Le Centre Observation, Impacts, Énergie (OIE) :
Observer l’énergie pour éclairer la transition
Rattaché à Mines Paris – PSL, le Centre Observation, Impacts, Énergie (OIE) développe des recherches mettant en lien Observation de la Terre (OT), systèmes énergétiques et modélisation des impacts environnementaux. Ces travaux s’inscrivent pleinement dans le champ de l’observation des ressources énergétiques, avec un accent particulier sur l’énergie solaire.
Les recherches menées à OIE visent un objectif clair : mieux mesurer, comprendre et prévoir la ressource solaire afin de faciliter l’intégration du photovoltaïque, à petite comme à grande échelle, dans les systèmes électriques. L’IA y est mobilisée non comme une boîte noire, mais comme un outil venant compléter et renforcer les modèles physiques.
Observer le Soleil, une question d’échelles et de données
La mesure du rayonnement solaire repose sur des sources de données multiples, chacune associée à des compromis entre précision spatiale et temporelle :
- Capteurs au sol (pyranomètres, caméras hémisphériques) : très précis localement, avec une résolution temporelle fine
- Données satellitaires : large couverture spatiale, avec une résolution de l’ordre du kilomètre, et une résolution temporelle de quelques minutes
- Modèles météorologiques numériques : vision régionale à continentale, mais à des pas de temps plus larges
Ces données sont hétérogènes, tant par leurs formats que par leurs échelles. L’un des verrous majeurs de la recherche n’est donc pas seulement l’analyse physique, mais l’accès, l’alignement et la valorisation de ces données massives.
Station de surveillance solaire installée sur le toit du bâtiment I du campus de Mines Paris – PSL à Sophia Antipolis, dédiée à la mesure et à l’analyse de l’irradiation solaire de surface pour l’évaluation et la prévision du photovoltaïque ainsi que l’optimisation des systèmes énergétiques.
Automatiser la science
Une IA qui libère du temps de recherche
À OIE, l’IA est d’abord mobilisée pour accélérer et fiabiliser les workflows scientifiques. Des agents intelligents permettent aujourd’hui d’interroger des bases de données complexes, telles que Copernicus Atmosphere Monitoring Service (CAMS), ERA5, Copernicus regional reanalysis for Europe (CERRA) ou encore Météo-France. Ces utilisations sont basées sur des commandes en langage naturel, permettant de générer automatiquement des chaînes de traitement et de visualisation.
Ces travaux ont un impact concret puisqu’ils engendrent un temps de recherche recentré sur l’analyse physique et la compréhension des phénomènes, plutôt que sur la manipulation fastidieuse des données.
Des caméras à 300 € pour prévoir le Soleil
L’une des innovations les plus emblématiques développées à OIE, dans le cadre de la chaire de mécénat SciDoSol, est une caméra hémisphérique « low cost ». Conçue à partir de composants accessibles tels que des nano-ordinateurs Raspberry Pi et des caméras grand angle, elle est développée pour un coût d’environ 300 euros.
Placée face au ciel, cette caméra capture des images du couvert nuageux. Grâce à des réseaux de neurones convolutifs (CNN) pré-entraînés et adaptés aux images du ciel, elle permet :
- De classifier l’état du ciel (clair, nuageux, pluie)
- De détecter des anomalies de maintenance (salissure, buée)
La connaissance de l’état du ciel et de la caméra permet d’améliorer significativement la modélisation de l’irradiation solaire reçue par des panneaux photovoltaïques inclinés. Ces travaux débouchent sur des résultats très concrets, en fournissant notamment des prévisions solaires à très court terme, indispensables pour les gestionnaires de réseaux face à la forte variabilité de la production photovoltaïque.
Prototype de caméra hémisphérique « low cost » installé sur le toit du bâtiment I du campus de Mines Paris – PSL à Sophia Antipolis.
Simuler les nuages pour mieux les comprendre
Dans les grandes centrales photovoltaïques, le rayonnement solaire n’est jamais homogène : un seul nuage peut plonger une partie du site dans l’ombre en quelques secondes. Pour anticiper ces variations, les chercheurs de l’OIE combinent modélisation physique et apprentissage profond.
Des simulations atmosphériques sont utilisées pour générer des images synthétiques du ciel, issues de multiples points de vue, des données rarement disponibles en pratique. À partir de ces images, des réseaux de neurones apprennent à prédire l’irradiation solaire au sol à des échelles spatiales fines, adaptées aux centrales photovoltaïques. Ces travaux apportent également des éléments concrets sur le nombre de caméras à installer au sein d’un site et sur leur positionnement optimal afin de maximiser la valeur des informations recueillies.
L’enjeu scientifique est clair : garantir que l’IA reste solidement ancrée dans la réalité physique, et ne repose pas uniquement sur des performances visuelles ou statistiques. C’est pourquoi ces approches sont confrontées à des réseaux réels de caméras du ciel, notamment en Allemagne, afin d’évaluer le réalisme physique des images générées.
Satellites de nouvelle génération
L’IA face à la complexité du réel
L’arrivée des satellites météorologiques de troisième génération marque un tournant : résolution spatiale plus fine, images plus fréquentes… mais aussi nouveaux défis scientifiques. À ces échelles, les hypothèses classiques des modèles physiques, notamment l’indépendance des pixels, ne tiennent plus en raison des effets de parallaxe et de la structure tridimensionnelle des nuages.
Les travaux menés à OIE montrent que les réseaux de neurones convolutifs, capables de traiter simultanément l’information spatiale et spectrale, offrent des estimations plus précises du rayonnement solaire que les modèles physiques historiques.
Résultat : une évaluation plus fiable de la ressource pour les systèmes énergétiques, l’agriculture et la météorologie de l’énergie.
Rendre visible le photovoltaïque invisible
Autre avancée majeure : le projet DeepPVMapper, qui mobilise l’IA et l’imagerie aérienne pour cartographier les installations photovoltaïques sur toiture en France. En détectant près de 500 000 systèmes, cette méthode révèle une réalité largement sous-estimée par les registres officiels.
Les résultats sont sans appel :
- Environ 10 % de la capacité photovoltaïque sur toiture manquante à l’échelle nationale
- Jusqu’à 48 % localement dans certains territoires
La conséquence directe est une meilleure connaissance du parc photovoltaïque, indispensable pour la stabilité des réseaux électriques et la planification énergétique.
DeepPVMapper : cartographie des systèmes photovoltaïques installés sur les toits à partir d’ortho-images aériennes
Une IA frugale, explicable et responsable
À OIE, la performance ne se fait pas au détriment de la sobriété. Des travaux récents explorent des modèles d’IA peu coûteux en calcul, capables de prédire l’équilibre du mix énergétique (solaire, éolien, importations, production thermique) à partir de données historiques. L’objectif est de fournir des prévisions à court terme et à l’échelle de la journée suivante, en s’appuyant sur des calculs légers permettant un traitement rapide et un réentraînement fréquent des modèles. Ces informations sont particulièrement précieuses pour les systèmes opérationnels de gestion de l’énergie et du stockage.
Observer, comprendre, anticiper
L’IA au service de l’énergie
Ces travaux ont été présentés lors du Workshop IA de Mines Paris – PSL, un temps fort destiné à valoriser les recherches en IA, favoriser les échanges entre chercheurs, doctorants et enseignants, et faire émerger de nouvelles synergies. À OIE, ce workshop illustre une dynamique collective : faire de l’IA un outil structurant de la recherche énergétique, au service de la transition écologique.
En combinant observation de la Terre, modèles physiques et IA, les recherches menées à OIE montrent que l’IA peut être bien plus qu’un outil de prédiction : un instrument de compréhension du monde physique, capable de rendre visibles des phénomènes invisibles et d’accompagner concrètement la transition énergétique.
Pour aller plus loin
Bauer, V., Eissa, Y., Saint-Drenan, Y.-M., Blanc, P., 2025. Measuring diffuse sky radiance with an affordable and open-source all-sky imager. Young Scientist Symposium 2025, 18 Nov 2025, Klosterneuburg, Austria.
Becquet, V., Blanc, P., Saint-Drenan, Y.-M., Eissa, Y., 2025. Deep learning and spatial context for global horizontal irradiance estimation: Addressing independent pixel approximation limitations with satellite imagery. EMS Annual Meeting 2025, 7–12 Sep 2025, Ljubljana, Slovenia.
Kasmi, G., Saint-Drenan, Y.-M., Trebosc, D., Jolivet, R., Leloux, J., Sarr, B., Dubus, L., 2023. A crowdsourced dataset of aerial images with annotated solar photovoltaic arrays and installation metadata. Scientific Data, 10, 59.
Kasmi, G., Touron, A., Blanc, P., Saint-Drenan, Y.-M., Fortin, M., Dubus, L., 2024. Remote-sensing-based estimation of rooftop photovoltaic power production using physical conversion models and weather data. Energies, 17(17), 4353.
Magliaro, E., Voyant, C., Jheelan, Y., Michiorri, A., Julien, A., Eissa, Y., Bright. J., 2025. Energy-consistent multi-input multi-output multi-horizon extreme learning machines with embedded reconciliation for multi-source power forecasting.
Meddahi, A., Tuomiranta, A., Guillon, S., 2025. Skill‐driven data sampling and deep learning framework for minute‐scale solar forecasting with sky images. Solar RRL, 9 (4), 2400664.
Verbois, H., Saint-Drenan, Y.-M., Becquet, V., Gschwind, B., Blanc, P., 2023. Retrieval of surface solar irradiance from satellite imagery using machine learning: pitfalls and perspectives. Atmospheric Measurement Techniques, 16, 4165–4181.
Voyant, C., Despotovic, M., Notton, G., Saint-Drenan, Y.-M., Asloune, M., Garcia-Gutierrez, L., 2025. On the importance of clearsky model in short-term solar radiation forecasting. Solar Energy, 294, 113490.
