Agriculture 2020 Le prix

Présentation de notre cycle inaugural de financement de projets relatifs aux ensembles de données agricoles pour l’IA

Nous sommes très heureux de partager avec vous le premier portefeuille de projets soutenus par le Lacuna Fund dans le domaine de l’IA agricole pour le bien social. Avec plus de 100 candidatures provenant d’organisations ou de partenariats avec des organisations de toute l’Afrique, nous avons été profondément impressionnés par l’envergure et la valeur des propositions.
Les bénéficiaires de ce premier cycle de financement vont libérer la puissance de l’apprentissage machine pour surmonter les défis liés à la sécurité alimentaire, favoriser les perspectives économiques et donner accès aux scientifiques, aux agriculteurs, aux communautés et aux responsables politiques à des ensembles de données agricoles d’un niveau supérieur. Nous sommes fiers de soutenir leur travail.

Helmets Labeling Crops - Les capots étiqueteurs de cultures

Ce projet vise la création d’ensembles de données sans précédent concernant les types de culture, les nuisibles, les maladies et les prix du marché dans les principales régions de production alimentaire cinq pays africains et étiquetées pour l’apprentissage machine. Ce projet est une initiative reposant sur la collaboration entre le programme Afrique de la NASA Harvest/Université du Maryland, le Forum régional des Universités pour le renforcement des capacités en agriculture (RUFORUM), le Centre d’observation de la terre et des sciences citoyennes de l’Institut international pour l’analyse des systèmes appliqués, le Centre régional de cartographie des ressources pour le développement (RCMRD), le Conseil des céréales de l’Afrique de l’Est (EAGC), le Secours luthérien mondial du Mali, le Centre international d’amélioration du maïs et du blé (CIMMYT) et la Radiant Earth Foundation.

L’équipe aura recours à des approches novatrices et innovantes, comme la collecte rapide de points de données à l’aide de caméras montées sur le capot de véhicules (d’où le terme « helmets ») combinée à la production participative d’étiquettes de points et de polygones. Grâce à ses partenariats avec des universités locales, ce projet créera des opportunités de formation des futurs chercheurs africains à la télédétection et à l’apprentissage machine.

« Ce que je préfère dans mon travail, c’est le temps passé sur le terrain. Il y a tellement de choses à y apprendre sur les gens, les cultures et pourquoi tout cela est si important. Le projet « Helmets Labeling Crops » constitue une opportunité unique de combler un manque critique, d’apprendre et de développer une approche rentable et modulable des données étiquetées nécessaires pour améliorer la base de la surveillance agricole. Ce projet sera également l’occasion de former et de travailler avec des étudiants de toute l’Afrique, une opportunité passionnante d’encourager les étudiants à s’intéresser à la télédétection, à la science des données et à l’apprentissage machine. »
Catherine Lilian Nakalembe
University of Maryland

Système de contrôle de la qualité de l’eau basé sur l’IdO pour les bassins à poissons d’eau douce en aquaponie

En Afrique subsaharienne, nombreux sont ceux qui vivent sous le seuil de pauvreté et qui consomment donc une faible quantité de protéines. L’aquaculture, l’élevage de poissons pour la consommation locale de protéines et à des fins commerciales, constitue une solution. L’Université du Nigeria à Nsukka va construire un système de gestion de la qualité de l’eau basé sur l’IdO contrôlé et géré à distance pour les bassins conventionnels et les systèmes de bassins aquaponiques afin de générer des ensembles de données étiquetées et va s’associer à des agriculteurs locaux afin de tester le système sur le terrain. Ces ensembles de données permettront aux chercheurs en apprentissage machine d’établir des modèles visant à prédire le rendement des poissons en termes de prise de poids, les paramètres de la qualité de l’eau et la consommation alimentaire.

« Nous sommes ravis et reconnaissants envers le Meridian Institute de nous donner l’opportunité, par le biais du Lacuna Fund, de mettre en œuvre de manière concrète ce projet qui nous passionne tant. Nous espérons qu’il permettra de dégager des opportunités pour les pisciculteurs locaux puisqu’il va mettre en lumière ce qui se passe dans les viviers. Ce projet va effectivement expliquer de nombreuses choses aux pisciculteurs et leur permettre d’améliorer leurs rendements, mais il va aussi mettre des ensembles de données locales à la disposition de la communauté de l’apprentissage machine. »
Collins Udanor
The University of Nigeria

Ensembles de données pour l’apprentissage machine en vue du diagnostic des nuisibles et des maladies dans les cultures, constitués sur la base d'images des cultures et de données de spectrométrie

Ce projet produira des ensembles de données d’imagerie et de spectrométrie de qualité, accessibles et ouverts en provenance de l’Ouganda, de la Tanzanie, de la Namibie et du Ghana pour différentes cultures qui contribuent à la sécurité alimentaire de l’Afrique subsaharienne, y compris le manioc, le maïs, les haricots, les bananes, le millet perlé et le cacao. L’objectif de l’équipe, composée de scientifiques spécialistes des données et de chercheurs de l’Université Makerere, de l’Institut africain des sciences et technologies Nelson Mandela, de l’Université des sciences et technologies de Namibie et de la karaAgro AI Foundation, est que ces ensembles de données d’imagerie et de spectrométrie soient utilisés pour l’identification précoce des maladies, le diagnostic des maladies et la modélisation de la propagation des maladies, autant de choses qui aideront au final à mettre au point des variétés de cultures résistantes.

« Ce projet constitue une collaboration unique entre quatre pays de l’Afrique subsaharienne dont l’objectif est de fournir des ensembles de données d’imagerie des cultures et de spectrométrie pour six cultures importantes pour la sécurité alimentaire. Les ensembles de données sont nécessaires pour bâtir des modèles d’apprentissage machine pour le diagnostic précoce des maladies et seront utiles non seulement pour l’IA et les communautés d’apprentissage machine, mais aussi pour les petits exploitants et les experts agricoles. »
Joyce Nakatumba-Nabende
Makerere University

Outil d’aide à la prise de décision pour des plans communautaires d’occupation des sols

L’élevage joue un rôle crucial dans la lutte contre la pauvreté, particulièrement dans le cas de la pauvreté rurale en Afrique subsaharienne où la survie de la population dépend des animaux. Dans cette partie de l’Afrique, la majorité du bétail est élevé selon des systèmes traditionnels qui reposent sur le partage des zones de ressources communales, telles que les pâturages et les ressources en eau.

Ce projet, dirigé par l’Institut des sciences et technologies Nelson Mandela, l’Université de Glasgow, l’Université de Hohenheim et la société anonyme NOTTECH, appliquera des méthodes participatives et des données télémétriques pour générer des ensembles de données étiquetées des caractéristiques du paysage. Ces ensembles de données étiquetées seront ensuite utilisés pour élaborer un plan communautaire d’occupation des sols en Tanzanie afin de soutenir la gestion des ressources pour l’élevage et de réduire les conflits avec les agriculteurs.

« La gestion de l’occupation des sols et le partage des ressources sont deux choses capitales pour les économies basées sur les ressources de la terre. C'est d’autant plus vrai lorsque l’élevage constitue la majeure partie des systèmes mixtes culture-élevage. Nous sommes ravis et très enthousiastes à l’idée de collaborer au processus de planification de l’occupation des sols par le biais d’un outil orienté sur les données et basé sur les faits. »
The Nelson-Mandela African Institution of Science and Technology

Correction du décalage de localisation

L’utilité des ensembles de données existants concernant les rendements des cultures est souvent compromise par des inexactitudes découlant du processus de collecte des données. Pour rectifier cela, le projet « Correction du décalage de localisation » s’attachera à mettre au point une méthode de correction des inexactitudes de localisation en utilisant les données satellites disponibles. Cette méthode sera ensuite utilisée pour créer une nouvelle version rectifiée d’un ensemble de données concernant le rendement des cultures de maïs en Afrique de l’Est, laquelle sera accompagnée d’un outil permettant à d’autres de recréer le processus en utilisant des ensembles de données supplémentaires. Cette recherche sera menée par une équipe composée de membres de Zindi et de la plateforme du GCRAI pour le big data.

« Nous avons hâte de collaborer avec le Lacuna Fund afin d’améliorer la représentativité des ensembles de données agricoles en Afrique. Nous ferons appel aux incroyables et talentueux scientifiques des données de l’Afrique et du monde entier afin d’approvisionner de manière collective une solution d'apprentissage automatique visant à corriger les erreurs de localisation, un problème fréquent dans les ensembles de données agricoles. Cette solution nous permettra de corriger et de publier l’un des ensembles de données les plus vastes pour l’estimation du rendement des cultures de maïs en Afrique de l’Est. »
Celina Lee
Zindi

Eyes on the Ground - Regards sur le sol : Des données d’entraînement pour un modèle de qualité grâce aux smartphones

Dans le projet « Eyes on the Ground », l’équipe d’ACRE Africa et de l’Institut international de recherche sur les politiques alimentaires (IFPRI) aura recourt aux smartphones pour créer un ensemble unique de données d’images des cultures géoréférencées comportant des étiquettes sur l’utilisation d’intrants, la gestion des cultures, la phénologie, les dégâts sur les cultures et les rendements. Les images seront collectées dans 11 comtés du Kenya. Les fonds serviront à soutenir la collecte des données, la normalisation des méthodes de soumission des images et l’organisation des ensembles de données dans le respect des bonnes pratiques en matière de collecte et de catalogage de données de référence au sol, dans le respect des considérations éthiques.

« Il s’agit d’un concept novateur qui vise à mettre à la disposition des petits exploitants agricoles des stratégies d’atténuation des risques et d’adaptation grâce à l'utilisation des satellites et des smartphones afin qu’ils soient assurés de faire les bons investissements pour une agriculture à haute productivité. Les photos du sol sont non seulement les yeux d’ACRE Africa sur le terrain, qui nous permettent d’affiner nos produits/modèles d’assurance et de minimiser les risques de base, mais elles nous permettent également d’observer les pratiques de gestion qui favorisent l’adoption de technologies améliorant la productivité et résilientes tout à la fois, en les associant à des semences résistantes au stress et à des conseils à distance. Afin de jeter un pont entre les produits d’assurance, les technologies résilientes et les petits exploitants agricoles, nous misons sur le modèle des prestataires de service dans les villages (Village Extension Service Providers - VESPs), un modèle d’accès au marché à la fois souple et robuste qui aide à la sensibilisation, au renforcement des capacités et à la distribution de nos produits. Fondamentalement, ce modèle vise à créer des opportunités entrepreneuriales. »
Lilly Waithaka
ACRE