Comment Kuva Space a utilisé l’imagerie hyperspectrale pour repérer des champs de pavot en Afghanistan

Kuva Space présente son pilote afghan comme un outil de présélection à l’échelle régionale : il sert à repérer les parcelles qui méritent une vérification approfondie, et non à démontrer, à lui seul, une culture illicite. L’entreprise a combiné les images hyperspectrales de ses satellites Hyperfield-1, les observations européennes Copernicus Sentinel-2, les données sur le calendrier de croissance des cultures et des modèles d’IA. 18

Ce qui a été analysé dans le Helmand

Entre janvier et juin 2026, les satellites Hyperfield-1 ont acquis 363 images hyperspectrales dans la région afghane du Helmand, pour une couverture totale de 648 450 km². Ces données ont été associées aux images Sentinel-2 et à une classification par IA. 18

L’imagerie hyperspectrale mesure la lumière réfléchie dans de nombreuses bandes étroites du visible et du proche infrarouge. Selon la NASA, les capteurs Hyperfield couvrent la plage de 475 à 880 nm, ce qui permet de caractériser plus finement la végétation et les matériaux de surface selon leur signature spectrale. 1 Cette finesse supplémentaire peut aider à distinguer des cultures dont l’apparence est proche dans une image optique conventionnelle.

Première étape : dessiner les limites des parcelles

Les limites précises des champs n’étaient pas disponibles pour la zone étudiée. Kuva Space a donc employé un modèle spécifique de délimitation parcellaire, ajusté à partir d’images Sentinel-2 pour les petites parcelles hétérogènes et mêlées au désert du Helmand. 18

Ce point est déterminant : l’analyse portait sur des parcelles entières, et non sur des pixels isolés. Pour les équipes chargées de la vérification, disposer d’un champ localisé permet de commander des images plus précises ou d’orienter d’autres moyens d’enquête.

Deuxième étape : suivre le cycle saisonnier des cultures

Le système ne s’est pas fondé sur un seul passage de satellite. Il a comparé des observations prises au fil du temps afin de suivre la phénologie des cultures, c’est-à-dire l’évolution de leur apparence durant leur cycle de croissance. Cette approche peut aider à différencier le pavot de cultures légales visuellement semblables lorsque leurs calendriers divergent. 18

Pour constituer son jeu de références, Kuva Space indique avoir utilisé des images Pléiades à très haute résolution ainsi que des observations Sentinel-2 saisonnières. L’accès limité au terrain signifie que ces étiquettes proviennent de l’interprétation d’images : c’est une limite importante dans l’appréciation des résultats annoncés. 18

Troisième étape : ne signaler que les parcelles validées par deux modèles

Kuva Space a entraîné un classificateur hyperspectral avec son modèle de fondation Hyperfield-1, préentraîné, selon l’entreprise, sur plus de 1,2 million de vignettes d’images Hyperfield. Les modèles Hyperfield et Sentinel-2 ont d’abord été évalués séparément. Une parcelle n’était ensuite signalée comme probablement cultivée en pavot que si les deux modèles aboutissaient à la même conclusion. 18

Cette règle d’accord privilégie une approche prudente. L’objectif n’est pas de générer le plus grand nombre d’alertes, mais de réduire les faux positifs — des champs identifiés à tort comme du pavot — qui mobilisent du temps d’analyste et des images à très haute résolution coûteuses.

8 835 parcelles signalées sur 248 889 champs cartographiés

Le système a délimité 248 889 parcelles agricoles et en a signalé 8 835 comme étant probablement des champs de pavot, soit environ 3,6 % des parcelles identifiées. 18

Kuva Space annonce une exactitude globale de 75 % pour l’approche combinée, contre 71 % avec Sentinel-2 seul, ainsi qu’une baisse des faux positifs. 18 Le gain de quatre points doit surtout se lire comme un avantage de tri : il réduit potentiellement le nombre de lieux à inspecter en priorité.

Dans un test de géolocalisation fondé sur trois scènes Hyperfield recouvrant des images de référence Pléiades, l’entreprise a rapporté une précision moyenne CE90 de 21,75 mètres, soit 0,87 pixel Hyperfield. Elle estime cette précision suffisante pour associer les détections aux bonnes petites parcelles fragmentées. 18

À quoi sert ce type de surveillance

Cette méthode est utile quand les cultures sont dispersées, situées dans des régions isolées ou difficilement accessibles. Au lieu d’acquérir des images à très haute résolution ou de mener des contrôles sur l’ensemble d’une province, les enquêteurs peuvent cibler les parcelles signalées pour l’étape suivante. 18

La même chaîne de traitement — limites des champs, observations répétées et classification adaptée à une culture — peut aussi être pertinente pour le suivi agricole. En revanche, un modèle entraîné pour le pavot dans le Helmand ne peut pas être considéré comme fiable, sans adaptation et validation locales, pour une autre culture ou un autre pays.

Ce que le pilote ne permet pas d’affirmer

Une classification « probablement du pavot » ne prouve pas une activité illicite. Kuva Space décrit cette technologie comme un moyen de réduire la zone de recherche. La confirmation doit reposer sur des images de meilleure résolution, des renseignements concordants et, lorsque cela est possible, des contrôles de terrain. 18

Le taux de 75 % est un résultat de pilote communiqué par l’entreprise, et non une évaluation indépendante publiée et validée sur le terrain. Les références utilisées dépendaient d’images à haute résolution et d’une interprétation saisonnière dans un contexte où l’accès au sol était limité. 18

Plusieurs éléments peuvent compliquer la classification :

• des champs petits, mixtes ou mal délimités ;
• des cultures légales qui ressemblent au pavot à certains stades ;
• les nuages, les ombres et l’évolution de la végétation ;
• des données de référence incomplètes ou imparfaites. 18

La dissimulation volontaire — morcellement, cultures associées ou modification des dates de semis — peut accentuer cette ambiguïté. L’analyse saisonnière et les signatures hyperspectrales apportent davantage d’informations qu’une image prise à une seule date, mais elles ne dispensent pas d’une vérification indépendante.

Les pistes d’amélioration

Les éléments disponibles étayent l’usage d’Hyperfield-1, de la fusion avec Sentinel-2, de la délimitation parcellaire et de l’analyse multi-temporelle. Kuva Space indique par ailleurs que Hyperfield-2 est prévu pour un lancement en 2026, avec une couverture spectrale élargie et une meilleure résolution spatiale. 13

D’éventuels gains de précision devront néanmoins être démontrés. Des données locales de terrain sont particulièrement importantes : Kuva Space précise que ses projets sur mesure peuvent intégrer des données de vérité terrain afin d’améliorer la précision de ses analyses. 29 D’autres données, telles que le radar, la météo ou le relief, pourraient être utiles au suivi des cultures, mais les éléments fournis ne permettent pas de les présenter comme des composantes validées du dispositif déployé dans le Helmand.

L’idée essentielle est donc pragmatique : l’imagerie hyperspectrale et l’IA peuvent rendre la surveillance de vastes territoires plus ciblée. Elles aident à déterminer quels champs examiner en premier ; la conclusion finale reste tributaire d’éléments de corroboration et d’une expertise humaine. 18