SolarRide Horizon - Votre vélo à l’ombre, la planète au soleil

🌞 SolaRide Horizon

Estimer le potentiel solaire des pistes cyclables françaises pour une transition énergétique intelligente.

📌 Contexte & Problématique

Dans le cadre de ma formation en Data Analyse à la Wild Code School, j’ai co-développé SolaRide Horizon, une application interactive destinée à simuler le potentiel photovoltaïque des voies vertes en France. Inspiré par l’initiative suisse de Genève (Solar Horizon), notre objectif était double :

🔋 Révéler le potentiel énergétique des infrastructures existantes (pistes cyclables)
🌱 Accélérer la transition vers des énergies renouvelables locales

La mission : créer une application de A à Z, intégrant cartographie, simulation énergétique, visualisations analytiques et un assistant IA.

🗺️ Étape 1 – Cadrage & Collecte des données (Semaines 1 & 2)

Avant toute analyse, nous avons cadré le périmètre du projet, puis collecté les premières données géographiques :

🧭 Exploration des voies vertes françaises via la base officielle AF3V
🗺️ Nettoyage et géocodage des tracés GPS pour analyse spatiale
📚 Étude du modèle solaire genevois pour en extraire une formule de calcul transférable

👉 Cette phase nous a permis d'identifier les surfaces exploitables à grande échelle en France.

🔬 Étape 2 – Enrichissement météo & premiers calculs (Semaines 3 & 4)

Pour simuler la production solaire, nous avons croisé les pistes cyclables avec des données météo historiques :

🌤️ Extraction des données climatiques via Open-Meteo API
📦 Calcul de rendement énergétique basé sur une hypothèse : 860 m² de panneaux bifaciaux/piste
🧠 Développement du simulateur et premiers tests de calcul sur les trajets référencés

👉 Nous avons structuré une base de données robuste, prête à être visualisée et analysée dynamiquement.

📊 Étape 3 – Visualisations interactives & design (Semaines 5 & 6)

Nous avons ensuite développé une application visuelle et pédagogique sous Streamlit, avec plusieurs modules :

🗺️ Carte interactive : géolocalisation des pistes, filtrage par rendement ou surface
📈 Dashboard énergétique : km exploitables, production annuelle estimée, top pistes
🌟 SolarScore : un indicateur pour prioriser les zones les plus prometteuses
📸 Intégration d’illustrations et d’infographies pour renforcer l’impact visuel

👉 Cette phase a permis de rendre les données accessibles et exploitables pour des collectivités ou décideurs publics.

🤖 Étape 4 – Intelligence Artificielle & prédictions météo (Semaine 7)

Pour renforcer la puissance prédictive du simulateur, nous avons intégré une première brique IA :

📆 Prédiction météo glissante M+12 par modèle supervisé (scikit-learn)
⚡ Projection du rendement solaire futur par région/piste
💬 Développement d’un ChatBot IA via OpenAI pour aider l’utilisateur à interpréter les résultats

👉 Ce module intelligent offre une vision prospective de la production, intégrée directement à l’app.

💻 Fonctionnalités clés de l'application

• 🗺️ Carte interactive des voies vertes françaises

• ☀️ Calcul de rendement solaire piste par piste

• 📊 Tableau de bord de production énergétique nationale & régionale

• 📈 Indicateur SolarScore pour identifier les projets rentables

• 🤖 Chatbot IA + simulation météo future

🔗 Lien vers l’application : https://solaridehorizon.streamlit.app/

🧠 Ce que j’ai appris

• Travailler avec des données géographiques complexes (via GeoPandas)

• Intégrer des données météorologiques massives dans une logique projet

• Simuler des rendements énergétiques en croisant plusieurs sources

• Créer une interface complète et interactive, du design au déploiement

• Appliquer des techniques de Machine Learning à un cas d’usage écologique et concret

  
  

🔮 Pistes d’amélioration

• 💰 Ajouter un module de simulation financière (investissement vs retour)

• Cibler les collectivités locales pour du packaging SaaS

• 🌍 Étendre l'application à d'autres pays (Belgique, Suisse, Espagne…)

• 🤝 Nouer des partenariats avec des projets réels comme SIG Genève

  
  

🛠️ Stack technique utilisée

• Python, Pandas, GeoPandas

• Open-Meteo API, OpenAI API, Scikit-learn

• Streamlit, Folium, Plotly.express

• Web Scraping, Tidy data, Notebooks R&D

  
  

💬 Conclusion

SolaRide Horizon m’a permis de combiner data science, enjeux écologiques et design produit dans une application innovante. Ce projet illustre la manière dont la data peut servir concrètement à optimiser la transition énergétique, en valorisant des infrastructures existantes.

💡 À travers ce projet collaboratif, j’ai allié analyse technique, esprit d’équipe, et impact environnemental.