IA et météo
| Niveau | Débutant |
|---|---|
| Matériel | Un ordinateur ; une station météo locale est un plus |
| Coût | 0 F (Open-Meteo gratuit pour un usage non commercial) |
La météo décide de presque tout au champ : semis, arrosage, traitements, récolte. Les prévisions modernes reposent sur de grands modèles numériques ; l'IA les complète désormais. Cette page explique d'où viennent les données et comment les utiliser dans vos programmes.
Comment est faite une prévision[modifier | modifier le wikicode]
Les services météo résolvent les équations de l'atmosphère sur une grille couvrant la planète, à partir d'observations (stations, satellites, ballons). Plus on s'éloigne dans le temps, moins la prévision est fiable : de bonnes prévisions à 1-3 jours, plus incertaines à 7 jours. Des modèles d'IA entraînés sur des décennies de données atmosphériques sont maintenant utilisés par certains centres de prévision pour accélérer ce calcul ; pour vous, l'important est de lire l'incertitude, pas de choisir le modèle.
Sources ouvertes[modifier | modifier le wikicode]
- Open-Meteo : interface de programmation gratuite pour un usage non commercial, limitée à 10 000 appels par jour et sans garantie de disponibilité ; l'usage commercial demande une formule payante[1]. Prévisions et données historiques[2].
- ANACIM : l'Agence nationale de l'aviation civile et de la météorologie du Sénégal publie des prévisions et des bulletins agrométéorologiques ; consultez son site officiel pour les produits disponibles et leurs conditions d'accès (ces pages n'ont pas pu être ouvertes depuis nos serveurs le 21/11/2026 : vérifiez leur accessibilité).
- Votre propre station : un capteur de température, d'humidité et de pluie sur la ferme, relié en LoRaWAN, donne la mesure locale que les grilles ne voient pas.
Pas à pas : récupérer la pluie prévue[modifier | modifier le wikicode]
# Exemple générique : lire la pluie et la température prévues pour les 3 prochains jours.
# Prérequis : pip install requests
import requests
# Coordonnées d'une zone générale (valeurs fictives, à remplacer par celles de votre zone)
LATITUDE, LONGITUDE = 14.75, -17.05
reponse = requests.get(
"https://api.open-meteo.com/v1/forecast",
params={
"latitude": LATITUDE,
"longitude": LONGITUDE,
"daily": "precipitation_sum,temperature_2m_max", # pluie cumulée et température maximale par jour
"timezone": "auto",
"forecast_days": 3,
},
timeout=20, # ne jamais attendre indéfiniment
)
reponse.raise_for_status() # lève une erreur si le service répond mal
jours = reponse.json()["daily"]
for date, pluie, tmax in zip(jours["time"], jours["precipitation_sum"], jours["temperature_2m_max"]):
print(date, "pluie prévue :", pluie, "mm, maximum :", tmax, "°C")
if pluie is not None and pluie >= 5:
print(" -> inutile d'arroser ce jour-là")
Faites une requête par jour au plus (ou toutes les quelques heures) : vous resterez très en dessous de la limite gratuite et vous respecterez le service.
Corriger une prévision avec vos propres mesures[modifier | modifier le wikicode]
Une prévision de grille peut être systématiquement trop chaude ou trop sèche pour votre site. Si vous avez des mesures locales sur une saison, comparez-les aux prévisions et calculez l'écart moyen : une simple correction (par exemple une régression de la mesure sur la prévision) améliore souvent la qualité sans modèle complexe. C'est un bon premier projet d'IA : voir IA et conseil d'arrosage.
Limites[modifier | modifier le wikicode]
- Les orages et les pluies de la saison humide sont très locaux : la prévision d'une pluie à 5 km près reste difficile.
- Ne basez jamais une décision critique sur un seul jour de prévision.
- Les services gratuits peuvent changer leurs conditions : datez vos sources.