satellite-ai-vision

# Satellite AI & Computer Vision Herramientas para análisis de tráfico satelital, visión por CCTV, terreno 3D y detección de objetos con IA. ## 1. DRISH-X (sparkyniner) ⭐228 **Qué hace:** Inteligencia de tráfico de carga desde imágenes satelitales Sentinel-2 gratuitas. **Autor:** Sairaj Balaji (junior/student — ver notas de audit en references) **Paper base:** Fisser et al. 2022, "Detecting Moving Trucks on Roads Using Sentinel-2 Data", Remote Sensing of Environment (https://ui.adsabs.harvard.edu/abs/2022RemS...14.1595F/abstract) **Referencia técnica:** S2TruckDetect por Henrik Fisser ### Mecanismo científico Sentinel-2 captura bandas espectrales con desfase temporal de ~1.01s entre B02 (blue) y B04 (red). Un vehículo a 80 km/h se desplaza ~22m en ese intervalo. A 10m/píxel, aparece en posición diferente en cada banda → **smear azul→verde→rojo de 3-5 píxeles**. El sistema detecta este patrón espectral, no el vehículo en sí. ### Pipeline técnico detallado 1. **Feature Stack (7 features/píxel):** - F0: varianza de RGB - F1: normalized_ratio(B04, B02) — red/blue - F2: normalized_ratio(B03, B02) — green/blue - F3-5: B04, B03, B02 mean-centered - F6: B08 (NIR) mean-centered 2. **Clasificación RF:** Random Forest sobre el feature stack → 4 clases [background, blue, green, red]. Post-processing: umbral background confidence 0.75. 3. **Extracción recursiva:** clustering neighborhood starting at blue pixels → grow through green → then red. Validación: 3 colores presentes, 3-5 píxeles, score > 1.2. 4. **Output:** lat/lon, heading, velocidad estimada, confidence score. ### Proxy fallback Cuando no hay modelo RF (.pickle), usa heurísticas con pesos mágicos (`centered_B * 5 + var_feat * 10`). Funciona pero calidad desconocida. ### Accuracy por región - **Europa autopistas:** 70-80% detección, 5-10% falsos positivos - **MENA:** fuerte (árido, alto contraste, raramente nublado) - **Asia Sur/Sudeste:** mixto (monzón limita frames útiles) - **Sub-Sahara:** bueno en carreteras pavimentadas, débil en no pavimentadas - **No detecta coches:** <1 píxel a 10m. No distingue tipos de vehículo. ### Limitaciones clave - Resolución 10m: camiones (~18m) → 2 píxeles → smear a 3-5px. Coches (~4.5m) → sub-píxel invisible. - Sin visión a través de nubes (óptico) - Revisión cada 5 días (Sentinel-2) → trend analysis, NO real-time - Mejora posible con PlanetScope a 3.7m (requiere API key Planet Labs) ### Código en repo - `drishx.py` (1132 líneas) — FastAPI + engine de detección completo - `rf_model.pickle` — modelo entrenado incluido en repo - `frontend/` — Leaflet + Chart.js, dark tactical theme - Dependencias: fastapi, uvicorn, sentinelhub, osmnx, geopandas, scikit-learn==1.3.2, numpy<2.0.0, rasterio ### Estado de la implementación Ciencia sólida (paper peer-reviewed), pipeline fiel a S2TruckDetect reference implementation. Código competente pero amateur: sin tests, sin DB (historial en memoria), sin auth en APIs, sin Docker. Credenciales Copernicus en UI sin encriptación. ### Casos de uso validados - Contar tráfico de camiones en cualquier autopista del mundo - Analizar patrones económicos proxy (puertos, rutas comerciales) - Monitoreo de sanciones (cambio de tráfico en fronteras) - Respuesta a crisis (carreteras bloqueadas vs activas) - Periodismo investigativo (datos satelitales independientes) ## 2. TrafficLab-3D (duy-phamduc68) ⭐311 **Qué hace:** Digital twin de tráfico a partir de vídeo CCTV mp4 + ubicación Google Maps. **Autor:** Yuk (yuk068 / duy-phamduc68) **Estado:** PoC experimental, monolítico, en proceso de refactorización a modular **Licencia:** No especificada (contactar autor para contribuciones) **Input:** Vídeo CCTV mp4 + coordenadas GPS de Google Maps **Output:** Visualización 3D del tráfico en digital twin ### Pipeline técnico detallado: 1. **CCTV footage (mp4)** → YOLO para detección y tracking de vehículos (2D bounding boxes) 2. **Camera calibration** → intrinsics + extrinsics de la cámara CCTV 3. **Homography** → mapeo planar del plano de la carretera al plano de la imagen 4. **Projection mapping** → proyectar los vehículos detectados sobre un modelo 3D 5. **Satellite imagery** → imagen satelital como base georreferenciada 6. **3D visualization** → PyQt5 GUI con visualización del digital twin ### Estructura de directorios por ubicación: ``` location/{location_code}/ footage/*.mp4 # vídeo CCTV sat_{location_code}.png # imagen satelital cctv_{location_code}.png # imagen crítica de referencia G_projection_{location_code}.json # matriz de proyección illustrator/ # assets opcionales Adobe Illustrator ``` ### Stack: - **Python** + **YOLO** (detección de objetos) - **Camera calibration** + **homography** (mapeo 2D→3D) - **Satellite imagery** (base georreferenciada) - **PyQt5** (GUI) - **Projection mapping** (integración 3D) ### Temas/Topics: 3d-bbox, autonomous-driving, camera-calibration, cctv-analysis, computer-vision, digital-twin, geospatial-mapping, homography, intelligent-transportation, object-detection, object-tracking, projection-mapping, pyqt5-gui, satellite-imagery, smart-city, traffic-analysis, traffic-monitoring, urban-analytics, yolo ### Recursos: - **Blog:** yuk068.github.io/2026/02/20/traffilclab-3d-overview - **YouTube Demo:** TrafficLab 3D v1.0 Demo - **YouTube Guide:** TrafficLab 3D Guide - **Academic Report:** Google Drive (en README) ### Ideal para: - Prototipos rápidos de digital twins sin infraestructura costosa - Estudiantes/investigadores sin acceso a calibración profesional - Integración con datos abiertos de flotas municipales (ej. Cantabria) - **Patrón clave:** CCTV existente + geolocalización = digital twin funcional sin sensores IoT ### Integración con GeoAsset: Este patrón es directamente aplicable a la gestión de flotas municipales — cámaras de tráfico existentes + detección de vehículos = datos en tiempo real para el gemelo digital. ## Referencias - `references/cctv-to-digital-twin-pattern.md` — Patrón CCTV→Digital Twin aplicado a GeoAsset ## 3. Boxer3D (Barath19) ⭐398 **Qué hace:** Detección 3D de objetos en AR para iPhone con LiDAR. **Tecnología:** Swift, iOS, YOLO11n + BoxerNet (Meta) + ARKit + SceneKit **Pipeline:** 1. YOLO11n → detección 2D (top 3 boxes, 80 COCO classes) 2. BoxerNet → lifting a 7-DoF 3D boxes (center, size, yaw) 3. LiDAR depth → median depth per 16x16 patch 4. ARKit → camera pose + intrinsics + gravity 5. SceneKit → AR rendering de cajas 3D ### Requisitos: - iPhone 12 Pro+ (LiDAR requerido) - iOS 16.0+ - ~450MB para modelos ## 4. AWS Terrarium DEM Downloader (orcunkok) ⭐8 **Qué hace:** Descarga tiles de elevación (DEM) del dataset AWS Terrain Tiles. **Tecnología:** Python 3.7+, concurrent downloads **Features:** - Bounding box precision - Zoom levels 0-15 - Concurrent downloads (multi-threaded) - Data integrity verification - tiles.json output compatible con MapLibre GL JS, Leaflet, Mapbox GL JS ### Uso: ```bash python download.py --bbox -3.7,40.4,-3.6,40.5 --zoom 12 --output ./tiles ``` ## 5. City2Graph (c2g-dev) ⭐1212 **Qué hace:** Librería Python para convertir datasets geoespaciales en grafos para GNNs. **Tecnología:** Python, GeoPandas, NetworkX, PyTorch Geometric **Dominios:** streets, transportations, OD matrices, POI proximities **Instalación:** `pip install city2graph` o `conda install -c conda-forge city2graph` ### Casos de uso: - Graph Neural Networks para datos geoespaciales - Análisis de redes de transporte - Proximidad de POIs - Matrices OD (origen-destino) ## Patrones Comunes 1. **Satellite → Ground:** DRISH-X usa datos satelitales para inferir tráfico terrestre 2. **CCTV → 3D:** TrafficLab convierte vídeo 2D en visualización 3D 3. **Mobile LiDAR → 3D AR:** Boxer3D usa LiDAR del iPhone para detección 3D en AR 4. **DEM → Mapping:** AWS DEM downloader para datos de elevación en proyectos de mapeo ## Integración con Mastermind - Para análisis de tráfico: combinar DRISH-X (satélite) + TrafficLab-3D (CCTV) - Para proyectos de mapeo: usar AWS DEM + City2Graph para grafos geoespaciales - Para AR/3D: Boxer3D como referencia de lifting 2D→3D con LiDAR