🔀 Сравнение SCL vs NDVI на одном tile
Слайдер ниже сравнивает два разных представления одного и того же спутникового снимка Sentinel-2 L2A (3 июня 2024, tile 37TDK).
- Слева (SCL): Scene Classification Layer – категориальная маска: вегетация / голая земля / вода / облака. Это «сырая» классификация пикселей самим спутником;
- Справа (NDVI): наш вычисленный индекс вегетации после маскирования по SCL. Зелёное – активная биомасса.
Перетащи разделитель слева-направо, чтобы увидеть, как SCL-категории трансформируются в количественный сигнал NDVI.
Что видно
- Юго-западная часть (нижний треугольник): SCL пометил это
no_data– UTM-крой tile. На NDVI там тоже маскировано (тёмно-серый/чёрный); - Чёрное море и лиманы (синий на SCL): NDVI отрицательный (тёмно-коричневый);
- Кавказские предгорья (зелёный SCL
vegetation): NDVI 0.7-0.9 – лесные массивы; - Северная часть – рисовые чеки и кубанские поля (микс
vegetationиbare_soilна SCL): NDVI разнородный, от 0.2 (поля под паром) до 0.7 (рис в фазе активного роста); - Анапа / Темрюк (yellow
bare_soil): NDVI низкий – городская застройка и пляжи.
Зачем это вообще
SCL даёт «карту качества» – что мы видим как тип поверхности. NDVI даёт «карту состояния» – насколько активно растения фотосинтезируют. Вместе эти два слоя позволяют:
- Отсеять мусор перед расчётом NDVI (облака, тени, снег, no_data) – сделано автоматически в
src/ndvi.py; - Не маскировать воду в рисовых чеках – класс 6 (water) валиден для затопленных полей, это не «нет данных», а агрономическое состояние;
- Дать агроному двойное доказательство: «вот это поле – сельхозземля (SCL=4), и оно в фазе пика биомассы (NDVI=0.85)».