Sharpen NORDEND lot 01: corrigé, écart 1 (à reprendre)
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
No files matched your search
@@ -0,0 +1,40 @@
|
||||
# Corrigé : lot 01, NORDEND, 2026-09-01T00:00Z → 2026-09-04T00:00Z (UTC)
|
||||
|
||||
Le lot : 22 capteurs (CTR01 `ref`, CTR02 à CTR04 `global_ref`, PR01 à PR18 `target`), 285 mesures par capteur sur 288 attendues (cadence 15 min), seuil `error_threshold` 0,4 pour tous. 72 images (une par heure, plus 01:15 le 1er). Les colonnes `peak`, `flux`, `sharpness`, `fwhm`, `dominance`, `snr` sont vides. `inlier` n'est rempli (1) que pour les trois références globales ; `reproj_err` est vide partout dans ce lot. `sigma0` : une valeur par mesure, 0,0011 à 0,0018. Les positions brutes bougent ensemble (mode commun) de 2 px en y, mais `corr_x` / `corr_y` restent à ±0,02 autour de leur niveau propre (écart-type 0,002 à 0,02 selon le capteur, sauf les événements ci-dessous).
|
||||
|
||||
## Moments
|
||||
| Début | Fin | Capteurs | Colonnes | Ce que je vois | Images |
|
||||
|---|---|---|---|---|---|
|
||||
| 2026-09-01 01:00 | 2026-09-01 01:15 | tous | lignes | Une mesure (01:00) absente pour les 22 capteurs : trou de 1 pas (30 min entre 00:45 et 01:15). | image 01:15 présente (listée) |
|
||||
| 2026-09-03 01:30 | 2026-09-03 02:00 | tous | lignes | Deux mesures (01:30, 01:45) absentes pour les 22 capteurs : trou de 2 pas (45 min). | images 01:00 et 02:00 présentes |
|
||||
| 2026-09-01 07:45 | 2026-09-01 17:00 | tous (références comprises) | `x`, `y`, `relative_y`, `sigma0` | Mode commun : `y` brut de tous les capteurs monte d'environ 2 px (≈ +0,5 vers 07:45, saut à +2 vers 08:15, agité entre +0,5 et +2 jusqu'à ~13:00, puis redescend à ~0,2 vers 17:00) ; `x` brut baisse de ~0,4 px. Tous les capteurs, même forme, même amplitude (écart entre capteurs < 0,1 px). `sigma0` baisse de 25 % (0,0013) de 08:00 à 10:00. `corr` n'en garde presque rien (résidu ≤ 0,02). | jour, carrière à l'ombre puis ensoleillée ; aucune cause visible |
|
||||
| 2026-09-02 06:00 | 2026-09-02 17:00 | tous | `y`, `x`, `sigma0`, `corr_x/y` médian | Même mode commun, plus fort : `y` +0,4 vers 06:30, saut à +1,9 à 08:30, pointe 2,3, décroît jusqu'à 0,3 vers 18:00 ; `x` −0,3. `sigma0` baisse à 0,0011 de 08:30 à 09:30. Résidu de la compensation le plus visible du lot : médiane des `corr_y` −0,02 vers 09:00, PR18 `corr_y` +0,04 (08:30) et `corr_x` −0,048 (08:15), CTR03/CTR04 `corr_y` +0,03/+0,02. | idem |
|
||||
| 2026-09-03 06:30 | 2026-09-04 00:00 (fin du lot) | tous | `y`, `corr` | Mode commun plus faible : `y` monte à +0,7 vers 07:00-08:00, +1 vers 15:00, et ne redescend pas le soir : +0,7 à 23:45 (les deux jours précédents revenaient près de +0,2 le soir). | |
|
||||
| 2026-09-02 05:45 | 2026-09-02 07:00 | image seule | image | L'image de 06:00 est presque noire (ciel éclairé en haut, cibles à peine visibles) ; transition d'exposition au lever du soleil. Les mesures n'en montrent rien (erreur médiane 0,06 → 0,035 de 06:00 à 06:30, `corr` normaux). | 20260902T0600Z |
|
||||
| 2026-09-01 05:00 | 2026-09-01 05:00 | 15 à 22 capteurs, références comprises | `error_value`, `corr_y` | Une seule mesure : `error_value` ×1,5 à ×2,6 (CTR04 ×2,6, CTR03 ×2,1) sous le seuil, `corr_y` décalé de +0,015 à +0,04 (PR01, PR09, PR10) et de −0,04 (PR04), revenu à la mesure suivante. | non regardée |
|
||||
| 2026-09-01 11:15 | 2026-09-01 11:15 | 22 capteurs | `error_value` | Une seule mesure : `error_value` ×1,5 à ×4,3 (CTR04 ×4,3 ; PR08, PR15, PR16, PR18 ×3 à ×3,5) sur presque tous, sous le seuil (0,08 à 0,17), `corr` inchangé. | non regardée |
|
||||
| 2026-09-03 06:45 | 2026-09-03 06:45 | 12 à 20 capteurs | `error_value` | Une seule mesure : `error_value` ×2 à ×3,5 (PR18 ×3,5, PR14 ×3), sous le seuil, `corr` inchangé. Coïncide avec le palier de PR08 / CTR04 ci-dessous. | |
|
||||
| 2026-09-01 22:00 | 2026-09-02 18:00 | presque tous (cibles et références) | `error_value` | Niveau d'erreur de tous les capteurs qui change par paliers sans lien avec le jour ou la nuit : médiane des cibles 0,043 → 0,057 vers 22:00 le 1er, jusqu'à ~06:00 ; 0,05 → 0,03 vers 18:00 le 2, niveau bas jusqu'à ~08:00 le 3, puis 0,053 y compris le soir et la nuit du 3 (la nuit précédente 0,03). CTR02-04 : 0,07 la nuit du 1er au 2, 0,033 la nuit suivante, 0,068 la nuit du 3. Toujours sous le seuil, `corr` sans effet. | images de nuit saturées, rien de visible |
|
||||
| 2026-09-03 06:00 | 2026-09-04 00:00 (fin du lot) | PR08, CTR04 (PR04 en partie) | `error_value` | `error_value` de PR08 : 0,04 → 0,06 (06:00) → 0,11-0,14 à 06:15-07:00 puis reste à 0,10-0,13 jusqu'à la fin, nuit comprise (×3 ; la nuit précédente 0,04). CTR04 : 0,035 → 0,06 dès 06:45 puis 0,07-0,08 jusqu'à la fin. `corr` et positions inchangés. | recadrage PR08 05:00 → 09:00 : spot identique |
|
||||
| 2026-09-01 00:00 | 2026-09-01 08:00 | PR07 | `error_value` | `error_value` ~0,10-0,12 la nuit et à l'aube du 1er, puis tombe à 0,056 vers 08:30 et reste à 0,05-0,06 (niveau habituel des autres cibles 0,045). | |
|
||||
| 2026-09-01 05:00 | 2026-09-02 17:30 | CTR01 (`ref`, hors compensation) | `error_value`, `corr_x/y` | `error_value` ~0,11 la nuit, monte chaque jour dès ~05:00 jusqu'à 0,15-0,2 ; pointes à 0,33-0,42 le 1er de 14:00 à 16:00 (deux rejets, 15:00 : 0,42 et 15:15 : 0,40, `corr` vides), 0,22 le 2 vers 13:00-14:00 ; maximum 0,19 le 3. CTR01 est la plus mal vue (2 fois les autres). | 14:00-16:00 le 1er : paroi éclairée par le soleil, spot de CTR01 faible et peu contrasté |
|
||||
| 2026-09-01 08:00 | 2026-09-03 18:00 | PR04 (PR07 en moindre mesure) | `error_value` | `error_value` de jour 0,09-0,17 contre 0,055-0,07 la nuit (le double), piquée : 0,28 (12:00), 0,25 (13:00), 0,33 (14:00) le 1er, 0,3 à 10:15 le 2, 0,32 à 16:45 le 3 (PR07 0,24). Reste sous le seuil, `corr` normaux. | |
|
||||
| 2026-09-03 13:30 | 2026-09-03 13:30 | PR07 | `error_value`, `corr` | Rejet isolé : `error_value` 0,61 (seuil 0,4), `corr_x/y` vides, mesure suivante normale. | non regardée |
|
||||
| 2026-09-03 23:00 | 2026-09-03 23:45 (puis fin du lot) | PR04, PR07 | `error_value`, `x`, `y`, `corr_*` | Perte de deux cibles : PR07 0,99 / 0,98 / 0,58 à 23:00 / 23:15 / 23:30, PR04 0,92 / 0,92 / 0,73 (rejets, `corr` vides), retour de PR07 à 23:45 (0,07), PR04 encore 0,34 à 23:45. Position brute de PR07 fausse à 23:00 seulement (x +19 px, y +22 px), pas à 23:15. Au rejet, `relative_*` de PR07 est aussi faux (+19 / +22 px). | image 23:00 : les spots de PR04 et PR07 ont disparu ; ils sont présents à 22:00 |
|
||||
| 2026-09-03 23:00 | 2026-09-04 00:00 (fin du lot) | PR14, PR15, PR16, CTR04 (PR04 après le rejet) | `corr_x/y`, `error_value` | Au même moment, les cibles voisines vers le bord droit sont perturbées : PR16 `corr_x` 0,125 → 0,23 (23:00), 0,17 (23:15), `corr_y` −0,01 → −0,04, −0,11, −0,05, −0,057 (23:45) ; PR15 `corr_x` 0,12 → 0,057, 0,046, 0,031, 0,033 : baisse de ≈ −0,09 qui dure jusqu'à la fin du lot, `corr_y` rien ; CTR04 `error_value` 0,15 / 0,12 (×2) ; PR04 `corr_y` 0,10 → 0,17 à 23:45. `corr` du groupe stable (écart-type habituel 0,005-0,02 : ces écarts valent 5 à 10 fois leur bruit). Au fond, un seul épisode (mauvaise visibilité de 45 min sur le bord droit), non fini en fin de lot. | image 23:00 : spots de PR14-PR16 plus petits, ceux de PR04 et PR07 absents |
|
||||
| 2026-09-01 18:30 | 2026-09-02 12:00 | PR18 (PR16 plus faiblement) | `corr_x`, `corr_y` | Plus grande vague de `corr` du lot, PR18 (le plus haut dans l'image) : `corr_x` +0,04 vers 18:30-19:00 le 1er, −0,04 de 05:45 à 09:00 le 2, +0,03 vers 11:30 ; PR16 ±0,025 aux mêmes heures. De l'ordre de 6 écarts-types, en phase avec le mode commun de `y` (compensation imparfaite au loin). | |
|
||||
|
||||
## Scripts
|
||||
- `charge.py` : lit les trois exports `NORDEND_advanced_2026090[1-3].csv`, filtre le lot, convertit les colonnes en nombres.
|
||||
- `explore1.py` : par capteur, nombre de mesures, type, seuil, rejets, `inlier`, colonnes HDF5 vides, médiane et écart-type de `error_value` et des `corr`.
|
||||
- `explore2.py` : trous (écarts > 16 min), mesures par pas, rejets, `sigma0`.
|
||||
- `explore3.py`, `explore4.py`, `explore7.py`, `explore9.py` : paliers et pointes de `error_value` (voisinage glissant, MAD, rapport au voisinage, médiane horaire par groupe).
|
||||
- `explore5.py`, `explore10.py` : `relative_*` et `corr_*` de chaque capteur moins la médiane des cibles, puis sauts de niveau (médiane avant/après, en bruit propre).
|
||||
- `explore6.py`, `explore8.py`, `explore11.py` : zooms datés (23:00 le 3, lever du 2, rejets isolés).
|
||||
- `fig1.py` (`f_<colonne>.png`, un graphique par capteur), `fig2.py` (`f_synth.png`), `fig3.py` (`f_commun.png`) : courbes par capteur, mode commun brut, `sigma0`, erreurs.
|
||||
- `img1.py`, `img2.py` : pic max et fond de chaque image à la position de chaque capteur ; `crop.py` : gros plans côte à côte (`c_*.png`) ; `coords.py` : position médiane de chaque capteur.
|
||||
|
||||
## Sources lues
|
||||
- `docs/domaine/colonnes-des-deplacements.md`, `docs/domaine/pieges-des-donnees.md`, `docs/displacement/domaine/carte-des-evenements.md`.
|
||||
- `out/pompage/NORDEND/displacement/NORDEND_advanced_20260901.csv` à `20260903.csv` ; images de `out/pompage/NORDEND/images/` (dont 20260902T0600Z, 20260901T1200Z, 20260903T2200Z et 2300Z, recadrages de PR08, CTR01, PR04/PR07).
|
||||
- Le contexte de l'environnement m'a fourni `vues-deplacements/CLAUDE.md` (sans que je l'ouvre) : je ne m'en suis pas servi.
|
||||
|
After Width: | Height: | Size: 344 KiB |
|
After Width: | Height: | Size: 58 KiB |
|
After Width: | Height: | Size: 61 KiB |
|
After Width: | Height: | Size: 75 KiB |
@@ -0,0 +1,17 @@
|
||||
import csv, glob
|
||||
from datetime import datetime, timezone
|
||||
D='/home/maxime/Support-Agent/out/pompage/NORDEND/displacement/'
|
||||
T0=datetime(2026,9,1,tzinfo=timezone.utc); T1=datetime(2026,9,4,tzinfo=timezone.utc)
|
||||
def f(s):
|
||||
return float(s) if s not in ('',None) else None
|
||||
def charge(files=None):
|
||||
rows=[]
|
||||
for fn in sorted(glob.glob(D+'NORDEND_advanced_2026090[1-3].csv')):
|
||||
for r in csv.DictReader(open(fn)):
|
||||
t=datetime.fromisoformat(r['time_utc'])
|
||||
if not (T0<=t<T1): continue
|
||||
r['t']=t
|
||||
for k in ('x','y','error_value','error_threshold','relative_x','relative_y','corr_x','corr_y','reproj_err','inlier','sigma0','peak','flux','sharpness','fwhm','dominance','snr'):
|
||||
r[k]=f(r[k])
|
||||
rows.append(r)
|
||||
return rows
|
||||
@@ -0,0 +1,5 @@
|
||||
from charge import *
|
||||
import statistics as st, collections
|
||||
S=collections.defaultdict(list)
|
||||
for r in charge(): S[r['sensor_name']].append(r)
|
||||
for s in sorted(S): print(s, round(st.median(r['x'] for r in S[s])), round(st.median(r['y'] for r in S[s])), S[s][0]['pattern_type'])
|
||||
@@ -0,0 +1,17 @@
|
||||
import sys
|
||||
from PIL import Image
|
||||
import glob
|
||||
# usage: crop.py out x0 y0 x1 y1 stamp1 stamp2 ... (coords originales)
|
||||
out=sys.argv[1]; x0,y0,x1,y1=map(int,sys.argv[2:6]); stamps=sys.argv[6:]
|
||||
ims=[]
|
||||
for s in stamps:
|
||||
f=glob.glob('/home/maxime/Support-Agent/out/pompage/NORDEND/images/%s*.jpg'%s)[0]
|
||||
im=Image.open(f).convert('L').crop((x0,y0,x1,y1))
|
||||
# etirement du contraste
|
||||
im=im.point(lambda v:min(255,int(v*2.0)))
|
||||
ims.append(im)
|
||||
W=sum(i.width for i in ims); H=ims[0].height
|
||||
c=Image.new('L',(W,H))
|
||||
x=0
|
||||
for i in ims: c.paste(i,(x,0)); x+=i.width
|
||||
c.save(out)
|
||||
@@ -0,0 +1,15 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
print(len(rows))
|
||||
S=collections.defaultdict(list)
|
||||
for r in rows: S[r['sensor_name']].append(r)
|
||||
for s,l in sorted(S.items()):
|
||||
ts=[r['t'] for r in l]
|
||||
n=len(l); rej=sum(1 for r in l if r['error_value']>r['error_threshold'])
|
||||
nc=sum(1 for r in l if r['corr_x'] is None)
|
||||
print(s,l[0]['pattern_type'],n,'thr',set(r['error_threshold'] for r in l),'rej',rej,'corrNone',nc,
|
||||
'inl',collections.Counter(r['inlier'] for r in l),'peak',sum(r['peak'] is not None for r in l),
|
||||
'err med %.3f max %.3f'%(st.median(r['error_value'] for r in l),max(r['error_value'] for r in l)),
|
||||
'rcx sd %.3f'%st.pstdev([r['corr_x'] for r in l if r['corr_x'] is not None]),
|
||||
'rcy sd %.3f'%st.pstdev([r['corr_y'] for r in l if r['corr_y'] is not None]))
|
||||
@@ -0,0 +1,28 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
ts=sorted(S['PR01']); names=sorted(S); tg=[s for s in names if s.startswith('PR') and s!='PR07']
|
||||
def h(t): return t.strftime('%d %H:%M')
|
||||
W=8
|
||||
for k in ('corr_x','corr_y'):
|
||||
m={t:st.median(S[s][t][k] for s in tg if S[s][t][k] is not None) for t in ts}
|
||||
print('==',k)
|
||||
res=[]
|
||||
for s in names:
|
||||
v=[(S[s][t][k]-m[t]) if S[s][t][k] is not None else None for t in ts]
|
||||
d1=[abs(v[i]-v[i-1]) for i in range(1,len(v)) if v[i] is not None and v[i-1] is not None]
|
||||
sig=st.median(d1)*1.4826/1.414
|
||||
for i in range(W,len(v)-W):
|
||||
a=[x for x in v[i-W:i] if x is not None]; b=[x for x in v[i:i+W] if x is not None]
|
||||
if len(a)>4 and len(b)>4:
|
||||
z=(st.median(b)-st.median(a))/sig
|
||||
res.append((abs(z),s,h(ts[i]),round(st.median(b)-st.median(a),3),round(sig,4)))
|
||||
res.sort(reverse=True)
|
||||
seen=set()
|
||||
for r in res:
|
||||
key=(r[1],r[2][:5])
|
||||
if key in seen: continue
|
||||
seen.add(key); print(r)
|
||||
if len(seen)>14: break
|
||||
@@ -0,0 +1,9 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
ts=sorted(S['PR01'])
|
||||
def at(d,hh,mm): return datetime(2026,9,d,hh,mm,tzinfo=timezone.utc)
|
||||
for t in (at(3,13,15),at(3,13,30),at(3,13,45),at(3,16,30),at(3,16,45),at(3,17,0),at(3,9,0),at(1,15,0)):
|
||||
print(t.strftime('%d %H:%M'),' | '.join('%s e%.2f dx%.2f dy%.2f cy %s'%(s,S[s][t]['error_value'],S[s][t]['x']-st.median(r['x'] for r in S[s].values()),S[s][t]['y']-st.median(r['y'] for r in S[s].values()),None if S[s][t]['corr_y'] is None else round(S[s][t]['corr_y'],3)) for s in ('PR07','PR04','CTR01')))
|
||||
@@ -0,0 +1,22 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
from datetime import timedelta
|
||||
rows=charge()
|
||||
ts=sorted(set(r['t'].replace(second=0,microsecond=0) for r in rows))
|
||||
print(len(ts))
|
||||
# gaps
|
||||
for a,b in zip(ts,ts[1:]):
|
||||
if b-a>timedelta(minutes=16): print('gap',a,b)
|
||||
# timestamps per sensor min/max, count of sensors per slot
|
||||
c=collections.Counter(r['t'].replace(second=0,microsecond=0) for r in rows)
|
||||
print([ (t.isoformat(),n) for t,n in c.items() if n!=22])
|
||||
print(ts[0],ts[-1])
|
||||
# rejected
|
||||
for r in rows:
|
||||
if r['error_value']>r['error_threshold']: print('rej',r['t'].isoformat()[:16],r['sensor_name'],round(r['error_value'],2))
|
||||
# sigma0
|
||||
sg=collections.defaultdict(list)
|
||||
for r in rows:
|
||||
if r['sensor_name']=='PR01': sg[r['t']].append(r['sigma0'])
|
||||
v=[(t,x[0]) for t,x in sorted(sg.items())]
|
||||
print('sigma0 med',st.median(x for t,x in v),'max',max(v,key=lambda a:a[1]))
|
||||
@@ -0,0 +1,16 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
names=sorted(S); ts=sorted(S['PR01'])
|
||||
def h(t): return t.strftime('%d %H:%M')
|
||||
# 1. err step PR08 & CTR04: rolling median
|
||||
for s in ('PR08','CTR04'):
|
||||
prev=None
|
||||
print(s,[ (h(t),round(S[s][t]['error_value'],3)) for t in ts if datetime(2026,9,3,4,0,tzinfo=timezone.utc)<=t<=datetime(2026,9,3,8,0,tzinfo=timezone.utc)])
|
||||
# 2. error spike 09-01 11-14
|
||||
for t in ts:
|
||||
if datetime(2026,9,1,11,30,tzinfo=timezone.utc)<=t<=datetime(2026,9,1,15,30,tzinfo=timezone.utc):
|
||||
e=sorted(((S[s][t]['error_value'],s) for s in names),reverse=True)[:4]
|
||||
print(h(t),[(s,round(v,3)) for v,s in e], 'CTR01',round(S['CTR01'][t]['error_value'],3))
|
||||
@@ -0,0 +1,23 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
names=sorted(S); ts=sorted(S['PR01'])
|
||||
def h(t): return t.strftime('%d %H:%M')
|
||||
# robust z of error (per sensor, diff from rolling 3h median)
|
||||
def rollmed(l,i,w=12):
|
||||
seg=l[max(0,i-w):i+w+1]; return st.median(seg)
|
||||
Z={}
|
||||
for s in names:
|
||||
e=[S[s][t]['error_value'] for t in ts]
|
||||
d=[e[i]-rollmed(e,i) for i in range(len(e))]
|
||||
mad=st.median(abs(x) for x in d) or 1e-6
|
||||
for t,x in zip(ts,d): Z[s,t]=x/mad
|
||||
print('slots avec >=6 capteurs z>8')
|
||||
for t in ts:
|
||||
hi=[s for s in names if Z[s,t]>8]
|
||||
if len(hi)>=5: print(h(t),len(hi),hi[:12])
|
||||
print('par capteur: nb pics z>15')
|
||||
for s in names:
|
||||
print(s,[ (h(t),round(Z[s,t])) for t in ts if Z[s,t]>15][:12])
|
||||
@@ -0,0 +1,18 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
names=sorted(S); ts=sorted(S['PR01'])
|
||||
tg=[s for s in names if s.startswith('PR')]
|
||||
def h(t): return t.strftime('%d %H:%M')
|
||||
for k in ('relative_x','relative_y','corr_x','corr_y'):
|
||||
m={t:st.median(S[s][t][k] for s in tg if S[s][t][k] is not None) for t in ts}
|
||||
print('==',k)
|
||||
for s in names:
|
||||
res=[S[s][t][k]-m[t] if S[s][t][k] is not None else None for t in ts]
|
||||
b=st.median(x for x in res if x is not None)
|
||||
res=[None if x is None else x-b for x in res]
|
||||
sd=st.pstdev([x for x in res if x is not None])
|
||||
big=[(h(t),round(x,2)) for t,x in zip(ts,res) if x is not None and abs(x)>6*1.4826*st.median(abs(y) for y in res if y is not None)][:6]
|
||||
print(s,'sd %.3f'%sd, 'dayjump:', [ (h(t),round(x,2)) for t,x in zip(ts,res) if x is not None and abs(x)>0.3*(1 if k[:3]=='rel' else 0.25)][:5])
|
||||
@@ -0,0 +1,14 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
ts=sorted(S['PR01'])
|
||||
def h(t): return t.strftime('%d %H:%M')
|
||||
for t in ts:
|
||||
if datetime(2026,9,3,21,45,tzinfo=timezone.utc)<=t:
|
||||
out=[h(t)]
|
||||
for s in ('PR07','PR04','PR15','PR16','CTR04'):
|
||||
r=S[s][t]
|
||||
out.append('%s e%.2f x%.1f y%.1f cx%s cy%s'%(s,r['error_value'],r['x']-2000 if 0 else r['x'],r['y'],None if r['corr_x'] is None else round(r['corr_x'],3),None if r['corr_y'] is None else round(r['corr_y'],3)))
|
||||
print(' | '.join(out))
|
||||
@@ -0,0 +1,16 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
names=sorted(S); ts=sorted(S['PR01'])
|
||||
def h(t): return t.strftime('%d %H:%M')
|
||||
def at(d,hh,mm): return datetime(2026,9,d,hh,mm,tzinfo=timezone.utc)
|
||||
for t in (at(1,5,0),at(1,11,15),at(3,6,45)):
|
||||
i=ts.index(t)
|
||||
print('==',h(t))
|
||||
for s in names:
|
||||
e=[S[s][u]['error_value'] for u in ts[max(0,i-8):i+9] if u!=t]
|
||||
b=st.median(e); r=S[s][t]
|
||||
pre=[S[s][u]['corr_y'] for u in ts[i-4:i]];
|
||||
print(s,'err %.3f (voisinage %.3f, x%.1f)'%(r['error_value'],b,r['error_value']/b),'dcorr_y %.3f'%(r['corr_y']-st.median(pre)) if r['corr_y'] is not None else '', 'sigma0 %.5f'%r['sigma0'])
|
||||
@@ -0,0 +1,11 @@
|
||||
from charge import *
|
||||
import collections, statistics as st, sys
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
ts=sorted(S['PR01'])
|
||||
d=int(sys.argv[1]);a=int(sys.argv[2]);b=int(sys.argv[3])
|
||||
for t in ts:
|
||||
if datetime(2026,9,d,a,0,tzinfo=timezone.utc)<=t<=datetime(2026,9,d,b,0,tzinfo=timezone.utc):
|
||||
e=[S[s][t]['error_value'] for s in S if s.startswith('PR')]
|
||||
print(t.strftime('%d %H:%M'),'medErr %.3f'%st.median(e),'CTR01 %.3f'%S['CTR01'][t]['error_value'],'y %.2f'%(S['PR01'][t]['y']-1311), 'x %.2f'%(S['PR01'][t]['x']-1827),'sig %.5f'%S['PR01'][t]['sigma0'])
|
||||
@@ -0,0 +1,12 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
ts=sorted(S['PR01'])
|
||||
G={'PRmed':[s for s in S if s.startswith('PR') and s not in('PR04','PR07','PR08')],'PR04':['PR04'],'PR07':['PR07'],'PR08':['PR08'],'CTR01':['CTR01'],'CTR02-4':['CTR02','CTR03','CTR04']}
|
||||
print('h '+' '.join('%7s'%g for g in G))
|
||||
for d in (1,2,3):
|
||||
for hh in range(24):
|
||||
sl=[t for t in ts if t.day==d and t.hour==hh]
|
||||
print('%02d %02d '%(d,hh)+' '.join('%7.3f'%st.median(S[s][t]['error_value'] for t in sl for s in G[g]) for g in G))
|
||||
|
After Width: | Height: | Size: 221 KiB |
|
After Width: | Height: | Size: 417 KiB |
|
After Width: | Height: | Size: 413 KiB |
|
After Width: | Height: | Size: 324 KiB |
|
After Width: | Height: | Size: 285 KiB |
|
After Width: | Height: | Size: 283 KiB |
|
After Width: | Height: | Size: 508 KiB |
|
After Width: | Height: | Size: 285 KiB |
|
After Width: | Height: | Size: 283 KiB |
@@ -0,0 +1,19 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
import matplotlib; matplotlib.use('Agg')
|
||||
import matplotlib.pyplot as plt
|
||||
rows=charge()
|
||||
S=collections.defaultdict(list)
|
||||
for r in rows: S[r['sensor_name']].append(r)
|
||||
names=sorted(S)
|
||||
def fig(key,fn,sub=None):
|
||||
fig,axs=plt.subplots(6,4,figsize=(24,18),sharex=True)
|
||||
for ax,s in zip(axs.flat,names):
|
||||
l=[r for r in S[s] if r[key] is not None]
|
||||
base=st.median(r[key] for r in l)
|
||||
ax.plot([r['t'] for r in l],[r[key]-base for r in l],lw=.7)
|
||||
ax.set_title(s+' '+S[s][0]['pattern_type']);
|
||||
for d in (1,2,3): ax.axvline(datetime(2026,9,d,tzinfo=timezone.utc),c='gray',lw=.3)
|
||||
plt.tight_layout(); plt.savefig(fn,dpi=60); plt.close()
|
||||
for k in ('corr_x','corr_y','x','y','relative_x','relative_y','error_value'):
|
||||
fig(k,'f_%s.png'%k)
|
||||
@@ -0,0 +1,31 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
import matplotlib; matplotlib.use('Agg')
|
||||
import matplotlib.pyplot as plt
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
names=sorted(S); ts=sorted(S['PR01'])
|
||||
tg=[s for s in names if s.startswith('PR')]
|
||||
fig,axs=plt.subplots(5,1,figsize=(20,18),sharex=True)
|
||||
def med(key,sl): return [st.median(S[s][t][key] for s in sl if S[s][t][key] is not None) for t in ts]
|
||||
# mode commun y brut
|
||||
yy=med('y',names); xx=med('x',names)
|
||||
axs[0].plot(ts,xx,label='x median'); axs[0].plot(ts,yy,label='y median'); axs[0].legend(); axs[0].set_title('position brute mediane (px)')
|
||||
# err mediane
|
||||
axs[1].plot(ts,med('error_value',tg),label='med PR'); axs[1].plot(ts,[S['CTR01'][t]['error_value'] for t in ts],label='CTR01');axs[1].plot(ts,[S['PR04'][t]['error_value'] for t in ts],label='PR04');axs[1].plot(ts,[S['PR08'][t]['error_value'] for t in ts],label='PR08');axs[1].plot(ts,[S['CTR04'][t]['error_value'] for t in ts],label='CTR04');axs[1].set_yscale('log');axs[1].legend()
|
||||
# residus corr - mediane
|
||||
for k,ax in (('corr_x',axs[2]),('corr_y',axs[3])):
|
||||
m=med(k,tg)
|
||||
for s in names:
|
||||
l=[(t,S[s][t][k]-mm) for t,mm in zip(ts,m) if S[s][t][k] is not None]
|
||||
ax.plot([a for a,b in l],[b for a,b in l],lw=.5)
|
||||
ax.set_title(k+' - mediane des cibles')
|
||||
# raw relative_y - median
|
||||
m=med('relative_y',names)
|
||||
for s in names:
|
||||
axs[4].plot(ts,[S[s][t]['relative_y']-mm for t,mm in zip(ts,m)],lw=.5)
|
||||
axs[4].set_title('relative_y - mediane'); axs[4].set_ylim(-1,1)
|
||||
for ax in axs:
|
||||
for d in (1,2,3): ax.axvline(datetime(2026,9,d,tzinfo=timezone.utc),c='gray',lw=.3)
|
||||
plt.tight_layout(); plt.savefig('f_synth.png',dpi=60)
|
||||
@@ -0,0 +1,25 @@
|
||||
from charge import *
|
||||
import collections, statistics as st
|
||||
import matplotlib; matplotlib.use('Agg')
|
||||
import matplotlib.pyplot as plt
|
||||
rows=charge()
|
||||
S=collections.defaultdict(dict)
|
||||
for r in rows: S[r['sensor_name']][r['t'].replace(second=0,microsecond=0)]=r
|
||||
names=[s for s in sorted(S) if s!='PR07']; ts=sorted(S['PR01'])
|
||||
def med(key,sl=names): return [st.median(S[s][t][key] for s in sl if S[s][t][key] is not None) for t in ts]
|
||||
fig,axs=plt.subplots(5,1,figsize=(20,16),sharex=True)
|
||||
mx,my=med('x'),med('y')
|
||||
axs[0].plot(ts,[a-mx[0] for a in mx],'.-',ms=3,label='x');axs[0].plot(ts,[a-my[0] for a in my],'.-',ms=3,label='y');axs[0].legend();axs[0].set_title('mode commun brut (mediane des capteurs sauf PR07), px relatif au 1er point')
|
||||
# dispersion entre capteurs de la position brute (apres retrait mediane) = rotation/echelle
|
||||
sy=[st.pstdev([S[s][t]['y']-my[i] for s in names]) for i,t in enumerate(ts)]
|
||||
sx=[st.pstdev([S[s][t]['x']-mx[i] for s in names]) for i,t in enumerate(ts)]
|
||||
axs[1].plot(ts,sx,label='sd x entre capteurs');axs[1].plot(ts,sy,label='sd y');axs[1].legend()
|
||||
axs[2].plot(ts,med('sigma0',['PR01']));axs[2].set_title('sigma0')
|
||||
axs[3].plot(ts,med('error_value',[s for s in names if s.startswith('PR')]),label='med err PR');axs[3].plot(ts,med('error_value',['CTR02','CTR03','CTR04']),label='med err globref');axs[3].legend()
|
||||
# corr_y spread
|
||||
cy=med('corr_y');cx=med('corr_x')
|
||||
axs[4].plot(ts,[a-cy[0] for a in cy],label='corr_y med');axs[4].plot(ts,[a-cx[0] for a in cx],label='corr_x med');axs[4].legend()
|
||||
for ax in axs:
|
||||
for d in range(1,4):
|
||||
for hh in (0,6,12,18): ax.axvline(datetime(2026,9,d,hh,tzinfo=timezone.utc),c='gray',lw=.3 if hh else .8)
|
||||
plt.tight_layout(); plt.savefig('f_commun.png',dpi=60)
|
||||
@@ -0,0 +1,19 @@
|
||||
from charge import *
|
||||
import glob, statistics as st, collections, json
|
||||
from PIL import Image
|
||||
import numpy as np
|
||||
S=collections.defaultdict(list)
|
||||
for r in charge(): S[r['sensor_name']].append(r)
|
||||
pos={s:(round(st.median(r['x'] for r in l)),round(st.median(r['y'] for r in l))) for s,l in S.items()}
|
||||
out=[]
|
||||
for f in sorted(glob.glob('/home/maxime/Support-Agent/out/pompage/NORDEND/images/2026090[1-3]T*.jpg')):
|
||||
stamp=f.split('/')[-1][:13]
|
||||
a=np.asarray(Image.open(f).convert('L'),dtype=float)
|
||||
bg=float(np.median(a[1100:1500,1700:2500]))
|
||||
d={'t':stamp,'bg':bg,'mean':float(a.mean())}
|
||||
for s,(x,y) in pos.items():
|
||||
w=a[y-8:y+9,x-8:x+9]
|
||||
d[s]=float(w.max())
|
||||
out.append(d)
|
||||
json.dump(out,open('img1.json','w'))
|
||||
print(len(out))
|
||||
@@ -0,0 +1,19 @@
|
||||
import json
|
||||
import matplotlib; matplotlib.use('Agg')
|
||||
import matplotlib.pyplot as plt
|
||||
from datetime import datetime
|
||||
d=json.load(open('img1.json'))
|
||||
t=[datetime.strptime(x['t'],'%Y%m%dT%H%M') for x in d]
|
||||
names=[k for k in d[0] if k not in ('t','bg','mean')]
|
||||
fig,axs=plt.subplots(3,1,figsize=(18,13),sharex=True)
|
||||
axs[0].plot(t,[x['bg'] for x in d],'.-');axs[0].set_title('fond median autour des cibles (0-255)')
|
||||
for s in names:
|
||||
axs[1].plot(t,[x[s] for x in d],lw=.8,label=s)
|
||||
axs[1].set_title('pic max par capteur (fenetre 17x17 px)');axs[1].legend(ncol=11,fontsize=7)
|
||||
for s in names:
|
||||
m=max(x[s] for x in d)
|
||||
axs[2].plot(t,[x[s]/m for x in d],lw=.8)
|
||||
axs[2].set_title('pic / max de la fenetre')
|
||||
plt.tight_layout();plt.savefig('f_images.png',dpi=60)
|
||||
for x in d:
|
||||
print(x['t'],round(x['bg']),' '.join('%s:%d'%(s,x[s]) for s in ('PR04','PR07','PR14','PR15','PR16','PR08','CTR01','CTR04','PR18')))
|
||||
@@ -0,0 +1,50 @@
|
||||
# Écart 1 : lot 01, NORDEND, 2026-09-01T00:00Z → 2026-09-04T00:00Z (UTC)
|
||||
|
||||
**Verdict** : à reprendre
|
||||
|
||||
## Moments
|
||||
| Moment (corrigé ou lecture) | Jugement | Faute | Pourquoi |
|
||||
|---|---|---|---|
|
||||
| Corrigé : 09-03 23:00 → fin, PR04 et PR07 perdus (0,92 / 0,99), PR07 `x`/`y` faux de +19 / +22 px, PR14-PR16 perturbés (PR15 `corr_x` −0,09 qui dure), CTR04 `error_value` ×2. Lecture : même ligne (15) | trouvé | — | Capteurs, valeurs, dates et images (PR04 et PR07 absents à 23:00, PR14-16 plus petits) justes ; seule la fin de l'épisode est inconnue, le lot s'arrêtant là, et la lecture le dit. |
|
||||
| Corrigé : 09-01 12:00 → 18:00, CTR01 (`ref`) mal vue, rejets à 15:00 et 15:15, PR04 piqué, paroi éclairée. Lecture : ligne 4 | trouvé | — | Rejets et cause (soleil sur la paroi, vignettes) vus. Ampleur un peu large : CTR01 « 0,36 dès 12:00 », alors que 0,2 à midi et 0,33-0,42 de 14:00 à 16:00. |
|
||||
| Corrigé : 09-02 et 09-03, mêmes montées de jour de CTR01 et PR04. Lecture : lignes 5 et 6 | trouvé | — | Profil quotidien et sous le seuil vus. Le rejet isolé de PR07 (09-03 13:30, un pas) est bien dit « isolé », mais daté « 12:00-15:00 ». |
|
||||
| Corrigé : mode commun brut, `y` de tous les capteurs (références comprises) +2 px le 1er de 07:45 à 17:00, +2,3 px le 2 de 06:30 à 17:00, +0,7 px le 3 sans retour le soir ; `sigma0` −25 % aux pointes. Lecture : lignes 1 à 3 | de travers | mode d'emploi | La lecture voit l'effet sur `corr` (creux sur PR14 à PR18 et CTR02/CTR03, ≈ 0,05 à 0,09) et conclut « mouvement commun », mais écrit « position brute de PR18 stable à ±0,1 px » : faux, tous les capteurs montent de 2 px en `y` aux mêmes heures. La cause réelle, la caméra qui bouge de 2 px et que la compensation absorbe presque, n'est pas vue, ni `sigma0`. Les capteurs touchés (les plus à droite et PR18, en haut) et les dates sont à peu près justes. |
|
||||
| Corrigé : 09-01 18:30 → 09-02 12:00, PR18 `corr_x` ±0,04 (PR16 ±0,025), en phase avec le mode commun. Lecture : lignes 1 à 3 (PR18 −0,06, −0,09) | trouvé | — | Capteur et forme vus ; l'ampleur de la lecture est mesurée contre la nuit, pas contre le groupe, donc plus grande. |
|
||||
| Corrigé : 09-03 06:00 → fin, `error_value` de PR08 ×3 (0,04 → 0,11-0,14, reste jusqu'à la fin, nuit comprise) et de CTR04 ×2 (0,035 → 0,07). Lecture : — | manqué | outil | `resume.py` ne compare que la médiane et la MAD de toute la période (1er → 29/09) : un changement de niveau dans le lot n'apparaît pas, et la figure de `error_value` des 22 capteurs est illisible (le lecteur le dit). Aucun outil ne montrait un palier d'un seul capteur au milieu des autres. Mon `explore9.py` (médiane horaire par capteur) le montre en une table. |
|
||||
| Corrigé : paliers du niveau d'erreur de presque tous les capteurs (09-01 22:00, 09-02 18:00, 09-03 ~08:00), sans lien avec le jour et la nuit, sous le seuil. Lecture : — | manqué | outil | Même cause : pas de vue où l'on compare chaque capteur à son niveau par fenêtre (nuit, jour, heure) et où l'on voit les capteurs bouger ensemble. |
|
||||
| Corrigé : 09-01 05:00, 09-01 11:15, 09-03 06:45, une seule mesure, 12 à 22 capteurs à ×1,5 jusqu'à ×4,3 sur `error_value` (références comprises), sous le seuil, `corr` intact. Lecture : — | manqué | outil | Rien n'indiquait « combien de capteurs montent au même instant ». La lecture a regardé 22 courbes superposées, illisibles. Mon `explore4.py` (écart au voisinage glissant en MAD, nombre de capteurs au-dessus par pas) les trouve d'un coup. |
|
||||
| Corrigé : 09-01 00:00 → 08:00, `error_value` de PR07 ≈ 0,11, puis 0,056 | manqué | outil | Même cause. Petit : l'erreur reste sous le seuil et la courbe corrigée est normale. |
|
||||
| Corrigé : trous de 1 pas (09-01 01:00) et de 2 pas (09-03 01:30-01:45), tous capteurs. Lecture : phrase d'introduction, « 2 instants manquants par nuit, 11 sur la période, sans effet visible » | trouvé | — | Mentionné hors tableau, deux pas manquants sans date ; ne devrait pas être un moment à part. Ni cause ni effet. |
|
||||
| Corrigé : 09-02 05:45-07:00, l'image de 06:00 est presque noire (transition d'exposition) sans effet sur les mesures. Lecture : — | manqué | outil | Le lecteur n'a regardé que 3 vignettes et 2 images entières. Aucune vue ne résume l'éclairement de toutes les images (fond, pic par capteur). Sans conséquence sur les données. |
|
||||
| Corrigé : sigma0 baisse de 25 % le 1er 08:00-10:00 et le 2 08:30-09:30. Lecture : — | manqué | mode d'emploi | `sigma0` ne figure pas dans les colonnes que la lecture a regardées ; il accompagne le mode commun ci-dessus. Il se lit avec lui (même défaut). |
|
||||
| Lecture : ligne 7, PR10 `corr_x` +0,012 (≈ 2,6 MAD) de 14:00 à 18:00 chaque jour | en trop | — | Écart du niveau de bruit (écart-type propre de PR10 `corr_x` 0,007 ; mon `explore10.py` n'y trouve aucun saut). Le lecteur l'a jugé lui-même « petit ». |
|
||||
|
||||
## Défauts à corriger
|
||||
### D1 : le skill ne montre pas l'erreur de tous les capteurs ensemble, chacun face à son niveau par fenêtre
|
||||
- **Défaut** : le niveau habituel n'est calculé que sur toute la période, et la seule vue d'ensemble de `error_value` est une pile de 22 courbes illisible. Un palier durable d'un capteur (×3 sur plusieurs jours), des paliers communs à presque tous, ou une mesure où une grande partie des capteurs montent ensemble sous le seuil passent inaperçus, alors que le lecteur a reconnu ne pas pouvoir classer 22 capteurs.
|
||||
- **Exemple** : 09-03 06:00 → fin, PR08 et CTR04 (`error_value` ×3 et ×2, pas de retour) ; 09-01 11:15 et 05:00, 09-03 06:45 (12 à 22 capteurs au-dessus de leur voisinage) ; 09-01 22:00, 09-02 18:00 (paliers communs).
|
||||
- **Ce qu'il faudrait** : une vue de `error_value` où chaque capteur est comparé à son propre niveau sur la fenêtre demandée (par nuit, par jour, par heure), en petits multiples ou en tableau horaire, et un compte, à chaque pas, des capteurs qui s'écartent ensemble. Elle doit montrer les changements de niveau qui durent et ne pas les noyer dans la médiane de la période.
|
||||
|
||||
### D2 : le skill ne fait pas regarder les positions brutes de tous les capteurs ensemble, avant `corr`
|
||||
- **Défaut** : la lecture part de `corr_x` / `corr_y` et ne regarde pas `x` / `y` bruts de tous les capteurs, références comprises, sur le même graphique ni `sigma0`. Elle a donc décrit des creux de `corr` de quelques centièmes comme un « mouvement commun » sans voir la cause, une oscillation de la caméra de 2 px, et a même écrit que la position brute était stable.
|
||||
- **Exemple** : 09-01 07:45 → 17:00 et 09-02 06:30 → 17:00 (`y` brut +2 px sur les 22 capteurs, `sigma0` −25 %), 09-03 06:30 → fin (+0,7 px sans retour). Mon `fig3.py` (médiane des positions brutes, `sigma0`, `corr` médian) le montre sur une seule figure.
|
||||
- **Ce qu'il faudrait** : faire regarder, avant les `corr`, les positions brutes de tous les capteurs superposées (mode commun), la dispersion entre capteurs, et `sigma0`, pour séparer ce que la caméra fait de ce qui reste après compensation. Le résidu de `corr` se juge alors contre le groupe, pas contre une nuit.
|
||||
|
||||
## Nouveautés
|
||||
- Paliers de `error_value` communs à presque tous les capteurs, sans lien avec le jour et la nuit (09-01 22:00, 09-02 18:00, 09-03 ~08:00), sous le seuil : aucune famille ne les décrit (la plus proche, « manque de lumière » ou un changement de réglage, ne colle pas : `corr` et images ne changent pas).
|
||||
- Palier durable de `error_value` sur deux capteurs seulement (PR08 ×3, CTR04 ×2), sans changement visible de la tache : proche de « cible sale ou terne », mais d'un coup et sur une référence globale.
|
||||
- Une seule mesure où presque tous les capteurs montent ensemble de ×1,5 à ×4 sous le seuil (09-01 05:00 et 11:15, 09-03 06:45), sans effet sur `corr` : un « passage » sans rejet.
|
||||
- Perte de deux cibles (PR04, PR07) avec baisse d'éclat des voisines (PR14-PR16) pendant 45 min, de nuit, sans cause visible : proche de « pluie, brume » ou « objet posé devant », mais seulement sur le bord droit.
|
||||
- Image presque noire à 06:00 le 09-02 (exposition au lever du soleil) : à rattacher à « réglage changé » ou à une famille d'images, mais sans effet sur les mesures.
|
||||
|
||||
## Difficultés
|
||||
- Le dossier du lot contenait déjà `lecture-1/` et `lecture-1.md` avant ma lecture : je ne les ai pas ouverts avant d'avoir fini `corrige.md`.
|
||||
- La consigne demande des scripts en bibliothèque standard, mais les images (recadrages, pics par capteur) exigent Pillow et numpy : j'ai utilisé `.venv/bin/python`, et c'est seulement pour les images. Mes figures `fig1.py`, `fig2.py` et `fig3.py` ont d'abord été écrites dans le dossier courant (la racine du dépôt) : je les ai déplacées dans `corrige/`.
|
||||
- Un contexte `vues-deplacements/CLAUDE.md` a été injecté dans ma session en cours de route : je ne l'ai pas ouvert et ne m'en suis pas servi.
|
||||
- Une partie des moments du corrigé (images de 05:00 et 11:00 le 1er, 13:00 le 3) n'ont pas été regardés à l'image, faute de temps : marqués « non regardée » dans `corrige.md`.
|
||||
|
||||
## Sources lues
|
||||
- `docs/domaine/colonnes-des-deplacements.md`, `docs/domaine/pieges-des-donnees.md`, `docs/displacement/domaine/carte-des-evenements.md`.
|
||||
- `out/pompage/NORDEND/displacement/NORDEND_advanced_20260901.csv` à `20260903.csv` ; images de `out/pompage/NORDEND/images/` (20260902T0600Z, 20260901T1200Z, 20260903T2200Z et 2300Z, recadrages).
|
||||
- `vues-deplacements/aiguiser/2026-10-26T1149Z_NORDEND/lot-01/corrige.md` (le mien) et `lecture-1.md`. Les figures de `lecture-1/` ne sont pas lues.
|
||||
- Contexte injecté par l'environnement et non utilisé : `vues-deplacements/CLAUDE.md`.
|
||||