L'hydrogène naturel (H₂) constitue une ressource énergétique prometteuse, propre et durable. Cependant, son exploration reste difficile en raison d'un manque de connaissances et de l'absence d'outils quantitatifs robustes. Les dépressions sub-circulaires (SCD), souvent associées à des concentrations élevées de H₂ dans les sols et supposées refléter des flux profonds en sous-sol, apparaissent comme des indicateurs de surface clés des émanations d'H₂. Cependant, les distinguer d'autres formes de relief similaires (cratères, karsts, lacs salés etc.) reste un défi. Dans cette étude, nous combinons des images multispectrales open source, des images à haute résolution et des mesures de terrain d'hydrogène pour entraîner un modèle d'apprentissage profond (YOLOv8) capable de détecter et de classifier les SCD liés à l'hydrogène. Le premier modèle, utilisant des images Google Earth et Sentinel-2, atteint une précision de 90 %. Appliqué à un jeu de données au Brésil, il permet une prospection à grande échelle : 52 % des structures non liées au H₂ sont éliminées, et plusieurs zones à fort potentiel sont identifiées pour une validation terrain. Le second modèle, basé uniquement sur des images Google Earth, atteint une précision moyenne de 95 % et détecte des zones d'émanation dans des régions inédites comme le Kazakhstan ou l'Afrique du Sud, démontrant son potentiel d'application mondiale. Des analyses spatiales préliminaires et inédites indiquent par ailleurs que la distribution des SCD liés à l'H₂ est contrôlée par des structures géologiques, pouvant potentiellement émettre plusieurs millions de tonnes de H₂ à l'échelle d'un bassin sédimentaire. Cette approche ouvre la voie à une méthodologie plus rapide, plus ciblée et extensible pour l'exploration mondiale de l'hydrogène naturel.