FloraScope

Веб-сервис для восстановления пропусков primary_ndvi и поиска негативных периодов вегетации.

У проекта две независимые точки входа, как в постановке:

1. web: выбираем/рисуем поле → сервис сам ищет спутниковые + погодные данные → строит ряд и события;
2. batch: private_features.csv → submission.csv для is_synthetic_gap=True.

что внутри

analytics/   gap recovery, anomaly detection, EO/raster processing
backend/     FastAPI, SQLite, jobs, API
frontend/    React + TypeScript + MapLibre + ECharts
research/    отчёт и результаты экспериментов
notes/       наши короткие рабочие заметки
data/        organizer train/test + runtime output
artifacts/   готовая competition model после обучения

Стек: Python 3.12, FastAPI, pandas/numpy/scipy, LightGBM, Rasterio/Shapely/PyProj, React 19, TypeScript, MapLibre, ECharts, Mantine, nginx, Docker Compose.

быстрый запуск

Windows PowerShell:

Copy-Item .env.example .env
.\scripts\start.ps1

Ubuntu/macOS:

cp .env.example .env
./scripts/start.sh

Ручные docker compose build / docker compose up -d тоже работают. Подробнее: docs/run_cross_platform.md.

Web: http://localhost:8080
API/OpenAPI: http://localhost:8000/docs

web и api — отдельные контейнеры. Фронт намеренно не зависит от healthcheck backend при старте: если API перезапускается, интерфейс всё равно открывается.

работа в интерфейсе

Тёмное рабочее пространство разделено на «Мониторинг», «Восстановление» и «Метод и проверка». В мониторинге выберите территорию и сохранённый анализ либо задайте период нового сбора. Режимы «Обзор / Карта / Динамика» меняют рабочую область. Меню «Слои» управляет картой; переключатели над графиком — наблюдениями, восстановлением, исторической нормой и подсветкой событий. Нажатие на событие приближает его период и открывает основания интерпретации. Кнопка таблицы показывает точные значения, нажатие на дату или точку — подробности наблюдения. Кнопка «Координаты» принимает широту и долготу, перемещает карту и ставит метку. Это позволяет быстро открыть район, не разыскивая его вручную на подложке.

Во «Восстановлении» выбираются AOI и год из датасета. Валидатор проверяет текущий CSV; метрика рядом относится к сохранённому CV-отчёту, а не к скрытым ответам test. Доступность спутников, погоды и растров показана во вкладке «Данные» инспектора.

Если анализ содержит растровые слои, NDVI последнего снимка включается автоматически. В меню «Слои» можно выбрать качество пикселей или вернуться к подложке. Слой пространственного отклонения недоступен, если выделенных зон нет.

Кнопка «Журнал» рядом с прогрессом открывает сообщения этапов с временем. Журнал обновляется каждые 2 секунды и хранится на сервере; сетевое ожидание может идти без новых сообщений.

Sentinel-2 COG читаются ограниченным параллельным пулом. По умолчанию используются три потока; допустимый диапазон FLORASCOPE_SCENE_WORKERS — от 1 до 4. Landsat обрабатывается последовательно, чтобы после requester-pays/403 не повторять заведомо недоступный запрос для каждой сцены.

Обновление страницы не отменяет расчёт: статус последней задачи восстанавливается с сервера. Выбранные поле, анализ, режим просмотра и параметры периода сохраняются в этом браузере. Перезапуск самого API — другой случай: незавершённая задача помечается как прерванная, её нужно запустить заново.

self-check

docker compose run --rm api python -m pytest -q /app/analytics/tests /app/backend/tests
docker compose run --rm api florascope-core inspect --dataset /data/input/train_dataset.csv

batch / технический инференс

вариант 1 — обучить и сразу сделать submission

docker compose run --rm api florascope-core competition \
  --train /data/input/train_dataset.csv \
  --input /data/input/private_features.csv \
  --artifacts /artifacts/competition_model \
  --output /data/output \
  --fast

Если входной файл называется иначе - просто подставьте его в --input.

Выход:

data/output/submission.csv
data/output/report.json
data/output/analysis_points.csv
data/output/events.csv
artifacts/competition_model/

вариант 2 — только инференс готовой модели

docker compose run --rm api florascope-core infer \
  --model /artifacts/competition_model \
  --input /data/input/private_features.csv \
  --output /data/output

Проверка submission:

docker compose run --rm api florascope-core validate-submission \
  --test /data/input/private_features.csv \
  --submission /data/output/submission.csv

Формат ровно такой:

anon_polygon_id,date,primary_ndvi_true

Natural gaps в submission не добавляем.

Актуальный тест после замены организаторами — data/input/private_features.csv: 49 190 строк, 20 AOI, 2323 synthetic gaps. Старый test_dataset.csv оставлен для воспроизводимости прежних экспериментов; его submission больше не отправляем. Подробности — обновление датасета.

web-сценарий

В Мониторинг:

• рисуем Polygon кнопкой ✎ или импортируем GeoJSON;
• можно попробовать найти готовые farmland/orchard/vineyard/meadow через OSM Overpass;
• задаём сезон и число исторических лет;
• backend ищет Sentinel-2 и Landsat, подтягивает ERA5;
• после quality mask формируется временной ряд;
• UI показывает observed/restored/expected NDVI, negative events и spatial anomaly layers.

Landsat считается дополнительным источником: если публичный COG недоступен из-за requester-pays/сетевых ограничений, анализ продолжает работать на Sentinel-2 + ERA5.

внешние данные / API

Фиксируем явно, чтобы результат можно было воспроизвести:

• Earth Search STAC: https://earth-search.aws.element84.com/v1
• Sentinel-2 collection: sentinel-2-c1-l2a, fallback для отсутствующего AOI/сезона — sentinel-2-l2a
• Landsat collection: landsat-c2-l2
• погода: Open-Meteo Historical API, model era5
• контуры: OpenStreetMap Overpass API

Для Sentinel-2 используется L2A SCL pixel mask. eo:cloud_cover — только дешёвый prefilter сцен. Аналитическая сетка 20 м: red-edge/SWIR всё равно нативно 20 м, апскейл до 10 м новой информации не создаёт.

модель

Начали с nearest/linear/Whittaker, потом добавили временной контекст, историю поля и сенсоры.

В данных нашли важную штуку: на всех известных train/test точках primary_ndvi совпадает с правилом:

S2, если доступен → иначе Landsat → иначе MODIS

Поэтому финальная модель source-aware:

общий LightGBM regressor
+
source classifier (S2/Landsat/MODIS)
+
3 source-conditioned regressors
→ blend

Быстрый CV (seed=9901), с независимой внутренней calibration для blend:

linear               0.09291
Whittaker            0.08155
sensor median        0.08143
general LightGBM     0.06472
source-aware         0.06291
final blend          0.06218
source accuracy      92.999%

Seed 9901: GapScore 11.35 / 30. На трёх seeds RMSE 0.06419 ± 0.00324 (разброс между масками), не результат private leaderboard. Подробнее и с исходными JSON: research/report.md, research/results/.

как устроен CV

Outer validation mask создаётся первым и полностью исключается из context. Inner masks для обучения строятся только по оставшимся известным точкам. Веса blend выбираются на отдельном внутреннем calibration mask; outer labels используются только для оценки. Прежние 0.061986 получены с подбором весов по outer и сохранены как tuning result.

Кроме primary_ndvi, у target row зануляются и остальные динамические признаки. Иначе можно случайно подсмотреть скрытые s2_ndvi/landsat_ndvi/modis_ndvi и получить слишком красивый CV.

аномалии

Baseline из постановки оставили как есть:

z >= -1       NORMAL
-2 <= z < -1  STRESSED
z < -2        CRITICAL

Но событие не создаём по одной плохой точке: нужен устойчивый блок. Норма строится по другим годам этого AOI. Для объяснения дополнительно смотрим water index, ERA5 precipitation/temperature и отдельно ищем фенологический сдвиг формы сезона.

Формулировки намеренно осторожные: «сигналы совместимы с дефицитом влаги», а не «мы диагностировали засуху».

тесты

Основные риски покрыты тестами:

• private CSV может не содержать target;
• source-priority audit;
• exact synthetic mask;
• target dynamic values не протекают в features;
• smoothing;
• historical anomaly reference исключает текущий год;
• submission keys/NaN;
• SCL/raster helpers/STAC parsing;
• field repository и API CRUD.

ограничения

• Реальный live-запуск зависит от сети и доступности внешних API.
• OSM далеко не везде содержит хорошие границы полей, поэтому draw + GeoJSON остаются основным fallback.
• Landsat публичные assets в некоторых окружениях требуют requester-pays. Он не является единственной опорой live pipeline.
• Confidence события — инженерная оценка качества evidence, не статистически откалиброванная вероятность причины.
• Foundation models смотрели, но в core не тащили: на одинаковом CV прирост ими пока не доказан.

где что почитать

research/report.md — нормальный отчёт notes/data.md, notes/experiments.md, notes/related_work.md — рабочие записи docs/architecture.md — границы frontend/backend/analytics docs/api.md — основные ручки docs/run_cross_platform.md — Windows / Linux / macOS docs/reference/ — исходная постановка и критерии, по ним сверялись

состав репозитория

В Git входят исходники, требования PDF, исследовательские результаты, organizer train, актуальный private_features.csv, одна рабочая модель и текущие submission/графики. Старый test_dataset.csv оставлен только для воспроизведения исходных экспериментов; отправлять результат по нему нельзя.

.env, кэши, зависимости, live-данные, резервные модели и промежуточные результаты исключены через .gitignore. Производные данные и экспериментальный кандидат создаются командами из исследовательского отчёта. Docker получает код; данные и модель подключаются томами, а не копируются в образы.

Связанные версии и лицензирование

VegWatch — другая версия того же направления на отдельном стеке Workers/D1/R2. Общая тема — florascope. Репозитории не объединены автоматически: для переноса необходимы сопоставление API, схем данных, моделей и условий эксплуатации.

Исходный программный код распространяется по AGPL-3.0-or-later. Опубликованные датасеты организаторов и обученные модели сохранены для воспроизведения экспериментов с разрешения владельца проекта. Их происхождение и границы применимости описаны в заметке о данных.

Проверенные локальные команды: установка analytics[dev] и backend[dev] на Python 3.12, python -m pytest -q analytics/tests backend/tests, затем npm ci, npm test и npm run build в frontend/; docker compose config --quiet проверяет конфигурацию контейнеров. Эти проверки не подтверждают научную достоверность восстановления на новых территориях и не заменяют независимую валидацию модели.

Локальная конфигурация Compose по умолчанию публикует порты только на 127.0.0.1: API исследовательского прототипа не имеет полноценного контроля доступа. Для доступа из локальной сети задайте FLORASCOPE_BIND_ADDRESS явно и настройте аутентификацию и ограничения на входе. CORS не заменяет аутентификацию. Изменение исходников не перезапускает существующую установку.

Авторство

Сопровождающий собственных изменений: Ivan Zorin (localzet) — creator@localzet.com · https://www.localzet.com. Copyright © 2026 Localzet Group. Исходное авторство и лицензии сторонних компонентов сохраняются. См. AUTHORS.