Le CIRAD revient à la maison

par

Contribution involontaire au Plan France tropicale 2050

Chaque canicule offre à la France une redécouverte collective. Les températures montent, les plateaux télé s’équipent de cartes rouges, les préfets recommandent de boire de l’eau, les éditorialistes découvrent que certains métiers se pratiquent encore dehors, et le pays, dans un bel effort de mémoire sélective, se demande si le changement climatique ne serait pas en train d’avoir quelques conséquences.

Il faut pourtant rendre justice à l’État stratège: la France avait anticipé.

Pas en adaptant ses villes, ses horaires de travail ou ses arbitrages agricoles. Ce genre de détail relève toujours d’un prochain plan, d’une future mission interministérielle ou d’un rapport attendu à l’automne. Non: la France avait vu plus loin. Elle avait eu, très tôt, l’intuition que son avenir climatique se jouerait dans les agricultures du chaud. Pour s’y préparer, elle s’était donc dotée de colonies, de stations agronomiques tropicales, de filières de plantes de rente, puis d’instituts de recherche spécialisés.

On a longtemps cru que tout cela servait aux tropiques. C’était manquer d’imagination prospective.

Avec le recul, les dossiers canne, café, cacao, coton, hévéa ou manioc prennent une cohérence admirable: les administrateurs coloniaux croyaient organiser des empires agricoles; ils rédigeaient, sans le savoir, les annexes techniques du Plan France tropicale 2050; les agronomes tropicalistes croyaient partir en mission; ils préparaient le retour à domicile.

Le CIRAD, dans cette lecture généreuse de l’histoire, devient un service public d’avant-garde. Pendant des décennies, il aura entretenu une compétence sur les cultures chaudes, les saisons ingrates, les stress hydriques, et les systèmes agricoles qui ne vivent pas dans le confort d’un climat tempéré stable. Il suffisait d’attendre que la métropole se décide à rejoindre son propre terrain d’étude.

Le calendrier est presque parfait, du moins dans la petite fiction comptable qui sert ici de boussole. Les missions lointaines coûtent cher, les expatriations aussi, les tutelles demandent des économies, et l’arlésienne d’une fusion CIRAD-INRAe revient régulièrement hanter les couloirs. Pendant ce temps, la France métropolitaine découvre qu’elle pourrait avoir besoin de gens capables de réfléchir à l’agriculture quand l’eau manque, quand la chaleur insiste et quand les plantes cessent de respecter les habitudes régionales.

Quelques signaux tangibles existent déjà, ce qui rend la plaisanterie moins confortable : des essais bananiers ont été documentés dans le Roussillon et dans l’Hérault; d’autres articles signalent des expérimentations d’avocat, de mangue, de papaye, de goyavier ou de bananier dans certains microclimats du Sud. Ces exemples restent ponctuels, souvent protégés, très dépendants du gel, du vent, de l’eau et du marché. Ils suffisent pourtant à faire glisser l’idée du registre de la farce vers celui du symptôme.

On pourrait donc pousser la logique jusqu’au bout: rapatriement des tropicalistes, mutualisation des expertises, fermeture progressive de l’ailleurs, ouverture du grand chantier national de la France tropicale 2050.

Le titre ferait rire, puis il faudrait faire les cartes.

Car l’intérêt de cette plaisanterie est qu’elle se laisse tester. On peut prendre des espèces associées aux agricultures tropicales ou subtropicales, récupérer leurs seuils climatiques, puis regarder ce que deviennent leurs zones d’aptitude en France métropolitaine sous projections climatiques. Les plantes deviennent alors des instruments de lecture. Cette approche rejoint un résultat déjà documenté à l’échelle européenne: les zones agroclimatiques se sont déplacées vers le nord et ce déplacement devrait s’accélérer avec le changement climatique.

Les cartes d’aptitude ne disent donc pas où planter des bananes; elles indiquent où plusieurs cultures du chaud cessent d’être climatiquement absurdes. Une culture qui franchit un seuil dans un seul modèle raconte une anecdote. Plusieurs cultures qui franchissent un seuil dans plusieurs modèles commencent à raconter autre chose.

L’analyse présentée ci-dessous va dans cette direction: plusieurs périodes, plusieurs modèles climatiques, des espèces tropicales ou thermophiles, des scores d’aptitude et des cartes de synthèse. Elle ne prétend pas décrire une faisabilité agricole complète. Elle permet de poser une question plus étroite, mais plus nette que les habituelles images de thermomètres: où la France métropolitaine commence-t-elle à entrer dans des conditions qui rendent pertinentes des compétences longtemps rangées du côté des agricultures tropicales ?

L’hypothèse qui se dégage est moins celle d’une France tropicale uniforme que celle d’une France des marges chaudes. Certaines façades littorales, telles que la Bretagne, et méditerranéennes voient s’épaissir un portefeuille crédible de cultures thermophiles. Le signal le plus fort ne vient pas des espèces tropicales les plus spectaculaires, largement bloquées, mais de cultures plus plausibles comme le sorgho, le maïs tropical, l’avocat, le pois d’Angole ou le sésame. Cette hiérarchie rend l’exercice utile: le modèle ne valide pas un fantasme exotique, il montre un déplacement partiel des possibles agricoles, assez net pour troubler les catégories habituelles, mais encore fortement filtré par le gel, l’eau, l’altitude et la saisonnalité.

Ce ne sont pas des espèces étrangères à l’horizon scientifique du CIRAD. Certaines relèvent déjà de ses objets de recherche, de ses terrains, de ses filières ou de ses compétences historiques. La plaisanterie initiale devient alors moins confortable: ce que l’institution savait penser pour les agricultures du chaud pourrait devenir utile dans une métropole qui découvre que le chaud ne commence plus aussi loin.

Le CIRAD revient à la maison, donc. Non sous la forme d’un rapatriement en rangs serrés derrière l’INRAe, mais comme une ironie historique plus discrète: des savoirs constitués pour penser les agricultures du chaud deviennent soudain utiles dans un pays qui avait pris l’habitude de croire que le chaud commençait ailleurs.

Résultats

Un portefeuille agroclimatique qui s’épaissit sur les marges littorales

Nombre médian de cultures atteignant un score Ecocrop ? 50 selon la période et le scénario climatique. La médiane est calculée après estimation des scores par modèle climatique.

La figure montre une émergence progressive d’un véritable portefeuille agroclimatique de cultures du chaud en France métropolitaine. Sur la période historique 1995-2014, le nombre médian de cultures dépassant le seuil d’aptitude reste nul sur la quasi-totalité du territoire, à l’exception de quelques marges littorales déjà favorisées par des hivers plus doux. Dans les projections futures, le signal ne se diffuse pas uniformément vers l’intérieur, mais il s’intensifie fortement dans les zones où la contrainte de gel s’atténue: Bretagne, façade atlantique, littoral méditerranéen, Corse et certaines marges du Sud-Ouest. En fin de siècle, surtout sous ssp585, ces espaces ne présentent plus seulement une ou deux cultures marginalement plausibles: certaines portions significatives du territoire atteignent jusqu’à dix cultures avec un score Ecocrop médian supérieur ou égal à 50. Ce résultat donne corps à l’hypothèse centrale de l’article: la France métropolitaine ne devient pas uniformément tropicale, mais certaines régions entrent dans un domaine climatique où plusieurs cultures traditionnellement associées aux agricultures tropicales ou subtropicales cessent d’être anecdotiques du point de vue climatique. La persistance de vastes zones à zéro rappelle que l’extension reste filtrée par le gel, l’altitude et la saisonnalité, mais les foyers littoraux et méditerranéens suggèrent déjà un déplacement notable du portefeuille d’options agricoles sous climat futur.

Les cultures thermophiles les plus crédibles

Cinq cultures forment le noyau le plus convaincant de l’exercice. Elles ne relèvent pas toutes du registre “exotique”: avec le sorgho, le maïs tropical, le sésame et le pois d’Angole, on est d’abord face à des cultures thermophiles plausibles, auxquelles l’avocat ajoute une dimension subtropicale plus démonstrative. Ensemble, elles suggèrent que la “France tropicale” passe d’abord par des céréales, légumineuses, oléagineux et fruitiers du chaud, bien avant les cultures les plus spectaculaires.

Illustration prospective générée: paysage agricole littoral breton associant cultures thermophiles et éléments bocagers.

Le sorgho est le signal le plus robuste: déjà présent sur les marges atlantiques et méditerranéennes dans l’historique, il progresse nettement dans le futur, surtout sous ssp585, avec une extension marquée sur la façade atlantique, le Sud-Ouest et une partie de l’intérieur occidental en fin de siècle. Le maïs tropical suit une dynamique proche, un peu moins ample, mais montre lui aussi un épaississement progressif des zones favorables sur l’Atlantique et en Méditerranée. Dans les deux cas, la carte parle moins de tropicalisation fantasmatique que d’un déplacement crédible du domaine des cultures adaptées à la chaleur. L’avocat offre un profil plus subtropical et beaucoup plus littoral, fortement structuré par la réduction du gel. Les scores élevés se concentrent d’abord en Méditerranée, en Corse et sur certaines zones atlantiques et bretonnes, puis s’étendent fortement sous ssp585 en 2071-2090, y compris sur une large partie de la façade atlantique et du Sud-Ouest. Le pois d’Angole est moins étendu, mais suit la même logique spatiale, avec un renforcement en Bretagne, sur l’Atlantique, dans le Sud-Ouest et autour de la Méditerranée. Son intérêt est important, car il renvoie à une légumineuse du chaud pertinente pour les enjeux de diversification et d’autonomie protéique. Le sésame reste le plus discret des cinq: les scores sont plus modestes et l’extension intérieure plus limitée, même si la fin de siècle sous ssp585 renforce nettement le signal sur l’Atlantique et dans le Sud.

Pris ensemble, ces résultats montrent qu’en fin de siècle, surtout sous scénario haut, plusieurs cultures du chaud atteignent simultanément des scores élevés sur des portions significatives de la façade atlantique, du Sud-Ouest, du littoral méditerranéen et de la Corse.

Des cultures de transition, visibles mais encore très contraintes

Illustration prospective générée: paysage agricole provençal associant mil et manguiers.

Pour ce groupe intermédiaire, l’aptitude progresse bien avec le réchauffement, mais sans atteindre la continuité spatiale observée pour le sorgho, le maïs tropical ou l’avocat. Le signal reste principalement cantonné aux zones littorales, avec une hiérarchie assez nette: les façades atlantiques et méditerranéennes jouent le rôle de zones d’entrée, tandis que l’intérieur du pays demeure largement défavorable, y compris en fin de siècle. Elles occupent une position intermédiaire: visibles dans les projections, parfois robustes localement, mais encore loin de former un domaine continu.

Le mil présente le signal le plus étendu de ce groupe. Il apparaît déjà faiblement sur les marges atlantiques et méditerranéennes en historique, puis gagne progressivement en amplitude, surtout sous ssp585 en 2071-2090. Son extension reste toutefois moins franche que celle du sorgho: les scores sont plus modérés et l’intérieur du territoire reste peu concerné. La mangue suit une logique plus subtropicale, avec des noyaux favorables sur la Méditerranée, la Corse, la Bretagne et certaines portions atlantiques. Sous ssp585 en fin de siècle, elle devient nettement plus lisible sur la façade atlantique et dans le Sud, ce qui en fait une bonne culture “signal” pour illustrer la montée d’un potentiel fruitier chaud sans basculer dans l’extrapolation généralisée.

La patate douce et l’arachide restent plus discrètes. Elles montrent des foyers récurrents sur les littoraux doux, notamment Bretagne, Atlantique, Méditerranée et Corse, mais avec des scores généralement faibles à intermédiaires et une faible pénétration vers l’intérieur. Leur réponse au scénario haut est visible en fin de siècle, surtout sur les marges atlantiques, mais elle reste spatialement limitée. Ce comportement est intéressant: ces cultures sont souvent associées à des systèmes vivriers ou de diversification relativement plausibles, mais le modèle suggère que leur aptitude climatique médiane ne s’étend pas mécaniquement avec le réchauffement. Elles contribuent donc à nuancer le récit: l’élargissement du portefeuille tropical existe, mais toutes les cultures du chaud ne bénéficient pas de la même manière du déplacement climatique.

Les limites de la “France tropicale”

Les espèces aux scores faibles sont indispensables à l’interprétation: elles fixent les limites de la fiction tropicale. La plupart des cultures les plus emblématiques ou les plus franchement tropicales restent très peu aptes en France métropolitaine, même en fin de siècle. Le bananier, le taro, le café robusta, la canne à sucre, l’hévéa, le palmier à huile, la papaye et le riz pluvial présentent des scores médians quasi nuls sur l’ensemble du territoire, avec seulement quelques pixels littoraux très faibles dans certains cas. Le cacao, le cocotier, le café arabica, le manioc, l’igname, le niébé, le coton et l’ananas montrent des signaux un peu plus visibles, mais ceux-ci restent fragmentaires, principalement littoraux, et surtout perceptibles sous ssp585 en 2071-2090.

Ce groupe joue donc un rôle de garde-fou dans l’interprétation. Le modèle ne transforme pas mécaniquement le réchauffement en aptitude tropicale généralisée. Pour ces cultures, les contraintes combinées de gel, de durée de croissance, d’humidité, de saisonnalité et parfois d’exigences thermiques trop strictes continuent de bloquer l’essentiel du territoire. Le cas du cacao, du bananier, du café robusta ou du palmier à huile est particulièrement utile pour l’article: ces cultures fonctionnent comme des bornes symboliques. Elles rappellent que la montée des températures ne suffit pas à produire un climat tropical au sens agronomique.

En revanche, les faibles signaux observés pour l’ananas, le manioc, l’igname, le niébé ou le coton sur certaines marges atlantiques, bretonnes, méditerranéennes ou corses indiquent que la frontière n’est pas fixe. Ces espèces ne rejoignent pas le noyau des cultures plausibles, mais elles contribuent à la gradation générale: entre les cultures thermophiles déjà crédibles et les cultures tropicales encore presque impossibles, existe une zone de transition où quelques espèces deviennent ponctuellement moins absurdes. C’est précisément cette hiérarchie qui rend l’exercice utile: la carte ne valide pas un fantasme tropical, elle trie les espèces selon leur degré de plausibilité climatique.

Matériels et méthodes

L’analyse a été conduite dans Google Earth Engine à partir de la collection NASA/GDDP-CMIP6, version Google Earth Engine du jeu NEX-GDDP-CMIP6 décrit par Thrasher et al. Les variables utilisées sont la température minimale journalière (tasmin), la température maximale journalière (tasmax) et les précipitations journalières (pr). Les données ont été agrégées en climatologies mensuelles pour quatre périodes: 1995-2014, 2021-2040, 2041-2060 et 2071-2090. Deux scénarios CMIP6 ont été analysés: ssp245, retenu comme scénario central ; ssp585 est utilisé ici comme scénario haut de sensibilité, l’usage des scénarios de type RCP8.5/SSP5-8.5 comme “business as usual” ayant été critiqué, tandis que les politiques actuelles sont plutôt évaluées autour de 2,6 °C de réchauffement en 2100. Les neuf modèles climatiques retenus sont ACCESS-CM2, CMCC-ESM2, CNRM-CM6-1, EC-Earth3, GFDL-ESM4, MIROC6, MRI-ESM2-0, NorESM2-MM et TaiESM1.

La température moyenne mensuelle a été approximée par la moyenne de tasmin et tasmax, après conversion de Kelvin en degrés Celsius. Les précipitations mensuelles ont été calculées à partir de pr, converti de kg.m-².s-¹ en mm.mois-¹. Le nombre annuel de jours de gel a été estimé comme la fréquence moyenne des jours où tasmin < 273,15 K, rapportée à une année.

Les cultures étudiées comprennent 25 espèces tropicales, subtropicales ou associées aux agricultures du chaud: sorgho, mil, maïs tropical, riz pluvial, arachide, sésame, niébé, pois d’Angole, patate douce, manioc, taro, igname, coton, canne à sucre, mangue, avocat, ananas, papaye, bananier, café arabica, café robusta, cacao, cocotier, palmier à huile et hévéa. La logique de seuils d’aptitude suit la méthode Ecocrop, discutée par Ramírez-Villegas et al. Pour chaque culture, les seuils climatiques ont été extraits de la base Ecocrop ditribuée par OpenCLIM. Les champs utilisés sont TMIN, TOPMN, TOPMX, TMAX, RMIN, ROPMN, ROPMX, RMAX, GMIN, GMAX et ALTMX, correspondant aux limites et optimums de température, de précipitation, de durée de croissance et d’altitude.

Pour chaque culture, pixel, modèle, scénario et période, un score d’aptitude climatique compris entre 0 et 100 a été calculé. Les composantes thermique et hydrique reposent sur des fonctions trapézoïdales: score nul hors des limites minimales et maximales, score maximal dans l’intervalle optimal, interpolation linéaire entre les deux. Le score saisonnier correspond au minimum entre les scores thermique et hydrique. Les mois de départ possibles de la saison de croissance ont été testés. Dans la configuration utilisée ici, une seule durée de croissance est retenue par culture: la moyenne de GMIN et GMAX, convertie en mois et bornée entre 1 et 12; lorsque GMIN ou GMAX vaut 0, une durée de 12 mois est utilisée. Le meilleur score obtenu parmi les mois de départ est conservé.

Deux pénalités multiplicatives ont ensuite été appliquées au meilleur score saisonnier. La pénalité de gel est calculée à partir du nombre annuel moyen de jours avec tasmin < 0 °C. Pour chaque culture, deux paramètres ajoutés au modèle sont définis: frostHard, nombre de jours de gel tolérés sans pénalité, et frostFade, largeur de transition au-delà de ce seuil. La pénalité vaut 1 lorsque le nombre de jours de gel est inférieur ou égal à frostHard, décroît linéairement entre frostHard et frostHard + frostFade, puis vaut 0 au-delà. Formellement: Pgel = clamp((frostHard + frostFade - frostDays) / frostFade, 0, 1). Une pénalité altitudinale est également appliquée à partir de l’altitude maximale ALTMX issue d’Ecocrop et du modèle numérique de terrain SRTM (USGS/SRTMGL1_003). Elle vaut 1 jusqu’à ALTMX, décroît linéairement entre ALTMX et ALTMX + 300 m, puis vaut 0 au-delà: Palt = clamp((ALTMX + 300 - elevation) / 300, 0, 1). Le score final est donc Score = Score_saisonnier × Pgel × Palt, borné entre 0 et 100. Ces deux pénalités ne proviennent pas directement d’Ecocrop; elles ont été ajoutées pour éviter que des cultures sensibles au froid ou à l’altitude soient artificiellement favorisées en France métropolitaine.

Les scores ont été calculés séparément pour chaque modèle climatique, puis agrégés entre modèles. Les figures présentent principalement la médiane inter-modèles. Cette procédure évite de calculer l’aptitude sur un climat moyen multi-modèles, ce qui serait inadapté à un modèle à seuils. Les résultats décrivent une plausibilité climatique et non une faisabilité agronomique complète: ils ne tiennent pas compte des sols, de l’eau réellement disponible, des filières, des bioagresseurs, des pratiques agricoles, des marchés ou des réglementations.

Disclaimer

Je suis salarié du CIRAD, mais ce billet est publié à titre personnel. Il ne constitue pas une communication institutionnelle et ne reflète pas nécessairement la position du CIRAD. Les cartes présentées sont une exploration agroclimatique indicative, fondée sur des données ouvertes. Elles ne constituent pas des recommandations culturales et ne préjugent pas de la faisabilité agronomique, économique ou sociale des cultures évoquées.

Regarde maman, on répare l’avion

par

Hello,

Un pur post de prises de notes augmentée,

Les dieux du ciel sont contre nous ! Après le régulateur de tension, les freins de notre ULM Savannah XL ont lâché ? La plaquette était tellement bouffée que le piston est sorti au delà de la limite du joint, qui en a profité pour se faire la malle.

Étant un peu en galère pour se procurer des pièces localement dans la Caraïbe, on nous a filé un coup de main pour regarnir une plaquette avec un vieux ferodo de Cessna (ci-dessous à droite). Looks good, mais je serai quand même plus tranquille à l’idée de partir sur de bonnes bases et remettre les bonnes pièces. Mais de quelles pièces s’agit-il ?

Car, oui, l’étrier de freins ne comporte aucune référence ou indication. La cellule de notre appareil est de 2001. Le spare parts catalogue disponible depuis le revendeur français (centre ULM les Noyers) nous dit, à la fois pour le Savannah VG et le modèle S (chapitre 10) que le système de freinage que l’étrier du frein a disque a pour référence interne 90-MT-B5-5.

N’ayant pas non plus de référence indiquée sur les plaquettes de frein, une recherche image inversée nous renvoie assez rapidement sur cette référence chez le revendeur ULM Techologie, décrite comme « Plaquette de frein M. I. (2 x 2) pour 2 étriers, s’adapte sur divers ULM tel que le Savannah, le FK9, le Polaris, Tecnam, etc », de référence GOLDfren 904 AD, et dont les cotes correspondent à ce qui était monté sur notre machine. En cherchant un peu plus, on voit chez le revendeur Aero3D que cette référence est « MATCO brake components, TECNAM ».

MATCO étant un fabricant de systèmes pour trains d’atterrissage, on cherche dans leur documentation technique pour retrouver les références des étriers de notre machine. Une recherche inversée sur image ne donne cette fois-ci pas grand chose, mais MATCO a une référence officielle WHLB5-5, correspondant suffixe B5-5 de la dénomination ICP « 90MT-B5-5 ». Ci-dessous l’éclaté de cette référence issue de leur bulletin technique sur leur série de systèmes de roues freinées en 5 pouces.

L’étrier + piston sont cependant plutôt différents du schéma (4+8).

A défaut de trouver plus proche en terme de form factor, on part donc de l’hypothèse que cet étrier est une ancienne version du WHLB5-5. De plus, la liste des pièces d’usure semble être cohérente avec l’aspect des pièces démontées de l’appareil.

Enfin, la question du joint torique de piston. L’éclaté MATCO affiche « MSC2-222 O-Ring Buna N », trouvable en l’état chez ULM Technologie, ce qui est cohérent avec la fourniture d’une ligne de pièces d’usure pour quelques références de systèmes de freinage classiques. 2-222 est une taille AS568: 37,69 mm ID x 3,53 mm de section. Aussi, un presque-équivalent de 30 mm x 3,5 mm était disponible localement chez Würth Caraïbes, testé ci-dessous pour dépannage même si probablement trop petit (pour 4€ je perds pas grand chose à tester les dimensions).

On commande donc un jeu de plaquettes 904 AD et ces joints toriques, qui arriveront par le prochain visiteur à nous rencontrer en Martinique. Restera enfin à savoir si le circuit était monté en DOT4, auquel cas il faudra purger/nettoyer pour repasser en fluide rouge aviation/MIL-H-5606, le BUNA-N/perbunan ne semblant pas tenir la chimie du DOT4. Restera à voir si les joints du maître cylindre, qui eux baignaient potentiellement dans le DOT4, tolèreront le retour à un autre fluide.

EDIT : réparation terminée, on a vidangé le circuit de freinage + nettoyage à la bombe nettoyant frein des durites, remplacement par du fluide rouge et remontage ; le joint vendu par ULM Technologie n’était pas de la bonne dimension (peut être 5 mm trop long en circonférence), on a du coup laissé ceux de Würth qui feront bien l’affaire même s’ils sont un peu tendus.

Voilà en bref !

J.

Dégooglisation : un script pour convertir en masse vos Google Docs vers des fichiers Office

par

Hello,

Dans ma démarche progressive de dégooglisation, je me suis attaqué récemment à un gros morceau : Google Docs et Google Drive. L’idée pour moi est de passer à un autre fournisseur cloud. Mais pour les documents Google Docs/Sheets/Slides, un piège subtil de l’écosystème Google lié au format spécifique des fichiers rend difficile leur sauvegarde externe.

Le problème : L’illusion des fichiers locaux

Si vous utilisez le logiciel « Google Drive pour ordinateur » (qui vous monte par exemple un lecteur G: sous Windows), vous avez l’impression que vos fichiers sont là. Vous voyez MonProjet.gdoc ou Compta.gsheet.

Mais essayez de copier ces fichiers (typiquement, lancer une copie miroir par exemple avec un bon vieux FreeFileSync des familles) sur un disque externe ou un autre volume, ce fichier refusera d’être copié. De plus, même si la copie était possible, aucune données utilisable dedans car ce ne sont que des raccourcis JSON de quelques octets pointant vers le web. Du coup, si je coupe mon compte Google demain, je perds le contenu de ces fichiers.

Pour récupérer mes données, j’avais deux choix officiels, tous deux frustrants :

  1. Google Takeout : pas de Takeout disponible pour le triptyque Docs/Sheets/Slides, mais seuleent un export de l’intégralité du Drive, autrement dit une « soupe » de fichiers zippés dans lesquels je ne suis même pas sûr que la rétroconversion en des fichiers « tangibles » aura été faite .
  2. L’export manuel : Ouvrir chaque fichier un par un, faire Fichier > Télécharger > Microsoft Word. Pour 10 documents, ça va. Pour 500 documents archivés depuis 10 ans, c’est impossible.

La solution : un script d’export

Je voulais une solution qui :

  1. Parcourt mes dossiers existants sur mon volume Google Drive
  2. Convertit chaque fichier Google (Docs, Sheets, Slides) en son équivalent Office (docx, xlsx, pptx).
  3. Enregistre le fichier converti exactement au même endroit, à côté de l’original (avec un petit suffixe dans son nom pour préciser son origine).

J’ai donc vibe codé sans honte un script PowerShell qui automatise tout ça via l’API Google Drive.

Avant de vous lancer, une limitation technique imposée par Google : Drive refusera de convertir les fichiers trop volumineux. Concrètement, si vous avez une présentation (.gslides) remplie d’images haute définition qui ferait plus de 10 Mo une fois convertie en .pptx, l’exportation échouera. Google coupe la connexion (TimeOut) car la conversion demande trop de ressources sur leurs serveurs.

Donc :

  • Le script fonctionnera parfaitement pour 95% de vos fichiers (textes, tableurs, présentations légères).
  • Pour les « gros » fichiers (thèses avec images, présentations marketing lourdes), le script affichera une erreur.
  • Solution : Ces quelques fichiers devront être ouverts dans le navigateur et téléchargés manuellement (Fichier > Télécharger). C’est le seul moyen.

Tuto : libérez vos données

Ce script utilise l’API officielle. C’est la méthode la plus propre, mais elle demande 5 minutes de configuration initiale.

Étape 1 : Créer vos accès API (OAuth)

Pour que le script puisse « discuter » avec votre Drive, vous devez créer une « application » dans la console Google.

  1. Rendez-vous sur la Google Cloud Console.
  2. Créez un Nouveau Projet (nommez-le ExportDrivePerso).
  3. Dans API et services > Bibliothèque, cherchez et activez l’API Google Drive API.
  4. Dans l’onglet Écran de consentement OAuth :
    • Choisissez Externe.
    • Remplissez le nom et votre email.
    • Important : Dans la section Utilisateurs tests, ajoutez votre propre adresse Gmail. C’est indispensable pour que cela fonctionne sans validation Google.
  5. Dans Identifiants > Créer des identifiants > ID client OAuth :
    • Type : Application de bureau.Validez. Copiez votre ID Client et votre Code Secret Client.

Étape 2 : Le Script PowerShell

Récupérez le script Export-GoogleShortcuts.ps1 sur ce repo GitHub.

Le script inclut une « recherche floue » (pour trouver les fichiers même si Windows gère mal les caractères spéciaux) et une gestion d’erreur spécifique pour vous signaler les fichiers trop gros.

Étape 3 : Lancer l’export

Ouvrez un terminal PowerShell et lancez la commande suivante (en adaptant les chemins et identifiants) :

powershell.exe -ExecutionPolicy Bypass -File "C:\Scripts\Export-GoogleShortcuts.ps1" `
   -RootPath     "G:\Mon Drive\Projets" `
   -ClientId     "VOTRE_CLIENT_ID" `
   -ClientSecret "VOTRE_CLIENT_SECRET"

Le Résultat

Le script va parcourir vos dossiers. Vous verrez défiler des -> OK verts pour la majorité des fichiers. Vous verrez peut-être quelques -> ECHEC (Trop volumineux) en magenta. Notez-les : ce sont ceux que vous devrez traiter à la main. Au final, vous obtiendrez des fichiers Rapport_from_gdocs.docx directement exploitables.

Vos données sont enfin libérées et prêtes à être sychronisées avec votre nouveau cloud souverain !

Mangez un cookie pour fêter ce succès.

Satellite embeddings × SDMs

par

Les équipes de Google DeepMind ont annoncé récemment la sortie d’un jeu de données d’observation de la Terre novateur, issu de l’assimilation d’une variété de données satellitaires de différents capteurs au sein d’un modèle de fondation. Sans entrer dans les détails (un post sur Medium1 et la documentation technique2 le font très bien), ce jeu de données, baptisé « Satellite Embedding », compresse l’information spectrale et radar d’une année entière d’observations en un vecteur à 64 dimensions, livré à 10 mètres de résolution. Autrement dit : chaque pixel de 10 × 10 m contient 64 valeurs qui résument tout ce qui a été observé par les satellites sur une année donnée.

Fig.1 : Représentation schématique animée de processus d’embedding des données d’observation de la Terre par satellite (source)

Ce qui est rigolo, c’est qu’on n’a aucun a priori sur ce que peut représenter chacune de ces dimensions dans le monde physique, contrairement, par exemple, à la bande 2 de Sentinel-2, d’une longueur d’onde de 490 nm et liée au spectre d’absorption de la chlorophylle, ou à la rétrodiffusion radar de Sentinel-1, sensible à l’angle de la pente des reliefs. Pire encore, on ne sait pas comment l’information temporelle est encodée : est-ce que la date d’une augmentation du NDVI, que l’on sait reliée à la croissance d’un couvert végétal, sera portée par une ou plusieurs composantes du vecteur ?

Le jeu satellite embeddings agrège donc une année d’observations multi-capteurs (optique + radar) en vecteurs latents ; on n’interprète pas chaque dimension physiquement, mais ces représentations condensent des motifs multi-sources et multi-temporels du couvert observé (structure, textures, phénologie, mosaïques d’occupation des sols) à la résolution des données d’entrée. Elles sont ainsi de bons proxies de l’état actuel du paysage, sans garantir qu’une dimension unique corresponde à un processus écologique précis.

Dans tous les cas, on sait que ce jeu de données contient une quantité phénoménale d’information, à une résolution très intéressante pour bon nombre d’applications.

Pourquoi cette note ?

Une des applications que j’aimerais explorer, c’est la cartographie d’espèces végétales. Et dans ce post, c’est justement une exploration rapide de cette idée que je présente.

Assez classiquement, la cartographie d’espèces passe par des approches de modélisation. Pourquoi modéliser ? Parce qu’il est difficile d’échantillonner l’espace assez finement pour dessiner des cartes « à la main ». On s’appuie donc sur des variables environnementales, généralement bien décrites et disponibles à bonne résolution spatiale et temporelle, pour estimer la probabilité de présence d’une espèce donnée. On peut pour cela mobiliser les paramètres écologiques/édaphiques de l’espèce (par ex. intervalles de température, pluviométrie annuelle, types de sols préférentiels, pente, altitude, etc.) afin d’identifier où l’espèce peut survivre et prospérer. C’est l’approche utilisée notamment par EcoCrop (FAO)3, centré en partie sur des espèces d’intérêt agronomique.

Quand ces paramètres sont mal connus ou incomplets, on peut adopter une approche fondée sur les données : on utilise des relevés botaniques qui indiquent la présence (l’absence étant, par définition, plus délicate à établir) à un endroit donné, on associe ces positions aux covariables au même endroit, puis on calibre des modèles de distribution d’espèces (Species Distribution Models, SDMs) pour extrapoler la probabilité de présence ailleurs. Il existe plusieurs modèles ; l’un des plus populaires est MaxEnt (pour « Maximum Entropy », le principe mathématique sur lequel il repose).

Pourquoi ce détour ? Parce que si l’on peut utiliser des variables environnementales spatialisées dans des SDMs pour estimer la répartition d’une espèce, il n’y a aucune raison de ne pas essayer un produit comme les Satellite Embeddings, qui résument une quantité considérable d’information observable depuis l’espace.

Distinction importante : alors que l’utilisation de variables environnementales permet surtout de définir où l’espèce pourrait se trouver (aire de répartition potentielle), les satellite embeddings pourraient, en principe, aider à répondre à où l’espèce se trouve aujourd’hui, car ils proviennent en grande partie d’observations directes du couvert végétal (signal « actuel »).

Je présente donc ci-après quelques essais rapides utilisant les satellite embeddings comme covariables dans un SDM MaxEnt, pour prédire la probabilité d’occurrence de quelques espèces végétales en Martinique.

Données et méthodes

Je commence par récupérer les satellite embeddings. Pour défricher rapidement, j’en fais l’extraction en GeoTIFF depuis Google Earth Engine, à une résolution dégradée à 100 m (agrégation par moyenne).

Fig. 2 : Composite trois couleurs des trois premières dimensions des satellite embeddings pour la Martinique (100 m). La discrimination des occupations de sol est déjà très visible — on dirait un minéral sous filtre polarisant ?

Trois espèces m’intéressent ici : l’arbre à pain (Artocarpus altilis) et le cocotier (Cocos nucifera) — parce que différences d’étagements, parce que des collègues s’y intéressent, et parce qu’on dispose d’un nombre d’observations important (n=341 et n=181 respectivement) — ainsi que la fleur boule montagne (Lobelia conglobata), endémique stricte de la Martinique, pour laquelle les observations sont bien moindres (n=64) et sur un étagement bien plus élevé.

Pour entraîner un SDM MaxEnt4, il faut des présences. Je lance donc des requêtes sur GBIF5 et iNaturalist6. Face aux 64 dimensions du jeu Satellite Embeddings (satemb), ce volume paraît suffisant pour une première exploration en limitant le risque de mal-conditionnement.

Avec un peu de Python (et un soupçon de magie noire), je prépare les fichiers d’entrée du SDM : les variables satemb, mais aussi des variables environnementales (env) — Tmin/Tmax/Tmoy annuelles (interpolation Météo-France 2023), pluie annuelle (stations DIREN + Météo-France, 7), altitude, pente, aspect, rugosité dérivées du SRTM/Copernicus 30 m, sur même zone d’étude, même grille 100 m et masque terrestre pour tous les rasters. J’entraîne ensuite MaxEnt v3.4.4 sur trois jeux de covariables : satemb, env et satemb+env, avec une validation croisée en cinq plis ; les chiffres reportés sont des moyennes ± écart-types de ces 5 plis.

L’ensemble des scripts et données pour répliquer l’analyse (et en lancer d’autres) est mis à disposition sur Zenodo : 10.5281/zenodo.16994138.

Résultats

Pour l’arbre à pain (A. altilis, Fig. 3), le modèle fondé sur les satellite embeddings seuls obtient l’AUC la plus élevée (0,833 ± 0,029), devant le modèle env (0,661 ± 0,044), soit un écart absolu de +0,172. Le modèle mixte est à 0,803 ± 0,055, donc en dessous de satemb. À grille identique (100 m) pour tous les prédicteurs, ces résultats suggèrent que les indices satellitaires condensés par les embeddings discriminent mieux les présences du fond que les seules variables abiotiques utilisées embarquées dans le modèle env. L’ajout des variables environnementales n’apporte pas de gain mesurable dans ce cas (probable redondance d’information + complexité accrue).

Pour le cocotier (C. nucifera, Fig. 4), l’écart entre satemb et env est plus faible que chez l’arbre à pain : 0,833 ± 0,036 contre 0,767 ± 0,045, soit +0,066 d’AUC pour satemb. Le mixte atteint 0,809 ± 0,045, intermédiaire entre les deux. Ici, les variables abiotiques (p. ex. altitude, pluie) portent déjà une part substantielle du signal, et les embeddings ajoutent un surcroît d’information sans toutefois dépasser nettement la combinaison.

Pour L. conglobata (Fig. 5, espèce localisée en altitude en Martinique), les deux approches sont très performantes et la combinaison progresse encore : satemb 0,907 ± 0,015, env 0,906 ± 0,059, et mixte 0,933 ± 0,046 (soit +0,026 vs satemb). Lecture possible : l’enveloppe abiotique (altitude, exposition, humidité) cadre déjà bien la niche, et les embeddings ajoutent des indices d’occupation actuelle du paysage (structure de canopée, mosaïques agri-urbaines, phénologie), d’où un gain quand on les combine. A noter cependant un nombre d’observations retenues par le modèle (neff) particulièrement réduit, lié au regroupement des occurrences d’un même pixel, ce qui invite à considérer ces résultats avec prudence.

Fig. 3 : Résultats MaxEnt pour A. altilis, probabilité moyenne de présence cloglog sur les 5 plis. Gauche : modèle satemb, centre : modèle env, droite : modèle satemb+env
Fig. 4 : idem fig. 3 pour C. nucifera
Fig. 5 : idem fig. 3 pour L. conglobata
satembenvsatemb+env
A. altilis (neff = 168)0,833 (± 0,029)0,661 (± 0,044)0,803 (± 0,055)
C. nucifera (neff = 78)0,833 (± 0,036)0,767 (± 0,045)0,809(± 0,045)
L. conglobata (neff = 31)0,907 (± 0,015)0,906 (± 0,059)0,933 (± 0,046)
Tab. 1 : Valeur moyenne de l’AUC pour la courbe ROC sur le set de test après 5 plis. neff : nombre effectif de présences après regroupement 1 point / pixel.

En lecture conceptuelle, l’approche env définit une enveloppe abiotique (où l’espèce pourrait vivre), tandis que l’approche satemb fournit des indices d’occupation actuelle (où le paysage ressemble aujourd’hui aux sites observés), complémentarité visible en Fig. 3–4 ; le modèle mixte (env+satemb) approxime l’intersection de ces deux informations — conditions favorables ET indices compatibles — sans pour autant conclure à une « présence certaine ». Pour l’exploiter, on peut envisager de croiser les deux surfaces après choix d’un seuil validé en CV (p. ex. 10è centile des présences) et l’on cartographie trois classes : Potentiel ? Présent (cœur réalisé), Potentiel \ Présent (réservoir latent) et Présent \ Potentiel (hors enveloppe) ; l’intérêt est alors bien de lire les modèles ensemble plutôt que d’interpréter chaque carte isolément.

Limites et discussion

Cette approche exploratoire souffre néanmoins d’un certain nombre de limites :

  • Échantillonnage des présences
    • Echatillonage participatif et biais d’accessibilité (proximité routes/bourgs) non pondéré ; pas de bias file / target-group background utilisé.
    • Pas de thinning spatial : malgré le “1 point par pixel” implicite de MaxEnt, des clusters peuvent subsister et peuvent biaiser l’ajustement.
  • Covariables et échelle
    • Embeddings : approche boîte noire ? interprétabilité limitée variable par variable ; forte colinéarité possible entre dimensions : feature engineering/PCA/UMAP pour tester si 10–15 composantes suffisent ?
    • Variables env : jeu réduit (pas de sols notamment) ; d’autres facteurs abiotiques/édaphiques non pris en compte.
    • Résolution unique 100 m choisie pour la praticité volume de données/temps de calcul : sensibilité à l’échelle (i.e. 30m natif SRTM vs 100m, etc.) non évaluée.
  • Paramétrage et protocole d’entraînement
    • Régularisation non optimisée (valeurs par défaut) ; pas de sélection parcimonieuse des prédicteurs. MaxEnt ? processus ponctuel de Poisson régularisé : régler la pénalité et les feature classes limite le sur-apprentissage, surtout avec 64 dims.
  • Cohérence temporelle
    • Présences multi-années non synchronisées avec les covariables : acceptable ici (espèces pluriannelles à pérennes), mais pour des annuelles il faudrait aligner l’année d’observation avec l’année des variables.
  • Validité et portée des résultats
    • CV spatiale en blocs (au lieu de k-fold aléatoire) pour limiter l’optimisme lié à l’autocorrélation et tester la transférabilité spatiale.
    • L’AUC (définie ici via “predicted area” au sens MaxEnt) est utile mais peut être indulgente en présence d’autocorrélation spatiale et de prévalence très faible.
    • Conclusions dépendantes de l’espèce, de la zone et de l’échelle ; transférabilité non testée.

Ces limites n’invalident pas fondamentalement les tendances observées, cependant, elles bornent la portée des résultats et indiquent les priorités d’amélioration pour une itération suivante.

Conclusion

À emprise et résolution communes (100 m), les satellite embeddings apportent un signal propre exploitable en SDM : ils suffisent à eux seuls pour distinguer les présences du fond sur deux espèces testées (A. altilis, C. nucifera), et, pour L. conglobata, la combinaison avec les variables abiotiques montre un léger mieux — à confirmer compte tenu du neff réduit et de la CV non spatiale. Le signal porté par ces représentations latentes — proxys d’observations multisources du couvert à 10 m — est donc complémentaire des gradients climato-topographiques : parfois suffisant seul, souvent utile en appui selon le profil écologique.

Méthodologiquement, ces résultats suggèrent un workflow pragmatique : (i) considérer les embeddings comme baseline forte, (ii) n’ajouter que quelques variables abiotiques non redondantes quand l’écologie l’exige, et (iii) fiabiliser par CV spatiale, régularisation et correction du biais d’échantillonnage. Au-delà de l’AUC, des indicateurs comme le Continuous Boyce Index, le partial ROC et des cartes MESS aideront à juger robustesse, calibration et extrapolation.

Enfin, parce que les embeddings sont disponibles par année, ils ouvrent des perspectives pratiques (à tester) : suivi interannuel de l’aire effectivement occupée, détection de déplacements (expansion/contraction), mise en évidence de foyers « hors enveloppe » (plantations, micro-refuges) et priorisation de prospections (zones « potentiel haut ? présent haut »). Cela plaide pour des SDM opérationnels où les embeddings jouent un rôle central, en propre ou en complément de l’abiotique.

Références

  1. Google Earth Team (2025) « AI-powered pixels: Introducing Google’s Satellite Embedding dataset » https://medium.com/google-earth/ai-powered-pixels-introducing-googles-satellite-embedding-dataset-31744c1f4650 ↩︎
  2. Google Deep Mind [internet] Satellite Embedding V1 https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_SATELLITE_EMBEDDING_V1_ANNUAL?hl=fr. Accessed on 2025-8-29. ↩︎
  3. FAO. [Internet] « ECOCROP Database of Crop Constraints and Characteristics » https://gaez.fao.org/pages/ecocrop. Accessed on 2025-8-29. ↩︎
  4. Steven J. Phillips, Miroslav Dudík, Robert E. Schapire. [Internet] Maxent software for modeling species niches and distributions (Version 3.4.1). Available from url: http://biodiversityinformatics.amnh.org/open_source/maxent/. Accessed on 2025-8-29. ↩︎
  5. https://www.gbif.org ↩︎
  6. iNaturalist. Available from https://www.inaturalist.org. Accessed 2025-8-29 ↩︎
  7. Lavarenne, Jérémy, 2024, « Martinique daily interpolated rainfall, 1980-2021, obtained via ordinary kriging », https://doi.org/10.18167/DVN1/KJEA4Q, CIRAD Dataverse, V1 ↩︎

Robbie l’Aviateur : je voulais arrêter de louper les bonnes infos ULM… alors j’ai bricolé quelque chose

par

Hello,

Comme vous le savez peut-être, j’aime les trucs qui volent (voir ici, là, et là aussi). Et comme vous le savez peut être madame et moi sommes pilotes ULM – vous savez, ces petits avions légers, et depuis peu propriétaires d’une superbe machine tout alu et toute rutilante.

Je me suis rendu compte d’un truc assez simple : dans l’ULM, les choses intéressantes arrivent souvent “entre deux posts”. Un retour d’expérience qui vaut de l’or, une discussion technique qui répond pile à ta question, une actu importante, une vidéo vraiment utile… et toi tu la vois trois semaines plus tard, au hasard d’un scroll.

Sauf que je n’avais pas envie de passer ma vie à surveiller 12 sites, 4 forums et une montagne de vidéos “au cas où”.

Alors j’ai fait un truc, Robbie l’Aviateur, un copilote qui me dit “hé, cette semaine, voilà ce qui vaut le détour”.

Du coup, c’est quoi Robbie l’Aviateur ?

C’est une newsletter hebdomadaire ULM (envoyée le mercredi soir) qui résume l’essentiel :

  • ce qui a fait parler la communauté,
  • les questions et débats techniques récurrents,
  • les actus et sujets terrain,
  • et quelques contenus qui ressortent (forums / vidéos / etc.).

En pratique, au lieu de tout suivre, ce sont des LLM qui lisent l’actu à ma place, et je reçois un résumé avec les sources.

Mais en en parlant des actus à l’aéroclub, je me suis dit que je n’étais probablement pas le seul à vouloir gagner du temps, rester à jour, et tomber plus souvent sur les pépites.

Donc je l’ai mis en ligne et j’ouvre l’inscription.

C’est encore en construction. Robbie est un projet vivant : je l’améliore au fil des semaines.
Il peut rater un contexte, simplifier trop, ou passer à côté d’un sujet — et justement, vos retours m’aident à l’affiner. Si vous voulez proposer des sources, un format, une rubrique, ou signaler un point : je prends.

S’inscrire

https://robbie-laviateur.lemotdejay.fr

Bons vols, et à mercredi ??