L’IA peut désormais aider à détecter les cultures de cannabis depuis l’espace

La culture du cannabis a traditionnellement été surveillée depuis le sol. Les régulateurs inspectent les installations agréées, les forces de l’ordre recherchent les cultures illicites, et les producteurs s’appuient sur les travailleurs et les capteurs pour évaluer les conditions des cultures. Les progrès de l’imagerie satellitaire et de l’intelligence artificielle commencent à ajouter une couche supplémentaire : la capacité d’analyser la culture du cannabis depuis les airs.

Une nouvelle revue systématique¹ examinant 105 études de télédétection publiées entre 2020 et 2025 met en évidence à quel point l’IA agricole a progressé. Les chercheurs combinent l’apprentissage automatique avec des satellites, des drones, du radar, des caméras hyperspectrales, de l’imagerie thermique et du LiDAR pour identifier les cultures, prévoir les rendements, détecter le stress et suivre l’évolution de la végétation au fil du temps.

Parmi ces études, un exemple particulièrement pertinent pour l’industrie du cannabis a été présenté. Des chercheurs indonésiens ont démontré que l’apprentissage automatique pouvait identifier les plantations illicites de cannabis à partir d’images satellites multitemporelles avec une précision d’environ 95 %.

L’importance dépasse l’identification des cultures illégales. Les mêmes avancées technologiques pourraient éventuellement soutenir la culture de cannabis autorisée, la surveillance de la santé des cultures, la conformité, la gestion de l’eau et la prévision de la production. À mesure que l’IA s’intègre de plus en plus à la culture du cannabis, la télédétection pourrait devenir une autre source de données alimentant ces systèmes.

Comment les satellites peuvent identifier les cultures de cannabis

Un satellite n’a pas besoin de photographier la forme distinctive d’une feuille de cannabis pour reconnaître un champ de cannabis. Au contraire, les systèmes de télédétection peuvent mesurer des caractéristiques de la végétation invisibles ou difficiles à distinguer à l’œil nu.

Les satellites multispectraux enregistrent l’énergie réfléchie sur plusieurs longueurs d’onde. Ces mesures fournissent des informations sur la densité de la végétation, l’activité de la chlorophylle, l’humidité, la structure des plantes et d’autres caractéristiques biologiques.

L’étude indonésienne sur le cannabis résumée dans la revue a utilisé des images satellites Sentinel‑2 recueillies à plusieurs moments. Plutôt que de se baser sur une seule image, les chercheurs ont analysé comment la végétation évoluait tout au long de la période de croissance.

Cette dimension temporelle est importante car les cultures suivent des cycles de croissance reconnaissables. Le cannabis passe par les stades de semis, végétatif, floraison et récolte. Ces transitions modifient la quantité et le type de lumière réfléchie par le couvert végétal.

Les chercheurs ont extrait des caractéristiques statistiques à partir des mesures rouge, vert, bleu, proche infrarouge et des indices de végétation prises lors de multiples observations. Un réseau de neurones à rétropropagation a ensuite classé les zones comme plantations de cannabis, forêts ou végétation broussailleuse.

La revue rapporte une précision d’environ 94,9 % et un indice kappa de 0,92 pour le système de détection du cannabis.

En termes pratiques, l’IA apprenait quelque chose de plus proche de l’empreinte saisonnière de la culture que de simplement reconnaître son apparence.

L’IA agricole dépasse les images uniques

L’exemple du cannabis fait partie d’un changement beaucoup plus vaste dans la télédétection. La revue a constaté que les images optiques satellites figuraient dans environ 63 % des études examinées, tandis que le radar à synthèse d’ouverture apparaissait dans environ 25 % et la télédétection par UAV dans environ 18 %. Les études peuvent utiliser plusieurs capteurs, de sorte que ces catégories se chevauchent.

Différentes architectures d’IA se sont également révélées utiles pour différents types de problèmes agricoles.

• Les CNN étaient largement utilisés pour la cartographie, la segmentation, la détection de maladies et l’analyse d’images.
• Les réseaux LSTM et les Transformers étaient de plus en plus appliqués aux séries temporelles agricoles.
• Random Forest et le gradient boosting restaient compétitifs lorsque des caractéristiques utiles pouvaient être extraites de petits ensembles de données.
• Les systèmes multimodaux combinaient l’imagerie optique avec le radar, le climat, le sol, la thermique ou les informations structurelles.

Ceci est important car les environnements agricoles réels sont complexes. Les nuages obscurcissent les satellites. Les cultures peuvent ressembler à la végétation environnante. Les champs varient en taille et en densité de plantation. Le temps modifie les schémas de croissance. Un système conçu pour une région peut fonctionner différemment ailleurs.

L’utilisation de multiples observations et de multiples sources de données donne à l’IA davantage de contexte pour effectuer une classification.

Ce que la revue a découvert sur la télédétection et l’IA

La diversité de ces approches suggère que l’IA agricole devient moins dépendante d’un capteur ou d’un algorithme unique. Au contraire, les développeurs peuvent choisir différentes combinaisons en fonction du problème à résoudre.

Cette distinction pourrait s’avérer particulièrement pertinente pour le cannabis, car les environnements de culture en intérieur, en serre et en plein air présentent des défis de suivi très différents.

La détection par satellite ne signifie pas que chaque plante de cannabis est visible

La précision d’environ 95 % rapportée pour la détection du cannabis ne doit pas être interprétée comme signifiant que les satellites peuvent identifier n’importe quelle culture de cannabis n’importe où avec une fiabilité de 95 %.

Le système a évalué un environnement géographique particulier en utilisant des données d’entraînement spécifiques, des observations satellitaires et des sites de culture de cannabis connus. L’examen plus large avertit à plusieurs reprises que les modèles d’IA agricole peuvent rencontrer des difficultés lorsqu’ils sont transférés entre régions, saisons, climats et pratiques de gestion.

Les chercheurs désignent cela comme un problème de généralisation.

Un modèle entraîné sur des plantations de cannabis entourées par la forêt indonésienne peut rencontrer des conditions très différentes en Californie, en Colombie-Britannique, au Maroc ou dans une zone agricole où de nombreuses cultures visuellement similaires sont cultivées à proximité.

La couverture nuageuse constitue également une limitation pratique pour les satellites optiques. Le radar peut aider à résoudre ce problème car le radar à ouverture synthétique ne dépend pas de la lumière visible et peut collecter des informations à travers les nuages. L’examen a constaté un intérêt croissant pour la combinaison d’observations optiques et radar, précisément parce que les deux capteurs fournissent des informations complémentaires.

Cela suggère une orientation probable pour les futurs systèmes de détection du cannabis : pas une photographie parfaite, mais plusieurs mesures accumulées dans le temps.

Ce que la télédétection pourrait signifier pour le cannabis légal

La surveillance des cultures illicites est l’application de cannabis la plus évidente évoquée dans l’examen, mais la technologie sous-jacente n’est pas intrinsèquement limitée à l’application de la loi.

L’IA de télédétection peut également estimer le stress hydrique, les conditions nutritionnelles, la santé des plantes, la biomasse et le rendement en agriculture conventionnelle. L’examen comprend des systèmes conçus pour détecter les maladies, identifier les besoins en irrigation, surveiller les niveaux de chlorophylle et d’azote, et prédire la production avant la récolte.

Des concepts similaires pourraient éventuellement compléter les technologies de culture existantes dans les exploitations légales de cannabis en plein air ou en serre.

De la surveillance à la gestion des cultures

Pour les producteurs agréés, la télédétection pourrait potentiellement soutenir la surveillance de zones de culture plus étendues, où inspecter manuellement chaque plante ou chaque parcelle est difficile.

Des variations de la température du couvert végétal, des indices de végétation ou du développement des plantes pourraient identifier des zones nécessitant une inspection plus approfondie. Au lieu de remplacer les cultivateurs, l’IA pourrait aider à prioriser les zones à examiner.

Cela reflète les développements déjà en cours dans les installations de culture du cannabis, où des technologies telles que systèmes d’irrigation de précision transforment de plus en plus les mesures des cultures en décisions de gestion.

La télédétection ajoute une autre couche potentielle à cette pile de données.

La surveillance du cannabis par IA soulève des questions réglementaires

La technologie devient plus complexe lorsque la télédétection passe de la gestion agricole à l’application de la loi.

L’examen identifie spécifiquement des préoccupations de gouvernance concernant les applications de surveillance telles que la détection de cultures illicites. Ses auteurs soulignent que les cadres d’utilisation responsable et la validation indépendante restent sous‑développés dans les études qu’ils ont examinées.

Cette distinction est importante car les erreurs de classification ont des conséquences différentes selon l’utilisation du système.

Si un modèle agricole identifie à tort une zone stressée d’un champ, le cultivateur peut inspecter l’emplacement et corriger l’erreur. Si un système de surveillance automatisé classe à tort une végétation légale comme une culture de cannabis illicite, les conséquences pourraient entraîner des enquêtes ou des actions d’application de la loi.

La précision ne peut donc pas être le seul indicateur.

Les systèmes opérationnels auraient également besoin d’estimations fiables d’incertitude, d’une validation externe, de procédures transparentes et d’un mécanisme permettant de confirmer les détections générées par l’IA avant de prendre des décisions.

L’examen formule un point plus large qui s’applique particulièrement à la réglementation du cannabis : passer d’une démonstration de recherche à un système opérationnel fiable nécessite bien plus que l’obtention d’un score de précision élevé.

L’avenir pourrait être une surveillance continue du cannabis

La prochaine génération d’IA de télédétection pourrait devenir nettement plus performante.

La revue met en avant les technologies émergentes, notamment les Transformers, l’apprentissage auto‑supervisé, la fusion multimodale de capteurs, les réseaux neuronaux 3D, les jumeaux numériques et les modèles de base d’observation de la Terre. Ces approches pourraient réduire la quantité de données étiquetées manuellement nécessaire à la construction de systèmes agricoles spécialisés.

Cela pourrait finalement rendre la surveillance des cultures beaucoup plus évolutive.

Au lieu de développer un modèle entièrement nouveau pour chaque localisation, les futurs systèmes pourraient commencer avec une compréhension pré‑entraînée de la végétation, du terrain, des schémas saisonniers et de l’utilisation des sols, puis adapter ces connaissances à des cultures ou des régions particulières.

Pour le cannabis, cela crée deux possibilités parallèles.

Les régulateurs et les forces de l’ordre pourraient disposer de meilleurs outils pour identifier les cultures extérieures non autorisées. En même temps, les producteurs agréés pourraient accéder à des systèmes de surveillance de plus en plus sophistiqués capables d’identifier le stress, d’estimer la production ou de suivre le développement des cultures à distance.

Le changement technologique important n’est donc pas simplement que l’IA puisse détecter le cannabis depuis l’espace. Il réside dans le fait que les satellites, les capteurs et l’IA deviennent de plus en plus capables de traiter les terres agricoles comme un système mesurable en continu.

Le cannabis devient désormais partie intégrante de cette transformation.

Références :

¹ Gracia Rojas, D. A., Gómez Díaz, H. J., & Gil Herrera, R. de J. (2026). Apprentissage automatique et apprentissage profond basés sur la télédétection pour l’agriculture et la foresterie : estimation du rendement, cartographie de la couverture du sol et stress des plantes : une revue systématique (2020–2025). Remote Sensing Applications: Society and Environment, 102279. https://doi.org/10.1016/j.rsase.2026.102279