"""Journal du matin : le détecteur de la famille Visibility (labeling/familles.md) : on voit moins bien, l'image est faible ou floue (error_value), ou elle tremble (turbulence, en fin de fichier). Le même calcul de l'error_value trouve aussi les objets devant quelques cibles (Brief obstruction, Target obscured) : episodes() les rend avec la famille Obstruction, que detect() laisse à obstruction.py. Méthode (seuils provisoires ci-dessous) : 1. Mesure « haute » : error_value > médiane + 10 MAD du capteur sur l'export, et > 2 × médiane, ou rejetée (> error_threshold) et > 1,2 × médiane : un capteur au niveau habituel de 0,6 ne double jamais, et FLORIDA (boucle, lot 01) montrait ses brouillards en Target obscured. 2. Brief obstruction : un instant où au moins 3 capteurs sont hauts, 3 fois plus qu'aux instants voisins (train, véhicule), sans référence (global_ref) parmi eux : un pic d'un pas qui touche les références n'est pas un obstacle devant des cibles (pic de toute l'image, NORDEND le 01.09 11:15, lot 01 de la boucle) ; il n'est pas montré. Sauf si au moins BREF_MIN cibles sont rejetées (> error_threshold) à cet instant et ni à l'instant d'avant ni à celui d'après : un passage devant elles, une référence touchée en plus (/detector-learner Displacement, modification 1, S5 : trains de NIEDERHORN, 12 et 13 cibles rejetées ; NORDEND le 01.09 11:15 n'a aucun rejet). Aussi, un passage devant une ou deux cibles, ou une seule référence : à un instant, moins de BREF_MIN capteurs rejetés à plus de FACTEUR fois leur médiane (sans K_MAD : de jour, la turbulence gonfle la MAD), au plus une référence, aucun d'eux rejeté à l'instant d'avant ni à celui d'après, et moins de BREF_MIN capteurs hauts (/detector-learner Obstruction, modification 1, S3 : véhicules, passants, insectes devant une ou deux cibles de WILDSTRUBEL, NIEDERHORN, LENZSPITZE ; une référence cachée par un camion à JUNGFRAU, BREITHORN). 3. Poor visibility : suites d'au moins 3 mesures hautes par capteur, réunies entre capteurs (au moins 2), réduites aux instants où au moins 15 % du pic de l'épisode est haut ; le texte dit si des références (global_ref) sont touchées. 4. Target obscured : une cible (pas une global_ref) rejetée (> error_threshold) et à plus de 5 MAD, au moins 3 fois à moins de 6 h d'écart, la plupart hors des épisodes 2 et 3 (feuilles, neige, reflet sur une cible). Tous les épisodes : ignore = True. L'écart est d'au moins deux pas de mesure, et deux rejets suffisent quand CIBLE_MIN pas ne tiennent pas dans CIBLE_ECART (/detector-learner Obstruction, modification 1, S6 : à une mesure toutes les 4 h, les véhicules garés la nuit devant COLI22, COLI24, POUI22 de BREITHORN ne font que deux ou trois rejets). 5. Niveau d'une Poor visibility (point 38 du plan, validé le 2026-10-24), mesure par mesure : « none » (on ne voit rien) quand au moins MOITIE des cibles habituellement vues (sous leur seuil la moitié du temps au moins) sont rejetées, « reduced » (données moyennes) sinon ; un épisode par période de même niveau, avec le champ level. Sur les cas : NORDEND le 09.10 08:45 → 10:30 et 21:30 → 23:15, le 14.10 05:15 → 06:00 en none ; buées de NORDEND et de E-001, toile de E-002, pluie de E-005 en reduced. 6. Bornes d'une Poor visibility (boucle WILDSTRUBEL, lot 01) : de la première à la dernière mesure où une cible est rejetée (> error_threshold), et pas d'épisode sans cible rejetée. Sur une chaussée en plein soleil, l'error_value de jour (×1,5 à ×3, la turbulence) faisait durer la visibilité réduite des heures sans aucun rejet (28.09 10:00 → 12:15, 29.09 jusqu'à 14:15) ; les références ne comptent pas : R3 y passe son seuil presque toute la journée. Benchmark : le seul épisode perdu est celui, faux, de E-010. 7. Poor visibility ou objet (frontière « Visibility ou Obstruction » de labeling/familles.md ; boucle /detector-learner BREITHORN, lot 01) : une gêne qui ne touche qu'au plus QUELQUES cibles, et aucune référence, n'est pas diffuse : c'est un objet devant elles (un véhicule stationné), un épisode « Target obscured » de toute sa durée, sans niveau. 8. Gêne diffuse, rejets ou non (/detector-learner Visibility, modification 1, S2) : à chaque instant, la médiane, sur les capteurs, de l'error_value en MAD au-dessus de la médiane de chacun ; au moins SUITE_MIN instants de suite à K_DIFFUS ou plus font une Poor visibility « reduced ». Une gêne diffuse tout entière dans une turbulence est la turbulence : pas d'épisode (sinon elle absorbait le saut revenu de la veille, WILDSTRUBEL le 04.10). Trouve les baisses de visibilité de toute la scène sans rejet de JUNGFRAU, FLORIDA, NORDEND ; à 2, des nuits étiquetées thermiques à JUNGFRAU, à 3 la moitié du gain. Résultats (2026-10-23) : - PS_DES_COUDRES (E-001, buée 13.10 23:45 → 14.10 05:15, 2 références sur 3) : Poor visibility 13.10 23:45 → 14.10 04:45, REF_G et REF_D ; aussi la nuit d'avant, 13.10 01:15 → 03:30, mêmes références (hors vérité, pas d'image : sans doute la même buée). - NORDEND juillet (E-002, toile 28.07 20:45 → 31.07 03:00, reprise 31.07 20:30) : Poor visibility 28.07 20:45 → 31.07 02:45 (20 capteurs) et 31.07 20:30 → fin (18), références comprises. - WILDSTRUBEL (E-003, turbulence de jour) : pas de Poor visibility (error_value ×1,5 à ×3 seulement : laissé au détecteur turbulence) ; 3 Brief obstruction de jour (02.09 12:00, 03.09 08:15, 04.09 14:00 : un véhicule sur la route à 14:00, image ; les deux premières touchent des références et ne sont plus montrées depuis le lot 01 de la boucle NORDEND) ; PA_9 en Target obscured chaque matin dès 04:30, jusqu'à 06:45, 08:15 ou 12:00 (soleil sur la cible, probable). - CLARIDEN (E-004, mouvement réel) : rien sur le groupe à error_value durablement haute (bon) ; Brief obstruction 18.09 13:40 et 20.09 06:20 (tunnel : taches assombries, non établi ; références touchées, plus montrées depuis le lot 01) ; Target obscured PR-284 19.09 18:30 → 18:50. - NIEDERHORN (E-005) : trains 30.09 22:00, 01.10 12:00 et 21:00, 02.10 21:00 (celui du 03.10 10:00, 2 cibles, manqué) ; pluie 01.10 06:00 → 11:00 et 02.10 03:00 → 11:00 (vérité 05:00 et 03:00 → 11:00), références intactes ; feuilles 02.10 10:00 → 22:00. - NORDEND octobre (cas/2026-10_NORDEND) : Poor visibility 07.10 17:15 → 08.10 12:15 (buée du 08.10 02:30), 09.10 07:45 → 14:00 (parois ruisselantes), 09.10 20:45 → 23:45 (17 rejets à 23:00, retour à 00:00), 13.10 09:45 → 10:30, 14.10 05:15 → 06:30 (taches pâles à l'aube) ; Brief obstruction 12.10 14:15 (09.10 18:45 touche CTR04 : plus montrée depuis le lot 01) ; Target obscured surtout CTR01, PR04, PR09 (souvent rejetées) : à vérifier. - FLORIDA (boucle, lot 01 ; cibles au niveau 0,6 pour un seuil de 0,7) : les brouillards du 18.10, du 20-21.10, du 23.10 et du 24-25.10, avant en Target obscured, en Poor visibility (none et reduced en alternance, cœur seul : à 10 MAD) ; la référence r1_r au-dessus de son seuil du 22.10 au 24.10 reste manquée (son MAD de 0,15 rend 10 MAD hors d'atteinte). Version simple essayée le 2026-10-24 (point 11 du plan), à la demande de l'utilisateur : part des cibles rejetées au-dessus de leur seuil, sans comparer chaque capteur à son propre niveau. Moins bonne sur cinq jeux sur six (buée de E-001 manquée, toile de E-002 morcelée, turbulence de E-003 prise pour une perte de visibilité) et grisait le vrai mouvement de E-004 : l'utilisateur a remis cette version en service ; la simple est gardée dans archive/visibilite_simple.py. """ import os import statistics import sys from datetime import timedelta sys.path.insert(0, os.path.join(os.path.dirname(os.path.abspath(__file__)), "..", "agent-tools")) from donnees import charger, iso # noqa: E402 K_MAD = 10 # provisoire, réglé sur E-001 (buée : 11 à 57 MAD) et E-005 (pluie, trains : 10 à 70 MAD) FACTEUR = 2 # provisoire : écarte les capteurs à MAD quasi nulle (E-004 : PWD_REF10 ×1,6 à 14 MAD, E-005) SUITE_MIN = 3 # provisoire : mesures hautes d'affilée pour une mauvaise visibilité (E-001, E-005 pluie) BREF_MIN = 3 # provisoire, réglé sur E-005 (trains : 5 à 17 capteurs ; celui de 2 cibles est manqué) K_CIBLE = 5 # provisoire, réglé sur E-005 (feuilles : 6 à 25 MAD, rejetées) CIBLE_MIN = 3 # provisoire : rejets répétés d'une cible FRAC = 0.15 # provisoire : coupe les queues de PR09 + CTR01 (NORDEND octobre) sans couper la toile (E-002) ECART = 2.5 # provisoire : pas tolérés entre deux mesures hautes d'une même suite (un pas manquant, horloge à la seconde près) COUPURE = timedelta(hours=2) # provisoire : accalmie qui sépare deux épisodes (NORDEND octobre, nuit du 13 au 14.10) SAILLIE = 3 # provisoire : un train ressort d'au moins 3 fois les instants voisins (E-005 : 5 à 17 contre 0 à 2 ; # la toile de E-002 varie de 2 à 9 d'un pas à l'autre) CIBLE_ECART = timedelta(hours=6) # provisoire, réglé sur E-005 (feuilles : 7 rejets en 12 h, jusqu'à 5 h d'écart) FACTEUR_REJET = 1.2 # provisoire : un rejet à 10 MAD compte aussi (boucle FLORIDA, lot 01 : niveaux de 0,6, ×2 hors d'atteinte) ; # écarte C24 de E-009 (niveau 0,68 au ras du seuil 0,7, rejeté à ×1,04) MOITIE = 0.5 # provisoire : « on ne voit rien » ; réglé sur NORDEND (09.10 23:00 : 68 % rejetées) et E-005 (pluie : 24 à 33 %) K_DIFFUS = 2.5 # provisoire : gêne diffuse (8) ; /detector-learner Visibility, modification 1, S2 QUELQUES = 3 # provisoire : Poor visibility sur au plus 3 cibles, sans référence : un objet, Target obscured (7) ; # boucle /detector-learner BREITHORN, lot 01 (véhicules stationnés devant 2 ou 3 cibles sur 12) def _pas(mesures): ts = sorted({m["t"] for v in mesures.values() for m in v}) return statistics.median(b - a for a, b in zip(ts, ts[1:])) def _grouper(points, ecart): """[(t, capteur)] triés par t -> groupes [(début, fin, {capteurs}, [t])] dont les points sont à ≤ ecart les uns des autres.""" groupes = [] for t, s in points: if groupes and t - groupes[-1][1] <= ecart: g = groupes[-1] groupes[-1] = (g[0], t, g[2] | {s}, g[3] + [t]) else: groupes.append((t, t, {s}, [t])) return groupes def _episode(debut, fin, label, text, capteurs, level=None): e = {"start": iso(debut), "end": iso(fin), "kind": "Visibility" if label == "Poor visibility" else "Obstruction", "label": label, "text": text, "ignore": level != "reduced", "sensors": sorted(capteurs)} # visibilité réduite : données moyennes, pas grisées return {**e, "level": level} if level else e def _niveaux(mesures, instants): """t -> "none" si au moins MOITIE des cibles habituellement vues sont rejetées à t, "reduced" sinon.""" ratios = [] for v in mesures.values(): r = {m["t"]: m["error_value"] / m["error_threshold"] for m in v if m["error_value"] is not None and m["error_threshold"]} if r and statistics.median(r.values()) < 1: ratios.append(r) return {t: "none" if sum(r.get(t, 0) > 1 for r in ratios) >= MOITIE * max(1, sum(t in r for r in ratios)) else "reduced" for t in instants} def episodes(mesures): """Tous les épisodes de l'error_value : Visibility (Poor visibility), Obstruction (Brief obstruction, Target obscured).""" pas = _pas(mesures) ecart = ECART * pas refs = {s for s, v in mesures.items() if v[0]["pattern_type"] == "global_ref"} instants = sorted({m["t"] for v in mesures.values() for m in v}) hautes, rejets = {}, {} # capteur -> [t] refuses = set() # instants où une cible (pas une global_ref) est au-dessus de son seuil rejetees = {} # t -> {cibles au-dessus de leur seuil} forts, refus = {}, {} # t -> {capteurs rejetés à plus de FACTEUR fois leur médiane}, {capteurs rejetés} for s, v in mesures.items(): e = [m["error_value"] for m in v if m["error_value"] is not None] if len(e) < 10: continue med = statistics.median(e) mad = statistics.median(abs(x - med) for x in e) or 1e-9 for m in v: x = m["error_value"] if x is None: continue rejete = m["error_threshold"] and x > m["error_threshold"] if rejete and s not in refs: refuses.add(m["t"]) rejetees.setdefault(m["t"], set()).add(s) if x > med + K_MAD * mad and (x > FACTEUR * med or rejete and x > FACTEUR_REJET * med): hautes.setdefault(s, []).append(m["t"]) if rejete: refus.setdefault(m["t"], set()).add(s) if x > FACTEUR * med: forts.setdefault(m["t"], set()).add(s) if s not in refs and rejete and x > med + K_CIBLE * mad: rejets.setdefault(s, []).append(m["t"]) par_t = {} # t -> {capteurs hauts} for s, ts in hautes.items(): for t in ts: par_t.setdefault(t, set()).add(s) n = lambda t: len(par_t.get(t, ())) # noqa: E731 out = [] # 2. Brief obstruction : un instant où beaucoup de capteurs sont hauts, au moins SAILLIE fois plus qu'aux instants voisins. brefs = set() for i, t in enumerate(instants): voisins = [n(instants[j]) for j in (i - 1, i + 1) if 0 <= j < len(instants)] if n(t) >= BREF_MIN and n(t) >= SAILLIE * max(voisins): brefs.add(t) seules = rejetees.get(t, set()).difference(*(rejetees.get(instants[j], set()) for j in (i - 1, i + 1) if 0 <= j < len(instants))) if par_t[t] & refs and len(seules) < BREF_MIN: # références touchées sans cibles rejetées à ce seul instant : continue # pas un obstacle devant des cibles, l'image entière out.append(_episode(t, t, "Brief obstruction", f"{n(t)} points were poorly seen for a single measurement, then came " "back: probably a train, a vehicle or an animal passing; ignore this point on the curves.", par_t[t])) elif 0 < len(f := forts.get(t, set())) < BREF_MIN and n(t) < BREF_MIN and len(f & refs) <= 1 and not f & set().union( *(refus.get(instants[j], set()) for j in (i - 1, i + 1) if 0 <= j < len(instants))): # une ou deux cibles, ou une référence, rejetées à cette seule mesure, à FACTEUR fois leur médiane out.append(_episode(t, t, "Brief obstruction", f"{len(f)} point{'s were' if len(f) > 1 else ' was'} poorly seen " "for a single measurement, then came back: probably something passing; ignore this point on the " "curves.", f)) # 3. Poor visibility : suites longues par capteur (sans les instants brefs), réunies entre capteurs, # puis réduites aux instants où au moins FRAC du pic de l'épisode est haut (coupe les queues d'un ou deux capteurs # et les longues accalmies, plus de COUPURE). suites = [] for s, ts in hautes.items(): pts = [(t, s) for t in ts if t not in brefs] suites += [(a, b, s) for a, b, _, l in _grouper(pts, ecart) if len(l) >= SUITE_MIN] zones = [z for z in _grouper_intervalles(sorted(suites), ecart) if len(z[2]) >= 2] gardees = [] for a, b, _ in zones: dans = [t for t in instants if a <= t <= b and t not in brefs] pic = max(n(t) for t in dans) pts = [(t, s) for t in dans if n(t) >= max(1, FRAC * pic) for s in par_t[t]] gardees += [(d, f, cs) for d, f, cs, l in _grouper(pts, max(ecart, COUPURE)) if len(cs) >= 2 and len(set(l)) >= SUITE_MIN] # Bornes : de la première à la dernière cible rejetée ; sans rejet, pas d'épisode (6). gardees = [(r[0], r[-1], cs) for a, b, cs in gardees if (r := [t for t in instants if a <= t <= b and t in refuses])] niveau = _niveaux(mesures, instants) for a, b, cs in gardees: # un épisode par période de même niveau (5) ; le texte vient de categories.py if len(cs) <= QUELQUES and not cs & refs: # un objet devant quelques cibles, pas une gêne diffuse (7) out.append(_episode(a, b, "Target obscured", "", cs)) continue seg = [] for t in [t for t in instants if a <= t <= b] + [None]: if seg and (t is None or niveau[t] != niveau[seg[0]]): qui = cs & set().union(*(par_t.get(u, set()) for u in seg)) or cs out.append(_episode(seg[0], seg[-1], "Poor visibility", "", qui, niveau[seg[0]])) seg = [] if t is not None: seg.append(t) dedans = lambda t: t in brefs or any(a <= t <= b for a, b, _ in gardees) # noqa: E731 # 4. Target obscured : une cible rejetée à répétition, surtout hors des épisodes ci-dessus. cibles = [] for s, ts in rejets.items(): for a, b, _, l in _grouper([(t, s) for t in ts], max(CIBLE_ECART, 2 * pas)): if len(l) >= (CIBLE_MIN if CIBLE_MIN * pas <= CIBLE_ECART else 2) and sum(map(dedans, l)) * 2 < len(l): cibles.append((a, b, s)) for a, b, cs in _grouper_intervalles(sorted(cibles), timedelta(0)): qui, it, its = ("One target was", "it", "its") if len(cs) == 1 else (f"{len(cs)} targets were", "them", "their") out.append(_episode(a, b, "Target obscured", f"{qui} repeatedly lost while the targets around stayed clear: probably " f"something in front of {it} (leaves, snow) or glare; {its} displacements in this period are unreliable.", cs)) return sorted(out, key=lambda e: e["start"]) def _grouper_intervalles(intervalles, ecart): """[(début, fin, capteur)] triés -> [(début, fin, {capteurs})] des intervalles qui se chevauchent (à ecart près).""" out = [] for a, b, s in intervalles: if out and a - out[-1][1] <= ecart: out[-1] = (out[-1][0], max(out[-1][1], b), out[-1][2] | {s}) else: out.append((a, b, {s})) return out def diffuse(mesures): """Gêne diffuse (8) : les suites d'au moins SUITE_MIN instants où la médiane, sur les capteurs, de l'error_value en MAD au-dessus de la médiane de chacun atteint K_DIFFUS, rejets ou non -> Poor visibility « reduced ».""" z = {} # t -> {capteur: écart en MAD} for s, v in mesures.items(): e = [m["error_value"] for m in v if m["error_value"] is not None] if len(e) < 10: continue med = statistics.median(e) mad = statistics.median(abs(x - med) for x in e) or 1e-9 for m in v: if m["error_value"] is not None: z.setdefault(m["t"], {})[s] = (m["error_value"] - med) / mad hauts = [(t, None) for t in sorted(z) if statistics.median(z[t].values()) >= K_DIFFUS] return [_episode(a, b, "Poor visibility", "", {s for t in l for s, x in z[t].items() if x >= K_DIFFUS}, "reduced") for a, b, _, l in _grouper(hauts, ECART * _pas(mesures)) if len(l) >= SUITE_MIN] def detect(mesures): tremble = turbulence(mesures) # une gêne diffuse pendant une turbulence est la turbulence (8) return ([e for e in episodes(mesures) if e["kind"] == "Visibility"] + tremble + [e for e in diffuse(mesures) if not any(t["start"] <= e["start"] and e["end"] <= t["end"] for t in tremble)]) # --- Turbulence ---------------------------------------------------------------------------------------------------- # Turbulence atmosphérique (bruit rapide sur les déplacements corrigés). # # Méthode : # 1. Par capteur et par heure H, sur les mesures de [H − 1 h, H + 2 h) : agitation = médiane de |Δcorr_x| + |Δcorr_y| # entre mesures successives (robuste aux sauts d'un seul pas), et médiane de l'error_value. # 2. Chacune est rapportée au calme du capteur : le quartile bas de ses valeurs horaires sur l'export (souvent la nuit). # 3. Heure turbulente : au moins la moitié des capteurs à ≥ 1,5 fois leur agitation calme, et error_value médiane # des capteurs à ≥ 1,5 fois la calme (l'air chaud brouille les taches : E-003, critère 1). # 4. Heures voisines fusionnées (trou d'une heure toléré), épisode d'au moins 3 h, écarté si plus de 15 % des mesures # sont rejetées en plus de l'habitude de leur capteur (sa part de rejets sur l'export) : c'est alors de la mauvaise # visibilité, autre règle. Une cible toujours rejetée (Target issue) ne compte pas (/detector-learner Visibility, # modification 1, S1 : WILDSTRUBEL, R3 rejetée toute la journée, les jours de turbulence étaient écartés). # Grisé si l'agitation médiane ≥ 2×. # # Résultats (2026-10-23, seuils ci-dessous) : # - WILDSTRUBEL (E-003, vérité : chaque jour ~03:30 → 16:00) : 3 épisodes, 02.09 04:00-15:00, 03.09 05:00-15:00, # 04.09 04:00-15:00, les 13 capteurs, ×2,3 à ×2,6, tous grisés. # - PS_DES_COUDRES (sain, buée une nuit), NORDEND juillet (toile d'araignée), CLARIDEN (mouvement réel), # NIEDERHORN (trains, pluie), NORDEND octobre (11 jours) : aucun épisode. Écartés en route : midis agités sans # error_value en hausse (PS des Coudres, NORDEND octobre), toile et pluie par les rejets (18 à 43 %), le matin du # mouvement de CLARIDEN (06:00-08:00) par la durée. RATIO = 1.5 # provisoire, réglé sur E-003 (WILDSTRUBEL : de jour, corr ×1,7 à ×3 la nuit) PART = 0.5 # provisoire : part des capteurs agités en même temps RATIO_ERR = 1.5 # provisoire, réglé sur E-003 (error_value ×1,7 à ×3,2 la nuit ; ≈ ×1 à midi ailleurs) REJET_MAX = 0.15 # provisoire : E-003 ≤ 7 % ; toile d'araignée (E-002) et pluie (E-005) ≥ 18 % ; rejets en plus de l'habitude # depuis /detector-learner Visibility, modification 1, S1 (WILDSTRUBEL : 4 à 14 %, contre 9 à 22 % bruts) FORT = 2.0 # provisoire : E-003 (×2,3 à ×2,6) est fort ; un épisode entre ×1,5 et ×2 reste visible DUREE_MIN = timedelta(hours=3) # provisoire : E-003 dure 10-11 h ; écarte le matin du mouvement réel de E-004 (2 h), # que le classement écarte aussi, quelle que soit la durée (point 14 du plan) HEURE = timedelta(hours=1) def _heure(t): return t.replace(minute=0, second=0, microsecond=0) def _rapports(points): """[(t, valeur)] -> {heure H: médiane sur [H − 1 h, H + 2 h) / quartile bas de ces médianes}.""" par = {} for t, v in points: for k in (-1, 0, 1): par.setdefault(_heure(t) + k * HEURE, []).append(v) med = {h: statistics.median(v) for h, v in par.items() if len(v) >= 3} if len(med) < 8: return {} calme = statistics.quantiles(med.values(), n=4)[0] return {h: v / calme for h, v in med.items()} if calme > 0 else {} def heures(mesures): """-> {heure: {capteur: (agitation / calme, error_value / calme)}}.""" out = {} for s, ms in mesures.items(): ag = _rapports([(b["t"], abs(b["corr_x"] - a["corr_x"]) + abs(b["corr_y"] - a["corr_y"])) for a, b in zip(ms, ms[1:]) if a["corr_x"] is not None and b["corr_x"] is not None]) er = _rapports([(m["t"], m["error_value"]) for m in ms if m["error_value"] is not None]) for h, r in ag.items(): if h in er: out.setdefault(h, {})[s] = (r, er[h]) return out def _turbulente(r): return (sum(a >= RATIO for a, _ in r.values()) >= PART * len(r) and statistics.median(e for _, e in r.values()) >= RATIO_ERR) def turbulence(mesures): H = heures(mesures) blocs = [] for h in sorted(h for h, r in H.items() if _turbulente(r)): if blocs and h - blocs[-1][-1] <= 2 * HEURE: blocs[-1].append(h) else: blocs.append([h]) taux = {s: sum(m["corr_x"] is None for m in ms) / len(ms) for s, ms in mesures.items()} # rejets habituels episodes = [] for b in blocs: debut, fin = b[0], b[-1] + HEURE par = {s: [m for m in ms if debut <= m["t"] < fin] for s, ms in mesures.items()} nouveaux = sum(max(0, sum(m["corr_x"] is None for m in d) - taux[s] * len(d)) for s, d in par.items()) if fin - debut < DUREE_MIN or nouveaux > REJET_MAX * sum(map(len, par.values())): continue par_capteur = {} for h in b: for s, (a, _) in H[h].items(): par_capteur.setdefault(s, []).append(a) agit = {s: statistics.median(v) for s, v in par_capteur.items()} fort = statistics.median(agit.values()) episodes.append({ "start": iso(debut), "end": iso(fin), "kind": "Visibility", "label": "Heat shimmer", "text": f"Readings were about {fort:.1f}× noisier than in calm hours because of heat shimmer " "(warm air trembling in the line of sight); the small fast wiggles are not movement.", "ignore": fort >= FORT, "sensors": sorted(s for s, v in agit.items() if v >= RATIO), }) return episodes if __name__ == "__main__": for e in detect(charger(sys.argv[1])): print(e["start"], "→", e["end"], e["label"], f"| {len(e['sensors'])} :", ",".join(e["sensors"][:8]), "|", e["text"])