{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "d8fc68ff",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Préparation commune des TP Python\n",
    "# Le notebook utilise uniquement les ressources fournies dans le dossier codes/.\n",
    "from pathlib import Path\n",
    "import importlib.util\n",
    "import subprocess\n",
    "import sys\n",
    "\n",
    "REQUIRED_PACKAGES = {'numpy': 'numpy', 'pandas': 'pandas', 'matplotlib': 'matplotlib'}\n",
    "missing = [package for module, package in REQUIRED_PACKAGES.items()\n",
    "           if importlib.util.find_spec(module) is None]\n",
    "if missing:\n",
    "    print(\"Installation des paquets manquants :\", \", \".join(missing))\n",
    "    subprocess.check_call([sys.executable, \"-m\", \"pip\", \"install\", *missing])\n",
    "\n",
    "WORKDIR = Path.cwd().resolve()\n",
    "CODES_DIR = WORKDIR.parent if WORKDIR.name == \"correction\" else WORKDIR\n",
    "TOOLBOX_DIR = CODES_DIR / \"toolbox\"\n",
    "DATA_DIR = CODES_DIR / \"data\"\n",
    "if not CODES_DIR.is_dir():\n",
    "    raise FileNotFoundError(\"Exécutez le notebook depuis le dossier codes/.\" )\n",
    "if TOOLBOX_DIR.is_dir():\n",
    "    sys.path.insert(0, str(TOOLBOX_DIR))\n",
    "\n",
    "DICE_FILE = TOOLBOX_DIR / \"DICE.py\"\n",
    "if not DICE_FILE.is_file():\n",
    "    raise FileNotFoundError(\n",
    "        f\"Module du cours introuvable : {DICE_FILE}. \"\n",
    "        \"Téléchargez le dossier codes complet, avec toolbox/.\"\n",
    "    )\n",
    "\n",
    "DATA_FILE = DATA_DIR / \"SSP_scenarios.csv\"\n",
    "if not DATA_FILE.is_file():\n",
    "    raise FileNotFoundError(\n",
    "        f\"Donnée du cours introuvable : {DATA_FILE}. \"\n",
    "        \"Téléchargez le dossier codes complet, avec data/.\"\n",
    "    )\n",
    "\n",
    "print(\"Environnement prêt :\", CODES_DIR)\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "b4080fff",
   "metadata": {},
   "source": [
    "# TP3 — Génération de scénarios physiques SSP\n",
    "\n",
    "**Date de la séance :** mercredi 9 septembre 2026, 08:30–10:30\n",
    "\n",
    "**Objectifs**\n",
    "- Manipuler les scénarios SSP (Shared Socioeconomic Pathways)\n",
    "- Simuler plusieurs scénarios physiques avec DICE\n",
    "- Calculer des probabilités de dépassement de seuils de température\n",
    "- Identifier les années de dépassement de +1,5°C et +2°C selon le scénario\n",
    "\n",
    "**Prérequis** : TP2 (prise en main de DICE)."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "4b1d6351",
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np, pandas as pd, matplotlib.pyplot as plt\n",
    "import DICE"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "21703bb5",
   "metadata": {},
   "source": [
    "## Partie 1 — Scénarios SSP"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2110c610",
   "metadata": {},
   "source": [
    "**Question 1.** Chargez le fichier SSP_scenarios.csv. Affichez les premières lignes et les colonnes disponibles."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "2e96fb42",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Expected output: colonnes ['year', 'scenario', 'emissions_gtco2'], 5 scénarios SSP1-SSP5\n",
    "df_ssp = pd.read_csv(DATA_DIR / \"SSP_scenarios.csv\")\n",
    "print(df_ssp.columns.tolist())\n",
    "print(df_ssp['scenario'].unique())\n",
    "df_ssp.head()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "216a7be4",
   "metadata": {},
   "source": [
    "## Partie 2 — Simulation des scénarios SSP avec DICE"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "acc29e88",
   "metadata": {},
   "source": [
    "**Question 2.** Simulez trois scénarios avec DICE en faisant varier les paramètres :\n",
    "- SSP1 (soutenabilité) : `gA=0.04`, `Linf=8500`, `gsig=0.025`\n",
    "- SSP2 (référence) : paramètres par défaut\n",
    "- SSP5 (fossile) : `gA=0.10`, `Linf=12000`, `gsig=0.008`"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "23161a71",
   "metadata": {},
   "outputs": [],
   "source": [
    "ssp_params = {\n",
    "    'SSP1': dict(gA=0.04, Linf=8500, gsig=0.025),\n",
    "    'SSP2': dict(),  # default\n",
    "    'SSP5': dict(gA=0.10, Linf=12000, gsig=0.008)\n",
    "}\n",
    "ssp_paths = {}\n",
    "for name, kwargs in ssp_params.items():\n",
    "    p = DICE.Params(**kwargs)\n",
    "    path = DICE.init_states(p)\n",
    "    timevec = range(1, p.nT)\n",
    "    path[1:, p.i_mu] = 0.03\n",
    "    path = DICE.update_path(path, timevec, p)\n",
    "    ssp_paths[name] = (p, path)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "994bfb2a",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Expected output: SSP5 réchauffe le plus vite, SSP1 le moins vite\n",
    "plt.figure(figsize=(9, 5))\n",
    "for name, (p, path) in ssp_paths.items():\n",
    "    plt.plot(path[:, p.i_time], path[:, p.i_T_AT], label=name, linewidth=2)\n",
    "plt.xlabel('Année'); plt.ylabel('T_AT (°C)')\n",
    "plt.title('Trajectoires de température par scénario SSP')\n",
    "plt.legend(); plt.grid(True)\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "1e5fdb28",
   "metadata": {},
   "source": [
    "**Question 3.** Calculez la probabilité de dépasser +1,5°C, +2°C et +3°C en 2100 pour chaque scénario (à ce stade, avec 3 scénarios déterministes, la 'probabilité' est 0 ou 1 — discutez pourquoi une vraie distribution nécessite Monte Carlo)."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c067cbd9",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Expected output: tableau binaire 0/1 par scénario et seuil\n",
    "thresholds = [1.5, 2.0, 3.0]\n",
    "rows = []\n",
    "for name, (p, path) in ssp_paths.items():\n",
    "    T_2100 = path[-1, p.i_T_AT]\n",
    "    row = {'scenario': name, 'T_AT_2100': T_2100}\n",
    "    for th in thresholds:\n",
    "        row[f'P(T>{th})'] = int(T_2100 > th)\n",
    "    rows.append(row)\n",
    "df_proba = pd.DataFrame(rows)\n",
    "df_proba"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c773043e",
   "metadata": {},
   "source": [
    "## Partie 3 — Analyse des risques chroniques et aigus"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c128e408",
   "metadata": {},
   "source": [
    "**Question 4.** Pour chaque scénario, calculez la première année de dépassement de +1,5°C et de +2°C. Présentez les résultats dans un tableau."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "7d719fd1",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Expected output: SSP5 dépasse les seuils plus tôt que SSP1 ; certains scénarios ne dépassent jamais +2°C sur l'horizon simulé\n",
    "rows = []\n",
    "for name, (p, path) in ssp_paths.items():\n",
    "    years = path[:, p.i_time]\n",
    "    T = path[:, p.i_T_AT]\n",
    "    row = {'scenario': name}\n",
    "    for th in [1.5, 2.0]:\n",
    "        above = years[T > th]\n",
    "        row[f'année_depassement_{th}'] = int(above[0]) if len(above) > 0 else np.nan\n",
    "    rows.append(row)\n",
    "df_years = pd.DataFrame(rows)\n",
    "df_years"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "d7346cb1",
   "metadata": {},
   "source": [
    "## Interprétation"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "904d1b8e",
   "metadata": {},
   "source": [
    "### Éléments de réponse\n",
    "\n",
    "- Les scénarios SSP se distinguent par leurs hypothèses socio-économiques (croissance de la productivité, démographie, intensité carbone), qui déterminent la trajectoire d'émissions et donc de température.\n",
    "- Avec seulement 3 trajectoires déterministes, la « probabilité » de dépassement d'un seuil est artificiellement binaire (0 ou 1) : elle ne reflète pas l'incertitude réelle (sensibilité climatique, hypothèses socio-économiques, variabilité naturelle). Une vraie distribution de probabilité nécessite un tirage Monte Carlo sur les paramètres incertains, ce qui est l'objet du TP5.\n",
    "- La distinction risques chroniques (élévation progressive du niveau moyen de température, montée des eaux) et risques aigus (événements extrêmes) est essentielle en actuariat : les scénarios SSP renseignent surtout sur la trajectoire moyenne (risques chroniques), alors que les risques aigus nécessitent des modèles complémentaires (catastrophe models)."
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.10"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}