Compare commits

...
13 Commits
Author SHA1 Message Date
maximeandClaude Opus 5.5 3a9eaa7ace Tâches VS Code (pomper, run app, status) au lieu des scripts bash
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 16:10:23 +01:00
maximeandClaude Opus 5.5 8790b25bad Support: LENZSPITZE, fig3 le train passe sur la voie
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 15:58:56 +01:00
maximeandClaude Opus 5.5 3462b20001 Support: LENZSPITZE métrique de qualité, fig3 passage de train (netteté)
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 15:57:44 +01:00
maximeandClaude Opus 5.5 f62071c83f Pompage : autonome sous WSL, sans monitoring-dashboard (D-146)
- pomper.py : les lectures de l'appli recopiées en SQL, plus d'import de app/ ;
  le rattrapage reprend aussi les jours de métriques en échec
- pomper.sh : .env du projet, environnement uv jetable, log, verrou,
  post-traitement LENZSPITZE ; tâche Windows nocturne documentée
- vérifié contre l'ancien code sur NORDEND, SUSTENHORN, NADELHORN
- db/ (copie de la SQLite de l'appli) hors de git

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 15:55:43 +01:00
maximeandClaude Opus 5.5 d4fea5d290 Support: LENZSPITZE, analyse à jour
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:45:03 +01:00
maximeandClaude Opus 5.5 1b7b162515 Support: LENZSPITZE, mail sans les remarques sur le texte du client
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:44:59 +01:00
maximeandClaude Opus 5.5 a532808f56 Support: LENZSPITZE, mail raccourci
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:39:32 +01:00
maximeandClaude Opus 5.5 7dbf502a5f Support: LENZSPITZE, mail au vouvoiement
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:39:05 +01:00
maximeandClaude Opus 5.5 65b6b602f4 Support: LENZSPITZE, accord dans le mail
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:28:50 +01:00
maximeandClaude Opus 5.5 21c84a5030 Support: LENZSPITZE, analyse.md à jour du snr
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:28:43 +01:00
maximeandClaude Opus 5.5 2e9705aea6 Support: LENZSPITZE métrique de qualité, fig2 sur le contraste (soleil bas du 02.11)
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:28:35 +01:00
maximeandClaude Opus 5.5 1a69e73878 Support: LENZSPITZE métrique de qualité, dossier en input/ et output/
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:22:24 +01:00
maximeandClaude Opus 5.5 d656d57650 Support: LENZSPITZE, métrique de qualité des points
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-12 11:20:37 +01:00
51 changed files with 1923 additions and 152 deletions

No files matched your search

+2
View File
@@ -25,3 +25,5 @@ labeling/auto/revue-croisee/**
!labeling/auto/revue-croisee/**/modifications.jsonl
!labeling/auto/revue-croisee/**/outils/*.py
.superpowers/
# accès à la base SQLite de l'appli (appareils, utilisateurs) : jamais versionné
db/
+28
View File
@@ -0,0 +1,28 @@
{
"version": "2.0.0",
"tasks": [
{
"label": "pomper",
"detail": "Met à jour les stations suivies, images comprises (extraction/README.md)",
"type": "shell",
"command": "extraction/pomper.sh",
"problemMatcher": []
},
{
"label": "run app",
"detail": "Construit le front, puis lance le serveur sur http://127.0.0.1:8770",
"type": "shell",
"command": "(cd app/web && { [ -d node_modules ] || npm install; } && npm run build) && API/.venv/bin/python app/serveur/serveur.py",
"isBackground": true,
"problemMatcher": []
},
{
"label": "status",
"detail": "La page Status par son data loader : station, dates, « Analyse »",
"type": "shell",
"command": "python3 detectors-view/status.py",
"isBackground": true,
"problemMatcher": []
}
]
}
+7 -7
View File
@@ -56,10 +56,9 @@ python3 maquettes/support/home.py [début] [fin] # maquette support
python3 vues-deplacements/maquette/explore.py [dossier] # page Explore : View, Diagnosis, Displacements, Journal
python3 detectors/categories.py <dossier> # événements du journal, une ligne chacun
python3 detectors-view/detecteurs.py data/<STATION> [--du D --au F] # page des détecteurs seuls
./run_server.sh # la web app app/ : build du front, serveur sur :8770
./run.sh # les quatre outils du poste : Status, View, Labeling, Compare
# tâches VS Code (.vscode/tasks.json) : « run app » (web app app/, :8770), « pomper » (extraction/pomper.sh), « status »
python3 detectors-view/compare.py [data/<STATION> --du D --au F] # étiquettes face aux détecteurs, score par famille, data loader
./detectors-view/status.sh # page Status par son data loader : station, dates, Analyse
python3 detectors-view/status.py # page Status par son data loader (tâche VS Code « status »)
python3 labeling/labeling.py [data/<STATION> --du D --au F] # l'expert étiquette : un plot, une plage, du texte, Add
python3 view/view.py [data/<STATION> --du D --au F] # les images IRON : parcourir, zoomer
python3 .claude/skills/detector-learner/regression.py # benchmark : détecteurs face à toutes les étiquettes de labeling/auto/
@@ -84,7 +83,7 @@ python3 -m venv .venv && .venv/bin/pip install plotly matplotlib # recréer .
### Racine
- `README.md` : point d'entrée pour un humain. `run.md` (125 l) : les commandes que lance l'utilisateur (pompage, étiquetage, métriques de qualité par `~/optical_emulator`, `/events-learner`, `/review-event`). `push.sh "<message>"` : pull, commit de tout, push. `run.sh` : la page Status, View et Labeling, chacun par son data loader.
- `README.md` : point d'entrée pour un humain. `run.md` (125 l) : les commandes que lance l'utilisateur (pompage, étiquetage, métriques de qualité par `~/optical_emulator`, `/events-learner`, `/review-event`). `.vscode/tasks.json` : les tâches `pomper` et `run app`.
### `docs/`
@@ -108,7 +107,7 @@ python3 -m venv .venv && .venv/bin/pip install plotly matplotlib # recréer .
- `vues-deplacements/` : le chantier des déplacements (D-052), avec sa propre carte, `vues-deplacements/CLAUDE.md` : `maquette/` (page Explore et `spec.md`, D-053 à D-056), `contexte/` (journal du matin, seuils, lissage, `events-learner`, aiguisage, retiré), `cas/` (NORDEND, parcours de l'utilisateur), `benchmark/historique.csv` (D-069).
- `detectors/` : les détecteurs du journal (D-067, D-068, D-084), un détecteur par famille (D-119) : `visibility.py`, `obstruction.py`, `target_issue.py`, `thermal_displacement.py`, `no_data.py`, `displacement.py`, contrat `detect(mesures)` (plus, s'il les déclare, la température, la pose de la caméra et les métriques de la station, D-124, D-134), classés en événements par `categories.py`, la famille pour catégorie ; `archive/` : versions écartées.
- `detectors-view/` : le développement de la page des détecteurs (D-093), `detecteurs.py` : images, courbes, Status, catégories, Error rate ; `run-detectors.sh` : la page sur chaque station de `data/` ; `status.py` : la page Status, version pseudo finale de la page Explore du site : corr_x, corr_y, mouvement de la caméra, étiquettes de `labeling/` (auto, sinon manual) en plages colorées et en étiquettes cliquables au-dessus (sélection : ses capteurs, ses détails et son timelapse sous la figure, sans zoom) (D-094) ; en haut, le data loader `data-loader/chargeur.py` (station, dates, « Analyse » ; son serveur, port 8766) ; la page des détecteurs est reprise par la page de fin de séance de `/events-learner` (`comparaison.py`), par `/review-event` et par `compare.py` : les étiquettes face aux détecteurs, ligne par famille, et le score, sous le data loader (port 8769).
- `detectors-view/` : le développement de la page des détecteurs (D-093), `detecteurs.py` : images, courbes, Status, catégories, Error rate ; `status.py` : la page Status, version pseudo finale de la page Explore du site : corr_x, corr_y, mouvement de la caméra, étiquettes de `labeling/` (auto, sinon manual) en plages colorées et en étiquettes cliquables au-dessus (sélection : ses capteurs, ses détails et son timelapse sous la figure, sans zoom) (D-094) ; en haut, le data loader `data-loader/chargeur.py` (station, dates, « Analyse » ; son serveur, port 8766) ; la page des détecteurs est reprise par la page de fin de séance de `/events-learner` (`comparaison.py`), par `/review-event` et par `compare.py` : les étiquettes face aux détecteurs, ligne par famille, et le score, sous le data loader (port 8769).
- `labeling/` : **toute la connaissance métier du labeling** (D-130) : `regles-d-etiquetage.md` (comment poser une étiquette), `familles.md`, `carte-des-etiquettes.md`, `connaissances/` (chaîne de mesure, colonnes des déplacements, trous, images de la caméra, cycle thermique, métriques de qualité, cas annotés, incident de Barcelone) ; `controle.py` (les étiquettes automatiques face aux règles) ; `ids.py` (l'id stable de chacune, D-131) ; `auto/revue-croisee/<date>/` (`/cross-review-labels`). Et l'outil d'étiquetage de l'expert (D-098), `labeling.py` : un plot à la fois (déplacements, métriques système), une barre de temps pour sélectionner une plage, du texte libre et, au choix, une famille (D-109) ; Add écrit une ligne dans `manual/<STATION>.jsonl`, versionné ; un clic sur une étiquette la lit, la modifie ou la retire ; `familles.md` : les familles des étiquettes, leurs frontières (D-109) ; `carte-des-etiquettes.md` : les étiquettes revues rangées par phénomène, pour l'analyste, refaite par `/labels-map` (D-104) ; `manual/` : les étiquettes faites à la main, revues avec l'utilisateur par `/review-labels`, dont celles des events validés (D-100) ; `auto/` : celles de l'`etiqueteur` (D-105 à D-107), relues seulement (D-130) ; dans `auto/etiqueteur/<STATION>_<début du lot>/` ses étiquettes avant revue (`etiquettes.jsonl`), son analyse et ses scripts, versionnés, ses figures hors de git (D-126) ; `auto/revue/<STATION>_<début>/` : leur revue par l'analyste, `/review-auto-labels` (D-128) ; `lecons/` : les leçons de `/labels-learner` (D-099), une par phénomène.
- `view/` : `view.py`, les images IRON d'une station sous le data loader de la page Status (glisseur, flèches ; molette pour zoomer, glisser pour se déplacer ; case Labels : le nom des cibles et des références).
- `detector-learner/` : les séances de `/detector-learner` (D-116, D-132), une par dossier `<séance>_<Famille>/` (avant D-132, `<séance>_<STATION>/`), et `historique.csv`, le benchmark séance après séance ; ses scripts (`regression.py`, le benchmark ; `score.py`, `capteurs.py`, `comparaison.py`, la page d'une séance) dans `.claude/skills/detector-learner/`.
@@ -119,7 +118,7 @@ python3 -m venv .venv && .venv/bin/pip install plotly matplotlib # recréer .
- `support/` : un dossier par demande d'un client (D-079), `<date>_<STATION>_<sujet>/` : `demande.md`, `analyse.md`, `reponse.md` (le mail prêt à envoyer), GIF des images ; ou `<date>_<STATION>_rapport-situation/` : `rapport.md`, ses images, `<station>.typ` (le source) et `<station>.pdf`, nom de la station en minuscules. Contient des mails et images de clients.
- `API/` : le support par l'API Claude (D-133), un sous-projet autonome : sa doc dans `API/README.md`, ses copies dans `API/PROVENANCE.md` ; les agents Claude Code n'y lisent rien, et lui ne lit rien du reste du dépôt hors de `data/`.
- `app/` : la web app (D-137, D-138), sa doc dans `app/README.md` : `serveur/` (FastAPI), `web/` (React, Mantine) ; pages Support (pilote les agents de `API/`), Data (comme `labeling.py`, et les images comme `view.py`, avec les événements des détecteurs ; elle écrit dans `labeling/`).
- `extraction/` : pompage `pomper.py` des données de la plateforme (D-056), en lecture seule, lancé par l'utilisateur dans le dev container de l'application de référence `~/monitoring-dashboard` ; sans argument, il met à jour jusqu'à maintenant les stations de `stations.txt` (D-096) ; mode d'emploi `extraction/README.md`.
- `extraction/` : pompage `pomper.py` des données de la plateforme (D-056), en lecture seule, lancé chaque nuit par le Planificateur de tâches de Windows, ou à la main (par l'utilisateur ou Claude), par `pomper.sh` sous WSL, sans dépendance à `~/monitoring-dashboard` : identifiants dans `.env`, lectures de l'appli recopiées en SQL (D-146) ; sans argument, il met à jour jusqu'à maintenant les stations de `stations.txt` (D-096) ; mode d'emploi `extraction/README.md`.
### Code, données, configuration
@@ -130,8 +129,9 @@ python3 -m venv .venv && .venv/bin/pip install plotly matplotlib # recréer .
- WEISSHORN et NORDEND contiennent des identifiants (`SIM_CCID`, `ip`, `ip_*`) : ne pas les recopier.
- Les données des events restent, codées, dans `events/`.
- `.claude/` : `rules/analyses.md` ; `agents/` : `diagnostic`, ceux de `/detector-learner` (`detectors-critic`, `detectors-upgrader`, `detectors-control`), `analyste`, `tool-builder` et `event-builder` (hors de la séance depuis D-112), `revue` (`/review-event`), `documentaliste` (`/labels-learner`, D-099), `etiqueteur` (étiquettes automatiques, D-106), `releveur` et `ameliorateur` (D-060, D-071) ; `skills/` : `support`, `presentation` (D-114), `detector-learner` (D-116), `events-learner`, `analyser-lot`, `lire-les-donnees`, `read-event`, `new-event`, `review-event`, `labels-learner` (D-099), `review-labels` (D-103), `review-auto-labels` (D-128), `cross-review-labels` (D-130), `labels-map` (D-104), `anonymize-event` (D-049, D-050), `nouvelle-analyse`, `nouveau-domaine` ; `settings.json` (lecture de `.env` interdite).
- `db/database.db` : copie de la base SQLite de l'appli (appareils, noms des sites clients, alarmes, utilisateurs), hors de git (D-146).
- `.devcontainer/` : environnement de dev en conteneur (D-038), réseau de l'hôte pour joindre la caméra. `out/` : pages et JSON générés.
- Tout est versionné (D-014), sauf `out/`, les figures et sorties de `labeling/auto/etiqueteur/`, `data/`, `.venv/`, `__pycache__/`, `graphify-out/` et `.env`.
- Tout est versionné (D-014), sauf `out/`, les figures et sorties de `labeling/auto/etiqueteur/`, `data/`, `db/`, `.venv/`, `__pycache__/`, `graphify-out/` et `.env`.
## Règles de travail
+1 -1
View File
@@ -9,7 +9,7 @@ Data garde la station et la plage (UTC, Au exclue) dans l'adresse : `#/data?stat
## Lancer
En une commande, depuis la racine : `./run_server.sh` (construit le front, puis lance le serveur). Ou à la main :
En une commande : la tâche VS Code `run app` (`.vscode/tasks.json` : construit le front, puis lance le serveur). Ou à la main :
Une fois, et après chaque changement de la page : construire le front (Node 22).
+1 -1
View File
@@ -3,7 +3,7 @@ une date de fin (exclue, comme --au ; vides : toute la période), et le bouton
sélection et l'ouvre. Le formulaire est en haut de chaque page Status, et seul dans out/data-loader.html. Son serveur local
(http://127.0.0.1:8766, lancé en tâche de fond) sert out/ et data/ comme celui de common.page, plus /analyse : status.py lancé
à chaque fois, donc toujours à jour de son code, puis renvoi vers sa page.
Usage : python3 detectors-view/status.py, ou detectors-view/status.sh (ouvre le formulaire seul)
Usage : python3 detectors-view/status.py (ouvre le formulaire seul)
"""
import html
import http.server
-12
View File
@@ -1,12 +0,0 @@
#!/usr/bin/env bash
# La page des détecteurs sur chaque station de data/, ouverte dans le navigateur (run.md) ; --au exclu.
# Les arguments passent à chaque commande : ./detectors-view/run-detectors.sh --sans-ouvrir écrit les pages dans out/.
cd "$(dirname "$0")/.."
python3 detectors-view/detecteurs.py data/NIEDERHORN --du 2026-09-25 --au 2026-10-08 "$@"
python3 detectors-view/detecteurs.py data/LENZSPITZE --du 2026-10-26 --au 2026-10-28 "$@" # nuit du cas support
python3 detectors-view/detecteurs.py data/CLARIDEN "$@"
python3 detectors-view/detecteurs.py data/FLORIDA "$@"
python3 detectors-view/detecteurs.py data/NADELHORN "$@"
python3 detectors-view/detecteurs.py data/JUNGFRAU --du 2026-10-11 --au 2026-10-25 "$@"
python3 detectors-view/detecteurs.py data/NORDEND --du 2026-10-11 --au 2026-10-25 "$@" # 4 mois en tout : page trop lourde
python3 detectors-view/detecteurs.py data/WILDSTRUBEL --du 2026-09-25 --au 2026-10-10 "$@"
+1 -1
View File
@@ -13,7 +13,7 @@ selon les cibles tracées, sans toucher aux cibles. En bas, le bouton
marge avant et après, bord rouge pendant, Focused ou Global image, ⤓ GIF) ; la page est servie par http://127.0.0.1. Tout
en haut, le data loader (data-loader/chargeur.py) : une autre station, d'autres dates, et « Analyse » refait la page.
Usage : python3 detectors-view/status.py [<dossier de station> [--du AAAA-MM-JJ] [--au AAAA-MM-JJ]]
(sans dossier : le data loader seul, comme detectors-view/status.sh ; --au exclu ; sans dates, toute la période du
(sans dossier : le data loader seul, comme la tâche VS Code « status » ; --au exclu ; sans dates, toute la période du
dossier ; page : out/status_<STATION>_<du>_<au>.html, ouverte)
"""
import argparse
-4
View File
@@ -1,4 +0,0 @@
#!/usr/bin/env bash
# La page Status par son data loader : station, dates, « Analyse » (data-loader/chargeur.py).
cd "$(dirname "$0")/.."
python3 detectors-view/status.py "$@"
+8
View File
@@ -1334,3 +1334,11 @@ Règles du journal :
- **Pourquoi** : rester aligné sur l'infrastructure de l'entreprise (Gitea et LibreDesk), ne dépendre ni du poste ni d'un service maison ; ce sont de vrais mails de clients : aucun envoi automatique (spec de Maxime et Claude, `Support-AI/docs/spec.md`, 2026-11-09).
- **Options écartées** : l'assistant IA de LibreDesk (il répond lui-même au client par mail et ne lit pas les notes privées, vérifié dans le code de LibreDesk v2.9) ; un bouton qui reprend la proposition dans la réponse (« Générer une réponse » et un outil à nous : il faut un service web toujours allumé, trop de complexité pour l'instant ; `Support-AI/docs/pistes.md`) ; le brouillon de réponse (rangé par utilisateur, invisible des humains) ; déployer la web app `app/`.
- **Conséquence** : vérifié de bout en bout le 2026-11-09 sur le mail de test de Maxime (note posée par « Agent IA », puis simulation par Gitea Actions). Le runner n'a pas les données des stations : les notes disent qu'elles manquent, à régler avant un diagnostic utile. Les copies de `API/` vieillissent comme celles de D-133 ; les vérifications de LibreDesk et Gitea sont dans `Support-AI/docs/verifications.md`.
## D-146 — 2026-11-12 — Le pompage automatique sous WSL, sans l'appli monitoring-dashboard
- **Statut** : adoptée, vérifiée le 2026-11-12. Complète D-056 et D-096.
- **Décision** : `extraction/pomper.sh` lance `pomper.py` sous WSL, chaque nuit par le Planificateur de tâches de Windows (`wsl.exe`), ou à la main, par l'utilisateur ou par Claude (accord de l'utilisateur, en lecture seule ; Claude ne lit jamais le `.env`). Aucune dépendance à `~/monitoring-dashboard` : les identifiants (PostgreSQL, S3) sont dans le `.env` de Support-Agent ; les lectures de l'appli (`System.get_metrics`, `build_advanced_frame` avec `get_datapoints` et les états agrégés, `get_cam_scalar_aggregate`, `get_measurement_payload`) sont recopiées en SQL dans `pomper.py` (commit 3dce73d de la branche `explo`) ; 4 paquets (`sqlalchemy`, `psycopg2-binary`, `pandas`, `boto3`) dans un environnement `uv` jetable, Python 3.12 ; puis `lenzspitze_absolu.py` ; sortie dans `out/pompage.log`, un seul pompage à la fois (`flock`). Le rattrapage sans `--du` compte aussi comme trou un jour de déplacements sans aucun fichier de métriques (échec des métriques seules : NADELHORN, du 06 au 09.11). La base SQLite de l'appli est copiée dans `db/database.db`, hors de git ; le pompage ne s'en sert pas.
- **Pourquoi** : l'utilisateur ne veut plus dépendre du projet de l'appli (2026-11-12). Le container n'apportait que les paquets, le code `app/`, le `.env` et le réseau ; WSL atteint la base et le S3. Le Planificateur Windows démarre WSL au besoin, ce que ne fait pas un timer systemd ou un cron de WSL ; un lancement manqué est rattrapé au suivant.
- **Options écartées** : importer `app/` depuis `~/monitoring-dashboard` (la dépendance que l'utilisateur refuse) ; copier ses modules entiers (4 500 lignes, dont `DatabaseEngine` et son DDL) ; un timer systemd ou un cron dans WSL (WSL éteint, rien ne part) ; ajouter les paquets à `.venv` (il reste aux graphiques).
- **Conséquence** : vérifié contre les fichiers de l'ancien code, pompés le matin même : NORDEND (bruts, 2 jours, images), SUSTENHORN (agrégés), NADELHORN (fusionnés) identiques à l'octet, sauf l'heure des lignes agrégées fusionnées, écrite avec `.000000` (mêmes valeurs). Si l'appli change ses lectures, `pomper.py` ne suit pas : comparer à nouveau. La copie de la SQLite vieillit : la recopier au besoin.
+26 -10
View File
@@ -1,4 +1,4 @@
# extraction/ : pomper les données de la plateforme (lecture seule, essayé le 2026-10-26)
# extraction/ : pomper les données de la plateforme (lecture seule, essayé le 2026-10-26 ; sous WSL depuis D-146)
`pomper.py` récupère, pour chaque station (numéro de série du système) et chaque jour UTC demandé, dans le format que lit déjà Support-Agent :
- les **métriques système** (énergie, disque, 4G, températures et toutes les autres de la station), moyennes horaires, un CSV par métrique et par jour dans `metrics/` : ce que lisent `src/<domaine>/` et les maquettes ;
@@ -6,25 +6,41 @@
- les **mouvements de la caméra** (`pan`, `tilt`, `scale`, `rotation`, `sigma0`), en médiane et bornes (`median_`, `min_`, `max_`) par minute, donc une ligne par mesure de la caméra (toutes les 15 min à NORDEND), seulement aux instants où la caméra a été recalée, un CSV par jour dans `camera/` : ce que trace le visualiseur de la plateforme, absent des exports reçus ; lus par les outils de lecture `ensemble.py` et `inventaire.py` (D-073) ;
- les **images** IRON (`--images`, une par heure par défaut, `--every 10` ou `--every 0` pour plus) dans `images/`, et différentielles (`--diff`) dans `images_diff/`.
**Stations suivies** : `stations.txt`, un numéro de série par ligne. Lancé sans station ni dates, le script les met toutes à jour, jusqu'à maintenant : chaque station repart de son dernier jour de déplacements pompé, qui est repompé (pompé en cours de journée, il était incomplet) ; une station sans dossier dans `data/` reçoit les 30 derniers jours (D-096). Avant, les jours sans fichier de déplacements entre le premier et le dernier pompé (plages pompées à part, jour en échec) sont pompés, sans toucher aux autres (D-125).
**Stations suivies** : `stations.txt`, un numéro de série par ligne. Lancé sans station ni dates, le script les met toutes à jour, jusqu'à maintenant : chaque station repart de son dernier jour de déplacements pompé, qui est repompé (pompé en cours de journée, il était incomplet) ; une station sans dossier dans `data/` reçoit les 30 derniers jours (D-096). Avant, les jours sans fichier de déplacements entre le premier et le dernier pompé (plages pompées à part, jour en échec), ou sans aucun fichier de métriques (métriques seules en échec), sont pompés, sans toucher aux autres (D-125, D-146).
Reprise : avec `--du`, un fichier déjà dans `data/<SERIE>/` n'est pas redemandé ; relancer sur une plage plus large ne lit que les jours et les images qui manquent. Le jour en cours est pompé tel qu'il est, ses métriques jusqu'à la dernière heure terminée ; le lancement suivant sans `--du` le remplace.
## Lancer (l'utilisateur, dans le dev container de l'appli)
## Lancer (sous WSL, sans l'appli, D-146)
Le container monte tout `~` sur `/workspaces` (`.devcontainer/docker-compose.yml` de l'appli) : le script et `data/` de Support-Agent y sont visibles, rien à copier.
`pomper.sh` lit les identifiants dans le `.env` de Support-Agent (base PostgreSQL et S3, sans les afficher ; jamais versionné, interdit en lecture à Claude), installe les 4 paquets nécessaires (`sqlalchemy`, `psycopg2-binary`, `pandas`, `boto3`) dans un environnement `uv` jetable (Python 3.12, téléchargé au premier lancement), lance `pomper.py`, puis `lenzspitze_absolu.py`. Sa sortie s'ajoute à `out/pompage.log` ; un second lancement pendant un pompage s'arrête aussitôt. Plus de `chown` : les fichiers sont à l'utilisateur.
1. VS Code sur `~/monitoring-dashboard`, « Reopen in Container », puis un terminal : il s'ouvre à la racine de l'appli, `/workspaces/monitoring-dashboard`.
2. **Mettre à jour les stations suivies** : `(set -a && . ./.env && set +a && python3 /workspaces/Support-Agent/extraction/pomper.py --images); chown -R 1000:1000 /workspaces/Support-Agent/data`. Le script dit, pour chaque station, la plage qu'il pompe. Les points suivants servent à une plage choisie (historique, jour en échec).
3. **Un essai d'abord** (1 station, 2 jours), écrit directement dans `~/Support-Agent/data/<SERIE>/` (défaut de `--out`) ; le container tourne en root, `chown` rend les fichiers à l'utilisateur de WSL :
`(set -a && . ./.env && set +a && python3 /workspaces/Support-Agent/extraction/pomper.py --du 2026-07-29 --au 2026-07-31 --images --diff <SERIE>); chown -R 1000:1000 /workspaces/Support-Agent/data/<SERIE>`. Noter le temps par jour.
4. Puis la plage voulue, avec 3 jours de plus avant (l'historique du journal), par exemple les 3 semaines avant le 26/10 : `--du 2026-10-02 --au 2026-10-26` (`--au` exclu). Plusieurs stations : `<SERIE1> <SERIE2>`. Aide : `python3 /workspaces/Support-Agent/extraction/pomper.py -h`.
Plus de dépendance à `~/monitoring-dashboard` : les lectures de l'appli sont recopiées dans `pomper.py`, en SQL (sa docstring dit lesquelles, et de quel commit). Vérifié le 2026-11-12 contre les fichiers pompés le matin même par l'ancien code : NORDEND (déplacements bruts, 2 jours, images comprises), SUSTENHORN (agrégés), NADELHORN (bruts et agrégés fusionnés), mêmes fichiers à l'octet, sauf l'heure des lignes agrégées de NADELHORN, écrite `00:00:00.000000+00:00` au lieu de `00:00:00+00:00` (mêmes valeurs ; `fromisoformat` lit les deux). Si l'appli change ses lectures, le script ne suit pas : comparer à nouveau.
1. **Un essai** (1 station, 2 jours, dans un dossier jetable) ; noter le temps par jour :
`extraction/pomper.sh --du 2026-11-09 --au 2026-11-11 --images --out /tmp/essai-pompage NORDEND` (6 s le 2026-11-12, base et S3 joints depuis WSL).
2. **Mettre à jour les stations suivies** : `extraction/pomper.sh` (sans argument : `--images --delai 300`). Le script dit, pour chaque station, la plage qu'il pompe.
3. **Une plage choisie** (historique, jour en échec), avec 3 jours de plus avant (l'historique du journal) : `extraction/pomper.sh --du 2026-10-02 --au 2026-10-26 --images <SERIE>` (`--au` exclu ; plusieurs stations : `<SERIE1> <SERIE2>`). Aide : `extraction/pomper.sh -h`.
**Chaque nuit, automatiquement** : une tâche du Planificateur de tâches de Windows, à créer une fois dans PowerShell (pas en administrateur). Elle démarre WSL au besoin et, PC éteint ou en veille à l'heure dite, part dès qu'il se rallume ; un jour manqué est rattrapé au lancement suivant.
```powershell
$a = New-ScheduledTaskAction -Execute "wsl.exe" -Argument "-d Ubuntu -e bash -lc /home/maxime/Support-Agent/extraction/pomper.sh"
$t = New-ScheduledTaskTrigger -Daily -At 04:00
$s = New-ScheduledTaskSettingsSet -StartWhenAvailable -ExecutionTimeLimit (New-TimeSpan -Hours 6)
Register-ScheduledTask -TaskName "AIMsight pompage" -Action $a -Trigger $t -Settings $s
```
Essayer la tâche tout de suite : `Start-ScheduledTask "AIMsight pompage"`, puis lire `out/pompage.log`. La retirer : `Unregister-ScheduledTask "AIMsight pompage"`.
Le dev container de l'appli ne sert plus.
Lecture seule : moteur dédié, `default_transaction_read_only`, délai de 60 s par requête, une requête par jour ; hors des heures chargées (base partagée avec la production).
## Avec Claude
Claude ne se connecte pas à la base (règle de l'appli) : il lit `data/<SERIE>/`, donne la commande des jours manquants, puis vérifie ce qui arrive (comparaison à un export reçu, `detectors/categories.py`, les scripts des domaines).
Claude peut lancer `pomper.sh` lui-même (accord de l'utilisateur, 2026-11-12, D-146) : lecture seule, petites plages ; une longue plage ou un historique, hors des heures chargées. Il ne lit jamais le `.env`. Puis il vérifie ce qui arrive (comparaison à un export reçu, `detectors/categories.py`, les scripts des domaines).
**La base de l'appli** (SQLite : appareils et leur nom chez le client, sorties, alarmes, utilisateurs) : une copie dans `db/database.db`, hors de git, du 2026-11-12 ; le pompage ne s'en sert pas. Elle servira au nom du site client → numéro de série et aux déplacements en mm ; ne lire que les tables utiles (pas `User`).
## À savoir
+218 -84
View File
@@ -1,16 +1,17 @@
"""Pompe les métriques système, les déplacements (export « advanced ») et les images de stations de la plateforme
AIMsight, dans le format que Support-Agent lit déjà. LECTURE SEULE. Essayé le 2026-10-26 (NORDEND, 2 jours).
AIMsight, dans le format que Support-Agent lit déjà. LECTURE SEULE. Essayé le 2026-10-26 (NORDEND, 2 jours) ;
autonome depuis le 2026-11-12 (D-146).
À lancer dans le dev container, depuis la racine de monitoring-dashboard (voir README.md) :
À lancer par extraction/pomper.sh, sous WSL, depuis n'importe où (voir README.md) :
(set -a && . ./.env && set +a && python3 /workspaces/Support-Agent/extraction/pomper.py --images)
(set -a && . ./.env && set +a && python3 /workspaces/Support-Agent/extraction/pomper.py --du 2026-08-01 --au 2026-08-08 --images WEISSHORN)
extraction/pomper.sh
extraction/pomper.sh --du 2026-08-01 --au 2026-08-08 --images WEISSHORN
Sans station : celles de `stations.txt`. Sans `--du` : chaque station comble ses jours de déplacements manquants avant
le dernier pompé, puis repart de ce dernier jour, repompé (il était peut-être incomplet), ou des 30 derniers jours si
elle n'en a pas ; sans `--au` : jusqu'à maintenant.
Sans station : celles de `stations.txt`. Sans `--du` : chaque station comble ses jours manquants (déplacements ou
métriques) avant le dernier pompé, puis repart de ce dernier jour, repompé (il était peut-être incomplet), ou des 30
derniers jours si elle n'en a pas ; sans `--au` : jusqu'à maintenant.
Sortie (défaut : le `data/` de Support-Agent, à côté de ce dossier ; le container monte `~` sur `/workspaces`) :
Sortie (défaut : le `data/` de Support-Agent, à côté de ce dossier) :
<STATION>/metrics/<STATION>_<métrique>_<AAAA_MM_JJ>_00_00 to <AAAA_MM_JJ>_23_00.csv métriques système, par jour
<STATION>/displacement/<STATION>_advanced_<AAAAMMJJ>.csv déplacements, un fichier par jour
<STATION>/camera/<STATION>_camera_<AAAAMMJJ>.csv mouvements de la caméra, par jour
@@ -18,14 +19,16 @@ Sortie (défaut : le `data/` de Support-Agent, à côté de ce dossier ; le cont
<STATION>/images_diff/… images différentielles (--diff)
Reprenable : avec `--du`, un fichier déjà écrit n'est pas relu, quelles que soient les dates demandées ; sans `--du`,
les jours de la plage sont remplacés (images exceptées). Jours en UTC, `--au` exclu ; le jour en cours est pompé tel
qu'il est, ses métriques jusqu'à la dernière heure terminée. Pour reprendre un jour, supprimer son fichier.
qu'il est, ses métriques jusqu'à la dernière heure terminée. Pour reprendre un jour, supprimer ses fichiers.
Réutilise le code de l'appli : la requête de System.get_metrics (le téléchargement de la page System),
build_advanced_frame (ce que tracent l'onglet Advanced et l'export parquet), les mouvements de la caméra de
fetch_cam_movements_frame (ce que trace le visualiseur), AcquisitionUnit.measurements et
get_measurement_payload (S3). Connexion : même schéma que scripts/domain_diagnostics.py, un moteur dédié en lecture
seule, délai de 60 s (`--delai`). Pas DatabaseEngine : son __init__ lance du DDL et un écouteur NOTIFY. Variables lues (noms
seulement, aucune n'est affichée) : AIMSIGHT_DATABASE_USER / _PSWD / _TURL / _NAME / _PORT, et pour les images
Sans dépendance à l'appli (~/monitoring-dashboard) : ses lectures sont recopiées ici, en SQL, telles quelles (branche
`explo`, commit 3dce73d du 2026-11-12) : la requête de System.get_metrics (le téléchargement de la page System) ;
build_advanced_frame (app/datapoints.py, ce que tracent l'onglet Advanced et l'export parquet), avec
AcquisitionUnit.get_datapoints et AggregateEngine.get_sensor_aggregate / get_common_aggregate ; les mouvements de la
caméra de fetch_cam_movements_frame (AggregateEngine.get_cam_scalar_aggregate, ce que trace le visualiseur) ;
AcquisitionUnit.measurements et get_measurement_payload (S3). Si l'appli change ses lectures, ce fichier ne suit pas.
Connexion en lecture seule (`default_transaction_read_only`), délai de 60 s par requête (`--delai`). Variables lues
(noms seulement, aucune n'est affichée) : AIMSIGHT_DATABASE_USER / _PSWD / _TURL / _NAME / _PORT, et pour les images
AIMSIGHT_S3_URL / _ACCESS_KEY / _SECRET_KEY / _BUCKET.
"""
import argparse
@@ -35,16 +38,9 @@ import time
from datetime import datetime, timedelta, timezone
from pathlib import Path
sys.path.insert(0, os.getcwd()) # racine de l'appli : le paquet `app`
import pandas as pd
from sqlalchemy import create_engine, func, funcfilter
from sqlalchemy import create_engine, text
from sqlalchemy.engine import URL
from sqlalchemy.orm import Session
from app.aggregates import AggregateEngine
from app.aimsight_database import (DataType, DatabaseEngine, Measurement, MeasurementType, MetricSample, MetricSeries,
S3client, System)
from app.datapoints import AGGREGATE_FALLBACK_RESOLUTION, build_advanced_frame
UTC = timezone.utc
STATIONS = Path(__file__).resolve().parent / "stations.txt" # les stations suivies, une par ligne
@@ -52,17 +48,19 @@ JOURS_NOUVELLE = 30 # sans --du, une station sans déplacements pompés : les 3
DB_NAMES = ["AIMSIGHT_DATABASE_USER", "AIMSIGHT_DATABASE_PSWD", "AIMSIGHT_DATABASE_TURL", "AIMSIGHT_DATABASE_NAME"]
TYPES = {"images": "OPTICAL_SHIFT-IRON", "images_diff": "OPTICAL_SHIFT-DIFF"} # dossier -> type de mesure
class ReadOnlyDB:
"""Le strict nécessaire à build_advanced_frame, à camera et à get_measurement_payload (les fonctions de
DatabaseEngine)."""
get_sensor_state_aggregate = DatabaseEngine.get_sensor_state_aggregate
get_shifts_aggregate = DatabaseEngine.get_shifts_aggregate
get_common_state_aggregate = DatabaseEngine.get_common_state_aggregate
get_measurement_payload = DatabaseEngine.get_measurement_payload
def __init__(self, engine, session, s3):
self._session, self.s3client, self.aggregates = session, s3, AggregateEngine(engine)
# --- constantes de l'appli (app/datapoints.py, app/aggregates.py) ---
QUALITY = ["peak", "flux", "sharpness", "fwhm", "dominance", "snr"]
CAM_SIGNALS = ["pan", "tilt", "scale", "rotation", "sigma0"]
DEFAULT_ERROR_THRESHOLD = 0.7
DATATYPES = ["x", "y", "error", "corr_x", "corr_y", "reproj_err", "inlier", "sigma0"]
PROPERTIES = ["x", "y", "pattern_type", "sensor_name", "error_threshold"]
COLUMNS = ["time_utc", "sensor_name", "x", "y", "error_value", "error_threshold", "relative_x", "relative_y", "corr_x",
"corr_y", "reproj_err", "inlier", "sigma0", "pattern_type"] + QUALITY
NUMERIC = ["x", "y", "error_value", "error_threshold", "relative_x", "relative_y", "corr_x", "corr_y", "reproj_err",
"inlier", "sigma0"] + QUALITY
# bandes d'inlier de shift_sensor_1min -> code ; les deux derniers NOMS sont faux (-1 rejeté, -2 interpolé), les codes
# sont justes ; ordre du meilleur au pire
INLIER_BANDS = {"inlier_in_fit": 1.0, "inlier_out_fit": 0.0, "inlier_no_redundancy": -1.0, "inlier_rejected": -2.0}
def raison(e):
@@ -72,11 +70,16 @@ def raison(e):
return f"{type(e).__name__}: {(str(e).splitlines() or [''])[0][:300]}"
def acquisition_unit(system):
def lire(conn, sql, **params):
return pd.read_sql(text(sql), conn, params=params)
def acquisition_unit(conn, system_id):
"""Même choix que Device.get_acquisition_unit (app/base/models.py:268) : l'unique unité, sinon MER* / ME2S*."""
units = list(system.acquisition_units.values())
units = conn.execute(text("SELECT id, product_number FROM acquisition_unit WHERE system_id = :s"),
{"s": system_id}).all()
pick = units if len(units) == 1 else [u for u in units if u.product_number.startswith(("MER", "ME2S"))]
return pick[0] if pick else None
return pick[0].id if pick else None
def plages_suivi(dossier, fin, demain):
@@ -88,21 +91,24 @@ def plages_suivi(dossier, fin, demain):
for p in (dossier / "displacement").glob(f"{dossier.name}_advanced_*.csv")}
if not jours:
return [(demain - timedelta(days=JOURS_NOUVELLE + 1), fin, True)]
# un jour de métriques en échec n'a aucun fichier (une requête pour toutes) : c'est aussi un trou ; une station
# sans aucune métrique n'en a jamais, ses jours n'en sont pas
metriques = {datetime.strptime(p.name.split(" to ")[0][-16:-6], "%Y_%m_%d").date()
for p in (dossier / "metrics").glob(f"{dossier.name}_*_00_00 to *.csv")}
premier, dernier = min(jours), max(jours)
trous = [premier + timedelta(days=k) for k in range((dernier - premier).days)
if premier + timedelta(days=k) not in jours]
if premier + timedelta(days=k) not in jours or (metriques and premier + timedelta(days=k) not in metriques)]
return ([(trous[0], dernier, False)] if trous else []) + [(dernier, fin, True)]
def pomper_metriques(session, system, station, debut, fin, out, remplacer):
def pomper_metriques(conn, system_id, station, debut, fin, out, remplacer):
"""Comme le téléchargement de la page System (Dashboard/System.py, get_metrics(..., bucketing="1 hour")) : par
heure, moyenne * transform_factor + transform_offset, ou la liste des valeurs d'une métrique texte ; les séries à
labels d'une même métrique confondues ; une ligne vide pour une heure sans mesure. get_metrics compte en heures
avant maintenant : sa requête est refaite ici sur un jour fixe, une requête par jour pour toutes les métriques."""
noms = sorted({n for (n,) in session.query(DataType.name).join(MetricSeries, MetricSeries.datatype_id == DataType.id)
.filter(MetricSeries.system_id == system.id).distinct()})
session.rollback()
heure = func.date_trunc("hour", MetricSample.time_utc).label("heure") # même découpage que time_bucket('1 hour')
noms = sorted(conn.execute(text("SELECT DISTINCT dt.name FROM datatype dt JOIN metric_series se "
"ON se.datatype_id = dt.id WHERE se.system_id = :s"), {"s": system_id}).scalars())
conn.rollback()
for k in range((fin - debut).days):
a = datetime.combine(debut + timedelta(days=k), datetime.min.time(), UTC)
paths = {n: out / station / "metrics"
@@ -110,22 +116,22 @@ def pomper_metriques(session, system, station, debut, fin, out, remplacer):
if not remplacer and all(p.exists() for p in paths.values()):
continue
t0 = time.time()
q = (session.query(heure, DataType.name.label("nom"),
(func.avg(MetricSample.value_num) * func.any_value(DataType.transform_factor)
+ func.any_value(DataType.transform_offset)).label("num"),
funcfilter(func.jsonb_agg(MetricSample.value_text), MetricSample.value_text.isnot(None))
.label("txt"))
.select_from(MetricSample)
.join(MetricSeries, MetricSample.series_id == MetricSeries.id)
.join(DataType, MetricSeries.datatype_id == DataType.id)
.filter(MetricSeries.system_id == system.id, MetricSample.time_utc >= a,
MetricSample.time_utc < a + timedelta(days=1))
.group_by(heure, DataType.name))
try:
df = pd.read_sql(q.statement, session.bind)
# date_trunc('hour') : même découpage que time_bucket('1 hour')
df = lire(conn, """
SELECT date_trunc('hour', ms.time_utc) AS heure, dt.name AS nom,
avg(ms.value_num) * any_value(dt.transform_factor) + any_value(dt.transform_offset) AS num,
jsonb_agg(ms.value_text) FILTER (WHERE ms.value_text IS NOT NULL) AS txt
FROM metric_sample ms
JOIN metric_series se ON ms.series_id = se.id
JOIN datatype dt ON se.datatype_id = dt.id
WHERE se.system_id = :s AND ms.time_utc >= :a AND ms.time_utc < :b
GROUP BY 1, dt.name""", s=system_id, a=a, b=a + timedelta(days=1))
except Exception as e: # ponytail : comme les déplacements, un jour en échec est sauté, relancer le reprend
print(f"{station} {a:%Y-%m-%d} métriques : échec ({raison(e)}), à relancer")
continue
finally:
conn.rollback()
df["heure"] = pd.to_datetime(df["heure"], utc=True)
heures = pd.to_datetime(pd.date_range(a, periods=24, freq="h"), utc=True) # même fuseau que df, pour reindex
# jour en cours : les heures terminées seulement, sinon les heures à venir seraient lues comme un trou
@@ -140,34 +146,152 @@ def pomper_metriques(session, system, station, debut, fin, out, remplacer):
f"{time.time() - t0:.0f} s")
def camera(unit, db, a, b):
# --- l'export « advanced » : build_advanced_frame (app/datapoints.py) ---
def datapoints_bruts(conn, unit, a, b):
"""AcquisitionUnit.get_datapoints : les datapoints de l'unité, un type par colonne, les propriétés des capteurs
à côté (prop_x / prop_y : la position de référence, homonyme d'un type)."""
types = ",\n".join(f"max(d.value) FILTER (WHERE dt.name = '{t}') AS {t}" for t in DATATYPES)
noms = {p: f"prop_{p}" if p in DATATYPES else p for p in PROPERTIES}
props = ",\n".join(f"any_value(p_{p}.value) AS {noms[p]}" for p in PROPERTIES)
joints = "\n".join(f"LEFT JOIN (SELECT p.sensor_id, p.value FROM property p JOIN datatype pdt "
f"ON p.datatype_id = pdt.id WHERE pdt.name = '{p}') p_{p} ON d.sensor_id = p_{p}.sensor_id"
for p in PROPERTIES)
return lire(conn, f"""
SELECT d.time_utc, d.sensor_id, any_value(d.measurement_id) AS measurement_id,
{types},
{props}
FROM datapoint d
JOIN sensor s ON d.sensor_id = s.id
JOIN datatype dt ON d.datatype_id = dt.id
{joints}
WHERE s.acquisition_unit_id = :au AND d.time_utc >= :a AND d.time_utc <= :b
GROUP BY d.time_utc, d.sensor_id
ORDER BY d.sensor_id, d.time_utc""", au=unit, a=a, b=b)
def preparer_bruts(shifts):
"""prepare_datapoints_frame : sigma0 (lignes de la caméra, sans sensor_name) recopié sur chaque capteur à son
instant ; relative = x - prop_x ; error -> error_value ; le schéma complet."""
if shifts.empty:
return pd.DataFrame(columns=COLUMNS)
sig = shifts.loc[shifts["sigma0"].notna(), ["time_utc", "sigma0"]]
sigma0 = sig.groupby("time_utc")["sigma0"].median() if not sig.empty else None
shifts = shifts.dropna(subset=["sensor_name"]).reset_index(drop=True)
shifts["sigma0"] = shifts["time_utc"].map(sigma0) if sigma0 is not None else pd.NA
shifts["relative_x"] = shifts["x"] - pd.to_numeric(shifts["prop_x"], errors="coerce")
shifts["relative_y"] = shifts["y"] - pd.to_numeric(shifts["prop_y"], errors="coerce")
shifts = shifts.drop(columns=["prop_x", "prop_y"]).rename(columns={"error": "error_value"})
shifts["time_utc"] = pd.to_datetime(shifts["time_utc"])
shifts["sensor_name"] = shifts["sensor_name"].astype(str)
for c in NUMERIC:
if c in shifts:
shifts[c] = pd.to_numeric(shifts[c], errors="coerce")
return shifts.reindex(columns=COLUMNS)
def etats_agreges(conn, unit, a, b):
"""fetch_aggregate_datapoints_frame : les médianes par minute des tables d'états (shift_sensor_1min,
shift_common_1min), seule source des appareils « burst », au schéma de l'export (prepare_aggregate_datapoints_frame).
Dans les états, x_pct porte le x CORRIGÉ et rx_pct le x brut."""
thr = "COALESCE((th.value #>> '{}')::double precision, CAST(:thr AS double precision))"
sensor = lire(conn, f"""
SELECT ss.time_utc, COALESCE(sn.value #>> '{{}}', s.name) AS name,
approx_percentile(0.5, ss.x_pct) AS corr_x, approx_percentile(0.5, ss.y_pct) AS corr_y,
approx_percentile(0.5, ss.rx_pct) AS x, approx_percentile(0.5, ss.ry_pct) AS y,
approx_percentile(0.5, ss.error_pct) AS error, {thr} AS error_threshold,
approx_percentile(0.5, ss.reproj_err_pct) AS reproj_err,
{", ".join(f"ss.{n}" for n in INLIER_BANDS)},
{", ".join(f"approx_percentile(0.5, ss.{m}_pct) AS {m}" for m in QUALITY)}
FROM shift_sensor_1min ss
JOIN sensor s ON s.id = ss.sensor_id
LEFT JOIN (SELECT p.sensor_id, any_value(p.value) AS value FROM property p JOIN datatype dt
ON dt.id = p.datatype_id WHERE dt.name = 'sensor_name' GROUP BY p.sensor_id) sn
ON sn.sensor_id = ss.sensor_id
LEFT JOIN (SELECT p.sensor_id, any_value(p.value) AS value FROM property p JOIN datatype dt
ON dt.id = p.datatype_id WHERE dt.name = 'error_threshold' GROUP BY p.sensor_id) th
ON th.sensor_id = ss.sensor_id
WHERE s.acquisition_unit_id = :au AND ss.time_utc >= :a AND ss.time_utc <= :b
ORDER BY ss.time_utc""", au=unit, a=a, b=b, thr=DEFAULT_ERROR_THRESHOLD)
if sensor.empty:
return pd.DataFrame(columns=COLUMNS)
common = lire(conn, """
SELECT sc.time_utc, approx_percentile(0.5, sc.sigma0_pct) AS sigma0 FROM shift_common_1min sc
WHERE sc.acquisition_unit_id = :au AND sc.time_utc >= :a AND sc.time_utc <= :b""", au=unit, a=a, b=b)
out = pd.DataFrame({"time_utc": pd.to_datetime(sensor["time_utc"]), "sensor_name": sensor["name"].astype(str)})
for col, src in [("error_value", "error"), ("error_threshold", "error_threshold"), ("corr_x", "corr_x"),
("corr_y", "corr_y"), ("relative_x", "corr_x"), ("relative_y", "corr_y"), ("x", "x"), ("y", "y"),
("reproj_err", "reproj_err")] + [(m, m) for m in QUALITY]:
out[col] = pd.to_numeric(sensor[src], errors="coerce")
# inlier_code_from_bands : la bande majoritaire, l'égalité à la pire ; toutes à 0 -> NaN (pas de redondance)
counts = sensor[list(INLIER_BANDS)].apply(pd.to_numeric, errors="coerce").fillna(0)
code = counts[list(INLIER_BANDS)[::-1]].idxmax(axis=1).map(INLIER_BANDS)
out["inlier"] = code.where(counts.sum(axis=1) > 0).to_numpy()
out["pattern_type"] = None
sig = common.loc[common["sigma0"].notna()]
out["sigma0"] = (out["time_utc"].map(sig.assign(time_utc=pd.to_datetime(sig["time_utc"]))
.groupby("time_utc")["sigma0"].median()) if not sig.empty else float("nan"))
return out.reindex(columns=COLUMNS)
def fusionner(raw, agg):
"""merge_raw_and_aggregate_frames : le brut gagne ; un état n'est gardé que là où son capteur n'a pas de ligne
brute dans la même minute."""
if agg.empty:
return raw
if raw.empty:
return agg
def utc(t):
t = pd.to_datetime(t)
return t.dt.tz_localize("UTC") if t.dt.tz is None else t.dt.tz_convert("UTC")
cles = pd.MultiIndex.from_arrays([raw["sensor_name"], utc(raw["time_utc"]).dt.floor("1min")])
agg = agg.loc[~pd.MultiIndex.from_arrays([agg["sensor_name"], utc(agg["time_utc"]).dt.floor("1min")]).isin(cles)]
if agg.empty:
return raw
agg = agg.copy()
tz = pd.to_datetime(raw["time_utc"]).dt.tz
t = utc(agg["time_utc"])
agg["time_utc"] = t.dt.tz_convert(tz) if tz is not None else t.dt.tz_localize(None)
return (pd.concat([raw, agg], ignore_index=True).sort_values(["sensor_name", "time_utc"], kind="stable")
.reset_index(drop=True).reindex(columns=COLUMNS))
def advanced(conn, unit, a, b):
return fusionner(preparer_bruts(datapoints_bruts(conn, unit, a, b)), etats_agreges(conn, unit, a, b))
def camera(conn, unit, a, b):
"""Pan, tilt, scale, rotation et sigma0 de la caméra, en médiane et bornes (median_ / min_ / max_) par minute, donc
une ligne par mesure de la caméra (toutes les 15 min à NORDEND, min = max) :
ce que trace le visualiseur (fetch_cam_movements_frame, app/datapoints.py), sans son except, qui rendrait vide un
jour en échec au lieu de le laisser à relancer."""
df = db.get_shifts_aggregate(unit, f"cam_movements_{AGGREGATE_FALLBACK_RESOLUTION}", a, b)
return df.reset_index().drop(columns="sensor_id", errors="ignore") # sensor_id : l'id interne de l'unité
une ligne par mesure de la caméra (toutes les 15 min à NORDEND, min = max) : ce que trace le visualiseur
(fetch_cam_movements_frame), sans son except, qui rendrait vide un jour en échec au lieu de le laisser à relancer."""
sigs = ", ".join(f"approx_percentile(0.5, sc.{s}_pct) AS median_{s}, min_val(sc.{s}_pct) AS min_{s}, "
f"max_val(sc.{s}_pct) AS max_{s}" for s in CAM_SIGNALS)
return lire(conn, f"""SELECT sc.time_utc, {sigs} FROM shift_common_1min sc
WHERE sc.acquisition_unit_id = :au AND sc.time_utc >= :a AND sc.time_utc <= :b
ORDER BY sc.time_utc""", au=unit, a=a, b=b)
JOURS = (("displacement", "advanced", build_advanced_frame), ("camera", "camera", camera)) # dossier, fichier, lecture
JOURS = (("displacement", "advanced", advanced), ("camera", "camera", camera)) # dossier, fichier, lecture
def pomper_deplacements(unit, db, station, debut, fin, out, remplacer):
def pomper_deplacements(conn, unit, station, debut, fin, out, remplacer):
"""Déplacements et mouvements de la caméra : un fichier et une requête par jour, bornée, sous le délai (--delai)."""
for k in range((fin - debut).days):
a = datetime.combine(debut + timedelta(days=k), datetime.min.time(), UTC)
for dossier, nom, lire in JOURS:
for dossier, nom, lecture in JOURS:
path = out / station / dossier / f"{station}_{nom}_{a:%Y%m%d}.csv"
if path.exists() and not remplacer:
continue
t0 = time.time()
try:
df = lire(unit, db, a, a + timedelta(days=1) - timedelta(microseconds=1))
df = lecture(conn, unit, a, a + timedelta(days=1) - timedelta(microseconds=1))
except Exception as e: # ponytail : un jour en échec est sauté, relancer le reprend ; pas de nouvel essai
print(f"{station} {a:%Y-%m-%d} {nom} : échec ({raison(e)}), à relancer")
continue
finally:
db._session.rollback() # ferme la transaction de lecture
conn.rollback() # ferme la transaction de lecture
if "sensor_name" in df:
df = df.drop_duplicates(["sensor_name", "time_utc"])
path.parent.mkdir(parents=True, exist_ok=True)
@@ -175,16 +299,19 @@ def pomper_deplacements(unit, db, station, debut, fin, out, remplacer):
print(f"{station} {a:%Y-%m-%d} {nom}: {len(df)} lignes, {time.time() - t0:.0f} s -> {path.name}")
def pomper_images(unit, db, session, station, debut, fin, dossier, every, out):
mt = session.query(MeasurementType).filter_by(name=TYPES[dossier]).one_or_none()
def pomper_images(conn, s3, unit, station, debut, fin, dossier, every, out):
mt = conn.execute(text("SELECT id, extension FROM measurement_type WHERE name = :n"), {"n": TYPES[dossier]}).first()
if mt is None:
print(f"{station} : type {TYPES[dossier]} inconnu")
return
client, bucket_s3 = s3
for k in range((fin - debut).days):
a = datetime.combine(debut + timedelta(days=k), datetime.min.time(), UTC)
q = unit.measurements.filter(Measurement.measurement_type_id == mt.id, Measurement.time_utc >= a,
Measurement.time_utc < a + timedelta(days=1)).order_by(Measurement.time_utc)
mesures = q.all()
mesures = conn.execute(text(
"SELECT id, time_utc, measurement_uuid FROM measurement WHERE acquisition_unit_id = :au "
"AND measurement_type_id = :mt AND time_utc >= :a AND time_utc < :b ORDER BY time_utc"),
{"au": unit, "mt": mt.id, "a": a, "b": a + timedelta(days=1)}).all()
conn.rollback()
seen, n, octets, sans_uuid, absentes = set(), 0, 0, 0, 0
for m in mesures:
# measurement_uuid vide : l'image n'est jamais arrivée sur S3 (envoi en plusieurs parties inachevé) ;
@@ -200,14 +327,16 @@ def pomper_images(unit, db, session, station, debut, fin, dossier, every, out):
seen.add(bucket) # même déjà là : sinon la relance prendrait l'image suivante de la tranche
if path.exists():
continue
data = db.get_measurement_payload(m.measurement_uuid) # None si S3 ne répond pas
try:
data = client.get_object(Bucket=bucket_s3, Key=m.measurement_uuid)["Body"].read()
except Exception: # comme get_measurement_payload : S3 qui ne répond pas, l'image est comptée absente
data = None
if data:
path.parent.mkdir(parents=True, exist_ok=True)
path.write_bytes(data)
n, octets = n + 1, octets + len(data)
else:
absentes += 1
session.rollback()
# le détail dit pourquoi un jour rend 0 : rien en base, jamais arrivées sur S3, ou S3 qui ne les rend pas
print(f"{station} {a:%Y-%m-%d} {dossier}: {n} nouvelles images, {octets / 1e6:.0f} Mo "
f"({len(mesures)} en base, {sans_uuid} jamais arrivées sur S3, {absentes} non rendues par S3)")
@@ -242,30 +371,35 @@ def main():
database=os.environ["AIMSIGHT_DATABASE_NAME"])
engine = create_engine(url, connect_args={
"options": f"-c timezone=utc -c default_transaction_read_only=on -c statement_timeout={a.delai}s"})
s3 = S3client(os.environ.get("AIMSIGHT_S3_URL", "http://s3:3900"), os.environ.get("AIMSIGHT_S3_ACCESS_KEY", ""),
os.environ.get("AIMSIGHT_S3_SECRET_KEY", ""),
os.environ.get("AIMSIGHT_S3_BUCKET", "measurements-assets")) if (a.images or a.diff) else None
s3 = None
if a.images or a.diff:
import boto3 # comme S3client de l'appli (Garage)
s3 = (boto3.client("s3", endpoint_url=os.environ.get("AIMSIGHT_S3_URL", "http://s3:3900"),
aws_access_key_id=os.environ.get("AIMSIGHT_S3_ACCESS_KEY", ""),
aws_secret_access_key=os.environ.get("AIMSIGHT_S3_SECRET_KEY", ""),
region_name="garage", use_ssl=False),
os.environ.get("AIMSIGHT_S3_BUCKET", "measurements-assets"))
try:
with Session(engine) as session:
db = ReadOnlyDB(engine, session, s3)
with engine.connect() as conn:
for station in stations:
system = session.query(System).filter_by(serial_number=station).one_or_none()
if system is None:
system_id = conn.execute(text("SELECT id FROM system WHERE serial_number = :s"), {"s": station}).scalar()
if system_id is None:
print(f"{station} : système inconnu")
continue
plages = [(du, fin, False)] if du else plages_suivi(a.out / station, fin, demain)
unit = acquisition_unit(system)
unit = acquisition_unit(conn, system_id)
conn.rollback()
for debut, fin_plage, remplacer in plages:
print(f"{station} : du {debut} au {fin_plage - timedelta(days=1)} inclus"
+ ("" if remplacer else ", jours manquants seulement"))
pomper_metriques(session, system, station, debut, fin_plage, a.out, remplacer)
pomper_metriques(conn, system_id, station, debut, fin_plage, a.out, remplacer)
if unit is None:
print(f"{station} : pas d'unité d'acquisition reconnue, ni déplacements, ni caméra, ni images")
continue
pomper_deplacements(unit, db, station, debut, fin_plage, a.out, remplacer)
pomper_deplacements(conn, unit, station, debut, fin_plage, a.out, remplacer)
for flag, dossier in ((a.images, "images"), (a.diff, "images_diff")):
if flag:
pomper_images(unit, db, session, station, debut, fin_plage, dossier, a.every, a.out)
pomper_images(conn, s3, unit, station, debut, fin_plage, dossier, a.every, a.out)
finally:
engine.dispose()
+25
View File
@@ -0,0 +1,25 @@
#!/usr/bin/env bash
# Pompage sous WSL, sans l'appli monitoring-dashboard (D-146). Lit les identifiants dans le .env de Support-Agent,
# lance pomper.py dans un environnement uv jetable (4 paquets), puis le post-traitement de LENZSPITZE.
# extraction/pomper.sh mise à jour des stations suivies, images comprises (le planificateur)
# extraction/pomper.sh --du D --au F [SERIE] tout autre appel : les arguments vont tels quels à pomper.py
# Sortie ajoutée à out/pompage.log ; un seul pompage à la fois (verrou out/pompage.lock).
set -u
export PATH="$HOME/.local/bin:$PATH" # uv, absent du PATH quand le Planificateur de tâches lance wsl.exe
ici=$(cd "$(dirname "$0")" && pwd)
racine=$(dirname "$ici")
mkdir -p "$racine/out"
exec 9>"$racine/out/pompage.lock"
flock -n 9 || { echo "Un pompage tourne déjà." >&2; exit 1; }
[ $# -eq 0 ] && set -- --images --delai 300
{
echo "=== $(date -u +%Y-%m-%dT%H:%MZ) pomper.py $*"
(set -a && . "$racine/.env" && set +a &&
uv run --no-project --quiet --python 3.12 \
--with sqlalchemy --with psycopg2-binary --with pandas --with boto3 \
python "$ici/pomper.py" "$@")
[ -f "$racine/data/LENZSPITZE/lentzpitze_patterns.json" ] && python3 "$ici/lenzspitze_absolu.py"
echo "=== $(date -u +%Y-%m-%dT%H:%MZ) fin"
} 2>&1 | tee -a "$racine/out/pompage.log"
-6
View File
@@ -1,6 +0,0 @@
#!/usr/bin/env bash
set -e
git pull --rebase --autostash
git add -A
git commit -m "$1"
git push
+7 -11
View File
@@ -1,17 +1,19 @@
# Pomper les données des stations
Dans le terminal du dev container de l'appli (VS Code sur `~/monitoring-dashboard`, « Reopen in Container »), mettre à jour les stations suivies (`extraction/stations.txt`) jusqu'à maintenant :
Automatique chaque nuit par le Planificateur de tâches de Windows (D-146, installation : `extraction/README.md`). À la main, dans un terminal WSL, mettre à jour les stations suivies (`extraction/stations.txt`) jusqu'à maintenant :
```bash
(set -a && . ./.env && set +a && python3 /workspaces/Support-Agent/extraction/pomper.py --images --delai 300); chown -R 1000:1000 /workspaces/Support-Agent/data
extraction/pomper.sh
```
- Ce qu'il a fait : `out/pompage.log`.
- Chaque station comble ses jours manquants, puis repart de son dernier jour pompé (repompé, il était peut-être incomplet) ; une station absente de `data/` reçoit les 30 derniers jours. Ajouter une station : une ligne dans `extraction/stations.txt`.
Une plage choisie (historique, jour en échec) :
```bash
(set -a && . ./.env && set +a && python3 /workspaces/Support-Agent/extraction/pomper.py --du <DEBUT> --au <FIN> --images --delai 300 <SERIE>); chown -R 1000:1000 /workspaces/Support-Agent/data
extraction/pomper.sh --du <DEBUT> --au <FIN> --images --delai 300 <SERIE>
```
- `<SERIE>` : numéro de série du système, celui de l'URL de la page System (`/explore/system/<SERIE>`), par exemple `NORDEND` ; plusieurs stations : `<SERIE1> <SERIE2>`.
@@ -34,7 +36,7 @@ Choisir la station et les dates, puis Analyse. Glisser sur le plot zoome (double
Les events validés ont aussi leurs étiquettes, dans le fichier de leur station, au même format que les autres (D-100).
Dans le texte, dire la cause et comment on l'a sue (quel plot, quel signe). Étiqueter aussi les cas trompeurs, qui ressemblent à un problème sans en être un : ils donnent les faux amis (point 69 du plan). Le fichier se commite comme le reste (`push.sh`).
Dans le texte, dire la cause et comment on l'a sue (quel plot, quel signe). Étiqueter aussi les cas trompeurs, qui ressemblent à un problème sans en être un : ils donnent les faux amis (point 69 du plan). Le fichier se commite comme le reste.
# Revoir ses étiquettes (/review-labels)
@@ -93,12 +95,6 @@ python3 detectors-view/detecteurs.py data/<SERIE> --du <DEBUT> --au <FIN>
- Page `out/detecteurs_<SERIE>_<DEBUT>_<FIN>.html`, ouverte seule : `corr_x` et `corr_y` de tous les capteurs, une ligne par catégorie (survol : capteurs et phrase), puis la liste des événements.
- `--sans-ouvrir` : écrit la page sans l'ouvrir.
Toutes les stations de `data/` d'un coup, chacune sur sa plage (une page ouverte par station ; `--sans-ouvrir` passe aux commandes) :
```bash
./detectors-view/run-detectors.sh
```
# Améliorer les détecteurs sur les étiquettes (detector-learner)
Les étiquettes de `labeling/auto/` déjà faites et relues, à la racine de Support-Agent, sur `master` ; ou demander à Claude de lancer la séance (D-132) :
@@ -108,7 +104,7 @@ Les étiquettes de `labeling/auto/` déjà faites et relues, à la racine de Sup
```
- Une famille (`Displacement`, `Obstruction`, `Thermal displacement`, `Visibility`, `Target issue`, `No data`), sur toutes les stations à la fois (D-132). Ni analyste ni base d'events (D-116) : critique, modification et contrôle des détecteurs. Une seule mesure, le benchmark sur toutes les étiquettes de `labeling/auto/` (historique `detector-learner/historique.csv`) : la ligne de la famille est le score de la séance, toutes les lignes la non-régression, sur laquelle juge le contrôle.
- Pour voir une station après la séance : la page Compare (`./run.sh`, ou `detectors-view/compare.py`).
- Pour voir une station après la séance : la page Compare (`detectors-view/compare.py`).
- `--ameliorer` (facultatif) : en fin de séance, l'améliorateur corrige le skill et ses agents d'après les difficultés relevées (D-071).
- Commits directement sur `master` ; bilan dans `detector-learner/<séance>_<Famille>/bilan.md` ; `git revert` de ce qu'on ne garde pas.
-9
View File
@@ -1,9 +0,0 @@
#!/usr/bin/env bash
# Les quatre outils du poste, chacun par son data loader (station, dates, « Analyse ») : la page Status, les images (View),
# l'étiquetage (Labeling) et les étiquettes face aux détecteurs (Compare). Leurs serveurs restent en tâche de fond
# (ports 8766, 8768, 8767, 8769).
cd "$(dirname "$0")"
./detectors-view/status.sh
python3 view/view.py
python3 labeling/labeling.py
python3 detectors-view/compare.py
-6
View File
@@ -1,6 +0,0 @@
#!/usr/bin/env bash
# La web app (app/) : construit le front, puis lance le serveur sur http://127.0.0.1:8770 (AIMSIGHT_PORT pour changer).
set -e
cd "$(dirname "$0")"
(cd app/web && { [ -d node_modules ] || npm install; } && npm run build)
exec API/.venv/bin/python app/serveur/serveur.py
@@ -0,0 +1,49 @@
# Analyse : métrique de qualité des points, LENZSPITZE
## Le dossier
| Dossier / fichier | Contenu |
|---|---|
| `input/` | ce qui est reçu : `demande.md` (mail de David, statut), `capture.png` (sa section 4.4) |
| `output/` | **ce qui est envoyé, et rien d'autre** : `reponse.md` (le mail), `fig1`, `fig2` et `fig3` (les pièces jointes) |
| `analyse.md` | cette synthèse, pour Marc |
| `analyste/` | le travail de l'analyste : `analyse-metriques.md` (le détail, chaque fait avec sa commande, une légende par figure), `figures.py` (régénère les figures), `annexe_vue-ensemble_…` (non jointe), `outils/` (chiffres), `travail/` (vignettes de vérification) |
| `ecarte/` | la première heatmap `error_value`, écartée (voir plus bas) |
Régénérer les figures, depuis la racine du dépôt : `.venv/bin/python support/2026-11-12_LENZSPITZE_metrique-qualite/analyste/figures.py`.
## La question
David finalise un rapport pour les CFF. Sa section 4.4, « Métrique de la qualité des points » (`input/capture.png`), dit que les métriques de qualité de chaque point permettent d'identifier l'origine d'une dégradation de mesure (occlusion, phénomène météorologique, salissure du prisme), que les images archivées les complètent, et finit par « Mettre graphique ». Il demande ce graphique, et si ces métriques pourront aller sur Geovis.
Il parle donc des métriques d'image, qui disent **pourquoi** une mesure se dégrade, et pas seulement d'`error_value`, qui dit **qu'**elle se dégrade.
## Ce que montrent les données
Période : 2026-10-16 02:10 → 2026-11-05 10:10 UTC, 41 points, une mesure toutes les 5 min (`inventaire.py`). Détail et commandes : `analyste/analyse-metriques.md`, §1.
- **Le flux, puis le snr, sont les métriques d'image utiles au client** : la lumière renvoyée par la cible et son contraste sur le fond, rapportés à leur niveau habituel. Elle dit la cause là où `error_value` ne dit que la dégradation. Déconseillées : `dominance` (faussée en permanence sur 8011 à 8013, trop proches dans l'image), `peak` (saturé sur 7 points), `sharpness` et `fwhm` (illisibles hors spécialistes).
- **Le niveau habituel d'`error_value` ne classe pas les points** : il suit la forme de la tache (Spearman −0,74 avec `sharpness`), pas la distance (−0,20). D'où 1023, en apparence le pire point en permanence (~0,58 du seuil).
- **Au-dessus du seuil, `error_value` plafonne** vers 1,4 fois le seuil : elle ne dit plus l'ampleur, le flux si.
- **Les dépassements du seuil** se concentrent sur quatre nuits (17, 22-23, 26 et 27.10) et sur les points lointains ; presque plus aucun depuis le 28.10.
## Figures retenues
- `output/fig1_visibilite_nuit-26-10_LENZSPITZE.png` (jointe) : nuit du 25 au 26.10. Le flux des points lointains tombe jusqu'à 0,1 %, d'autant plus tôt et plus fort que le point est loin ; leur erreur passe le seuil ; le point proche reste normal ; l'image de 03:00 montre les points lointains disparus. Perte de visibilité, `strongly supported` ; sa nature (brouillard, brume, pluie) `insufficient evidence`.
- `output/fig2_eblouissement-soleil_matin-02-11_LENZSPITZE.png` (jointe) : matin du 02.11, le **snr** (contraste de la cible sur le fond). De 06:30 à 07:30, soleil bas dans le champ juste au-dessus de 101B, 102H, 201B, 202H (image de 07:01 ; absent le 31.10 07:01, ciel couvert, et le 02.11 08:01) ; snr de 101B et 202H à 26-31 % du niveau habituel, flux à 84-86 % ; erreur doublée, 202H au-dessus du seuil à 07:05 (1,37) ; témoin 1009 (45 m, hors zone éblouie) à 85-93 %. Contre-jour `strongly supported` ; limites : images horaires (07:01 précède de 4 min le dépassement, où le flux de 202H tombe aussi à 5 %) ; même creux de snr à flux entier les 17, 19, 22.10, 03 et 05.11, non vérifié sur les images ; c'est l'éclairage plus qu'un phénomène météorologique.
- `output/fig3_passage-train_01-11_LENZSPITZE.png` (jointe) : 01.11 à 11:00, la **sharpness** (netteté de la tache). L'image de 11:00 montre un train flou en mouvement devant les cibles de voie 1001 à 1016 (absent à 10:01 et 12:01), mesure et image à la même minute ; netteté de 1012, 1016, 1001 à 40-57 % du niveau habituel, flux entier (95-120 %), erreur triplée sans passer le seuil (1012 de 0,13 à 0,62) ; normal dès 11:05 ; témoin 1021 stable. Limites : cas unique (d'autres trains sur les images, 24.10 14:00 et 01.11 14:01, ne dégradent rien) ; mécanisme non établi (train en transparence ou vibration du support) ; écrire « le train passe devant les points et dégrade la netteté », pas « masque ». Détail : § 1.9 et 3.3 de `analyste/analyse-metriques.md`.
- Remplacée à la demande de Maxime (elle montrait aussi le flux) : l'occultation de 92H par un engin de levage le 30.10 (faits au § 1.2 de `analyste/analyse-metriques.md`).
- `analyste/annexe_vue-ensemble_hors-seuil_LENZSPITZE.png` (annexe, non jointe, plus proposée dans le mail) : part des mesures au-dessus du seuil par point et par jour, points classés par distance.
**Écartée**, `ecarte/metrique-qualite_LENZSPITZE.png` (heatmap `error_value` / seuil, médiane horaire) : elle n'illustre pas le texte de David (que, pas pourquoi), est trop dense imprimée, fait passer 1023 pour le pire point, et rangeait 1024, 8003 et 8010 (`ref`, références locales traitées comme cibles) parmi les références.
## Ce qui reste non établi
- Le texte de David cite « salissure du prisme » et « phénomène météorologique » : aucun cas prouvé sur la période.
- « Visibles sur la plateforme, avec alarme » : le flux n'est aujourd'hui ni livré ni sous alarme (d'après l'analyste) ; qu'`error_value` déclenche une alarme, non vérifié. Les remarques sur le texte de David ont été retirées du mail par Maxime (2026-11-12).
## Hors question (pour Marc)
- 13 instants isolés (ex. 03.11 19:30) où le même groupe de points (cibles paires de 1002 à 1022, 1024, 7013B/H, 8002, 8003, 8004, 8010, 8019, 92H) perd sa cible le temps d'une mesure, alors que les images de la même minute les montrent visibles : passage ou panne d'acquisition, non établi.
- Le flux des cibles glisse de 0,92 à 0,77 du 02 au 05.11 : à suivre après un repompage.
- L'étiquette « No data » du 23.10 23:55 au 26.10 00:00 dans `labeling/auto/LENZSPITZE.jsonl` est fausse (données des 24 et 25.10 présentes) ; non modifiée.
@@ -0,0 +1,139 @@
# Métriques de qualité des points : LENZSPITZE (Crissier), 2026-10-16T00:00Z → 2026-11-05T11:00Z (UTC)
Demande : illustrer la section 4.4 du rapport Inogy aux CFF, « Métrique de la qualité des points » (`input/capture.png`, `input/demande.md`). Selon ce texte, les métriques de chaque point identifient l'origine d'une dégradation, et les images archivées la confirment. Le graphique doit donc montrer **pourquoi** une mesure se dégrade, pas seulement **qu'elle** se dégrade.
Les figures 1 et 2 sont dans `output/` (pièces jointes du mail), la figure 3 ici ; `figures.py` les y écrit.
Abréviations des commandes (toutes lancées depuis la racine du dépôt) :
- `INV` = `python3 agent-tools/inventaire.py data/LENZSPITZE/ --debut 2026-10-16T00:00Z --fin 2026-11-05T11:00Z`
- `ST` = `python3 support/2026-11-12_LENZSPITZE_metrique-qualite/analyste/outils/stats.py` ; ses sorties sont rangées dans `outils/points.txt`, `outils/correl.txt`, `outils/episode_2610.txt` et `outils/jours.txt`
- `QC` = `python3 agent-tools/qualite.py data/LENZSPITZE/ --calme 2026-10-28T00:00Z/2026-11-01T00:00Z`. La référence calme (28-31.10) est choisie d'après `qualite.py --commun --pas 1d` : ces jours ont des rapports à 1. Du 16 au 20.10, le flux des cibles vaut 1,2 à 1,6 fois cette référence (autre régime d'exposition), et il glisse à 0,77 le 05.11.
- `VIG` = `.venv/bin/python agent-tools/vignettes.py data/LENZSPITZE/ … --sortie support/2026-11-12_LENZSPITZE_metrique-qualite/analyste/travail`
## 1. Ce que disent les métriques
### Les données
- 41 points, dont 9 références globales (`8002`, `8004`, `8011` à `8014`, `8017`, `8019`, `92H`) et 32 cibles. Les 5 945 instants sont espacés de 5 min, du 16.10 02:10 au 05.11 10:10, et la pose de la caméra est connue à chaque instant. Les six métriques d'image sont remplies sur toutes les lignes. Les images sont horaires, 482 en tout (`INV`).
- `1024`, `8003` et `8010` ont le motif `ref` mais ne portent ni `reproj_err` ni `inlier`. Ils n'entrent donc pas dans la compensation et `INV` les compte comme cibles. La figure existante les range parmi les références (voir § 3.4).
- Distances et tailles des motifs : `data/LENZSPITZE/lentzpitze_patterns.json` (`distance_mm`, `corners`). `1023` et `8019` n'y figurent pas, leur distance est inconnue. Les cibles `10xx` sont posées sur les deux files de rail de la voie (vignettes du 17.10, `travail/LENZSPITZE_vignettes_zone1400-900-700-350_*`), de 12 à 64 m de la caméra. Les références et `8003`/`8010` sont au-delà, jusqu'à 176 m.
### Niveau habituel par point (`ST points`)
- Médiane de `error_value / seuil` : de 0,07 à 0,32 pour tous les points sauf `1023`, qui est à 0,58. Le 95ᵉ centile reste sous 0,5 pour 32 points sur 41.
- **Le niveau habituel ne dépend pas de la distance** (Spearman −0,20 sur 39 points), mais **de la forme de la tache** : il suit la `sharpness` médiane (Spearman −0,74). Les points les plus « hauts » sont des taches grandes et saturées, toutes proches : `1022` 0,32 (17 m), `1020` 0,29 (21 m), `1021` 0,26 (16 m), `8017` 0,25 (15 m), `1024` 0,21 (12 m). Leur `pk/max` est à 1 ou presque, leur `fwhm` de 5,6 à 7,4 px et leur `sharpness` basse. `1023` a la même signature : `fwhm` 7,0, `sharpness` 0,028, `pk/max` 0,75. Un `error_value` habituel plus élevé ne veut donc pas dire un point moins bon. **C'est le piège de lecture principal d'un graphique d'`error_value` brut.**
- `8011`, `8012` et `8013` ont une `dominance` permanente de 0,50 à 0,70, contre moins de 0,03 ailleurs. Ces trois références sont à 13 px l'une de l'autre dans l'image ((2056,947), (2043,947), (2030,935), `ST points` et `x`, `y` de l'export), pour des motifs de 16 à 18 px : chaque fenêtre voit donc sa voisine. Cette `dominance` est structurelle et ne dit rien de la qualité. `8012` est aussi la référence la plus souvent rejetée (7,1 % des mesures, `ST points` ; 424 mesures selon `INV`).
- Cibles les plus souvent au-dessus du seuil : `101B` 4,5 %, `202H` 4,0 %, `8010` 4,0 %, `102H` 3,7 %, `201B` 3,4 %, `1008` 3,2 % (`ST points`). Ce sont les points lointains, ou petits et peu lumineux (`target05` à 47 m, 16 à 18 px ; `8010` à 176 m). `1008` a un seuil plus bas (0,5 au lieu de 0,7) et un `pk/max` de 0,06, le plus faible des cibles. Quant aux cibles proches de 30 m et moins, elles ne passent presque jamais le seuil : 0 à 0,2 %.
### Épisodes de dégradation
1. **Nuits des 26 et 27.10 : perte de visibilité, vue sur les images.** Le 26.10, le flux de toutes les références et des cibles lointaines tombe à 0 entre 02:00 et 06:00. Sur ces 4 h, `error_value` dépasse le seuil sur 49 à 50 mesures pour tous les points à 89 m ou plus, et pour `92H`, `8014`, `101B`, `102H`, `201B`, `202H` et `7013H` (47 à 56 m). Les points à 30 m ou moins gardent 40 à 90 % de leur flux et ne passent jamais le seuil : `1021` au plus à 0,41 du seuil, `8017` à 0,24 (`ST episode 2026-10-26T02:00+00:00 2026-10-26T06:00+00:00`, `outils/episode_2610.txt`). Les images le montrent : à 03:00, `8002`, `202H` et la file lointaine ont disparu alors que `1021` reste net, et le 29.10 à 03:01 tout est visible (`VIG --zone 1000,650,1900,700 --heures 2026-10-26T03:00Z,2026-10-29T03:00Z --contraste 10,120`, et figure 1). Les rejets commencent dès 00:15 (`101B`) et durent jusque vers 08:10 (`8012`, `INV`). La compensation tourne sans aucune référence de 02:05 à 06:55 (`INV`, « Références retenues »). La nuit du 27.10 est semblable, de 00:00 à 08:50, avec 3 à 4 références retenues (`INV`). Ces deux jours font à eux seuls 8 % de mesures de cibles hors seuil, et 20 à 21 % pour les références, contre moins de 2 % les autres jours (`ST jours`). Les nuits du 17.10 (01:00-05:00) et du 22-23.10 (20:20-04:00) suivent le même ordre, références lointaines d'abord, puis la file `101B`/`102H`/`201B`/`202H` (`INV`), en plus court. La cause atmosphérique précise (brouillard, brume) n'est **pas** établie : l'image montre la perte de visibilité, elle ne montre pas de brouillard.
2. **30.10 13:55 : `92H` masqué, cause vue sur l'image.** Le flux de `92H` tombe à 4 % de son niveau habituel, puis remonte à 22 % à 14:00. Sur la même mesure, son `snr` tombe à 0,29 et sa `sharpness` à 0,20. Aucun autre point ne bouge (`ST episode 2026-10-30T13:55+00:00 2026-10-30T14:00+00:00`, ligne brute `grep '^2026-10-30 1[34]' …_20261030.csv`). L'image de 14:01 montre la flèche et la charge d'un engin de levage contre `92H`, absentes à 13:01 et à 15:01 (`VIG --capteurs 92H --heures 2026-10-30T13:01Z,2026-10-30T14:01Z,2026-10-30T15:01Z --rayon 50 --fixe`). Pendant ce temps, `error_value` monte de 0,07 à 0,22, **sous le seuil de 0,7** : la mesure est livrée comme valable et `92H` reste dans la compensation (`inlier` = 1, `reproj_err` de 0,05 à 0,16). Seul le flux signale l'obstacle.
3. **13 instants isolés : un groupe fixe de points perd sa cible le temps d'une mesure.** Les instants sont les suivants : 17.10 05:01 et 11:55, 19.10 08:00, 20.10 06:55 et 12:05, 21.10 08:55, 22.10 03:40, 23.10 17:00, 24.10 21:00, 28.10 10:55, 29.10 07:55, 30.10 07:55, 03.11 19:30 (`INV`, rejets de `1006` et `1010`). Le groupe est toujours le même : les cibles paires `1002` à `1022`, `1024`, `7013B`, `7013H`, `8003`, `8010`, et les références `8002`, `8004`, `8019` et `92H`. Le 03.11 à 19:30, pour 20 points, le `peak` est au niveau du fond (18 à 81), le `flux` est à 0, le `snr` est de 3 à 15 et la `dominance` de 0,55 à 0,93 : la cible est absente de la fenêtre. Leurs voisins impairs (`1001`, `1003`, …), situés à quelques pixels, restent intacts (`grep '^2026-11-03 19:(25|30)' …_20261103.csv`, `QC --table flux --debut 2026-11-03T19:20Z --fin 2026-11-03T19:40Z --pas 5min`). Sur les images prises à la même minute, les points sont visibles : `1002` et `92H` le 19.10 à 08:00, et le groupe entier le 23.10 à 17:00, avec la même scène qu'à 18:01 (`VIG --capteurs 1001,1002,92H,1024 --heures 2026-10-19T07:01Z,2026-10-19T08:00Z,… --rayon 40` ; `VIG --zone 950,650,1150,450 --heures 2026-10-23T17:00Z,2026-10-23T18:00Z --contraste 10,120`). **La cause n'est pas établie.** Elle peut être un passage sur la voie entre la caméra et la file paire, à une autre seconde que l'image, ou une panne d'acquisition propre à ce groupe. Ces instants sont à ne pas montrer au client tant que la cause n'est pas connue.
4. **04.11 22:25, pendant l'essai d'Inogy (vers 22:30).** Le temps d'une mesure, le flux de `1006` tombe à 14 % et celui de `1008` à 25 % ; `1008` est rejetée (seuil 0,5). Le flux de `1012` monte d'environ 50 % de 22:20 à 23:00 environ, et celui de `1015` baisse d'environ 18 % à partir de 22:35 (`QC --table flux --debut 2026-11-04T21:30Z --fin 2026-11-04T23:59Z --pas 5min`). Il n'y a pas d'image entre 22:00 et 23:01, et rien n'est visible sur ces deux-là (`VIG --zone 1450,950,550,250 --heures 2026-11-04T21:00Z,2026-11-04T22:00Z,2026-11-04T23:01Z,2026-11-05T00:01Z --contraste 10,150`). Le passage d'une personne près de `1006`-`1016` est compatible, mais il n'est pas vu.
5. **Autres épisodes, sans cause vue.** Le 27.10 à 22:05, le flux de `1007` tombe à 3,6 % puis remonte en 1 h 30 ; `error_value` monte au plus à 0,16, et les images de 22:01 et 23:00 ne montrent rien (`python3 agent-tools/resume.py … --colonne flux --capteurs 1007,1015,1021,1005,1009 --debut 2026-10-27T21:30Z --fin 2026-10-27T23:40Z`, et `VIG`). Le 18.10 après-midi, le flux des cibles de jour baisse jusqu'à 0,12 (médiane des cibles de 13 à 18 h) sous un ciel couvert, et `1001` est rejetée à 7 mesures (`QC --capteurs … --debut 2026-10-18T12:00Z --fin 2026-10-18T18:00Z`, image de 15:01).
6. **Matins de soleil bas : éblouissement, vu sur les images ; c'est le `snr` qui le dit.** Les matins des 01 et 02.11, vers 06:30-08:00, le `snr` des cibles proches du soleil tombe à 17-30 % de son niveau habituel et leur `dominance` est multipliée par 3 à 5. Leur `flux` reste entier (médiane de 80 à 108 % sur 06:30-07:30) : la cible renvoie toujours sa lumière, mais elle se détache mal d'un fond éclairé. Le 02.11, sur 06:30-07:30, `202H`, `101B`, `201B`, `102H`, `8003`, `8004`, `1010`, `1012` et `1014` ont un `snr` minimal de 0,06 à 0,23 (0,01 pour `202H` à 07:05) et un `snr` médian de 0,22 à 0,42, avec un flux médian de 80 à 108 %. Le témoin `1009` (45 m, comme `101B` et `202H`, mais hors de la zone éblouie) reste à 0,85-0,93 (`ST plage 2026-11-02T06:30+00:00 2026-11-02T07:30+00:00`, `outils/plage_0211.txt`). L'erreur de `101B` passe de 0,15 à 0,40 du seuil, et celle de `202H` de 0,20 à 0,33. Le 01.11 à 07:00-07:05 et le 02.11 à 07:05, `202H` passe le seuil (1,36 et 1,37) le temps d'une mesure : à cet instant son `snr` tombe à 0,01, son `flux` à 0,03-0,05 et sa `dominance` est multipliée par environ 100 (`INV` ; `ST intact`). Sur les images de 07:00-07:01 des 01 et 02.11, le soleil bas est dans le champ, juste au-dessus du groupe `101B`/`102H`/`201B`/`202H`, avec un voile lumineux et des reflets le long des rails. À la même heure le 31.10, sous un ciel couvert, et le 02.11 à 08:01, le soleil est absent (`VIG --zone 1700,600,800,500 --heures 2026-10-31T07:01Z,2026-11-01T07:00Z,2026-11-02T07:01Z,2026-11-02T08:01Z` ; image entière `20261102T0701Z`). Le même creux du `snr` de `202H`, sous 0,3 avec le flux entier, revient les matins des 17, 19 et 22.10 et des 03 et 05.11 (`ST matins`, `outils/matins.txt`). Ces matins sont sans doute ensoleillés, mais je ne les ai pas tous vérifiés sur les images. La référence calme (28-31.10) est faite de matins couverts, ce qui convient ici.
7. **Rejets à flux entier, cherchés systématiquement** (`ST intact`, `outils/intact.txt` : mesures au-dessus du seuil dont le flux reste à 60 % ou plus de son niveau habituel). Il y en a 232 : `8012` 134, `8013` 85, `1023` 11, `1008` 2. Ceux de `8012` et `8013` tombent pendant les nuits de visibilité réduite, quand leur voisine `8011` s'éteint avant elles : leur `dominance` structurelle chute à 0,0-0,3 de son niveau habituel et leur `snr` monte de 3 à 20 fois. Le motif de référence, qui contient la voisine, ne correspond plus. La cause reste la visibilité, la mécanique est trop technique pour le client. Je n'ai trouvé **aucun** épisode de turbulence de jour (`sharpness` en baisse et `fwhm` en hausse, flux entier) qui fasse passer le seuil à une cible de voie : la `fwhm` bouge peu sur ce lot (figure `travail/LENZSPITZE_qualite-commun_*.png`).
8. **Salissure du prisme : rien dans ce lot ne le montre.** Du 02 au 05.11, le flux médian des cibles glisse de 0,92 à 0,77, alors que celui des références reste à 0,95-1,00 (`qualite.py --commun --pas 1d`). C'est trop court et trop peu pour conclure ; il faut le suivre après un repompage.
9. **01.11 à 11:00 : passage d'un train, vu sur l'image de la même minute ; c'est la `sharpness` qui le dit.** L'image de 11:00 montre un train en mouvement, flou et en transparence, juste devant les cibles `1001` à `1016` de la voie. Il est absent à 10:01 et à 12:01 (`VIG --zone 1450,850,550,350 --capteurs 1001,1012,1016,1009 --heures 2026-11-01T10:01Z,2026-11-01T11:00Z` ; images entières `20261101T1100Z`, `20261101T1001Z`, `20261101T1201Z`). Sur la mesure de 11:00 :
- la `sharpness` des cibles de voie tombe à 40-65 % de son niveau habituel (`1012` 0,40, `1016` 0,41, `1010` 0,52, `1001` 0,57, `1019` 0,62) ;
- leur `dominance` est multipliée par 2 à 7, et leur `flux` reste à 95-120 % (`1006` seul tombe à 34 %) ; leur `snr` baisse aussi (`1012` 0,16, `1001` 0,40). J'ai retenu la `sharpness` pour ne pas répéter la métrique de la figure 2, et parce qu'elle se dit simplement : « netteté » ;
- leur `error_value` triple ou quintuple : `1012` de 0,13 à 0,62 du seuil, `1001` de 0,18 à 0,65 ; `8004` atteint 0,82 et `8010` 0,81 ;
- aucun point ne passe le seuil.
La cible la plus proche, `1021` (16 m), bouge à peine (`sharpness` 0,74 pour 0,78-0,80 avant). La mesure de 11:01 est déjà à 0,76-0,86 et celle de 11:05 est normale (`ST instant 2026-11-01T10:40+00:00 2026-11-01T11:20+00:00`, `outils/train_0111.txt`, et figure 3). La pose de la caméra ne bouge pas à 11:00 : `pan` 0,012° contre 0,017 à 10:50, `sigma0` normal (`grep '^2026-11-01 1(0:5|1:0|1:1)' data/LENZSPITZE/camera/LENZSPITZE_camera_20261101.csv`). Une chute aussi brève de la `sharpness` médiane des cibles de voie (sous 0,75 alors que la mesure d'avant dépasse 0,85, flux entier) est rare : 5 instants (script inline sur les fonctions de `stats.py`) sur le lot (17.10 11:55, 01.11 11:00, 11:45, 13:35, 18:01), et 01.11 11:00 est le seul qui tombe sur une image.
**Recherche du passage de train, ce qui n'a pas abouti :**
- je n'ai trouvé aucun instant où un train sur l'image coïncide avec une **chute de flux** d'un groupe de cibles. J'ai croisé, à chaque image, les points dont le flux de la mesure de la même minute tombe sous 50 % : les cas trouvés sont des nuits de visibilité ou des débuts de soirée, sans train ;
- j'ai trié les 482 images par écart à la médiane de la même heure sur la zone de la voie, et regardé les 48 plus atypiques en planche. Des trains passent devant les cibles à 7 heures d'image : 17.10 13:01, 18.10 07:01, 23.10 08:01, 24.10 14:00, 31.10 08:01, 01.11 11:00, 01.11 14:01 ;
- à 14:01 le 01.11, la mesure la plus proche (14:00) n'est pas touchée ;
- à 24.10 14:00, mesure et image de la même minute, rien ne bouge non plus. **Un train sur l'image n'implique donc pas une mesure dégradée** : la mesure et l'image sont prises à des secondes différentes, que nous ne connaissons pas ;
- les 13 instants du « groupe pair » (§ 1.3) ne sont confirmés par aucune image (19.10 08:00 et 23.10 17:00 : pas de train).
### Relation entre métriques d'image et `error_value`
- Sur un même point au cours du temps, `error_value` monte quand la lumière baisse. La corrélation de Spearman médiane par point vaut −0,40 avec `peak`, −0,38 avec `flux`, −0,39 avec `sharpness`, −0,26 avec `fwhm`, −0,23 avec `snr` et +0,02 avec `dominance` (`ST correl`, `outils/correl.txt`). Ces liens sont modestes : `error_value` ne bouge vraiment que quand la cible est presque perdue.
- `error_value` plafonne vers 0,95-0,99, soit 1,4 fois le seuil (lignes brutes du 03.11 19:30, et figure 1). Au-dessus du seuil, elle dit seulement « perdu ». Le `flux` porte l'ampleur sur quatre décades : 0,1 % à 100 %.
- Ce qui explique quoi :
- le `flux`, avec le `snr`, dit si la cible est vue et combien. Selon que la baisse touche tous les points, d'autant plus qu'ils sont loin, ou un seul point, on distingue une **visibilité réduite** d'une **occultation** ;
- la `sharpness` et la `fwhm` disent la forme de la tache, et donc le niveau habituel d'`error_value` (taches saturées et larges) ;
- le `snr`, quand le `flux` reste entier, dit que c'est le fond qui gêne (soleil bas dans le champ, § 1.6), pas la cible ni la visibilité ;
- la `dominance` dit une ambiguïté : elle monte avec le `snr` qui baisse dans l'éblouissement, mais elle est faussée en permanence sur `8011`-`8013` ;
- le `peak` sature (`pk/max` ≥ 0,95) sur 7 points et ne dit plus rien sur eux.
## 2. Ce qui a du sens pour un client ferroviaire
| Métrique | Pour le rapport | Pourquoi |
|---|---|---|
| `error_value` / seuil | **oui, comme alarme** | Le client la reçoit déjà (`_error` de l'horaire). Le seuil est l'alarme de son texte. À montrer rapportée au seuil, jamais comme note de qualité d'un point (niveau habituel lié à la forme de la tache, § 1). Elle ne dit pas la cause et peut rester sous le seuil devant un obstacle (`92H`). |
| `flux` (en % du niveau habituel du point) | **oui, la meilleure** | Elle se lit sans formation (« lumière renvoyée par la cible ») et porte la cause : toute la scène, graduée par la distance, signe une visibilité réduite ; un point seul, une occultation. Elle voit ce qu'`error_value` ne voit pas. Il faut la rapporter au niveau du point (la valeur brute varie d'un facteur 100 entre points), à la même heure. |
| `snr` (en % du niveau habituel) | **oui, en second** | Dite « contraste de la cible sur le fond », elle porte seule le message du soleil bas (§ 1.6) : flux entier, contraste effondré. Ailleurs, elle suit le `flux`. |
| `sharpness` (en % du niveau habituel) | **oui, pour le passage de train** | Dite « netteté de la tache de la cible », elle porte le passage du train du 01.11 (§ 1.9) : lumière entière, netteté divisée par deux. À ne pas comparer entre points : son niveau habituel dépend de la forme de la tache. |
| `fwhm` | non | Métrique de forme, sans lecture directe pour le client. Elle est tronquée au disque et bouge peu ; elle varie aussi sur les points saturés : risque de contresens. |
| `dominance` | non | Elle est élevée en permanence sur trois références voisines (`8011`-`8013`) sans défaut réel, ce qui est trompeur. |
| `peak` | non | Elle sature sur 7 points et dépend de l'exposition. |
## 3. Graphiques proposés
Script : `.venv/bin/python support/2026-11-12_LENZSPITZE_metrique-qualite/analyste/figures.py`. Il régénère les quatre figures (PNG à 150 dpi : fig1 à fig3 dans `../output/`, l'annexe ici), et `outils/stats.py` donne les chiffres. Le flux (ou le `snr`) « habituel » de chaque point est la médiane de cette métrique à la même heure UTC sur les jours calmes du 28 au 31.10.
### 3.1 `fig1_visibilite_nuit-26-10_LENZSPITZE.png` (à mettre dans la section 4.4)
- **Ce qu'elle montre.** En haut, la même zone de l'image une nuit normale (29.10 03:01) et la nuit du 26.10 (03:00), avec trois points entourés à 16, 47 et 133 m. En bas, de 20:00 le 25.10 à 11:00 le 26.10, l'erreur de mesure rapportée au seuil, puis la lumière renvoyée en % du niveau habituel (échelle log).
- **Message.** L'erreur dit **qu'**il y a un problème : 202H et 8002 passent le seuil vers 00:30 et 02:00. La lumière renvoyée dit **pourquoi** : elle baisse jusqu'à 0,1 % d'autant plus tôt et plus fort que le point est loin, pendant que le point proche garde l'essentiel de la sienne. C'est la signature d'une visibilité réduite sur la ligne de visée, que l'image confirme (les points lointains ont disparu). Ce n'est ni un défaut des cibles ni un mouvement de la voie.
- **Légende proposée.** « Figure X : nuit du 26.10.2026 à Crissier. En haut : image de la caméra une nuit normale et pendant l'épisode. En bas : erreur de mesure de trois points rapportée au seuil d'alarme, et lumière renvoyée par chaque cible (en % de son niveau habituel). La perte de lumière, croissante avec la distance, identifie une baisse de visibilité ; l'image la confirme. Heures UTC. »
- **Limite.** La nature exacte du phénomène (brouillard, brume, pluie) n'est pas établie par nos données : écrire « baisse de visibilité », pas « brouillard ». Pendant l'épisode, l'erreur plafonne (≈ 1,4 × seuil) : elle ne mesure plus l'ampleur.
### 3.2 `../output/fig2_eblouissement-soleil_matin-02-11_LENZSPITZE.png` (à mettre dans la section 4.4 ; remplace l'ancienne fig2 de `92H`)
- **Ce qu'elle montre.** En haut, la zone des cibles lointaines à 07:01 un matin couvert (31.10) et le matin du 02.11, avec le soleil bas dans le champ, juste au-dessus des cibles. En bas, de 05:30 à 09:30 le 02.11, l'erreur rapportée au seuil, puis le contraste de la cible sur le fond (`snr`, en % du niveau habituel, échelle log) de `202H` et `101B` (47 m, dans la zone éblouie) et du témoin `1009` (45 m, hors de cette zone). En pointillé, la lumière renvoyée par `202H` (`flux`), pour comparer.
- **Message.** La cible renvoie toujours sa lumière (flux de 202H vers 85-100 %), mais son contraste sur le fond s'effondre à 20-30 % dès 06:30 dans la zone éblouie par le soleil, alors qu'il reste normal pour le témoin à la même distance. L'erreur double, et à 07:05 202H passe le seuil le temps d'une mesure. Une autre métrique que la lumière dit ici l'origine : un contre-jour, pas une perte de visibilité (fig. 1, où c'est la lumière qui s'effondre) ni un défaut de la cible.
- **Légende proposée.** « Figure Y : matin du 02.11.2026 à Crissier. En haut : image de la caméra à 07:01 un matin couvert (31.10) et ce matin-là, avec le soleil bas dans le champ. En bas : erreur de mesure de trois points rapportée au seuil d'alarme, et contraste de chaque cible sur le fond de l'image (rapport signal/bruit, en % de son niveau habituel). Les cibles éblouies gardent leur lumière mais perdent leur contraste ; le témoin, hors de la zone éblouie, n'est pas touché. Heures UTC. »
- **Limite.** Les images sont horaires : celle de 07:01 précède de 4 min le dépassement de 07:05, qu'aucune image ne couvre, et à cet instant le flux de 202H tombe aussi à 5 %. Je ne sais pas si le disque du soleil passe exactement derrière 202H. Je n'ai montré le phénomène que sur les matins du 01 et du 02.11 ; les autres matins où le `snr` se creuse, je ne les ai pas vérifiés sur les images. L'effet est un contre-jour sur la caméra. Le ranger dans les « phénomènes météorologiques » du texte est une affaire de vocabulaire : « conditions d'éclairage (soleil bas) » est plus exact. Le `snr` est une métrique de spécialiste : garder le libellé « contraste de la cible sur le fond ». L'ancienne figure de `92H` (obstacle, § 1.2) n'est plus produite ; ses faits restent au § 1.2.
### 3.3 `../output/fig3_passage-train_01-11_LENZSPITZE.png` (à mettre dans la section 4.4)
- **Ce qu'elle montre.** En haut, la zone des cibles de voie à 10:01, à 11:00 (un train passe devant les cibles, flou et en transparence) et à 12:01. En bas, de 10:00 à 12:30 le 01.11, l'erreur rapportée au seuil, puis la netteté de la tache (`sharpness`, en % du niveau habituel, échelle linéaire). Les points tracés sont `1001` (64 m), `1012` (40 m), `1016` (30 m) et le témoin `1021` (16 m). En pointillé, la lumière renvoyée par `1012` (`flux`), pour comparer.
- **Message.** Au passage du train, la lumière des cibles ne change pas, mais leur tache perd la moitié de sa netteté pendant une mesure. L'erreur triple sans passer le seuil, puis tout revient dès la mesure suivante. L'image de la même minute montre le train : la métrique de netteté signale la présence du train là où la lumière ne voit rien.
- **Légende proposée.** « Figure Z : 01.11.2026 à 11:00, passage d'un train devant les cibles de voie. En haut : image de la caméra avant, pendant et après. En bas : erreur de mesure de quatre points rapportée au seuil d'alarme, et netteté de la tache de chaque cible (en % de son niveau habituel). Pendant le passage, les cibles gardent leur lumière (pointillé) mais perdent la moitié de leur netteté ; l'erreur monte sans dépasser le seuil et revient à la mesure suivante. Heures UTC. »
- **Limites.**
- Le train ne **masque** pas les cibles au sens d'une coupure de lumière : leur flux reste entier. Je n'ai trouvé aucun passage de train qui coupe le retour des cibles sur une image (§ 1.9). Le texte ne doit donc pas dire « le train masque les points », mais « le train passe devant les points et dégrade la netteté de leur mesure ».
- Le mécanisme n'est pas établi : train en transparence dans la fenêtre de chaque cible pendant la pose, ou vibration du support de la caméra ? La pose moyenne de la caméra ne bouge pas.
- C'est **un seul cas** où mesure et image tombent à la même minute. D'autres trains sur les images ne dégradent aucune mesure (24.10 14:00, 01.11 14:01), et une seconde chute de netteté à 11:45 n'a pas d'image.
- Il n'y a pas de dépassement du seuil (`1001` au plus à 0,65).
- Les cercles des cibles peuvent être décalés de quelques pixels (conversion provisoire des positions).
### 3.4 `annexe_vue-ensemble_hors-seuil_LENZSPITZE.png` (annexe, facultative ; ex-« fig3 », renommée)
- **Ce qu'elle montre.** La part des mesures de chaque jour au-dessus du seuil, par point, les points étant classés du plus lointain au plus proche (distance en m).
- **Message.** Les dépassements se concentrent sur quelques nuits (17, 22-23, 26 et 27.10) et sur les points lointains ; les points à moins de 30 m ne passent presque jamais le seuil ; depuis le 28.10, il n'y a presque plus de dépassement.
- **Légende proposée.** « Figure Z : part des mesures au-dessus du seuil d'alarme, par point et par jour, du 16.10 au 05.11.2026 (points classés par distance à la caméra). »
- **Limite.** Le pas journalier efface les événements d'une mesure (`92H` le 30.10). Les cases claires « moins de 2 % » viennent en partie des 13 instants de cause non établie (§ 1.3). Une fausse lecture est possible : la figure ne dit pas la cause, seulement où et quand.
### 3.5 Avis sur la figure existante (`ecarte/metrique-qualite_LENZSPITZE.png`)
**Je ne la garde pas pour la section 4.4**, et je la remplace en annexe par la vue d'ensemble du § 3.4. Raisons :
- elle n'illustre pas le texte du client : elle montre `error_value` seule, donc **que** la mesure se dégrade, jamais **pourquoi** ;
- elle est trop dense pour une page imprimée : 41 lignes × 489 heures, six bleus voisins difficiles à distinguer ;
- elle est trompeuse : `1023` y paraît le pire point en permanence (0,58) alors que c'est un effet de forme de tache, et la médiane horaire efface les occultations d'une mesure (`92H` le 30.10 n'apparaît pas) ;
- elle comporte une erreur de classement : `1024`, `8003` et `8010` sont rangés parmi les références alors qu'ils n'entrent pas dans la compensation, et `analyse.md` compte 12 références au lieu de 9.
Si elle reste, il faut au minimum trier par distance, passer au pas journalier et corriger le classement : c'est la vue d'ensemble du § 3.4.
## 4. Questions ouvertes pour le support
- Les 13 instants « groupe pair » (§ 1.3) : passage sur la voie ou panne d'acquisition ? Question pour Marc et le fabricant. Même question pour la figure 3 : à quelle seconde sont prises l'image archivée et la mesure ? Le 24.10 à 14:00, un train sur l'image ne touche aucune mesure de la même minute.
- `92H` caché à 4 % de son flux reste dans la compensation (`inlier` = 1) avec un `error_value` sous le seuil. Faut-il le dire au client tel quel (« l'erreur seule ne suffit pas ») ou formuler plus prudemment ? À arbitrer avant envoi (règle de ne pas alarmer).
- Le texte du client cite « salissure du prisme » et « phénomène météorologique ». Ce lot ne montre aucun cas prouvé de salissure. Côté météo, nous avons une baisse de visibilité de nuit (fig. 1, nature non établie) et un éblouissement par le soleil bas (fig. 2). Faut-il proposer « conditions d'éclairage » à côté de « phénomène météorologique », et garder la salissure comme exemple générique ?
- « Visibles sur la plateforme et une alarme sera générée » : le flux n'est aujourd'hui ni livré (seul `_error` l'est) ni sous alarme. À confirmer avec Marc avant que le rapport l'affirme, avec le lien vers la question Geovis.
- Le glissement du flux des cibles du 02 au 05.11 : à suivre après un repompage, ce qui sert aussi la question de la salissure.
- L'étiquette « No data » de `labeling/auto/LENZSPITZE.jsonl` (23.10 23:55 → 26.10 00:00) est contredite par les données présentes (12 000 lignes par jour les 24 et 25.10, 24 images le 25.10). Elle est à signaler au responsable des étiquettes : je ne l'ai pas modifiée.
## 5. Outils
| Outil | Existant ou à moi | Pour quoi (moment, question) | Ce qu'il a montré | Ce qui a manqué ou encombré |
|---|---|---|---|---|
| `inventaire.py` (commande `INV`) | existant | sources, rejets datés, références retenues | les 13 instants du groupe pair, les nuits de rejets, la compensation sans référence le 26.10 | sortie longue, coupée en largeur (`cut`) |
| `qualite.py --commun --pas 1d` puis `--table flux --pas 5min` | existant | choix de la référence calme, épisodes du 04.11, du 03.11 et du 17.10 | changement de régime 16-20.10 ; flux à 0 sur le groupe pair ; `1006`/`1008` le 04.11 | rien |
| `qualite.py --figure --metriques sharpness` ; `qualite.py --commun --pas 1h` et `--capteurs` sur le 02.11 | existant | vue d'ensemble des six métriques ; matins des 01 et 02.11 | nuits du 26 et du 27.10 ; `snr` en baisse et `dominance` en hausse à flux entier au lever du soleil | rien |
| `resume.py --colonne flux/error_value --pas 5min` | existant | `1007` le 27.10, `92H` le 30.10 | chute de flux sans rejet | rien |
| `vignettes.py` (`--zone`, `--fixe`, `--contraste`) | existant | images aux instants des épisodes | engin de levage contre `92H` ; disparition des points lointains le 26.10 ; points visibles aux instants du groupe pair | images seulement horaires |
| tri des 482 images par écart à la médiane de la même heure, sur la zone de la voie, et planches des 48 plus atypiques (script inline, scratchpad) | à moi | trouver les trains sur les images (§ 1.9) | 7 heures d'image avec un train ; un seul cas (01.11 11:00) où la mesure de la même minute se dégrade | aucun outil ne cherche un objet sur les images, ni ne croise images et mesures |
| `outils/stats.py` (`points`, `correl`, `episode`, `jours`, `intact`, `plage`, `matins`, `instant`) | à moi | niveaux par point face à la distance et à la taille, Spearman, extrêmes d'un épisode, part hors seuil par jour, rejets à flux entier ; `snr` par point les matins du 02.11 | niveau d'`error_value` lié à la `sharpness`, pas à la distance ; gradient de distance du 26.10 | aucun outil ne croise les métriques avec les distances et tailles de `lentzpitze_patterns.json` |
| `figures.py` | à moi | figures du rapport | figures 1 à 3 | `graphique.py` ne compose ni vignettes ni courbes en rapport au niveau habituel |
## Difficultés
- Le skill `analyser-lot` impose un plan (lot, étiquettes, catégories) fait pour le benchmark, pas pour une demande de support. J'ai suivi sa lecture et rendu ce que demandait l'appelant ; `etiquettes.json` n'a pas été produit, car il n'était pas demandé.
- Le skill interdit de lire `labeling/auto/`, mais la demande le cite. Je l'ai lu après ma propre lecture, pour situer les épisodes et contrôler.
- `lire-les-donnees` dit « n'écris aucun autre script », alors qu'`analyser-lot` autorise des scripts dans `outils/`. J'ai suivi `analyser-lot` et la demande, qui demande un script.
- La mission a été recadrée en cours de route (section 4.4 du client).
## Sources lues
`.claude/skills/analyser-lot/SKILL.md` ; `.claude/skills/lire-les-donnees/SKILL.md` ; `labeling/connaissances/metriques-de-qualite.md` ; `labeling/connaissances/colonnes-des-deplacements.md` (section LENZSPITZE et suivantes) ; `labeling/auto/LENZSPITZE.jsonl` (cité par la demande) ; `support/2026-11-12_LENZSPITZE_metrique-qualite/` (`demande.md`, `analyse.md`, `reponse.md`, `figure.py`, `ecarte/metrique-qualite_LENZSPITZE.png`, `capture.png`) ; `data/LENZSPITZE/` (exports advanced, `lentzpitze_patterns.json`, images). Non lus faute de temps : `labeling/carte-des-etiquettes.md`, `labeling/familles.md`, `chaine-de-mesure.md`, `pieges-des-donnees.md`, `events/`.
Binary file not shown.

After

Width:  |  Height:  |  Size: 209 KiB

@@ -0,0 +1,195 @@
"""Figures du rapport Inogy/CFF, section 4.4 « Métrique de la qualité des points », LENZSPITZE (Crissier).
Usage (racine du dépôt) : .venv/bin/python support/2026-11-12_LENZSPITZE_metrique-qualite/analyste/figures.py
Écrit fig1_*.png, fig2_*.png, fig3_*.png dans ../output/ et annexe_*.png dans ce dossier. Lecture seule de data/LENZSPITZE/."""
import sys
from collections import defaultdict
from datetime import datetime, timedelta, timezone
from pathlib import Path
import matplotlib
matplotlib.use("Agg")
import matplotlib.dates as mdates
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import BoundaryNorm, ListedColormap
from PIL import Image
ICI = Path(__file__).parent
sys.path.insert(0, str(ICI / "outils"))
from stats import charger, motifs, reference_calme # noqa: E402
IMAGES = Path("data/LENZSPITZE/images")
UTC = timezone.utc
plt.rcParams.update({"font.size": 11, "axes.spines.top": False, "axes.spines.right": False})
COUL = ["#1b6ca8", "#e08a00", "#b5272b"] # proche, moyen, lointain / point touché
def t(s):
return datetime.fromisoformat(s).replace(tzinfo=UTC)
def image(nom):
return np.asarray(Image.open(next(IMAGES.glob(nom + "*.jpg"))).convert("L"))
def vignette(ax, nom, zone, titre, points, serie, vmin=10, vmax=120, rayon=22):
"""Zone x, y, l, h de l'image ; cercle et nom de chaque point à sa position (x, y) de la mesure la plus proche."""
x0, y0, l, h = zone
ax.imshow(image(nom)[y0:y0 + h, x0:x0 + l], cmap="gray", vmin=vmin, vmax=vmax, extent=[x0, x0 + l, y0 + h, y0])
ti = datetime.strptime(nom[:14], "%Y%m%dT%H%MZ").replace(tzinfo=UTC)
for nom_p, c in points:
d = min(serie[nom_p], key=lambda d: abs(d["t"] - ti))
ax.add_patch(plt.Circle((d["x"], d["y"]), rayon, fill=False, color=c, lw=2))
ax.annotate(nom_p, (d["x"], d["y"]), xytext=(16, -16), textcoords="offset points", color=c, fontsize=11, fontweight="bold")
ax.set_title(titre, fontsize=11)
ax.set_xticks([]); ax.set_yticks([])
FLUX = "lumière renvoyée par la cible\n(flux, % du niveau habituel)"
NETTETE = "netteté de la tache de la cible\n(sharpness, % du niveau habituel)"
SNR = "contraste de la cible sur le fond\n(rapport signal/bruit, % du niveau habituel)"
def series(serie, nom, t0, t1, metrique="flux"):
"""Temps, error_value / seuil, métrique en % de son niveau habituel (même heure UTC, jours calmes 28-31.10)."""
s = [d for d in serie[nom] if t0 <= d["t"] <= t1]
ref = reference_calme(serie[nom], metrique)
return ([d["t"] for d in s], [d["error_value"] / d["error_threshold"] for d in s],
[max(d[metrique], 1e-9) / ref[d["t"].hour] * 100 for d in s])
def panneaux(axe, axf, serie, points, t0, t1, instants, metrique="flux", titre=FLUX):
for nom, c, lab in points:
tt, ev, fl = series(serie, nom, t0, t1, metrique)
axe.plot(tt, ev, color=c, lw=1.8, label=lab)
axf.plot(tt, fl, color=c, lw=1.8, label=lab)
axe.axhline(1, color="black", ls="--", lw=1.2)
axe.text(t0, 1.03, " seuil d'alarme (mesure jugée peu fiable au-dessus)", va="bottom", fontsize=9)
axe.set_ylabel("erreur de mesure\n(error_value / seuil)")
axe.set_ylim(0, 1.6)
if metrique == "sharpness": # écarts de quelques dizaines de %, échelle linéaire
axf.set_ylim(0, 150)
axf.set_yticks([0, 25, 50, 75, 100, 125], ["0 %", "25 %", "50 %", "75 %", "100 %", "125 %"])
else:
axf.set_yscale("log")
axf.set_ylim(0.05, 300)
axf.set_yticks([0.1, 1, 10, 100], ["0,1 %", "1 %", "10 %", "100 %"])
axf.axhline(100, color="grey", ls=":", lw=1)
axf.set_ylabel(titre)
for ax in (axe, axf):
for ti in instants:
ax.axvline(ti, color="grey", lw=1, ls=":")
ax.set_xlim(t0, t1)
ax.grid(axis="y", color="#dddddd", lw=0.6)
axf.xaxis.set_major_formatter(mdates.DateFormatter("%d.%m %H:%M", tz=UTC))
axf.set_xlabel("heure UTC")
axe.legend(loc="upper left", bbox_to_anchor=(1.0, 1.0), frameon=False, fontsize=10)
def fig1(serie):
"""Perte de visibilité nocturne du 26.10 : la lumière renvoyée baisse d'autant plus que le point est loin."""
pts = [("1021", COUL[0], "1021 (16 m)"), ("202H", COUL[1], "202H (47 m)"), ("8002", COUL[2], "8002 (133 m)")]
fig = plt.figure(figsize=(16, 10), dpi=150)
g = fig.add_gridspec(3, 2, height_ratios=[1.0, 1, 1], hspace=0.3, wspace=0.04)
zone = (1000, 700, 1900, 700)
vignette(fig.add_subplot(g[0, 0]), "20261029T0301Z", zone, "Nuit normale : 29.10 à 03:01 UTC",
[(n, c) for n, c, _ in pts], serie)
vignette(fig.add_subplot(g[0, 1]), "20261026T0300Z", zone, "Nuit du 26.10 à 03:00 UTC : les points lointains ne sont plus visibles",
[(n, c) for n, c, _ in pts], serie)
axe, axf = fig.add_subplot(g[1, :]), fig.add_subplot(g[2, :])
axf.sharex(axe)
panneaux(axe, axf, serie, pts, t("2026-10-25T20:00"), t("2026-10-26T11:00"), [t("2026-10-26T03:00")])
fig.suptitle("LENZSPITZE (Crissier) : perte de visibilité dans la nuit du 26.10.2026", fontsize=14, x=0.02, ha="left")
fig.subplots_adjust(left=0.08, right=0.86, top=0.93, bottom=0.07)
fig.savefig(ICI.parent / "output" / "fig1_visibilite_nuit-26-10_LENZSPITZE.png")
def fig2(serie):
"""Soleil bas dans le champ, matin du 02.11 : le contraste des cibles proches du soleil s'effondre, leur lumière non."""
pts = [("202H", COUL[2], "202H (47 m)"), ("101B", COUL[1], "101B (47 m)"), ("1009", COUL[0], "1009 (45 m, témoin)")]
fig = plt.figure(figsize=(16, 10), dpi=150)
g = fig.add_gridspec(3, 2, height_ratios=[1.25, 1, 1], hspace=0.3, wspace=0.04)
zone = (1700, 600, 800, 500)
vignette(fig.add_subplot(g[0, 0]), "20261031T0701Z", zone, "31.10 à 07:01 UTC : ciel couvert",
[(n, c) for n, c, _ in pts], serie, vmin=0, vmax=255)
vignette(fig.add_subplot(g[0, 1]), "20261102T0701Z", zone, "02.11 à 07:01 UTC : soleil bas dans le champ, juste au-dessus des cibles",
[(n, c) for n, c, _ in pts], serie, vmin=0, vmax=255)
axe, axf = fig.add_subplot(g[1, :]), fig.add_subplot(g[2, :])
axf.sharex(axe)
t0, t1 = t("2026-11-02T05:30"), t("2026-11-02T09:30")
panneaux(axe, axf, serie, pts, t0, t1, [t("2026-11-02T07:01")], "snr", SNR)
tt, _, fl = series(serie, "202H", t0, t1, "flux")
axf.plot(tt, fl, color=COUL[2], lw=1.2, ls="--", label="202H : lumière\nrenvoyée (flux)")
axf.legend(loc="upper left", bbox_to_anchor=(1.0, 1.0), frameon=False, fontsize=10)
axf.set_ylim(0.5, 300)
axf.set_yticks([1, 10, 100], ["1 %", "10 %", "100 %"])
axf.xaxis.set_major_formatter(mdates.DateFormatter("%d.%m %H:%M", tz=UTC))
fig.suptitle("LENZSPITZE (Crissier) : éblouissement par le soleil bas, matin du 02.11.2026", fontsize=14, x=0.02, ha="left")
fig.subplots_adjust(left=0.08, right=0.84, top=0.93, bottom=0.07)
fig.savefig(ICI.parent / "output" / "fig2_eblouissement-soleil_matin-02-11_LENZSPITZE.png")
def fig3(serie):
"""Passage d'un train le 01.11 à 11:00 (image de la même minute) : la tache de toutes les cibles perd sa netteté, pas sa lumière."""
pts = [("1001", COUL[2], "1001 (64 m)"), ("1012", COUL[1], "1012 (40 m)"), ("1016", "#7a3fa0", "1016 (30 m)"),
("1021", COUL[0], "1021 (16 m, témoin)")]
fig = plt.figure(figsize=(16, 10), dpi=150)
g = fig.add_gridspec(3, 3, height_ratios=[1.1, 1, 1], hspace=0.3, wspace=0.04)
zone = (1150, 560, 1000, 760)
for i, (nom, tit) in enumerate([("20261101T1001Z", "10:01 UTC : avant"),
("20261101T1100Z", "11:00 UTC : un train passe sur la voie"),
("20261101T1201Z", "12:01 UTC : après")]):
vignette(fig.add_subplot(g[0, i]), nom, zone, tit, [(n, c) for n, c, _ in pts], serie, vmin=0, vmax=255, rayon=16)
axe, axf = fig.add_subplot(g[1, :]), fig.add_subplot(g[2, :])
axf.sharex(axe)
t0, t1 = t("2026-11-01T10:00"), t("2026-11-01T12:30")
panneaux(axe, axf, serie, pts, t0, t1, [t("2026-11-01T11:00")], "sharpness", NETTETE)
tt, _, fl = series(serie, "1012", t0, t1, "flux")
axf.plot(tt, fl, color=COUL[1], lw=1.2, ls="--", label="1012 : lumière\nrenvoyée (flux)")
axf.legend(loc="upper left", bbox_to_anchor=(1.0, 1.0), frameon=False, fontsize=10)
axf.xaxis.set_major_formatter(mdates.DateFormatter("%d.%m %H:%M", tz=UTC))
fig.suptitle("LENZSPITZE (Crissier) : passage d'un train, 01.11.2026 à 11:00 UTC", fontsize=14, x=0.02, ha="left")
fig.subplots_adjust(left=0.08, right=0.84, top=0.93, bottom=0.07)
fig.savefig(ICI.parent / "output" / "fig3_passage-train_01-11_LENZSPITZE.png")
def annexe(serie):
"""Vue d'ensemble : part des mesures au-dessus du seuil, par point (trié par distance) et par jour."""
meta = motifs()
jours = sorted({d["t"].date() for s in serie.values() for d in s})
noms = sorted(serie, key=lambda n: -meta.get(n, {}).get("dist_m", -1))
M = np.zeros((len(noms), len(jours)))
for i, n in enumerate(noms):
c = defaultdict(lambda: [0, 0])
for d in serie[n]:
k = c[d["t"].date()]
k[0] += 1
k[1] += d["error_value"] > d["error_threshold"]
for j, jo in enumerate(jours):
M[i, j] = 100 * c[jo][1] / c[jo][0] if c[jo][0] else np.nan
bornes = [0, 0.001, 2, 10, 30, 101]
cmap = ListedColormap(["#ffffff", "#fde0c5", "#f59e5b", "#d9541e", "#8c1d04"]); cmap.set_bad("#dddddd")
fig, ax = plt.subplots(figsize=(16, 11), dpi=150)
im = ax.imshow(M, aspect="auto", interpolation="nearest", cmap=cmap, norm=BoundaryNorm(bornes, cmap.N))
lab = [f"{n} ({meta[n]['dist_m']:.0f} m)" if n in meta else f"{n} (distance inconnue)" for n in noms]
ax.set_yticks(range(len(noms)), lab, fontsize=9)
ax.set_xticks(range(len(jours)), [f"{j:%d.%m}" for j in jours], fontsize=9)
ax.set_xticks(np.arange(-0.5, len(jours)), minor=True); ax.set_yticks(np.arange(-0.5, len(noms)), minor=True)
ax.grid(which="minor", color="#eeeeee", lw=0.5); ax.tick_params(which="minor", length=0)
ax.set_xlabel("jour (UTC) ; 16.10 et 05.11 partiels")
ax.set_title("LENZSPITZE (Crissier) : part des mesures au-dessus du seuil d'alarme, par point et par jour\n"
"points classés du plus lointain (en haut) au plus proche", fontsize=13, loc="left")
cb = fig.colorbar(im, ax=ax, fraction=0.025, pad=0.02, ticks=[0.0005, 1, 6, 20, 65])
cb.ax.set_yticklabels(["0 %", "moins de 2 %", "2 à 10 %", "10 à 30 %", "plus de 30 %"])
cb.set_label("mesures du jour au-dessus du seuil")
fig.tight_layout()
fig.savefig(ICI / "annexe_vue-ensemble_hors-seuil_LENZSPITZE.png")
if __name__ == "__main__":
serie = charger()
fig1(serie)
fig2(serie)
fig3(serie)
annexe(serie)
print("\n".join(str(p) for p in sorted([*ICI.glob("annexe*.png"), *(ICI.parent / "output").glob("fig*.png")])))
@@ -0,0 +1,43 @@
Spearman, par point, error_value ~ métrique (sur toutes les mesures du lot) ; médiane sur les points, puis par point
1001 peak -0.32 flux -0.19 sharpness -0.27 fwhm +0.54 dominance +0.45 snr -0.41
1002 peak -0.49 flux -0.52 sharpness -0.50 fwhm -0.31 dominance -0.14 snr -0.17
1003 peak -0.40 flux -0.38 sharpness -0.32 fwhm +0.09 dominance +0.23 snr -0.48
1004 peak -0.42 flux -0.45 sharpness -0.23 fwhm -0.60 dominance -0.38 snr +0.12
1005 peak -0.56 flux -0.53 sharpness -0.54 fwhm -0.37 dominance +0.15 snr -0.14
1006 peak -0.21 flux +0.31 sharpness -0.54 fwhm +0.39 dominance +0.41 snr -0.48
1007 peak -0.67 flux -0.63 sharpness -0.66 fwhm -0.28 dominance -0.01 snr -0.18
1008 peak -0.85 flux -0.85 sharpness -0.94 fwhm -0.71 dominance +0.86 snr -0.91
1009 peak -0.00 flux +0.19 sharpness -0.73 fwhm +0.27 dominance +0.50 snr -0.64
1010 peak -0.53 flux -0.53 sharpness -0.49 fwhm -0.11 dominance +0.04 snr -0.51
1011 peak -0.18 flux -0.10 sharpness -0.71 fwhm +0.32 dominance +0.64 snr -0.75
1012 peak -0.61 flux -0.62 sharpness -0.65 fwhm -0.33 dominance +0.52 snr -0.68
1013 peak -0.68 flux -0.73 sharpness -0.72 fwhm -0.63 dominance +0.01 snr -0.46
1014 peak -0.54 flux -0.60 sharpness -0.38 fwhm -0.61 dominance +0.20 snr -0.37
1015 peak -0.82 flux -0.80 sharpness -0.47 fwhm -0.45 dominance -0.27 snr -0.26
1016 peak -0.58 flux -0.65 sharpness +0.03 fwhm -0.53 dominance -0.45 snr +0.24
1017 peak -0.40 flux +0.41 sharpness -0.83 fwhm +0.32 dominance +0.66 snr -0.78
1018 peak +0.28 flux +0.28 sharpness -0.12 fwhm -0.23 dominance -0.17 snr +0.03
1019 peak -0.62 flux -0.68 sharpness -0.21 fwhm -0.64 dominance -0.69 snr +0.40
101B peak -0.40 flux -0.39 sharpness -0.88 fwhm -0.33 dominance +0.75 snr -0.80
1020 peak -0.63 flux -0.66 sharpness -0.02 fwhm -0.62 dominance -0.31 snr +0.28
1021 peak -0.58 flux -0.70 sharpness +0.66 fwhm -0.51 dominance -0.67 snr +0.67
1022 peak -0.30 flux -0.28 sharpness +0.53 fwhm -0.56 dominance -0.66 snr +0.60
1023 peak -0.45 flux -0.56 sharpness +0.71 fwhm -0.73 dominance -0.63 snr +0.62
1024 peak -0.23 flux -0.41 sharpness +0.34 fwhm -0.26 dominance -0.26 snr +0.37
102H peak -0.40 flux -0.38 sharpness -0.43 fwhm -0.19 dominance -0.09 snr -0.18
201B peak -0.57 flux -0.49 sharpness -0.29 fwhm -0.21 dominance +0.02 snr -0.23
202H peak -0.23 flux -0.57 sharpness -0.26 fwhm -0.69 dominance +0.04 snr -0.12
7013B peak -0.32 flux -0.28 sharpness -0.55 fwhm -0.01 dominance +0.04 snr -0.34
7013H peak -0.18 flux -0.21 sharpness -0.09 fwhm -0.15 dominance +0.02 snr -0.06
8002 peak +0.07 flux +0.07 sharpness -0.29 fwhm -0.00 dominance +0.35 snr -0.49
8003 peak -0.17 flux -0.11 sharpness -0.54 fwhm -0.23 dominance +0.72 snr -0.77
8004 peak -0.18 flux -0.10 sharpness -0.82 fwhm -0.35 dominance +0.93 snr -0.94
8010 peak -0.15 flux -0.17 sharpness -0.34 fwhm -0.48 dominance +0.24 snr -0.36
8011 peak -0.23 flux -0.36 sharpness -0.11 fwhm -0.30 dominance -0.07 snr -0.07
8012 peak -0.28 flux -0.05 sharpness +0.00 fwhm +0.70 dominance -0.32 snr +0.39
8013 peak -0.15 flux -0.06 sharpness -0.06 fwhm +0.51 dominance -0.81 snr +0.79
8014 peak -0.89 flux -0.90 sharpness -0.91 fwhm -0.16 dominance -0.09 snr +0.01
8017 peak -0.52 flux +0.91 sharpness -0.86 fwhm +0.13 dominance -0.03 snr -0.63
8019 peak -0.26 flux +0.71 sharpness -0.76 fwhm -0.11 dominance -0.03 snr -0.30
92H peak -0.34 flux -0.30 sharpness -0.39 fwhm -0.16 dominance +0.18 snr -0.21
médiane : peak -0.40 flux -0.38 sharpness -0.39 fwhm -0.26 dominance +0.02 snr -0.23
@@ -0,0 +1,43 @@
Épisode 2026-10-26T02:00+00:00 → 2026-10-26T06:00+00:00 : par point, extrêmes sur la plage (rapports à la référence calme 28.10–01.11, même heure)
point dist_m ev/seuil_max n>seuil flux_min snr_min sharp_min fwhm_max dom_max
8010 176.1 1.39 50 -0.000 0.004 0.027 1.73 108.1
8011 150.1 1.40 50 0.000 0.082 0.034 1.38 2.0
8002 133.3 1.41 49 -0.000 0.005 0.025 1.57 103.8
8003 132.0 1.41 50 -0.000 0.006 0.036 1.47 117.3
8012 130.0 1.40 50 0.000 0.127 0.041 1.85 1.5
8013 96.1 1.43 50 -0.000 0.130 0.041 1.87 1.4
8004 88.9 1.40 50 0.000 0.009 0.045 1.67 85.0
1002 64.0 0.27 0 0.086 0.272 0.435 1.04 2.2
1001 63.7 1.37 36 0.000 0.010 0.067 1.34 67.0
1003 59.2 1.09 4 0.004 0.038 0.087 1.03 17.1
1004 59.2 0.40 0 0.025 0.259 0.309 1.01 1.9
92H 55.9 1.41 50 0.000 0.005 0.015 1.27 69.8
1005 54.4 1.23 31 0.003 0.021 0.069 1.05 38.9
1006 54.4 0.24 0 0.012 0.347 0.368 1.03 1.5
1008 49.7 1.15 6 0.039 0.354 0.243 1.10 1.4
1007 49.6 1.22 6 0.003 0.027 0.059 1.11 23.2
8014 48.8 1.37 50 0.002 0.021 0.093 1.23 12.8
7013B 47.7 0.25 0 0.041 0.153 0.236 1.02 3.0
7013H 47.7 1.40 40 0.001 0.004 0.018 1.47 124.2
201B 47.2 1.41 50 0.000 0.003 0.024 1.67 166.0
202H 47.2 1.40 50 0.000 0.004 0.028 1.91 118.4
101B 46.9 1.40 50 0.001 0.006 0.034 1.70 89.8
102H 46.9 1.41 50 -0.000 0.004 0.022 1.44 107.8
1009 44.8 0.18 0 0.032 0.451 0.453 1.01 1.3
1010 44.7 0.26 0 0.117 0.216 0.284 1.02 2.3
1012 39.9 0.21 0 0.181 0.303 0.437 1.01 2.1
1011 39.8 1.12 6 0.004 0.014 0.024 1.05 41.2
1014 35.1 0.18 0 0.377 0.510 0.619 1.02 1.4
1013 35.0 0.85 0 0.016 0.041 0.042 1.01 12.0
1016 30.4 0.36 0 0.575 0.820 0.923 1.02 1.2
1015 30.2 0.30 0 0.034 0.115 0.215 1.04 4.0
1018 25.9 0.42 0 0.451 1.107 0.990 0.90 0.8
1017 25.4 0.18 0 0.628 1.063 1.024 1.03 1.0
1020 21.3 0.39 0 0.644 0.920 0.959 1.00 1.1
1019 21.0 0.36 0 0.757 0.970 0.949 1.01 1.0
1022 16.6 0.41 0 0.495 0.610 0.825 1.15 2.0
1021 16.2 0.41 0 0.600 0.875 0.985 1.01 1.1
8017 15.2 0.24 0 0.867 1.013 1.061 1.02 1.1
1024 12.2 0.27 0 0.411 0.893 0.969 1.08 1.6
8019 - 0.26 0 0.866 0.856 1.035 1.09 1.2
1023 - 0.71 0 0.560 0.912 0.934 0.99 1.0
@@ -0,0 +1,234 @@
Mesures au-dessus du seuil avec flux >= 0.6 x habituel ; rapports à la référence calme
instant point ev/seuil flux snr sharp fwhm dom peak
2026-11-01 13:35 1008 1.02 1.10 0.42 0.55 1.13 1.8 0.74
2026-11-02 06:55 1008 1.15 0.92 0.23 0.54 1.01 2.9 0.82
2026-10-17 14:15 1023 1.05 0.94 1.53 1.45 0.92 0.6 1.32
2026-10-17 14:20 1023 1.05 0.96 1.48 1.43 0.93 0.6 1.32
2026-10-17 14:25 1023 1.03 0.99 1.43 1.32 0.93 0.7 1.31
2026-10-17 14:30 1023 1.01 0.98 1.44 1.31 0.93 0.7 1.31
2026-10-17 19:20 1023 1.02 1.10 1.23 1.34 0.98 1.0 1.34
2026-10-18 12:40 1023 1.03 0.62 1.54 1.34 0.92 0.6 0.92
2026-10-18 12:45 1023 1.02 0.64 1.28 1.28 0.93 0.8 0.81
2026-10-18 12:55 1023 1.03 0.83 1.47 1.33 0.90 0.6 1.11
2026-10-18 13:40 1023 1.00 0.73 1.05 1.15 0.93 0.8 0.73
2026-10-23 14:10 1023 1.01 0.79 1.44 1.26 0.93 0.7 1.13
2026-10-23 23:35 1023 1.05 0.62 1.36 1.29 0.91 0.6 0.85
2026-10-16 03:40 8012 1.08 0.64 3.45 1.22 1.24 0.4 0.43
2026-10-16 04:00 8012 1.09 0.81 5.05 1.38 1.25 0.2 0.50
2026-10-16 04:05 8012 1.09 0.81 5.33 1.39 1.25 0.2 0.50
2026-10-16 04:10 8012 1.09 0.81 5.61 1.41 1.25 0.2 0.50
2026-10-16 04:15 8012 1.09 0.72 5.23 1.33 1.25 0.2 0.44
2026-10-16 04:20 8012 1.09 0.81 6.39 1.43 1.25 0.2 0.51
2026-10-16 04:25 8012 1.09 0.92 7.44 1.54 1.24 0.2 0.59
2026-10-16 04:30 8012 1.08 0.91 7.29 1.52 1.25 0.2 0.57
2026-10-16 04:35 8012 1.08 0.84 7.04 1.47 1.25 0.2 0.52
2026-10-16 04:40 8012 1.08 0.80 7.32 1.46 1.25 0.2 0.51
2026-10-16 04:45 8012 1.08 0.86 8.54 1.52 1.25 0.1 0.54
2026-10-16 04:50 8012 1.08 0.90 9.61 1.57 1.25 0.1 0.56
2026-10-16 04:55 8012 1.08 0.97 10.86 1.62 1.25 0.1 0.61
2026-10-16 05:00 8012 1.08 0.90 10.97 1.63 1.26 0.1 0.59
2026-10-16 05:05 8012 1.08 0.84 10.16 1.57 1.27 0.1 0.54
2026-10-16 05:10 8012 1.08 0.85 10.93 1.60 1.27 0.1 0.55
2026-10-16 05:15 8012 1.08 0.76 10.75 1.52 1.27 0.1 0.50
2026-10-16 05:20 8012 1.08 0.73 9.79 1.47 1.28 0.1 0.45
2026-10-16 05:25 8012 1.08 0.89 12.14 1.61 1.27 0.1 0.57
2026-10-16 05:30 8012 1.08 0.87 11.62 1.59 1.27 0.1 0.55
2026-10-16 05:35 8012 1.08 0.89 11.97 1.61 1.26 0.1 0.57
2026-10-16 05:40 8012 1.08 0.92 12.12 1.60 1.27 0.1 0.59
2026-10-16 05:45 8012 1.08 0.92 12.30 1.61 1.27 0.1 0.59
2026-10-16 05:50 8012 1.08 0.95 12.29 1.63 1.27 0.1 0.61
2026-10-16 05:55 8012 1.08 0.97 10.30 1.52 1.28 0.1 0.57
2026-10-16 06:00 8012 1.08 0.91 9.28 1.57 1.26 0.1 0.59
2026-10-16 06:05 8012 1.08 0.91 7.85 1.54 1.25 0.1 0.60
2026-10-16 22:30 8012 1.00 0.78 2.21 1.21 1.28 0.5 0.51
2026-10-16 22:40 8012 1.01 0.75 2.28 1.20 1.28 0.5 0.49
2026-10-16 22:45 8012 1.02 0.74 2.47 1.23 1.27 0.5 0.50
2026-10-16 22:50 8012 1.03 0.85 2.57 1.30 1.27 0.5 0.58
2026-10-16 22:55 8012 1.01 0.80 2.39 1.27 1.26 0.6 0.56
2026-10-16 23:00 8012 1.01 0.82 2.34 1.26 1.25 0.5 0.55
2026-10-16 23:05 8012 1.02 0.74 2.54 1.24 1.25 0.5 0.49
2026-10-16 23:10 8012 1.03 0.67 2.60 1.21 1.25 0.5 0.47
2026-10-16 23:15 8012 1.03 0.67 2.62 1.20 1.25 0.5 0.45
2026-10-16 23:20 8012 1.06 0.67 3.01 1.22 1.26 0.4 0.44
2026-10-16 23:50 8012 1.09 0.83 6.10 1.51 1.25 0.2 0.58
2026-10-16 23:55 8012 1.09 0.85 6.13 1.51 1.25 0.2 0.59
2026-10-17 00:00 8012 1.09 0.90 6.30 1.50 1.25 0.2 0.57
2026-10-17 03:35 8012 1.08 0.80 18.87 1.60 1.26 0.0 0.52
2026-10-17 03:40 8012 1.08 0.73 16.96 1.52 1.27 0.0 0.46
2026-10-17 03:45 8012 1.08 0.66 15.42 1.47 1.27 0.1 0.41
2026-10-17 03:50 8012 1.08 0.63 15.57 1.42 1.26 0.1 0.42
2026-10-17 03:55 8012 1.08 0.95 17.66 1.68 1.27 0.0 0.60
2026-10-17 04:00 8012 1.08 1.07 16.28 1.70 1.26 0.1 0.65
2026-10-17 04:05 8012 1.08 1.07 14.36 1.70 1.25 0.1 0.67
2026-10-17 04:10 8012 1.08 1.04 11.46 1.63 1.26 0.1 0.62
2026-10-17 04:15 8012 1.08 1.04 9.90 1.61 1.26 0.1 0.62
2026-10-17 04:20 8012 1.08 1.09 8.59 1.61 1.25 0.1 0.67
2026-10-17 04:25 8012 1.08 1.10 6.29 1.54 1.26 0.2 0.64
2026-10-17 04:30 8012 1.09 1.10 4.96 1.51 1.26 0.2 0.65
2026-10-17 04:35 8012 1.09 1.10 3.82 1.44 1.25 0.3 0.65
2026-10-17 04:40 8012 1.09 1.07 3.51 1.43 1.25 0.3 0.64
2026-10-17 04:45 8012 1.06 1.08 2.89 1.38 1.25 0.4 0.64
2026-10-17 04:50 8012 1.02 1.09 2.33 1.33 1.24 0.5 0.65
2026-10-21 23:30 8012 1.02 0.67 3.11 1.02 1.23 0.3 0.46
2026-10-22 20:20 8012 1.01 0.62 2.58 1.05 1.22 0.4 0.43
2026-10-22 20:25 8012 1.04 0.61 3.00 1.09 1.22 0.4 0.41
2026-10-22 20:30 8012 1.06 0.63 3.35 1.13 1.23 0.3 0.44
2026-10-22 20:35 8012 1.09 0.67 3.78 1.18 1.23 0.3 0.45
2026-10-22 20:40 8012 1.09 0.68 3.91 1.21 1.23 0.3 0.46
2026-10-22 20:45 8012 1.09 0.69 4.18 1.23 1.23 0.3 0.47
2026-10-22 21:00 8012 1.09 0.65 5.34 1.24 1.24 0.2 0.43
2026-10-22 21:05 8012 1.09 0.66 5.64 1.26 1.24 0.2 0.44
2026-10-22 21:10 8012 1.09 0.66 6.02 1.26 1.24 0.2 0.44
2026-10-22 21:15 8012 1.09 0.65 6.15 1.27 1.25 0.2 0.42
2026-10-22 21:20 8012 1.09 0.66 6.67 1.29 1.25 0.2 0.42
2026-10-23 01:40 8012 1.08 0.62 15.94 1.34 1.27 0.1 0.39
2026-10-23 01:45 8012 1.08 0.70 17.43 1.44 1.26 0.0 0.45
2026-10-23 01:50 8012 1.08 0.68 16.70 1.40 1.26 0.0 0.43
2026-10-23 01:55 8012 1.08 0.67 17.09 1.40 1.26 0.0 0.44
2026-10-23 02:20 8012 1.08 0.64 15.45 1.36 1.24 0.1 0.44
2026-10-23 02:25 8012 1.08 0.60 14.78 1.32 1.24 0.1 0.41
2026-10-23 02:40 8012 1.08 0.80 17.08 1.50 1.25 0.0 0.53
2026-10-23 02:45 8012 1.08 0.80 14.86 1.49 1.24 0.1 0.54
2026-10-23 02:50 8012 1.08 0.81 13.05 1.48 1.25 0.1 0.53
2026-10-23 02:55 8012 1.08 0.80 12.14 1.46 1.25 0.1 0.52
2026-10-23 03:00 8012 1.08 0.81 10.96 1.43 1.25 0.1 0.52
2026-10-23 03:05 8012 1.08 0.85 10.56 1.46 1.25 0.1 0.54
2026-10-23 03:10 8012 1.08 0.82 8.75 1.40 1.25 0.1 0.53
2026-10-23 03:15 8012 1.08 0.81 7.52 1.37 1.25 0.1 0.52
2026-10-23 03:20 8012 1.09 0.85 6.66 1.36 1.26 0.2 0.53
2026-10-23 03:25 8012 1.08 0.87 6.42 1.38 1.25 0.2 0.55
2026-10-23 03:30 8012 1.08 0.85 5.98 1.36 1.25 0.2 0.54
2026-10-23 03:35 8012 1.09 0.86 5.53 1.35 1.24 0.2 0.57
2026-10-23 03:40 8012 1.09 0.87 4.97 1.33 1.25 0.2 0.56
2026-10-23 03:45 8012 1.09 0.86 4.50 1.31 1.25 0.2 0.56
2026-10-23 03:50 8012 1.08 0.86 3.53 1.26 1.24 0.3 0.56
2026-10-23 03:55 8012 1.05 0.87 3.08 1.24 1.23 0.4 0.59
2026-10-23 04:00 8012 1.02 0.94 2.67 1.20 1.23 0.4 0.58
2026-10-25 22:40 8012 1.06 0.63 3.57 1.08 1.26 0.3 0.43
2026-10-25 22:45 8012 1.09 0.68 4.29 1.16 1.26 0.3 0.47
2026-10-25 22:50 8012 1.09 0.64 4.24 1.14 1.26 0.3 0.45
2026-10-25 22:55 8012 1.10 0.73 4.48 1.23 1.25 0.3 0.52
2026-10-25 23:00 8012 1.08 0.78 4.08 1.26 1.23 0.3 0.56
2026-10-25 23:01 8012 1.08 0.78 4.14 1.25 1.22 0.3 0.57
2026-10-25 23:05 8012 1.02 0.76 3.04 1.17 1.22 0.4 0.55
2026-10-25 23:10 8012 1.00 0.75 2.79 1.15 1.22 0.4 0.53
2026-10-26 00:00 8012 1.01 0.61 3.20 1.01 1.21 0.4 0.42
2026-10-26 00:05 8012 1.04 0.60 3.58 1.04 1.21 0.3 0.41
2026-10-26 00:10 8012 1.08 0.61 4.37 1.07 1.22 0.3 0.42
2026-10-26 07:05 8012 1.08 0.73 9.99 1.27 1.23 0.1 0.45
2026-10-26 07:10 8012 1.08 0.71 8.91 1.28 1.24 0.1 0.42
2026-10-26 07:15 8012 1.08 0.71 7.84 1.26 1.25 0.1 0.41
2026-10-26 07:20 8012 1.08 0.72 7.18 1.21 1.24 0.1 0.41
2026-10-26 07:25 8012 1.08 0.72 6.50 1.19 1.24 0.1 0.42
2026-10-26 07:30 8012 1.08 0.73 5.85 1.17 1.24 0.1 0.43
2026-10-26 07:35 8012 1.08 0.73 5.62 1.16 1.23 0.2 0.45
2026-10-26 07:40 8012 1.08 0.73 4.88 1.13 1.23 0.2 0.45
2026-10-26 07:45 8012 1.08 0.73 4.65 1.12 1.23 0.2 0.46
2026-10-26 07:50 8012 1.09 0.74 4.38 1.10 1.22 0.2 0.48
2026-10-26 07:55 8012 1.09 0.74 3.89 1.07 1.22 0.2 0.47
2026-10-26 08:00 8012 1.09 0.71 3.22 1.02 1.23 0.3 0.43
2026-10-26 08:01 8012 1.09 0.71 3.27 1.02 1.22 0.3 0.43
2026-10-26 08:05 8012 1.07 0.74 2.76 0.96 1.22 0.3 0.43
2026-10-26 08:10 8012 1.03 0.78 2.49 0.95 1.20 0.4 0.50
2026-10-27 08:20 8012 1.07 0.65 10.79 1.23 1.25 0.1 0.38
2026-10-27 08:25 8012 1.08 0.71 10.76 1.28 1.25 0.1 0.42
2026-10-27 08:30 8012 1.08 0.82 10.86 1.30 1.23 0.1 0.51
2026-10-27 08:35 8012 1.08 0.82 10.11 1.31 1.24 0.1 0.51
2026-10-27 08:40 8012 1.08 0.83 8.78 1.27 1.24 0.1 0.50
2026-10-27 08:45 8012 1.08 0.82 5.83 1.19 1.23 0.2 0.50
2026-10-27 08:50 8012 1.08 0.81 3.15 1.05 1.22 0.3 0.49
2026-10-28 03:35 8012 1.01 0.83 2.96 1.13 1.21 0.3 0.58
2026-10-28 03:40 8012 1.02 0.80 3.05 1.13 1.22 0.3 0.55
2026-10-28 03:45 8012 1.07 0.78 3.92 1.18 1.22 0.3 0.54
2026-10-28 03:50 8012 1.06 0.66 3.76 1.10 1.23 0.3 0.45
2026-10-28 03:55 8012 1.09 0.74 4.81 1.22 1.24 0.2 0.51
2026-10-28 04:00 8012 1.08 0.78 5.55 1.24 1.24 0.2 0.48
2026-10-28 04:01 8012 1.08 0.75 5.70 1.23 1.24 0.2 0.47
2026-10-28 04:35 8012 1.08 0.78 6.87 1.32 1.24 0.2 0.49
2026-10-28 04:40 8012 1.08 0.96 5.01 1.36 1.24 0.2 0.59
2026-10-28 04:45 8012 1.02 0.96 2.70 1.20 1.23 0.4 0.59
2026-10-16 04:00 8013 1.01 0.82 19.49 1.38 1.09 0.0 0.74
2026-10-16 04:05 8013 1.01 0.82 19.79 1.39 1.09 0.0 0.74
2026-10-16 04:10 8013 1.01 0.82 19.88 1.39 1.09 0.0 0.74
2026-10-16 04:15 8013 1.01 0.72 18.84 1.33 1.09 0.0 0.65
2026-10-16 04:20 8013 1.01 0.82 21.03 1.40 1.09 0.0 0.75
2026-10-16 04:25 8013 1.01 0.92 22.78 1.47 1.09 0.0 0.86
2026-10-16 04:30 8013 1.01 0.92 22.09 1.47 1.09 0.0 0.83
2026-10-16 04:35 8013 1.01 0.85 21.62 1.41 1.09 0.0 0.76
2026-10-16 04:40 8013 1.01 0.81 22.08 1.41 1.09 0.0 0.75
2026-10-16 04:45 8013 1.02 0.86 23.05 1.44 1.09 0.0 0.80
2026-10-16 04:50 8013 1.02 0.91 23.25 1.45 1.09 0.0 0.83
2026-10-16 04:55 8013 1.02 0.98 24.18 1.49 1.09 0.0 0.89
2026-10-16 05:00 8013 1.02 0.99 24.52 1.50 1.09 0.0 0.89
2026-10-16 05:05 8013 1.02 0.92 23.57 1.46 1.10 0.0 0.83
2026-10-16 05:10 8013 1.02 0.94 23.81 1.47 1.10 0.0 0.83
2026-10-16 05:15 8013 1.02 0.84 23.13 1.40 1.09 0.0 0.76
2026-10-16 05:20 8013 1.02 0.80 21.52 1.37 1.10 0.0 0.69
2026-10-16 05:25 8013 1.02 0.98 24.13 1.46 1.10 0.0 0.87
2026-10-16 05:30 8013 1.02 0.95 23.58 1.46 1.10 0.0 0.84
2026-10-16 05:35 8013 1.02 0.97 24.00 1.47 1.09 0.0 0.87
2026-10-16 05:40 8013 1.02 1.01 23.07 1.45 1.10 0.0 0.89
2026-10-16 05:45 8013 1.02 1.00 23.42 1.45 1.09 0.0 0.90
2026-10-16 05:50 8013 1.02 1.05 23.50 1.47 1.10 0.0 0.93
2026-10-16 05:55 8013 1.02 1.06 20.82 1.40 1.11 0.0 0.87
2026-10-16 06:00 8013 1.02 1.04 22.59 1.48 1.09 0.0 0.94
2026-10-16 06:05 8013 1.02 1.04 22.15 1.50 1.09 0.0 0.95
2026-10-16 22:40 8013 1.00 0.83 17.66 1.35 1.11 0.0 0.74
2026-10-16 22:45 8013 1.00 0.82 18.97 1.37 1.10 0.0 0.77
2026-10-16 22:50 8013 1.01 0.94 20.56 1.44 1.10 0.0 0.88
2026-10-16 22:55 8013 1.01 0.88 21.02 1.42 1.10 0.0 0.86
2026-10-16 23:00 8013 1.01 0.90 20.31 1.41 1.10 0.0 0.83
2026-10-16 23:05 8013 1.01 0.81 19.72 1.36 1.10 0.0 0.75
2026-10-16 23:10 8013 1.01 0.74 20.33 1.34 1.09 0.0 0.71
2026-10-16 23:15 8013 1.01 0.73 20.24 1.32 1.10 0.0 0.69
2026-10-16 23:20 8013 1.01 0.73 20.81 1.32 1.10 0.0 0.67
2026-10-16 23:35 8013 1.02 0.65 20.79 1.29 1.10 0.0 0.60
2026-10-16 23:40 8013 1.02 0.65 21.73 1.29 1.10 0.0 0.62
2026-10-16 23:45 8013 1.02 0.64 22.65 1.26 1.09 0.0 0.63
2026-10-16 23:50 8013 1.01 0.90 26.63 1.49 1.09 0.0 0.89
2026-10-17 03:35 8013 1.02 0.87 22.94 1.42 1.09 0.0 0.77
2026-10-17 03:45 8013 1.02 0.72 20.52 1.33 1.10 0.0 0.62
2026-10-17 03:50 8013 1.02 0.69 21.11 1.30 1.09 0.0 0.63
2026-10-17 03:55 8013 1.01 1.04 23.64 1.50 1.10 0.0 0.89
2026-10-17 04:00 8013 1.02 1.07 24.86 1.50 1.10 0.0 0.95
2026-10-17 04:05 8013 1.02 1.08 25.69 1.53 1.09 0.0 0.98
2026-10-17 04:10 8013 1.02 1.04 24.01 1.49 1.10 0.0 0.91
2026-10-17 04:15 8013 1.02 1.05 23.54 1.49 1.10 0.0 0.90
2026-10-17 04:20 8013 1.02 1.10 24.91 1.51 1.09 0.0 0.98
2026-10-17 04:25 8013 1.02 1.11 23.16 1.49 1.10 0.0 0.94
2026-10-17 04:30 8013 1.02 1.11 22.51 1.50 1.10 0.0 0.95
2026-10-17 04:35 8013 1.01 1.11 21.88 1.49 1.10 0.0 0.96
2026-10-17 04:40 8013 1.01 1.09 21.52 1.48 1.10 0.0 0.94
2026-10-17 04:45 8013 1.01 1.10 20.47 1.47 1.10 0.0 0.94
2026-10-17 04:50 8013 1.01 1.11 19.50 1.47 1.10 0.0 0.95
2026-10-17 04:55 8013 1.00 1.10 18.58 1.46 1.10 0.0 0.94
2026-10-17 05:00 8013 1.00 1.10 17.90 1.46 1.10 0.0 0.94
2026-10-17 05:01 8013 1.00 1.09 17.57 1.42 1.10 0.0 0.92
2026-10-22 21:00 8013 1.01 0.71 18.32 1.26 1.09 0.0 0.66
2026-10-22 21:05 8013 1.01 0.72 18.91 1.27 1.09 0.0 0.67
2026-10-22 21:10 8013 1.01 0.71 19.08 1.27 1.08 0.0 0.66
2026-10-22 21:15 8013 1.01 0.71 18.83 1.27 1.09 0.0 0.64
2026-10-22 21:20 8013 1.01 0.71 19.15 1.26 1.09 0.0 0.64
2026-10-22 21:30 8013 1.01 0.64 18.06 1.21 1.09 0.0 0.57
2026-10-22 21:55 8013 1.02 0.62 19.39 1.21 1.09 0.0 0.56
2026-10-22 22:00 8013 1.02 0.61 20.49 1.18 1.09 0.0 0.57
2026-10-22 22:05 8013 1.02 0.65 20.43 1.23 1.10 0.0 0.59
2026-10-23 01:55 8013 1.02 0.71 22.57 1.24 1.09 0.0 0.65
2026-10-23 02:00 8013 1.02 0.62 18.99 1.19 1.09 0.0 0.57
2026-10-23 02:25 8013 1.02 0.66 20.76 1.23 1.08 0.0 0.63
2026-10-23 02:35 8013 1.02 0.64 20.10 1.23 1.08 0.0 0.60
2026-10-23 02:40 8013 1.02 0.88 22.55 1.37 1.08 0.0 0.81
2026-10-23 02:45 8013 1.01 0.89 21.98 1.38 1.08 0.0 0.83
2026-10-23 02:50 8013 1.01 0.90 20.94 1.37 1.08 0.0 0.81
2026-10-23 02:55 8013 1.01 0.88 20.59 1.36 1.08 0.0 0.78
2026-10-23 03:00 8013 1.01 0.89 20.19 1.34 1.09 0.0 0.77
2026-10-23 03:05 8013 1.01 0.93 20.29 1.37 1.08 0.0 0.81
2026-10-23 03:10 8013 1.01 0.90 18.68 1.34 1.09 0.0 0.78
2026-10-23 03:15 8013 1.01 0.89 17.99 1.31 1.09 0.0 0.77
2026-10-23 03:20 8013 1.00 0.94 17.45 1.33 1.09 0.0 0.78
2026-10-23 03:25 8013 1.00 0.95 17.72 1.35 1.09 0.0 0.82
2026-10-27 08:20 8013 1.01 0.79 12.20 1.21 1.09 0.0 0.66
2026-10-27 08:25 8013 1.01 0.87 12.41 1.27 1.08 0.0 0.73
2026-10-27 08:30 8013 1.01 1.01 12.08 1.30 1.08 0.0 0.88
2026-10-27 08:35 8013 1.01 1.01 11.97 1.31 1.08 0.0 0.87
2026-10-27 08:40 8013 1.00 1.02 11.09 1.28 1.08 0.0 0.86
@@ -0,0 +1,22 @@
jour cibles %>seuil réf. %>seuil
2026-10-16 0.04 4.01
2026-10-17 1.85 7.07
2026-10-18 0.13 0.00
2026-10-19 0.10 0.32
2026-10-20 0.33 0.53
2026-10-21 0.29 0.49
2026-10-22 0.72 4.51
2026-10-23 1.40 5.03
2026-10-24 0.91 0.19
2026-10-25 0.95 1.13
2026-10-26 8.00 20.91
2026-10-27 7.64 20.15
2026-10-28 0.17 0.71
2026-10-29 0.15 0.11
2026-10-30 0.15 0.15
2026-10-31 0.04 0.04
2026-11-01 0.04 0.00
2026-11-02 0.04 0.00
2026-11-03 0.19 0.19
2026-11-04 0.03 0.04
2026-11-05 0.07 0.17
@@ -0,0 +1,42 @@
202H 16.10 06:00 snr 0.07 flux 0.13 dom 11.6 ev/seuil 0.51
202H 17.10 06:45 snr 0.30 flux 1.15 dom 2.9 ev/seuil 0.15
202H 18.10 06:50 snr 0.96 flux 1.05 dom 0.9 ev/seuil 0.14
202H 19.10 07:55 snr 0.27 flux 1.23 dom 3.5 ev/seuil 0.20
202H 20.10 06:55 snr 0.48 flux 1.22 dom 1.6 ev/seuil 0.14
202H 21.10 06:35 snr 0.88 flux 1.02 dom 1.2 ev/seuil 0.10
202H 22.10 06:25 snr 0.24 flux 0.98 dom 3.6 ev/seuil 0.20
202H 23.10 07:55 snr 0.88 flux 0.99 dom 1.1 ev/seuil 0.15
202H 24.10 07:15 snr 0.83 flux 0.78 dom 1.1 ev/seuil 0.16
202H 25.10 08:55 snr 0.91 flux 0.88 dom 1.1 ev/seuil 0.14
202H 26.10 06:00 snr 0.01 flux 0.00 dom 115.9 ev/seuil 1.39
202H 27.10 06:15 snr 0.00 flux 0.00 dom 110.3 ev/seuil 1.40
202H 28.10 06:40 snr 0.86 flux 1.12 dom 1.1 ev/seuil 0.08
202H 29.10 07:35 snr 0.87 flux 1.00 dom 1.1 ev/seuil 0.15
202H 30.10 06:55 snr 0.93 flux 0.98 dom 1.0 ev/seuil 0.12
202H 31.10 07:55 snr 0.90 flux 1.02 dom 1.2 ev/seuil 0.13
202H 01.11 07:00 snr 0.01 flux 0.03 dom 101.7 ev/seuil 1.36
202H 02.11 07:05 snr 0.01 flux 0.05 dom 106.6 ev/seuil 1.37
202H 03.11 07:05 snr 0.26 flux 0.90 dom 4.5 ev/seuil 0.27
202H 04.11 07:55 snr 0.49 flux 0.95 dom 1.8 ev/seuil 0.19
202H 05.11 07:50 snr 0.24 flux 0.88 dom 4.3 ev/seuil 0.25
101B 16.10 06:00 snr 0.09 flux 0.07 dom 7.8 ev/seuil 0.73
101B 17.10 06:45 snr 0.45 flux 1.06 dom 1.8 ev/seuil 0.16
101B 18.10 08:55 snr 0.45 flux 0.51 dom 2.3 ev/seuil 0.26
101B 19.10 07:55 snr 0.44 flux 1.14 dom 2.5 ev/seuil 0.22
101B 20.10 06:55 snr 0.47 flux 1.17 dom 1.7 ev/seuil 0.17
101B 21.10 06:35 snr 0.33 flux 0.30 dom 1.8 ev/seuil 0.23
101B 22.10 07:50 snr 0.36 flux 0.80 dom 2.9 ev/seuil 0.31
101B 23.10 06:50 snr 0.40 flux 0.36 dom 1.8 ev/seuil 0.21
101B 24.10 07:35 snr 0.41 flux 0.38 dom 2.2 ev/seuil 0.23
101B 25.10 06:55 snr 0.86 flux 1.03 dom 1.1 ev/seuil 0.12
101B 26.10 06:00 snr 0.01 flux 0.00 dom 85.1 ev/seuil 1.40
101B 27.10 06:05 snr 0.01 flux 0.00 dom 85.1 ev/seuil 1.40
101B 28.10 08:45 snr 0.86 flux 1.07 dom 1.1 ev/seuil 0.13
101B 29.10 07:35 snr 0.81 flux 0.99 dom 1.3 ev/seuil 0.19
101B 30.10 06:55 snr 0.89 flux 0.98 dom 1.1 ev/seuil 0.13
101B 31.10 07:55 snr 0.91 flux 1.01 dom 1.1 ev/seuil 0.13
101B 01.11 07:01 snr 0.28 flux 0.94 dom 3.2 ev/seuil 0.32
101B 02.11 06:45 snr 0.17 flux 0.82 dom 4.9 ev/seuil 0.40
101B 03.11 07:55 snr 0.70 flux 0.95 dom 1.3 ev/seuil 0.18
101B 04.11 06:55 snr 0.84 flux 0.94 dom 1.0 ev/seuil 0.14
101B 05.11 07:45 snr 0.40 flux 0.93 dom 2.5 ev/seuil 0.25
@@ -0,0 +1,42 @@
Plage 2026-11-02T06:30+00:00 → 2026-11-02T07:30+00:00
1001 snr min 0.39 méd 0.57 flux min 0.75 méd 0.92 ev/seuil max 0.22
1002 snr min 0.15 méd 0.36 flux min 0.58 méd 0.80 ev/seuil max 0.39
1003 snr min 0.35 méd 0.52 flux min 0.43 méd 0.62 ev/seuil max 0.18
1004 snr min 0.32 méd 0.80 flux min 0.77 méd 0.90 ev/seuil max 0.21
1005 snr min 0.49 méd 0.66 flux min 0.61 méd 0.83 ev/seuil max 0.17
1006 snr min 0.59 méd 0.84 flux min 0.92 méd 0.98 ev/seuil max 0.31
1007 snr min 0.55 méd 0.69 flux min 0.54 méd 0.74 ev/seuil max 0.17
1008 snr min 0.23 méd 0.60 flux min 0.73 méd 0.94 ev/seuil max 1.15
1009 snr min 0.85 méd 0.93 flux min 0.63 méd 0.83 ev/seuil max 0.20
1010 snr min 0.07 méd 0.31 flux min 0.65 méd 1.08 ev/seuil max 0.40
1011 snr min 0.32 méd 0.43 flux min 0.60 méd 0.84 ev/seuil max 0.18
1012 snr min 0.06 méd 0.29 flux min 0.80 méd 1.05 ev/seuil max 0.58
1013 snr min 0.18 méd 0.32 flux min 0.59 méd 0.76 ev/seuil max 0.19
1014 snr min 0.10 méd 0.27 flux min 0.73 méd 0.90 ev/seuil max 0.48
1015 snr min 0.29 méd 0.47 flux min 0.71 méd 0.76 ev/seuil max 0.17
1016 snr min 0.25 méd 0.34 flux min 0.83 méd 0.99 ev/seuil max 0.29
1017 snr min 0.69 méd 0.83 flux min 0.93 méd 0.94 ev/seuil max 0.29
1018 snr min 0.64 méd 0.77 flux min 0.86 méd 1.03 ev/seuil max 0.18
1019 snr min 0.57 méd 0.68 flux min 0.75 méd 1.00 ev/seuil max 0.23
101B snr min 0.17 méd 0.31 flux min 0.82 méd 0.86 ev/seuil max 0.40
1020 snr min 0.31 méd 0.52 flux min 0.81 méd 0.99 ev/seuil max 0.34
1021 snr min 0.62 méd 0.84 flux min 0.56 méd 0.93 ev/seuil max 0.33
1022 snr min 0.39 méd 0.67 flux min 0.63 méd 1.02 ev/seuil max 0.38
1023 snr min 0.58 méd 0.63 flux min 0.81 méd 0.83 ev/seuil max 0.58
1024 snr min 0.67 méd 0.75 flux min 0.90 méd 0.98 ev/seuil max 0.24
102H snr min 0.22 méd 0.42 flux min 0.76 méd 0.85 ev/seuil max 0.21
201B snr min 0.23 méd 0.32 flux min 0.79 méd 0.91 ev/seuil max 0.21
202H snr min 0.01 méd 0.26 flux min 0.05 méd 0.84 ev/seuil max 1.37
7013B snr min 0.35 méd 0.52 flux min 0.63 méd 0.80 ev/seuil max 0.23
7013H snr min 0.33 méd 0.46 flux min 0.63 méd 0.80 ev/seuil max 0.18
8002 snr min 0.30 méd 0.47 flux min 0.62 méd 0.69 ev/seuil max 0.27
8003 snr min 0.08 méd 0.22 flux min 0.70 méd 1.00 ev/seuil max 0.74
8004 snr min 0.11 méd 0.22 flux min 0.69 méd 0.80 ev/seuil max 0.69
8010 snr min 0.21 méd 0.34 flux min 0.92 méd 1.01 ev/seuil max 0.41
8011 snr min 0.45 méd 0.67 flux min 0.72 méd 0.87 ev/seuil max 0.65
8012 snr min 0.58 méd 0.86 flux min 0.77 méd 1.03 ev/seuil max 0.53
8013 snr min 0.57 méd 0.78 flux min 0.82 méd 0.97 ev/seuil max 0.48
8014 snr min 0.73 méd 0.78 flux min 0.66 méd 0.73 ev/seuil max 0.20
8017 snr min 0.84 méd 0.90 flux min 0.89 méd 0.92 ev/seuil max 0.28
8019 snr min 0.83 méd 1.17 flux min 0.92 méd 0.95 ev/seuil max 0.32
92H snr min 0.15 méd 0.94 flux min 0.06 méd 0.79 ev/seuil max 0.38
@@ -0,0 +1,49 @@
point type motif dist_m taille ev/seuil_med p95 %rej flux_med snr_med sharp_med fwhm_med dom_med pk/max
1023 cib - - - 0.58 0.88 0.3 365027 1795 0.028 7.04 0.005 0.75
1022 cib target02 16.6 54.0 0.32 0.46 0.1 224387 1169 0.032 5.62 0.008 0.52
1020 cib target02 21.3 42.0 0.29 0.36 0.1 76097 754 0.046 4.28 0.010 0.24
8012 réf global_ref 130.0 17.0 0.29 1.08 7.1 17899 26 0.041 2.78 0.646 0.18
1008 cib target02 49.7 17.0 0.27 0.82 3.2 8676 73 0.047 2.85 0.084 0.06
8019 réf global_ref - - 0.27 0.33 0.2 457459 605 0.039 5.93 0.024 1.00
1021 cib target 16.2 47.0 0.26 0.47 0.0 762699 1134 0.027 6.81 0.010 1.00
8013 réf global_ref 96.1 15.5 0.26 1.01 5.3 16756 26 0.048 3.15 0.698 0.12
8017 réf global_ref 15.2 48.5 0.25 0.29 0.0 1034366 335 0.017 7.44 0.030 1.00
1016 cib target02 30.4 30.0 0.24 0.42 0.2 58044 1036 0.063 4.01 0.007 0.26
8011 réf global_ref 150.1 17.5 0.24 0.76 3.9 30523 37 0.049 3.41 0.498 0.18
8010 cib ref 176.1 13.5 0.22 0.49 4.0 12693 604 0.074 3.28 0.009 0.11
1024 cib ref 12.2 85.5 0.21 0.42 0.0 767371 1045 0.025 7.17 0.009 1.00
1017 cib target 25.4 34.0 0.18 0.31 0.0 495867 1205 0.041 5.55 0.007 1.00
8004 réf global_ref 88.9 12.5 0.15 0.43 3.1 6998 311 0.043 3.36 0.013 0.04
1019 cib target 21.0 42.0 0.15 0.66 0.0 98280 694 0.047 4.56 0.013 0.30
202H cib target05 47.2 15.5 0.14 0.62 4.0 32104 703 0.051 4.32 0.009 0.15
101B cib target05 46.9 16.5 0.14 0.82 4.5 11626 400 0.050 3.48 0.012 0.07
1001 cib target 63.7 16.0 0.13 0.29 1.4 26689 271 0.092 2.84 0.015 0.17
8003 cib ref 132.0 16.0 0.13 0.29 1.7 8329 436 0.054 3.32 0.010 0.06
1015 cib target 30.2 42.5 0.12 0.36 0.0 214710 1801 0.051 5.09 0.005 0.70
1018 cib target02 25.9 37.5 0.12 0.32 0.2 278792 1170 0.053 5.07 0.009 0.86
1011 cib target 39.8 25.5 0.12 0.30 0.3 136694 1775 0.066 4.35 0.004 0.71
8014 réf global_ref 48.8 54.5 0.12 0.95 4.7 78770 111 0.008 7.36 0.114 0.11
92H réf global_ref 55.9 29.0 0.11 0.22 3.0 180757 869 0.061 4.37 0.011 0.72
1007 cib target 49.6 24.0 0.11 0.21 0.3 61528 382 0.087 2.84 0.014 0.43
201B cib target05 47.2 17.5 0.10 0.33 3.4 50736 1015 0.057 4.17 0.006 0.27
1014 cib target02 35.1 31.0 0.10 0.21 0.2 26611 676 0.050 4.13 0.009 0.11
1009 cib target 44.8 29.0 0.10 0.25 0.0 181035 559 0.076 3.50 0.012 0.95
1005 cib target 54.4 16.5 0.09 0.26 0.7 38440 334 0.102 2.83 0.013 0.29
1013 cib target 35.0 34.5 0.09 0.47 0.2 63695 1016 0.060 3.97 0.007 0.29
1002 cib target02 64.0 20.0 0.08 0.44 3.0 16642 270 0.090 2.90 0.019 0.11
1004 cib target02 59.2 19.5 0.08 0.26 1.5 33021 208 0.094 2.99 0.028 0.19
7013B cib target05 47.7 13.5 0.08 0.17 0.2 89067 1342 0.076 3.89 0.006 0.51
1006 cib target02 54.4 16.0 0.08 0.29 0.2 171638 260 0.090 3.03 0.027 0.99
1010 cib target02 44.7 18.5 0.07 0.28 0.2 46389 1145 0.058 3.95 0.006 0.26
1003 cib target 59.2 14.0 0.07 0.18 0.3 48467 301 0.095 2.89 0.015 0.31
102H cib target05 46.9 18.0 0.07 0.33 3.7 50091 832 0.080 3.37 0.009 0.34
7013H cib target05 47.7 18.5 0.07 0.21 2.2 95751 1430 0.076 3.90 0.006 0.54
8002 réf global_ref 133.3 19.5 0.07 0.29 1.3 30253 646 0.089 3.38 0.009 0.20
1012 cib target02 39.9 25.5 0.07 0.33 0.3 32113 771 0.060 3.98 0.008 0.15
Spearman ev/seuil médian ~ distance (n=39) : -0.20
Spearman ev/seuil médian ~ taille (n=39) : +0.18
Spearman ev/seuil médian ~ snr médian (n=41) : -0.05
Spearman ev/seuil médian ~ flux médian (n=41) : +0.14
Spearman ev/seuil médian ~ sharpness médian (n=41) : -0.74
Spearman ev/seuil médian ~ dominance médian (n=41) : +0.20
Spearman ev/seuil médian ~ fwhm médian (n=41) : +0.32
@@ -0,0 +1,217 @@
"""Chiffres de l'analyse des métriques de qualité, LENZSPITZE, lot 2026-10-16 → 2026-11-05T11:00Z.
Usage (racine du dépôt) : python3 support/2026-11-12_LENZSPITZE_metrique-qualite/analyste/outils/stats.py [section]
Sections : points (défaut), episode DEBUT FIN, correl, jours, intact, plage DEBUT FIN, matins, instant DEBUT FIN. Lecture seule de data/LENZSPITZE/."""
import csv, glob, json, math, statistics, sys
from collections import defaultdict
from datetime import datetime
DOSSIER = "data/LENZSPITZE"
DEBUT, FIN = datetime.fromisoformat("2026-10-16T00:00+00:00"), datetime.fromisoformat("2026-11-05T11:00+00:00")
CALME = (datetime.fromisoformat("2026-10-28T00:00+00:00"), datetime.fromisoformat("2026-11-01T00:00+00:00"))
METRIQUES = ["peak", "flux", "sharpness", "fwhm", "dominance", "snr"]
def charger():
"""Une liste de dicts par capteur, triée par temps ; valeurs float (None si vide)."""
serie = defaultdict(list)
for f in sorted(glob.glob(f"{DOSSIER}/displacement/*_advanced_*.csv")):
for r in csv.DictReader(open(f)):
t = datetime.fromisoformat(r["time_utc"])
if not DEBUT <= t <= FIN:
continue
d = {"t": t}
for k in ["error_value", "error_threshold", "reproj_err", "x", "y"] + METRIQUES:
d[k] = float(r[k]) if r[k] else None
d["motif"] = r["pattern_type"]
serie[r["sensor_name"]].append(d)
for s in serie.values():
s.sort(key=lambda d: d["t"])
return serie
def motifs():
d = json.load(open(f"{DOSSIER}/lentzpitze_patterns.json"))
out = {}
for v in d.values():
if isinstance(v, dict) and "sensor_name" in v:
c = v["corners"]
out[str(v["sensor_name"])] = {"dist_m": v["distance_mm"] / 1000, "taille_px": (c[1][0] - c[0][0] + c[1][1] - c[0][1]) / 2,
"motif": v["pattern_type"]}
return out
def reference_calme(mesures, m):
"""Médiane de la métrique m par heure UTC du jour sur les jours calmes."""
par_h = defaultdict(list)
for d in mesures:
if CALME[0] <= d["t"] < CALME[1] and d[m] is not None:
par_h[d["t"].hour].append(d[m])
return {h: statistics.median(v) for h, v in par_h.items()}
def rang(v):
o = sorted(range(len(v)), key=v.__getitem__)
r = [0] * len(v)
for i, j in enumerate(o):
r[j] = i
return r
def spearman(a, b):
ra, rb = rang(a), rang(b)
return statistics.correlation(ra, rb) if len(a) > 2 else float("nan")
def points(serie, meta):
print("point type motif dist_m taille ev/seuil_med p95 %rej flux_med snr_med sharp_med fwhm_med dom_med pk/max")
pkmax = max(d["peak"] for s in serie.values() for d in s if d["peak"] is not None)
lignes = []
for n, s in serie.items():
glob_ref = any(d["reproj_err"] is not None for d in s)
ev = [d["error_value"] / d["error_threshold"] for d in s]
rej = sum(e > 1 for e in ev) / len(ev) * 100
med = {m: statistics.median(d[m] for d in s if d[m] is not None) for m in METRIQUES}
q = statistics.quantiles(ev, n=20)[-1]
mm = meta.get(n, {})
lignes.append((n, "réf" if glob_ref else "cib", s[0]["motif"] or "-", mm.get("dist_m"), mm.get("taille_px"),
statistics.median(ev), q, rej, med, med["peak"] / pkmax))
lignes.sort(key=lambda l: -l[5])
for n, ty, mo, di, ta, e, q, rj, med, pk in lignes:
print(f"{n:6} {ty:4} {mo:10} {di if di else '-':>6} {ta if ta else '-':>6} {e:12.2f} {q:5.2f} {rj:5.1f} {med['flux']:9.0f} {med['snr']:8.0f}"
f" {med['sharpness']:9.3f} {med['fwhm']:8.2f} {med['dominance']:8.3f} {pk:6.2f}")
# niveau habituel face à la distance, la taille, le snr (rangs, tous points avec motif)
av = [l for l in lignes if l[3] is not None]
for nom, idx in (("distance", 3), ("taille", 4)):
print(f"Spearman ev/seuil médian ~ {nom} (n={len(av)}) : {spearman([l[5] for l in av], [l[idx] for l in av]):+.2f}")
for m in ("snr", "flux", "sharpness", "dominance", "fwhm"):
print(f"Spearman ev/seuil médian ~ {m} médian (n={len(lignes)}) : {spearman([l[5] for l in lignes], [l[8][m] for l in lignes]):+.2f}")
def correl(serie):
"""Par point, sur le lot, Spearman entre error_value et chaque métrique (rapport à la référence calme)."""
print("Spearman, par point, error_value ~ métrique (sur toutes les mesures du lot) ; médiane sur les points, puis par point")
tous = defaultdict(list)
for n, s in sorted(serie.items()):
ligne = []
for m in METRIQUES:
v = [(d["error_value"], d[m]) for d in s if d[m] is not None]
r = spearman([a for a, _ in v], [b for _, b in v])
tous[m].append(r)
ligne.append(f"{m} {r:+.2f}")
print(f" {n:6} " + " ".join(ligne))
print("médiane : " + " ".join(f"{m} {statistics.median(tous[m]):+.2f}" for m in METRIQUES))
def episode(serie, meta, debut, fin):
"""Par point : error_value/seuil max, rapport flux min / snr min / sharpness min / dominance max à la réf. calme."""
t0, t1 = datetime.fromisoformat(debut), datetime.fromisoformat(fin)
print(f"Épisode {debut} → {fin} : par point, extrêmes sur la plage (rapports à la référence calme {CALME[0]:%d.%m}–{CALME[1]:%d.%m}, même heure)")
print("point dist_m ev/seuil_max n>seuil flux_min snr_min sharp_min fwhm_max dom_max")
rows = []
for n, s in serie.items():
ref = {m: reference_calme(s, m) for m in ("flux", "snr", "sharpness", "fwhm", "dominance")}
pl = [d for d in s if t0 <= d["t"] <= t1]
if not pl:
continue
def rap(m, f):
v = [d[m] / ref[m][d["t"].hour] for d in pl if d[m] is not None and ref[m].get(d["t"].hour)]
return f(v) if v else float("nan")
ev = [d["error_value"] / d["error_threshold"] for d in pl]
rows.append((n, meta.get(n, {}).get("dist_m"), max(ev), sum(e > 1 for e in ev), rap("flux", min), rap("snr", min),
rap("sharpness", min), rap("fwhm", max), rap("dominance", max)))
rows.sort(key=lambda r: -(r[1] or 0))
for r in rows:
print(f"{r[0]:6} {r[1] if r[1] else '-':>6} {r[2]:12.2f} {r[3]:8d} {r[4]:9.3f} {r[5]:8.3f} {r[6]:9.3f} {r[7]:9.2f} {r[8]:8.1f}")
def jours(serie):
"""Par jour : part des mesures au-dessus du seuil, cibles / références globales."""
c = defaultdict(lambda: [0, 0, 0, 0])
for n, s in serie.items():
glob_ref = any(d["reproj_err"] is not None for d in s)
for d in s:
k = c[d["t"].date()]
k[2 * glob_ref] += 1
k[2 * glob_ref + 1] += d["error_value"] > d["error_threshold"]
print("jour cibles %>seuil réf. %>seuil")
for j in sorted(c):
a = c[j]
print(f"{j} {100 * a[1] / a[0]:6.2f} {100 * a[3] / max(a[2], 1):6.2f}")
def intact(serie, seuil_flux=0.6):
"""Mesures au-dessus du seuil dont le flux reste entier (rapport >= seuil_flux) : ce qui les explique, sinon la lumière."""
print(f"Mesures au-dessus du seuil avec flux >= {seuil_flux} x habituel ; rapports à la référence calme")
print("instant point ev/seuil flux snr sharp fwhm dom peak")
for n, s in sorted(serie.items()):
ref = {m: reference_calme(s, m) for m in METRIQUES}
for d in s:
h = d["t"].hour
if d["error_value"] <= d["error_threshold"] or not all(ref[m].get(h) for m in METRIQUES):
continue
r = {m: d[m] / ref[m][h] for m in METRIQUES}
if r["flux"] >= seuil_flux:
print(f"{d['t']:%Y-%m-%d %H:%M} {n:6} {d['error_value'] / d['error_threshold']:7.2f} {r['flux']:5.2f} {r['snr']:5.2f}"
f" {r['sharpness']:5.2f} {r['fwhm']:5.2f} {r['dominance']:5.1f} {r['peak']:5.2f}")
def plage(serie, debut, fin):
"""Par point, sur la plage : snr et flux (rapports à la référence calme), min et médiane ; error_value / seuil max."""
t0, t1 = datetime.fromisoformat(debut), datetime.fromisoformat(fin)
print(f"Plage {debut} → {fin}")
for n, s in sorted(serie.items()):
ref = {m: reference_calme(s, m) for m in ("flux", "snr")}
v = [(d["snr"] / ref["snr"][d["t"].hour], d["flux"] / ref["flux"][d["t"].hour], d["error_value"] / d["error_threshold"])
for d in s if t0 <= d["t"] <= t1]
print(f"{n:6} snr min {min(a for a, _, _ in v):.2f} méd {statistics.median(a for a, _, _ in v):.2f}"
f" flux min {min(b for _, b, _ in v):.2f} méd {statistics.median(b for _, b, _ in v):.2f} ev/seuil max {max(c for *_, c in v):.2f}")
def matins(serie, noms=("202H", "101B")):
"""Par jour, entre 06 et 08 h UTC, la mesure où le snr (rapport) est le plus bas, avec flux, dominance, error_value / seuil."""
for n in noms:
ref = {m: reference_calme(serie[n], m) for m in ("flux", "snr", "dominance")}
jour = {}
for d in serie[n]:
h = d["t"].hour
if 6 <= h <= 8:
r = d["snr"] / ref["snr"][h]
if d["t"].date() not in jour or r < jour[d["t"].date()][1]:
jour[d["t"].date()] = (d["t"], r, d["flux"] / ref["flux"][h], d["dominance"] / ref["dominance"][h],
d["error_value"] / d["error_threshold"])
for v in sorted(jour.values()):
print(f"{n} {v[0]:%d.%m %H:%M} snr {v[1]:.2f} flux {v[2]:.2f} dom {v[3]:.1f} ev/seuil {v[4]:.2f}")
def instant(serie, debut, fin):
"""Par point et par mesure entre debut et fin : error_value / seuil et rapports des six métriques à la référence calme."""
t0, t1 = datetime.fromisoformat(debut), datetime.fromisoformat(fin)
print("point instant ev/seuil " + " ".join(METRIQUES))
for n, s in sorted(serie.items()):
ref = {m: reference_calme(s, m) for m in METRIQUES}
for d in s:
if t0 <= d["t"] <= t1:
h = d["t"].hour
print(f"{n:6} {d['t']:%d.%m %H:%M} {d['error_value'] / d['error_threshold']:6.2f} "
+ " ".join(f"{d[m] / ref[m][h]:5.2f}" for m in METRIQUES))
if __name__ == "__main__":
sec = sys.argv[1] if len(sys.argv) > 1 else "points"
serie = charger()
if sec == "points":
points(serie, motifs())
elif sec == "correl":
correl(serie)
elif sec == "jours":
jours(serie)
elif sec == "intact":
intact(serie)
elif sec == "plage":
plage(serie, sys.argv[2], sys.argv[3])
elif sec == "instant":
instant(serie, sys.argv[2], sys.argv[3])
elif sec == "matins":
matins(serie)
elif sec == "episode":
episode(serie, motifs(), sys.argv[2], sys.argv[3])
@@ -0,0 +1,411 @@
point instant ev/seuil peak flux sharpness fwhm dominance snr
1001 01.11 10:40 0.16 1.33 1.07 0.96 0.97 1.10 1.02
1001 01.11 10:45 0.21 1.31 1.11 0.93 0.98 1.24 0.95
1001 01.11 10:50 0.16 1.33 1.10 0.95 0.97 1.05 1.05
1001 01.11 10:55 0.18 1.40 1.10 1.00 0.96 1.05 1.04
1001 01.11 11:00 0.65 0.66 1.07 0.57 1.16 3.00 0.40
1001 01.11 11:01 0.33 0.89 1.07 0.80 1.04 1.47 0.76
1001 01.11 11:05 0.14 1.18 1.09 0.95 0.99 1.28 0.89
1001 01.11 11:10 0.14 1.12 1.09 0.94 1.00 1.21 0.89
1001 01.11 11:15 0.27 1.25 1.12 0.93 0.99 0.99 1.04
1001 01.11 11:20 0.36 1.10 1.12 0.84 1.05 1.57 0.79
1002 01.11 10:40 0.17 1.39 1.41 1.00 1.01 1.05 0.93
1002 01.11 10:45 0.18 1.86 1.86 1.02 1.01 0.98 0.98
1002 01.11 10:50 0.17 1.39 1.43 0.96 1.02 1.14 0.88
1002 01.11 10:55 0.20 1.52 1.57 1.01 1.02 1.13 0.92
1002 01.11 11:00 0.56 0.94 1.32 0.62 1.13 2.59 0.44
1002 01.11 11:01 0.17 1.28 1.37 0.86 1.02 1.07 0.88
1002 01.11 11:05 0.14 1.69 1.87 1.01 1.04 1.26 0.80
1002 01.11 11:10 0.10 1.62 1.84 1.00 1.03 1.31 0.87
1002 01.11 11:15 0.20 1.59 1.86 0.94 1.04 1.10 0.90
1002 01.11 11:20 0.25 1.33 1.79 0.82 1.06 1.23 0.71
1003 01.11 10:40 0.15 1.23 1.27 1.00 1.03 1.48 0.86
1003 01.11 10:45 0.17 1.35 1.36 0.99 1.03 1.46 0.88
1003 01.11 10:50 0.16 1.24 1.25 0.97 1.03 1.43 0.86
1003 01.11 10:55 0.17 1.34 1.31 1.02 1.01 1.40 0.91
1003 01.11 11:00 0.56 0.80 1.22 0.62 1.19 4.41 0.39
1003 01.11 11:01 0.23 0.98 1.22 0.86 1.08 1.69 0.70
1003 01.11 11:05 0.11 1.24 1.31 0.99 1.03 1.43 0.81
1003 01.11 11:10 0.11 1.20 1.30 0.96 1.04 1.51 0.78
1003 01.11 11:15 0.22 1.23 1.25 0.94 1.04 1.73 0.80
1003 01.11 11:20 0.28 1.24 1.31 0.86 1.05 1.50 0.83
1004 01.11 10:40 0.18 1.13 1.22 0.97 1.00 0.69 1.09
1004 01.11 10:45 0.20 1.32 1.40 0.95 0.99 0.64 1.16
1004 01.11 10:50 0.18 1.10 1.22 0.95 1.00 0.72 1.08
1004 01.11 10:55 0.20 1.37 1.37 0.99 0.98 0.63 1.22
1004 01.11 11:00 0.54 0.78 1.19 0.60 1.13 2.10 0.38
1004 01.11 11:01 0.21 1.06 1.17 0.88 1.03 1.04 0.85
1004 01.11 11:05 0.14 1.20 1.42 0.97 1.03 0.98 0.89
1004 01.11 11:10 0.12 1.19 1.37 0.96 1.03 1.25 0.80
1004 01.11 11:15 0.21 1.22 1.27 0.94 1.00 0.91 1.02
1004 01.11 11:20 0.24 1.44 1.43 0.86 1.00 0.69 1.14
1005 01.11 10:40 0.18 0.82 1.12 0.87 1.09 2.13 0.60
1005 01.11 10:45 0.23 0.79 1.18 0.85 1.09 2.17 0.60
1005 01.11 10:50 0.19 0.82 1.13 0.86 1.09 2.15 0.60
1005 01.11 10:55 0.20 0.79 1.16 0.88 1.07 1.89 0.62
1005 01.11 11:00 0.61 0.64 1.06 0.56 1.18 3.84 0.37
1005 01.11 11:01 0.31 0.77 1.08 0.78 1.09 2.17 0.58
1005 01.11 11:05 0.13 0.98 1.20 0.91 1.05 1.61 0.73
1005 01.11 11:10 0.11 1.07 1.16 0.92 1.03 1.31 0.84
1005 01.11 11:15 0.25 0.99 1.16 0.84 1.03 1.30 0.82
1005 01.11 11:20 0.33 0.81 1.14 0.75 1.08 1.77 0.69
1006 01.11 10:40 0.15 0.96 1.03 0.90 1.02 1.04 0.87
1006 01.11 10:45 0.17 0.95 1.07 0.87 1.03 1.15 0.82
1006 01.11 10:50 0.15 0.93 1.01 0.90 1.02 1.03 0.88
1006 01.11 10:55 0.16 0.95 1.05 0.91 1.03 1.15 0.84
1006 01.11 11:00 0.55 0.26 0.34 0.62 1.09 1.72 0.54
1006 01.11 11:01 0.18 0.46 0.43 0.90 0.98 0.76 1.12
1006 01.11 11:05 0.18 0.94 1.03 0.86 1.03 1.25 0.82
1006 01.11 11:10 0.15 0.97 1.00 0.87 1.00 0.88 0.98
1006 01.11 11:15 0.22 0.96 1.00 0.83 1.00 0.77 1.03
1006 01.11 11:20 0.27 0.88 1.03 0.78 1.04 0.93 0.90
1007 01.11 10:40 0.12 1.17 1.36 0.97 1.06 2.16 0.69
1007 01.11 10:45 0.15 1.11 1.45 0.94 1.08 2.29 0.64
1007 01.11 10:50 0.13 1.09 1.30 0.93 1.07 2.06 0.70
1007 01.11 10:55 0.14 1.09 1.36 0.96 1.07 2.30 0.65
1007 01.11 11:00 0.49 0.83 1.19 0.64 1.18 2.98 0.46
1007 01.11 11:01 0.23 0.94 1.20 0.83 1.09 2.02 0.66
1007 01.11 11:05 0.10 1.24 1.39 0.95 1.04 1.60 0.79
1007 01.11 11:10 0.10 1.24 1.35 0.95 1.03 1.38 0.85
1007 01.11 11:15 0.19 0.98 1.38 0.89 1.08 1.81 0.65
1007 01.11 11:20 0.26 0.83 1.31 0.81 1.13 2.57 0.50
1008 01.11 10:40 0.35 1.28 1.24 0.99 0.99 1.10 0.93
1008 01.11 10:45 0.38 1.30 1.32 0.96 1.00 1.18 0.92
1008 01.11 10:50 0.36 1.27 1.23 0.97 0.99 1.06 1.01
1008 01.11 10:55 0.37 1.33 1.21 0.98 0.98 1.10 0.97
1008 01.11 11:00 0.99 0.69 1.15 0.78 1.20 2.26 0.51
1008 01.11 11:01 0.42 0.89 1.09 1.03 1.09 0.76 0.98
1008 01.11 11:05 0.29 1.27 1.31 0.99 1.01 1.01 0.95
1008 01.11 11:10 0.28 1.21 1.24 1.01 1.01 1.02 0.92
1008 01.11 11:15 0.37 1.41 1.28 0.96 1.00 0.92 1.03
1008 01.11 11:20 0.55 1.14 1.20 0.79 1.03 1.52 0.66
1009 01.11 10:40 0.10 0.90 0.98 0.99 1.03 1.29 0.90
1009 01.11 10:45 0.12 0.86 0.96 0.98 1.03 1.27 0.89
1009 01.11 10:50 0.12 0.85 0.92 0.97 1.02 1.22 0.94
1009 01.11 10:55 0.11 0.91 0.97 0.99 1.01 1.16 0.95
1009 01.11 11:00 0.48 0.72 1.01 0.65 1.13 2.28 0.56
1009 01.11 11:01 0.22 0.87 1.00 0.85 1.05 1.56 0.80
1009 01.11 11:05 0.17 0.95 1.03 0.94 1.03 1.33 0.87
1009 01.11 11:10 0.19 0.98 1.02 0.92 1.02 1.27 0.90
1009 01.11 11:15 0.23 0.96 0.97 0.86 1.02 1.14 0.93
1009 01.11 11:20 0.26 0.87 0.97 0.83 1.04 1.20 0.89
1010 01.11 10:40 0.09 1.18 1.47 1.01 1.04 1.36 0.71
1010 01.11 10:45 0.10 1.22 1.54 1.01 1.05 1.43 0.72
1010 01.11 10:50 0.09 1.13 1.38 0.96 1.05 1.40 0.70
1010 01.11 10:55 0.09 1.14 1.40 1.00 1.04 1.43 0.69
1010 01.11 11:00 0.50 0.82 1.17 0.52 1.07 3.89 0.25
1010 01.11 11:01 0.17 0.95 1.20 0.82 1.03 1.51 0.62
1010 01.11 11:05 0.07 1.30 1.46 1.01 1.03 1.28 0.80
1010 01.11 11:10 0.08 1.10 1.23 0.94 1.02 1.22 0.74
1010 01.11 11:15 0.13 0.86 1.13 0.87 1.04 1.47 0.59
1010 01.11 11:20 0.20 0.71 1.06 0.75 1.06 1.82 0.45
1011 01.11 10:40 0.19 1.01 1.20 0.89 1.05 1.52 0.73
1011 01.11 10:45 0.19 1.00 1.20 0.88 1.06 1.57 0.71
1011 01.11 10:50 0.18 0.99 1.15 0.88 1.04 1.43 0.73
1011 01.11 10:55 0.17 1.01 1.17 0.91 1.05 1.43 0.73
1011 01.11 11:00 0.57 0.66 1.07 0.58 1.07 2.18 0.37
1011 01.11 11:01 0.28 0.86 1.08 0.81 1.04 1.55 0.68
1011 01.11 11:05 0.24 0.99 1.16 0.88 1.04 1.44 0.72
1011 01.11 11:10 0.24 0.99 1.15 0.87 1.02 1.45 0.75
1011 01.11 11:15 0.24 0.92 1.17 0.88 1.02 1.48 0.70
1011 01.11 11:20 0.30 0.77 1.10 0.79 1.10 1.95 0.55
1012 01.11 10:40 0.12 1.53 1.17 0.93 0.96 1.07 0.89
1012 01.11 10:45 0.13 1.53 1.17 0.90 0.96 1.28 0.86
1012 01.11 10:50 0.12 1.45 1.15 0.90 0.96 1.21 0.83
1012 01.11 10:55 0.13 1.53 1.15 0.93 0.96 1.15 0.88
1012 01.11 11:00 0.62 0.77 1.04 0.40 0.99 5.97 0.16
1012 01.11 11:01 0.19 1.03 1.06 0.78 0.98 1.84 0.59
1012 01.11 11:05 0.12 1.27 1.15 0.91 0.98 1.35 0.74
1012 01.11 11:10 0.10 1.21 1.12 0.90 0.97 1.37 0.71
1012 01.11 11:15 0.13 1.27 1.14 0.88 1.00 1.37 0.74
1012 01.11 11:20 0.20 1.22 1.11 0.76 1.01 1.52 0.61
1013 01.11 10:40 0.12 1.16 1.12 0.93 1.00 0.92 0.84
1013 01.11 10:45 0.13 1.16 1.09 0.92 1.00 0.85 0.85
1013 01.11 10:50 0.11 1.10 1.08 0.90 1.00 0.92 0.81
1013 01.11 10:55 0.13 1.17 1.09 0.94 1.00 0.83 0.86
1013 01.11 11:00 0.52 0.68 0.99 0.53 1.07 2.19 0.27
1013 01.11 11:01 0.18 0.92 1.03 0.81 1.02 1.13 0.67
1013 01.11 11:05 0.10 1.01 1.12 0.93 1.01 1.11 0.72
1013 01.11 11:10 0.10 0.92 1.08 0.93 1.02 1.23 0.67
1013 01.11 11:15 0.18 1.03 1.09 0.90 1.05 1.20 0.71
1013 01.11 11:20 0.22 1.04 1.04 0.79 1.04 1.04 0.70
1014 01.11 10:40 0.09 1.78 1.75 1.01 1.00 0.99 0.95
1014 01.11 10:45 0.10 1.76 1.76 0.99 1.01 1.03 0.92
1014 01.11 10:50 0.10 1.75 1.78 0.99 1.01 1.04 0.89
1014 01.11 10:55 0.09 1.78 1.77 1.01 1.01 1.08 0.91
1014 01.11 11:00 0.56 1.16 1.50 0.47 1.05 6.51 0.20
1014 01.11 11:01 0.19 1.49 1.55 0.81 0.98 1.30 0.79
1014 01.11 11:05 0.11 1.69 1.85 1.00 1.02 1.21 0.87
1014 01.11 11:10 0.09 1.73 1.74 0.98 0.99 1.03 0.92
1014 01.11 11:15 0.12 1.78 1.89 0.97 0.98 1.11 0.91
1014 01.11 11:20 0.20 1.58 1.76 0.82 0.98 1.85 0.63
1015 01.11 10:40 0.13 1.01 1.18 0.97 0.99 1.24 0.78
1015 01.11 10:45 0.14 1.01 1.19 0.95 1.00 1.29 0.77
1015 01.11 10:50 0.12 0.99 1.15 0.95 0.99 1.16 0.78
1015 01.11 10:55 0.15 1.02 1.16 0.97 1.00 1.16 0.81
1015 01.11 11:00 0.33 0.82 1.07 0.68 1.05 1.63 0.40
1015 01.11 11:01 0.15 0.95 1.09 0.88 1.03 1.05 0.76
1015 01.11 11:05 0.10 1.03 1.18 0.96 1.02 1.23 0.78
1015 01.11 11:10 0.07 1.05 1.16 0.96 1.02 1.23 0.81
1015 01.11 11:15 0.14 1.01 1.11 0.92 1.00 1.18 0.83
1015 01.11 11:20 0.18 0.96 1.09 0.85 0.98 1.02 0.77
1016 01.11 10:40 0.24 1.20 1.15 0.88 1.00 1.27 0.70
1016 01.11 10:45 0.23 1.18 1.19 0.85 1.01 1.26 0.69
1016 01.11 10:50 0.22 1.18 1.18 0.86 1.01 1.21 0.69
1016 01.11 10:55 0.26 1.19 1.16 0.90 1.01 1.13 0.72
1016 01.11 11:00 0.62 0.67 1.06 0.41 1.01 6.71 0.15
1016 01.11 11:01 0.24 0.96 1.09 0.76 1.01 1.72 0.59
1016 01.11 11:05 0.21 1.08 1.14 0.86 1.01 1.55 0.62
1016 01.11 11:10 0.17 1.12 1.12 0.88 0.99 1.27 0.70
1016 01.11 11:15 0.23 1.06 1.12 0.85 1.01 1.27 0.67
1016 01.11 11:20 0.31 0.95 1.11 0.72 1.06 1.95 0.46
1017 01.11 10:40 0.30 0.98 1.04 0.96 0.92 0.93 1.03
1017 01.11 10:45 0.31 0.98 1.04 0.94 0.91 0.91 1.03
1017 01.11 10:50 0.29 0.98 1.04 0.94 0.92 0.91 1.03
1017 01.11 10:55 0.31 0.98 1.04 0.96 0.91 0.92 1.04
1017 01.11 11:00 0.43 0.96 1.00 0.73 0.93 1.04 0.71
1017 01.11 11:01 0.29 0.98 1.01 0.90 0.93 0.98 0.98
1017 01.11 11:05 0.28 0.99 1.03 0.94 0.95 1.08 0.93
1017 01.11 11:10 0.25 0.99 1.01 0.95 0.98 0.98 0.95
1017 01.11 11:15 0.30 0.98 1.02 0.93 0.94 0.89 1.00
1017 01.11 11:20 0.32 0.98 1.02 0.87 0.93 0.93 0.98
1018 01.11 10:40 0.13 1.04 1.08 0.93 0.98 0.74 0.95
1018 01.11 10:45 0.14 1.06 1.12 0.92 0.98 0.77 0.94
1018 01.11 10:50 0.13 1.04 1.12 0.92 0.98 0.79 0.93
1018 01.11 10:55 0.14 1.07 1.12 0.93 0.97 0.72 0.98
1018 01.11 11:00 0.44 0.67 1.02 0.63 1.02 1.43 0.44
1018 01.11 11:01 0.15 0.88 1.02 0.84 1.01 0.85 0.84
1018 01.11 11:05 0.11 0.94 1.07 0.94 1.03 1.14 0.80
1018 01.11 11:10 0.08 0.94 1.06 0.94 1.01 1.08 0.83
1018 01.11 11:15 0.20 0.97 1.07 0.88 0.94 0.79 0.91
1018 01.11 11:20 0.23 0.92 1.04 0.81 0.95 0.72 0.87
1019 01.11 10:40 0.18 1.47 1.33 0.97 1.12 0.94 1.01
1019 01.11 10:45 0.19 1.47 1.36 0.97 1.11 0.87 1.00
1019 01.11 10:50 0.18 1.44 1.32 0.95 1.07 1.00 0.97
1019 01.11 10:55 0.19 1.55 1.35 0.99 1.10 0.82 1.05
1019 01.11 11:00 0.51 0.80 1.25 0.62 1.06 1.40 0.51
1019 01.11 11:01 0.22 1.00 1.23 0.84 1.16 1.25 0.77
1019 01.11 11:05 0.14 1.34 1.33 0.98 1.12 1.14 0.89
1019 01.11 11:10 0.09 1.25 1.27 0.95 1.02 1.16 0.81
1019 01.11 11:15 0.19 1.38 1.27 0.93 1.12 1.35 0.87
1019 01.11 11:20 0.27 1.16 1.22 0.84 1.10 1.24 0.83
101B 01.11 10:40 0.25 0.89 1.01 0.76 0.98 2.11 0.57
101B 01.11 10:45 0.27 0.89 1.03 0.75 0.99 2.04 0.56
101B 01.11 10:50 0.27 0.85 1.00 0.71 1.00 2.32 0.53
101B 01.11 10:55 0.26 0.95 1.04 0.76 0.99 2.12 0.60
101B 01.11 11:00 0.73 0.57 0.97 0.42 1.13 4.77 0.24
101B 01.11 11:01 0.38 0.75 0.99 0.65 1.04 2.39 0.47
101B 01.11 11:05 0.23 0.84 1.03 0.76 1.03 1.92 0.56
101B 01.11 11:10 0.22 1.01 1.05 0.76 1.00 1.90 0.67
101B 01.11 11:15 0.31 1.03 1.03 0.73 1.00 1.77 0.68
101B 01.11 11:20 0.37 0.82 1.02 0.63 1.02 2.27 0.50
1020 01.11 10:40 0.23 1.46 1.51 0.93 1.00 1.19 0.85
1020 01.11 10:45 0.23 1.49 1.52 0.92 1.01 1.19 0.85
1020 01.11 10:50 0.24 1.40 1.45 0.92 1.01 1.26 0.81
1020 01.11 10:55 0.23 1.44 1.50 0.93 1.00 1.22 0.82
1020 01.11 11:00 0.40 1.16 1.35 0.65 1.05 3.71 0.32
1020 01.11 11:01 0.24 1.29 1.35 0.87 1.04 1.33 0.77
1020 01.11 11:05 0.22 1.31 1.41 0.93 1.06 1.33 0.75
1020 01.11 11:10 0.21 1.28 1.35 0.91 1.01 1.15 0.78
1020 01.11 11:15 0.23 1.30 1.42 0.90 1.05 1.34 0.74
1020 01.11 11:20 0.27 1.15 1.36 0.83 1.06 1.76 0.60
1021 01.11 10:40 0.24 0.99 1.34 0.78 1.12 1.42 0.57
1021 01.11 10:45 0.25 0.99 1.35 0.77 1.13 1.42 0.56
1021 01.11 10:50 0.23 0.99 1.30 0.79 1.12 1.36 0.59
1021 01.11 10:55 0.24 0.99 1.31 0.79 1.16 1.94 0.52
1021 01.11 11:00 0.32 0.99 1.20 0.74 1.02 1.05 0.74
1021 01.11 11:01 0.21 0.99 1.19 0.84 1.03 1.55 0.74
1021 01.11 11:05 0.17 1.00 1.16 0.89 1.05 1.15 0.78
1021 01.11 11:10 0.15 1.00 1.12 0.92 1.02 1.25 0.85
1021 01.11 11:15 0.23 1.00 1.10 0.91 1.03 1.29 0.83
1021 01.11 11:20 0.25 1.00 1.06 0.91 1.02 0.83 0.95
1022 01.11 10:40 0.31 1.81 1.86 0.96 1.06 1.31 0.87
1022 01.11 10:45 0.30 1.80 1.88 0.94 1.07 1.34 0.85
1022 01.11 10:50 0.32 1.77 1.78 0.95 1.05 1.26 0.88
1022 01.11 10:55 0.33 1.80 1.78 0.97 1.05 1.24 0.90
1022 01.11 11:00 0.33 1.26 1.64 0.73 1.05 1.57 0.47
1022 01.11 11:01 0.33 1.47 1.65 0.90 1.05 1.22 0.82
1022 01.11 11:05 0.35 1.51 1.60 0.99 1.03 1.08 0.93
1022 01.11 11:10 0.36 1.39 1.35 0.99 1.02 1.00 1.04
1022 01.11 11:15 0.36 1.20 1.30 0.98 1.04 1.13 0.91
1022 01.11 11:20 0.35 1.08 1.19 0.92 1.07 1.46 0.83
1023 01.11 10:40 0.56 0.86 0.95 0.94 1.00 1.06 0.89
1023 01.11 10:45 0.55 0.84 0.96 0.93 1.00 1.07 0.88
1023 01.11 10:50 0.55 0.85 0.95 0.92 0.99 0.99 0.90
1023 01.11 10:55 0.55 0.83 0.95 0.94 0.99 1.05 0.88
1023 01.11 11:00 0.53 0.77 0.96 0.76 1.06 1.56 0.65
1023 01.11 11:01 0.55 0.88 0.94 0.90 1.04 1.18 0.87
1023 01.11 11:05 0.56 0.90 0.95 0.94 1.02 1.14 0.90
1023 01.11 11:10 0.57 0.90 0.94 0.95 1.05 1.26 0.86
1023 01.11 11:15 0.55 0.78 0.94 0.92 1.10 1.56 0.71
1023 01.11 11:20 0.53 0.70 0.94 0.87 0.98 1.20 0.71
1024 01.11 10:40 0.16 1.00 1.05 0.95 1.00 1.17 0.94
1024 01.11 10:45 0.16 1.00 1.05 0.94 1.00 1.16 0.94
1024 01.11 10:50 0.16 1.00 1.04 0.94 1.00 1.14 0.96
1024 01.11 10:55 0.16 1.00 1.03 0.95 1.05 1.45 0.90
1024 01.11 11:00 0.28 1.00 1.05 0.83 0.99 1.11 0.95
1024 01.11 11:01 0.15 1.00 1.04 0.92 1.01 1.13 0.96
1024 01.11 11:05 0.17 1.00 1.02 0.97 1.02 1.30 0.93
1024 01.11 11:10 0.15 1.00 1.02 0.97 1.02 1.22 0.95
1024 01.11 11:15 0.13 1.00 1.02 0.93 0.97 1.07 1.01
1024 01.11 11:20 0.16 1.00 1.02 0.90 0.99 1.04 1.00
102H 01.11 10:40 0.13 0.82 0.99 0.88 1.04 1.47 0.66
102H 01.11 10:45 0.15 0.87 1.03 0.87 1.05 1.51 0.68
102H 01.11 10:50 0.14 0.79 0.98 0.86 1.04 1.51 0.63
102H 01.11 10:55 0.15 0.84 1.01 0.89 1.04 1.49 0.66
102H 01.11 11:00 0.52 0.60 0.97 0.55 1.15 2.67 0.33
102H 01.11 11:01 0.22 0.74 0.95 0.76 1.05 1.65 0.61
102H 01.11 11:05 0.12 0.85 1.02 0.89 1.04 1.45 0.68
102H 01.11 11:10 0.13 0.87 1.02 0.88 1.03 1.34 0.70
102H 01.11 11:15 0.24 0.66 0.99 0.81 1.07 2.00 0.54
102H 01.11 11:20 0.26 0.65 0.99 0.72 1.08 2.06 0.49
201B 01.11 10:40 0.10 0.90 1.00 0.93 1.01 1.67 0.61
201B 01.11 10:45 0.11 0.89 1.03 0.92 1.02 1.77 0.61
201B 01.11 10:50 0.10 0.88 0.98 0.90 1.01 1.67 0.60
201B 01.11 10:55 0.11 0.89 1.01 0.94 1.02 1.68 0.60
201B 01.11 11:00 0.44 0.62 0.97 0.60 1.11 2.64 0.35
201B 01.11 11:01 0.19 0.78 0.97 0.80 1.04 1.86 0.53
201B 01.11 11:05 0.12 0.98 1.04 0.92 1.01 1.51 0.67
201B 01.11 11:10 0.13 0.95 1.04 0.88 1.00 1.53 0.63
201B 01.11 11:15 0.19 0.75 1.02 0.83 1.04 2.14 0.48
201B 01.11 11:20 0.20 0.74 1.02 0.78 1.07 2.30 0.47
202H 01.11 10:40 0.17 1.03 0.97 0.81 0.97 1.75 0.61
202H 01.11 10:45 0.17 1.04 1.00 0.79 0.98 1.74 0.60
202H 01.11 10:50 0.16 0.99 0.96 0.80 0.97 1.66 0.59
202H 01.11 10:55 0.17 1.10 0.99 0.84 0.98 1.48 0.70
202H 01.11 11:00 0.50 0.65 0.95 0.62 1.07 2.22 0.42
202H 01.11 11:01 0.26 0.86 0.96 0.75 1.00 2.02 0.56
202H 01.11 11:05 0.18 0.93 1.01 0.85 0.99 1.64 0.64
202H 01.11 11:10 0.18 1.04 1.01 0.88 0.99 1.28 0.78
202H 01.11 11:15 0.24 1.16 1.01 0.89 0.98 1.23 0.87
202H 01.11 11:20 0.26 0.95 1.01 0.81 1.01 1.51 0.71
7013B 01.11 10:40 0.19 0.74 0.98 0.88 1.04 1.53 0.61
7013B 01.11 10:45 0.20 0.82 1.04 0.88 1.04 1.44 0.64
7013B 01.11 10:50 0.19 0.76 0.99 0.87 1.04 1.58 0.62
7013B 01.11 10:55 0.19 0.82 1.05 0.91 1.04 1.42 0.65
7013B 01.11 11:00 0.57 0.63 0.99 0.58 1.13 2.07 0.42
7013B 01.11 11:01 0.26 0.74 0.98 0.79 1.04 1.35 0.61
7013B 01.11 11:05 0.16 0.90 1.05 0.90 1.03 1.65 0.69
7013B 01.11 11:10 0.14 0.95 1.11 0.91 1.02 1.30 0.74
7013B 01.11 11:15 0.21 0.77 1.04 0.87 1.06 1.74 0.59
7013B 01.11 11:20 0.25 0.78 1.09 0.79 1.08 1.55 0.60
7013H 01.11 10:40 0.15 0.94 1.04 0.93 1.02 1.29 0.76
7013H 01.11 10:45 0.15 1.04 1.13 0.92 1.02 1.17 0.79
7013H 01.11 10:50 0.15 0.92 1.03 0.90 1.02 1.17 0.74
7013H 01.11 10:55 0.15 1.02 1.10 0.95 1.02 1.16 0.79
7013H 01.11 11:00 0.52 0.67 1.03 0.62 1.11 2.75 0.46
7013H 01.11 11:01 0.19 0.81 1.03 0.82 1.04 1.50 0.69
7013H 01.11 11:05 0.13 0.99 1.12 0.94 1.03 1.40 0.78
7013H 01.11 11:10 0.11 0.99 1.18 0.93 1.02 1.43 0.74
7013H 01.11 11:15 0.17 0.86 1.11 0.88 1.05 1.87 0.65
7013H 01.11 11:20 0.22 0.96 1.17 0.80 1.05 1.52 0.70
8002 01.11 10:40 0.28 1.31 1.28 0.94 1.00 1.13 0.80
8002 01.11 10:45 0.29 1.33 1.32 0.91 0.99 1.08 0.84
8002 01.11 10:50 0.26 1.31 1.33 0.91 1.00 1.15 0.81
8002 01.11 10:55 0.32 1.29 1.25 0.95 0.98 1.10 0.86
8002 01.11 11:00 0.59 0.74 1.13 0.47 1.13 2.44 0.35
8002 01.11 11:01 0.22 1.16 1.13 0.78 1.01 1.06 0.76
8002 01.11 11:05 0.24 1.09 1.25 0.83 1.03 1.63 0.68
8002 01.11 11:10 0.18 1.42 1.20 0.95 0.98 0.91 0.97
8002 01.11 11:15 0.26 1.40 1.14 0.90 0.97 1.03 0.94
8002 01.11 11:20 0.31 1.20 1.18 0.77 0.99 1.45 0.72
8003 01.11 10:40 0.27 1.45 1.49 0.97 1.00 1.52 0.75
8003 01.11 10:45 0.27 1.92 2.02 1.16 1.00 1.07 1.01
8003 01.11 10:50 0.26 1.58 1.67 1.01 1.01 1.36 0.82
8003 01.11 10:55 0.29 1.42 1.41 0.96 0.99 1.57 0.75
8003 01.11 11:00 0.73 0.69 1.10 0.38 1.06 6.13 0.24
8003 01.11 11:01 0.36 0.97 1.26 0.67 1.04 2.52 0.48
8003 01.11 11:05 0.23 1.46 1.75 1.02 1.02 1.46 0.78
8003 01.11 11:10 0.23 1.28 1.59 0.89 1.03 1.81 0.64
8003 01.11 11:15 0.34 1.13 1.56 0.84 1.06 1.97 0.57
8003 01.11 11:20 0.36 1.20 1.41 0.69 1.02 2.46 0.56
8004 01.11 10:40 0.37 1.53 1.13 0.70 0.98 1.53 0.71
8004 01.11 10:45 0.32 1.87 1.43 0.88 0.97 1.29 0.88
8004 01.11 10:50 0.37 1.42 1.07 0.66 0.95 1.63 0.67
8004 01.11 10:55 0.38 1.54 1.08 0.72 0.93 1.51 0.73
8004 01.11 11:00 0.82 0.63 1.06 0.33 1.10 5.61 0.24
8004 01.11 11:01 0.45 1.04 1.10 0.56 0.99 2.11 0.49
8004 01.11 11:05 0.31 1.48 1.34 0.84 0.95 1.53 0.71
8004 01.11 11:10 0.32 1.26 1.26 0.73 0.97 1.77 0.62
8004 01.11 11:15 0.38 1.52 1.28 0.73 0.98 1.60 0.71
8004 01.11 11:20 0.47 1.18 1.14 0.59 1.04 2.06 0.55
8010 01.11 10:40 0.36 0.56 0.83 0.52 1.03 3.70 0.31
8010 01.11 10:45 0.40 0.54 0.84 0.50 1.02 3.83 0.28
8010 01.11 10:50 0.37 0.55 0.81 0.50 1.04 3.76 0.29
8010 01.11 10:55 0.39 0.53 0.79 0.50 1.01 3.97 0.28
8010 01.11 11:00 0.81 0.51 0.84 0.29 0.99 6.64 0.17
8010 01.11 11:01 0.46 0.61 0.92 0.52 1.06 3.59 0.35
8010 01.11 11:05 0.32 0.67 0.78 0.53 1.03 3.00 0.38
8010 01.11 11:10 0.31 0.81 0.86 0.59 1.01 2.60 0.46
8010 01.11 11:15 0.41 0.80 0.98 0.59 1.00 2.56 0.45
8010 01.11 11:20 0.50 0.63 0.94 0.47 1.07 3.43 0.33
8011 01.11 10:40 0.26 1.03 1.03 0.95 0.98 1.21 0.92
8011 01.11 10:45 0.25 1.11 1.09 0.95 0.98 1.25 0.92
8011 01.11 10:50 0.26 1.06 1.09 0.95 0.99 1.16 0.96
8011 01.11 10:55 0.30 1.21 1.07 1.01 0.97 1.11 1.05
8011 01.11 11:00 0.57 0.75 1.04 0.59 1.12 1.03 0.78
8011 01.11 11:01 0.28 1.00 1.03 0.86 1.00 0.95 0.97
8011 01.11 11:05 0.26 0.89 1.06 0.92 1.02 1.17 0.77
8011 01.11 11:10 0.26 0.96 0.99 0.90 1.00 0.94 0.89
8011 01.11 11:15 0.36 1.19 1.03 0.98 0.98 0.87 1.10
8011 01.11 11:20 0.36 1.13 1.03 0.86 0.99 0.89 1.17
8012 01.11 10:40 0.25 0.83 0.75 0.81 0.96 1.15 0.83
8012 01.11 10:45 0.26 0.83 0.77 0.80 0.96 1.20 0.77
8012 01.11 10:50 0.25 0.84 0.77 0.79 0.97 1.12 0.82
8012 01.11 10:55 0.29 0.79 0.70 0.79 0.97 1.25 0.77
8012 01.11 11:00 0.61 0.75 0.99 0.62 1.20 0.91 0.86
8012 01.11 11:01 0.36 1.00 1.03 0.83 0.98 0.86 1.04
8012 01.11 11:05 0.31 0.80 0.92 0.83 1.00 1.04 0.81
8012 01.11 11:10 0.33 0.96 0.99 0.90 0.98 0.89 0.94
8012 01.11 11:15 0.58 1.19 1.35 0.95 1.02 0.60 1.20
8012 01.11 11:20 0.65 1.13 1.44 0.83 1.06 0.64 1.23
8013 01.11 10:40 0.25 0.97 0.99 0.94 0.99 1.35 0.85
8013 01.11 10:45 0.26 1.05 1.05 0.97 0.99 1.43 0.83
8013 01.11 10:50 0.26 0.94 1.00 0.92 1.00 1.34 0.83
8013 01.11 10:55 0.29 1.01 1.00 0.98 0.99 1.38 0.86
8013 01.11 11:00 0.60 0.64 0.98 0.53 1.08 1.16 0.73
8013 01.11 11:01 0.29 0.84 1.01 0.76 1.03 1.15 0.78
8013 01.11 11:05 0.24 0.91 1.05 0.90 1.01 1.23 0.78
8013 01.11 11:10 0.26 0.83 1.03 0.84 1.02 1.07 0.77
8013 01.11 11:15 0.34 0.71 0.79 0.79 0.88 1.44 0.59
8013 01.11 11:20 0.34 0.77 1.01 0.71 1.05 1.41 0.73
8014 01.11 10:40 0.10 1.12 1.00 0.99 1.04 1.50 0.73
8014 01.11 10:45 0.10 1.16 1.01 0.99 1.04 1.50 0.73
8014 01.11 10:50 0.10 1.10 0.97 0.97 1.04 1.41 0.74
8014 01.11 10:55 0.11 1.19 1.02 1.00 1.04 1.39 0.78
8014 01.11 11:00 0.25 0.79 0.98 0.84 1.04 1.54 0.68
8014 01.11 11:01 0.12 0.96 0.95 0.93 1.02 1.37 0.81
8014 01.11 11:05 0.11 1.06 1.02 1.00 1.05 1.59 0.68
8014 01.11 11:10 0.10 1.10 1.06 0.99 1.00 0.97 1.05
8014 01.11 11:15 0.10 1.20 1.04 0.99 1.02 1.17 0.90
8014 01.11 11:20 0.11 1.03 1.00 0.95 1.04 1.68 0.69
8017 01.11 10:40 0.31 0.99 1.07 0.97 0.97 1.11 1.00
8017 01.11 10:45 0.27 0.99 1.00 0.98 0.97 1.13 1.05
8017 01.11 10:50 0.27 0.99 0.99 0.98 0.97 1.07 1.07
8017 01.11 10:55 0.27 0.99 1.01 0.99 0.96 1.07 1.08
8017 01.11 11:00 0.31 0.99 1.01 0.89 0.96 0.88 1.11
8017 01.11 11:01 0.27 0.99 0.99 0.97 0.97 1.08 1.03
8017 01.11 11:05 0.28 0.99 1.01 0.98 0.98 1.12 1.01
8017 01.11 11:10 0.27 0.99 1.00 0.99 0.99 1.15 0.99
8017 01.11 11:15 0.28 0.99 1.00 0.98 0.95 0.94 1.14
8017 01.11 11:20 0.27 0.99 1.00 0.96 0.95 0.98 1.12
8019 01.11 10:40 0.36 0.98 1.05 0.91 0.94 1.00 1.00
8019 01.11 10:45 0.35 0.98 1.06 0.89 0.94 1.02 0.99
8019 01.11 10:50 0.36 0.98 1.04 0.90 0.94 0.98 1.01
8019 01.11 10:55 0.34 0.98 1.06 0.91 0.94 1.01 0.99
8019 01.11 11:00 0.51 0.89 1.02 0.74 0.98 1.10 0.77
8019 01.11 11:01 0.37 0.98 1.03 0.86 0.97 1.10 0.96
8019 01.11 11:05 0.38 0.98 1.04 0.91 0.97 1.14 0.94
8019 01.11 11:10 0.35 0.98 1.03 0.91 0.98 1.14 0.95
8019 01.11 11:15 0.32 0.98 1.04 0.90 0.98 1.04 0.93
8019 01.11 11:20 0.34 0.94 1.04 0.87 0.94 0.87 0.93
92H 01.11 10:40 0.15 1.07 1.08 0.86 1.00 0.75 0.93
92H 01.11 10:45 0.20 1.08 1.26 0.78 1.02 0.92 0.79
92H 01.11 10:50 0.16 1.07 1.11 0.83 1.00 0.76 0.91
92H 01.11 10:55 0.15 1.08 1.03 0.84 0.99 0.69 0.96
92H 01.11 11:00 0.43 0.77 1.08 0.64 1.06 1.21 0.63
92H 01.11 11:01 0.21 1.02 1.09 0.77 1.02 0.95 0.87
92H 01.11 11:05 0.19 1.03 1.25 0.79 1.05 1.19 0.75
92H 01.11 11:10 0.14 1.04 1.12 0.85 1.02 0.88 0.87
92H 01.11 11:15 0.26 1.07 1.19 0.73 1.02 0.90 0.84
92H 01.11 11:20 0.28 1.04 1.17 0.70 1.03 0.99 0.84
@@ -0,0 +1,65 @@
"""Métrique de qualité des points (error_value / error_threshold), médiane horaire, une ligne par point.
Usage : .venv/bin/python support/2026-11-12_LENZSPITZE_metrique-qualite/ecarte/figure.py (écartée, voir analyse.md)"""
import csv, glob, statistics
from collections import defaultdict
from datetime import datetime, timedelta
from pathlib import Path
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from matplotlib.colors import ListedColormap, BoundaryNorm
from matplotlib.patches import Patch
import numpy as np
ICI = Path(__file__).parent
REFS = {"ref", "global_ref"}
val, kind = defaultdict(list), {}
for f in sorted(glob.glob("data/LENZSPITZE/displacement/*.csv")):
for r in csv.DictReader(open(f)):
t = datetime.fromisoformat(r["time_utc"]).replace(minute=0, second=0, tzinfo=None)
val[(r["sensor_name"], t)].append(float(r["error_value"]) / float(r["error_threshold"]))
kind[r["sensor_name"]] = r["pattern_type"]
heures = sorted({t for _, t in val})
h0, h1 = heures[0], heures[-1]
grille = [h0 + timedelta(hours=i) for i in range(int((h1 - h0).total_seconds() // 3600) + 1)]
cibles = sorted(s for s in kind if kind[s] not in REFS)
refs = sorted(s for s in kind if kind[s] in REFS)
lignes = cibles + refs
M = np.full((len(lignes), len(grille)), np.nan)
for i, s in enumerate(lignes):
for j, t in enumerate(grille):
if (s, t) in val:
M[i, j] = statistics.median(val[(s, t)])
# ramp bleu (clair = bonne qualité) jusqu'au seuil, rouge au-dessus
bleus = ["#cde2fb", "#9ec5f4", "#6da7ec", "#3987e5", "#256abf", "#104281"]
cmap = ListedColormap(bleus); cmap.set_over("#d03b3b"); cmap.set_bad("#e6e6e6")
norm = BoundaryNorm(np.linspace(0, 1, len(bleus) + 1), cmap.N)
fig, ax = plt.subplots(figsize=(16, 10), dpi=150)
x0, x1 = mdates.date2num(grille[0]), mdates.date2num(grille[-1] + timedelta(hours=1))
im = ax.imshow(M, aspect="auto", interpolation="nearest", cmap=cmap, norm=norm,
extent=[x0, x1, len(lignes) - 0.5, -0.5])
ax.set_yticks(range(len(lignes)), lignes, fontsize=7)
ax.axhline(len(cibles) - 0.5, color="black", lw=1.5)
ax.text(x1, len(cibles) / 2, " cibles", va="center", rotation=90, fontsize=9)
ax.text(x1, len(cibles) + len(refs) / 2, " références", va="center", rotation=90, fontsize=9)
ax.xaxis.set_major_locator(mdates.DayLocator())
ax.xaxis.set_major_formatter(mdates.DateFormatter("%d.%m"))
ax.tick_params(axis="x", labelsize=8)
ax.set_xlabel("Date (UTC)")
ax.set_title("LENZSPITZE (Crissier), qualité de mesure des points : error_value / seuil, médiane horaire\n"
f"{grille[0]:%d.%m.%Y %H:%M} au {grille[-1] + timedelta(hours=1):%d.%m.%Y %H:%M} UTC", fontsize=11)
cb = fig.colorbar(im, ax=ax, extend="max", fraction=0.025, pad=0.03, ticks=[0, 0.25, 0.5, 0.75, 1])
cb.set_label("error_value / seuil (au-dessus de 1, mesure jugée peu fiable)", fontsize=8)
ax.legend(handles=[Patch(color="#d03b3b", label="au-dessus du seuil"), Patch(color="#e6e6e6", label="pas de mesure")],
loc="upper left", bbox_to_anchor=(0, -0.06), ncol=2, fontsize=8, frameon=False)
fig.tight_layout()
fig.savefig(ICI / "metrique-qualite_LENZSPITZE.png")
# chiffres pour l'analyse : part des heures au-dessus du seuil, par point
for s, row in zip(lignes, M):
ok = row[~np.isnan(row)]
print(f"{s:6} {kind[s] or '-':10} médiane {np.median(ok):.2f} heures>seuil {int((ok > 1).sum()):3}/{ok.size}")
Binary file not shown.

After

Width:  |  Height:  |  Size: 127 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 100 KiB

@@ -0,0 +1,32 @@
# LENZSPITZE : métrique de qualité des points
- **Statut** : prêt à envoyer (Marc relit avant l'envoi)
- **Reçu le** : 2026-11-12 (mail de David Marty, Inogy, après le 06.11)
- **Station** : LENZSPITZE, déduite de « Crissier » (fil « Crissier 04.11.2026 »)
- **Plage** : toute la période disponible, 2026-10-16 02:10 → 2026-11-05 10:10 UTC (rien dans le mail ; rapport pour les CFF ; dernières données pompées)
- **Question** : un graphique de la métrique de qualité des points pour son rapport aux CFF ; et, plus tard, cette métrique peut-elle aller sur Geovis ?
- **Séries** : tous les points ; correspondance client → `sensor_name` non établie (les noms de l'export sont gardés)
## Mail du client
> Bonjour tout le monde,
>
> je suis en train de finaliser le rapport pour les cff
>
> on parle de métrique de qualité des points.
>
> Est-ce que tu pourrais me sortir un graphique de cette métrique ? Est-ce que dans un futur on peut l'exporter sur Geovis ?
>
> Salutations
>
> David
Fil précédent (05-06.11) : activité sur les voies le 04.11 vers 22:30 UTC (un essai d'Inogy), export FTP interrompu du 02.11 14:00 au 05.11 23:03, intégration API vers Geovis par MQTT en discussion entre Marc et Amberg.
## Capture du client (transmise par Maxime, 2026-11-12)
![Section 4.4 du rapport de David, « Métrique de la qualité des points »](capture.png)
Le texte de David : les métriques de qualité associées à chaque point permettent d'identifier l'origine d'une dégradation de mesure (occlusion, phénomène météorologique, salissure du prisme) ; les images archivées les complètent (train, obstacle temporaire, conditions environnementales) et réduisent les déplacements sur site ; ces métriques sont visibles sur la plateforme et un dépassement de seuil génère une alarme de fonction. Puis « Mettre graphique ».
Lecture : il parle des métriques d'image (le **pourquoi** d'une dégradation), pas seulement d'`error_value` ; le graphique doit illustrer ce paragraphe.
Binary file not shown.

After

Width:  |  Height:  |  Size: 832 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 658 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 791 KiB

@@ -0,0 +1,16 @@
**Objet** : Re: Crissier 04.11.2026
Bonjour David,
Voici trois graphiques pour votre section 4.4, tirés de trois épisodes réels de Crissier. Sur chacun, l'erreur de mesure des points (au-dessus de 1, mesure jugée peu fiable) et une métrique de qualité qui en donne l'origine, avec l'image de la caméra. Heures en UTC.
* Figure 1, nuit du 25 au 26.10. La lumière renvoyée par les points lointains chute presque à zéro, d'autant plus que le point est loin. C'est une perte de visibilité (brouillard, brume ou pluie, l'image ne permet pas de trancher).
* Figure 2, matin du 02.11. Le soleil bas éblouit la caméra. Les cibles renvoient toujours leur lumière, mais leur contraste sur le fond chute. C'est un contre-jour.
* Figure 3, 01.11 à 11:00. Un train passe sur la voie, devant les cibles. Elles gardent leur lumière, mais leur netteté chute de moitié le temps d'une mesure et leur erreur triple, sans dépasser le seuil.
Pour Geovis, c'est tout à fait possible. L'export passe par le FTP et nous pouvons y ajouter les métriques de qualité. Dites-nous simplement lesquelles, pour quels points et sous quel format.
Cordialement,
Maxime Pasquier
**Pièces jointes** : fig1_visibilite_nuit-26-10_LENZSPITZE.png, fig2_eblouissement-soleil_matin-02-11_LENZSPITZE.png, fig3_passage-train_01-11_LENZSPITZE.png