211service.com
Crystal Ball pour les rendements des cultures de maïs révolutionnera le commerce des matières premières
Obtenir des informations financières à partir d'images satellites n'est pas une idée nouvelle, mais EarthLabs met une touche dessus. La startup de Boston analyse les images satellite de la NASA ainsi que les données météorologiques de la National Oceanic and Atmospheric Administration et les informations saisonnières sur la croissance des cultures du département américain de l'Agriculture. Il utilise ensuite des algorithmes d'apprentissage automatique pour générer des informations sur les ressources naturelles, telles que la prévision des rendements agricoles.
La stratégie peut sembler similaire à celle d'autres sociétés d'analyse d'images satellitaires telles que Descartes Labs et Orbital Insight. Cependant, TellusLabs prévoit de se différencier en appliquant à ses analyses une expertise scientifique en matière de végétation et de climatologie, en se concentrant étroitement sur les ressources naturelles et en déployant rapidement de nouveaux produits. Son objectif est d'être un terminal Bloomberg pour les signaux terrestres. Il existe un large éventail de personnes qui doivent prendre des décisions difficiles concernant les ressources naturelles, et nous voulons leur fournir rapidement des données de qualité, déclare David Potere, PDG et cofondateur de TellusLabs.
La première incursion de l'entreprise sur le marché est Noyau , un outil de modélisation des prévisions des produits agricoles qui est récemment entré dans une phase de bêta ouverte accessible au public. La version bêta gratuite de Kernel a des fonctionnalités limitées, mais le produit à part entière est un tableau de bord en ligne interactif qui affiche une carte des principales régions productrices de maïs aux États-Unis - dans 18 États - et des indicateurs financiers clés, tels que les prévisions rendement, superficie récoltée et production totale. Les utilisateurs peuvent afficher les données au niveau d'un État, d'un district agricole ou d'un comté et consulter les données de rendement historiques provenant de l'USDA. Le tableau de bord comporte également une flèche indicatrice, analogue à un symbole boursier, qui indique la variation moyenne des estimations de rendement du maïs, d'une semaine à l'autre. TellusLabs mettra à jour les prévisions quotidiennement.
Le tableau de bord de Kernel, l'outil de prévision des matières premières agricoles de TellusLabs.
Comme un terminal Bloomberg, Kernel est conçu pour être un lien pour des données financières rapides et fiables, que les gens peuvent utiliser de plusieurs façons. Un négociant en matières premières pourrait utiliser ces informations pour gagner de l'argent sur les transactions sur le marché à terme. Un exploitant d'usine d'éthanol pourrait consulter Kernel pour évaluer si ses agriculteurs sous contrat seront en mesure de fournir suffisamment de maïs pour la faire fonctionner. Une entreprise agroalimentaire comme John Deere pourrait autoriser le flux de données et l'intégrer dans une pompe intelligente qui ajuste automatiquement la quantité d'eau qu'elle donne aux cultures.
Le savoir-faire en matière de ressources naturelles derrière Kernel provient principalement de l'autre cofondateur et directeur de la technologie de TellusLabs, Marc Friedl . Friedl est professeur au département de la terre et de l'environnement de l'Université de Boston et dirige le groupe de recherche sur la couverture terrestre et le climat de surface de l'école, qui étudie la cartographie et la surveillance de la végétation à l'échelle continentale. TellusLabs compte également une poignée de conseillers scientifiques compétents en télédétection de l'agriculture, des forêts et des plans d'eau. Un conseiller travaille pour l'équipe Land Science de la NASA et un autre au Woods Hole Research Center, un institut de recherche environnementale basé au Massachusetts. Potere, PDG de TellusLabs, est titulaire d'une maîtrise en télédétection par satellite et d'un doctorat en géodémographie et a aidé à créer et à diriger l'équipe de science des données du Boston Consulting Group.
La précision et la rapidité pourraient également donner à TellusLabs un avantage sur ce marché. La société affirme qu'un test interne récent a montré qu'elle est capable de projeter le rendement de fin d'année pour le maïs américain avec plus de précision que le gouvernement. Dans le test, TellusLabs a exécuté des données historiques de rendement du maïs USDA accessibles au public de 2004 à 2014 via ses algorithmes et a fait des prédictions sur les chiffres de fin d'année. Au cours de cette période de 10 ans, les estimations de la startup ont dépassé celles du gouvernement 69% du temps en août et septembre, qui sont les principaux mois commerciaux pour le maïs.
EarthLabs aussi récemment publié une estimation du rendement du maïs pour la saison de croissance 2016, afin que les clients potentiels puissent comparer ses prévisions avec les prévisions de l'USDA, que l'agence publiera plus tard ce mois-ci.
Quandl , un agrégateur de données financières, économiques et alternatives basé à Toronto, comme l'analyse d'images satellite, teste actuellement Kernel pour décider de le revendre sur sa plateforme , qui est utilisé par les fonds spéculatifs, les gestionnaires d'actifs, les fonds de pension et les banques d'investissement. Les premiers signes sont encourageants. Vous pouvez gagner de l'argent en étant plus précis que le marché ou en étant plus rapide ; TellusLabs est à la fois, déclare Abraham Thomas, directeur des données de Quandl. Un «battement» de 70% n'est pas en soi extrêmement convaincant, mais associez-le à un avantage de vitesse et cela devient convaincant.
TellusLabs prévoit d'introduire un modèle de prévision pour le soja dans Kernel en septembre. Il vise à terme à publier un modèle prospectif pour le blé ; étendre ses données sur le rendement du maïs à l'Argentine, au Brésil et à la Chine ; et de surveiller les forêts et les grands réservoirs d'eau douce par satellite. Nous avons un pipeline d'idées, dit Potere. Il y a tout un tas de questions géospatiales intéressantes à l'échelle mondiale qui n'ont pas encore été posées.