Les meilleurs satellites commerciaux capturent 30 cm par pixel. Les modèles d'IA alimentant les robots et la réalité augmentée ont besoin d'un niveau de détail 10 fois plus fin.
Yuichiro Chino / Getty Images
Google $GOOGL Earth semble assez détaillé pour compter les voitures dans un parking. Cela pousse naturellement à se demander pourquoi les entreprises qui développent des IA pour les robots, les véhicules autonomes et la réalité augmentée ne peuvent pas simplement utiliser des images satellites pour entraîner leurs modèles.
La réponse réside dans un concept technique appelé distance échantillon-sol, qui mesure la distance physique que représente chaque pixel dans une image. Spexi, l'une des entreprises travaillant sur le problème, fournit des images de drones avec une résolution de 2,8 centimètres par pixel. Les meilleurs satellites commerciaux offrent environ 30 centimètres de résolution. Cet écart d'un facteur dix fait la différence entre voir une fissure sur un trottoir et voir une tache grise.
Le plafond de résolution pour les images satellites commerciales a été façonné autant par la réglementation que par l'optique. La NOAA, l'agence de réglementation américaine supervisant la télédétection commerciale, a longtemps limité la résolution des images satellites commercialement disponibles — la limite fédérale a été assouplie de 50 centimètres à 25 centimètres en 2014.
Les satellites commerciaux à plus haute résolution en orbite reflètent cette histoire. WorldView-3 de Maxar collecte des images panchromatiques de 31 centimètres. La constellation SkySat de Planet Labs capture des images avec une résolution allant jusqu'à 50 centimètres par pixel. La constellation PlanetScope de surveillance quotidienne de Planet, qui imagerie toute la surface terrestre chaque jour, fonctionne à une résolution d'environ trois mètres par pixel.
En mars 2025, Albedo Space a lancé Clarity-1, un satellite conçu pour l'orbite terrestre très basse. L'entreprise détient une licence de la NOAA pour acquérir des images commerciales avec des résolutions de 10 cm panchromatique et 40 cm multispectral. Clarity-1 a prouvé la viabilité des opérations VLEO soutenues mais n'a pas livré d'images commerciales à grande échelle, servant de précurseur plutôt que de système de production. Même ainsi, l'objectif de résolution, s'il est atteint à grande échelle par de futurs satellites de la constellation, réduirait considérablement l'écart avec les données aériennes. Mais même 10 cm par pixel reste environ quatre fois plus grossier que ce que produisent les vols de drones standardisés.
Pour l'entraînement de l'IA, la cohérence compte autant que la clarté. Un modèle d'IA formé sur des images capturées par différents capteurs, à différentes altitudes, sous différentes conditions d'éclairage, et avec différentes distorsions géométriques apprendra ces incohérences comme des caractéristiques du monde plutôt que comme des artefacts de la collecte de données. Chaque variation introduit un changement de domaine, où les propriétés statistiques des données d'entraînement diffèrent de celles des données d'inférence, créant des défis de fiabilité.
La sensibilité d'un modèle à la distance de l'échantillon au sol représente l'une des barrières techniques les plus importantes en IA géospatiale, selon une recherche publiée par Kili Technology. Un modèle entraîné sur des images de 30 cm et déployé sur des images de 3 cm fait face à un décalage décuplé dans la représentation de chaque pixel. Les objets qui occupaient un seul pixel dans les données d'entraînement en occupent désormais une centaine. Le modèle n'a aucun cadre pour interpréter cette différence.
Étant donné la nature spécifique des données géospatiales, standardiser et ajuster les données est essentiel pour produire des modèles GeoIA précis — les données doivent être fiables, normalisées et uniformes en format et structure, selon une examen complet de la GeoIA publié sur arXiv. Les images satellites recueillies de différents fournisseurs, à différents moments, avec différents capteurs, violent ces exigences. Les relevés aériens traditionnels présentent des problèmes similaires : les données proviennent de divers sous-traitants utilisant différents équipements dans des conditions différentes.
C'est le contexte pour le changement plus large dans les données d'entraînement de l'IA. La couche de données dont les entreprises d'IA géospatiale ont besoin, combinant haute résolution et méthodes de capture standardisées, n'existait pas. Des entreprises comme Spexi essaient de la construire en déployant un réseau de plus de 10 000 pilotes de drones effectuant des missions à une altitude de 80 mètres avec un équipement uniforme et des plans de vol automatisés. Les orthomosaiques de l'entreprise capturent des images à une distance d'échantillon au sol de 2,8 cm qui sont entièrement calibrées et standardisées, prêtes à être intégrées dans les pipelines de modélisation, selon une annonce de février 2026 de son partenaire de distribution, SkyWatch.
La demande pour ce niveau de détail provient d'un ensemble spécifique d'applications. Les grands modèles géospatiaux permettront aux ordinateurs non seulement de percevoir et de comprendre les espaces physiques, mais aussi d'interagir avec eux, constituant un élément essentiel des lunettes AR et d'autres domaines, y compris la robotique, la création de contenu et les systèmes autonomes, selon Niantic.
Niantic Spatial, la société d'IA géospatiale issue du créateur de Pokémon Go en mai 2025, a construit son Système de Positionnement Visuel sur plus de 50 millions de réseaux neuronaux avec plus de 150 000 milliards de paramètres, permettant une opération dans plus d'un million de lieux. Le grand modèle géospatial de la société est construit sur une base de données propriétaire de plus de 30 milliards d'images posées. Ce système nécessite une précision de positionnement au centimètre près, le genre de détail que l'imagerie satellite ne peut pas fournir.
Les cas d'utilisation concrétisent les exigences de résolution. Niantic Spatial peut localiser exactement l'emplacement d'un utilisateur sur une carte à quelques centimètres près, en fonction des points de repère et des bâtiments dans le champ de vision d'une caméra, selon PetaPixel. Un robot de livraison naviguant sur un trottoir doit distinguer entre un trottoir, un bac à fleurs et un banc. Une application AR surimposant des objets numériques dans une scène de rue réelle nécessite un alignement au sous-centimètre. Un pixel satellite de 30 cm rendrait les trois objets semblables à une même masse indistincte.
Les satellites conservent des avantages clairs. En ce qui concerne la zone de couverture, les images satellites dépassent de loin les images de drones, ce qui en fait le choix préféré pour l'analyse géographique à grande échelle. Les satellites peuvent accéder à tous les emplacements géographiques, quelles que soient les conditions de terrain ou météorologiques extrêmes. Pour suivre la déforestation, surveiller la santé des cultures à travers les régions, ou observer l'étalement urbain à l'échelle continentale, les données satellitaires restent l'outil approprié.
Mais les applications d'IA qui entraînent la prochaine vague de demande n'ont pas besoin de voir tout sur Terre en basse résolution. Elles doivent voir des environnements spécifiques à un niveau de détail qui correspond aux tâches que les machines y effectueront. C'est un produit différent, et aucune couverture satellitaire ne peut le remplacer. La question pour le marché de l'IA géospatiale est de savoir si la capture de drones standardisée et à la demande peut évoluer assez rapidement pour répondre à la demande.
Rejoignez plus de 500 000 lecteurs qui commencent leur journée avec Quartz.
En vous abonnant, vous acceptez nos Conditions d'utilisation et notre Politique de confidentialité.
