statinf5-stack/prediction-rendements-niger

Projet de Machine Learning pour la prédiction des rendements du mil, sorgho et niébé au Niger # Prédiction des Rendements Agricoles au Niger (Mil, Sorgho, Niébé) Ce projet implémente un pipeline de Machine Learning complet pour estimer les rendements probables des cultures vivrières clés dans les principales régions du Niger à partir de variables statistiques nationales et de données climatiques. ## 📊 Données utilisées * **Données de production (INS Niger)** : Historique des superficies et rendements par région (2015-2024). * **Données climatiques (ERA5-Land)** : Cumul des précipitations en millimètres durant la saison des pluies (Juin à Octobre). ## 📁 Structure du projet ```text prediction-rendements-niger/ ├── data/ │ ├── processed/ # Jeux de données nettoyés et combinés (rendements_agricoles.csv) │ └── raw/ │ ├── faostat/ │ └── ins/ # Fichier original de l'INS Niger (Cultures vivrières.xlsx) ├── notebooks/ # Exploration, nettoyage et modélisation Jupyter └── outputs/ # Graphiques d'évaluation (rendements_reels_vs_predits.png) ``` ## 🚀 Performances du modèle (Random Forest Regressor) * **Erreur Absolue Moyenne (MAE)** : 91.63 KG/HA * **Coefficient de Détermination (R²)** : 0.0909 Le modèle de base offre une marge d'erreur brute intéressante (environ 91 kg de décalage par hectare) mais met en évidence la nécessité d'intégrer des indicateurs de répartition temporelle des pluies et des indices satellitaires (NDVI) pour capturer les 91% de variance restants. ## 🛠️ Installation et Exécution 1. Cloner le dépôt : ```bash git clone github.com ``` 2. Lancer Jupyter Notebook, activer l'environnement `rendement_niger` et exécuter les cellules du dossier `notebooks/`.