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

Despliegue en NaN Builders (Python/FastAPI)

Dockerfile patrón para DRISH-ES en NaN:

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