Découverte de :

-Producteurs et maraîchers, en particulier pour les cultures de contre-saison qui dépendent de l'eau souterraine. -Éleveurs, pour anticiper l'eau disponible pour les troupeaux. -Communes et services de l'eau, pour anticiper les tensions sur l'eau potable et prioriser leurs interventions. -Projets de forage, ONG et partenaires de l'hydraulique, pour mieux choisir les sites et les périodes de forage. -Services techniques de l'État, qui disposeraient d'un outil de suivi et de prévision des nappes à l'échelle nationale.

1-Prévoir le niveau des nappes phréatiques mois par mois, jusqu'à 12 mois à l'avance, pour chaque forage suivi. 2-Rendre cette prévision possible là où aucune mesure régulière n'existe, en s'appuyant uniquement sur des données satellites gratuites. 3-Réduire le nombre de forages secs et les pertes d'investissement associées. 4-Aider les producteurs à planifier leurs cultures et l'irrigation selon l'eau réellement disponible, et renforcer ainsi la sécurité alimentaire. 5-Rendre l'information accessible à tous, y compris sans smartphone, grâce à des alertes SMS et vocales en langues locales. 6-Développer au Burkina une expertise et des outils d'IA appliqués à l'eau, maîtrisés localement.

NappIA Faso fonctionne en quatre étapes: 1-Collecte des données. Pour chaque forage, la plateforme rassemble chaque mois la pluie (base CHIRPS), la température (ERA5), l'évapotranspiration, c'est-à-dire l'eau évaporée par le sol et les plantes (MODIS), et un indice de vigueur de la végétation mesuré par satellite, le NDVI (Sentinel-2). Toutes ces données sont gratuites et couvrent tout le territoire. Quand ils existent, les relevés de niveau d'eau des forages servent à caler les modèles. 2-Préparation des données. La plateforme calcule la « pluie efficace » (la pluie moins l'eau évaporée), des cumuls de pluie sur 3 à 24 mois, un « effet éponge » (un sol saturé n'absorbe plus l'eau) et la saisonnalité. Les forages sont aussi regroupés automatiquement par profil de comportement (méthode K-Means). 3-Prévision par IA. Plusieurs modèles spécialisés dans les séries temporelles ont été développés et comparés : >un réseau de neurones à mémoire (LSTM) ; >un Temporal Fusion Transformer (TFT), dont les prévisions sont explicables ; >un modèle de fondation pré-entraîné (Chronos-2), adapté par un fine-tuning léger ; >un modèle XGBoost dit « Blind », qui prévoit la nappe sans aucune mesure récente au forage, uniquement à partir des données satellites. C'est l'atout clé pour le Burkina, où les mesures sont rares. Un modèle d'anomalie complète le dispositif : il mesure l'écart par rapport à la normale de la saison, ce qui permet de détecter les sécheresses ou les recharges exceptionnelles. 4-Restitution. Les prévisions sont accessibles de trois façons : un tableau de bord web pour les communes et les services techniques, une carte des nappes, et des alertes SMS ou vocales en langues locales pour les producteurs et les éleveurs. Technologies : -Python ; -Modèles d'IA : PyTorch Forecasting et Lightning (LSTM, TFT), Chronos-2, XGBoost, scikit-learn ; -Données satellites : Google Earth Engine, Copernicus (ERA5, Sentinel-2), CHIRPS, MODIS ; -Traitement géographique : xarray, rasterio, GeoPandas ; -Base de données : PostgreSQL/PostGIS ; -Automatisation et suivi des modèles : Airflow, MLflow ; -API : FastAPI ; -Tableau de bord et carte : React, Leaflet ; alertes : passerelle SMS opérateur et serveur vocal avec messages préenregistrés en langues locales ; -Déploiement : Docker, hébergement cloud puis local.

-Prévoir sans capteur : Le modèle « Blind » prévoit le niveau de la nappe sans installer d'équipement ni faire de relevé récent sur le terrain. Cela rend la solution applicable partout au Burkina, à très faible coût. -IA de pointe appliquée à l'eau : Le projet utilise des modèles de fondation pour séries temporelles (Chronos-2) et des Transformers explicables (TFT), qui montrent quelles variables et quels mois passés influencent chaque prévision. -Prise en compte du climat sahélien : L'« effet éponge » et le modèle d'anomalie rendent les prévisions robustes face aux pluies extrêmes et aux sécheresses. -Des prévisions en fourchettes : La plateforme donne un scénario bas, médian et haut plutôt qu'une valeur unique, pour aider à décider en connaissance de cause. -Une restitution inclusive: Les alertes SMS et vocales en langues locales touchent aussi les producteurs sans smartphone ou qui ne lisent pas. -La souveraineté des données : Les données et les modèles sont maîtrisés localement, par un ingénieur burkinabè de la diaspora.

Stade : prototype (preuve de concept validée). Les modèles ont été développés et évalués dans le cadre de mon Master en Intelligence Artificielle (Université d'Avignon), sur un jeu de données de référence d'environ 2 500 forages suivis mois par mois (Australie). Les 12 derniers mois de chaque forage ont servi de test : -LSTM : erreur moyenne de 0,32 m entre le niveau prévu et le niveau réel. Le modèle explique 99,6 % des variations de la nappe (R² = 0,996). -Modèle « Blind » (sans mesure récente) : erreur moyenne de 7 à 59 cm selon les profils de forages, avec un R² de 0,993 à 1,000. Prochaines étapes : 1-Collecter les données burkinabè et ré-entraîner les modèles (mois 0 à 3). 2-Mener un pilote dans une région, avec une commune et des groupements de producteurs (mois 3 à 6). 3-Développer la plateforme web et les alertes SMS et vocales (mois 6 à 12). 4-Étendre la solution à l'échelle nationale, puis aux pays sahéliens voisins.