Résumé exécutif
Le 18 mars 2026, Le Monde et Strava publient conjointement une enquête montrant que les données de géolocalisation de l'application sportive Strava permettaient de suivre les déplacements du personnel naviguant à bord du Charles de Gaulle. L'incident relance un débat récurrent sur la porosité numérique des opérations militaires. Un ingénieur décide de pousser la démonstration plus loin : non plus via des fuites de données comportementales, mais via la détection directe du navire depuis l'espace.
En 1,5 mois, il constitue une base de 400 Go d'imagerie satellitaire Sentinel-2, étiquette manuellement environ 2 500 navires pour entraîner un modèle YOLO, applique SAM 3 pour la segmentation de forme et de couleur, et retrouve le Charles de Gaulle. Le budget de calcul GPU mobilisé : deux jours. Les sources de données : entièrement publiques et gratuites. Le travail a été documenté dans une vidéo publiée sur YouTube, accessible ici.
Les faits
La pipeline technique repose sur trois composants enchaînés, chacun relevant de technologies désormais accessibles à un ingénieur individuel.
- Source de données : Copernicus / Sentinel-2. Le programme spatial européen met à disposition gratuitement les images des deux satellites Sentinel-2, qui couvrent l'ensemble du globe avec une résolution de 10 mètres par pixel et un cycle de revisite de 5 jours. Pour couvrir la Méditerranée du 1er mars à la mi-avril 2026, l'ingénieur a téléchargé 45 jours de données, soit 185 000 images et 8,3 millions de patches d'images, pour un volume total de 400 Go.
- Détection : YOLO fine-tuné. L'algorithme YOLO (You Only Look Once), standard de la vision par ordinateur pour la détection d'objets en temps réel, a été réentraîné sur une base constituée manuellement : environ 2 000 à 3 000 images de navires labellisées à la main. Ce fine-tuning permet au modèle de distinguer les porte-avions des autres classes de navires à la résolution de 10 m/pixel.
- Segmentation : SAM 3. Une fois les candidats détectés par YOLO, SAM 3 (Segment Anything Model, troisième version) extrait la forme précise et la signature colorimétrique de chaque objet, permettant une identification plus fine. C'est cette couche qui permet de différencier le Charles de Gaulle des navires marchands ou militaires de gabarit similaire.
- Résultats. Le Charles de Gaulle a été localisé en Méditerranée. L'USS Gerald Ford, porte-avions américain opérant dans la même zone, a été identifié comme résultat secondaire sans que ce soit l'objectif initial. Le temps de calcul GPU total pour l'ensemble du traitement : environ deux jours.
Analyse stratégique
La démonstration s'inscrit dans un continuum de travaux OSINT (Open Source Intelligence) appliqués à la surveillance satellitaire, mais elle se distingue sur un point : la reproductibilité. Les outils utilisés (Copernicus, YOLO, SAM 3) sont tous accessibles gratuitement ou via des licences open source. La compétence requise est celle d'un ingénieur en machine learning intermédiaire. Le budget matériel est celui d'un accès cloud standard. Il n'existe aucune barrière d'entrée réglementaire, technologique ou financière significative pour reproduire ce travail.
La résolution de 10 m/pixel de Sentinel-2 constitue la principale contrainte technique. Elle est suffisante pour identifier un porte-avions (265 mètres de long pour le Charles de Gaulle, 337 mètres pour le Gerald Ford), mais insuffisante pour discriminer les équipements de pont, le personnel ou les configurations opérationnelles fines. Pour une résolution supérieure, des acteurs privés comme Planet Labs, Maxar ou Airbus Defence and Space proposent des images commerciales à 30 cm/pixel, à un coût unitaire accessible pour un État ou une organisation sérieuse.
L'ingénieur cite Palantir comme exemple de ce que le secteur privé construit à une autre échelle. La plateforme MetaConstellation de Palantir automatise précisément ce type de pipeline : ingestion de flux satellitaires multi-sources, détection automatisée d'objets d'intérêt, corrélation temporelle des positions, alerte en temps quasi-réel. Ce que l'expérience individuelle fait en deux jours de calcul, une infrastructure industrielle le fait en quelques minutes en continu.
La conclusion de la démonstration est formulée sans ambiguïté : la position d'un porte-avions n'est pas secrète. Elle est observable, reproductible, et la technologie qui le permet est gratuite. Ce n'est pas une faille de sécurité corrigeable par un patch logiciel. C'est une propriété structurelle de la combinaison entre couverture satellitaire globale et vision par ordinateur accessible.
Impact business et sectoriel
Trois lectures se dégagent pour les organisations qui opèrent dans les domaines de la défense, du renseignement et des technologies duales.
Pour les armées et les états-majors : L'affaire Strava de mars 2026 révélait une fuite par les comportements humains. Cette démonstration révèle une exposition par la physique du monde. Un porte-avions est visible depuis l'espace par tout acteur disposant d'une connexion internet et de compétences ML standards. Les doctrines de sécurité opérationnelle (OPSEC) qui reposent sur la discrétion géographique des actifs de surface majeurs doivent intégrer ce paramètre comme une donnée permanente, non comme une menace émergente.
Pour les industriels de la défense et les fournisseurs de renseignement : La banalisation des outils de détection satellitaire crée une pression sur la valeur différentielle des plateformes professionnelles. Si un ingénieur seul peut localiser le Charles de Gaulle en 1,5 mois, la valeur ajoutée d'une plateforme comme MetaConstellation de Palantir réside dans la vitesse (temps réel contre deux jours), la couverture (multi-constellation, multi-résolution), la corrélation (historique de trajectoire, identification d'empreinte radar ou AIS) et la scalabilité. L'écart se creuse sur la capacité à traiter des milliers de cibles simultanément, pas sur la possibilité de détecter une cible unique.
Pour le secteur technologique et les investisseurs : La démonstration illustre la dynamique de fond de l'imagerie satellitaire comme nouvelle couche d'infrastructure de renseignement. Les marchés de l'analyse d'imagerie géospatiale par IA connaissent une croissance structurelle, portée par la multiplication des constellations (Copernicus, Planet, Starlink pour l'observation, constellations militaires) et par la maturité des modèles de vision. L'incident n'est pas un signal de rupture : il est la confirmation que le marché du renseignement géospatial automatisé est désormais accessible au-delà des États et des grands contractants de défense.
Ce qu'il faut retenir
La portée de cette expérience n'est pas d'avoir localisé le Charles de Gaulle. Les marines militaires des grandes puissances se surveillent mutuellement depuis des décennies avec des moyens bien supérieurs. La portée est dans la démonstration de l'accessibilité : la même capacité est désormais disponible pour n'importe quel acteur disposant d'une connexion internet, d'un GPU et de quelques semaines de travail.
La seconde conclusion est méthodologique. L'ingénieur n'a utilisé aucune source de données exclusive, aucun outil propriétaire, aucun accès privilégié. Il a utilisé Copernicus (programme public européen), YOLO (open source), SAM 3 (open source). La stack complète est gratuite et documentée publiquement. Ce n'est pas une démonstration de piratage ou d'espionnage. C'est une démonstration de ce que fait la combinaison entre open data et machine learning grand public.
La troisième conclusion est celle que l'ingénieur formule lui-même : ce travail pourrait être automatisé et généralisé à l'ensemble des flottes militaires mondiales. La localisation en temps quasi-réel de tout actif naval de surface identifiable par sa forme et ses dimensions depuis l'espace est techniquement faisable aujourd'hui, avec des ressources non étatiques. La question n'est plus de savoir si c'est possible. La question est de savoir qui le fait déjà.
