RíoAlerta
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
RíoAlerta (rio-alerta-mcp)
Vigilancia Satelital Multitemporal de Extracción de Áridos en Ríos Argentinos mediante Sentinel-2 L2A, Controles de Dinámica Fluvial y Proyección Oficial POSGAR 2007
Resumen Ejecutivo (Abstract)
RíoAlerta (rio-alerta-mcp) es un servidor Model Context Protocol (FastMCP) y motor geoespacial multitemporal diseñado para asistir a autoridades ambientales provinciales, municipios, Prefectura Naval Argentina (PNA) y organismos de recursos hídricos en la detección, cuantificación y auditoría reproducible de alteraciones compatibles con extracción de áridos (cavas inundadas, frentes de dragado, desmontes de ribera, playas de acopio y caminos de acceso) sobre corredores fluviales argentinos.
A diferencia de los detectores de cambio genéricos por diferencia simple de píxeles, RíoAlerta modela explícitamente la física espectral de sensores ópticos multiespectrales (Sentinel-2 L2A) y la geomorfología de ríos aluviales de llanura:
Preservación de resoluciones nativas (
10 mVNIR /20 mSWIR+SCL) y separación estricta entre remuestreo radiométrico (bilinear) y categórico (nearest).Ingesta eficiente por HTTP Range Requests (
GDAL/VSICURL) sobre Cloud-Optimized GeoTIFFs (COG) en STAC (Element 84 Earth Search / Microsoft Planetary Computer), con filtro de cobertura completa de tesela MGRS (>= 98%) para evitar truncamientos de borde.Proyección métrica automática a POSGAR 2007 (
EPSG:5343–5349, Fajas 1 a 7) para garantizar áreas en $\text{m}^2/\text{ha}$ y distancias métricas exactas en todo el territorio argentino.Controles de dinámica fluvial natural (pulsos de crecida/bajante, dipolos acoplados de migración de bancos de arena, deriva fenológica de la vegetación en galería y confusores de turbidez).
Prudencia institucional y trazabilidad: las geometrías emitidas constituyen anomalías morfológicas candidatas con metadatos explícitos de incertidumbre (
UncertaintyMetadata), nunca calificaciones jurídicas autónomas sin cruce catastral oficial y verificación humana.
Related MCP server: Copernicus Earth Observation MCP Server
1. Marco Metodológico y Fundamento Científico (Base tipo Paper)
1.1 Problema de Detección en Llanuras Aluviales
Los sistemas fluviales argentinos —en particular el Río Paraná Medio e Inferior— presentan una dinámica hidromorfológica intensa caracterizada por variaciones de nivel hidrométrico superiores a $4\text{ m}$, migración continua de barras arenosas, inundación estacional de lagunas isleñas detrás de albardones y presencia simultánea de aguas altamente turbias (carga de sedimentos en suspensión) y aguas negras/húmicas ricas en materia orgánica disuelta (CDOM).
Un detector bitemporal ingenuo basado únicamente en índices espectrales normalizados colapsa en este entorno por tres mecanismos físicos documentados en el Experimento 001 (Paraná Medio):
Singularidad de cocientes en baja reflectancia: en aguas negras/húmicas (
B08 -> 0,B11 < 200 DN), el denominador del Bare Soil Index (BSI) tiende a cero y amplifica ruido atmosférico residual Sen2Cor, generando falsos positivos de suelo desnudo.Inundación no lineal de llanura aluvial: por encima de la cota de coronamiento de albardones ($\approx 3.0\text{--}3.2\text{ m}$ en Puerto Paraná / Santa Fe), las cubetas isleñas desconectadas del cauce de estiaje se llenan por desborde o napa freática, produciendo incrementos abruptos de
MNDWIsin conexión superficial directa (<= 1.5 px) con la lámina de $T_0$.Confusores de turbidez y sumersión de barras: la sumersión de un banco somero brillante (
B04_T0 = 988 -> B04_T1 = 641 DN) invierte el signo de $\Delta B_{04}$, burlando filtros unidireccionales de turbidez.
1.2 Formulación Espectral
Dadas las bandas de reflectancia de superficie Sentinel-2 L2A (BOA_OFFSET_APPLIED = True, escala 10000 DN):
VNIR (
10 mnativos): $B_{02}$ (Azul, $490\text{ nm}$), $B_{03}$ (Verde, $560\text{ nm}$), $B_{04}$ (Rojo, $665\text{ nm}$), $B_{08}$ (NIR, $842\text{ nm}$).SWIR + SCL (
20 mnativos): $B_{11}$ (SWIR1, $1610\text{ nm}$), $B_{12}$ (SWIR2, $2190\text{ nm}$),SCL(Scene Classification Layer).
Para cada escena válida (SCL $\notin {0,1,2,3,8,9,10,11}$), el motor calcula:
Modified Normalized Difference Water Index (MNDWI, Xu 2006): $$\text{MNDWI} = \frac{B_{03} - B_{11}}{B_{03} + B_{11} + \epsilon}$$ Sensible a lámina de agua abierta, excavaciones inundadas y contenido hídrico superficial.
Bare Soil Index (BSI, Rikimaru et al. 2002): $$\text{BSI} = \frac{(B_{11} + B_{04}) - (B_{08} + B_{02})}{(B_{11} + B_{04}) + (B_{08} + B_{02}) + \epsilon}$$ (En Fase 2.1 se incorpora además la variante regularizada por albedo $\text{BSI}_{\text{reg}}(k)$ con $k=800\text{ DN}$ para suprimir singularidades en aguas negras).
Normalized Difference Vegetation Index (NDVI): $$\text{NDVI} = \frac{B_{08} - B_{04}}{B_{08} + B_{04} + \epsilon}$$
1.3 Reglas de Detección y Controles Naturales
Entre la línea base histórica $T_0$ (escena única o mediana libre de nubes de hasta $N$ años en ventana estacional $\pm 45\text{ días}$ del día del año DOY) y la escena actual $T_1$:
Normalización fenológica ribereña: sobre píxeles de vegetación densa en $T_0$ ($\text{NDVI}{T_0} > 0.45$), se estima la deriva mediana estacional $\tilde{\Delta}\text{NDVI}$ y $\tilde{\Delta}\text{BSI}$, descontando únicamente senescencia regional uniforme ($\Delta\text{NDVI}{\text{adj}}, \Delta\text{BSI}_{\text{adj}}$).
Control hidrométrico del tramo (
compute_reach_hydrological_state): cuantifica la variación porcentual de lámina de agua (water_stage_delta_pct), la fracción de inundación perimetral (shoreline_flooding_fraction) y construyeuniform_stage_belt_mask/drawdown_belt_maskmediante transformada de distancia euclidiana (EDT).Control de dipolos de migración de bancos (
detect_natural_bar_migration_dipoles): empareja componentes de erosión ($\Delta\text{MNDWI} > +0.35$, $\text{NDVI}{T_0} < 0.35$) con componentes de acreción aguas abajo ($\Delta\text{MNDWI} < -0.35$, $\text{MNDWI}{T_0} > 0.05$) de área comparable (ratio$\in [0.40, 2.50]$) dentro de un radio máximo de $450\text{ m}$.Piso físico de detección:
min_anomaly_area_m2 = 1600.0 m²($\ge 4$ píxeles nativos SWIR de $20\text{ m} \times 20\text{ m}$), con clausura morfológica $3\times 3$ y vectorizaciónOpenCV(RETR_EXTERNAL) en coordenadas métricas POSGAR 2007.
2. Arquitectura del Repositorio
rio-alerta-mcp/
├── pyproject.toml # Dependencias, ruff, mypy y configuración pytest
├── Dockerfile # Contenedor reproducible con GDAL/rasterio
├── LICENSE # Licencia MIT
├── .env.example # Variables de entorno (STAC, límites de RAM, CRS)
├── src/
│ ├── config.py # Configuración CWD-safe (PROJECT_ROOT) y fajas POSGAR 2007
│ ├── schemas.py # Modelos Pydantic v2 (SceneMetadata, ExtractionAnomalyFeature, etc.)
│ ├── server.py # Servidor FastMCP con herramientas MCP expuestas
│ └── core/
│ ├── crs_manager.py # Resolución automática de fajas EPSG:5343–5349 y reproyección
│ ├── optical_providers.py # Cliente STAC, filtro de cobertura MGRS, ingesta COG 10m/20m y SCL
│ ├── change_detector.py # Índices ΔMNDWI/ΔBSI/ΔNDVI, segmentación y metadatos de incertidumbre
│ ├── hydrological_control.py # Control de crecidas/bajantes, dipolos de barras y fenología
│ ├── permits_validator.py # Validación espacial/temporal catastral estricta y unión geométrica
│ ├── vlm_judge.py # Dictamen auxiliar separado por modalidad (Heurística/VLM/Experto)
│ ├── case_workflow.py # Fuente SQLite transaccional (WAL+flock) + exportación JSONL encadenada
│ ├── dossier_generator.py # Generador de Dossiers de Investigación Territorial (9 secciones)
│ ├── report_generator.py # Emisión atómica reproducible (`generations/<gen_id>/`) Markdown+JSON+Manifest
│ └── parana_pilot_recon.py # Diagnóstico geodésico/STAC del tramo piloto Paraná Medio
├── scripts/
│ ├── run_exp_001_parana_medio.py # Pipeline reproducible del Experimento 001 (Paraná Medio)
│ ├── run_exp_002_validation.py # Validación Fase 2.1 (estiaje Paraná Medio + AOI2 Diamante)
│ └── generate_dossier_rio_0184.py# Generación del Dossier técnico auditable RIO-0184 + figuras
├── data/
│ └── experiments/
│ ├── exp_001_parana_medio/ # Informe técnico, JSON resumen, GeoJSONs y 8 láminas PNG
│ ├── exp_001_recalibrated/ # Recalibración Fase 2.1 sobre Paraná Medio
│ └── exp_002_validation/ # Validación cruzada (Paraná Medio estiaje + Diamante)
├── skills/
│ └── rio-alerta/
│ └── SKILL.md # Skill portable para Antigravity, OpenCode y Claude
└── tests/ # Suite unitaria e integración (56 tests)3. Catálogo de Herramientas MCP y Funciones Principales
3.1 Herramientas expuestas por el Servidor FastMCP (src/server.py)
Herramienta MCP | Parámetros Principales | Retorno ( | Descripción Operativa |
| (ninguno) |
| Verifica estado del servidor, versión, rutas ( |
|
|
| Resuelve automáticamente la faja oficial POSGAR 2007 ( |
|
|
| Busca en STAC y recorta por HTTP Range Request un par comparable Sentinel-2 L2A (10m VNIR + 20m SWIR/SCL) en POSGAR 2007 listo para detección. |
|
|
| Calcula GeoTIFFs Float32 de $\Delta\text{MNDWI}$, $\Delta\text{BSI}$ y $\Delta\text{NDVI}$ en POSGAR 2007 respetando 10m/20m nativos y reporta |
|
|
| Ejecuta el motor completo: controles hidrológicos, dipolos de barras, normalización fenológica, segmentación morfológica y emisión de |
|
|
| Evalúa factibilidad geodésica ( |
|
|
| Cruza el candidato en POSGAR 2007 contra concesiones locales e hidrografía respetando completitud catastral ( |
|
|
| Emite o registra un dictamen auxiliar de geomorfología fluvial ( |
|
|
| Orquesta cruce catastral, dictamen VLM, apertura de caso y emisión de expediente Markdown (9 secciones) + JSON ( |
|
|
| Administra expedientes territoriales con bitácora JSONL append-only y consulta indexada en SQLite. |
3.2 Funciones del Núcleo (src/core/)
Geodesia (
crs_manager.py):get_posgar_faja(lon),bbox_wgs84_to_posgar(bbox),ensure_metric_crs(...),reproject_array_to_grid(...),reproject_geometry(...).Ingesta Óptica (
optical_providers.py):decode_scl_masks(scl),load_native_s2_scene_bundle(...),filter_seasonally_comparable_items(...),query_stac_seasonal_pair_candidates(...),search_and_fetch_stac_multitemporal(...),fetch_xyz_rgb_chip(...).Detección Multitemporal (
change_detector.py):compute_spectral_indices(...),compute_multitemporal_baseline_and_changes(...),detect_extraction_anomalies(...).Dinámica Fluvial (
hydrological_control.py):compute_reach_hydrological_state(...),detect_natural_bar_migration_dipoles(...),normalize_seasonal_riparian_indices(...),compute_turbidity_confounder_flag(...).Catastro, VLM y Casos (
permits_validator.py,vlm_judge.py,case_workflow.py):validate_anomaly_permits(...),build_vlm_fluvial_prompt(...),evaluate_candidate_vlm_verdict(...),CaseWorkflowManager.Dossiers y Expedientes (
dossier_generator.py,report_generator.py):generate_candidate_dossier(...),generate_negative_or_area_dossier(...),generate_enforcement_report(...).
4. Validación Empírica: Experimento 001 (Paraná Medio)
El script run_exp_001_parana_medio.py ejecutó el motor de Fase 2 sobre el corredor Santa Fe (Canal de Acceso / Colastiné) – Islas – Bajada Grande / Paraná ((-60.66, -31.74, -60.53, -31.64), 13,817.45 ha, EPSG:5347), comparando 2024-11-06 (estiaje, 0.67 m PNA Paraná) vs 2026-11-08 (crecida, 4.85 m PNA Paraná, +26.29% de área de agua).
Informe completo: INFORME_EXPERIMENTO_PARANA_MEDIO.md
Resultados clave: se identificaron 4 focos costeros reales sobre ribera firme con reflectancia mineral alta (
B11_T1 >= 1573 DN:#218 RIO-0184,#322 RIO-0225,#380 RIO-0199,#389 RIO-0365) y se diagnosticaron con precisión las dos familias de falsos positivos (agua negra/húmica y lagunas isleñas desconectadas) que motivan la calibración científica de Fase 2.1.
5. Instalación y Uso
5.1 Requisitos e Instalación con uv
git clone https://github.com/<tu-usuario>/rio-alerta-mcp.git
cd rio-alerta-mcp
# Crear entorno virtual e instalar dependencias (incluyendo dev)
uv venv .venv --python 3.11
source .venv/bin/activate
uv pip install -e ".[dev]"5.2 Verificación de Calidad y Tests
.venv/bin/ruff check src tests scripts
.venv/bin/mypy src
.venv/bin/pytest -v5.3 Ejecución del Servidor FastMCP
# Modo stdio (para Antigravity, Claude Desktop, OpenCode, Cursor)
.venv/bin/python -m src.serverEjemplo de configuración en clientes MCP (mcp_config.json / claude_desktop_config.json):
{
"mcpServers": {
"rio-alerta": {
"command": "/ruta/absoluta/a/rio-alerta-mcp/.venv/bin/python",
"args": ["-m", "src.server"],
"cwd": "/ruta/absoluta/a/rio-alerta-mcp"
}
}
}5.4 Ejecución del Experimento Reproducible
.venv/bin/python scripts/run_exp_001_parana_medio.py6. Hoja de Ruta
Fase 1 (Completada): Scaffolding FastMCP, esquemas Pydantic v2,
config.pyCWD-safe, fajas POSGAR 2007, Dockerfile y CI.Fase 2 (Completada): Proveedor STAC Sentinel-2 L2A (10m/20m nativos + SCL), motor multitemporal y controles de dinámica fluvial.
Fase 2.1 (Completada): Corrección de agua oscura ($\text{BSI}_{\text{reg}}$ + umbrales minerales), zonificación geomorfológica en 4 zonas, hidratación de hidrómetros INA, umbral diferenciado de desmonte ribereño (
800 m²) y reconstrucción de huella de píxel completo (4/4recuperación en Paraná Medio y validación cruzada en Diamante).Fase 3 (Completada): Validación catastral e hidrográfica (
permits_validator.py), dictamen auxiliar VLM/morfología (vlm_judge.py), flujo auditable de casos JSONL+SQLite (case_workflow.py), generador de expedientes reproducibles Markdown+JSON (dossier_generator.py,report_generator.py) y 10 herramientas MCP operativas ensrc/server.py.Fase 3.1 — Auditoría y robustecimiento (Completada): Seguridad semántica catastral (
PERMISO_NO_VERIFICABLE_O_INCOMPATIBLE, unión geométrica sin doble conteo y degradación deOFICIAL_COMPLETOsin procedencia), workflow SQLite transaccional (WAL+flock+ triggers append-only + cadena SHA-256 + idempotencia + reconstrucción desde JSONL), separación explícitaHEURISTIC_SCREENING/EXTERNAL_VLM/HUMAN_EXPERT, publicación atómica de reportes (generations/<gen_id>/{report.md,report.json,manifest.json}+current_generation.json) y confinamiento estricto de rutas MCP sin symlinks ni escritura fuera de raíces autorizadas.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
European Sentinel and Copernicus Contributing Mission archive from the EU's Copernicus Data Space…
AI-ready OSINT and satellite GEOINT platform: evidence for the next decision.
Geospatial AI MCP server — satellite imagery, embeddings, weather, GNS governance
SWAT+ watershed models for any river in the lower 48 states, with groundwater and PFAS data
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceProduction-ready satellite imagery analysis server that enables natural language queries for Earth observation data, including land cover classification, vegetation monitoring, water detection, change detection, and automated environmental reporting.MIT
- AlicenseBqualityBmaintenanceProvides tools to search, download, and manage satellite imagery from all Copernicus Sentinel missions via the Copernicus Data Space ecosystem. It enables advanced geospatial queries, temporal coverage analysis, and automated data management for Earth observation tasks.1310LGPL 3.0
- FlicenseBqualityDmaintenanceA Python MCP server for discovering and analyzing Sentinel-2 L2A imagery, enabling AI agents to search scenes, check quality, and compute spectral indices like NDVI, NDWI, and NBR from remote COG windows.4-
- AlicenseAqualityBmaintenanceEnables AI agents to autonomously discover, stream, and compute satellite analytics from free government Earth-observation catalogs such as Sentinel-2, Landsat, and Copernicus DEM, with zero API keys or configuration. It supports place-name geocoding, STAC scene search, cloud-native COG streaming for spectral indices, elevation profiles, SAR flood detection, and sandboxed custom geospatial scripts.2916Apache 2.0