diff --git a/.DS_Store b/.DS_Store
index 2cf51257028026c2fd9dd06d3da54d35242e7bcf..fbf73d8f06ff52658b2942a2df2f32b8074e9ae1 100644
Binary files a/.DS_Store and b/.DS_Store differ
diff --git a/documentation/.DS_Store b/documentation/.DS_Store
new file mode 100644
index 0000000000000000000000000000000000000000..870e38a6ec48205a378c5aba077a6881565b46f9
Binary files /dev/null and b/documentation/.DS_Store differ
diff --git a/documentation/doc_en.md b/documentation/doc_en.md
new file mode 100644
index 0000000000000000000000000000000000000000..a14983b5d24e11bc8583e0907b14d5c5f8c80f23
--- /dev/null
+++ b/documentation/doc_en.md
@@ -0,0 +1,183 @@
+# Malaria Lite Project Documentation 1.2
+
+## Project Structure
+The project consists of three main files:
+- `notes_time_series.R`: Time series analysis
+- `server.R`: Shiny server configuration and logic
+- `ui.R`: Application user interface
+
+## 1. notes_time_series.R
+This script enables malaria case time series analysis.
+
+### Main Features:
+- Case incidence calculation over time
+- Time series decomposition for trend and seasonality identification
+- Data filtering and analysis by health center
+- Temporal trend visualization
+
+### Code Details:
+```r
+# Incidence calculation
+consultation_date <- JSON_cons_har$consultation_date
+inc <- as.data.frame(incidence(dates = consultation_date, interval = 1))
+```
+This section calculates daily case incidence.
+
+```r
+# Time series decomposition
+inc_ts <- ts(inc$counts, frequency = 7)
+inc_dec <- stl(inc_ts, s.window="periodic")
+```
+This part decomposes the time series to identify seasonal components.
+
+## 2. server.R
+Main Shiny server file managing application logic.
+
+### Initial Setup:
+- Loading required libraries
+- Translation file import
+- Utility function loading
+- Geographic and consultation data initialization
+
+### Main Modules:
+1. Harmonized module (harmonized.R)
+2. Harmonized localities module (harmonized_loc.R)
+3. Download module (download.R)
+4. Ranking module (ranking.R)
+5. Information quality module (infoq.R)
+6. Map module (map.R)
+
+### Security and Terms of Use:
+The server implements a modal dialog with terms of use in three languages (Portuguese, French, English), compliant with CNIL requirements.
+
+## 3. ui.R
+Shiny application user interface.
+
+### Interface Features:
+- Theme: Purple skin
+- Multilingual support (EN/FR/PT)
+- Dashboard structure with sidebar
+- Google Analytics integration
+
+### Main Components:
+```r
+dashboardPage(
+  dashboardHeader(...),  # Header with title
+  dashboardSidebar(...), # Sidebar with menu and language selection
+  dashboardBody(...)     # Main body with dynamic content
+)
+```
+
+## JSON Data Structures
+
+### Consultation Data Format (`consultation_harmonized.json`)
+```json
+{
+  "data": [
+    {
+      "id_consultation": "string",      // Unique consultation ID
+      "source": "string",               // "BR" or "FR-GF"
+      "consultation_date": "DD/MM/YYYY", // Date in French format
+      "id_center": "string",            // Health center ID
+      "residence_place": "string",      // Residence place ID
+      "infection_place": "string",      // Presumed infection place ID
+      "patient_age": "number",          // Patient age (0-100)
+      "patient_sex": "string",          // "Male", "Female" or "Desconhecido"
+      "diagnosis_result": "string",     // Result code (1-11)
+      "active_diagnosis": "boolean",    // Active or passive diagnosis
+      "new_attack": "boolean"           // New attack or relapse
+    }
+  ]
+}
+```
+
+## Time Series Decomposition Algorithms
+
+### 1. STL Decomposition (Seasonal-Trend using Loess)
+
+```r
+# Main decomposition function
+decompose <- function(x) {
+  # Data preparation
+  date1 <- min(x)
+  date2 <- max(x)
+  
+  # Daily incidence calculation
+  inc <- as.data.frame(incidence(dates = x, interval = 1)) 
+  
+  # Missing dates completion
+  full <- data.frame(dates = seq(date1, date2, by = "day"))
+  inc <- dplyr::right_join(inc, full, by = "dates")
+  inc[is.na(inc)] <- 0
+  
+  # Time series creation with annual frequency
+  inc_ts <- ts(inc$counts, frequency = 365)
+  
+  # STL decomposition
+  inc_dec <- stl(inc_ts, s.window="periodic")
+  
+  return(df_dec)
+}
+```
+
+Decomposition Components:
+1. **Trend**: Long-term evolution
+2. **Seasonality**: Annual cyclic patterns
+3. **Remainder**: Unexplained variations
+
+## Implementation Notes
+
+### Geographic Data Management:
+- Use of shapefiles for spatial data
+- Support for Brazil (BR) and French Guiana (GF) coordinates
+- Unique identifier management (id_sivep, id_cdps)
+
+### Data Security:
+- Anonymized data as per CNIL requirements
+- Authorized automated processing (Decision N°2019-025)
+- Commercial use restrictions
+
+### Performance:
+- Optimized data loading
+- Efficient use of st_read for shape files
+- Effective data joining management
+
+## Maintenance Instructions
+
+To update the application:
+1. Update JSON files in "data/" folder
+2. Check last update dates in "data/dates_recup_donnees_syst_surveillance.txt"
+3. Validate translations in "locale/translation.bin"
+4. Test filtering and visualization functionalities
+
+## Shiny Modules (modules/ folder)
+
+### Harmonized Analysis Modules
+
+1. `harmonized.R`
+- Analysis of harmonized data between BR and FR-GF
+- Temporal visualizations (incidence, age, sex, plasmodium)
+- Dynamic filters (dates, cases, diagnosis, age, sex)
+- Reactive statistics calculations
+
+2. `harmonized_loc.R`
+- Geographic analysis of harmonized data
+- Location-based visualization
+- Multi-country support (BR/FR-GF)
+- Configurable temporal aggregation
+
+### Map Module
+
+`map.R`
+- Interactive mapping interface
+- OpenStreetMap integration
+- Case visualization by area
+- GBIF data support for Anopheles
+- WMS layers for risk models
+
+Key Module Features:
+1. Reactivity: Extensive use of Shiny reactive functions
+2. Modularity: Clear separation of responsibilities
+3. Multilingual: Integrated support for 3 languages
+4. Performance: Calculation and rendering optimization
+5. Extensibility: Architecture allowing new module addition
\ No newline at end of file
diff --git a/documentation/doc_fr.md b/documentation/doc_fr.md
new file mode 100644
index 0000000000000000000000000000000000000000..257ca52ed4d02ab3f8cba723fe0ad4450d6dca2f
--- /dev/null
+++ b/documentation/doc_fr.md
@@ -0,0 +1,372 @@
+# Documentation du Projet Malaria Lite 1.2
+
+## Structure du Projet
+Le projet est composé de trois fichiers principaux :
+- `notes_time_series.R` : Analyse des séries temporelles
+- `server.R` : Configuration et logique du serveur Shiny 
+- `ui.R` : Interface utilisateur de l'application
+
+## 1. notes_time_series.R
+Ce script permet l'analyse des séries temporelles des cas de malaria.
+
+### Fonctionnalités principales :
+- Calcul de l'incidence des cas au fil du temps
+- Décomposition des séries temporelles pour identifier les tendances et la saisonnalité
+- Filtrage et analyse des données par centre de santé
+- Visualisation des tendances temporelles
+
+### Détails du code :
+```r
+# Calcul de l'incidence
+consultation_date <- JSON_cons_har$consultation_date
+inc <- as.data.frame(incidence(dates = consultation_date, interval = 1))
+```
+Cette section calcule l'incidence journalière des cas.
+
+```r
+# Décomposition des séries temporelles
+inc_ts <- ts(inc$counts, frequency = 7)
+inc_dec <- stl(inc_ts, s.window="periodic")
+```
+Cette partie décompose la série temporelle pour identifier les composantes saisonnières.
+
+## 2. server.R
+Fichier principal du serveur Shiny qui gère la logique de l'application.
+
+### Configuration initiale :
+- Chargement des bibliothèques nécessaires
+- Importation des fichiers de traduction
+- Chargement des fonctions utilitaires
+- Initialisation des données géographiques et des consultations
+
+### Modules principaux :
+1. Module harmonisé (harmonized.R)
+2. Module des localités harmonisées (harmonized_loc.R)
+3. Module de téléchargement (download.R)
+4. Module de classement (ranking.R)
+5. Module de qualité d'information (infoq.R)
+6. Module cartographique (map.R)
+
+### Sécurité et conditions d'utilisation :
+Le serveur implémente une boîte de dialogue modale avec les conditions d'utilisation en trois langues (portugais, français, anglais), conformément aux exigences de la CNIL.
+
+## 3. ui.R
+Interface utilisateur de l'application Shiny.
+
+### Caractéristiques de l'interface :
+- Thème : Purple skin
+- Support multilingue (EN/FR/PT)
+- Structure en dashboard avec barre latérale
+- Intégration de Google Analytics
+
+### Composants principaux :
+```r
+dashboardPage(
+  dashboardHeader(...),  # En-tête avec titre
+  dashboardSidebar(...), # Barre latérale avec menu et sélection de langue
+  dashboardBody(...)     # Corps principal avec contenu dynamique
+)
+```
+
+## Notes d'implémentation
+
+### Gestion des données géographiques :
+- Utilisation de fichiers shapefile pour les données spatiales
+- Support des coordonnées pour le Brésil (BR) et la Guyane française (GF)
+- Gestion des identifiants uniques (id_sivep, id_cdps)
+
+### Sécurité des données :
+- Données anonymisées conformément aux exigences CNIL
+- Traitement automatisé autorisé (Délibération N°2019-025)
+- Restrictions d'usage commercial
+
+### Performance :
+- Chargement optimisé des données
+- Utilisation de st_read pour les fichiers shape
+- Gestion efficace des jointures de données
+
+## Fonctions Utilitaires (dossier functions/)
+
+### Fonctions de Gestion des Données
+1. `consultation_har_ingest.R`
+```r
+# Fonction principale pour charger et prétraiter les données de consultation
+consultation_har_ingest <- function(json.dir, json.file)
+```
+- Charge les données JSON des consultations
+- Effectue le nettoyage des données (NA, dates, facteurs)
+- Conversion des types de données appropriés
+
+2. `area_har_ingest.R` et `healthcenter_har_ingest.R`
+- Fonctions similaires pour charger les données des zones et centres de santé
+- Utilise `data.table` pour une gestion efficace des données
+
+### Fonctions de Filtrage et Analyse
+
+1. `consultation_har_filter.R`
+```r
+consultation_har_filter <- function(df, source = "Any", new_attack, dateStart = "Any", 
+                                  dateEnd = "Any", diagn = "Any", minAge = NULL, 
+                                  maxAge = NULL, sex = "Any", active_diagn = "No")
+```
+- Filtrage flexible des données de consultation
+- Gestion des critères multiples (date, diagnostic, âge, sexe)
+- Support du filtrage FR-GF/BR
+
+2. `decompose.R`
+```r
+decompose <- function(x)
+```
+- Décomposition des séries temporelles
+- Calcul de l'incidence journalière
+- Gestion des données manquantes
+
+### Fonctions de Visualisation
+
+1. `calendarHeat.R`
+- Implémentation d'une carte de chaleur calendaire
+- Basé sur le travail de Paul Bleicher
+- Visualisation des données temporelles sous forme de calendrier
+
+2. `addLegendCustom.R`
+```r
+addLegendCustom <- function(map, colors, labels, sizes, opacity = 0.5)
+```
+- Personnalisation des légendes pour les cartes
+- Support des styles personnalisés
+
+### Fonctions Utilitaires
+
+1. `translate.R`
+```r
+tr <- function(text)
+```
+- Gestion de la traduction (EN/FR/PT)
+- Utilise un système de clés de traduction
+
+2. `last_update.R`
+```r
+last_update <- function(ftxt="data/dates_recup_donnees_syst_surveillance.txt")
+```
+- Gestion des dates de mise à jour
+- Support pour BR et GF
+
+3. `update_OSM_data.R`
+- Mise à jour des données OpenStreetMap
+- Récupération des informations sur les hôpitaux et cliniques
+
+### Conversions et Exports
+
+1. `consultation_json2csv.R`
+- Conversion des données JSON en CSV
+- Fonctions de lecture et écriture
+- Prétraitement des données similaire à `consultation_har_ingest.R`
+
+## Modules Shiny (dossier modules/)
+
+### Modules d'Analyse Harmonisés
+
+1. `harmonized.R`
+- Analyse des données harmonisées entre BR et FR-GF
+- Visualisations temporelles (incidence, âge, sexe, plasmodium)
+- Filtres dynamiques (dates, cas, diagnostic, âge, sexe)
+- Calculs réactifs des statistiques
+
+2. `harmonized_loc.R`
+- Analyse géographique des données harmonisées
+- Visualisation par localisation (centres, zones de résidence, lieux d'infection)
+- Support multi-pays (BR/FR-GF)
+- Agrégation temporelle configurable
+
+### Modules de Classement et Téléchargement
+
+1. `ranking.R`
+```r
+# Fonctionnalités principales
+- Classement des zones par nombre de cas
+- Filtrage multi-critères (type, dates, diagnostic)
+- Visualisation tabulaire avec tri dynamique
+```
+
+2. `download.R`
+- Export des données filtrées
+- Support de multiples formats (CSV, Excel, PDF)
+- Sélection des zones géographiques
+- Personnalisation des périodes
+
+### Module Cartographique
+
+`map.R`
+- Interface cartographique interactive
+- Intégration de données OpenStreetMap
+- Visualisation des cas par zone
+- Support des données GBIF pour Anopheles
+- Couches WMS pour modèles de risque
+
+### Modules de Qualité des Données
+
+1. `infoq.R`
+```r
+# Analyse de la qualité des données
+- Suivi des données manquantes
+- Graphiques temporels de complétude
+- Ventilation par source de données
+```
+
+2. `brazil.R` et `brazil_age.R`
+- Analyses spécifiques aux données brésiliennes
+- Visualisations démographiques
+- Statistiques d'âge et de distribution
+
+### Architecture de l'Interface
+
+`server_ui.R`
+- Configuration des menus et onglets
+- Gestion du multilingue (EN/FR/PT)
+- Construction dynamique de l'interface
+- Gestion des événements utilisateur
+
+Caractéristiques clés des modules :
+1. Réactivité : Utilisation intensive de fonctions réactives Shiny
+2. Modularité : Séparation claire des responsabilités
+3. Multilingue : Support intégré de 3 langues
+4. Performance : Optimisation des calculs et des rendus
+5. Extensibilité : Architecture permettant l'ajout de nouveaux modules
+
+## Structures des Données JSON
+
+### Format des Données de Consultation (`consultation_harmonized.json`)
+```json
+{
+  "data": [
+    {
+      "id_consultation": "string",      // Identifiant unique de consultation
+      "source": "string",               // "BR" ou "FR-GF"
+      "consultation_date": "DD/MM/YYYY", // Date au format français
+      "id_center": "string",            // Identifiant du centre de santé
+      "residence_place": "string",      // Identifiant du lieu de résidence
+      "infection_place": "string",      // Identifiant du lieu d'infection présumé
+      "patient_age": "number",          // Âge du patient (0-100)
+      "patient_sex": "string",          // "Male", "Female" ou "Desconhecido"
+      "diagnosis_result": "string",     // Code du résultat (1-11)
+      "active_diagnosis": "boolean",    // Diagnostic actif ou passif
+      "new_attack": "boolean"          // Nouvelle attaque ou rechute
+    }
+  ]
+}
+```
+
+### Format des Centres de Santé (`JSON_healthcenter_har.csv`)
+```csv
+id_center,name,source,geocoded,x_coordinate,y_coordinate
+"11/160050","Centre de Santé A","BR",true,-51.548,3.938
+"CAM","CDPS Camopi","FR-GF",true,-52.339,3.167
+```
+
+### Format des Zones Géographiques (`unique_Spatial_referential.shp`)
+- Format Shapefile contenant les polygones des zones
+- Attributs obligatoires :
+  - country : "BR" ou "GF"
+  - name : Nom de la localité
+  - id_sivep : Identifiant SIVEP (Brésil)
+  - id_cdps : Identifiant CDPS (Guyane française)
+  - geocoded : Statut de géocodage
+
+## Algorithmes de Décomposition Temporelle
+
+### 1. Décomposition STL (Seasonal-Trend using Loess)
+
+```r
+# Fonction principale de décomposition
+decompose <- function(x) {
+  # Préparation des données
+  date1 <- min(x)
+  date2 <- max(x)
+  
+  # Calcul de l'incidence journalière
+  inc <- as.data.frame(incidence(dates = x, interval = 1)) 
+  
+  # Complétion des dates manquantes
+  full <- data.frame(dates = seq(date1, date2, by = "day"))
+  inc <- dplyr::right_join(inc, full, by = "dates")
+  inc[is.na(inc)] <- 0
+  
+  # Création de la série temporelle avec fréquence annuelle
+  inc_ts <- ts(inc$counts, frequency = 365)
+  
+  # Décomposition STL
+  inc_dec <- stl(inc_ts, s.window="periodic")
+  
+  # Extraction des composantes
+  df_dec <- as.data.frame(inc_dec$time.series)
+  df_dec <- cbind(df_dec, dates = inc$dates)
+  
+  return(df_dec)
+}
+```
+
+Composantes de la décomposition :
+1. **Tendance (trend)** : Évolution à long terme
+2. **Saisonnalité (seasonal)** : Motifs cycliques annuels
+3. **Résidus (remainder)** : Variations non expliquées
+
+### 2. Analyse des Pics Saisonniers
+
+```r
+# Identification des pics saisonniers
+analyze_seasonality <- function(df_dec) {
+  # Calcul des quantiles pour identifier les pics
+  q <- quantile(df_dec$seasonal, c(.90))
+  sub <- subset(df_dec, seasonal >= q)
+  
+  # Distribution mensuelle des pics
+  monthly_dist <- table(lubridate::month(sub$dates))
+  
+  return(monthly_dist)
+}
+```
+
+### 3. Calcul de l'Incidence
+
+```r
+# Calcul de l'incidence avec différentes agrégations
+calculate_incidence <- function(dates, interval = 1) {
+  if(interval == 1) {
+    # Incidence journalière
+    inc <- group_by(dates = floor_date(consultation_date, "day"))
+  } else if(interval == 7) {
+    # Incidence hebdomadaire (ISO)
+    inc <- incidence(dates, interval = 7, iso_week = TRUE)
+  } else if(interval == 30) {
+    # Incidence mensuelle
+    inc <- group_by(dates = floor_date(consultation_date, "month"))
+  }
+  
+  return(inc)
+}
+```
+
+### Visualisation des Décompositions
+
+1. **Carte de Chaleur Calendaire**
+- Utilisation de `calendarHeat()`
+- Visualisation jour par jour des cas
+- Code couleur paramétrable (r2g, g2r, etc.)
+
+2. **Graphiques de Tendance**
+- Utilisation de Plotly pour l'interactivité
+- Support du zoom et des survols
+- Comparaison BR/FR-GF
+
+3. **Analyse des Résidus**
+- Tests de normalité
+- Détection des valeurs aberrantes
+- Autocorrélation
+
+## Instructions de maintenance
+
+Pour mettre à jour l'application :
+1. Mettre à jour les fichiers JSON dans le dossier "data/"
+2. Vérifier les dates de dernière mise à jour dans "data/dates_recup_donnees_syst_surveillance.txt"
+3. Valider les traductions dans "locale/translation.bin"
+4. Tester les fonctionnalités de filtrage et de visualisation
diff --git a/documentation/doc_pt.md b/documentation/doc_pt.md
new file mode 100644
index 0000000000000000000000000000000000000000..5fcd44a8b674614f8171e9aa89af186c711cbe5c
--- /dev/null
+++ b/documentation/doc_pt.md
@@ -0,0 +1,183 @@
+# Documentação do Projeto Malaria Lite 1.2
+
+## Estrutura do Projeto
+O projeto é composto por três arquivos principais:
+- `notes_time_series.R`: Análise de séries temporais
+- `server.R`: Configuração e lógica do servidor Shiny
+- `ui.R`: Interface do usuário da aplicação
+
+## 1. notes_time_series.R
+Este script permite a análise de séries temporais dos casos de malária.
+
+### Funcionalidades Principais:
+- Cálculo da incidência de casos ao longo do tempo
+- Decomposição de séries temporais para identificação de tendências e sazonalidade
+- Filtragem e análise de dados por centro de saúde
+- Visualização de tendências temporais
+
+### Detalhes do Código:
+```r
+# Cálculo da incidência
+consultation_date <- JSON_cons_har$consultation_date
+inc <- as.data.frame(incidence(dates = consultation_date, interval = 1))
+```
+Esta seção calcula a incidência diária de casos.
+
+```r
+# Decomposição de séries temporais
+inc_ts <- ts(inc$counts, frequency = 7)
+inc_dec <- stl(inc_ts, s.window="periodic")
+```
+Esta parte decompõe a série temporal para identificar componentes sazonais.
+
+## 2. server.R
+Arquivo principal do servidor Shiny que gerencia a lógica da aplicação.
+
+### Configuração Inicial:
+- Carregamento das bibliotecas necessárias
+- Importação dos arquivos de tradução
+- Carregamento das funções utilitárias
+- Inicialização dos dados geográficos e de consultas
+
+### Módulos Principais:
+1. Módulo harmonizado (harmonized.R)
+2. Módulo de localidades harmonizadas (harmonized_loc.R)
+3. Módulo de download (download.R)
+4. Módulo de classificação (ranking.R)
+5. Módulo de qualidade da informação (infoq.R)
+6. Módulo de mapa (map.R)
+
+### Segurança e Termos de Uso:
+O servidor implementa uma caixa de diálogo modal com termos de uso em três idiomas (português, francês, inglês), em conformidade com os requisitos da CNIL.
+
+## 3. ui.R
+Interface do usuário da aplicação Shiny.
+
+### Características da Interface:
+- Tema: Skin roxa
+- Suporte multilíngue (EN/FR/PT)
+- Estrutura de painel com barra lateral
+- Integração com Google Analytics
+
+### Componentes Principais:
+```r
+dashboardPage(
+  dashboardHeader(...),  # Cabeçalho com título
+  dashboardSidebar(...), # Barra lateral com menu e seleção de idioma
+  dashboardBody(...)     # Corpo principal com conteúdo dinâmico
+)
+```
+
+## Estruturas de Dados JSON
+
+### Formato dos Dados de Consulta (`consultation_harmonized.json`)
+```json
+{
+  "data": [
+    {
+      "id_consultation": "string",      // ID único da consulta
+      "source": "string",               // "BR" ou "FR-GF"
+      "consultation_date": "DD/MM/YYYY", // Data no formato francês
+      "id_center": "string",            // ID do centro de saúde
+      "residence_place": "string",      // ID do local de residência
+      "infection_place": "string",      // ID do local presumido de infecção
+      "patient_age": "number",          // Idade do paciente (0-100)
+      "patient_sex": "string",          // "Male", "Female" ou "Desconhecido"
+      "diagnosis_result": "string",     // Código do resultado (1-11)
+      "active_diagnosis": "boolean",    // Diagnóstico ativo ou passivo
+      "new_attack": "boolean"           // Novo ataque ou recaída
+    }
+  ]
+}
+```
+
+## Algoritmos de Decomposição Temporal
+
+### 1. Decomposição STL (Seasonal-Trend using Loess)
+
+```r
+# Função principal de decomposição
+decompose <- function(x) {
+  # Preparação dos dados
+  date1 <- min(x)
+  date2 <- max(x)
+  
+  # Cálculo da incidência diária
+  inc <- as.data.frame(incidence(dates = x, interval = 1)) 
+  
+  # Preenchimento de datas faltantes
+  full <- data.frame(dates = seq(date1, date2, by = "day"))
+  inc <- dplyr::right_join(inc, full, by = "dates")
+  inc[is.na(inc)] <- 0
+  
+  # Criação da série temporal com frequência anual
+  inc_ts <- ts(inc$counts, frequency = 365)
+  
+  # Decomposição STL
+  inc_dec <- stl(inc_ts, s.window="periodic")
+  
+  return(df_dec)
+}
+```
+
+Componentes da Decomposição:
+1. **Tendência**: Evolução a longo prazo
+2. **Sazonalidade**: Padrões cíclicos anuais
+3. **Resíduos**: Variações não explicadas
+
+## Notas de Implementação
+
+### Gestão de Dados Geográficos:
+- Uso de shapefiles para dados espaciais
+- Suporte para coordenadas do Brasil (BR) e Guiana Francesa (GF)
+- Gestão de identificadores únicos (id_sivep, id_cdps)
+
+### Segurança dos Dados:
+- Dados anonimizados conforme requisitos CNIL
+- Processamento automatizado autorizado (Decisão N°2019-025)
+- Restrições de uso comercial
+
+### Desempenho:
+- Carregamento otimizado de dados
+- Uso eficiente de st_read para arquivos shape
+- Gestão eficaz de junções de dados
+
+## Instruções de Manutenção
+
+Para atualizar a aplicação:
+1. Atualizar arquivos JSON na pasta "data/"
+2. Verificar datas de última atualização em "data/dates_recup_donnees_syst_surveillance.txt"
+3. Validar traduções em "locale/translation.bin"
+4. Testar funcionalidades de filtragem e visualização
+
+## Módulos Shiny (pasta modules/)
+
+### Módulos de Análise Harmonizada
+
+1. `harmonized.R`
+- Análise de dados harmonizados entre BR e FR-GF
+- Visualizações temporais (incidência, idade, sexo, plasmodium)
+- Filtros dinâmicos (datas, casos, diagnóstico, idade, sexo)
+- Cálculos estatísticos reativos
+
+2. `harmonized_loc.R`
+- Análise geográfica de dados harmonizados
+- Visualização baseada em localização
+- Suporte multi-país (BR/FR-GF)
+- Agregação temporal configurável
+
+### Módulo de Mapa
+
+`map.R`
+- Interface de mapeamento interativa
+- Integração com OpenStreetMap
+- Visualização de casos por área
+- Suporte a dados GBIF para Anopheles
+- Camadas WMS para modelos de risco
+
+Características Principais dos Módulos:
+1. Reatividade: Uso extensivo de funções reativas Shiny
+2. Modularidade: Separação clara de responsabilidades
+3. Multilíngue: Suporte integrado para 3 idiomas
+4. Desempenho: Otimização de cálculos e renderização
+5. Extensibilidade: Arquitetura permitindo adição de novos módulos
\ No newline at end of file