Impronte

 Impronte sul M.Ferrato

Impronta di Lupo

Impronta di Tasso

ho trovato anche questo osso che mostra tracce di predazione

Rimozione trend da serie tempo

Una prova per rimuovere la componente stagionale da una serie tempo usando la libreria StatsModels di Python

In alto dati originali. al centro trend, seguend dati periodici stimati ed in basso calcolo dei residui

i

#!/usr/bin/env python

# coding: utf-8

# In[1]:

from IPython.display import display

import numpy as np

import pandas as pd

pd.set_option('display.max_rows', 15)

pd.set_option('display.max_columns', 500)

pd.set_option('display.width', 1000)

import matplotlib.pyplot as plt

from datetime import datetime

from datetime import timedelta

from pandas.plotting import register_matplotlib_converters

from mpl_toolkits.mplot3d import Axes3D

from statsmodels.tsa.stattools import acf, pacf

from statsmodels.tsa.statespace.sarimax import SARIMAX

import statsmodels.api as sm

import statsmodels.formula.api as smf

register_matplotlib_converters()

from time import time

import seaborn as sns

sns.set(style="whitegrid")

from sklearn.preprocessing import StandardScaler

from sklearn.decomposition import PCA

from sklearn.cluster import KMeans

from sklearn.covariance import EllipticEnvelope

import warnings

warnings.filterwarnings('ignore')

RANDOM_SEED = np.random.seed(0)

# # Carica i dati

# In[2]:

def parser(s):

return datetime.strptime(s, '%Y-%m-%d %H:%M:%S')

# In[3]:

#read data

est = pd.read_csv('/home/luca/luca/liscione.csv',sep=";",parse_dates=[0], index_col=0, date_parser=parser,header=0)

print(est)

# In[4]:

est = est.asfreq(freq='1H', method='ffill')

# ### Introduce an Anomaly

# In[5]:

idx = pd.IndexSlice

# In[6]:

start_date = datetime(2023,10,5,0,0,0)

end_date = datetime(2023,12,31,23,59,0)

lim_est = est[start_date:end_date]

# In[7]:

lim_est

# In[8]:

del lim_est['Temp']

# In[9]:

plt.figure(figsize=(10,4))

plt.plot(lim_est)

plt.title('Est', fontsize=20)

plt.ylabel('Est(mm)', fontsize=16)

for year in range(start_date.year,end_date.year):

plt.axvline(pd.to_datetime(str(year)+'-01-01'), color='k', linestyle='--', alpha=0.2)

# ## Seasonal Decompose

# In[10]:

from statsmodels.tsa.seasonal import seasonal_decompose

import matplotlib.dates as mdates

# In[18]:

plt.rc('figure',figsize=(12,8))

plt.rc('font',size=15)

result = seasonal_decompose(lim_est,model='additive')

print(result.trend)

plt.savefig('trend')

fig = result.plot()

fig.savefig('trend.png') # save the figure to file

result.trend.to_csv('/home/luca/tempo.csv', date_format='%Y-%m-%d_%H',sep=";")

# In[12]:

plt.rc('figure',figsize=(12,6))

plt.rc('font',size=15)

fig, ax = plt.subplots()

x = result.resid.index

y = result.resid.values

print(x.size)

ax.plot_date(x, y, color='black',linestyle='--')

ax.set_ylim([-0.7, 0.7])

fig.autofmt_xdate()

plt.savefig('residual')

plt.show()

# In[13]:

temp = est[start_date:end_date]

del temp['Est']

print(temp.index)

temp.index.to_csv('tempo2.csv', date_format='%Y-%m-%d_%H',delimiter=";")

#np.savetxt('tempo.csv',temp.index,delimiter=";")

# In[ ]:

# In[ ]:

fig, ax1 = plt.subplots()

color = 'tab:red'

ax1.set_xlabel('time')

ax1.set_ylabel('Temp', color=color)

ax1.plot(temp, color=color)

ax1.tick_params(axis='y', labelcolor=color)

ax2 = ax1.twinx() # instantiate a second axes that shares the same x-axis

color = 'tab:blue'

ax2.set_ylabel('Est', color=color) # we already handled the x-label with ax1

ax2.plot(result.trend, color=color)

ax2.tick_params(axis='y', labelcolor=color)

plt.savefig('sovrapposto')

plt.show()

# In[ ]:

np.savetxt('trend.csv',result.trend.values,delimiter=";")

np.savetxt('temp.csv',temp.values,delimiter=";")

# In[ ]:

import matplotlib.animation as animation

fig,ax = plt.subplots()

scat = ax.scatter(result.trend.values, temp.values)

plt.gca().invert_xaxis()

ax.set(xlabel='Estensimetro (mm)')

ax.set(ylabel='Temperatura (C)')

def update(i):

scat.set_offsets((result.trend.values[i],temp.values[i]))

return scat,

ani = animation.FuncAnimation(fig,update, repeat=True, frames=len(temp)-1, interval=10)

#writer = animation.PillowWriter(fps=15)

#ani.save('animation.gif',writer=writer)

#plt.savefig('scatterplot')

plt.show()

Animazione di grafico con Matplotlib

 

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
import pandas as pd
df = pd.read_csv("tempo.csv", dtype=str,sep=";")
print(df)
my_data = np.genfromtxt('./scatterplot.csv', delimiter=';')
x = my_data[:,1]
y = my_data[:,0]
fig = plt.figure()
ax = fig.add_subplot()
plt.ylim(-5, 22)
plt.ylabel ('Temperatura (C)')
plt.xlim(-59, -53)
plt.xlabel ('Estensimetro (mm)')
tempo = ax.text(0.8, 0.9, '', horizontalalignment='center',verticalalignment='center', transform=ax.transAxes)
graph, = plt.plot([], [], 'o', markersize=1)
def animate(i):
    graph.set_data(x[:i+1], y[:i+1])
    tempo.set_text(df.Data[i])
    return graph,
ani = FuncAnimation(fig, animate, frames=2000, interval=50)
#FFwriter = animation.FFMpegWriter(fps=10)
#ani.save('animation.mp4')
plt.show()

Le GEPAN n'a rien a cacher

 

ARISS 40th Anniversary SSTV Event

 

Docker Compose esempio

 In ufficio stanno spingendo per utilizzare docker per ogni applicazione

Per rendere lo sviluppo piu' tracciabile viene richiesto che oltre al docker file vi sia anche il file yaml di docker compose (in pratica le impostazioni del container che si dovrebbero passare sulla linea di comando sono scritti nel file compose.yaml) 

con build . (punto) viene indicato di usare il dockerfile compreso nello stesso folder

Per lanciare si usa

docker compose up -d

alla fine della costruzione dell'immagine viene fatto in automatico lo start

Si accede quindi con

docker exec -it Omnia bash

si termina con

docker compose stop

version: '3'

services:

omnia_apuane:

build: .

container_name: Omnia

ports:

- "9192:80"

dns:

- "10.100.1.3"

environment:

- HOST=omnia

- VIRTUAL_HOST=omnia.aaaa.aaaa.it

- VIRTUAL_PROTO=http

- VIRTUAL_PORT=80

- TZ=Europe/Rome

restart: always

network_mode: bridge

Frana M.Javello e Sentinel 1

Qualche settimana fa un conoscente mi ha mandato um video di una corona di frana sul monte Javello legata all'evento piovoso del 6 novembre

Ho provato a vedere se riuscivo a vedere l'estensione della frana dalle immagini di Sentinel 2. Sono riuscito ad inviduare un aspetto interessante ovvero che sul versante era presente una zona disboscata che e' stata tagliata nel 2023 ed i corrispondenza di questa area 

Immagine dell'area disboscata

Prima del taglio forestale

dopo il taglio forestale

Come si puo' vedere dopo l'evento l'impluvio risulta essere interessato da trasporto solido (e' la striscia bianca che scende verso valla a circa meta' dell'immagine leggermente a sinistra)

Nonostante cio' in ottico della frana nemmeno l'ombra. Ho provato, cosa che non avevo mai provato, ad utilizzare Sentinel 1.

Per fare change detection con immagini radar si devono cercare immagini appartenenti alla stessa orbita. il primo tentativo e' fallito perche' il sensore illuminava il versante sbagliato del M.Ferrato e quindi non si mostravano modifiche al versante

Ho preso quindi la coppia 

S1A_IW_GRDH_1SDV_20231031T171457_20231031T171522_051012_062696_0499.SAFE
S1A_IW_GRDH_1SDV_20231112T171456_20231112T171521_051187_062C9B_8EBB.SAFE

Ciascuna immagine e' stata trattata con in SNAP con

Radar/Apply Orbit
Radar/Radiometric/S1 Remove Thermal Noise
Radar/Radiometric/Calibrate (attivando sia Sigma0 che Beta0)
Radar/Speckle Filtering/Single Product Speckle Filtering
Radar/Geometric/Terrain Correction/Range Doppler Terrain Correction
Raster/Subset (per inquadrare solo l'area di interesse)
Raster/Data Conversion/Linear to/fromDb
Radar/Coregistration (per passare da due prodotti ad un prodotto solo)

Per il change detection sono utilizzati diversi algoritmi (sia basati su dati SLC che GRD) come . Ho provato il metodo piu' semplice che corrisponde al fare il rapporto (non la differenza) tra le bande Beta0  prima e dopo l'evento

rapporto beta0

scontornando manualmente le aree

Il metodo non e' particolarmente diagnostico. L'algoritmo indicava una frana anche a monte di Schignano ma persone del luogo mi hanno detto che non si sono verificati movimenti franosi. Diciamo che puo' essere una indicazione ma non altro

in effetti sembra che Sentinel 1 riesca a verificare delle zone di potenziale frana dove Sentinel 2 non riusciva a vedere. Spero di riuscire a trovare il tempo per un sopralluogo di persona 

1) Strategies for landslide detection using open-access synthetic aperture radar backscatter change in Google Earth Engine Alexander L. Handwerger , Shannan Y. Jones , Pukar Amatya  Hannah R. Kerner  , Dalia B. Kirschbaum , and Mong-Han Huang https://doi.org/10.5194/nhess-2021-283

2) Exploring event landslide mapping using Sentinel-1 SAR backscatter products Michele Santangelo, Mauro Cardinali, Francesco Bucci, Federica Fiorucci, Alessandro Cesare Mondini  Geomorphology Volume 397, 15 January 2022, 108021