L’intelligence artificielle apprend à raconter l’histoire de la Terre vue depuis l’espace

ACRI-ST remporte le Challenge « AI for Space » : à Sophia Antipolis, l’intelligence artificielle apprend à raconter l’histoire de la Terre vue depuis l’espace

Transformer des décennies d’images satellitaires en récits intelligibles de l’évolution des territoires : c’est l’ambition de Serie2Story, le projet porté par ACRI-ST avec Mines Paris – PSL, récompensé par le Challenge « AI for Space » organisé par le CNES et la Région Île-de-France. Derrière le prix, annoncé lors des Assises du NewSpace 2026, se dessine un enjeu beaucoup plus large : faire de l’intelligence artificielle un outil capable non seulement d’analyser une image, mais de comprendre ce qui change dans le temps, pourquoi cela change et comment ces évolutions peuvent aider à prendre de meilleures décisions.

Depuis plus d’un demi-siècle, les satellites observent la Terre.

Ils photographient les littoraux, les villes, les forêts, les glaciers, les surfaces agricoles, les océans, les zones industrielles ou les territoires touchés par des catastrophes naturelles. Année après année, ces observations ont constitué une mémoire colossale de la planète.

Mais posséder cette mémoire ne signifie pas forcément savoir la lire.

C’est précisément le problème auquel veut s’attaquer Serie2Story, le projet développé par ACRI-ST, entreprise dont le siège est installé à Sophia Antipolis, avec Mines Paris – PSL.

Et cette ambition vient d’être distinguée au niveau national : Serie2Story figure parmi les deux lauréats du Challenge AI for Space, lancé conjointement par le CNES et la Région Île-de-France pour explorer les possibilités offertes par l’intelligence artificielle dans l’exploitation des données spatiales.

Deux défis pour faire entrer l’IA dans l’observation de la Terre

Le Challenge AI for Space avait été annoncé lors du Salon international de l’aéronautique et de l’espace 2025, avant l’ouverture officielle des candidatures en janvier 2026.

Le principe était clair : rapprocher deux secteurs considérés comme stratégiques, l’intelligence artificielle et le spatial.

Le CNES et la Région Île-de-France avaient défini deux défis.

Le premier consistait à construire des applications utilisant les données satellitaires à partir de modèles d’IA généralistes ou géospatiaux, notamment dans les domaines de l’environnement, de l’énergie, de la sécurité, de la sûreté industrielle ou de la gestion des risques.

Le second demandait de développer un modèle vision-langage capable d’interpréter automatiquement des images satellites, avec une attention particulière portée aux images optiques à haute ou très haute résolution, de 0,5 à 10 mètres de résolution spatiale.

C’est dans cette seconde catégorie, baptisée GEO-VLM, que Serie2Story a été retenu.

L’autre lauréat est Galeio avec son projet Ocean Intelligence Services dans le défi GEO-FM.

Serie2Story : passer de la photographie au récit

Le nom du projet résume presque toute son ambition.

Serie2Story : de la série au récit.

Aujourd’hui, un analyste peut examiner une image satellite, comparer deux dates ou suivre manuellement l’évolution d’une zone géographique. Mais lorsque les archives couvrent plusieurs décennies et des millions d’images, l’analyse devient considérablement plus complexe.

Serie2Story veut franchir une étape supplémentaire : faire comprendre à une IA non seulement ce qui apparaît sur une image, mais ce qui s’est transformé au fil du temps.

Une urbanisation progressive.

Une côte qui recule.

Une végétation qui disparaît puis réapparaît.

Une zone agricole qui change d’usage.

Une infrastructure nouvelle.

Une évolution saisonnière ou climatique.

L’objectif est donc de construire un système capable de confronter une série temporelle d’observations, d’identifier les transformations significatives puis de les restituer de manière compréhensible.

ACRI-ST résume cette ambition par une formule particulièrement parlante : « passer de la série temporelle au récit ».

Mais qu’est-ce qu’un modèle « vision-langage » ?

Derrière ce terme assez technique se cache une évolution majeure de l’intelligence artificielle.

Les grands modèles de langage savent analyser et produire du texte. Les modèles de vision artificielle savent reconnaître des éléments dans une image.

Un Vision-Language Model, ou VLM, combine les deux.

Il cherche à associer une information visuelle à une compréhension exprimable en langage naturel.

Dans le cas d’une photographie classique, cela peut permettre d’expliquer ce que contient une scène. Dans le domaine spatial, le problème devient beaucoup plus exigeant : l’image satellite ne montre pas une personne, un bâtiment ou une voiture photographiés de près, mais des structures géographiques vues depuis plusieurs centaines de kilomètres d’altitude.

Le défi est encore plus complexe lorsqu’il faut comparer une succession d’images prises à différents moments.

Serie2Story vise donc une IA spécialisée dans l’observation de la Terre, plutôt qu’un modèle généraliste simplement adapté à la marge.

Une intelligence artificielle qui doit comprendre le temps

C’est probablement là que le projet devient particulièrement intéressant.

Une image isolée raconte un état.

Une succession d’images raconte une évolution.

Prenons un exemple simple : une IA observe une zone périurbaine sur plusieurs années. Sur une seule photographie, elle peut éventuellement distinguer des bâtiments, des routes ou des espaces végétalisés.

Sur dix ou vingt ans d’observation, elle pourrait en revanche identifier une extension progressive de l’urbanisation, déterminer sa direction, mesurer la disparition de certaines surfaces végétalisées et fournir une synthèse de cette transformation.

Cette capacité ouvrirait des usages potentiels dans l’aménagement du territoire, l’environnement, l’agriculture, la prévention des risques, l’étude du changement climatique ou encore la surveillance d’infrastructures.

Il faut toutefois garder une nuance importante : Serie2Story est aujourd’hui un projet de démonstrateur, et non un service opérationnel déjà capable de répondre automatiquement à toutes ces problématiques.

Le Challenge lui-même porte bien sur le développement de démonstrateurs technologiques.

Une entreprise azuréenne au cœur de la donnée spatiale européenne

Si ACRI-ST s’attaque à cette question, ce n’est pas par hasard.

L’entreprise de Sophia Antipolis travaille depuis plus de trente ans dans le domaine de l’observation de la Terre par satellite. Elle intervient sur une grande partie de la chaîne : simulation de missions, traitement des données, contrôle qualité, archivage, distribution, applications environnementales, calcul intensif et désormais intelligence artificielle.

Et surtout, ACRI-ST possède une expérience extrêmement concrète des gigantesques volumes de données produits par les missions spatiales.

Le document technique transmis par l’entreprise indique qu’elle exploite notamment deux services d’archivage de long terme pour l’Agence spatiale européenne : ALTA et DAMPS.

ALTA : conserver la mémoire des Sentinel

Depuis 2020, ACRI-ST exploite ALTA — Advanced Long-Term Archive, il s’agit de l’un des quatre services intervenant sur la composante spatiale du segment sol Copernicus.

Sa mission principale consiste à assurer la conservation, la gestion et la récupération à long terme des données des satellites Sentinel, ainsi que l’archivage fiable de produits dérivés.

La volumétrie donne une idée de l’échelle du problème.

ACRI-ST indique qu’ALTA a notamment constitué la principale source de données pour une campagne de retraitement Sentinel-2 représentant dix années de mesures, environ six pétaoctets et 300 millions de fichiers diffusés.

Un pétaoctet représente un million de gigaoctets.

Autrement dit, quand on parle de « mémoire satellitaire », l’expression n’a ici rien de métaphorique.

DAMPS : 11 pétaoctets d’archives d’observation de la Terre

Le second service, DAMPS — Data Archival, Management & Processing Services, est exploité par ACRI-ST depuis 2022.

Il conserve actuellement 11 pétaoctets d’archives d’observation de la Terre de l’ESA, sur une infrastructure redondante permettant une restauration complète des données en cas d’incident majeur.

Le système utilise notamment Kubernetes et Docker pour permettre le traitement massif des données et l’intégration de nouveaux outils.

Il comprend également une gestion unifiée des métadonnées, indispensable lorsque plusieurs décennies de missions spatiales doivent être retrouvées, contrôlées puis retraitées.

Les archives concernent de nombreuses missions, parmi lesquelles Envisat, CryoSat-2, ERS-1 et ERS-2, SMOS, GOCE ou encore ALOS-1.

Donner une nouvelle valeur à des archives déjà existantes

C’est là que Serie2Story prend tout son sens.

La donnée spatiale n’est plus seulement une photographie récente.

Une archive de plusieurs décennies permet de comparer le présent avec le passé.

Et plus la série temporelle est longue, plus elle devient précieuse pour comprendre certains phénomènes.

Le projet vise donc à appliquer les outils contemporains d’intelligence artificielle à des volumes de données accumulés parfois bien avant l’apparition des modèles actuels.

Cette logique constitue une forme de réutilisation intelligente du patrimoine scientifique.

Les satellites ont déjà observé.

Les données sont déjà stockées.

Le défi consiste maintenant à leur poser de nouvelles questions.

Une collaboration entre industrie et recherche

Serie2Story associe ACRI-ST à Mines Paris – PSL.

C’est l’un des éléments mis en avant par l’entreprise pour parler d’une « brique de souveraineté ».

La formule mérite toutefois d’être précisée.

La souveraineté ne vient pas du seul fait qu’un modèle d’IA soit développé en France. Elle dépend aussi de la maîtrise de plusieurs maillons : accès aux données, infrastructures de calcul, algorithmes, compétences scientifiques, capacité à industrialiser les solutions et contrôle de leur déploiement.

Le projet rassemble justement une entreprise spécialiste de la donnée satellitaire et un acteur académique français reconnu.

Le Challenge AI for Space autorisait explicitement des candidatures associant entreprises et laboratoires publics, précisément pour favoriser ce type de coopération.

Une IA « spécialisée, explicable et frugale »

ACRI-ST insiste également sur trois objectifs : développer une IA plus spécialisée, plus explicable et plus frugale.

Ces termes sont importants.

Spécialisée signifie que le modèle doit répondre aux particularités de la donnée géospatiale plutôt que reproduire mécaniquement les approches des IA généralistes.

Explicable signifie qu’un utilisateur professionnel doit pouvoir comprendre, au moins en partie, pourquoi une conclusion est produite et sur quelles observations elle repose.

Quant à la frugalité, elle répond à une contradiction devenue centrale dans le numérique : utiliser l’intelligence artificielle pour mieux comprendre l’environnement tout en maîtrisant elle-même ses besoins en calcul et en énergie.

Ce sont pour l’instant des objectifs de conception revendiqués par les porteurs du projet, dont les performances devront naturellement être démontrées au cours du développement du démonstrateur.

Les Assises du NewSpace comme vitrine

L’annonce des lauréats a été faite lors des Assises du NewSpace 2026.

Le CNES avait annoncé en amont que l’événement servirait notamment à révéler les deux projets retenus dans le cadre du Challenge AI for Space et à renouveler son partenariat avec la Région Île-de-France.

Patricia Schippers, cheffe de projet, Arthur Delannoy, ingénieur R&D IA, et Laurent Fiorio, directeur commercial, étaient présents pour recevoir la distinction.

L’annonce a été faite en présence notamment de Jean-Claude Souyris, directeur de la stratégie du CNES, Alexandra Dublanche, vice-présidente de la Région Île-de-France, et Simon Baillarin, directeur du Campus de la Donnée.

Un concours doté d’un million d’euros

Le Challenge AI for Space bénéficiait d’une enveloppe pouvant atteindre un million d’euros, financée par la Région Île-de-France.

Le règlement prévoyait des aides calculées selon la taille des entreprises participantes, avec la possibilité pour les laboratoires partenaires de recevoir un financement pouvant atteindre 100 % de leurs dépenses éligibles dans une certaine limite.

Le CNES va maintenant travailler avec les lauréats

La victoire n’est donc pas la fin du projet.

Elle en ouvre plutôt la phase la plus intéressante.

Le CNES avait prévu dès le lancement du Challenge de mettre des données à disposition des lauréats et de suivre le développement technique des démonstrateurs.

Vincent Martin, du CNES, a confirmé après l’annonce des résultats que les équipes techniques du Campus de la Donnée allaient collaborer avec les deux projets retenus, dans le cadre plus large des travaux menés pour faciliter l’utilisation des données d’observation de la Terre et des nouvelles architectures d’intelligence artificielle.

Pour Serie2Story, l’étape suivante consiste donc à confronter l’idée à des données réelles et à démontrer sa capacité à produire une information véritablement utile.

Lorsque l’archive devient un outil de décision

C’est peut-être là le changement de perspective le plus intéressant.

Longtemps, la difficulté principale du spatial a été d’observer la Terre.

Puis il a fallu stocker les données.

Ensuite les distribuer.

Aujourd’hui, le défi devient de comprendre automatiquement ce que des milliards d’observations racontent ensemble.

Et si Serie2Story tient ses promesses, le satellite ne sera plus seulement une caméra braquée sur notre planète.

Il deviendra une sorte de témoin historique capable, avec l’aide de l’intelligence artificielle, de raconter comment un territoire s’est transformé.

Pour une entreprise de Sophia Antipolis qui gère déjà une partie de la mémoire satellitaire européenne, remporter ce Challenge constitue donc plus qu’un trophée : c’est l’occasion de transformer l’archive en connaissance, puis la connaissance en outil d’aide à la décision.

Après avoir appris aux satellites à regarder la Terre, l’enjeu est désormais d’apprendre aux machines à comprendre ce qu’ils ont vu. Et depuis Sophia Antipolis, ACRI-ST participe pleinement à cette nouvelle étape de l’aventure spatiale européenne.

#ACRIST #Serie2Story #AIforSpace #CNES #RegionIleDeFrance #MinesParisPSL #NewSpace #AssisesDuNewSpace #IntelligenceArtificielle #IA #ObservationDeLaTerre #Satellite #Copernicus #ESA #Sentinel #BigData #SouveraineteNumerique #SophiaAntipolis #AlpesMaritimes #GrasseMat

Sources et références vérifiables

[1] Région Île-de-France — « Challenge AI for Space », dispositif 2026.

Consulter le Challenge AI for Space

[2] CNES — « La Région Île-de-France et le CNES lancent le Challenge IA pour l’usage des données spatiales », janvier 2026.

Consulter le communiqué du CNES

[3] CNES — « Assises du NewSpace 2026 : plusieurs temps forts pour le CNES ».

[4] Région Île-de-France / acteurs du programme — résultats du Challenge AI for Space.

[5] ACRI-ST — présentation du projet Serie2Story.

[6] ACRI-ST — Documentation technique « Infrastructure : archivage, gestion et retraitement des données massives ».

[7] ACRI-ST — site institutionnel.