cd tasks/flightradar24
. venv/bin/activate
pip install -r prototype/requirements.txt
cd prototype

# Сгенерировать тестовые данные (50 синтетических рейсов)
python generate_sample_data.py

# Запустить сервер
python app.py
# → http://localhost:5555
# → https://openclaw.mva154.duckdns.org/noisemap/ (через nginx)

С реальным API:

# Скопировать шаблон и заполнить ключи
cp .env.example .env
# FLIGHTRADAR24_API_KEY — FR24 Explorer (треки, снимки)
# YANDEX_RASP_API_KEY  — Яндекс.Расписания (табло аэропортов, стратегия Б)
python app.py

📁 Структура

prototype/
├── app.py                      # Flask backend + REST API
├── noise_model.py              # ⚙️  Модель шума (калибровочные параметры здесь)
├── fr24_client.py              # Клиент Flightradar24 API (с кэшированием)
├── generate_sample_data.py     # Генератор синтетических треков
├── fetch_airport.py            # Загрузка треков по аэропорту (стратегия А)
├── fetch_airport_offset.py     # Загрузка со смещением времени (стратегия А+)
├── fetch_svo_tracks.py         # Загрузка только SVO треков
├── fetch_tracks.py             # Загрузка треков (общий скрипт)
├── index.html                  # Фронтенд (OpenLayers + Turf.js)
├── requirements.txt
├── .env.example
└── data/
    ├── flights_SVO_2026-03-21.json       # Реальные данные SVO 21.03
    ├── flights_DME_2026-03-21.json       # Реальные данные DME 21.03
    ├── flights_VKO_2026-03-21.json       # Реальные данные VKO 21.03
    ├── flights_ZIA_2026-03-21.json       # Реальные данные ZIA 21.03
    ├── flights_SVO_2026-03-20_offset90m.json  # SVO 20.03 со смещением +1.5ч
    ├── flights_DME_2026-03-20_offset90m.json  # DME 20.03 со смещением +1.5ч
    ├── flights_VKO_2026-03-20_offset90m.json  # VKO 20.03 со смещением +1.5ч
    ├── flights_ZIA_2026-03-20_offset90m.json  # ZIA 20.03 со смещением +1.5ч
    ├── sample_flights.json               # Fallback (синтетика или последняя загрузка)
    ├── cache_SVO/                        # Кэш треков SVO
    ├── cache_DME/                        # Кэш треков DME
    ├── cache_VKO/                        # Кэш треков VKO
    ├── cache_ZIA/                        # Кэш треков ZIA
    └── cache/                            # Общий кэш API запросов

Сервер автоматически объединяет все файлы flights_*.json при старте.

🔌 REST API

Метод	Путь	Описание
GET	`/`	Веб-карта
GET	`/api/flights`	Рейсы с шумовыми данными
GET	`/api/noise-config`	Параметры модели шума
GET	`/api/airports`	Аэропорты региона
GET	`/api/stats`	Статистика
GET	`/api/usage`	Использование кредитов FR24
GET	`/api/live`	Live позиции (требует API ключ)
GET	`/api/help`	Документация API

Параметры `/api/flights`

Параметр	Тип	По умолчанию	Описание
`limit`	int	100	Макс. рейсов
`min_alt`	int	0	Мин. высота (футы)
`max_alt`	int	50000	Макс. высота (футы)
`type`	str	all	`departure` / `arrival` / `all`
`airport`	str	all	`SVO` / `DME` / `VKO` / `ZIA` / `all`
`date_from`	str	—	Начало периода (YYYY-MM-DD)
`date_to`	str	—	Конец периода (YYYY-MM-DD)

📡 Стратегии загрузки данных

Стратегия А — Снимки позиций (текущая)

Принцип: делаем снимки всех самолётов над МО в фиксированные моменты времени, затем для каждого найденного рейса загружаем полный трек и обрезаем до bbox МО.

Скрипты:

# Загрузить данные за дату
python fetch_airport.py SVO 2026-03-21

# Загрузить со смещением (для увеличения охвата)
python fetch_airport_offset.py SVO 2026-03-21 1.5

Параметры:

Интервал снимков: 3 часа (00:00, 03:00, 06:00 ... 21:00 UTC)
bbox МО: 54.0–57.0°N, 35.5–40.5°E
Endpoint снимков: /historic/flight-positions/full
Endpoint треков: /flight-tracks

Расход кредитов (1 аэропорт, 1 день):

Операция	Кол-во	Кредитов
Снимки (8 шт × ~10 рейсов)	~80	~80
Треки (~30–45 уник. рейсов)	~40	~3 000
Итого		~3 100

Охват: ~10% реальных рейсов за день (большинство пролетают между снимками)

Улучшение охвата через смещение: Запуск стратегии А дважды — основной (00:00, 03:00...) и со смещением +1.5ч (01:30, 04:30...) даёт интервал 1.5ч вместо 3ч → охват ~20%, стоимость ×2.

Стратегия Б — Табло → Треки (планируемая)

Принцип: берём полный список рейсов за день из табло аэропорта (парсинг сайта), для каждого рейса ищем fr24_id через live API и загружаем трек над МО.

Алгоритм:

Парсим табло вылетов/прилётов с сайта (svo.aero, Яндекс.Расписания и др.) — бесплатно
По callsign ищем fr24_id через /live/flight-positions/full?callsign=SU1234 — 1 кредит/рейс
Загружаем трек /flight-tracks?flight_id=XXX — платим за полный трек, используем только МО-часть
Фильтруем точки трека по bbox МО

Расход кредитов (1 аэропорт, 1 день):

Операция	Кол-во	Кредитов
Поиск fr24_id по callsign	~330	~330
Треки (полный маршрут)	~330	~24 000
Итого SVO за 1 день		~24 500
4 аэропорта за 1 день		~80 000
4 аэропорта за 7 дней		~560 000 ⚠️

Охват: ~100% рейсов за день

Точность трека: 10 секунд между точками (отличная)

Ограничения:

Нет API FR24 для списка рейсов по дате → нужен парсинг сайта аэропорта
Высокая стоимость: /flight-tracks возвращает весь маршрут (~700 точек), временная фильтрация на стороне API не поддерживается (проверено)
При промо 120k: реально покрыть 3–5 дней × 1 аэропорт или 1 день × 4 аэропорта

Примечание о holding patterns: Небольшая доля рейсов (~5–10% прилётов) выполняет зоны ожидания над МО — кружит перед посадкой при загруженности аэропорта или плохой погоде. Для таких рейсов трек над МО значительно длиннее обычного.

Сравнительная таблица стратегий

Критерий	Стратегия А	Стратегия Б
Охват рейсов	~10–20%	~100%
Точность трека	10 сек	10 сек
Стоимость/день/аэропорт	~3 100 кредитов	~24 500 кредитов
7 дней × 4 аэропорта	~87 000 ✅	~560 000 ❌
Реализация	Готово	Требует парсинг табло
Статус	✅ Реализована	⏳ Планируется

🔊 Модель шума

Физическая основа

Шум распространяется сферически. Уровень зависит от реального 3D-расстояния R до наблюдателя. На карте отображается горизонтальный катет D (теорема Пифагора):

       самолёт ●
               |\
             H |  \ R  ← граница зоны (гипотенуза)
               |    \
  земля ●──────●──────● наблюдатель
              D (катет = ширина зоны на карте)

  D = √(R² − H²),  если H < R, иначе зона не видна

Следствия:

Чем выше самолёт — тем уже зоны на карте
При H ≥ R — зона полностью исчезает
При H = 0 — ширина зоны = R (максимум)

Пример для H = 3.5 км:

Зона	R_outer	D_outer	R_inner	D_inner	Вид
Критический	2 км	— (H>R)	0	—	❌
Сильный	5 км	3.57 км	2	0	✅ круг
Средний	7 км	6.06 км	5	3.57	✅ кольцо
Низкий	11 км	10.43 км	7	6.06	✅ кольцо

Таблица зон

Зона	R (сфера)	Цвет	Прозрачность
Критический	< 2 км	🔴 #FF3333	0.55
Сильный	2–5 км	🟠 #FF8800	0.40
Средний	5–7 км	🟡 #FFCC00	0.28
Низкий	7–11 км	🟢 #88DD00	0.18
Нет шума	> 11 км	—	—

🎛 Калибровка

Все параметры вынесены в начало noise_model.py:

NOISE_ZONES = [
    {
        "id":      "zone_critical",
        "R_inner": 0.0,   # км — внутренняя граница сферы
        "R_outer": 2.0,   # км — внешняя  граница сферы ← меняй здесь
        "color":   "#FF3333",
        "opacity": 0.55,
    },
    ...
]

После изменения — перезапустить python app.py.

🗺️ Карта — функциональность

Треки

Цвет — градиент по высоте: 🔴 0 м → 🟡 4 250 м → 🟢 8 500+ м
Hover → tooltip с параметрами точки
Клик → детали рейса в боковой панели
Переключатель ✈ Треки — скрыть/показать треки (зоны остаются)
Трек отображается поверх шумовых зон (zIndex 50)

Детали рейса (боковая панель)

🛫/🛬 тип рейса + callsign
Номер рейса, тип ВС, регистрация
Маршрут с названиями городов: Сочи (AER) → Москва (SVO)
Дата полёта
Время входа/выхода из Московской области (МСК, UTC+3)
Высота (м), скорость (км/ч), уровень шума (дБ)

Шумовые зоны

Реальные географические полигоны (Turf.js buffer + difference)
Строятся посегментно с учётом высоты каждого сегмента
Чекбоксы для включения/отключения каждой зоны

Фильтры

Аэропорт: Все / SVO / DME / VKO / ZIA
Тип рейса: Все / Вылеты / Прилёты
Высота: слайдеры в метрах (0–13 000 м)
Период: date picker (date_from / date_to)

Флажки (маркеры)

Кнопка 📍 Добавить → клик на карту → ставит флажок
Клик на флажок → удалить
Двойной клик на название в списке → переименовать
Несколько флажков одновременно, разные цвета

Линейка

Кнопка 📏 Включить → кликать по точкам → тянется линия
Двойной клик → завершить (автовыключение)
Показывает итог и разбивку по сегментам (формула Haversine)
🗑 Сбросить → очистить

📊 Текущие данные

Файл	Дата	Аэропорт	Рейсов	Точек
flights_SVO_2026-03-21.json	21.03	SVO	33	~6 000
flights_DME_2026-03-21.json	21.03	DME	15	~3 000
flights_VKO_2026-03-21.json	21.03	VKO	21	~4 000
flights_ZIA_2026-03-21.json	21.03	ZIA	1	~46
flights_SVO_2026-03-20_offset90m.json	20.03 +1.5ч	SVO	—	—
flights_DME_2026-03-20_offset90m.json	20.03 +1.5ч	DME	—	—
flights_VKO_2026-03-20_offset90m.json	20.03 +1.5ч	VKO	—	—
flights_ZIA_2026-03-20_offset90m.json	20.03 +1.5ч	ZIA	—	—

Итого: 147 рейсов / 29 487 точек / 2 дня / 4 аэропорта

💳 Расход кредитов FR24 API

Тариф Explorer: 60 000 кредитов/месяц (промо 120 000 до 31.05.2026)

На 22.03.2026 потрачено (приблизительно):

historic/flight-positions/light (тесты): ~1 717
historic/flight-positions/full (данные): ~5 564
flight-tracks (треки): ~8 880
Итого: ~16 161 кредитов (~13% промо-лимита)

🗓️ Статус и план

Шаг	Статус	Описание
Шаг 0	✅ Готово	UI, синтетика, модель шума, линейка, флажки
Шаг 1	✅ Готово	Sandbox проверка, исправление bounds
Шаг 2	✅ Готово	Production данные (4 аэропорта, 2 дня, стратегия А)
Шаг 3	✅ Готово	Стратегия Б v2: 111 новых треков SVO 21.03, итого 258 рейсов / 50 282 точки

Бэклог

Стратегия Б: парсинг табло + полный охват рейсов
Фильтр по дате в UI (переключение между загруженными днями)
Тепловая карта накопленного шума по регионам
Фильтр по авиакомпаниям и типам ВС
Учёт времени суток (ночные полёты)
Привязка к санитарным нормам (СН 2.2.4/2.1.8.562-96)
Экспорт зон в GeoJSON/KML
Оптимизация производительности (много треков → тормоза браузера)

README.md Unescape Escape

✈️ Карта шумового загрязнения — Прототип v0.2

🚀 Быстрый старт