L'Université normale de Chine orientale, à Shanghai, a présenté son premier satellite hyperspectral, ECNU-KEDA. Le lancement a eu lieu le dimanche 16 novembre 2026.
Le développement de l'appareil a commencé en 2023 sous la direction du Laboratoire clé de Shanghai de traitement multidimensionnel de l'information. Le satellite se distingue par une large couverture spectrale ainsi que par une haute résolution spectrale et spatiale.
Contrairement aux satellites de télédétection ordinaires, qui ne captent que la forme et la couleur des objets, les appareils hyperspectraux saisissent les « empreintes spectrales » uniques des substances. Cela permet de déterminer avec précision la composition et l'état des objets sur Terre.
Le satellite offre une résolution spatiale métrique et couvre les domaines visible et proche infrarouge avec plus de 200 canaux spectraux. De telles caractéristiques confèrent une grande sensibilité à la teneur en humidité, aux substances organiques et aux indicateurs biochimiques des cultures.
En agriculture, ECNU-KEDA pourra suivre dynamiquement la croissance des cultures et l'humidité du sol, prévenir les ravageurs et les maladies, et évaluer les rendements. En écologie, il permettra d'assurer une surveillance à grande échelle de l'état des écosystèmes, et dans le domaine marin, de suivre les eaux de marée, les proliférations d'algues rouges et vertes ainsi que les ressources halieutiques.
He Peixiong, de la société Heilongjiang Agriculture Company Limited, qui collabore avec l'université depuis déjà deux ans, a noté que le satellite aidera à gérer plus efficacement plus de 10 millions de mu (666 667 ha) de terres agricoles. « Nous pourrons mieux comprendre l'état des champs et parvenir à une production plus prévisible », a-t-il déclaré.
ECNU-KEDA sera le premier appareil de la constellation Liangtian. Sur cinq ans, il est prévu de mettre en orbite 200 satellites hyperspectraux en orbite basse. Les futurs appareils seront équipés de puces d'intelligence artificielle embarquées nationales et de leurs propres modèles d'apprentissage profond.
