Upload app.py

app.py

@@ -0,0 +1,361 @@
+#-------------------------------------------------------- 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_historique_incendies() -> 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()