Hamza-7bl/geo-flood-risk-tanzania

Flood Risk Prediction in Tanzania using Machine Learning # 🌊 Projet de Classification du Risque d'Inondation en Tanzanie ## 📋 Description Ce projet utilise l'intelligence artificielle et les techniques de machine learning pour prédire le **risque d'inondation** (Faible, Moyen, Élevé) en se basant sur des données géographiques et environnementales de la Tanzanie. Le projet implémente et compare **6 algorithmes de classification** différents pour identifier le modèle le plus performant. ## 👥 Équipe - **Aarab Hatim** - **Arakrak Sami** - **Lamrhaouar Adham** - **Ahl Sahaba Abdelbari** - **Boulahrouf Hamza** **Cours :** Géo-Information - Intelligence Artificielle **Institution :** FST 2026-2028 ## 🎯 Objectifs 1. Analyser les données géographiques et environnementales de la Tanzanie 2. Prédire le niveau de risque d'inondation (3 classes) 3. Comparer 6 algorithmes de classification 4. Optimiser les hyperparamètres des modèles 5. Créer une interface interactive pour les prédictions ## 📊 Données ### Source Le fichier `geo_flood_risk_data.csv` contient les données d'entraînement. ### Variables Utilisées | Variable | Description | Unité | |----------|-------------|-------| | `altitude_m` | Altitude du point | mètres | | `pente_pct` | Pourcentage de pente du terrain | % | | `dist_riviere_km` | Distance à la rivière la plus proche | km | | `precip_mm` | Précipitations annuelles moyennes | mm | | `perm_sol` | Perméabilité du sol | 0-1 | | `longitude` | Coordonnée géographique | degrés | | `latitude` | Coordonnée géographique | degrés | | **`risque_inondation`** | **Variable cible** (Faible/Moyen/Élevé) | - | ## 🤖 Modèles Implémentés 1. **Régression Logistique** - Modèle linéaire de référence 2. **Arbre de Décision** - Modèle simple et interprétable 3. **Random Forest** - Ensemble de arbres de décision 4. **K-Nearest Neighbors (KNN)** - Classification par proximité 5. **Support Vector Machine (SVM)** - Séparation par hyperplan optimal 6. **Gradient Boosting** - Ensemble boosting performant ## 🚀 Installation ### Prér …