Useful Guide
Kuva Space : quand un satellite essaie de reconnaître ce qui pousse dans un champ
Kuva Space combine imagerie hyperspectrale, Sentinel-2 et IA pour distinguer des cultures difficiles à identifier depuis l'espace et réduire les faux positifs.
Mis à jour le
Vu depuis l’espace, un champ ressemble facilement à un autre champ.
Une image satellite classique permet déjà de suivre la végétation, l’humidité ou les changements d’occupation du sol. Mais lorsqu’il faut répondre à une question beaucoup plus précise — qu’est-ce qui pousse exactement ici ? — les choses deviennent plus compliquées.
Deux plantes différentes peuvent avoir des couleurs très proches dans une image RGB ou même multispectrale.
Kuva Space essaie de regarder autrement.
La société finlandaise développe des satellites hyperspectraux capables d’observer la lumière réfléchie dans un grand nombre de bandes très étroites. Au lieu de voir uniquement une couleur générale, le système cherche une sorte de signature spectrale liée notamment à la chlorophylle, à l’eau ou à la pigmentation de la végétation.
Et lorsqu’on combine ces données avec de l’IA, un champ peut commencer à révéler plus que sa simple couleur.
Un pilote sur près de 249 000 parcelles
Entre janvier et juin 2026, les satellites Hyperfield-1 de Kuva Space ont collecté 363 images hyperspectrales sur la région de Helmand, en Afghanistan.
La couverture totale annoncée atteint 648 450 km².
L’objectif du pilote était sensible : aider à repérer des parcelles susceptibles de contenir du pavot à opium dans une région où les inspections de terrain sont difficiles et coûteuses.
Le sujet particulier du pavot n’est pas ce qui intéresse le plus TUG.
Ce qui est intéressant, c’est la méthode.
Kuva Space a combiné ses données hyperspectrales avec les images multispectrales des satellites européens Sentinel-2, puis utilisé des modèles d’IA pour délimiter les parcelles et les classer.
Au total, le système a identifié 248 889 champs agricoles et en a classé 8 835 comme probablement cultivés en pavot.
75 % de précision ne signifie pas 75 % de certitude pour chaque champ
C’est ici qu’il faut être précis.
Kuva Space indique que son modèle combiné a atteint 75 % de précision globale, contre 71 % pour Sentinel-2 utilisé seul, tout en réduisant les faux positifs.
Mais cela ne signifie pas qu’un satellite regarde un champ et « sait » avec 75 % de certitude ce qu’il contient.
Les 8 835 parcelles signalées sont des prédictions de modèle, pas des détections vérifiées individuellement au sol.
La valeur opérationnelle est ailleurs.
Lorsqu’une administration ou une entreprise doit surveiller une région immense, chaque faux positif entraîne du travail supplémentaire : achat d’images haute résolution, analyse humaine, déplacement ou enquête.
Si l’hyperspectral permet de réduire cette liste, il transforme un problème gigantesque en une série de cibles beaucoup plus concentrées.
Pourquoi l’hyperspectral voit des choses qu’une caméra classique manque
Une caméra couleur mesure grossièrement le rouge, le vert et le bleu.
Un capteur multispectral ajoute plusieurs bandes choisies pour observer certaines propriétés de la surface.
L’hyperspectral pousse cette logique beaucoup plus loin en découpant le spectre en nombreuses bandes étroites.
Deux plantes qui semblent presque identiques à l’oeil humain peuvent réfléchir la lumière légèrement différemment selon leur structure, leur eau ou leurs pigments.
Ces différences deviennent alors des données exploitables par un modèle.
C’est un peu comme passer d’une photo à une sorte de empreinte lumineuse de la végétation.
Le plus intéressant arrive quand on relie le ciel au sol
Quelques jours auparavant, nous avons publié un article sur les flottes de robots agricoles autonomes.
Le lien est immédiat.
Une exploitation robotisée pourrait progressivement combiner :
- satellites pour observer de grandes zones ;
- drones pour inspecter plus finement ;
- stations météo et capteurs au sol ;
- robots pour désherber, pulvériser ou transporter ;
- logiciels pour décider où envoyer chaque machine.
Le satellite ne remplace pas le robot.
Il lui donne potentiellement une meilleure carte des priorités.
Et c’est à ce moment que l’agriculture numérique commence à ressembler à un système complet plutôt qu’à une collection de gadgets isolés.
Une ferme pourrait avoir plusieurs niveaux de perception
L’humain fait déjà cela naturellement.
On regarde de loin avant de se rapprocher.
Une ferme automatisée pourrait fonctionner pareil.
Le satellite détecte une anomalie à grande échelle.
Un drone vient prendre des images plus précises.
Un robot terrestre vérifie ou agit sur quelques mètres carrés.
Chaque couche possède une résolution différente, mais aussi un coût différent.
L’intérêt économique de l’hyperspectral orbital pourrait donc être moins de tout résoudre depuis l’espace que d’éviter d’envoyer les moyens coûteux partout.
Ce que TUG a pu vérifier
Kuva Space a publié le 15 septembre 2026 les résultats détaillés du pilote.
L’entreprise indique avoir entraîné son classifieur hyperspectral sur un modèle de fondation pré-entraîné à partir de plus de 1,2 million de patches d’images Hyperfield.
Le système combiné Hyperfield + Sentinel-2 a obtenu de meilleurs résultats que Sentinel-2 seul dans ce pilote et a réduit les faux positifs.
Kuva Space fournit également une médiathèque officielle avec des images de ses satellites et autorise leur usage éditorial sous réserve de crédit.
Ce que nous ne savons pas encore
Les performances obtenues en Afghanistan ne peuvent pas être automatiquement transposées à toutes les cultures, toutes les régions et toutes les saisons.
Un modèle doit disposer de données d’entraînement suffisamment représentatives. Nuages, ombres, stade de croissance, irrigation, stress de la plante ou mélange de cultures peuvent compliquer la classification.
Il faudra aussi suivre le coût réel de l’imagerie, la fréquence de revisite et la vitesse avec laquelle l’information peut être transformée en action au sol.
Car une information parfaite reçue trop tard peut devenir inutile.
Où le ranger dans TUG ?
L’article se rattache à Faune, élevage, agriculture.
Mais le vrai moteur à surveiller est probablement plus transversal : observation hyperspectrale / intelligence satellite pour agriculture et environnement.
Kuva Space illustre surtout une évolution que TUG doit apprendre à cartographier : certains objets utiles ne sont pas dans la main de l’utilisateur.
Ils peuvent être à plusieurs centaines de kilomètres au-dessus de lui et alimenter silencieusement les robots, logiciels et décisions qui travaillent au sol.
Sources principales
Réponse rapide
Kuva Space a montré qu'en combinant ses satellites hyperspectraux avec Sentinel-2 et des modèles d'IA, il était possible de réduire les faux positifs dans la détection de cultures difficiles à distinguer. Le système sert surtout à réduire une immense zone de recherche vers des parcelles qui méritent une vérification plus poussée.
Mission principale
Repérer à grande échelle des signatures végétales difficiles à distinguer avec l'imagerie satellite classique afin de mieux cibler les inspections et interventions au sol.
Comprendre ce que l'imagerie hyperspectrale apporte réellement à l'identification des cultures depuis l'espace et comment cette couche peut compléter drones, capteurs et robots agricoles.
Pour qui ?
- Exploitant ou acteur de l'agriculture de précision
- Entreprise d'observation de la Terre ou d'analyse agricole
- Lecteur suivant drones, capteurs et robotique agricole
Mission Score
L'intérêt de Kuva Space ne tient pas à la seule résolution spatiale, mais à la richesse spectrale : plusieurs bandes étroites permettent de distinguer des différences de végétation invisibles à l'oeil nu. Le pilote reste un outil de priorisation, pas une preuve absolue plante par plante.
Comparatif des produits mentionnés
| Produit | Meilleur pour | Statut | Mission Score | Disponibilité | CTA |
|---|---|---|---|---|---|
| Hyperfield-1 | À vérifier | À vérifier | À vérifier | À vérifier | À vérifier |