Détection satellite

Le défi de détection du XPRIZE Wildfire imposait d’identifier chaque feu naissant sur une vaste zone australienne en moins de dix minutes. Parmi les 45 soumissions qualifiées, les équipes ont exploité des constellations existantes et deux constellations dédiées : OroraTech a mis en orbite son réseau spécialisé en mars 2025, tandis que le programme FireSat, soutenu par Google, a lancé ses premiers microsatellites en juillet 2026. Ces satellites ne sont pas conçus à l’origine pour les incendies, ils offrent donc des résolutions optiques et radar limitées, obligeant les participants à extraire des signatures thermiques et de fumée à partir de données multi‑spectrales.

Analyse technique : la contrainte de dix minutes impose une latence de transmission inférieure à quelques secondes, ce qui exclut les traitements lourds en amont. Les équipes ont donc intégré des pipelines de pré‑traitement sur le bord du satellite, suivis d’une agrégation rapide au sol. Le recours à la bande Ka pour le downlink a permis de réduire le délai de transmission, mais la bande passante reste un goulot d’étranglement lorsqu’on veut couvrir plusieurs centaines de kilomètres carrés.

Traitement des données et IA

Les vainqueurs du premier prix, le SIRIUS Wildfire Alliance (Royaume‑Uni), ont combiné des modèles de vision par ordinateur entraînés sur des images optiques et radar pour générer des cartes de propagation potentielles. Team Snuffed (Arizona) a mis en avant une approche « transparent, auditable et aware of uncertainty », intégrant des réseaux bayésiens afin de quantifier la probabilité d’un faux‑positif. Mayday.AI (Allemagne) a réutilisé un algorithme de détection de cendres volcaniques, ajusté pour identifier la fumée à travers les nuages, démontrant la transférabilité des modèles de classification atmosphérique.

Ces solutions reposent sur des architectures de type edge‑cloud : le filtrage initial s’effectue à bord du satellite, le modèle de classification s’exécute sur des serveurs régionaux, et les résultats sont diffusés aux équipes de terrain via des API REST. La réduction des faux positifs est cruciale, car chaque alerte déclenche un déploiement de ressources coûteuses.

Réponse autonome par drones

Le deuxième volet du concours, l’Autonomous Response Prize, a réuni plus de 300 équipes initiales, dont trois finalistes ont testé leurs systèmes dans la région de Nenana, Alaska, couvrant 386 miles² (environ la taille de la baie de San Francisco). Les équipes ont déployé des capteurs au sol et des drones autonomes capables de rejoindre le point d’incendie en moins de dix minutes. Anduril a présenté son drone Ghost‑X, qui largue des balles retardantes ; le test a montré une explosion contrôlée du retardant, mais aucune extinction totale.

Les contraintes physiques – vitesse de vol, capacité de charge utile et autonomie de batterie – limitent la quantité de retardant transportée. De plus, la dispersion du produit dépend fortement des conditions atmosphériques, rendant difficile l’extinction d’un feu de grande intensité en un seul passage.

Limites et perspectives

Bien que toutes les équipes aient détecté le feu en moins de dix minutes, aucune n’a réussi à l’éteindre complètement, ce qui explique l’absence de grand prix dans les deux pistes. La principale limitation réside dans la chaîne d’action : la détection rapide ne suffit pas si la logistique de suppression ne peut pas suivre. Les prochains cycles de recherche devront donc optimiser la capacité de charge des drones, améliorer la précision des modèles de propagation et réduire la latence du downlink satellite. En parallèle, l’intégration de réseaux de capteurs terrestres à faible coût pourrait combler le fossé entre détection précoce et réponse opérationnelle, offrant ainsi une solution plus robuste face à la montée des incendies mondiaux.