Jogando no Github

Author: rodrigogduca

.gitignore

@@ -0,0 +1,18 @@
+.git_repo_tmp/
+arquivo.csv
+assets/*.csv
+assets/*.db
+assets/*.db-shm
+assets/*.db-wal
+.venv/
+frontend/node_modules/
+frontend/dist/
+backend/models/artifacts/
+__pycache__/
+*.pyc
+.pytest_cache/
+.claude/
+.agents/
+.cursor/
+.windsurf/
+.codex

AGENTS.md

@@ -0,0 +1,40 @@
+# GuardiãoIA Meteorológico — Agent Instructions
+
+## Communication
+
+Use terse, caveman-style responses to save tokens (~75% reduction).
+Drop: articles, filler words, pleasantries, hedging.
+Technical terms stay exact. Code blocks unchanged.
+
+## Project
+
+Weather monitoring platform for Bahia, Brazil.
+Hackathon LIAO / BaIA Week 2026 — climate resilience theme.
+
+**Stack:**
+- Backend: Python + FastAPI + pandas + scikit-learn
+- Frontend: React + TypeScript + Vite + Tailwind + Recharts
+- Data: SQLite local (`assets/banco_de_dados.db`) — 5.2M rows, 48 stations, 2000–2021
+- No external APIs — everything runs offline from local DB
+
+**Core modules:**
+- Radar de Extremos — anomaly detection per station
+- Classificador de Risco — risk score 0–100 (low/medium/high/critical)
+- Gêmeo Climático — station clustering + deviation detection
+- Painel Operacional — unified dashboard: Bahia → City → Neighborhood → Station
+
+## Rules
+
+- Only use data from `assets/banco_de_dados.db`
+- Python for all data/AI work, TypeScript for frontend only
+- Do NOT use Go for backend (scikit-learn/pandas require Python)
+- Always spec before implementing
+- Demo must work fully offline
+
+## Key docs
+
+- `docs/ideias.md` — product idea and modules
+- `docs/planejamento.md` — MVP scope and screens
+- `docs/arquitetura.md` — stack decisions and structure
+- `docs/dicionario.md` — data dictionary and derived features
+- `docs/hackathon.md` — judging criteria (innovation 30pts, social impact 20pts, technical quality 30pts, pitch 20pts)

CLAUDE.md

@@ -0,0 +1,83 @@
+# GuardiãoIA Meteorológico — Guia do Agente
+
+## PRIMEIRA AÇÃO DE TODA SESSÃO
+
+**Ler `specs/MASTER.md` antes de qualquer coisa.**
+
+O MASTER tem o status exato do projeto: o que está feito, em andamento e pendente.
+Encontrar o primeiro item `⬜ pendente` ou `🔄 em andamento` e iniciar por ele.
+Atualizar o status no MASTER a cada task concluída.
+
+## Modo de comunicação padrão
+
+**SEMPRE use caveman mode (full) para economizar tokens.**
+
+Ative no início de toda sessão com `/caveman` ou diga "caveman mode".
+Isso corta ~75% dos tokens sem perder precisão técnica.
+
+## Projeto
+
+Plataforma de monitoramento climático inteligente para a Bahia.
+Hackathon LIAO / BaIA Week 2026 — tema: resiliência climática.
+
+- **Backend:** Python + FastAPI + pandas + scikit-learn
+- **Frontend:** React + TypeScript + Vite + Tailwind + Recharts
+- **Dados:** SQLite local (`assets/banco_de_dados.db`) — 5,2M linhas, 48 estações, 2000–2021
+- **IA:** anomaly detection, risk classification, clustering por estação
+- **Sem APIs externas** — tudo offline no banco local
+
+## Módulos principais
+
+| Módulo | Função |
+|---|---|
+| Radar de Extremos | Detecta padrões atípicos por estação |
+| Classificador de Risco | Score 0–100 → baixo/médio/alto/crítico |
+| Gêmeo Climático | Agrupa estações similares, detecta desvios |
+| Painel Operacional | Dashboard unificado Bahia→Cidade→Bairro→Estação |
+
+## Skills disponíveis
+
+Todos instalados em `.claude/skills/`. Use conforme tarefa:
+
+| Skill | Quando usar | Comando |
+|---|---|---|
+| `caveman` | **Sempre** — economiza tokens | `/caveman` |
+| `tlc-spec-driven` | Antes de codar qualquer feature | `specify feature [nome]` |
+| `react-best-practices` | Ao escrever ou revisar componentes React | automático |
+| `frontend-blueprint` | Ao desenhar nova tela ou layout | `design [tela]` |
+| `mermaid-studio` | Gerar diagramas (arquitetura, fluxo, pitch) | `/mermaid` |
+| `technical-design-doc-creator` | Criar TDD / doc técnico / RFC | `create design doc` |
+| `perf-web-optimization` | Charts lentos, bundle pesado | `optimize performance` |
+| `security-best-practices` | Review de segurança FastAPI ou React | `security review` |
+| `netlify-deploy` | Deploy do frontend para demo | `deploy to netlify` |
+
+## Reinstalar skills (novo membro da equipe)
+
+```bash
+npx @tech-leads-club/agent-skills install --skill tlc-spec-driven
+npx @tech-leads-club/agent-skills install --skill react-best-practices
+npx @tech-leads-club/agent-skills install --skill mermaid-studio
+npx @tech-leads-club/agent-skills install --skill frontend-blueprint
+npx @tech-leads-club/agent-skills install --skill perf-web-optimization
+npx @tech-leads-club/agent-skills install --skill technical-design-doc-creator
+npx @tech-leads-club/agent-skills install --skill security-best-practices
+npx @tech-leads-club/agent-skills install --skill netlify-deploy
+```
+
+## Docs do projeto
+
+- [Ideias](docs/ideias.md)
+- [Planejamento](docs/planejamento.md)
+- [Arquitetura](docs/arquitetura.md)
+- [Dicionário de dados](docs/dicionario.md)
+- [Hackathon](docs/hackathon.md)
+
+## Regras
+
+- Não usar APIs externas — só `assets/banco_de_dados.db`
+- Python para tudo de dados e IA, TypeScript para frontend
+- Não usar Go para backend — scikit-learn/pandas exige Python
+- Sempre especificar antes de implementar (`tlc-spec-driven`)
+- Demo deve funcionar offline
+- **Nunca incluir `Co-Authored-By` de IA em commits** — remover sempre
+- **`/security-review` obrigatório ao fechar cada fase** (1.SEC, 2.SEC, 3.SEC, 4.SEC, 5.SEC no MASTER)

Makefile

@@ -0,0 +1,8 @@
+back:
+	.venv/Scripts/uvicorn backend.main:app --reload
+
+front:
+	cd frontend && npm run dev
+
+dev:
+	make -j2 back front

README.md

@@ -0,0 +1,120 @@
+# GuardiãoIA Meteorológico
+
+Plataforma de monitoramento climático inteligente para a Bahia.
+**Hackathon LIAO / BaIA Week 2026 — Resiliência Climática e Cidades Inteligentes.**
+
+Transforma 5,2 milhões de registros históricos de 48 estações INMET em alertas operacionais de risco climático — 100% offline, sem APIs externas.
+
+---
+
+## Módulos
+
+| Módulo | Algoritmo | O que faz |
+|---|---|---|
+| **Radar de Extremos** | IsolationForest | Detecta leituras que se isolam do padrão histórico da estação |
+| **Classificador de Risco** | Scoring por percentis | Score 0–100 comparando condições atuais com o pior histórico |
+| **Gêmeo Climático** | KMeans | Agrupa estações por perfil climático e detecta desvios do grupo |
+| **Painel Operacional** | — | Dashboard unificado: Bahia → Cidade → Estação |
+
+---
+
+## Stack
+
+| Camada | Tecnologia |
+|---|---|
+| Backend | Python 3.11 + FastAPI + pandas + scikit-learn |
+| Banco de dados | SQLite (5,2M linhas · 48 estações · 2000–2021) |
+| Cache | Parquet (pyarrow) — reinicialização em ~30s vs 3–5min sem cache |
+| Frontend | React 19 + TypeScript + Vite + Tailwind CSS + Recharts |
+| IA | IsolationForest · KMeans · scoring por percentis históricos |
+
+---
+
+## Como rodar
+
+### Requisitos
+
+- Python 3.11+
+- Node.js 18+
+- O arquivo `assets/banco_de_dados.db` (fornecido separadamente — não versionado)
+
+### Backend
+
+```bash
+python -m venv .venv
+.venv\Scripts\Activate.ps1
+pip install -r backend/requirements.txt
+
+python -m uvicorn backend.main:app --reload
+```
+
+### Frontend
+
+```bash
+cd frontend
+npm install
+npm run dev
+```
+
+### Tudo junto (requer `make`)
+
+```bash
+make dev
+```
+
+O frontend abre em `http://localhost:5173`.
+
+Na **primeira inicialização**, o backend processa os dados (~3–5 min). As reinicializações seguintes usam cache parquet (~30s). Uma barra de progresso exibe o status em tempo real.
+
+---
+
+## Estrutura
+
+```
+assets/                   banco_de_dados.db (não versionado)
+backend/
+  data/
+    loader.py             leitura SQLite + feature engineering
+    features.py           acumulados de chuva, deltas, z-scores
+    store.py              estado global dos dados em memória
+  models/
+    anomaly.py            IsolationForest por estação
+    risk.py               scoring ponderado por percentis
+    gemeo.py              KMeans + deviation score
+  routes/                 endpoints FastAPI
+  main.py                 lifespan async + pipeline em background
+frontend/
+  src/
+    components/           layout/, ui/ (Card, FilterBar, InfoTooltip...)
+    pages/                Dashboard, Radar, Classificador, Gêmeo, Station, City
+    hooks/                useApi, useDashboardData, useBackendReady
+    types/                tipos TypeScript da API
+```
+
+---
+
+## Dados
+
+- **Fonte:** INMET — Instituto Nacional de Meteorologia
+- **Cobertura:** 48 estações automáticas do estado da Bahia
+- **Período:** 2000–2021
+- **Volume:** ~5,2 milhões de leituras horárias
+- **Variáveis:** precipitação, temperatura, pressão, umidade, vento, radiação
+
+---
+
+## Decisões técnicas
+
+**Score relativo à estação:** O classificador usa percentis históricos da própria estação — 100 = pior condição já registrada *naquela estação específica*. Isso calibra o sistema para o microclima local em vez de usar limites absolutos.
+
+**Dados em memória:** Com 5,2M linhas pré-processadas, queries SQLite em tempo real seriam lentas demais. O pipeline roda uma vez no startup, tudo fica em RAM.
+
+**Cache parquet:** Reduz cold start de 3–5 min para ~30s nas reinicializações após o primeiro boot.
+
+**Startup assíncrono:** O pipeline roda em background thread via `asyncio.create_task` + `run_in_executor`, então o servidor aceita conexões em ~1s e a barra de progresso funciona desde o início.
+
+---
+
+## Licença
+
+Projeto desenvolvido para o Hackathon BaIA Week 2026.

assets/README.md

@@ -0,0 +1,22 @@
+# Assets
+
+## Objetivo
+
+Esta pasta guarda arquivos de dados usados no projeto.
+
+## Convenção atual
+
+- `banco_de_dados.csv`: arquivo bruto de entrada
+- `banco_de_dados.db`: banco SQLite gerado a partir do CSV
+
+## Fluxo esperado
+
+1. colocar ou atualizar o CSV em `assets/`
+2. executar o importador em `scripts/data/csv_to_sqlite.go`
+3. usar o SQLite gerado no restante do projeto
+
+## Comando de referência
+
+```bash
+go run scripts/data/csv_to_sqlite.go -src assets/banco_de_dados.csv -db assets/banco_de_dados.db -table dados
+```

backend/__init__.py

@@ -0,0 +1,61 @@
+import pandas as pd
+
+_RAIN_WINDOWS = {"rain_6h_mm": 6, "rain_12h_mm": 12, "rain_24h_mm": 24, "rain_48h_mm": 48, "rain_72h_mm": 72}
+_DELTA_MAP = {
+    "pressure_delta_1h": "pressure_mb",
+    "temp_delta_1h": "air_temp_c",
+    "humidity_delta_1h": "humidity_pct",
+    "wind_delta_1h": "wind_gust_ms",
+}
+_ZSCORE_MAP = {
+    "rain_zscore": "rain_1h_mm",
+    "pressure_zscore": "pressure_mb",
+    "temp_zscore": "air_temp_c",
+    "humidity_zscore": "humidity_pct",
+}
+
+
+def compute_rain_accumulations(df: pd.DataFrame) -> pd.DataFrame:
+    df = df.copy()
+    grouped = df.groupby("station_id")["rain_1h_mm"]
+    for col, w in _RAIN_WINDOWS.items():
+        df[col] = grouped.transform(lambda s: s.rolling(window=w, min_periods=1).sum())
+    return df
+
+
+def compute_deltas(df: pd.DataFrame) -> pd.DataFrame:
+    df = df.copy()
+    for new_col, src_col in _DELTA_MAP.items():
+        df[new_col] = df.groupby("station_id")[src_col].transform(lambda s: s.diff(1))
+    return df
+
+
+def compute_rolling_stats(df: pd.DataFrame) -> pd.DataFrame:
+    df = df.copy()
+    df["temp_ma_24h"] = df.groupby("station_id")["air_temp_c"].transform(
+        lambda s: s.rolling(window=24, min_periods=1).mean()
+    )
+    df["humidity_ma_24h"] = df.groupby("station_id")["humidity_pct"].transform(
+        lambda s: s.rolling(window=24, min_periods=1).mean()
+    )
+    df["pressure_ma_24h"] = df.groupby("station_id")["pressure_mb"].transform(
+        lambda s: s.rolling(window=24, min_periods=1).mean()
+    )
+    return df
+
+
+def compute_zscore(df: pd.DataFrame) -> pd.DataFrame:
+    df = df.copy()
+    for new_col, src_col in _ZSCORE_MAP.items():
+        means = df.groupby("station_id")[src_col].transform("mean")
+        stds = df.groupby("station_id")[src_col].transform("std")
+        df[new_col] = (df[src_col] - means) / stds.replace(0, float("nan"))
+    return df
+
+
+def build_feature_matrix(df: pd.DataFrame) -> pd.DataFrame:
+    df = compute_rain_accumulations(df)
+    df = compute_deltas(df)
+    df = compute_rolling_stats(df)
+    df = compute_zscore(df)
+    return df