Türkiye'de yaşanan sık orman yangınları nedeniyle bu analiz projesi Filiz Buzkıran (@lizlavigne), Göknil Bilge (@GoknilBilge) ve Ada Erkan (@adaerkn) tarafından geliştirilmiştir.

Bu proje, Türkiye'deki orman yangınlarının riskini tahmin etmek için tasarlanmış ileri düzey bir makine öğrenimi uygulamasıdır. Tarihi yangın ve meteorolojik veriler üzerinde eğitilmiş bir Random Forest Classifier modeli kullanarak gerçek zamanlı ve 5 günlük risk tahmini sağlar. Uygulamamız, etkileşimli bir kullanıcı arayüzü için Streamlit ile, coğrafi görselleştirmeler için ise Folium ile geliştirilmiştir.

• Makine Öğrenimi Tahminleri: Tarihsel yangın ve hava verileri üzerinde eğitilmiş bir Random Forest Classifier modeli ile orman yangını olasılığı tahmin edilir.

• Gerçek Zamanlı Hava Durumu Entegrasyonu: OpenWeatherMap API üzerinden canlı ve 5 günlük hava durumu verileri çekilir. Veriler, performans için Streamlit'in önbellekleme (@st.cache_data) mekanizması ile saklanır.

• Etkileşimli Web Uygulaması: Streamlit ile geliştirilen uygulama, şehir seçme, risk tahminlerini görüntüleme ve hava durumu trendlerini analiz etme gibi kullanıcı dostu özellikler sunar.

• Coğrafi Görselleştirme: Etkileşimli bir Folium haritası, 2020'den 2024'e kadar olan yangın olaylarını ve gelecekteki potansiyel risk bölgelerini görselleştirir.

• Kapsamlı Veri Seti: Proje, NASA'nın uydu yangın verileri ve Meteostat API'sinin meteorolojik verilerinin birleşiminden oluşan zengin bir veri seti kullanır.

• training_model.py: Makine öğrenimi iş akışını yönetir. Verileri yükler, ön işler, Random Forest modelini eğitir ve daha sonra kullanılmak üzere eğitilmiş modeli .pkl dosyasına kaydeder.
• app.py: Ana uygulama dosyasıdır. Önceden eğitilmiş modeli yükler, OpenWeatherMap API ile etkileşime geçer, yangın riskini hesaplar ve sonuçları Streamlit ve Folium kullanarak görselleştirir.
• tum_veriler_2020_2024_yangin_var.csv: Projenin birincil veri setidir. Makine öğrenimi modelini eğitmek için kullanılan tarihi yangın ve hava durumu bilgilerini içerir.
• orman_yangini_model.pkl: training_model.py tarafından oluşturulan ve app.py tarafından tahmin yapmak için kullanılan serileştirilmiş makine öğrenimi modelidir.
• requirements.txt : Projemizde kullandığımız kütüphaneleri içeren txt dosyamız.

Bu proje, büyük dosyaları işlemek için Git LFS (Large File Storage) kullanır. Uygulamamızı sorunsuz bir şekilde çalıştırmak için aşağıdaki adımları izleyin:

1. Git LFS'i Kurun: Terminalinizde aşağıdaki komutu çalıştırarak sisteminizde Git LFS'in kurulu olduğundan emin olun.

   git lfs install

2. Depoyu Klonlayın: Depoyu normal bir şekilde klonlayın.

git clone https://github.com/adaerkn/wildfire_analysis_in_Turkiye.git

3. Proje Klasörüne Girin: Proje dizinine gidin.

cd wildfire_analysis_in_Turkiye

• 3.1 Gerekli Kütüphaneleri Kurun: requirements.txt içinde bulunan gerekli kütüphaneler çalıştırılır

pip install -r requirements.txt

• 3.2 Modeli Eğitimi: Modelimizin eğitilmiş halinin sonucu görünür. (gerekli modüller önceki adımdadır, lütfen önce onu uygulayın)

python training_model.py

Bu komut, orman_yangini_model.pkl dosyasını oluşturacaktır. Arayüzün başlatılması için gereklidir

• 3.3 Arayüzü Başlatın: Bu komut, uygulamayı web tarayıcınızda açacaktır.

streamlit run app.py

Here are some screenshots to give you a better idea of the application's interface:

Due to the frequent wildfires in Turkey, we were developed that analysis project by Filiz Buzkıran (@lizlavigne) , Göknil Bilge (@GoknilBilge) and Ada Erkan (@adaerkn).

This project is an advanced machine learning application designed to predict the risk of wildfires in Turkey. It uses a Random Forest Classifier model, trained on historical fire and meteorological data, to provide real-time and 5-day risk forecasts. The application is built with Streamlit for an interactive user interface and uses Folium for geospatial visualization.

• Machine Learning-Powered Predictions: Utilizes a Random Forest Classifier trained on historical fire and weather data to predict the likelihood of a forest fire.
• Real-Time Weather Integration: Fetches live and 5-day forecast weather data from the OpenWeatherMap API.
• Interactive Web Application: Built with Streamlit, the app provides a user-friendly interface for selecting a city, viewing risk predictions, and analyzing weather trends.
• Geospatial Visualization: An interactive Folium map displays historical fire events from 2020 to 2024 and visualizes potential future risk zones.
• Comprehensive Data Set: The project uses a rich dataset compiled from NASA's satellite fire data and meteorological data from the Meteostat API.

• training_model.py: This script handles the core machine learning workflow. It loads and preprocesses data, trains the Random Forest model, and saves the trained model to a .pkl file for later use.
• app.py: The main application file. It loads the pre-trained model, interacts with the OpenWeatherMap API, calculates the fire risk, and visualizes the results using Streamlit and Folium.
• tum_veriler_2020_2024_yangin_var.csv: The primary dataset for the project. A dataset containing historical fire and weather information used to train the machine learning model.
• orman_yangini_model.pkl: The serialized machine learning model, created by training_model.py and used by app.py for making predictions.
• requirements.txt: A text file that lists all the Python libraries used in our project, such as streamlit, pandas, scikit-learn, folium, and requests.

This project uses Git LFS (Large File Storage) to handle large files. To run the application smoothly, follow these steps:

1. Install Git LFS: Ensure Git LFS is installed on your system by running the following command in your terminal.

   git lfs install

2. Clone the Repository: Clone the repository as you normally would. Git LFS will automatically handle the download of the large files.

   git clone https://github.com/adaerkn/wildfire_analysis_in_Turkiye.git

3. Run the Application: Navigate to the project directory.(pandas and sklearn modules must be downloaded, if not please download them first)

   cd wildfire_analysis_in_Turkiye

   • 3.1 Install Required Libraries: Run this command to install the necessary libraries listed in

   pip install -r requirements.txt

   • 3.2 Train the Model: If you want to retrain the model with your own data or update the existing one, run the following command. The result will be an updated, trained model.

   python training_model.py

   • 3.3 Launch the Interface: This command will open the application in your web browser.

   streamlit run app.py