TECHNOLOGIE

///

Les satellites, l'IA et la science permettent d'obtenir les mesures les plus précises et les plus objectives, ainsi que la couverture la plus large de la transition énergétique, tout en créant une forte valeur ajoutée pour les entreprises, les investisseurs et les régulateurs.
CONTACTEZ-NOUS

PRÉCISION, COUVERTURE ET VALEUR

L'utilisation des données satellitaires grâce à l'intelligence artificielle passe rapidement des applications militaires et agricoles à un large éventail d'applications commerciales.
 
Les entreprises, les investisseurs et les régulateurs ont besoin de mesures conviviales, précises et abordables à l'échelle mondiale.
 
Chaque jour, Kayrros utilise l'intelligence artificielle pour traiter des millions d'images satellites et en extraire des données précises et exploitables au moindre coût.

Précision

La science est au cœur de toutes les activités de Kayrros 
 
Grâce à ses solides fondements scientifiques, Kayrros crée des algorithmes propriétaires qui fournissent des données d'une précision inégalée. 
 

Les scientifiques de Kayrros ont rédigé de nombreux articles dans des revues académiques de premier plan, évaluées par des pairs. Parmi ces articles, on peut citer

Évaluation mondiale des ultra-émetteurs de méthane du pétrole et du gaz Science. 

Modèles mondiaux de réduction des émissions quotidiennes de CO² au cours de la première année de COVID-19. Nature Geoscience. 

Comparaison des bilans nationaux de gaz à effet de serre figurant dans les inventaires de la CCNUCC avec les inversions atmosphériques. 

Jumelage numérique de tous les arbres forestiers et non forestiers au niveau national grâce à l'apprentissage en profondeur.

Actes de l'Académie nationale des sciences. 

Suivi et quantification à l'échelle mondiale des fuites de méthane liées au pétrole et au gaz à partir de l'imagerie récurrente Sentinel-2.

Sciences et technologies de l'environnement 

Émissions de carbone de l'UE provenant des secteurs réglementés : Les mesures quotidiennes de Kayrros et les estimations annuelles officielles décalées

Demandes de brevet cumulées de Kayrros

Une liste d'articles citant nos résultats est disponible

ici

Kayrros travaille en partenariat avec des institutions de recherche de premier plan dans le monde entier et a déposé de nombreux brevets technologiques.

Les données en temps quasi réel de Kayrros se sont toujours révélées être un précurseur très précis des données officielles lorsqu'elles sont disponibles.

Par exemple, pendant deux années consécutives, les mesures quotidiennes et en temps quasi réel des émissions de carbone en Europe effectuées par Kayrros ont correspondu aux données annuelles décalées de l'UE avec une précision supérieure à 98,5 %.

 
En 2022, l'université de Stanford a procédé à une émission de méthane à l'aveugle et a demandé à plusieurs fournisseurs universitaires et commerciaux de détecter et de mesurer les émissions. Kayrros a obtenu de meilleurs résultats en termes de portée et de précision de ses détections lors de ce test de référence mondial..

Couverture

Kayrros est un guichet unique pour toutes les mesures climatiques importantes.

 

Kayrros a cartographié tous les actifs physiques les plus importants à l'échelle mondiale et mesure tous les paramètres pertinents pour la transition énergétique, assurant ainsi la meilleure et la plus large couverture possible de l'énergie et de l'environnement.

 

En traitant et en analysant l'imagerie satellitaire, Kayrros s'appuie sur une base de données propriétaire à croissance rapide de plus de 3 millions d'actifs physiques, afin de couvrir toutes les dimensions de la transition énergétique.

 

Les mesures de Kayrros comprennent les nouvelles capacités de production, les volumes de production, les flux, les inventaires, la consommation intermédiaire et finale, ainsi que les émissions de gaz à effet de serre et les polluants associés pour toutes les formes d'énergie et les matériaux associés. Kayrros suit également la croissance des infrastructures énergétiques et modélise et mesure les risques physiques et les dommages associés au changement climatique.

.

Les mesures quotidiennes de dizaines de paramètres et de millions d'actifs créent la meilleure couverture indépendante possible de l'énergie et de l'environnement.

Screenshot 2023-03-28 at 15-45-36 page_d'accueil.pdf
Screenshot 2023-03-29 at 15-41-46 page_industrie.pdf

Valeur

L'approche agnostique de Kayrros garantit que les meilleures sources de données sont toujours exploitées pour extraire la plus grande valeur dans chaque cas. 
 
En tant qu'acteur purement logiciel, Kayrros exploite toutes les sources disponibles pour générer les mesures les plus précises et les plus compétitives en termes de coûts. 
 
Kayrros n'est pas contraint d'utiliser ses propres images à coût élevé et peut se concentrer sur le développement d'algorithmes propriétaires de pointe pour extraire des données très précises à partir de multiples sources disponibles, au coût le plus bas possible.
 
Cela est désormais possible grâce à la lourde charge de travail des satellites de surveillance publics de la constellation Copernicus de l'Agence spatiale européenne et de la NASA, et à la redondance des acteurs commerciaux sur les principaux capteurs nécessaires pour compléter les satellites de surveillance.
 
Le leadership de Kayrros dans le domaine du traitement de l'image est le fruit de décennies de recherche et de développement de la part de ses meilleurs scientifiques et de ses partenariats avec des institutions de recherche scientifique de premier plan. 
 
Par exemple, les algorithmes propriétaires de Kayrros ont permis d'affiner la résolution spatiale des images Sentinel-2 jusqu'à 5 m, faisant de cette ressource gratuite une véritable alternative viable aux grandes constellations commerciales qui couvrent le monde à une résolution similaire mais à un coût beaucoup plus élevé.
 

///

PRIX ET RÉCOMPENSES

Sans titre-2
Sans titre-a2
Sans titre-22
Sans titre-32
Sans titre-z2
Sans titre-dd2
Sans titredd-2
Sans titre-2ss

///

PUBLICATIONS RÉCENTES

Kayrros releases KayrrosAI (1)

Kayrros releases KayrrosAI, first-of-its-kind methane-focused RAG LLM at COP29

Lire la suite

Kayrros releases KayrrosAI, first-of-its-kind methane-focused RAG LLM at COP29

13 November 2024 – Kayrros, the world leader in environmental intelligence, has released a powerful, first-of-its-kind emissions-focused large language model (LLM) to coincide with
Lire la suite
Kayrros rises to #30 in Fortune’s ‘Change the World’ 2024 list
Kayrros rises to #30 in Fortune’s ‘Change the World’ 2024 list

Kayrros rises to #30 in Fortune’s ‘Change the World’ 2024 list

25 September 2024 – Kayrros, the world leader in environmental intelligence, has risen to 30th on Fortune’s annual ‘Change the World’ list, which highlights
Lire la suite
Smoke emissions from a fossil fuel plant, illustrating the challenges of methane emission reduction in the context of the Global Methane Pledge
Smoke emissions from a fossil fuel plant, illustrating the challenges of methane emission reduction in the context of the Global Methane Pledge

The Global Methane Pledge, Three Years On: Partial Progress Report

Three years ago, the US and EU launched the Global Methane Pledge at COP26 in Glasgow. It was the first major attempt to tackle
Lire la suite

List of papers citing our results

[1]      T. Dagobert, R. Grompone von Gioi, C. de Franchis, and C. Hessel, “Detection and Interpretation of Change in Registered Satellite Image Time Series,” Image Process. Line, vol. 12, pp. 625–651, Dec. 2022, doi: 10.5201/ipol.2022.416.

 

[2]      R. Akiki, C. de Franchis, G. Facciolo, J.-M. Morel, and R. Grandin, “Phase Unwrapping using a Joint CNN and SQD-LSTM Network,” Image Process. Line, vol. 12, pp. 378–388, Oct. 2022, doi: 10.5201/ipol.2022.425.

 

[3]      T. Lauvaux et al., “Global assessment of oil and gas methane ultra-emitters,” Science (80-. )., vol. 375, no. 6580, pp. 557–561, Feb. 2022, doi: 10.1126/science.abj4351.

 

[4]      Z. Deng et al., “Comparing national greenhouse gas budgets reported in UNFCCC inventories against atmospheric inversions,” Earth Syst. Sci. Data, vol. 14, no. 4, pp. 1639–1675, Apr. 2022, doi: 10.5194/essd-14-1639-2022.

 

[5]      Z. Liu et al., “Global patterns of daily CO2 emissions reductions in the first year of COVID-19,” Nat. Geosci., vol. 15, no. 8, pp. 615–620, Aug. 2022, doi: 10.1038/s41561-022-00965-8.

 

[6]      N. L. Nguyen, J. Anger, A. Davy, P. Arias, and G. Facciolo, “Self-Supervised Super-Resolution for Multi-Exposure Push-Frame Satellites,” in 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2022, pp. 1848–1858, doi: 10.1109/CVPR52688.2022.00190.

 

[7]      T. Ehret et al., “Global Tracking and Quantification of Oil and Gas Methane Emissions from Recurrent Sentinel-2 Imagery,” Environ. Sci. Technol., vol. 56, no. 14, pp. 10517–10529, Jul. 2022, doi: 10.1021/acs.est.1c08575.

 

[8]      R. Grompone von Gioi, C. Hessel, T. Dagobert, J.-M. Morel, and C. de Franchis, “Cloud detection by inter-band parallax and a-contrario validation,” in ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2022, vol. 5, no. 3, pp. 39–46, doi: 10.5194/isprs-Annals-V-3-2022-39-2022.

 

[9]      R. Marí, T. Ehret, J. Anger, C. de Franchis, and G. Facciolo, “L1B+: a Perfect Sensor Localization Model for Simple Satellite Stereo Reconstruction From Push-Frame Image Strips,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2022, vol. 5, no. 1, pp. 137–143, doi: 10.5194/isprs-annals-V-1-2022-137-2022.

 

[10]    E. Ouerghi et al., “Automatic methane plumes detection in time series of Sentinel-5P L1B images,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2022, vol. 5, no. 3, pp. 147–154, doi: 10.5194/isprs-Annals-V-3-2022-147-2022.

 

[11]    N. L. Nguyen, J. Anger, A. Davy, P. Arias, and G. Facciolo, “Self-Supervised Push-Frame Super-Resolution With Detail-Preserving Control And Outlier Detection,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2022, pp. 131–134, doi: 10.1109/IGARSS46834.2022.9883593.

 

[12]    T. Ehret, A. De Truchis, M. Mazzolini, J.-M. Morel, and G. Facciolo, “Automatic Methane Plume Quantification Using Sentinel-2 Time Series,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2022, pp. 1955–1958, doi: 10.1109/IGARSS46834.2022.9884134.

 

[13]    F. Marchesoni-Acland, M. D’Autume, G. Facciolo, C. de Franchis, J.-M. Morel, and E. Meinhardt-Llopis, “Interactive Segmentation for Shape From Shading over HR SAR images,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2022, pp. 975–978, doi: 10.1109/IGARSS46834.2022.9884193.

 

[14]    R. Akiki, J. Anger, C. de Franchis, G. Facciolo, J.-M. Morel, and R. Grandin, “Improved Sentinel-1 IW Burst Stitching Through Geolocation Error Correction Considerations,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2022, pp. 3404–3407, doi: 10.1109/IGARSS46834.2022.9883116.

 

[15]    T. Ehret, S. Lajouanie, V. Lefrançois, and C. de Franchis, “Automatic Monitoring of Water Level in Small Lakes Using Planetscope,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pp. 3356–3359, doi: 10.1109/IGARSS47720.2021.9554431.

 

[16]    R. Marí, C. de Franchis, E. Meinhardt-Llopis, and G. Facciolo, “Automatic Stockpile Volume Monitoring Using Multi-View Stereo From SkySat Imagery,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pp. 4384–4387, doi: 10.1109/IGARSS47720.2021.9554482.

 

[17]    R. Marí, C. de Franchis, E. Meinhardt-Llopis, J. Anger, and G. Facciolo, “A Generic Bundle Adjustment Methodology for Indirect RPC Model Refinement of Satellite Imagery,” Image Process. Line, vol. 11, pp. 344–373, Nov. 2021, doi: 10.5201/ipol.2021.352.

 

[18]    N. L. Nguyen, J. Anger, A. Davy, P. Arias, and G. Facciolo, “Self-supervised multi-image super-resolution for push-frame satellite images,” in 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Jun. 2021, pp. 1121–1131, doi: 10.1109/CVPRW53098.2021.00123.

 

[19]    R. Grompone von Gioi, C. Hessel, T. Dagobert, J.-M. Morel, and C. de Franchis, “Ground Visibility in Satellite Optical Time Series Based on A Contrario Local Image Matching,” Image Process. Line, vol. 11, pp. 212–233, Jul. 2021, doi: 10.5201/ipol.2021.342.

 

[20]    R. Akiki, R. Mari, C. de Franchis, J.-M. Morel, and G. Facciolo, “Robust Rational Polynomial Camera Modelling for SAR and Pushbroom Imaging,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pp. 7908–7911, doi: 10.1109/igarss47720.2021.9554583.

 

[21]    R. Akiki, R. Grandin, C. de Franchis, G. Facciolo, and J.-M. Morel, “A Comparative Study of Deramping Techniques for Sentinel-1 TOPS in the Context of Interferometry,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2021, pp. 3372–3375, doi: 10.1109/IGARSS47720.2021.9553049.

 

[22]    N. L. Nguyen, J. Anger, A. Davy, P. Arias, and G. Facciolo, “Proba-V-Ref: Repurposing the Proba-V Challenge for Reference-Aware Super Resolution,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pp. 3881–3884, doi: 10.1109/IGARSS47720.2021.9554479.

 

[23]    J. Anger, T. Ehret, and G. Facciolo, “Parallax Estimation for Push-Frame Satellite Imagery: Application To Super-Resolution and 3D Surface Modeling From SkySat Products,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pp. 2679–2682, doi: 10.1109/IGARSS47720.2021.9554340.

 

[24]    E. Ouerghi et al., “Detection of Methane Emissions Using Pattern Recognition,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2021, pp. 3773–3776, doi: 10.1109/IGARSS47720.2021.9553897.

 

[25]    C. Hessel, C. de Franchis, G. Facciolo, and J.-M. Morel, “A Global Registration Method for Satellite Image Series,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2021, pp. 3121–3124, doi: 10.1109/IGARSS47720.2021.9554786.

 

[26]    C. Williams, T. Dagobert, C. de Franchis, J.-M. Morel, and C. Hessel, “Fast Accurate Supervised Cloud Annotation,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2021, pp. 3237–3240, doi: 10.1109/IGARSS47720.2021.9554213.

 

[27]    M. Rodriguez et al., “A CNN Cloud Detector for Panchromatic Satellite Images,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2021, pp. 4964–4967, doi: 10.1109/IGARSS47720.2021.9554059.

 

[28]    T. Dagobert, R. Grompone von Gioi, C. Hessel, J.-M. Morel, and C. de Franchis, “Change Analysis in Registered Satellite Image Time Series,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2021, pp. 4360–4363, doi: 10.1109/IGARSS47720.2021.9554700.

 

[29]    E. Ouerghi et al., “Detection of methane plumes in hyperspectral images from Sentinel-5P by coupling anomaly detection and pattern recognition,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2021, vol. 5, no. 3, pp. 81–87, doi: 10.5194/isprs-annals-V-3-2021-81-2021.

 

[30]    M. Colom, T. Dagobert, C. de Franchis, R. Grompone von Gioi, C. Hessel, and J.-M. Morel, “Using the IPOL Journal for Online Reproducible Research in Remote Sensing,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 13, pp. 6384–6390, 2020, doi: 10.1109/JSTARS.2020.3032100.

 

[31]    T. Dagobert, R. Grompone von Gioi, C. de Franchis, J.-M. Morel, and C. Hessel, “Cloud Detection by Luminance and Inter-band Parallax Analysis for Pushbroom Satellite Imagers,” Image Process. Line, vol. 10, pp. 167–190, Nov. 2020, doi: 10.5201/ipol.2020.271.

 

[32]    T. Dagobert, R. Grompone von Gioi, J.-M. Morel, and C. de Franchis, “Temporal Repetition Detector for Time Series of Spectrally Limited Satellite Imagers,” Image Process. Line, vol. 10, pp. 62–77, Jun. 2020, doi: 10.5201/ipol.2020.245.

 

[33]    A. Tadros, S. Drouyer, R. Grompone von Gioi, and L. Carvalho, “Oil Tank Detection in Satellite Images via a Contrario Clustering,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2020, pp. 2233–2236, doi: 10.1109/IGARSS39084.2020.9323249.

 

[34]    A. Tadros, S. Drouyer, R. Grompone von Gioi, G. Facciolo, and L. Carvalho, “Circular-Shaped Object Detection in Low Resolution Satellite Images,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol. 5, no. 2, pp. 901–908, doi: 10.5194/isprs-annals-V-2-2020-901-2020.

 

[35]    M. D’Autume, A. Perry, J.-M. Morel, E. Meinhardt-Llopis, and G. Facciolo, “Stockpile Monitoring Using Linear Shape-From-Shading on Planetscope Imagery,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol. 5, no. 2, pp. 427–434, doi: 10.5194/isprs-annals-V-2-2020-427-2020.

 

[36]    J. Anger, T. Ehret, C. de Franchis, and G. Facciolo, “Fast and Accurate Multi-Frame Super-Resolution of Satellite Images,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol. 5, no. 1, pp. 57–64, doi: 10.5194/isprs-annals-V-1-2020-57-2020.

 

[37]    R. Grompone von Gioi, C. Hessel, T. Dagobert, J.-M. Morel, and C. de Franchis, “Temporal Repetition Detection for Ground Visibility Assessment,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol. 5, no. 2, pp. 829–835, doi: 10.5194/isprs-annals-V-2-2020-829-2020.

 

[38]    S. Drouyer and C. de Franchis, “Parking Occupancy Estimation on Sentinel-1 Images,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol. 5, no. 2, pp. 821–828, doi: 10.5194/isprs-annals-V-2-2020-821-2020.

 

[39]    C. Hessel, R. Grompone von Gioi, J.-M. Morel, G. Facciolo, P. Arias, and C. de Franchis, “Relative Radiometric Normalization Using Several Automatically Chosen Reference Images for Multi-Sensor, Multi-Temporal Series,” in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol. 5, no. 2, pp. 845–852, doi: 10.5194/isprs-annals-V-2-2020-845-2020.

 

[40]    S. Drouyer and C. de Franchis, “Highway Traffic Monitoring on Medium Resolution Satellite Images,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2019, pp. 1228–1231, doi: 10.1109/IGARSS.2019.8899777.

 

[41]    P. Chiberre, E. Meinhardt-Llopis, C. de Franchis, and G. Facciolo, “3D Modeling of Earth’s Surface: Study of the Antarctica,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2019, pp. 1088–1091, doi: 10.1109/IGARSS.2019.8900179.

 

[42]    T. Dagobert, J.-M. Morel, C. de Franchis, and R. Grompone von Gioi, “Visibility Detection in Time Series of Planetscope Images,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2019, pp. 1673–1676, doi: 10.1109/IGARSS.2019.8898892.

 

[43]    J. Anger, C. de Franchis, and G. Facciolo, “Assessing the Sharpness of Satellite Images: Study of the Planetscope Constellation,” in International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2019, pp. 389–392, doi: 10.1109/IGARSS.2019.8900526.

 

[44]    R. Mari, C. de Franchis, E. Meinhardt-Llopis, and G. Facciolo, “To bundle adjust or not: A comparison of relative geolocation correction strategies for satellite multi-view stereo,” in International Conference on Computer Vision Workshop, ICCVW, 2019, pp. 2188–2196, doi: 10.1109/ICCVW.2019.00274.