emna1ghorbel/tunis_meteo_ml

# Météo Tunisie · Pipeline de Machine Learning & Interface Prédictive Ce dépôt contient le code source complet d'un projet d'intelligence artificielle destiné à prédire la pluie en Tunisie pour le lendemain. Le projet combine un pipeline rigoureux de Machine Learning (analyse exploratoire, nettoyage, ingénierie de caractéristiques, apprentissage de représentations profondes et entraînement de modèles) avec une interface utilisateur web interactive et haut de gamme connectée à un serveur Flask. --- ## SECTION 1 — VUE D'ENSEMBLE ### Objectif du projet L'objectif de ce projet est de concevoir et déployer un système prédictif robuste capable de déterminer avec précision si des précipitations supérieures à 1.0 mm surviendront le lendemain en Tunisie (`pluie_demain_bin`). Il vise à exploiter la puissance des modèles tabulaires (CatBoost) et des réseaux de neurones profonds (Keras/TensorFlow) entraînés sur un historique climatique réel de 17 ans. ### Jeu de données * **Fichier source** : `data/tunisie_meteo_reelle_2009_2026.csv` * **Volume** : **23 978 observations** (lignes) * **Couverture géographique** : 4 grandes villes tunisiennes (Bizerte, Tunis, Sousse et Sfax) dotées de coordonnées géographiques réelles. * **Période temporelle** : De **2009 à 2026**. * **Variables d'observation** : 30 métriques météorologiques de base (températures, précipitations, humidité, pression, nébulosité, ensoleillement, vitesse et direction du vent, caractéristiques du sol, evapotranspiration). ### Cible prédite La cible d'apprentissage supervisé est la variable binaire **`pluie_demain_bin`** : * **`0`** : Pas de pluie significative le lendemain ($\le 1.0\text{ mm}$). * **`1`** : Pluie significative le lendemain ($> 1.0\text{ mm}$). ### Stack technique réelle Le projet est développé en Python 3 avec les technologies et bibliothèques suivantes : * **Pipeline de modélisation et calcul scientifique** : `catboost`, `tensorflow` (Keras), `scikit-learn`, `pandas`, `numpy`, `shap`. * **Vis …