Objetivo: medir la densidad y la salud de la vegetaci\u00f3n.<\/li>\n\n\n\n

F\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n

.<\/p>\n\n\n\n\\(
NDVI = \\frac{NIR – Red}{NIR + Red}
\\)\n\n\n\n

.<\/p>\n\n\n\n

NIR = banda del infrarrojo cercano (B08)<\/li>\n\n\n\n
Red = banda roja (B04)<\/li>\n\n\n\n
Valores: -1 a 1; >0,2 vegetaci\u00f3n, <0,1 suelo desnudo o agua.<\/li>\n\n\n\n

Uso: seguimiento de la vegetaci\u00f3n, estimaci\u00f3n de la biomasa, agricultura.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>NDWI \u2014 \u00cdndice de agua normalizado por diferencia<\/span><\/h3>\n\n\n\n

Objetivo: detectar la presencia de agua en el paisaje.<\/li>\n\n\n\n

F\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n

.<\/p>\n\n\n\n\\(
NDWI = \\frac{Verde- NIR}{Verde+ NIR}
\\)\n\n\n\n

.<\/p>\n\n\n\n

Verde = banda verde (B03)<\/li>\n\n\n\n
NIR = banda infrarroja cercana (B08)<\/li>\n\n\n\n
Valores: positivos = agua, negativos = suelo\/vegetaci\u00f3n.<\/li>\n\n\n\n

Uso: cartograf\u00eda de lagos, r\u00edos, humedales.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>MNDWI \u2014 NDWI modificado<\/span><\/h3>\n\n\n\n

Objetivo: separar mejor el agua de las zonas urbanas o construidas.<\/li>\n\n\n\n

F\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n

.<\/p>\n\n\n\n\\(MNDWI = \\frac{Green – SWIR1}{Green + SWIR1}\\)\n\n\n\n

.<\/p>\n\n\n\n

SWIR1 = banda de longitud de onda corta (B11)<\/li>\n\n\n\n
Valores: positivos = agua; mejora la detecci\u00f3n en comparaci\u00f3n con el NDWI.<\/li>\n\n\n\n

Uso: seguimiento de masas de agua en zonas urbanas o costeras.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>BSI \u2014 \u00cdndice de suelo desnudo<\/span><\/h3>\n\n\n\n

Objetivo: detectar suelos desnudos y zonas desnudas.<\/li>\n\n\n\n

F\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n

.<\/p>\n\n\n\n\\(BSI = \\frac{(SWIR1 + Red) – (NIR + Blue)}{(SWIR1 + Red) + (NIR + Blue)}\\)\n\n\n\n

.<\/p>\n\n\n\n

Azul = banda azul (B02)<\/li>\n\n\n\n
Red = B04, NIR = B08, SWIR1 = B11<\/li>\n\n\n\n
Valores: cuanto m\u00e1s alto es el BSI, m\u00e1s despejada est\u00e1 la superficie.<\/li>\n\n\n\n

Uso: seguimiento de suelos desnudos, zonas urbanas, zonas minerales.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>NDBI \u2014 \u00cdndice de diferencia normalizada de zonas construidas<\/span><\/h3>\n\n\n\n

Objetivo: detectar zonas construidas o impermeabilizadas.<\/p>\n\n\n\n

F\u00f3rmula:<\/p>\n\n\n\n

.<\/p>\n\n\n\n\\(NDBI = \\frac{SWIR1 – NIR}{SWIR1 + NIR}\\)\n\n\n\n

.<\/p>\n\n\n\n

Valores: positivos = construido, negativos = vegetaci\u00f3n o agua.<\/li>\n\n\n\n

Uso: cartograf\u00eda urbana, seguimiento de la expansi\u00f3n de las ciudades.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>EVI \u2014 \u00cdndice de vegetaci\u00f3n mejorado<\/span><\/h3>\n\n\n\n

Objetivo: mejorar la sensibilidad del NDVI en zonas con vegetaci\u00f3n muy densa y corregir el efecto atmosf\u00e9rico.<\/li>\n\n\n\n

F\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n

.<\/p>\n\n\n\n\\(EVI = 2,5 \\cdot \\frac{NIR – Red}{NIR + 6 \\cdot Red – 7,5 \\cdot Blue + 1}\\)\n\n\n\n

.<\/p>\n\n\n\n

Azul = B02, Rojo = B04, NIR = B08<\/li>\n\n\n\n
Valores: -1 a 1, similar al NDVI pero m\u00e1s robusto en zonas densas.<\/li>\n\n\n\n

Uso: bosques, zonas tropicales, seguimiento de la salud de la vegetaci\u00f3n.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>SAVI \u2014 \u00cdndice de vegetaci\u00f3n ajustado al suelo<\/span><\/h3>\n\n\n\n

Objetivo: medir la vegetaci\u00f3n corrigiendo el efecto del suelo (\u00fatil en zonas poco densas).<\/p>\n\n\n\n

F\u00f3rmula:<\/p>\n\n\n\n

.<\/p>\n\n\n\n\\(SAVI = \\frac{(NIR – Red) \\cdot (1 + L)}{NIR + Red + L}\\)\n\n\n\n

.<\/p>\n\n\n\n

donde:<\/p>\n\n\n\n

NIR = banda del infrarrojo cercano (Sentinel-2 B08)<\/li>\n\n\n\n
Red = banda roja (B04)<\/li>\n\n\n\n
L = factor de correcci\u00f3n del suelo, a menudo 0,5<\/li>\n\n\n\n
Valores: -1 a 1, como el NDVI, pero menos sensible al suelo desnudo.<\/li>\n\n\n\n

Uso: vegetaci\u00f3n escasa o dispersa (praderas, sabanas, zonas costeras con poca cobertura vegetal).<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>UI \u2014 \u00cdndice urbano (o \u00edndice de urbanizaci\u00f3n)<\/span><\/h3>\n\n\n\n

Objetivo: detectar y cuantificar las zonas urbanas.<\/p>\n\n\n\n

F\u00f3rmula simple:<\/p>\n\n\n\n

.<\/p>\n\n\n\n

\n\nUI = \\frac{SWIR – NIR}{SWIR + NIR}\n\n<\/annotation><\/semantics><\/math><\/div>\n\n\n\n.<\/p>\n\n\n\n\nSWIR = banda de longitud de onda corta (Sentinel-2 B11 o B12)<\/li>\n\n\n\nNIR = infrarrojo cercano (B08)<\/li>\n\n\n\nValores: positivos para zonas impermeables o construidas, bajos\/negativos para vegetaci\u00f3n o agua.<\/li>\n\n\n\nUso: seguimiento de la urbanizaci\u00f3n, detecci\u00f3n de edificios o superficies artificiales.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>RDI \u2014 \u00cdndice de diferencia de rojez<\/span><\/h3>\n\n\n\n\nObjetivo: detectar suelos desnudos o zonas ricas en \u00f3xido de hierro (\u00abrojo\u00bb) en el paisaje.<\/li>\n\n\n\nF\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n.<\/p>\n\n\n\n\\(RDI = Rojo – Verde\\)\n\n\n\n.<\/p>\n\n\n\n\nRojo = banda roja (B04), Verde = banda verde (B03)<\/li>\n\n\n\nValores: cuanto m\u00e1s \u00abrojo\u00bb es el suelo, mayor es el RDI.<\/li>\n\n\n\nUso: seguimiento de la erosi\u00f3n, suelos desnudos, zonas minerales o \u00e1ridas.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>Tabla resumen completa<\/span><\/h3>\n\n\n\n\u00cdndice <\/th>Objetivo <\/th>F\u00f3rmula <\/th>Uso t\u00edpico<\/th><\/tr><\/thead>NDVI<\/td>Vegetaci\u00f3n <\/td>(NIR\u2212Red)\/(NIR+Red)<\/td>Supervisi\u00f3n de la vegetaci\u00f3n, agricultura<\/td><\/tr>EVI<\/td>Vegetaci\u00f3n mejorada<\/td>2.5*(NIR-Red)\/(NIR+6Red-7.5<\/em>Blue+1)<\/td>Zonas densas, bosques tropicales <\/td><\/tr>SAVI<\/td>Vegetaci\u00f3n <\/td>(NIR\u2212Red)*(1+L)\/(NIR+Red+L)<\/td>Zonas dispersas, suelos visibles<\/td><\/tr>NDWI<\/td>Agua <\/td>(Green\u2212NIR)\/(Green+NIR)<\/td>Cartograf\u00eda de lagos, r\u00edos<\/td><\/tr>MNDWI<\/td>Agua modificada<\/td>(Green\u2212SWIR1)\/(Green+SWIR1)<\/td>Agua en zonas urbanas o costeras<\/td><\/tr>BSI<\/td>Suelo desnudo<\/td>((SWIR1+Red)-(NIR+Blue))\/((SWIR1+Red)+(NIR+Blue))<\/td>Zonas desnudas, suelos desnudos<\/td><\/tr>NDBI<\/td>Urbano <\/td>(SWIR1\u2212NIR)\/(SWIR1+NIR)<\/td>Detecci\u00f3n de edificios, ciudades <\/td><\/tr>UI<\/td>Urbano <\/td>(SWIR1\u2212NIR)\/(SWIR1+NIR)<\/td>Cartograf\u00eda urbana<\/td><\/tr>RDI<\/td>Suelo\/rojo<\/td>Red\u2212Green<\/td>Seguimiento de suelos desnudos u \u00f3xido de hierro<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n\n\n\n\n<\/span>Gama de \u00edndices Sentinel<\/span><\/h3>\n\n\n\nCada \u00edndice se presenta con:<\/p>\n\n\n\n\nsu nombre y acr\u00f3nimo,<\/li>\n\n\n\ntipo de superficie objetivo (vegetaci\u00f3n, agua, suelo, urbano),<\/li>\n\n\n\nvalores t\u00edpicos\/escala,<\/li>\n\n\n\ncolor representativo para su visualizaci\u00f3n en el mapa (por ejemplo, NDVI \u2192 verde, NDWI \u2192 azul, BSI \u2192 marr\u00f3n claro, etc.).<\/li>\n<\/ul>\n\n\n\n\u00cdndice<\/th>Tipo<\/th>Valores<\/th>Color representativo<\/th><\/tr><\/thead>NDVI<\/td>Vegetaci\u00f3n<\/td>-1 \u2192 1 (verde oscuro = denso, amarillo = escaso)<\/td>Verde<\/td><\/tr>EVI<\/td>Vegetaci\u00f3n<\/td>-1 \u2192 1 (similar al NDVI, m\u00e1s sensible)<\/td>Verde claro<\/td><\/tr>SAVI<\/td>Vegetaci\u00f3n<\/td>-1 \u2192 1 (corregido por el suelo)<\/td>Verde-amarillo<\/td><\/tr>NDWI<\/td>Agua<\/td>-1 \u2192 1 (positivo = agua)<\/td>Azul claro<\/td><\/tr>MNDWI<\/td>Agua modificada<\/td>-1 \u2192 1<\/td>Azul turquesa<\/td><\/tr>BSI<\/td>Suelo desnudo<\/td>-1 \u2192 1 (alto = suelo claro)<\/td>Beige \/ Marr\u00f3n<\/td><\/tr>NDBI<\/td>Urbano<\/td>-1 \u2192 1 (positivo = construido)<\/td>Gris claro<\/td><\/tr>UI<\/td>Urbano<\/td>-1 \u2192 1<\/td>Gris medio<\/td><\/tr>RDI<\/td>Suelo\/rojo<\/td>variable, m\u00e1s alto = rojo<\/td>Rojo ladrillo<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n\n\n\n\n<\/span>\u00bfPor qu\u00e9 utilizar una m\u00e1scara de nubes?<\/span><\/h2>\n\n\n\nLas nubes y sus sombras plantean un problema en las im\u00e1genes satelitales porque:<\/p>\n\n\n\n\nOscurecen las superficies: suelo, vegetaci\u00f3n, agua, corales.<\/li>\n\n\n\nAlteran los \u00edndices (NDVI, NDWI, etc.) porque los valores radiom\u00e9tricos no se corresponden con la superficie real.<\/li>\n\n\n\nLas zonas cubiertas por nubes pueden generar valores at\u00edpicos: muy altos o muy bajos, lo que distorsiona los c\u00e1lculos de tendencias.<\/li>\n<\/ol>\n\n\n\nPor lo tanto, para el an\u00e1lisis de \u00edndices y la detecci\u00f3n de caracter\u00edsticas en el suelo o en el agua, es importante ocultar estos p\u00edxeles.<\/p>\n\n\n\n\n\n\n\n<\/span>M\u00e1scara de nubes para Sentinel-2 a 10 m.<\/span><\/h2>\n\n\n\nSentinel-2 ofrece varias opciones para detectar nubes en su resoluci\u00f3n nativa (10 m, 20 m o 60 m seg\u00fan la banda):<\/p>\n\n\n\n<\/span>a) M\u00e1scara oficial proporcionada por la ESA.<\/span><\/h3>\n\n\n\n\nArchivo QA60 en los productos Sentinel-2 L2A: m\u00e1scara binaria de 10 m que indica nubes y cirros.<\/li>\n\n\n\nVentajas: fiable y f\u00e1cil de aplicar.<\/li>\n\n\n\nInconvenientes: m\u00e1scara tosca \u2192 no siempre distingue bien entre nubes finas y sombras.<\/li>\n<\/ul>\n\n\n\n<\/span>b) M\u00e9todos basados en \u00edndices espectrales<\/span><\/h3>\n\n\n\n\nBanda SWIR y NIR: las nubes son muy reflectantes en el visible, pero menos en el SWIR.<\/li>\n\n\n\nEjemplo de \u00edndice simple:<\/li>\n<\/ul>\n\n\n\n.<\/p>\n\n\n\n\\(CI = \\frac{(B02 + B03 + B04)}{3} – B11\\)\n\n\n\n.<\/p>\n\n\n\n\nP\u00edxeles claros en el visible y d\u00e9biles en SWIR \u2192 probablemente nubes.<\/li>\n\n\n\nPermite crear una m\u00e1scara de nubes adaptada al contexto, \u00fatil si se desea detectar nubes y cirros locales.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>c) Algoritmos autom\u00e1ticos<\/span><\/h3>\n\n\n\n\nFmask o s2cloudless: detecci\u00f3n sofisticada que utiliza aprendizaje autom\u00e1tico y espectros multiespectrales.<\/li>\n\n\n\nPr\u00e1ctico para grandes series temporales.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>C\u00f3mo se procedi\u00f3 en el script Colab<\/span><\/h2>\n\n\n\nEn el script no se utiliz\u00f3 el QA60 oficial, sino una detecci\u00f3n por \u00edndices espectrales y textura local, adaptada a las zonas costeras y a la superresoluci\u00f3n de 1 m:<\/p>\n\n\n\n<\/span>Etapas principales:<\/span><\/h3>\n\n\n\n<\/p>\n\n\n\n\nNormalizaci\u00f3n de las bandas<\/strong> : blue_n = blue \/ max <\/code> green_n = green \/ max <\/code> red_n = red \/ max <\/code> nir_n = nir \/ max<\/code>swir1_n = swir1 \/ max<\/code> \u2192 todos los valores entre 0 y 1 para homogeneidad.<\/li>\n\n\n\nCondici\u00f3n \u00abnube inicial\u00bb basada en 4 criterios :Muy claro en el visible (albedo_vis > 0,35) SWIR1 alto (swir1_n > 0,15) Relaci\u00f3n azul\/rojo elevada (blue_n \/ red_n > 1,2) NIR elevado (nir_n > 0,25)<\/li><\/ul>\u2192 los p\u00edxeles que cumplen al menos 3\/4 criterios se consideran nubes.<\/li>\n\n\n\nM\u00e1scara \u00abespuma\u00bb para las zonas marinas<\/strong> :\n\nSe detecta la espuma\/el rompimiento de las olas mediante la desviaci\u00f3n est\u00e1ndar local en la banda azul y el albedo visible.<\/li>\n\n\n\nSe eliminan estos p\u00edxeles de la m\u00e1scara de nubes : cloud_final = cloud_init & (~foam_mask)<\/code><\/li>\n\n\n\nEsto evita enmascarar la zona coralina o el mar agitado.<\/li>\n<\/ul>\n<\/li>\n\n\n\nFiltrado de peque\u00f1os componentes<\/strong> :\n\nElimina las nubes muy peque\u00f1as que podr\u00edan ser ruido \u2192 solo se conservan los objetos > 500 p\u00edxeles.<\/li>\n<\/ul>\n<\/li>\n\n\n\nResultado final<\/strong> :\n\ncloud_mask<\/code> = m\u00e1scara de nubes limpia, lista para ser utilizada para excluir los p\u00edxeles nubosos al calcular los \u00edndices.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\n\n\n\n\n<\/span>\u00bfPor qu\u00e9 este m\u00e9todo?<\/span><\/h3>\n\n\n\n\nLa escena tiene una resoluci\u00f3n muy alta (1 m) \u2192 el QA60 oficial no existe con esta resoluci\u00f3n.<\/li>\n\n\n\nLa zona es costera\/coralina \u2192 hay que distinguir el musgo y las olas de las nubes.<\/li>\n\n\n\nEl enfoque espectral + textura local permite:\n\ndetectar las nubes<\/li>\n\n\n\nno ocultar el agua ni el espuma<\/li>\n\n\n\ntrabajar con im\u00e1genes de alta resoluci\u00f3n generadas por S2DR3<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>Modo de funcionamiento<\/span><\/h2>\n\n\n\nAbra Google Colab: https:\/\/colab.research.google.com<\/a><\/p>\n\n\n\nEn Collab, vincule su cuaderno a su Google Drive.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\nAhora, para que el procesamiento no lleve demasiado tiempo, debe activar una GPU en el entorno de ejecuci\u00f3n. Mire en la esquina inferior derecha de su cuaderno, ver\u00e1 algo como \u00abPython 3\u00bb con un icono de punto. Haga clic en \u00e9l y seleccione Cambiar el tipo de entorno de ejecuci\u00f3n. Se abrir\u00e1 una ventana en la que deber\u00e1 buscar Acelerador de hardware y seleccionar GPU T4. Guarde los cambios y el cuaderno se reiniciar\u00e1 autom\u00e1ticamente con la nueva configuraci\u00f3n.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\nCopiez ce code dans une nouvelle cellule de votre bloc-notes et ex\u00e9cutez-le :<\/p>\n\n\n\n<\/div>script Colab<\/div><\/div><\/div><\/strong><\/p>\n\n\n\n# =========================================================\n# S2DR3 + Calcul indices Sentinel-2 + Masque nuages\n# \u00c9tude des coraux \u00e0 Blue Bay \/ \u00cele aux Aigrettes\n# =========================================================\n\n# --- 1. Monter Google Drive ---\nfrom google.colab import drive\ndrive.mount('\/content\/drive')\n\n# Cr\u00e9e un dossier pour les r\u00e9sultats\n!mkdir -p \/content\/drive\/MyDrive\/Sentinel2_Coraux_S2DR3\/output\n!ln -s \/content\/drive\/MyDrive\/Sentinel2_Coraux_S2DR3\/output \/content\/output\n\n# --- 2. Installer le paquet S2DR3 ---\n!pip -q install https:\/\/storage.googleapis.com\/0x7ff601307fa5\/s2dr3-20250905.1-cp312-cp312-linux_x86_64.whl\n\n# --- 3. Importer le module principal ---\nimport s2dr3.inferutils\nimport os, glob, numpy as np, rasterio, scipy.ndimage as ndi\nfrom skimage.transform import resize\n\n# --- 4. D\u00e9finir la zone d'int\u00e9r\u00eat et la date ---\nlonlat = (57.73, -20.44)\ndate = '2025-10-09'\n\n# --- 5. Lancer le traitement S2DR3 ---\ns2dr3.inferutils.test(lonlat, date)\n\n# =========================================================\n# 6. Lecture du fichier _MS.tif\n# =========================================================\nroot_dir = '\/content\/output'\nfiles = sorted(glob.glob(os.path.join(root_dir, '**\/*_MS.tif'), recursive=True),\n key=os.path.getmtime, reverse=True)\nif not files:\n raise FileNotFoundError(\"❌ Aucun fichier *_MS.tif trouv\u00e9 dans \/content\/output\")\nms_path = files[0]\noutdir = os.path.dirname(ms_path)\nprint(f\" Fichier trouv\u00e9 : {os.path.basename(ms_path)}\")\nprint(f\" Dossier : {outdir}\")\n\n# Lecture des bandes\nwith rasterio.open(ms_path) as src<\/a>:\n profile = src.profile\n n_bands = src.count\n print(f\"Nombre de bandes d\u00e9tect\u00e9es : {n_bands}\")\n bands = [src.read(i).astype('float32') for i in range(1, n_bands+1)]\n\ndef get_band(index, name):\n try:\n return bands[index-1]\n except IndexError:\n print(f\" Bande {name} manquante, remplac\u00e9e par z\u00e9ro.\")\n return np.zeros_like(bands[0])\n\n# Attribution bandes principales Sentinel-2\nblue = get_band(1, \"B02\")\ngreen = get_band(2, \"B03\")\nred = get_band(3, \"B04\")\nnir = get_band(4, \"B08\")\nswir1 = get_band(9, \"B11\")\nswir2 = get_band(10, \"B12\")\n\n# =========================================================\n# 7. Calcul des indices\n# =========================================================\ndef safe_div(a, b, mask=None):\n res = np.where((b!=0) & (~np.isnan(a)) & (~np.isnan(b)), a\/b, 0)\n if mask is not None:\n res[mask] = np.nan\n return res\n\nL = 0.5 # facteur SAVI\n\nindices = {\n 'NDVI' : safe_div(nir - red, nir + red),\n 'NDWI' : safe_div(green - nir, green + nir),\n 'MNDWI': safe_div(green - swir1, green + swir1),\n 'BSI' : safe_div((swir1 + red) - (nir + blue), (swir1 + red) + (nir + blue)),\n 'NDBI' : safe_div(swir1 - nir, swir1 + nir),\n 'EVI' : 2.5 * safe_div((nir - red), (nir + 6*red - 7.5*blue + 1)),\n 'SAVI' : safe_div((nir - red) * (1 + L), (nir + red + L)),\n 'UI' : safe_div(swir1 - nir, swir1 + nir),\n 'RDI' : safe_div(red - green, red + green)\n}\n\n# =========================================================\n# 8. Masque nuages l\u00e9ger adapt\u00e9 1 m\n# =========================================================\neps = 1e-8\nblue_n, green_n, red_n, nir_n, swir1_n = [x\/(np.nanmax(x)+eps) for x in [blue, green, red, nir, swir1]]\nalbedo_vis = (blue_n + green_n + red_n)\/3\n\ncond_bright = albedo_vis > 0.35\ncond_swir = swir1_n > 0.15\ncond_ratio = (blue_n\/(red_n+1e-6)) > 1.2\ncond_nir = nir_n > 0.25\ncloud_init = (cond_bright.astype(int) + cond_swir.astype(int) + cond_ratio.astype(int) + cond_nir.astype(int)) >= 3\n\nMNDWI_calc = np.where((green + swir1)!=0, (green - swir1)\/(green + swir1), -1)\nwater_mask = MNDWI_calc > 0\n\nsize = 7\nmean = ndi.uniform_filter(blue_n, size=size)\nmean_sq = ndi.uniform_filter(blue_n**2, size=size)\nlocal_std = np.sqrt(np.maximum(0, mean_sq - mean**2))\nfoam_mask = water_mask & (albedo_vis>0.25) & (local_std>0.03)\n\ncloud_mask = cloud_init & (~foam_mask)\nlabel_im, nb = ndi.label(cloud_mask)\nsizes = ndi.sum(cloud_mask, label_im, range(1, nb+1))\nmask_keep = np.zeros(nb+1, dtype=bool)\nmask_keep[1:] = sizes >= 500\ncloud_mask = mask_keep[label_im].astype(bool)\n\nprint(f\" Nuages finaux : {cloud_mask.sum()} pixels\")\n\n# =========================================================\n# 9. Sauvegarde indices individuels\n# =========================================================\nfor name, data in indices.items():\n out_path = os.path.join(outdir, f\"{name}.tif\")\n profile_idx = profile.copy()\n profile_idx.update(dtype='float32', count=1, compress='lzw', nodata=None)\n with rasterio.open(out_path, 'w', **profile_idx) as dst:\n dst.write(data.astype('float32'), 1)\n print(f\" {name} enregistr\u00e9 \u2192 {out_path}\")\n\n# =========================================================\n# 10. Cr\u00e9ation du stack multibande robuste\n# =========================================================\nall_layers = list(indices.values()) + [cloud_mask.astype('float32')]\nband_names = list(indices.keys()) + ['CLOUD_MASK']\n\nref_shape = indices['NDVI'].shape\nfor i, layer in enumerate(all_layers):\n if layer.shape != ref_shape:\n print(f\" Redimensionnement couche {band_names[i]} de {layer.shape} \u2192 {ref_shape}\")\n all_layers[i] = resize(layer, ref_shape, order=0, preserve_range=True, anti_aliasing=False).astype('float32')\n\nprofile_stack = profile.copy()\nprofile_stack.update(\n count=len(all_layers),\n dtype='float32',\n compress='lzw',\n nodata=None,\n height=ref_shape[0],\n width=ref_shape[1]\n)\n\nstack_path = os.path.join(outdir, 'indices_stack.tif')\nwith rasterio.open(stack_path, 'w', **profile_stack) as dst:\n for i, layer in enumerate(all_layers, start=1):\n dst.write(layer.astype('float32'), i)\n dst.set_band_description(i, band_names[i-1])\n\nif os.path.exists(stack_path):\n print(f\"\\n Fichier multibande cr\u00e9\u00e9 avec succ\u00e8s : {stack_path}\")\n print(\" Bandes : \" + ', '.join(band_names))\nelse:\n print(f\"\\n \u00c9chec de cr\u00e9ation de {stack_path}\")\n\nprint(\"\\n Traitement complet termin\u00e9.\")<\/code><\/pre>\n\n\n\n<\/div><\/div><\/p>\n\n\n\n<\/a><\/figure>\n\n\n\nUna vez ejecutado, tendr\u00e1 los archivos .tif en su Google Drive.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\n\n\n\n\n<\/span>Conclusi\u00f3n: hacia un procesamiento integrado de las im\u00e1genes Sentinel-2<\/span><\/h2>\n\n\n\nLa integraci\u00f3n del c\u00e1lculo de los \u00edndices espectrales directamente en el proceso de superresoluci\u00f3n representa una evoluci\u00f3n natural del procesamiento de los datos Sentinel-2.Al automatizar tanto la generaci\u00f3n de la imagen a 1 m como la producci\u00f3n de los \u00edndices, se obtiene un conjunto de datos homog\u00e9neo, completo y directamente utilizable para el an\u00e1lisis espacial.<\/p>\n\n\n\nAplicado a los entornos costeros de Mauricio y Rodrigues, este m\u00e9todo abre nuevas perspectivas:<\/p>\n\n\n\n\nseguimiento de la vegetaci\u00f3n litoral y los manglares,<\/li>\n\n\n\nobservaci\u00f3n de los arrecifes y las praderas marinas,<\/li>\n\n\n\ndetecci\u00f3n de zonas de turbidez o sedimentaci\u00f3n,<\/li>\n\n\n\ncartograf\u00eda de los cambios en la ocupaci\u00f3n del suelo en zonas costeras sensibles.<\/li>\n<\/ul>\n\n\n\nAl reunir todas estas etapas en un \u00fanico flujo reproducible, este script se convierte en una herramienta de investigaci\u00f3n y seguimiento medioambiental especialmente adecuada para las islas tropicales.Tambi\u00e9n demuestra que las herramientas libres (Sentinel-2, Google Colab, QGIS) permiten hoy en d\u00eda alcanzar un nivel de an\u00e1lisis espacial que antes estaba reservado a las plataformas profesionales.<\/p>\n\n\n\nPr\u00f3xima etapa: integrar estos \u00edndices en un an\u00e1lisis cronol\u00f3gico multidate, con el fin de seguir la evoluci\u00f3n estacional o poscicl\u00f3nica de los h\u00e1bitats costeros.<\/p>\n\n\n\n\n","protected":false},"excerpt":{"rendered":"En dos art\u00edculos anteriores, exploramos c\u00f3mo pasar de im\u00e1genes Sentinel-2 est\u00e1ndar (resoluci\u00f3n de 10 m) a una versi\u00f3n de alta resoluci\u00f3n de 1 m utilizando el m\u00f3dulo S2DR3, desarrollado para la investigaci\u00f3n sobre los corales de…<\/p>\n","protected":false},"author":1,"featured_media":16031,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[3859],"tags":[3879,3829],"class_list":["post-16112","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iaes","tag-ia-es","tag-sentinel-2-es"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/11\/Sentinel-2.jpg?fit=2126%2C1594&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-4bS","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=16112"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16112\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/16031"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=16112"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=16112"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=16112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}