Objetivo: medir a densidade e a sa\u00fade da vegeta\u00e7\u00e3o.<\/li>\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 do infravermelho pr\u00f3ximo (B08)<\/li>\n\n\n\n
Red = banda vermelha (B04)<\/li>\n\n\n\n
Valores: -1 a 1; >0,2 vegeta\u00e7\u00e3o, <0,1 solo nu ou \u00e1gua.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: monitoriza\u00e7\u00e3o da vegeta\u00e7\u00e3o, estimativa da biomassa, agricultura.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>NDWI \u2014 \u00cdndice de Diferen\u00e7a Normalizada da \u00c1gua<\/span><\/h3>\n\n\n\n

Objetivo: detetar a presen\u00e7a de \u00e1gua na paisagem.<\/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 = faixa verde (B03)<\/li>\n\n\n\n
NIR = faixa infravermelha pr\u00f3xima (B08)<\/li>\n\n\n\n
Valores: positivos = \u00e1gua, negativos = solo\/vegeta\u00e7\u00e3o.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: cartografia de lagos, rios, zonas h\u00famidas.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

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

Objetivo: separar melhor a \u00e1gua das \u00e1reas urbanas ou constru\u00eddas.<\/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 comprimento de onda curto (B11)<\/li>\n\n\n\n
Valores: positivos = \u00e1gua; melhora a detec\u00e7\u00e3o em rela\u00e7\u00e3o ao NDWI.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: monitoriza\u00e7\u00e3o de massas de \u00e1gua em zonas urbanas ou costeiras.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>BSI \u2014 \u00cdndice de solo nu<\/span><\/h3>\n\n\n\n

Objetivo: detetar solos nus e zonas desnudadas.<\/li>\n\n\n\n

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

.<\/p>\n\n\n\n\\(BSI = \\frac{(SWIR1 + Vermelho) – (NIR + Azul)}{(SWIR1 + Vermelho) + (NIR + Azul)}\\)\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: quanto mais alto o BSI, mais descoberta \u00e9 a superf\u00edcie.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: monitoriza\u00e7\u00e3o de solos nus, zonas urbanas, zonas minerais.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>NDBI \u2014 Normalized Difference Built-up Index (\u00cdndice de diferen\u00e7a normalizada de \u00e1reas constru\u00eddas)<\/span><\/h3>\n\n\n\n

Objetivo: detetar \u00e1reas constru\u00eddas ou impermeabilizadas.<\/li>\n\n\n\n

F\u00f3rmula:<\/li>\n<\/ul>\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 = constru\u00eddo, negativos = vegeta\u00e7\u00e3o ou \u00e1gua.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: cartografia urbana, monitoriza\u00e7\u00e3o da expans\u00e3o das cidades.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>EVI \u2014 \u00cdndice de Vegeta\u00e7\u00e3o Aprimorado<\/span><\/h3>\n\n\n\n

Objetivo: melhorar a sensibilidade do NDVI em \u00e1reas com vegeta\u00e7\u00e3o muito densa e corrigir o efeito 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, Vermelho = B04, NIR = B08<\/li>\n\n\n\n
Valores: -1 a 1, semelhante ao NDVI, mas mais robusto em \u00e1reas densas.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: florestas, \u00e1reas tropicais, monitoriza\u00e7\u00e3o da sa\u00fade da vegeta\u00e7\u00e3o.<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>SAVI \u2014 \u00cdndice de Vegeta\u00e7\u00e3o Ajustado ao Solo<\/span><\/h3>\n\n\n\n

Objetivo: medir a vegeta\u00e7\u00e3o corrigindo o efeito do solo (\u00fatil em \u00e1reas esparsas).<\/li>\n\n\n\n

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

onde:<\/p>\n\n\n\n

NIR = banda de infravermelho pr\u00f3ximo (Sentinel-2 B08)<\/li>\n\n\n\n
Red = banda vermelha (B04)<\/li>\n\n\n\n
L = fator de corre\u00e7\u00e3o do solo, geralmente 0,5<\/li>\n\n\n\n
Valores: -1 a 1, como o NDVI, mas menos sens\u00edvel ao solo nu.<\/li>\n\n\n\n

Utiliza\u00e7\u00e3o: vegeta\u00e7\u00e3o fraca ou esparsa (pradarias, savanas, zonas costeiras com baixa cobertura vegetal).<\/li>\n<\/ul>\n\n\n\n

\n\n\n\n

<\/span>UI \u2014 \u00cdndice Urbano (ou \u00cdndice de Urbaniza\u00e7\u00e3o)<\/span><\/h3>\n\n\n\n

Objetivo: detetar e quantificar as zonas urbanas.<\/li>\n\n\n\n

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

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

UI = \\frac{SWIR – NIR}{SWIR + NIR}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n.<\/p>\n\n\n\n\nSWIR = banda de comprimento de onda curto (Sentinel-2 B11 ou B12)<\/li>\n\n\n\nNIR = infravermelho pr\u00f3ximo (B08)<\/li>\n\n\n\nValores: positivos para \u00e1reas impermeabilizadas ou constru\u00eddas, baixos\/negativos para vegeta\u00e7\u00e3o ou \u00e1gua.<\/li>\n\n\n\nUtiliza\u00e7\u00e3o: monitoriza\u00e7\u00e3o da urbaniza\u00e7\u00e3o, dete\u00e7\u00e3o de edif\u00edcios ou superf\u00edcies artificiais.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>RDI \u2014 \u00cdndice de diferen\u00e7a de vermelhid\u00e3o<\/span><\/h3>\n\n\n\n\nObjetivo: detetar solos nus ou \u00e1reas ricas em \u00f3xido de ferro (\u00abvermelho\u00bb) na paisagem.<\/li>\n\n\n\nF\u00f3rmula:<\/li>\n<\/ul>\n\n\n\n.<\/p>\n\n\n\n\\(RDI = Vermelho – Verde\\)\n\n\n\n.<\/p>\n\n\n\n\nVermelho = banda vermelha (B04), Verde = banda verde (B03)<\/li>\n\n\n\nValores: quanto mais \u00abvermelho\u00bb for o solo, mais elevado ser\u00e1 o RDI.<\/li>\n\n\n\nUtiliza\u00e7\u00e3o: monitoriza\u00e7\u00e3o da eros\u00e3o, solos nus, zonas minerais ou \u00e1ridas.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>Tabela resumida completa<\/span><\/h3>\n\n\n\n\u00cdndice<\/th>Objetivo<\/th>F\u00f3rmula<\/th>Uso t\u00edpico<\/th><\/tr><\/thead>NDVI<\/td>Vegeta\u00e7\u00e3o<\/td>(NIR\u2212Red)\/(NIR+Red)<\/td>Monitoramento da vegeta\u00e7\u00e3o, agricultura<\/td><\/tr>EVI<\/td>Vegeta\u00e7\u00e3o melhorada<\/td>2.5*(NIR-Red)\/(NIR+6Red-7.5<\/em>Blue+1)<\/td>\u00c1reas densas, florestas tropicais<\/td><\/tr>SAVI<\/td>Vegeta\u00e7\u00e3o<\/td>(NIR\u2212Red)*(1+L)\/(NIR+Red+L)<\/td>\u00c1reas esparsas, solos vis\u00edveis<\/td><\/tr>NDWI<\/td>\u00e1gua<\/td>(Green\u2212NIR)\/(Green+NIR)<\/td>Mapeamento de lagos, rios<\/td><\/tr>MNDWI<\/td>\u00e1gua modificada<\/td>(Green\u2212SWIR1)\/(Green+SWIR1)<\/td>\u00c1gua em \u00e1reas urbanas ou costeiras<\/td><\/tr>BSI<\/td>Solo descoberto<\/td>((SWIR1+Red)-(NIR+Blue))\/((SWIR1+Red)+(NIR+Blue))<\/td>\u00c1reas descobertas, solos descobertos<\/td><\/tr>NDBI<\/td>Urbano<\/td>(SWIR1\u2212NIR)\/(SWIR1+NIR)<\/td>Detec\u00e7\u00e3o de edif\u00edcios, cidades<\/td><\/tr>UI<\/td>Urbano<\/td>(SWIR1\u2212NIR)\/(SWIR1+NIR)<\/td>Mapeamento urbano<\/td><\/tr>RDI<\/td>Solo\/vermelho<\/td>Red\u2212Green<\/td>Monitoramento de solos descobertos ou \u00f3xido de ferro<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n\n\n\n\n<\/span>Paleta de \u00edndices Sentinel<\/span><\/h3>\n\n\n\nCada \u00edndice \u00e9 apresentado com:<\/p>\n\n\n\n\nseu nome e acr\u00f4nimo,<\/li>\n\n\n\ntipo de superf\u00edcie visada (vegeta\u00e7\u00e3o, \u00e1gua, solo, urbano),<\/li>\n\n\n\nvalores t\u00edpicos\/escala,<\/li>\n\n\n\ncor representativa para visualiza\u00e7\u00e3o no mapa (por exemplo, NDVI \u2192 verde, NDWI \u2192 azul, BSI \u2192 marrom claro, etc.).<\/li>\n<\/ul>\n\n\n\n\u00cdndice<\/th>Tipo<\/th>Valores<\/th>Cor representativa<\/th><\/tr><\/thead>NDVI<\/td>Vegeta\u00e7\u00e3o<\/td>-1 \u2192 1 (verde escuro = denso, amarelo = esparso) <\/td>Verde<\/td><\/tr>EVI<\/td>Vegeta\u00e7\u00e3o<\/td>-1 \u2192 1 (semelhante ao NDVI, mais sens\u00edvel)<\/td>Verde claro<\/td><\/tr>SAVI<\/td>Vegeta\u00e7\u00e3o<\/td>-1 \u2192 1 (solo corrigido)<\/td>Vert-jaune<\/td><\/tr>NDWI<\/td>\u00e1gua<\/td>-1 \u2192 1 (positivo = \u00e1gua)<\/td>Azul claro <\/td><\/tr>MNDWI<\/td>\u00c1gua modificada<\/td>-1 \u2192 1<\/td>Azul turquesa<\/td><\/tr>BSI<\/td>Solo nu<\/td>-1 \u2192 1 (elevado = solo claro) <\/td>Bege\/Castanho<\/td><\/tr>NDBI<\/td>Urbano<\/td>-1 \u2192 1 (positivo = constru\u00eddo)<\/td>Cinza claro <\/td><\/tr>UI<\/td>Urbano<\/td>-1 \u2192 1<\/td>Cinza m\u00e9dio<\/td><\/tr>RDI<\/td>Solo\/vermelho<\/td>vari\u00e1vel, mais elevado = vermelho <\/td>Vermelho tijolo<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n\n\n\n\n<\/span>Por que usar uma m\u00e1scara de nuvens?<\/span><\/h2>\n\n\n\nAs nuvens e suas sombras s\u00e3o um problema na imagem de sat\u00e9lite porque:<\/p>\n\n\n\n\nElas obscurecem as superf\u00edcies: solo, vegeta\u00e7\u00e3o, \u00e1gua, corais.<\/li>\n\n\n\nElas perturbam os \u00edndices (NDVI, NDWI…) porque os valores radiom\u00e9tricos n\u00e3o correspondem \u00e0 superf\u00edcie real.<\/li>\n\n\n\nAs \u00e1reas cobertas por nuvens podem gerar valores at\u00edpicos: muito altos ou muito baixos, tornando os c\u00e1lculos de tend\u00eancias distorcidos.<\/li>\n<\/ol>\n\n\n\nPortanto, para a an\u00e1lise de \u00edndices e a detec\u00e7\u00e3o de caracter\u00edsticas no solo ou na \u00e1gua, \u00e9 importante mascarar esses pixels.<\/p>\n\n\n\n\n\n\n\n<\/span>M\u00e1scara de nuvens para Sentinel-2 a 10 m<\/span><\/h2>\n\n\n\nO Sentinel-2 oferece v\u00e1rias op\u00e7\u00f5es para detectar nuvens em sua resolu\u00e7\u00e3o nativa (10 m, 20 m ou 60 m, dependendo da banda):<\/p>\n\n\n\n<\/span>a) M\u00e1scara oficial fornecida pela ESA<\/span><\/h3>\n\n\n\n\nArquivo QA60 nos produtos Sentinel-2 L2A: m\u00e1scara bin\u00e1ria de 10 m indicando nuvens e cirros.<\/li>\n\n\n\nVantagens: confi\u00e1vel e f\u00e1cil de aplicar.<\/li>\n\n\n\nDesvantagens: m\u00e1scara grosseira \u2192 nem sempre diferencia bem nuvens finas ou sombras.<\/li>\n<\/ul>\n\n\n\n<\/span>b) M\u00e9todos baseados em \u00edndices espectrais<\/span><\/h3>\n\n\n\n\nFaixa SWIR e NIR: as nuvens s\u00e3o muito refletivas no vis\u00edvel, mas menos no SWIR.<\/li>\n\n\n\nExemplo de \u00edndice simples:<\/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\nPixels claros no vis\u00edvel e fracos no SWIR \u2192 provavelmente nuvens.<\/li>\n\n\n\nPermite criar uma m\u00e1scara de nuvens adaptada ao contexto, \u00fatil se se quiser detectar nuvens e cirros locais.<\/li>\n<\/ul>\n\n\n\n<\/span>c) Algoritmos autom\u00e1ticos<\/span><\/h3>\n\n\n\n\nFmask ou s2cloudless: detec\u00e7\u00e3o sofisticada utilizando machine learning e espectros multiespectrais.<\/li>\n\n\n\nPr\u00e1tico para grandes s\u00e9ries temporais.<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>Como procedemos no script Colab<\/span><\/h2>\n\n\n\nNo script, n\u00e3o utilizamos o QA60 oficial, mas sim uma detec\u00e7\u00e3o por \u00edndices espectrais e textura local, adaptada \u00e0s zonas costeiras e \u00e0 super-resolu\u00e7\u00e3o de 1 m:<\/p>\n\n\n\n<\/span>Etapas principais:<\/span><\/h3>\n\n\n\n<\/p>\n\n\n\n\nNormaliza\u00e7\u00e3o das banda<\/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 odos os valores entre 0 e 1 para homogeneidade..<\/li>\n\n\n\nCondi\u00e7\u00e3o \u201cnuvem inicial\u201d baseada em 4 crit\u00e9rios :Muito claro no vis\u00edvel (albedo_vis > 0,35) SWIR1 elevado (swir1_n > 0,15) Rela\u00e7\u00e3o azul\/vermelho elevada (blue_n \/ red_n > 1,2) NIR elevado (nir_n > 0,25)<\/li><\/ul>\u2192 os pixels que respeitam pelo menos 3\/4 dos crit\u00e9rios s\u00e3o considerados nuvens..<\/li>\n\n\n\nM\u00e1scara \u201cespuma\u201d para as zonas marinhas<\/strong> :\n\nDetecta-se a espuma\/rebenta\u00e7\u00e3o das ondas atrav\u00e9s do desvio padr\u00e3o local na banda azul e no albedo vis\u00edvel..<\/li>\n\n\n\nEsses pixels s\u00e3o removidos da m\u00e1scara de nuvens : cloud_final = cloud_init & (~foam_mask)<\/code><\/li>\n\n\n\nIsso evita mascarar a \u00e1rea de corais ou o mar agitado.<\/li>\n<\/ul>\n<\/li>\n\n\n\nFiltragem de pequenos componentes<\/strong> :\n\nRemove nuvens muito pequenas que poderiam ser ru\u00eddo \u2192 mantemos apenas objetos > 500 pixels.ls.<\/li>\n<\/ul>\n<\/li>\n\n\n\nResultado final<\/strong> :\n\ncloud_mask<\/code> = m\u00e1scara de nuvens limpa, pronta para ser usada para excluir os pixels nublados durante o c\u00e1lculo dos \u00edndicess<\/strong>.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\n\n\n\n\n<\/span>Por que esse m\u00e9todo?<\/span><\/h3>\n\n\n\n\nA cena tem alta resolu\u00e7\u00e3o (1 m) \u2192 o QA60 oficial n\u00e3o existe nessa resolu\u00e7\u00e3o.<\/li>\n\n\n\nA \u00e1rea \u00e9 costeira\/coralina \u2192 a espuma e as ondas devem ser diferenciadas das nuvens.<\/li>\n\n\n\nA abordagem espectral + textura local permite:\n\ndetectar as nuvens<\/li>\n\n\n\nn\u00e3o ocultar a \u00e1gua ou a espuma<\/li>\n\n\n\ntrabalhar com imagens de alta resolu\u00e7\u00e3o geradas pelo S2DR3<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n\n\n\n\n<\/span>Modo de opera\u00e7\u00e3o<\/span><\/h2>\n\n\n\nAbra o Google Colabb: https:\/\/colab.research.google.com<\/a><\/p>\n\n\n\nNo Collab, vincule seu notebook ao seu Google Drive<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\nAgora, para que o processamento n\u00e3o demore muito, voc\u00ea deve ativar uma GPU no ambiente de execu\u00e7\u00e3o. Olhe no canto inferior direito do seu notebook, voc\u00ea ver\u00e1 algo como \u201cPython 3\u201d com um \u00edcone de chip. Clique nele e selecione Alterar o tipo de ambiente de execu\u00e7\u00e3o. Uma janela ser\u00e1 aberta, na qual voc\u00ea dever\u00e1 procurar por Acelerador de hardware e selecionar GPU T4. Salve as altera\u00e7\u00f5es e o notebook ser\u00e1 reiniciado automaticamente com a nova configura\u00e7\u00e3o.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\nCopie este c\u00f3digo en una nueva celda de su cuaderno y ejec\u00fatelo:<\/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\nDepois de executado, voc\u00ea ter\u00e1 os arquivos .tif no seu Google Drive.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\n\n\n\n\n<\/span>Conclus\u00e3o: rumo a um processamento integrado das imagens Sentinel-2<\/span><\/h2>\n\n\n\nA integra\u00e7\u00e3o do c\u00e1lculo dos \u00edndices espectrais diretamente no processo de super-resolu\u00e7\u00e3o representa uma evolu\u00e7\u00e3o natural do processamento dos dados Sentinel-2.Ao automatizar tanto a gera\u00e7\u00e3o da imagem em 1 m quanto a produ\u00e7\u00e3o dos \u00edndices, obt\u00e9m-se um conjunto de dados homog\u00eaneo, completo e imediatamente utiliz\u00e1vel para an\u00e1lise espacial.<\/p>\n\n\n\nAplicado aos ambientes costeiros de Maur\u00edcio e Rodrigues, esse m\u00e9todo abre novas perspectivas:<\/p>\n\n\n\n\nmonitoramento da vegeta\u00e7\u00e3o litor\u00e2nea e dos manguezais,<\/li>\n\n\n\nobserva\u00e7\u00e3o de recifes e ervas marinhas,<\/li>\n\n\n\ndetec\u00e7\u00e3o de zonas de turbidez ou assoreamento,<\/li>\n\n\n\ncartografia das mudan\u00e7as no uso do solo em zonas costeiras sens\u00edveis.<\/li>\n<\/ul>\n\n\n\nAo reunir todas essas etapas em um \u00fanico fluxo reproduz\u00edvel, esse script se torna uma ferramenta de pesquisa e monitoramento ambiental particularmente adequada para ilhas tropicais.Ele tamb\u00e9m demonstra que as ferramentas livres (Sentinel-2, Google Colab, QGIS) permitem hoje atingir um n\u00edvel de an\u00e1lise espacial antes reservado a plataformas profissionais.<\/p>\n\n\n\nPr\u00f3xima etapa: integrar esses \u00edndices em uma an\u00e1lise cronol\u00f3gica com v\u00e1rias datas, a fim de acompanhar a evolu\u00e7\u00e3o sazonal ou p\u00f3s-cicl\u00f4nica dos habitats costeiros.<\/p>\n\n\n\n\n","protected":false},"excerpt":{"rendered":"Em dois artigos anteriores, explor\u00e1mos como passar de imagens Sentinel-2 padr\u00e3o (resolu\u00e7\u00e3o de 10 m) para uma vers\u00e3o super-resolvida de 1 m usando o m\u00f3dulo S2DR3, desenvolvido para a pesquisa sobre corais nas Maur\u00edcias. Esta etapa…<\/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":[3861],"tags":[3883,3817],"class_list":["post-16113","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iapt","tag-ia-pt","tag-sentinel-2-pt"],"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-4bT","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16113","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=16113"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16113\/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=16113"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=16113"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=16113"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}