afsis logo

Technologie pour l’agriculture

Les innovations énormes en terme d’apprentissage automatique, de cloud computing, et de GIS (Systèmes d´information géographique) de cette dernière décennie sont des paradigmes changeants dans le développement de l´agriculture et de l’écologique pour lesquelles les ingérences de technologies et d’idées nouvelles sont nécessaire pour lutter efficacement contre l’épuisement précoce du sol et l´insécurité alimentaire qui est annoncée par les organisations scientifiques mondiales. Etant donné qu’il est prévu que la population mondiale atteigne les 9 milliards d’individus en 2050, une métamorphose radicale de notre gestion agriculture et des terres est plus que jamais nécessaire.

Motivé par cet appel, QED a développé des technologies pour soutenir des analyses agro écologiques qui ont été adaptées aux différents types de paysages et d’échelles spatio-temporelles. Travaillant en partenariat avec le projet Africa Soil Information Service (AfSIS Service d´information sur le sol en Afrique), QED a développé un flux de traitement de donnés intégral pour embrasser tout le traitement et la gestion des infos écologiques sur le sol et la terre. Celui-ci comprend la collecte de données de terrain, l’analyse en laboratoire, la gestion de bases de données, des modèles prédictifs, la visualisation de cartes, et des outils de décision statistique. Ces technologies ont été introduites et mis en œuvre dans plusieurs pays Africains en partenariat avec leurs gouvernements dans le but de combler le manque de données et d´influer positivement sur les pratiques et les politiques industrielles. Nous décrivons ci-dessous certaines de ces technologies plus en détails.

Predictive Maps of Croplands, Human Settlements, and Soil Chemistry

QED a élaboré des technologies fondamentales pour AfSIS qui ont permis aux scientifiques de cataloguer les sols et ressources du paysage d’Afrique de façon plus efficace et plus fiable, et de mener de nouvelles études écologiques avec le soutien des dernières technologies disponibles, telles que des applications web et mobiles, de collaboration ouverte, d’apprentissage automatique, de cloud computing, de vision par ordinateur, UAVs, quadcopter, de modélisation et d’impression 3D, et des applications professionnelles d´ingénierie informatique. Nous espérons sincèrement que les technologies que nous développons puissent se convertir en outils permettant de changer le paradigme dans le domaine de l´agriculture de précision.

Comme exemple de ces techniques, AfSIS est en mesure de générer des cartes digitales telles que celles sur la droite, en pouvant recueillir rapidement des analyses d´images satellitaires obtenues à travers la production participative et certifiés par des experts comme des donnés d´entrainement, puis construisant des modèles d´apprentissage automatique de pointe que sont viables pour être présentées en compétitions internationales et aussi fournir des prédictions complémentaires avec des mesures de l´incertitude.

Readers are encouraged to browse more examples of novel applications below.

Flux de Traitement des données de bout-en-bout.

QED a construit des paquets de logiciels interconnectés qui fournissent un soutien de bout en bout pour recueillir, administrer, calculer, et disséminer les informations relatives aux sols et aux paysages. Les composants de ce flux de travail sont librement interchangeables. Notre conception est inspirée de plusieurs principes clés des règles ESR de UNIX reproduites ci-dessous:

  • Règle de Modularité: Écrire des parties simples connectées via des interfaces propres.
  • Règle de Composition: Concevoir des logiciels pour être connecté à d´autres programmes.
  • Règle de Simplicité: Concevoir simplement; ajouter de la complexité uniquement quand cela est nécessaire.
  • Règle de Transparence: Concevoir pour que la visibilité rende l´inspection et le débogage plus faciles.
  • Règle de Diversité: Se méfier de toute affirmation pour pouvoir choisir le vrai chemin.
workflow

Collecte de Données

  • Étude topographique d´images aériennes (satellites + drones) à travers la production participative pour générer des cartes de couverture terrestre de manière efficace, et des cartes qui puissent déterminer les régions d´intérêt comme les masques des terres cultivées.
  • Conception aléatoire de cartographie: Analyse de la puissance statistique du budget d’échantillonnage, et algorithme d’échantillonnage en plusieurs étapes pour obtenir une large couverture avec une collecte efficace.
  • Applications mobiles de collecte de données pour entrer les informations de manière efficace, et surveillance de la collecte de données en temps réel.
  • Protocoles d´échantillonnage testés dans douze pays, partout en Afrique.

Gestion des Données

  • Codes QR personnalisables et codes-barres pour identifier les échantillons sur le terrain.
  • Système sécurisé et économique de gestion de données, avec stockage sur le cloud.
  • Soutien des données relationnelles, binaires, et géo-spatiales dans une infrastructure évolutive sur le cloud.
  • Interface visuelle web pour explorer de manière facile les données, uploader les données, et procéder à des demandes géo-spatiales.

Calcul de Données

  • Générer des cartes de propriétés agro écologiques en utilisant des informations de production participative et de calculs ML évolutif sur le cloud.
  • Prévoir les concentrations chimiques de nutriments essentiels dans le sol et suivre le progrès des éléments dans le sol à travers des mesures spectroscopiques efficaces, en utilisant les meilleures modèles calibrés pour dater, en se basant sur des mesures d’incertitude.
  • Augmenter les prédictions avec des modèles d´apprentissage automatique contrôlés à travers des concours de programmation.

Dissémination des Données

  • Visualisations interactives de métriques agricoles, présentées comme des surfaces interpolées depuis le point data et renvoyées en temps réel quand des obstacles aérospatiaux ou chimiques sont rencontrés.
  • En construisant des outils d´analyses des décisions pour optimiser l´assignation budgétaire à travers des méthodologies de laboratoire, des mélanges de fertilisants, et des variétés de culture.
+ Collecte de Données

Collecte de Données

  • Étude topographique d´images aériennes (satellites + drones) à travers la production participative pour générer des cartes de couverture terrestre de manière efficace, et des cartes qui puissent déterminer les régions d´intérêt comme les masques des terres cultivées.
  • Conception aléatoire de cartographie: Analyse de la puissance statistique du budget d’échantillonnage, et algorithme d’échantillonnage en plusieurs étapes pour obtenir une large couverture avec une collecte efficace.
  • Applications mobiles de collecte de données pour entrer les informations de manière efficace, et surveillance de la collecte de données en temps réel.
  • Protocoles d´échantillonnage testés dans douze pays, partout en Afrique.
+ Gestion des Données

Gestion des Données

  • Codes QR personnalisables et codes-barres pour identifier les échantillons sur le terrain.
  • Système sécurisé et économique de gestion de données, avec stockage sur le cloud.
  • Soutien des données relationnelles, binaires, et géo-spatiales dans une infrastructure évolutive sur le cloud.
  • Interface visuelle web pour explorer de manière facile les données, uploader les données, et procéder à des demandes géo-spatiales.
+ Calcul de Données

Calcul de Données

  • Générer des cartes de propriétés agro écologiques en utilisant des informations de production participative et de calculs ML évolutif sur le cloud.
  • Prévoir les concentrations chimiques de nutriments essentiels dans le sol et suivre le progrès des éléments dans le sol à travers des mesures spectroscopiques efficaces, en utilisant les meilleures modèles calibrés pour dater, en se basant sur des mesures d’incertitude.
  • Augmenter les prédictions avec des modèles d´apprentissage automatique contrôlés à travers des concours de programmation.
+ Dissémination des Données

Dissémination des Données

  • Visualisations interactives de métriques agricoles, présentées comme des surfaces interpolées depuis le point data et renvoyées en temps réel quand des obstacles aérospatiaux ou chimiques sont rencontrés.
  • En construisant des outils d´analyses des décisions pour optimiser l´assignation budgétaire à travers des méthodologies de laboratoire, des mélanges de fertilisants, et des variétés de culture.
Aerial Imagery
Images Aériennes

Profite des réseaux satellitaires, drones à voilure fixe et quadcopters pour numériser rapidement des régions d´intérêt et générer des cartes avec des indicateurs écologiques et des modèles d’élévation digitale.

Access Anywhere
Accès en tout lieu

L´information est sauvegardée de façon fiable sur l´infrastructure du nuage et répliquée dans de multiples zones de disponibilité. En comptant avec une validité d´inputs d´information de laboratoire automatique et d’échantillons de terrain.

Predict
Prévoir

Prévoit la chimique du sol et l´utilisation des terres en utilisant des techniques d´apprentissage automatique de pointe exécutées à distance à travers une infrastructure hardware.

Contactez-Nous

Pour obtenir plus d’informations sur nos services ou pour solliciter une démonstration, merci de nous envoyer un email à: info@qed.ai