print("Conectado")
print("Preparando datos")
dfP = pd.DataFrame(data=rows,
columns=[
'codigo_estacion', 'nombre_estacion', 'latitud',
'longitud', 'fecha_observacion', 'valor_registrado',
'valor_corregido'
])
print("Inicio de bucle")
analisis_data, ArrayCentroides = [], []
historialDescargas = [None] * 9
while tiempoAnalizarIni <= diaAnalizarFin:
plot = plt.Plot()
query = 'start_time >="' + datetime.strftime(
tiempoAnalizarIni,
'%Y-%m-%d %H:%M:%S') + '" and start_time<="' + datetime.strftime(
tiempoAnalizarFin, '%Y-%m-%d %H:%M:%S') + '"'
datosAnalisis = df.query(query)
peak_current = 0 # Corriente pico
densidad = 0
HoraFinalCelula = None
HoraInicialCelula = None
EvoPuntoInicial = []
EvoPuntoFinal = []
printPossibleWeather = False
dlon = lon2 - lon1
dlat = lat2 - lat1
a = sin(dlat / 2)**2 + cos(lat1) * cos(lat2) * sin(dlon / 2)**2
c = 2 * atan2(sqrt(a), sqrt(1 - a))
distance = R * c
return distance
# print("Distancia:", distance)
if __name__ == '__main__':
plot = plt.Plot()
# plot.drawIntoMap(-57.623154, -25.280073,1)
# plot.drawIntoMap(-57.603154, -25.284073, 1)
# plot.printMap()
# exit(0)
inicio_de_tiempo = time.time()
database_connection = db.DatabaseConnection()
# DATOS DE ANALISIS DE PRUEBA
diaAnalizarIni = datetime.strptime('2016-11-19 13:00:00',
'%Y-%m-%d %H:%M:%S')
diaAnalizarFin = datetime.strptime('2016-11-19 18:56:59',
'%Y-%m-%d %H:%M:%S')
# coordenadaAnalizar = '-57.606765,-25.284659' # Asuncion
coordenadaAnalizar = '-55.873211,-27.336775' # Encarnacion - Playa San Jose
tiempoIntervalo = 10 # minutos
def SVM(diaAnalizarIni, diaAnalizarFin, coordenadaAnalizar):
SVM = ML.ML_SVM(False)
tormentaDetectada = False
inicio_de_tiempo = time.time()
# DATOS DE ANALISIS DE PRUEBA
diaAnalizarIni = datetime.strptime(diaAnalizarIni, '%Y-%m-%d %H:%M')
diaAnalizarFin = datetime.strptime(diaAnalizarFin, '%Y-%m-%d %H:%M')
# coordenadaAnalizar = '-57.606765,-25.284659' # Asuncion
# coordenadaAnalizar = '-55.873211,-27.336775' # Encarnacion - Playa San Jose
tiempoIntervalo = 10 # minutos
# DATOS DE ANALISIS EN TIEMPO REAL
# diaAnalizarIni = datetime.now() - timedelta(minutes=15)
# diaAnalizarFin = datetime.now()
diametroAnalizar = '45000' # en metros
# Definicion de tiempos a ser analizados, estas variables iran iterando en un bucle segun el tiempoIntervalo
tiempoAnalizarIni = diaAnalizarIni
tiempoAnalizarFin = tiempoAnalizarIni + timedelta(minutes=tiempoIntervalo)
print("Conectando a la base de datos...Descargas")
# Conexion a la base de datos de descargas electricas
database_connection = db.DatabaseConnection('', 'rayos', 'cta', '')
rows = database_connection.query(
"SELECT start_time,end_time,type,latitude,longitude,peak_current,ic_height,number_of_sensors,ic_multiplicity,cg_multiplicity,geom FROM lightning_data WHERE ST_DistanceSphere(geom, ST_MakePoint("
+ coordenadaAnalizar + ")) <= " + diametroAnalizar +
" AND start_time >= to_timestamp('" + str(diaAnalizarIni) +
"', 'YYYY-MM-DD HH24:MI:SS.MS') AND start_time <= to_timestamp('" +
str(diaAnalizarFin) + "', 'YYYY-MM-DD HH24:MI:SS.MS')")
print("Conectado")
print("Preparando datos")
df = pd.DataFrame(data=rows,
columns=[
'start_time', 'end_time', 'type', 'latitude',
'longitude', 'peak_current', 'ic_height',
'number_of_sensors', 'ic_multiplicity',
'cg_multiplicity', 'geom'
])
print("Inicio de bucle")
analisis_data, ArrayCentroides = [], []
historialDescargas = [None] * 9
printPossibleWeather = False
while tiempoAnalizarIni <= diaAnalizarFin:
plot = plt.Plot()
query = 'start_time >="' + datetime.strftime(
tiempoAnalizarIni,
'%Y-%m-%d %H:%M:%S') + '" and start_time<="' + datetime.strftime(
tiempoAnalizarFin, '%Y-%m-%d %H:%M:%S') + '"'
datosAnalisis = df.query(query)
peak_current = 0 # Corriente pico
densidad = 0
HoraFinalCelula = None
HoraInicialCelula = None
EvoPuntoInicial = []
EvoPuntoFinal = []
printPossibleWeather = False
histLatLon = []
if not datosAnalisis.empty:
# Rayos Intra Cloud
plotRayosic = PlotOnMap.PlotOnGeoJSON()
# Rayos Cloud ground
plotRayoscg = PlotOnMap.PlotOnGeoJSON()
# Obtenemos las descargas eléctricas en el tiempo analizado
for i, row in enumerate(datosAnalisis.itertuples(), 1):
# Para la predicción solo se tienen en cuenta descargas del tipo 1 (CG)
if row.type == 1:
peak_current += abs(row.peak_current)
histLatLon.append([row.latitude, row.longitude])
if row.type == 1:
# Rayos CG
plotRayoscg.addFeature(
row.longitude, row.latitude, {
'start_time': "'" + str(row.start_time) + "'",
'end_time': "'" + str(row.end_time) + "'",
'type': str(row.type),
'peak_current': str(row.peak_current)
})
if row.type == 0:
# Rayos IC
plotRayosic.addFeature(
row.longitude, row.latitude, {
'start_time': "'" + str(row.start_time) + "'",
'end_time': "'" + str(row.end_time) + "'",
'type': str(row.type),
'peak_current': str(row.peak_current)
})
densidad += 1
# poner los valores en base 100000, Ej: 1.000.000 = 10
peak_current = peak_current / 100000
peak_current = round(peak_current, 1)
if histLatLon:
for idx, item in enumerate(historialDescargas):
historialDescargas.insert(idx, histLatLon)
historialDescargas.pop()
break
# Si hablamos de otra celula, resetamos el historico de descargas
if peak_current <= 0.5:
historialDescargas = [None] * 9
qtyCells = (sum(x is not None for x in historialDescargas))
# Obtenemos la predicción generada por MachineLearning.py
prediccion = SVM.obtenerPrediccion(qtyCells, peak_current)
printPossibleWeather = True if prediccion == 10 else False
# Si la predicción da como una posible tormenta, se debe plotear la tormenta y su evolución
if printPossibleWeather:
# Si supera los 1.000.000 de pico de corriente
# Generar poligono de los ultimos 90 minutos, o de los ultimos 9 registros consultados
if HoraFinalCelula is None:
HoraFinalCelula = tiempoAnalizarIni
ArrayCentroides = []
if qtyCells <= 4:
print(
str(tiempoAnalizarFin) + " tormenta en 1h " +
str(tiempoAnalizarFin + timedelta(minutes=60)))
tormentaDetectada = True
# if qtyCells >= 8:
if qtyCells >= 3:
# Recorrer estado de tormentas 90 minutos antes
for idx, item in enumerate(historialDescargas):
fileName = str(tiempoAnalizarFin).replace(":",
"").replace(
".", "")
fileName = "CELULA_" + str(APP_KEY) + "_" + str(idx)
# plotCel = plt.Plot()
plotGeo = PlotOnMap.PlotOnGeoJSON()
points = []
if item is not None:
for k, r in enumerate(item):
# plotCel.drawIntoMap(r[1], r[0], 1)
# plotGeo.addFeature(r[1], r[0])
points.append([r[1], r[0]])
# Si hay descargas eléctricas
saveFile = False
if points and len(points) >= 3:
saveFile = True
points = np.array(points)
# Generamos un poligono que contenga todas las descargas electricas
hull = ConvexHull(points, qhull_options="QJ")
# plotCel.draw(points, hull)
plotGeo.draw(points, hull)
# Obtenemos el centroide de nuestro poligono
cx = np.mean(hull.points[hull.vertices, 0])
cy = np.mean(hull.points[hull.vertices, 1])
# Si no existe un punto inicial de la tormenta, asignamos
if not EvoPuntoInicial:
EvoPuntoInicial = [cx, cy]
# El punto final de nuestra tormenta es el ultimo dato consultado
EvoPuntoFinal = [cx, cy]
# Generamos un array con todos nuestros centroides
ArrayCentroides.append([cx, cy])
# Dibujamos los centroides en el mapa
# plotCel.drawIntoMap(cx, cy, 2)
# plotGeo.addFeature(cx,cy)
# Imprimimos en una imagen cada una de las 9 celulas
if saveFile:
# plotCel.saveToFile(fileName)
collCut = str(tiempoAnalizarFin).find(' ')
collectionTitle = str(tiempoAnalizarFin)[collCut:]
collectionTitle = 'Celula ' + collectionTitle
fc = plotGeo.getFeatureCollection(collectionTitle)
# plotGeo.dumpGeoJson(fc, fileName+'.geojson')
POL_GEOJSON.append(plotGeo.dumpGeoJson(fc))
# Si tenemos un inicio y un fin de nuestra tormenta
if EvoPuntoFinal and EvoPuntoInicial and ArrayCentroides:
# distancia = MedirDistancia(EvoPuntoInicial[0], EvoPuntoInicial[1], EvoPuntoFinal[0], EvoPuntoFinal[1])
# if HoraInicialCelula and HoraFinalCelula:
# tiempoDesplazamiento = HoraFinalCelula - HoraInicialCelula
# tiempoDesplazamiento = tiempoDesplazamiento / timedelta(hours=1)
# velocidad = distancia / tiempoDesplazamiento
# print("Se desplazó " + str(distancia) + "km en " + str(
# tiempoDesplazamiento) + " horas. A una velocidad de " + str(velocidad) + " km/h")
X = [point[0] for point in ArrayCentroides]
X = np.array(X)
Y = [point[1] for point in ArrayCentroides]
Y = np.array(Y)
# Dibujamos los datos para poder visualizarlos y ver si sería lógico
# considerar el ajuste usando un modelo lineal
# plot(X, Y, 'o')
# Para dibujar la recta
fileName = str(tiempoAnalizarFin).replace(":",
"").replace(".", "")
fileName = "RECTA_" + str(APP_KEY) + "_" + fileName
plotRecta = PlotOnMap.PlotOnGeoJSON()
plotRecta.makePath(X, Y)
collectionTitle = 'Posible trayectoria'
fc = plotRecta.getFeatureCollection(collectionTitle)
# plotRecta.dumpGeoJson(fc, fileName + '.geojson')
TRA_GEOJSON.append(plotRecta.dumpGeoJson(fc))
# Calculamos los coeficientes del ajuste (a X + b)
a, b = np.polyfit(X, Y, 1)
# Calculamos el coeficiente de correlación
r = np.corrcoef(X, Y)
# Dibujamos los datos para poder visualizarlos y ver si sería lógico
# considerar el ajuste usando un modelo lineal
# Coordenadas X e Y sobre la recta
(np.max(X), a * np.max(X) + b, '+')
# nueva_distancia = velocidad * 0.16 # velocidad de desplazamiento * tiempo esperado de llegada en horas
# nuevo_x, nuevo_y = CalcularSigtePunto(np.min(X), a * np.min(X) + b, np.max(X), a * np.max(X) + b,
# nueva_distancia)
# # plot = plt.Plot()
# # plot.drawIntoMap(nuevo_x, nuevo_y, 4)
# fileName = "punto_futuro"
#
# plot.saveToFile(fileName)
# plot = plt.Plot()
#
# print("Se desplazó " + str(distancia) + "km en " + str(
# tiempoDesplazamiento) + " horas. A una velocidad de " + str(
# velocidad) + " km/h" + " nueva Lat:" + str(nuevo_x) + " Lon:" + str(nuevo_y))
# Texto generado para mostrar, dando una conclusion de la lectura
txt = (
"En fecha hora " + str(tiempoAnalizarIni) +
" se tuvo una intensidad de " + str(peak_current) + "A en " +
str(densidad) +
" descargas eléctricas en donde luego de 50m a 1h:10m la predicción es "
+
("+=10mm probabilidad de Tormentas severas" if prediccion == 10
else "+=5mm probabilidad de Lluvias muy fuertes" if prediccion
== 5 else "+=0 probabilidad baja o nula de lluvias"))
analisis_data.append(
[tiempoAnalizarIni, peak_current, densidad, prediccion, txt])
# fileName = str(tiempoAnalizarFin).replace(":", "").replace(".", "")
# fileName = "RAYOS_" + str(APP_KEY) + "_" + fileName
collCut = str(tiempoAnalizarFin).find(' ')
collectionTitle = str(tiempoAnalizarFin)[collCut:]
# plotRayos.dumpGeoJson(fc, fileName + '.geojson')
RAYOSIC_GEOJSON.append(
plotRayosic.dumpGeoJson(
plotRayosic.getFeatureCollection(collectionTitle)))
RAYOSCG_GEOJSON.append(
plotRayoscg.dumpGeoJson(
plotRayoscg.getFeatureCollection(collectionTitle)))
tiempoAnalizarIni = tiempoAnalizarFin
tiempoAnalizarFin = tiempoAnalizarIni + timedelta(
minutes=tiempoIntervalo)
# plot.printMap()
# SVM.guardarModelo()
tiempo_final = time.time()
tiempo_transcurrido = tiempo_final - inicio_de_tiempo
print("Tiempo transcurrido de análisis: " + str(tiempo_transcurrido) +
" segundos")
return {
'tormenta': tormentaDetectada,
'tiempo': tiempo_transcurrido,
'rayosic.geojson': RAYOSIC_GEOJSON,
'rayoscg.geojson': RAYOSCG_GEOJSON,
'pol.geojson': POL_GEOJSON,
'tra.geojson': TRA_GEOJSON
}
""""