Quatre couches de connaissance. Aucune boîte noire.
Le moteur est conçu en quatre couches : une base de référence agronomique, des modèles statistiques et d’apprentissage automatique, une validation par des experts et des données de saison propriétaires. Aujourd’hui, le Planificateur de saison s’appuie sur la première, des règles agronomiques documentées (FAO, MINADER) appliquées à des données sourcées. Les modèles seront entraînés sur les données du pilote de 2027, et chaque saison enregistrée les rendra plus précis.
De sept domaines de données à une décision sur une parcelle.
Sélectionnez un composant pour voir son rôle, sa technologie et sa version. Aujourd’hui, le planificateur fonctionne dans votre navigateur, et sur notre serveur pour les rapports PDF ; les chaînes de données et de modèles des prochaines versions seront écrites en Python.
Agriculteurs · investisseurs · coopératives · prêteurs · institutions
Plan de saison
Version · Disponible aujourd’huiSurface réalisable, calendrier, budget, plan d’eau, risques, meilleure fenêtre et confiance, calculés dans le navigateur et sur le serveur pour les rapports PDF.
Pourquoi les plans sont fiables avant même les modèles.
| Couche | Rôle | Source de fiabilité | Version |
|---|---|---|---|
| Base de référence agronomique | Durées de cycle, besoins en eau, seuils de température, conduite des cultures, coûts standard par culture et par zone. | Recherche établie (FAO et instituts nationaux), validée par des agronomes. | Disponible aujourd’hui |
| Modèles statistiques et d’apprentissage automatique | Risque climatique, risque de ravageurs et de maladies, rendement, prix à la récolte, meilleure fenêtre. | À entraîner et tester sur les données historiques et celles du pilote, avec une erreur mesurée. | MVP 2027 |
| Validation par des experts | Revue des cas que les modèles couvrent mal, calibrage local. | Des agronomes qui connaissent chaque zone. | Version 2 |
| Données de saison propriétaires | Coûts, rendements, prix et incidents réels enregistrés par les utilisateurs. | Locales, récentes et propres à Djalumo Agro. | S’enrichit à chaque saison |
Cinq questions, cinq modèles, cinq métriques de succès.
| Modèle | Question | Méthode | Données d’entraînement | Métrique de succès |
|---|---|---|---|---|
| Risque climatique d’une fenêtre de plantation | Quelle probabilité d’excès de pluie, de chaleur à la floraison ou de sécheresse pour cette date et ce lieu ? | Classification : référence logistique, gradient boosting | 40 ans de météo journalière ; seuils agronomiques par stade | Rappel sur les saisons défavorables, ROC AUC |
| Risque de ravageurs et de maladies | Quelle sera la pression du mildiou, des mouches blanches ou des chenilles ? | Indice de risque agronomique, puis classification supervisée | Météo, stade de la culture, incidents signalés par les utilisateurs | Précision et rappel sur les foyers signalés |
| Rendement attendu | Quelle fourchette de rendement attendre de cette saison ? | Régression : référence linéaire régularisée, forêt aléatoire, XGBoost, avec intervalles de prédiction | Séries de rendement avec le climat, puis journaux de saison à la parcelle | MAE et RMSE face à une référence historique |
| Prix à la récolte | Quel prix est probable pendant les semaines de récolte, sur quel marché ? | Modèles de séries temporelles saisonnières et gradient boosting | Séries de prix de marché et relevés de prix de terrain | Erreur absolue moyenne en pourcentage |
| Meilleure culture et fenêtre | Quelle option offre la meilleure marge pour un risque acceptable avec ce budget ? | Optimisation sous contraintes sur les sorties des modèles | Sorties des modèles précédents et base de coûts | Marge à risque, validation par l’utilisateur |
Aucune prédiction sans ses facteurs et son incertitude.
Les attributions de variables (SHAP) expliquent chaque estimation, et des intervalles de prédiction remplacent les chiffres uniques. Cette transparence crée la confiance des agriculteurs et conditionne celle des prêteurs et des assureurs.
Risque élevé
Au cours de la plupart des 40 dernières années, de fortes pluies sont tombées pendant la floraison pour cette date de plantation.
Présentation illustrative d’une explication. Directions uniquement ; aucune sortie de modèle n’est affichée.
Planifier. Analyser. Construire. Exécuter.
Le développement des modèles suit le cadre PACE du Google Advanced Data Analytics Professional Certificate obtenu par le fondateur. Chaque modèle est comparé à une référence simple, validé dans l’ordre chronologique sur des années jamais vues, et audité pour ses erreurs par zone, culture et saison avant sa mise en service.
Planifier
Définir la décision, les utilisateurs, la métrique de succès et les limites éthiques.
Analyser
Auditer les sources, nettoyer les données, explorer les tendances par zone, culture et saison.
Construire
Bâtir des références et des modèles, valider sur des années jamais vues, expliquer avec SHAP.
Exécuter
Publier derrière un jalon, surveiller les erreurs, réentraîner au fil des saisons enregistrées.
Des principes qui tiennent sous pression.
- Les prédictions éclairent les décisions et ne les remplacent jamais.
- L’incertitude est toujours affichée.
- Aucun score n’est utilisé automatiquement pour exclure un agriculteur du crédit ou de l’assurance.
- Les zones et profils moins représentés sont suivis explicitement.
- Les agriculteurs peuvent consulter, corriger et exporter leurs propres données.
Djalumo Agro pour vos fermes, votre portefeuille ou votre programme.
Participation au pilote de Foumbot dès mars 2027, partenariats de données, investissement et collaboration institutionnelle.