Callendar was born in 2019, they were among the very first to trust us:
Callendar provides the data and expertise to assess the effects of climate change on your projects. Don't take any risks: our tools, designed to combine responsiveness and scientific rigour, help you make the right decisions wherever the current or future climate matters.
Notre défi #Tech4Good : rendre les projections climatiques locales accessibles à tous en un clic !
Vous êtes un élu local et vous devez vous prononcer sur un projet d'aménagement ? Un chef d'entreprise qui cherche où implanter ses installations ? Ou bien simplement un jardinier qui décide quels arbres il va planter ? Il y a beaucoup de bonnes raisons de vouloir connaitre l'évolution locale du climat sans forcément avoir le temps ou les moyens de faire appel à un spécialiste des services climatiques comme Callendar. C'est pourquoi nous développons une application web qui vous permettra bientôt de consulter vous-même nos outils et d'obtenir les réponses à vos questions en un clic.
Dites-nous simplement le lieu qui vous intéresse. L'application recherche les projections locales parmi les résultats des modèles climatiques haute résolution, évalue les effets concrets de ces évolutions et identifie ceux qui sont les plus significatifs pour vous. En quelques secondes, vous accédez à un rapport personnalisé et vous pouvez commencer à prendre les bonnes décisions pour vous préparer aux conséquences du changement climatique.
Comment nous utilisons la data et l'intelligence artificielle pour anticiper les risques climatiques
Contribution à la politique électrique du Burkina Faso
Callendar a fourni des données sur l'évolution du climat dans le cadre de l'élaboration de la feuille de route du secteur électrique Burkinabé à l'horizon 2035. Ce projet a fait l'objet d'une étude de cas publiée par l'IFDD.
Evaluation des risques climatiques pour Saudi Aramco
Inondations, chaleur, hausse du niveau des océans... A l'occasion de son entrée en bourse, Callendar a publié une étude de la vulnérabilité climatique de la compagnie pétrolière nationale saoudienne.
Cette étude de cas est une démonstration détaillée de la modélisation d'un fleuve grâce à des données passées et à un algorithme d’apprentissage machine. Une méthode simple et rapide à mettre en oeuvre.