », a déclaré Steven Chen, PDG de Treeswift. « Nous prévoyons que la technologie Treeswift aidera à obtenir une vue plus transparente, vérifiable et précise de la planète à partir de zéro. »

Il n’est donc pas surprenant que Treeswift soit en train d’itérer sur un processus précédemment effectué avec un méli-mélo de technologies et de mesures sur le terrain. Les approches précédentes utilisaient des méthodes de télédétection telles que des satellites ou des avions, mais cette méthode descendante est insuffisante pour obtenir des informations détaillées sur ce qui se passe sous la canopée. Ce travail a traditionnellement été accompli par des travailleurs humains appelés croiseurs de bois, qui s’aventurent sur le sol de la forêt avec des journaux et des rubans à mesurer. Les drones qui utilisent une variété de caméras, de capteurs et d’algorithmes d’apprentissage automatique avancés peuvent simplement couvrir plus de terrain plus rapidement tout en effectuant un travail plus complet de collecte d’ensembles de données.

C'est important pour une variété d'industries et de cas d'utilisation. Les données forestières peuvent aider à fournir une image détaillée du risque d’incendie, par exemple en identifiant les arbres morts et endommagés hautement combustibles. Les modèles climatiques dépendent de mesures précises de la capture du carbone, qui est directement liée à la santé et à la taille des arbres dans les forêts. 

Treeswift est conseillé par le Dr Harold Burkhart du Département des ressources forestières et de la conservation de l'environnement de Virginia Tech et le Dr Vijay Kumar, doyen de la famille Nemirovsky de l'ingénierie au laboratoire GRASP de l'Université de Pennsylvanie.

Bien sûr, les industries extractives peuvent également utiliser des outils qui peuvent être utilisés pour la conservation peuvent également être utilisés par les industries extractives ; L’un des principaux clients de Treeswift sera probablement le secteur de l’exploitation forestière commerciale. 

« L'équipe de Molpus a été particulièrement impressionnée par la capacité de Treeswift à répartir les arbres entre les classes de produits avec précision et à identifier les problèmes de qualité des tiges ayant un impact sur la valeur », a déclaré Randy Taylor, directeur principal, Planification des ressources de Molpus Woodlands Group. « La compréhension et la tenue à jour précises des inventaires de bois jouent un rôle important dans la gestion des forêts de nos clients à leur potentiel. »

L’espoir est que le fait de doter le secteur forestier commercial d’outils lui permettant de mieux identifier et cibler les arbres qu’il coupe pourrait aider à éviter les méthodes de coupe aveugles qui sont destructrices pour les habitats et la santé des sols et peuvent en fait augmenter le risque d’incendie.

Articles connexes