satellite-traffic-detection

# DRISH-X — Satellite-Powered Freight Intelligence ## Descripción Inteligencia automatizada de tráfico de vehículos desde imágenes satelitales Sentinel-2. Responde: "¿cuánto tráfico hay en esta carretera y cómo ha cambiado con el tiempo?" ## Repos ### Original (inglés) - **Repo**: sparkyniner/DRISH-X-Satellite-powered-freight-intelligence- (233★) - **URL**: https://github.com/sparkyniner/DRISH-X-Satellite-powered-freight-intelligence- - **License**: MIT - **Autor**: Sairaj Balaji - **Sites preset**: Autopistas alemanas (A7 Braunschweig, A3 Frankfurt, A5 Karlsruhe) ### Fork español — DRISH-ES - **Repo**: Ntizar/drish-es (público) - **URL**: https://github.com/Ntizar/drish-es - **Autor**: David Antizar (adaptación española) - **Diferencias con el original**: - UI 100% traducida al español (HTML, JS, Python logs) - 8 sites predefinidos de autopistas españolas (M-30, A-1, A-2, A-4, A-5, A-6, AP-7, A-7) - Centro por defecto: Madrid (40.45, -3.69) - README completo en castellano - Motor de detección idéntico (mismo RF pickle, mismo pipeline) - **Referencia de targets**: `references/spanish-motorway-targets.md` ## Tecnologías - Python 3.11 (recomendado) - FastAPI + uvicorn (API server) - Sentinel-2 L2A / Copernicus Data Space (imágenes satelitales) - scikit-learn Random Forest (clasificación, NO YOLO) - OSMnx + Overpass API (red de carreteras) - SentinelHub SDK (descarga de imágenes) - Leaflet + Chart.js (frontend) ## Principio Científico El sensor Sentinel-2 registra los canales rojo (B04), verde (B03) y azul (B02) con un desfase de **1.01 segundos**. Un vehículo a 80 km/h se desplaza ~22m en ese intervalo. A 10m/píxel, aparece en posiciones diferentes por canal → firma espectral "azul-verde-roja" de 3-5 píxeles. ## Arquitectura del Pipeline (código real) ``` Sentinel-2 L2A (10m, revisita 5 días) │ ├─ Evalscript: B04(R), B03(G), B02(B), B08(NIR), CLM → array (H,W,5) │ ├─ build_feature_stack() → 7 features por píxel: │ [0] varianza(R,G,B) │ [1] ratio_normalizado(R,B) │ [2] ratio_normalizado(G,B) │ [3] B04 - mean(B04) │ [4] B03 - mean(B03) │ [5] B02 - mean(B02) │ [6] B08 - mean(B08) │ ├─ Clasificación: RandomForestClassifier (rf_model.pickle) │ → 4 clases: fondo, azul, verde, rojo │ → Post-proceso: suprimir fondo con prob < 0.75 │ → Fallback: proxy_classify() si no hay modelo RF │ ├─ ObjectExtractor (recursivo): │ Semilla: píxeles azules (clase 2) │ Crecimiento: azul → verde → rojo │ Validación: 3 colores presentes, 3-5 píxeles, score > 1.2 │ └─ Salida: lat, lon, rumbo, velocidad (~±15 km/h), confianza ``` ## API Endpoints | Método | Endpoint | Descripción | |--------|----------|-------------| | POST | `/api/analyze` | Análisis de zona (streaming NDJSON) | | GET | `/api/roads` | Red de carreteras por bbox | | GET | `/api/sites` | Sites predefinidos + historial | | GET | `/api/feed` | Alertas de detección recientes | | GET | `/api/analytics/trends` | Series temporales diarias | | GET | `/api/detections/:id` | Detecciones de una misión | | POST | `/api/auth` | Credenciales Copernicus (runtime) | ## Despliegue en NaN Builders (Python/FastAPI) Dockerfile patrón para DRISH-ES en NaN: ```dockerfile FROM python:3.11-slim WORKDIR /app ENV PYTHONUNBUFFERED=1 ENV PORT=4000 COPY DrishX/requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY DrishX/ ./ RUN mkdir -p drishx_data/sentinel_data/detections drishx_data/osm_cache drishx_data/sh_cache RUN groupadd -S appgroup && useradd -S appuser -G appgroup && \ chown -R appuser:appgroup /app USER appuser HEALTHCHECK --interval=30s --timeout=5s --start-period=15s --retries=3 \ CMD python -c "import urllib.request; urllib.request.urlopen('http://localhost:4000/api/sites')" || exit 1 EXPOSE 4000 CMD ["python", "drishx.py"] ``` **Pitfall NaN + .env:** El `.env` está en `.gitignore` → NO llega al repo → NO está en el contenedor NaN. Las credenciales Copernicus se configuran como **variables de entorno en el dashboard de NaN** (pestaña Env), no vía .env. El código lee `os.getenv("COPERNICUS_CLIENT_ID")` directamente. **Puerto:** El `uvicorn.run()` debe usar `int(os.getenv("PORT", 4000))` para ser flexible entre local (4000) y NaN (PORT inyectado). ## Casos de Uso - **Freight intelligence**: conteo y seguimiento de camiones en autopistas - **Traffic analysis**: patrones de tráfico temporal - **Infrastructure planning**: datos para planificación de infraestructura - **Environmental monitoring**: impacto del tráfico en zonas sensibles ## Targets de Interés - Autopistas principales - Corredores de carga - Fronteras y puntos de control - Zonas industriales ## Patrón de Localización (fork a otro idioma) Para crear una versión localizada (ej: DRISH-ES): 1. Clonar el repo original 2. **Backend (drishx.py):** Cambiar `FEATURED_SITES` con targets locales, traducir log messages y mensajes de error/estado del endpoint `/api/analyze` 3. **Frontend HTML:** Traducir todos los labels, placeholders, botones, títulos de sección 4. **Frontend JS:** Cambiar `testArea` (centro por defecto del mapa), traducir strings de notificación, mensajes de HUD, labels del panel de intel, textos de autenticación, instantiate la clase con nombre localizado 5. **CSS:** No necesita cambios (solo código, sin texto visible) 6. **README:** Reescribir completo en el idioma objetivo 7. **Crear repo** en GitHub y push **Pitfall:** El modelo RF (`rf_model.pickle`) es binario y universal — no necesita cambios al localizar. El modelo fue entrenado en autopistas alemanas pero funciona razonablemente en autopistas europeas similares. ## Pitfalls - Requiere acceso a Copernicus Data Space (gratuito pero con registro) - La resolución de Sentinel-2 (10m/píxel) limita la detección en carreteras secundarias - Las condiciones climáticas (nubes) afectan la disponibilidad de imágenes - El desfase temporal de 1.01s requiere corrección de geometría - **execute_code + patch con comillas escapadas:** Las comillas simples dentro de strings Python que usan comillas dobles causan SyntaxError en execute_code. Dividir en batches pequeños o usar write_file para archivos completos cuando hay muchas traducciones ## Herramientas Complementarias - **Aouei/remote-sensing-satellite-downloader**: descarga de Sentinel-2/Landsat - **orcunkok/AWS-Dem-Downloader**: descargas de DEM de elevación - **c2g-dev/city2graph**: análisis de grafos sobre datos geoespaciales