Delete app.py

app.py

@@ -1,361 +0,0 @@
-#-------------------------------------------------------- Imports nécessaires ---------------------------------------------------
-import os
-import warnings
-import pandas as pd
-import numpy as np
-import plotly.express as px
-import streamlit as st
-import boto3
-import mlflow
-import mlflow.pyfunc
-
-from sklearn.exceptions import UndefinedMetricWarning
-from sklearn import set_config
-
-warnings.filterwarnings("ignore", category=UndefinedMetricWarning)
-set_config(display="text")
-
-#-------------------------------------------------------- Configuration AWS S3 ---------------------------------------------------
-aws_access_key_id = os.environ.get("AWS_ACCESS_KEY_ID")
-aws_secret_access_key = os.environ.get("AWS_SECRET_ACCESS_KEY")
-aws_region = "eu-west-3"
-
-s3 = boto3.client(
-    's3',
-    region_name=aws_region,
-    aws_access_key_id=aws_access_key_id,
-    aws_secret_access_key=aws_secret_access_key
-)
-
-#-------------------------------------------------------- Streamlit page config ---------------------------------------------------
-st.set_page_config(page_title="Projet Incendies", layout="wide")
-
-#-------------------------------------------------------- Sidebar navigation ---------------------------------------------------
-st.sidebar.title("Navigation")
-page = st.sidebar.radio("Aller à", [
-    "Accueil",
-    "Notre Projet",
-    "Résultats des modèles",
-])
-
-#-------------------------------------------------------- Footer ---------------------------------------------------
-def show_footer():
-    st.markdown("---")
-    st.markdown("Projet réalisé dans le cadre de la formation Lead Data Scientist. © 2025")
-
-#-------------------------------------------------------- Chargement des datasets depuis S3 ---------------------------------------------------
-@st.cache_data(show_spinner="🔄 Téléchargement des dernières données météo…", ttl=None)
-def load_model_data() -> pd.DataFrame:
-    bucket = "projet-final-lead"
-    key = "data/dataset_complet_meteo.csv"
-    try:
-        obj = s3.get_object(Bucket=bucket, Key=key)
-        df = pd.read_csv(obj['Body'], sep=';')
-        for col in df.columns:
-            if "date" in col.lower():
-                df[col] = pd.to_datetime(df[col], errors="coerce", dayfirst=True)
-        return df
-    except Exception as e:
-        st.error(f"❌ Erreur lors du chargement du dataset modèle : {e}")
-        return pd.DataFrame()
-
-@st.cache_data(show_spinner="🔄 Téléchargement du dataset historique…", ttl=None)
-def load_df_merge() -> pd.DataFrame:
-    bucket = "projet-final-lead"
-    key = "data/historique_incendies_avec_coordonnees.csv"
-    try:
-        obj = s3.get_object(Bucket=bucket, Key=key)
-        df = pd.read_csv(obj['Body'], sep=';', encoding='utf-8')
-        return df
-    except Exception as e:
-        st.error(f"❌ Erreur lors du chargement du dataset historique : {e}")
-        return pd.DataFrame()
-
-#-------------------------------------------------------- MLflow ---------------------------------------------------
-mlflow.set_tracking_uri("https://djohell-ml-flow.hf.space")
-
-@st.cache_data(show_spinner="🔄 Chargement du modèle prédictif…", ttl=None)
-def load_mlflow_model():
-    model_uri = 'runs:/69a3c889954f4ce9a2139a4fb4cefc59/survival_xgb_model'
-    model = mlflow.pyfunc.load_model(model_uri)
-    return model
-
-_model = load_mlflow_model()
-st.write("✅ Modèle prédictif chargé avec nos dernières prévisions !")
-
-#-------------------------------------------------------- Prédiction via MLflow ---------------------------------------------------
-@st.cache_data(show_spinner="⚙️ Prédiction des risques…", ttl=None)
-def predict_risk(df_raw: pd.DataFrame, _model) -> pd.DataFrame:
-    df = df_raw.copy()
-    df = df.rename(columns={"Feu prévu": "event", "décompte": "duration"})
-    df["event"] = df["event"].astype(bool)
-    df["duration"] = df["duration"].fillna(0)
-
-    features = [
-        "moyenne precipitations mois", "moyenne temperature mois",
-        "moyenne evapotranspiration mois", "moyenne vitesse vent année",
-        "moyenne vitesse vent mois", "moyenne temperature année",
-        "RR", "UM", "ETPMON", "TN", "TX", "Nombre de feu par an",
-        "Nombre de feu par mois", "jours_sans_pluie", "jours_TX_sup_30",
-        "ETPGRILLE_7j", "compteur jours vers prochain feu",
-        "compteur feu log", "Année", "Mois",
-        "moyenne precipitations année", "moyenne evapotranspiration année",
-    ]
-    features = [f for f in features if f in df.columns]
-
-    log_hr_all = _model.predict(df[features])
-    HR = np.exp(log_hr_all)
-
-    def S0(t):
-        return np.exp(-t/1000)
-
-    horizons = {7:"proba_7j", 30:"proba_30j", 60:"proba_60j", 90:"proba_90j", 180:"proba_180j"}
-    for t, col in horizons.items():
-        df[col] = 1 - (S0(t) ** HR)
-
-    for col in ["latitude","longitude","ville"]:
-        if col not in df.columns:
-            df[col] = np.nan
-
-    df_map = df[["latitude","longitude","ville"] + list(horizons.values())].copy()
-    return df_map
-
-#-------------------------------------------------------- Page Accueil ---------------------------------------------------
-if page == "Accueil":
-    st.title("Carte du risque d’incendie en Corse")
-
-    df_raw = load_model_data()
-    df_map = predict_risk(df_raw, _model)
-
-    horizons_lbl = {
-        "7 jours":"proba_7j",
-        "30 jours":"proba_30j",
-        "60 jours":"proba_60j",
-        "90 jours":"proba_90j",
-        "180 jours":"proba_180j",
-    }
-    choix = st.radio("Choisissez l’horizon temporel souhaité :", list(horizons_lbl.keys()), horizontal=True, index=0)
-    col_proba = horizons_lbl[choix]
-
-    vmax = float(df_map[col_proba].max())
-    fig = px.scatter_mapbox(
-        df_map,
-        lat="latitude",
-        lon="longitude",
-        hover_name="ville",
-        hover_data={col_proba: ":.2%"},
-        color=col_proba,
-        color_continuous_scale="YlOrRd",
-        range_color=(0.0, vmax),
-        zoom=7,
-        height=650,
-    )
-    fig.update_layout(
-        mapbox_style="open-street-map",
-        margin=dict(l=0,r=0,t=0,b=0),
-        coloraxis_colorbar=dict(title="Probabilité", tickformat=".0%"),
-    )
-    st.subheader(f"Risque d’incendie – horizon **{choix}**")
-    st.plotly_chart(fig, use_container_width=True)
-
-    show_footer()
-
-#-------------------------------------------------------- Page Notre Projet ---------------------------------------------------
-elif page == "Notre Projet":
-    st.title("🔥 Projet Analyse des Incendies 🔥")
-
-    st.subheader(" 📊 Contexte")
-    st.subheader("🌲La forêt française en chiffres")
-    col1, col2 = st.columns([2,1])
-    with col1:
-        st.markdown("""
-La France est le 4ᵉ pays européen en superficie forestière, avec **17,5 millions d’hectares** en métropole (32 % du territoire) et **8 millions** en Guyane.
-Au total, les forêts couvrent environ **41 %** du territoire national.
-- **75 %** des forêts sont privées (3,5 millions de propriétaires).
-- **16 %** publiques (collectivités).
-- **9 %** domaniales (État).
-La forêt française est un réservoir de biodiversité :  
-- **190 espèces d’arbres** (67 % feuillus, 33 % conifères).  
-- **73 espèces de mammifères**, **120 d’oiseaux**.  
-- Environ **30 000 espèces de champignons et autant d’insectes**.  
-- **72 %** de la flore française se trouve en forêt.
-Les forêts françaises absorbent environ **9 %** des émissions nationales de gaz à effet de serre, jouant un rôle crucial dans la lutte contre le changement climatique.
-Le Code forestier encadre leur gestion durable pour protéger la biodiversité, l’air, l’eau et prévenir les risques naturels.
-        """)
-
-    st.header("🔥 Corse : Bilan Campagne Feux de Forêts 2024")
-    tab1, tab2, tab3, tab4, tab5, tab6 = st.tabs(["📌 Contexte","🛠️ Prévention","🚒 Moyens","📊 Statistiques","🔍 Causes","🔎 Enquêtes"])
-
-    # Contenus des tabs
-    with tab1:
-        with st.expander("📌 Contexte général"):
-            st.markdown("""
-- **80 %** de la Corse est couverte de forêts/maquis → **fort risque incendie**  
-- **2023-2024** : la plus chaude et la plus sèche jamais enregistrée  
-- **714 mm** de pluie sur l’année (**78 %** de la normale)  
-- **Façade orientale** : seulement **30 %** des précipitations normales
-            """)
-
-    with tab2:
-        with st.expander("🛠️ Prévention & Investissements"):
-            st.markdown("""
-- **1,9 million €** investis en 2023-2024 par l’État (jusqu’à 80 % de financement)  
-- Travaux financés :  
-  - Pistes DFCI/DECI (Sorio di Tenda, Oletta, Île-Rousse…)  
-  - Citernes souples & points d’eau  
-  - Drones, caméras thermiques, logiciels SIG  
-  - Véhicules pour réserves communales
-            """)
-
-    with tab3:
-        with st.expander("🚒 Moyens déployés"):
-            st.markdown("""
-- Jusqu’à **500 personnels mobilisables**  
-- **168 sapeurs-pompiers SIS2B**, **261 UIISC5**, forestiers-sapeurs, gendarmerie, ONF…  
-- Moyens aériens :  
-  - **1 hélico**, **2 canadairs** à Ajaccio  
-  - **12 canadairs** + **8 Dashs** nationaux en renfort
-            """)
-
-    with tab4:
-        with st.expander("📊 Statistiques Feux Été 2024"):
-            st.markdown("""
-- **107 feux** recensés (~9/semaine)  
-- **130 ha** brûlés dont :  
-  - 83 % des feux <1 ha : **5,42 ha**  
-  - 4 gros feux >10 ha : **72,84 ha**  
-  - Linguizetta (**22,19 ha**), Oletta (**18,9 ha**), Pioggiola (**18,75 ha**), Tallone (**13 ha**)  
-- Depuis janvier 2024 : **285 feux** pour **587 ha**  
-- Feu majeur à Barbaggio : **195 ha (33 % du total annuel)**
-            """)
-
-    with tab5:
-        with st.expander("🔍 Causes des feux (38 cas identifiés)"):
-            st.markdown("""
-- **11** : foudre  
-- **8** : écobuages  
-- **6** : malveillance  
-- **5** : accidents  
-- **4** : mégots de cigarette
-            """)
-        with st.expander("⚠️ Prévention = priorité absolue"):
-            st.markdown("""
-- **90 %** des feux ont une origine humaine  
-- Causes principales : **imprudences** (mégots, BBQ, travaux, écobuages…)
-            """)
-
-    with tab6:
-        with st.expander("🔎 Enquêtes & Surveillance"):
-            st.markdown("""
-- **20 incendies** étudiés par la Cellule Technique d’Investigation (CTIFF)  
-- Équipes mobilisées : **7 forestiers**, **15 pompiers**, **21 forces de l’ordre**  
-- **Fermeture de massif** enclenchée 1 seule fois : forêt de Pinia
-            """)
-
- #---------------------------------------------------Notre Objectif --------------------------------------------------------
-  
-    st.subheader("🎯 Notre Objectif")
-    st.markdown("""
-Dans un contexte de **changement climatique** et de **risques accrus d’incendies de forêt**, notre équipe a développé un projet innovant visant à **analyser et prédire les zones à risque d’incendie** en France, avec un focus particulier sur la **Corse**.
-    """)
-#---------------------------------------------------Obectifs du projet---------------------------------------------------
-    col1, col2 = st.columns([1, 1])
-    with col1:
-        st.subheader("🔍 Exploration des données")
-        st.markdown("""
-- ✅ **Évolution du nombre d’incendies**, répartition par mois et par causes.
-- ✅ **Cartographie interactive** des incendies sur tout le territoire.
-- ✅ **Analyse des clusters** grâce à DBSCAN pour identifier les zones les plus à risque.
-        """)
-
-    with col2:
-        st.subheader("📈 Modèles prédictifs")
-        st.markdown("""
-- ✅ **Comparaison des modèles** : Random Forest, XGBoost, analyse de survie.
-- ✅ **Prédiction des zones à risque** avec visualisation sur carte.
-- ✅ Fourniture d'un **outil décisionnel** pour les autorités et les services de gestion des risques.
-        """)
-
-    st.subheader("📘 Définition de l'analyse de survie (Survival Analysis")
-    col1, col2, col3, col4 = st.columns(4)
-
-    with col1:
-        st.markdown("### 🧠 Qu’est-ce que l’analyse de survie ?")
-        st.markdown("""
-L’**analyse de survie** (ou **Survival Analysis**) est une méthode statistique utilisée pour **modéliser le temps avant qu’un événement se produise**, comme :
-- 🔥 un incendie,
-- 🏥 un décès,
-- 📉 une résiliation d’abonnement,
-- 🧯 une panne.
-""")
-
-    with col2:
-        st.markdown("### 📌 Objectif :")
-        st.markdown("""
-> Estimer la **probabilité qu’un événement ne se soit pas encore produit** à un instant donné.
-""")
-
-    with col3:
-        st.markdown("### 🔑 Concepts fondamentaux : ")
-        st.markdown("""
-- ⏳ **Temps de survie (`T`)** : temps écoulé jusqu’à l’événement.
-- 🎯 **Événement** : le phénomène qu’on cherche à prédire (feu, panne, décès...).
-- ❓ **Censure** : l’événement **n’a pas encore eu lieu** durant la période d’observation.
-- 📉 **Fonction de survie `S(t)`** : probabilité de "survivre" après le temps `t`.
-- ⚠️ **Fonction de risque `h(t)`** : probabilité que l’événement se produise **immédiatement après `t`**, sachant qu’il ne s’est pas encore produit.
-""")
-    
-    with col4:
-        st.markdown ("### 🧪 Exemples d’applications :")
-        st.markdown("""
-| Domaine | Exemple |
-|--------|---------|
-| 🔥 Incendies | Quand un feu va-t-il se déclarer ? |
-| 🏥 Santé | Combien de temps un patient survivra après traitement ? |
-| 📉 Marketing | Quand un client risque-t-il de partir ? |
-| 🧑‍💼 RH | Quand un salarié quittera-t-il l’entreprise ? |
-""")
-
-    #---------------------------------------------------Equipe du projet---------------------------------------------------
-    st.subheader("👨‍💻 Équipe du projet")
-    col1, col2, col3, col4, col5, col6 = st.columns(6)
-    with col1:
-        st.image("images/Francois_Minaret.jpg", width=150)
-        st.markdown("**Francois Minaret**")
-    with col2:
-        st.image("images/Joel_Termondjian.jpg", width=150)  
-        st.markdown("**Joël Termondjian**")
-    with col3:
-        st.image("images/Marc_Barthes.jpg", width=150)
-        st.markdown("**Marc Barthes**")
-    with col4:
-        st.image("images/Gilles_Akakpo.jpg", width=150)
-        st.markdown("**Gilles Akakpo**")
-    with col5:
-        st.image("images/Nathalie_Devogelaere.jpg", width=150)
-        st.markdown("**Nathalie Devogelaere**")
-    with col6:
-        st.image("images/David_Jaoui.jpg", width=150)
-        st.markdown("**David Jaoui**")
-
-    
-    show_footer()
-
-
-#---------------------------------------------------- Page Résultats des modèles -----------------------------------------
-
-elif page == "Résultats des modèles":
-    st.title("📈 Résultats des modèles prédictifs")
-    st.markdown("### Comparaison des modèles de Survival Analysis")
-
-    #--------------------------------------------------- Tableau codé en dur en Markdown -----------------------------------
-    st.markdown("""
-    | Modèle                            | Concordance Index | 
-    |-----------------------------------|-------------------|
-    | Predict survival fonction (MVP)   | 0.69              |                 
-    | XGBOOST survival cox              | 0.809             |      
-    """)
-
-    st.markdown("👉 Le modèle **XGBOOST survival cox** obtient la meilleure performance globale.")
-
-    show_footer()