Primer commit

README.md

@@ -1,12 +1,9 @@
----
-title: DesertIAragon
-emoji: 💻
-colorFrom: purple
-colorTo: blue
-sdk: streamlit
-sdk_version: 1.2.0
-app_file: app.py
-pinned: false
----
-
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces#reference
+# desertificacion-AI-Streamlit
+
+## AI Saturdays - I Edición Zaragoza - CURSO BÁSICO DE IA
+
+### Streamlit app
+
+Enlace para lanzar la aplicación:
+
+https://share.streamlit.io/desertificacion-ai/desertificacion-ai-streamlit/main/desertificacion_ai.py

desertificacion_ai.py

@@ -0,0 +1,360 @@
+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)
+        """
+    )

requirements.txt

@@ -0,0 +1,5 @@
+matplotlib==3.5.1
+rasterio==1.2.10
+scikit-image==0.19.2
+scikit-learn==1.0.2
+streamlit==1.5.1