Delete desertificacion_ai.py

desertificacion_ai.py

@@ -1,360 +0,0 @@
-import matplotlib.pyplot as plt
-import numpy as np
-import random
-import skimage.io as skio
-import streamlit as st
-
-from PIL import Image
-from rasterio import plot
-from sklearn.ensemble import RandomForestRegressor
-from sklearn.metrics import mean_squared_error
-
-# Image.MAX_IMAGE_PIXELS = None
-
-st.set_page_config(
-    page_title='Aplicación megachula',
-    page_icon=':cactus:',
-    layout='centered'
-)
-
-# Título
-# ======
-
-image = Image.open('desertIAragón.png')
-st.image(image, width=700)
-
-st.title('Desertificación en Aragón')
-st.subheader('AI Saturdays - I Edición Zaragoza - CURSO BÁSICO DE IA')
-
-# Librerías
-# =========
-
-st.markdown('---')
-with st.expander('Librerías'):
-    st.markdown("""
-        * matplotlib   3.5.1
-        * numpy     1.22.2
-        * PIL         9.0.1
-        * rasterio     1.2.10
-        * scikit-image   0.19.2
-        * scikit-learn   1.0.2
-        * streamlit     1.5.1
-    """)
-
-# Imágenes satelitales
-# ====================
-
-@st.cache
-def lee_imagenes():
-    img_name_1 = 'imagen_1.tif'
-    img_name_2 = 'imagen_2.tif'
-    img_name_3 = 'imagen_3.tif'
-    img_name_4 = 'imagen_4.tif'
-    img_name_5 = 'imagen_5.tif'
-    img_name_6 = 'imagen_6.tif'
-
-    img1 = skio.imread(img_name_1, plugin='pil')
-    img2 = skio.imread(img_name_2, plugin='pil')
-    img3 = skio.imread(img_name_3, plugin='pil')
-    img4 = skio.imread(img_name_4, plugin='pil')
-    img5 = skio.imread(img_name_5, plugin='pil')
-    img6 = skio.imread(img_name_6, plugin='pil')
-
-    return img1, img2, img3, img4, img5, img6
-
-img1 = lee_imagenes()[0]
-img2 = lee_imagenes()[1]
-img3 = lee_imagenes()[2]
-img4 = lee_imagenes()[3]
-img5 = lee_imagenes()[4]
-img6 = lee_imagenes()[5]
-
-# @st.cache
-def muestra_imagenes():
-    st.markdown('---')
-    st.subheader('Imágenes satelitales')
-
-    col11, col12 = st.columns(2)
-    with col11:
-        st.write('1 - 20210316 - Tamaño:', img1.shape)
-        st.image(img1, width=350, clamp=True)
-    with col12:
-        st.write('2 - 20210405 - Tamaño:', img1.shape)
-        st.image(img2, width=350, clamp=True)
-
-    col21, col22 = st.columns(2)
-    with col21:
-        st.write('3 - 20210505 - Tamaño:', img1.shape)
-        st.image(img3, width=350, clamp=True)
-    with col22:
-        st.write('4 - 20210525 - Tamaño:', img1.shape)
-        st.image(img4, width=350, clamp=True)
-
-    col31, col32 = st.columns(2)
-    with col31:
-        st.write('5 - 20210614 - Tamaño:', img1.shape)
-        st.image(img5, width=350, clamp=True)
-    with col32:
-        st.write('6 - 20210624 - Tamaño:', img1.shape)
-        st.image(img6, width=350, clamp=True)
-
-muestra_imagenes()
-
-# Banda lateral
-# =============
-
-st.sidebar.markdown('# Cuadrícula de estudio')
-st.sidebar.markdown("""
-Cuadrícula de estudio dentro de la imagen, con un ancho y un alto en píxeles según lo indicado.
-
-La esquina superior izquierda de la cuadrícula se determinará con las coodenadas $x_0$ e $y_0$.
-"""
-)
-
-# Sidebar
-# -------
-
-x0 = 0
-x1 = min(img1.shape[1], img2.shape[1], img3.shape[1], img4.shape[1], img5.shape[1], img6.shape[1])
-y0 = 0
-y1 = min(img1.shape[0], img2.shape[0], img3.shape[0], img4.shape[0], img5.shape[0], img6.shape[0])
-
-coord_x = st.sidebar.slider('Coordenada x.0', x0, x1)
-coord_y = st.sidebar.slider('Coordenada y.0', y0, y1)
-
-a0 = 1
-a1 = 250
-ancho = st.sidebar.slider('Ancho/Alto de la cuadrícula', a0, a1, value=5)
-
-if coord_x + ancho > x1:
-    coord_x = x1 - ancho
-    xn = x1
-else:
-    xn = coord_x + ancho
-
-if coord_y + ancho > y1:
-    coord_y = y1 - ancho
-    yn = y1
-else:
-    yn = coord_y + ancho
-
-# st.sidebar.write('x0', coord_x)
-# st.sidebar.write('y0', coord_y)
-# st.sidebar.write('xn', xn)
-# st.sidebar.write('yn', yn)
-# st.sidebar.write('ancho', ancho)
-# st.sidebar.write('x1', x1)
-# st.sidebar.write('y1', y1)
-
-# Cuadrículas
-# ===========
-
-st.markdown('---')
-st.subheader('Cuadriculas de estudio e índice de vegetación NDVI')
-
-x0 = coord_x
-y0 = coord_y
-
-st.markdown(f'Coordenadas de la esquina superior izquierda:   $x_0$ * $y_0$ = {x0} * {y0} px')
-st.markdown(f'Coordenadas de la esquina superior derecha:   $x_n$ * $y_n$ = {xn} * {yn} px')
-
-cuadricula1 = img1[y0:yn, x0:xn]
-cuadricula2 = img2[y0:yn, x0:xn]
-cuadricula3 = img3[y0:yn, x0:xn]
-cuadricula4 = img4[y0:yn, x0:xn]
-cuadricula5 = img5[y0:yn, x0:xn]
-cuadricula6 = img6[y0:yn, x0:xn]
-cuadriculas = (cuadricula1, cuadricula2, cuadricula3, cuadricula4, cuadricula5, cuadricula6)
-
-def zona_ndvi(ndvi):
-    """Zona de representación según el rango."""
-    if ndvi < 0:
-        return 'Zona sin vegetación'
-    elif ndvi > 0.3:
-        return 'Zona con vegetación'
-    else:
-        return 'Zona con algo de vegetación'
-
-i = 0
-for cuadricula in cuadriculas:
-    i += 1
-    st.markdown(f'')
-    st.markdown(f'##### Cuadrícula {i}')
-    st.image(cuadricula, width=400, clamp=True)
-
-    st.text('Valor NDVI de cada píxel de la cuadrícula:')
-    np_data = np.asarray(cuadricula)
-    st.write(np.round(np_data, 3))
-
-    np_data_mean = np_data.mean()
-    st.markdown(f'##### Valor promedio NDVI del conjunto de píxeles de la cuadrícula: &emsp; {np_data_mean:.3f}')
-
-    zona = zona_ndvi(np_data_mean)
-    st.markdown(f'##### Interpretación del valor promedio NDVI de la cuadrícula {i} &ensp; → &ensp; {zona}')
-
-# Random Forest
-# =============
-
-st.markdown('---')
-st.subheader('Predicción de la IA')
-st.markdown(
-    """
-    El sistema se entrena con una porción igual de cada una de las imágenes 1 a 5. Esta porción es un recuadro de \
-    coordenadas aleatorias y dimensiones igual al ancho/alto de la cuadrícula indicado en la banda lateral.
-    
-    La razón de elegir un recuadro reducido es el elevado coste computacional que tiene el entrenamiento del sistema. \
-    De esta forma la aplicación puede mostrar unos resultados de una forma relativamente ágil.
-    
-    Para el test se ha elegido las imágenes de las cuadrículas 1 a 5 con las que se ha obtenido el índice NDVI.
-    
-    La predicción se hace con la cuadrícula 6. Se compara la imagen original con la predicha por la IA.
-    """
-)
-
-# Imágenes de entrenamiento
-# -------------------------
-numpydata1 = np.asarray(img1)
-numpydata2 = np.asarray(img2)
-numpydata3 = np.asarray(img3)
-numpydata4 = np.asarray(img4)
-numpydata5 = np.asarray(img5)
-
-# Imágenes para test
-# ------------------
-numpydata6 = np.asarray(img6)
-
-X = []
-y = []
-
-dim = ancho
-i0 = random.randint(0, x1 - dim)  # Mitad izquierda de la imagen
-j0 = random.randint(0, y1 - dim)
-ik = i0 + dim - 2
-jk = j0 + dim - 2
-
-for i in range(i0, ik):
-    for j in range(j0, jk):
-        X.append(
-            [
-                numpydata1[i, j], numpydata1[i, j + 1], numpydata1[i, j + 2],
-                numpydata1[i + 1, j], numpydata1[i + 1, j + 1], numpydata1[i + 1, j + 2],
-                numpydata1[i + 2, j], numpydata1[i + 2, j + 1], numpydata1[i + 2, j + 2],
-                numpydata2[i, j], numpydata2[i, j + 1], numpydata2[i, j + 2],
-                numpydata2[i + 1, j], numpydata2[i + 1, j + 1], numpydata2[i + 1, j + 2],
-                numpydata2[i + 2, j], numpydata2[i + 2, j + 1], numpydata2[i + 2, j + 2],
-                numpydata3[i, j], numpydata3[i, j + 1], numpydata3[i, j + 2],
-                numpydata3[i + 1, j], numpydata3[i + 1, j + 1], numpydata3[i + 1, j + 2],
-                numpydata3[i + 2, j], numpydata3[i + 2, j + 1], numpydata3[i + 2, j + 2],
-                numpydata4[i, j], numpydata4[i, j + 1], numpydata4[i, j + 2],
-                numpydata4[i + 1, j], numpydata4[i + 1, j + 1], numpydata4[i + 1, j + 2],
-                numpydata4[i + 2, j], numpydata4[i + 2, j + 1], numpydata4[i + 2, j + 2],
-                numpydata5[i, j], numpydata5[i, j + 1], numpydata5[i, j + 2],
-                numpydata5[i + 1, j], numpydata5[i + 1, j + 1], numpydata5[i + 1, j + 2],
-                numpydata5[i + 2, j], numpydata5[i + 2, j + 1], numpydata5[i + 2, j + 2]
-            ]
-        )
-        y.append(numpydata6[i + 1, j + 1])
-
-# Clasificador
-# ------------
-
-cls = RandomForestRegressor()
-
-# Entrenamiento
-# -------------
-
-cls.fit(X, y)
-
-A = []
-b = []
-
-i0 = x0
-j0 = y0
-ik = i0 + dim
-jk = j0 + dim
-
-for i in range(j0, jk):
-    for j in range(i0, ik):
-        A.append(
-            [
-                numpydata1[i, j], numpydata1[i, j + 1], numpydata1[i, j + 2],
-                numpydata1[i + 1, j], numpydata1[i + 1, j + 1], numpydata1[i + 1, j + 2],
-                numpydata1[i + 2, j], numpydata1[i + 2, j + 1], numpydata1[i + 2, j + 2],
-                numpydata2[i, j], numpydata2[i, j + 1], numpydata2[i, j + 2],
-                numpydata2[i + 1, j], numpydata2[i + 1, j + 1], numpydata2[i + 1, j + 2],
-                numpydata2[i + 2, j], numpydata2[i + 2, j + 1], numpydata2[i + 2, j + 2],
-                numpydata3[i, j], numpydata3[i, j + 1], numpydata3[i, j + 2],
-                numpydata3[i + 1, j], numpydata3[i + 1, j + 1], numpydata3[i + 1, j + 2],
-                numpydata3[i + 2, j], numpydata3[i + 2, j + 1], numpydata3[i + 2, j + 2],
-                numpydata4[i, j], numpydata4[i, j + 1], numpydata4[i, j + 2],
-                numpydata4[i + 1, j], numpydata4[i + 1, j + 1], numpydata4[i + 1, j + 2],
-                numpydata4[i + 2, j], numpydata4[i + 2, j + 1], numpydata4[i + 2, j + 2],
-                numpydata5[i, j], numpydata5[i, j + 1], numpydata5[i, j + 2],
-                numpydata5[i + 1, j], numpydata5[i + 1, j + 1], numpydata5[i + 1, j + 2],
-                numpydata5[i + 2, j], numpydata5[i + 2, j + 1], numpydata5[i + 2, j + 2]
-            ]
-        )
-        b.append(numpydata6[i + 1, j + 1])
-
-b_predicho = cls.predict(A)
-mse = mean_squared_error(b, b_predicho)
-
-# Plot
-# ----
-
-tfreal = b
-tfpredicho = b_predicho.tolist()
-
-anp=np.array(tfpredicho)
-anp=np.reshape(anp, (ik - i0, jk - j0))
-org=np.array(tfreal)
-org=np.reshape(org, (ik - i0, jk - j0))
-
-st.markdown(f'Coordenadas de la esquina superior izquierda: &emsp; $i_0$ * $j_0$ = {i0} * {j0} px')
-st.markdown(f'Coordenadas de la esquina superior derecha: &emsp; $i_n$ * $j_n$ = {ik} * {jk} px')
-
-st.markdown(f'##### Error cuadrático promedio: &emsp; {mse:.5f}')
-
-fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))
-ax1.imshow(org.astype(np.float64), interpolation='nearest')
-ax2.imshow(anp.astype(np.float64), interpolation='nearest')
-ax1.set_title('Imagen original')
-ax2.set_title('Imagen predicha por la IA')
-st.pyplot(fig)
-
-np_data_6 = np.asarray(cuadricula6)
-
-np_data_mean_6 = np_data_6.mean()
-np_data_mean_anp = anp.mean()
-
-st.markdown(f'##### Valor promedio NDVI del conjunto de píxeles:')
-st.markdown(f'##### Imagen original: &emsp; &emsp; &emsp; &emsp; &emsp; &emsp;{np_data_mean_6:.3f}')
-st.markdown(f'##### Cuadrícula predicha por la IA: &emsp; {np_data_mean_anp:.3f}')
-
-zona_6 = zona_ndvi(np_data_mean_6)
-zona_anp = zona_ndvi(np_data_mean_anp)
-st.markdown(f'##### Interpretación del valor promedio NDVI:')
-st.markdown(f'##### Imagen original: &emsp; &emsp; &emsp; &emsp; &emsp; &ensp; → &ensp; {zona_6}')
-st.markdown(f'##### Cuadrícula predicha por la IA: &emsp; → &ensp; {zona_anp}')
-
-# Créditos
-# ========
-
-st.markdown('---')
-with st.expander('Créditos'):
-    st.markdown(
-        """
-        06/03/2022
-        
-        Autores:
-        
-        * [Eva de Miguel](https://www.linkedin.com/in/eva-de-miguel-morales-a63938a0/)
-        * [Pedro Biel](www.linkedin.com/in/pedrobiel)
-        * [Yinet Castiblanco](https://www.linkedin.com/in/yinethcastiblancorojas/)
-        
-        ---
-        
-        * **Artículo Medium** [Medium](https://medium.com/saturdays-ai/predicci%C3%B3n-de-zonas-de-desertificaci%C3%B3n-en-arag%C3%B3n-usando-ia-ee59c15c12a5)
-        * **Código fuente:** [GitHub](https://github.com/desertificacion-AI/desertificacion-AI)
-        """
-    )