boc/rivp-pilot-1/change_detector.py

"""
RIVP Pilot 1 - Road Change Detection
Analyserar förändringar på vägar med satellitbilder
"""
import json
import os
from datetime import datetime

class RoadChangeDetector:
    """Detekterar förändringar på vägar med Sentinel-2 bilder"""
    
    def __init__(self, road_name, bbox):
        self.road_name = road_name
        self.bbox = bbox
        self.observations = []
        
    def analyze_images(self, image_before, image_after):
        """
        Jämför två satellitbilder och identifierar förändringar
        
        I verkligheten: NDVI-diff, spektral analys, ML-modell
        Här: Simulerad analys baserad på kända mönster
        """
        
        changes = []
        
        # Simulera detektion baserat på datum och vägtyp
        # I verkligheten: pixel-för-pixel jämförelse
        
        if self.road_name == "E4":
            # E4 är en hårt trafikerad motorväg
            changes = [
                {
                    "type": "pothole",
                    "location": {"lat": 59.85, "lon": 17.65},
                    "confidence": 0.82,
                    "size_m2": 12,
                    "detected_date": image_after["date"],
                    "severity": "medium"
                },
                {
                    "type": "construction",
                    "location": {"lat": 59.88, "lon": 17.72},
                    "confidence": 0.95,
                    "size_m2": 2500,
                    "detected_date": image_after["date"],
                    "severity": "high"
                }
            ]
        elif self.road_name == "Länsväg 272":
            # Mindre väg, mer variation
            changes = [
                {
                    "type": "surface_damage",
                    "location": {"lat": 59.92, "lon": 17.55},
                    "confidence": 0.78,
                    "size_m2": 45,
                    "detected_date": image_after["date"],
                    "severity": "low"
                }
            ]
        
        return changes
    
    def calculate_ndvi(self, image):
        """Beräkna NDVI (Normaliserad Differens Vegetations Index)"""
        # I verkligheten: (NIR - Red) / (NIR + Red)
        # Här: Simulerat värde
        return 0.45
    
    def detect_road_surface_changes(self, before, after):
        """Detektera förändringar i vägytan"""
        
        # I verkligheten:
        # 1. Extrahera vägmask från bild
        # 2. Jämför spektral signatur före/efter
        # 3. Klassificera förändringstyp
        
        changes = self.analyze_images(before, after)
        
        # Beräkna konfidens
        for change in changes:
            # Konfidens baserad på:
            # - Bildkvalitet (molnighet)
            # - Förändringsstorlek
            # - Spektral tydlighet
            
            base_confidence = change["confidence"]
            
            # Justera för molnighet
            cloud_factor = 1.0 - (after.get("cloud_cover", 0) / 100)
            
            # Justera för storlek (större = lättare att se)
            size_factor = min(1.0, change["size_m2"] / 100)
            
            change["adjusted_confidence"] = base_confidence * cloud_factor * (0.5 + 0.5 * size_factor)
        
        return changes

class RIVPPilot1:
    """RIVP Pilot 1 - Infrastructure Monitoring"""
    
    def __init__(self):
        self.roads = [
            {
                "name": "E4",
                "bbox": "17.5,59.8,17.8,60.0",
                "length_km": 45,
                "type": "motorway"
            },
            {
                "name": "Länsväg 272",
                "bbox": "17.4,59.9,17.7,60.1", 
                "length_km": 23,
                "type": "county_road"
            }
        ]
        
        self.detector = RoadChangeDetector("", "")
        
    def run_analysis(self):
        """Kör komplett analys för alla vägar"""
        
        results = {
            "pilot": "RIVP-1",
            "date": datetime.now().isoformat(),
            "roads_analyzed": len(self.roads),
            "total_changes": 0,
            "changes_by_type": {},
            "roads": []
        }
        
        for road in self.roads:
            print(f"\nAnalyserar: {road['name']}")
            print(f"  Typ: {road['type']}")
            print(f"  Längd: {road['length_km']} km")
            
            # Simulera bilder före/efter
            image_before = {
                "date": "2026-06-01",
                "cloud_cover": 10
            }
            image_after = {
                "date": "2026-07-01", 
                "cloud_cover": 15
            }
            
            # Detektera förändringar
            self.detector.road_name = road["name"]
            self.detector.bbox = road["bbox"]
            
            changes = self.detector.detect_road_surface_changes(image_before, image_after)
            
            road_result = {
                "name": road["name"],
                "changes_detected": len(changes),
                "changes": changes
            }
            
            results["roads"].append(road_result)
            results["total_changes"] += len(changes)
            
            # Räkna per typ
            for change in changes:
                change_type = change["type"]
                if change_type not in results["changes_by_type"]:
                    results["changes_by_type"][change_type] = 0
                results["changes_by_type"][change_type] += 1
                
                print(f"  → {change_type}: {change['severity']} (confidence: {change['adjusted_confidence']:.2f})")
        
        return results

if __name__ == "__main__":
    print("=" * 60)
    print("RIVP Pilot 1 - Road Change Detection")
    print("=" * 60)
    
    pilot = RIVPPilot1()
    results = pilot.run_analysis()
    
    print("\n" + "=" * 60)
    print("SAMMANFATTNING")
    print("=" * 60)
    print(f"Vägar analyserade: {results['roads_analyzed']}")
    print(f"Totala förändringar: {results['total_changes']}")
    print(f"\nFörändringar per typ:")
    for change_type, count in results["changes_by_type"].items():
        print(f"  {change_type}: {count}")
    
    # Spara resultat
    output_file = "/home/bernt/.openclaw/workspace/rivp-pilot-1/results.json"
    with open(output_file, "w") as f:
        json.dump(results, f, indent=2)
    
    print(f"\nResultat sparade: {output_file}")