RAVE SCOUT: análisis de aislamiento de España y visor de localizaciones

Barrido de los 498.528 km² de la península y Baleares sobre malla de 100 m
(EPSG:3035) para localizar sitios alejados de todo con acceso rodado.

- 12,5 M de edificios y 1,4 M de km de viales de OSM, incluidos los países
  vecinos para no inflar el aislamiento en la franja fronteriza
- Espacios protegidos oficiales (Red Natura 2000 + designación nacional) vía
  la Agencia Europea de Medio Ambiente: cubren el 29 % del país frente al 15 %
  que tenía OSM
- Modelo acústico con propagación real; es el filtro que de verdad corta, y
  deja 505 km² en toda España
- 355 localizaciones valoradas de 1 a 5 estrellas en seis criterios
- Visor autónomo con relieve, ortofoto PNOA por localización, relieve 3D y
  mapa deslizante con satélite, catastro y espacios protegidos

src/validate_coverage.py

@@ -0,0 +1,74 @@
+"""Control de sesgo: ¿está OSM igual de mapeado en toda España?
+
+Importa porque el modelo mide aislamiento como "distancia al edificio más
+cercano". Si una comunidad tiene los edificios a medio mapear, sus celdas
+saldrán aisladas por un hueco en los datos y no por estar lejos de nada.
+El import del Catastro cubre casi toda España pero no Navarra ni Euskadi, que
+tienen catastro propio, así que el sesgo es esperable y hay que cuantificarlo.
+
+Como no usamos datos externos de población, el contraste es interno: viales por
+km2 (que en España están mapeados de forma homogénea) frente a edificios por
+km2. Si la proporción se desploma en una región, es un agujero de datos.
+"""
+import pickle
+import sys
+
+import numpy as np
+import rasterio.features
+from shapely.geometry import mapping
+
+sys.path.insert(0, str(__file__.rsplit("/", 1)[0]))
+import config as C
+
+STEP_M = 60.0  # espaciado de densificación usado en extract_osm
+
+
+def main():
+    with open(C.INTERIM / "area_admin_region.pkl", "rb") as fh:
+        regs = [r for r in pickle.load(fh) if r["geom"].area > 1e6]
+    regs.sort(key=lambda r: -r["geom"].area)
+
+    rid = rasterio.features.rasterize(
+        [(mapping(r["geom"]), i + 1) for i, r in enumerate(regs)],
+        out_shape=(C.HEIGHT, C.WIDTH), transform=C.TRANSFORM,
+        fill=0, dtype=np.uint8, all_touched=False)
+
+    def counts_for(base):
+        a = np.load(C.INTERIM / f"{base}.npy")
+        r, c = C.xy_to_rowcol(a[0], a[1])
+        ok = C.inside(r, c)
+        ids = rid[r[ok], c[ok]]
+        return np.bincount(ids, minlength=len(regs) + 1)
+
+    b = counts_for("buildings")
+    v = counts_for("line_minor") + counts_for("line_track")
+    cells = np.bincount(rid.ravel(), minlength=len(regs) + 1)
+
+    print(f"{'comunidad':24s} {'km2':>8s} {'edif':>10s} {'edif/km2':>9s} "
+          f"{'vial km':>9s} {'edif/vial-km':>13s}")
+    print("-" * 78)
+    ratios = []
+    for i, r in enumerate(regs, start=1):
+        km2 = cells[i] * 0.01
+        if km2 < 100:
+            continue
+        vial_km = v[i] * STEP_M / 1000.0
+        ratio = b[i] / vial_km if vial_km else 0
+        ratios.append((ratio, r["name"]))
+        print(f"{r['name'][:24]:24s} {km2:8,.0f} {b[i]:10,} {b[i]/km2:9.1f} "
+              f"{vial_km:9,.0f} {ratio:13.2f}")
+
+    med = np.median([x for x, _ in ratios])
+    print("-" * 78)
+    print(f"mediana edif/vial-km: {med:.2f}")
+    print("\nregiones con menos de la mitad de la mediana "
+          "(sospecha de infra-mapeo de edificios):")
+    flagged = [n for x, n in ratios if x < 0.5 * med]
+    for n in flagged:
+        print(f"   - {n}")
+    if not flagged:
+        print("   ninguna")
+
+
+if __name__ == "__main__":
+    main()