Adaptation environnement, scripts de données, configuration régionale, correctifs petites AOI

Pipeline d'aptitude culturale — opérationnalisation d'un modèle géospatial

Chaîne données climat/sol → modèle : OOM sur emprise nationale (~11 Go RAM), recentrage régional et cartes d'aptitude obtenues.

~11 Go
RAM machine de calcul
OOM
emprise nationale ~1 km
regional
emprise validée

Contexte

Aide à la décision agricole : un moteur open-source de référence comme brique scientifique ; apport = pipeline reproductible sur emprise malienne.

Le problème

Le moteur ne tournait pas « out of the box » (Python/numpy/dask). Un run sur l'emprise nationale entière ~1 km chargeait trop de grilles climatiques en RAM et était tué (SIGKILL / OOM). Les petites emprises plantaient aussi (`ZeroDivisionError` / `no_tiles=0`).

L'approche

  • Venv Python piné (numpy 1.26.4, dask, rasterio, etc.) compatible avec la version du moteur.
  • Scripts : cutout climatique régional, climatologies Temp/Prec, sols via WCS, activation cultures locales (mil, sorgho, riz…).
  • Réduction d'emprise régionale + cultures limitées pour tenir en ~11 Go RAM ; correctifs downscaling / tuiles sur petites AOI.
  • Préinstallation shapefiles Cartopy pour le viewer hors-ligne.

Pourquoi ce choix

Réutiliser le moteur open-source plutôt que réécrire un modèle flou : l'apport est l'opérationnalisation (données, emprise, correctifs), pas l'invention du moteur scientifique.

Résultat mesuré

  • Validation config + entrées OK ; downscaling climatique démarré
  • Emprise nationale @ ~1 km : OOM documenté ; emprise régionale réduite : cartes d'aptitude produites
  • Correctifs code petites zones (division par zéro / no_tiles)