Spaces:
Runtime error
Runtime error
marcossalinas
commited on
Commit
•
1a45e01
1
Parent(s):
c13248a
Delete desertificacion_ai.py
Browse files- desertificacion_ai.py +0 -360
desertificacion_ai.py
DELETED
@@ -1,360 +0,0 @@
|
|
1 |
-
import matplotlib.pyplot as plt
|
2 |
-
import numpy as np
|
3 |
-
import random
|
4 |
-
import skimage.io as skio
|
5 |
-
import streamlit as st
|
6 |
-
|
7 |
-
from PIL import Image
|
8 |
-
from rasterio import plot
|
9 |
-
from sklearn.ensemble import RandomForestRegressor
|
10 |
-
from sklearn.metrics import mean_squared_error
|
11 |
-
|
12 |
-
# Image.MAX_IMAGE_PIXELS = None
|
13 |
-
|
14 |
-
st.set_page_config(
|
15 |
-
page_title='Aplicación megachula',
|
16 |
-
page_icon=':cactus:',
|
17 |
-
layout='centered'
|
18 |
-
)
|
19 |
-
|
20 |
-
# Título
|
21 |
-
# ======
|
22 |
-
|
23 |
-
image = Image.open('desertIAragón.png')
|
24 |
-
st.image(image, width=700)
|
25 |
-
|
26 |
-
st.title('Desertificación en Aragón')
|
27 |
-
st.subheader('AI Saturdays - I Edición Zaragoza - CURSO BÁSICO DE IA')
|
28 |
-
|
29 |
-
# Librerías
|
30 |
-
# =========
|
31 |
-
|
32 |
-
st.markdown('---')
|
33 |
-
with st.expander('Librerías'):
|
34 |
-
st.markdown("""
|
35 |
-
* matplotlib   3.5.1
|
36 |
-
* numpy     1.22.2
|
37 |
-
* PIL         9.0.1
|
38 |
-
* rasterio     1.2.10
|
39 |
-
* scikit-image   0.19.2
|
40 |
-
* scikit-learn   1.0.2
|
41 |
-
* streamlit     1.5.1
|
42 |
-
""")
|
43 |
-
|
44 |
-
# Imágenes satelitales
|
45 |
-
# ====================
|
46 |
-
|
47 |
-
@st.cache
|
48 |
-
def lee_imagenes():
|
49 |
-
img_name_1 = 'imagen_1.tif'
|
50 |
-
img_name_2 = 'imagen_2.tif'
|
51 |
-
img_name_3 = 'imagen_3.tif'
|
52 |
-
img_name_4 = 'imagen_4.tif'
|
53 |
-
img_name_5 = 'imagen_5.tif'
|
54 |
-
img_name_6 = 'imagen_6.tif'
|
55 |
-
|
56 |
-
img1 = skio.imread(img_name_1, plugin='pil')
|
57 |
-
img2 = skio.imread(img_name_2, plugin='pil')
|
58 |
-
img3 = skio.imread(img_name_3, plugin='pil')
|
59 |
-
img4 = skio.imread(img_name_4, plugin='pil')
|
60 |
-
img5 = skio.imread(img_name_5, plugin='pil')
|
61 |
-
img6 = skio.imread(img_name_6, plugin='pil')
|
62 |
-
|
63 |
-
return img1, img2, img3, img4, img5, img6
|
64 |
-
|
65 |
-
img1 = lee_imagenes()[0]
|
66 |
-
img2 = lee_imagenes()[1]
|
67 |
-
img3 = lee_imagenes()[2]
|
68 |
-
img4 = lee_imagenes()[3]
|
69 |
-
img5 = lee_imagenes()[4]
|
70 |
-
img6 = lee_imagenes()[5]
|
71 |
-
|
72 |
-
# @st.cache
|
73 |
-
def muestra_imagenes():
|
74 |
-
st.markdown('---')
|
75 |
-
st.subheader('Imágenes satelitales')
|
76 |
-
|
77 |
-
col11, col12 = st.columns(2)
|
78 |
-
with col11:
|
79 |
-
st.write('1 - 20210316 - Tamaño:', img1.shape)
|
80 |
-
st.image(img1, width=350, clamp=True)
|
81 |
-
with col12:
|
82 |
-
st.write('2 - 20210405 - Tamaño:', img1.shape)
|
83 |
-
st.image(img2, width=350, clamp=True)
|
84 |
-
|
85 |
-
col21, col22 = st.columns(2)
|
86 |
-
with col21:
|
87 |
-
st.write('3 - 20210505 - Tamaño:', img1.shape)
|
88 |
-
st.image(img3, width=350, clamp=True)
|
89 |
-
with col22:
|
90 |
-
st.write('4 - 20210525 - Tamaño:', img1.shape)
|
91 |
-
st.image(img4, width=350, clamp=True)
|
92 |
-
|
93 |
-
col31, col32 = st.columns(2)
|
94 |
-
with col31:
|
95 |
-
st.write('5 - 20210614 - Tamaño:', img1.shape)
|
96 |
-
st.image(img5, width=350, clamp=True)
|
97 |
-
with col32:
|
98 |
-
st.write('6 - 20210624 - Tamaño:', img1.shape)
|
99 |
-
st.image(img6, width=350, clamp=True)
|
100 |
-
|
101 |
-
muestra_imagenes()
|
102 |
-
|
103 |
-
# Banda lateral
|
104 |
-
# =============
|
105 |
-
|
106 |
-
st.sidebar.markdown('# Cuadrícula de estudio')
|
107 |
-
st.sidebar.markdown("""
|
108 |
-
Cuadrícula de estudio dentro de la imagen, con un ancho y un alto en píxeles según lo indicado.
|
109 |
-
|
110 |
-
La esquina superior izquierda de la cuadrícula se determinará con las coodenadas $x_0$ e $y_0$.
|
111 |
-
"""
|
112 |
-
)
|
113 |
-
|
114 |
-
# Sidebar
|
115 |
-
# -------
|
116 |
-
|
117 |
-
x0 = 0
|
118 |
-
x1 = min(img1.shape[1], img2.shape[1], img3.shape[1], img4.shape[1], img5.shape[1], img6.shape[1])
|
119 |
-
y0 = 0
|
120 |
-
y1 = min(img1.shape[0], img2.shape[0], img3.shape[0], img4.shape[0], img5.shape[0], img6.shape[0])
|
121 |
-
|
122 |
-
coord_x = st.sidebar.slider('Coordenada x.0', x0, x1)
|
123 |
-
coord_y = st.sidebar.slider('Coordenada y.0', y0, y1)
|
124 |
-
|
125 |
-
a0 = 1
|
126 |
-
a1 = 250
|
127 |
-
ancho = st.sidebar.slider('Ancho/Alto de la cuadrícula', a0, a1, value=5)
|
128 |
-
|
129 |
-
if coord_x + ancho > x1:
|
130 |
-
coord_x = x1 - ancho
|
131 |
-
xn = x1
|
132 |
-
else:
|
133 |
-
xn = coord_x + ancho
|
134 |
-
|
135 |
-
if coord_y + ancho > y1:
|
136 |
-
coord_y = y1 - ancho
|
137 |
-
yn = y1
|
138 |
-
else:
|
139 |
-
yn = coord_y + ancho
|
140 |
-
|
141 |
-
# st.sidebar.write('x0', coord_x)
|
142 |
-
# st.sidebar.write('y0', coord_y)
|
143 |
-
# st.sidebar.write('xn', xn)
|
144 |
-
# st.sidebar.write('yn', yn)
|
145 |
-
# st.sidebar.write('ancho', ancho)
|
146 |
-
# st.sidebar.write('x1', x1)
|
147 |
-
# st.sidebar.write('y1', y1)
|
148 |
-
|
149 |
-
# Cuadrículas
|
150 |
-
# ===========
|
151 |
-
|
152 |
-
st.markdown('---')
|
153 |
-
st.subheader('Cuadriculas de estudio e índice de vegetación NDVI')
|
154 |
-
|
155 |
-
x0 = coord_x
|
156 |
-
y0 = coord_y
|
157 |
-
|
158 |
-
st.markdown(f'Coordenadas de la esquina superior izquierda:   $x_0$ * $y_0$ = {x0} * {y0} px')
|
159 |
-
st.markdown(f'Coordenadas de la esquina superior derecha:   $x_n$ * $y_n$ = {xn} * {yn} px')
|
160 |
-
|
161 |
-
cuadricula1 = img1[y0:yn, x0:xn]
|
162 |
-
cuadricula2 = img2[y0:yn, x0:xn]
|
163 |
-
cuadricula3 = img3[y0:yn, x0:xn]
|
164 |
-
cuadricula4 = img4[y0:yn, x0:xn]
|
165 |
-
cuadricula5 = img5[y0:yn, x0:xn]
|
166 |
-
cuadricula6 = img6[y0:yn, x0:xn]
|
167 |
-
cuadriculas = (cuadricula1, cuadricula2, cuadricula3, cuadricula4, cuadricula5, cuadricula6)
|
168 |
-
|
169 |
-
def zona_ndvi(ndvi):
|
170 |
-
"""Zona de representación según el rango."""
|
171 |
-
if ndvi < 0:
|
172 |
-
return 'Zona sin vegetación'
|
173 |
-
elif ndvi > 0.3:
|
174 |
-
return 'Zona con vegetación'
|
175 |
-
else:
|
176 |
-
return 'Zona con algo de vegetación'
|
177 |
-
|
178 |
-
i = 0
|
179 |
-
for cuadricula in cuadriculas:
|
180 |
-
i += 1
|
181 |
-
st.markdown(f'')
|
182 |
-
st.markdown(f'##### Cuadrícula {i}')
|
183 |
-
st.image(cuadricula, width=400, clamp=True)
|
184 |
-
|
185 |
-
st.text('Valor NDVI de cada píxel de la cuadrícula:')
|
186 |
-
np_data = np.asarray(cuadricula)
|
187 |
-
st.write(np.round(np_data, 3))
|
188 |
-
|
189 |
-
np_data_mean = np_data.mean()
|
190 |
-
st.markdown(f'##### Valor promedio NDVI del conjunto de píxeles de la cuadrícula:   {np_data_mean:.3f}')
|
191 |
-
|
192 |
-
zona = zona_ndvi(np_data_mean)
|
193 |
-
st.markdown(f'##### Interpretación del valor promedio NDVI de la cuadrícula {i}   →   {zona}')
|
194 |
-
|
195 |
-
# Random Forest
|
196 |
-
# =============
|
197 |
-
|
198 |
-
st.markdown('---')
|
199 |
-
st.subheader('Predicción de la IA')
|
200 |
-
st.markdown(
|
201 |
-
"""
|
202 |
-
El sistema se entrena con una porción igual de cada una de las imágenes 1 a 5. Esta porción es un recuadro de \
|
203 |
-
coordenadas aleatorias y dimensiones igual al ancho/alto de la cuadrícula indicado en la banda lateral.
|
204 |
-
|
205 |
-
La razón de elegir un recuadro reducido es el elevado coste computacional que tiene el entrenamiento del sistema. \
|
206 |
-
De esta forma la aplicación puede mostrar unos resultados de una forma relativamente ágil.
|
207 |
-
|
208 |
-
Para el test se ha elegido las imágenes de las cuadrículas 1 a 5 con las que se ha obtenido el índice NDVI.
|
209 |
-
|
210 |
-
La predicción se hace con la cuadrícula 6. Se compara la imagen original con la predicha por la IA.
|
211 |
-
"""
|
212 |
-
)
|
213 |
-
|
214 |
-
# Imágenes de entrenamiento
|
215 |
-
# -------------------------
|
216 |
-
numpydata1 = np.asarray(img1)
|
217 |
-
numpydata2 = np.asarray(img2)
|
218 |
-
numpydata3 = np.asarray(img3)
|
219 |
-
numpydata4 = np.asarray(img4)
|
220 |
-
numpydata5 = np.asarray(img5)
|
221 |
-
|
222 |
-
# Imágenes para test
|
223 |
-
# ------------------
|
224 |
-
numpydata6 = np.asarray(img6)
|
225 |
-
|
226 |
-
X = []
|
227 |
-
y = []
|
228 |
-
|
229 |
-
dim = ancho
|
230 |
-
i0 = random.randint(0, x1 - dim) # Mitad izquierda de la imagen
|
231 |
-
j0 = random.randint(0, y1 - dim)
|
232 |
-
ik = i0 + dim - 2
|
233 |
-
jk = j0 + dim - 2
|
234 |
-
|
235 |
-
for i in range(i0, ik):
|
236 |
-
for j in range(j0, jk):
|
237 |
-
X.append(
|
238 |
-
[
|
239 |
-
numpydata1[i, j], numpydata1[i, j + 1], numpydata1[i, j + 2],
|
240 |
-
numpydata1[i + 1, j], numpydata1[i + 1, j + 1], numpydata1[i + 1, j + 2],
|
241 |
-
numpydata1[i + 2, j], numpydata1[i + 2, j + 1], numpydata1[i + 2, j + 2],
|
242 |
-
numpydata2[i, j], numpydata2[i, j + 1], numpydata2[i, j + 2],
|
243 |
-
numpydata2[i + 1, j], numpydata2[i + 1, j + 1], numpydata2[i + 1, j + 2],
|
244 |
-
numpydata2[i + 2, j], numpydata2[i + 2, j + 1], numpydata2[i + 2, j + 2],
|
245 |
-
numpydata3[i, j], numpydata3[i, j + 1], numpydata3[i, j + 2],
|
246 |
-
numpydata3[i + 1, j], numpydata3[i + 1, j + 1], numpydata3[i + 1, j + 2],
|
247 |
-
numpydata3[i + 2, j], numpydata3[i + 2, j + 1], numpydata3[i + 2, j + 2],
|
248 |
-
numpydata4[i, j], numpydata4[i, j + 1], numpydata4[i, j + 2],
|
249 |
-
numpydata4[i + 1, j], numpydata4[i + 1, j + 1], numpydata4[i + 1, j + 2],
|
250 |
-
numpydata4[i + 2, j], numpydata4[i + 2, j + 1], numpydata4[i + 2, j + 2],
|
251 |
-
numpydata5[i, j], numpydata5[i, j + 1], numpydata5[i, j + 2],
|
252 |
-
numpydata5[i + 1, j], numpydata5[i + 1, j + 1], numpydata5[i + 1, j + 2],
|
253 |
-
numpydata5[i + 2, j], numpydata5[i + 2, j + 1], numpydata5[i + 2, j + 2]
|
254 |
-
]
|
255 |
-
)
|
256 |
-
y.append(numpydata6[i + 1, j + 1])
|
257 |
-
|
258 |
-
# Clasificador
|
259 |
-
# ------------
|
260 |
-
|
261 |
-
cls = RandomForestRegressor()
|
262 |
-
|
263 |
-
# Entrenamiento
|
264 |
-
# -------------
|
265 |
-
|
266 |
-
cls.fit(X, y)
|
267 |
-
|
268 |
-
A = []
|
269 |
-
b = []
|
270 |
-
|
271 |
-
i0 = x0
|
272 |
-
j0 = y0
|
273 |
-
ik = i0 + dim
|
274 |
-
jk = j0 + dim
|
275 |
-
|
276 |
-
for i in range(j0, jk):
|
277 |
-
for j in range(i0, ik):
|
278 |
-
A.append(
|
279 |
-
[
|
280 |
-
numpydata1[i, j], numpydata1[i, j + 1], numpydata1[i, j + 2],
|
281 |
-
numpydata1[i + 1, j], numpydata1[i + 1, j + 1], numpydata1[i + 1, j + 2],
|
282 |
-
numpydata1[i + 2, j], numpydata1[i + 2, j + 1], numpydata1[i + 2, j + 2],
|
283 |
-
numpydata2[i, j], numpydata2[i, j + 1], numpydata2[i, j + 2],
|
284 |
-
numpydata2[i + 1, j], numpydata2[i + 1, j + 1], numpydata2[i + 1, j + 2],
|
285 |
-
numpydata2[i + 2, j], numpydata2[i + 2, j + 1], numpydata2[i + 2, j + 2],
|
286 |
-
numpydata3[i, j], numpydata3[i, j + 1], numpydata3[i, j + 2],
|
287 |
-
numpydata3[i + 1, j], numpydata3[i + 1, j + 1], numpydata3[i + 1, j + 2],
|
288 |
-
numpydata3[i + 2, j], numpydata3[i + 2, j + 1], numpydata3[i + 2, j + 2],
|
289 |
-
numpydata4[i, j], numpydata4[i, j + 1], numpydata4[i, j + 2],
|
290 |
-
numpydata4[i + 1, j], numpydata4[i + 1, j + 1], numpydata4[i + 1, j + 2],
|
291 |
-
numpydata4[i + 2, j], numpydata4[i + 2, j + 1], numpydata4[i + 2, j + 2],
|
292 |
-
numpydata5[i, j], numpydata5[i, j + 1], numpydata5[i, j + 2],
|
293 |
-
numpydata5[i + 1, j], numpydata5[i + 1, j + 1], numpydata5[i + 1, j + 2],
|
294 |
-
numpydata5[i + 2, j], numpydata5[i + 2, j + 1], numpydata5[i + 2, j + 2]
|
295 |
-
]
|
296 |
-
)
|
297 |
-
b.append(numpydata6[i + 1, j + 1])
|
298 |
-
|
299 |
-
b_predicho = cls.predict(A)
|
300 |
-
mse = mean_squared_error(b, b_predicho)
|
301 |
-
|
302 |
-
# Plot
|
303 |
-
# ----
|
304 |
-
|
305 |
-
tfreal = b
|
306 |
-
tfpredicho = b_predicho.tolist()
|
307 |
-
|
308 |
-
anp=np.array(tfpredicho)
|
309 |
-
anp=np.reshape(anp, (ik - i0, jk - j0))
|
310 |
-
org=np.array(tfreal)
|
311 |
-
org=np.reshape(org, (ik - i0, jk - j0))
|
312 |
-
|
313 |
-
st.markdown(f'Coordenadas de la esquina superior izquierda:   $i_0$ * $j_0$ = {i0} * {j0} px')
|
314 |
-
st.markdown(f'Coordenadas de la esquina superior derecha:   $i_n$ * $j_n$ = {ik} * {jk} px')
|
315 |
-
|
316 |
-
st.markdown(f'##### Error cuadrático promedio:   {mse:.5f}')
|
317 |
-
|
318 |
-
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))
|
319 |
-
ax1.imshow(org.astype(np.float64), interpolation='nearest')
|
320 |
-
ax2.imshow(anp.astype(np.float64), interpolation='nearest')
|
321 |
-
ax1.set_title('Imagen original')
|
322 |
-
ax2.set_title('Imagen predicha por la IA')
|
323 |
-
st.pyplot(fig)
|
324 |
-
|
325 |
-
np_data_6 = np.asarray(cuadricula6)
|
326 |
-
|
327 |
-
np_data_mean_6 = np_data_6.mean()
|
328 |
-
np_data_mean_anp = anp.mean()
|
329 |
-
|
330 |
-
st.markdown(f'##### Valor promedio NDVI del conjunto de píxeles:')
|
331 |
-
st.markdown(f'##### Imagen original:            {np_data_mean_6:.3f}')
|
332 |
-
st.markdown(f'##### Cuadrícula predicha por la IA:   {np_data_mean_anp:.3f}')
|
333 |
-
|
334 |
-
zona_6 = zona_ndvi(np_data_mean_6)
|
335 |
-
zona_anp = zona_ndvi(np_data_mean_anp)
|
336 |
-
st.markdown(f'##### Interpretación del valor promedio NDVI:')
|
337 |
-
st.markdown(f'##### Imagen original:             →   {zona_6}')
|
338 |
-
st.markdown(f'##### Cuadrícula predicha por la IA:   →   {zona_anp}')
|
339 |
-
|
340 |
-
# Créditos
|
341 |
-
# ========
|
342 |
-
|
343 |
-
st.markdown('---')
|
344 |
-
with st.expander('Créditos'):
|
345 |
-
st.markdown(
|
346 |
-
"""
|
347 |
-
06/03/2022
|
348 |
-
|
349 |
-
Autores:
|
350 |
-
|
351 |
-
* [Eva de Miguel](https://www.linkedin.com/in/eva-de-miguel-morales-a63938a0/)
|
352 |
-
* [Pedro Biel](www.linkedin.com/in/pedrobiel)
|
353 |
-
* [Yinet Castiblanco](https://www.linkedin.com/in/yinethcastiblancorojas/)
|
354 |
-
|
355 |
-
---
|
356 |
-
|
357 |
-
* **Artículo Medium** [Medium](https://medium.com/saturdays-ai/predicci%C3%B3n-de-zonas-de-desertificaci%C3%B3n-en-arag%C3%B3n-usando-ia-ee59c15c12a5)
|
358 |
-
* **Código fuente:** [GitHub](https://github.com/desertificacion-AI/desertificacion-AI)
|
359 |
-
"""
|
360 |
-
)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|