Skip to main content

satellite-traffic-detection

DRISH-X — detección de tráfico de vehículos desde imágenes satelitales Sentinel-2. Aprovecha el parpadeo RGB del sensor (1.01s entre canales) + YOLO para inteligencia de carga en carreteras

Aller à l'installation

Informations de source

Dépôt
Ntizar/NtizarBrainMasterMind
Dernière activité de la source
1 juillet 2026 à 19:28
Langue détectée de SKILL.md
espagnol
Étoiles
2
Forks
0

Options d'installation

Le prompt qui vérifie d'abord la source est sélectionné par défaut. Vous pouvez passer à une commande directe ou télécharger une copie locale.

Vérifiez les fichiers source

Lisez SKILL.md et les fichiers associés affichés par SkillsMP avant de décider de l'installer.

Explorateur de fichiers
3 fichiers

Affichage de SKILL.md

SKILL.md
Instructions source · Aperçu en lecture seule
name
satellite-traffic-detection
description
DRISH-X — detección de tráfico de vehículos desde imágenes satelitales Sentinel-2. Aprovecha el parpadeo RGB del sensor (1.01s entre canales) + YOLO para inteligencia de carga en carreteras
version
1.0.0
author
Ntizar
tags
["vision","satellite","traffic","DRISH-X"]
# 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?" ## Referencia Principal - **Repo**: sparkyniner/DRISH-X-Satellite-powered-freight-intelligence- (233★) - **URL**: https://github.com/sparkyniner/DRISH-X-Satellite-powered-freight-intelligence- - **License**: MIT ## Tecnologías - Python 3.10+ - FastAPI (API) - Sentinel-2 / Copernicus (imágenes satelitales) - YOLO (detección de vehículos) ## Principio Científico El sensor Sentinel-2 registra los canales rojo, verde y azul con un desfase de **1.01 segundos**. Cualquier objeto estático se ve normal, pero un vehículo moviéndose a velocidad autopista aparece desplazado entre los canales. Este "parpadeo RGB" es la señal explotada para detección. ## Pasos de Implementación 1. **Descargar imágenes Sentinel-2** desde Copernicus Data Space 2. **Preprocesar**: extraer canales RGB con desfase temporal 3. **Detectar vehículos**: YOLO sobre imágenes procesadas 4. **Contar y rastrear**: agregación por segmento de carretera 5. **API FastAPI**: exponer resultados para consumo ## 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 ## 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 ## 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
Voir sur GitHub