Mi sono comprato per pochi euro questa calcolatrice meccanica SIGMA-51SVR stimata anni 50 e basata sul sistema Odhner
Bibliografia
Biermann, L., Clewley, D., Martinez-Vicente, V. et al. Finding Plastic Patches in Coastal Waters using Optical Satellite Data. Sci Rep 10, 5364 (2020). https://doi.org/10.1038/s41598-020-62298-z
Moshtaghi, M., Knaeps, E., Sterckx, S. et al. Spectral reflectance of marine macroplastics in the VNIR and SWIR measured in a controlled environment. Sci Rep 11, 5436 (2021). https://doi.org/10.1038/s41598-021-84867-6
MARIDA: A benchmark for Marine Debris detection from Sentinel-2 remote sensing data Katerina Kikaki ,Ioannis Kakogeorgiou, Paraskevi Mikeli, Dionysios E. Raitsos, Konstantinos Karantzalos PLOS Published: January 7, 2022 https://doi.org/10.1371/journal.pone.0262247
Microplastiche in acqua
Alessio Monnanni, Valentina Rimondi, Guia Morelli, Alessia Nannoni, Alessandra Cincinelli, Tania Martellini, David Chelazzi, Marco Laurati, Laura Sforzi, Francesco Ciani, Pierfranco Lattanzi, Pilario Costagliola,
Microplastics and microfibers contamination in the Arno River (Central Italy): Impact from urban areas and contribution to the Mediterranean Sea,
Science of The Total Environment,
Volume 955,
2024,
177113,
ISSN 0048-9697,
https://doi.org/10.1016/j.scitotenv.2024.177113.
(https://www.sciencedirect.com/science/article/pii/S004896972407270X)
Microplastiche in sedimenti
Types, occurrence and distribution of microplastics in sediments from the northern Tyrrhenian Se Michele Mistri a, Marco Scoponi b, Tommaso Granata c, Letizia Moruzzi c, Francesca Massara d, Cristina Munari a https://doi.org/10.1016/j.marpolbul.2020.111016
Annotazione : le plastiche in acqua si presentano alterate per la permanenza nel liquido. Inoltre la firma spettrale e' profondamente influenzata dalla presenza anche di una pellicola d'acqua sulla plastica galleggiante . Per quanto riguarda la sezione SWIR dello spettro la presenza di sedimenti puo' disturbare la risposta degli indici spettrali di calcolo
-----------------------------------------------
Per Landsat 8 il metodo comune per determinare le plastiche e'determinato dall'indice
Plastic Index = Band 5 (NIR) / (Band 5 + Band 6 (SWIR1)).
var areaOfInterest =
/* color: #98ff00 */ /* shown: false */ ee.Geometry.MultiPolygon( [[[[9.950883097809994, 43.88872579729536], [9.934403605622494, 43.48554689334167], [10.292832560700619, 43.51443524985007], [10.269486613434994, 43.53634133439625], [10.263993449372494, 43.62985044452412], [10.259873576325619, 43.7311534518937], [10.253007121247494, 43.76289953785138], [10.182969279450619, 43.910495519373605]]], [[[9.911900455707178, 43.92257421254923], [9.872075016254053, 43.45486023186587], [10.347233707660303, 43.44688454959106], [10.314274723285303, 43.50169612390543], [10.299168522113428, 43.51862782505474], [10.268956119769678, 43.55048637670663], [10.277195865863428, 43.565414278891666], [10.288182193988428, 43.57735393781841], [10.281315738910303, 43.60918145612981], [10.268956119769678, 43.656891171520144], [10.273075992816553, 43.70158462959755], [10.266209537738428, 43.73334638914901], [10.262089664691553, 43.78492333929173], [10.238743717425928, 43.83843695830995], [10.212651188129053, 43.89289227846965]]]]);
// 2. Pre-processing Function for Landsat 8
var processL8 = function(image) {
var opticalBands = image.select('SR_B.*').multiply(0.0000275).add(-0.2);
// Plastic Index Formula: NIR / (NIR + SWIR1)
// Landsat 8: B5 is NIR, B6 is SWIR1
var plasticIndex = opticalBands.expression(
'NIR / (NIR + SWIR1)', {
'NIR': opticalBands.select('SR_B5'),
'SWIR1': opticalBands.select('SR_B6')
}).rename('PI');
return image.addBands(plasticIndex).select('PI');
};
// 3. Load 2025 Median Plastic Index
var pi2025 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterBounds(areaOfInterest)
.filterDate('2025-01-01', '2025-12-31')
.map(processL8)
.median()
.clip(areaOfInterest);
// 4. Visualization Parameters
// Plastic usually results in higher values in this index (closer to 0.4 - 0.6)
var piViz = {
min: 0,
max: 0.6,
palette: ['#0000FF', '#00FFFF', '#FFFF00', '#FF0000'] // Blue to Red
};
// 5. Display the Map
Map.addLayer(pi2025, piViz, 'Plastic Index Median 2025');
// --- 6. ADDING THE LEGEND ---
var legend = ui.Panel({
style: {
position: 'bottom-left',
padding: '8px 15px'
}
});
var legendTitle = ui.Label({
value: 'Plastic Index (2025)',
style: {fontWeight: 'bold', fontSize: '16px', margin: '0 0 4px 0', padding: '0'}
});
legend.add(legendTitle);
var makeRow = function(color, name) {
var colorBox = ui.Label({
style: {
backgroundColor: color,
padding: '8px',
margin: '0 0 4px 0'
}
});
var description = ui.Label({
value: name,
style: {margin: '0 0 4px 6px'}
});
return ui.Panel({
widgets: [colorBox, description],
layout: ui.Panel.Layout.Flow('horizontal')
});
};
// Labels adjusted for Plastic Index typical ranges
var names = ['Water/Low', 'Low Probability', 'Medium Probability', 'High Probability (Potential Plastic)'];
var colors = ['#0000FF', '#00FFFF', '#FFFF00', '#FF0000'];
for (var i = 0; i < 4; i++) {
legend.add(makeRow(colors[i], names[i]));
}
Map.add(legend);
// 7. Export the result
Export.image.toDrive({
image: pi2025,
description: 'Plastic_Index_2025',
folder: 'EarthEngine_Exports',
fileNamePrefix: 'PI_2025_Site',
region: areaOfInterest,
scale: 30,
crs: 'EPSG:4326',
fileFormat: 'GeoTIFF',
formatOptions: {
cloudOptimized: true
}
});
Il problema e' che la risposta delle plastiche e' simile a quella della vegetazione (delle alghe nello specifico) per quanto riguardo l'infrarosso vicino
Per cercare di discriminare si possono incrociare NDVI e PI
/**
* Landsat 8 Plastic vs. Algae Discrimination Script
* 2025 Median Composite
*/
var areaOfInterest =
/* color: #98ff00 */ /* shown: false */ ee.Geometry.MultiPolygon( [[[[9.950883097809994, 43.88872579729536], [9.934403605622494, 43.48554689334167], [10.292832560700619, 43.51443524985007], [10.269486613434994, 43.53634133439625], [10.263993449372494, 43.62985044452412], [10.259873576325619, 43.7311534518937], [10.253007121247494, 43.76289953785138], [10.182969279450619, 43.910495519373605]]], [[[9.911900455707178, 43.92257421254923], [9.872075016254053, 43.45486023186587], [10.347233707660303, 43.44688454959106], [10.314274723285303, 43.50169612390543], [10.299168522113428, 43.51862782505474], [10.268956119769678, 43.55048637670663], [10.277195865863428, 43.565414278891666], [10.288182193988428, 43.57735393781841], [10.281315738910303, 43.60918145612981], [10.268956119769678, 43.656891171520144], [10.273075992816553, 43.70158462959755], [10.266209537738428, 43.73334638914901], [10.262089664691553, 43.78492333929173], [10.238743717425928, 43.83843695830995], [10.212651188129053, 43.89289227846965]]]]);
// 2. Cloud and Water Masking
var maskCloudsAndLand = function(image) {
var qa = image.select('QA_PIXEL');
// Cloud/Cirrus Mask
var cloudMask = qa.bitwiseAnd(1 << 1).eq(0)
.and(qa.bitwiseAnd(1 << 2).eq(0))
.and(qa.bitwiseAnd(1 << 3).eq(0))
.and(qa.bitwiseAnd(1 << 4).eq(0));
// Optional: Simple Water Mask (using QA bits)
// This helps focus only on marine/river surfaces
var waterMask = qa.bitwiseAnd(1 << 7).neq(0);
return image.updateMask(cloudMask).updateMask(waterMask);
};
// 3. Discrimination Processing Function
var processDiscrimination = function(image) {
// Scaling factors for Landsat 8 C2 L2
var optical = image.select('SR_B.*').multiply(0.0000275).add(-0.2);
// A. NDVI: Highlights Chlorophyll (Algae/Vegetation)
var ndvi = optical.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
// B. Plastic Index (PI): Highlights high-reflectance floating solids
var pi = optical.expression('B5 / (B5 + B6)', {
'B5': optical.select('SR_B5'), // NIR
'B6': optical.select('SR_B6') // SWIR1
}).rename('PI');
// C. Discrimination Logic
// Plastic: Moderate/High PI AND relatively low NDVI (compared to algae)
// Algae: Very High NDVI AND lower PI (due to SWIR absorption by water content)
var plasticMask = pi.gt(0.4).and(ndvi.lt(0.2)).rename('Plastic_Likely');
var algaeMask = ndvi.gt(0.3).and(pi.lt(0.4)).rename('Algae_Likely');
return image.addBands([ndvi, pi, plasticMask, algaeMask]);
};
// 4. Load Collection and Create Median
var collection = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterBounds(areaOfInterest)
.filterDate('2025-01-01', '2025-12-31')
.map(maskCloudsAndLand)
.map(processDiscrimination);
var finalMedian = collection.median().clip(areaOfInterest);
// 5. Visualization
Map.centerObject(areaOfInterest, 12);
// Natural Color for context
Map.addLayer(finalMedian, {bands:['SR_B4','SR_B3','SR_B2'], min:0, max:0.3}, 'Natural Color RGB');
// Algae Layer (Green)
Map.addLayer(finalMedian.select('Algae_Likely').selfMask(), {palette: ['#00FF00']}, 'Detected Algae');
// Plastic Layer (Red)
Map.addLayer(finalMedian.select('Plastic_Likely').selfMask(), {palette: ['#FF0000']}, 'Detected Plastic');
// 6. Legend for UI
var legend = ui.Panel({style: {position: 'bottom-right', padding: '8px 15px'}});
legend.add(ui.Label({value: 'Classification', style: {fontWeight: 'bold'}}));
var addLegendRow = function(color, text) {
var row = ui.Panel({layout: ui.Panel.Layout.Flow('horizontal')});
row.add(ui.Label({style: {backgroundColor: color, padding: '8px', margin: '0 0 4px 0'}}));
row.add(ui.Label({value: text, style: {margin: '0 0 4px 6px'}}));
legend.add(row);
};
addLegendRow('#00FF00', 'Organic / Algae (High NDVI)');
addLegendRow('#FF0000', 'Plastic / Debris (High PI, Low NDVI)');
Map.add(legend);
// 7. Export
Export.image.toDrive({
image: finalMedian.select(['Plastic_Likely', 'Algae_Likely']),
description: 'Plastic_vs_Algae_2025',
folder: 'EarthEngine_Exports',
region: areaOfInterest,
scale: 30
});
Tutto molto lineare ed anche ragionevole che alla foce di un fiume come l'Arno vi sia un accumulo di microplastiche in mare. Ma se si legge l'articolo Monnanni et alii 2024 e' stimata una quantita' di fibre di 7.6 t/y con 56,011 ± 16,411 particelle per litro rappresentate principalmente da dimensioni 60 μm
Considerando che studi su Sentinel 2 hanno posto il limite di detection della plastica del 25% di superficie del pixel e considerando che un pixel e' 1000 metri quadri (10x10 m) per una superficie di plastica di almeno 25 mq. Limite simile (30 mq su pixel di 30x30 m) viene indicato per Landsat 8. Non e' pensabile che di rilevare da satellite rilevare le concentrazioni indicate nell'articoli di Monnanni
Volendo passare all'iperspettrale si vede una prima differenza (si precisa che il dato Enmap e'stato corretto con l'algoritmo di water correction..questo vuol dire che il dato scaricato da EOWeb risulta mascherato sulla terraferma) Nel dato multispettrale di Sentinel 2 la riflettanza e' bassa ma apprezzabile nel dato iperspettrale si registra praticamente solo rumore
 |
| Sentinel 2 |
 |
| Enmap (correzione water) |
Questo comportamento e' dato dall'algoritmo MIP Modular Inversion Program di Enmap che di fatto forza a zero i valori di riflettanza sopra i 900 nm. Per avere un comportamento simile a Sentinel si deve quindi processare l'immagine Enmap su EOWeb con l'algoritmo di rimozione atmosferica terrestre (dove viene usato SICOR) anche se si sta lavorando in mare
Usando la correzione atmosferica per Land si ha come risulta uno spettro di questo tipo per punti in acqua
Per replicare quanto fatto (unica immagine disponibili foce del Serchio) gli indici spettrali in multispettrale con i dati iperspettrali si usa l'approccio di derivata prima
Red Edge Slope (Algae): (B_705nm - B_680nm) / 25
Hydrocarbon Slope (Plastic): (B_1720nm - B_1730nm) / 15
In Enmap con Band Math diventano
Algae = (Band054-Band050)/30 (706-679 nm)
Hydro = (Band160-Band162)/21 (1717-1738 nm)
 |
| RGB |
 |
| Hydro |
 |
| Algae |
con la regola si evidenziano i potenziali punti di presenza di plastica
if (Plastic_Derivative > 0.005 && Algae_Derivative < 0.002) then 1 else 0
MARIDA e' un dataset di 1381 immagini Sentinel 2 di dati classificati a libero download che puo' essere usato per testare gli algoritmi
Si puo' scaricare da questo link https://www.kaggle.com/datasets/weinima/marida o https://zenodo.org/records/5151941
Nel folder patches ci sono geotiff a 11 bande di dimensione 256x256 pixel ed un file con lo stesso nome *_cl.tif in cui e' indicata la classificazione dei pixel della patch multispettrale
Classi
Per addestrare una rete random forest mi sono create un csv in cui per ogni riga sono riportati i valori delle 11 bande
import rasterio
from pathlib import Path
import os
#awk -F, '{counts[$NF]++} END {for (val in counts) print val, counts[val]}' yourfile.csv | sort -n
csv_string =""
folder_path = './train/'
files = [f for f in os.listdir(folder_path)
if f.endswith('.tif') and not f.endswith('_cl.tif')]
for filename in files:
base_name = Path(filename).stem
print(base_name)
for r in range(255):
for c in range(255):
with rasterio.open(folder_path+ base_name+".tif") as src:
# Read all bands
data = src.read()
pixel_values = data[:, r, c]
csv_string = ",".join(map(str, pixel_values))
#print(csv_string)
# apre la maschera di categoria
with rasterio.open(folder_path+base_name+"_cl.tif") as src:
data = src.read()
pixel_cat = data[:, r, c]
pp = str(int(pixel_cat[0]))
csv_string = csv_string+","+ pp
print(csv_string)
Uno dei problemi e' che la classe 0 da sola rappresenta il 99% dei dati
0 740486
1 73
2 40
3 42
5 200
6 16
7 223
8 13828
9 2
10 120
11 67
13 27
14 254
15 5
Proviamo ad usare il file CSV per istruire una rete random forest (impiegato Google Colab)
---------------------------------------------------------------------
L'accuratezza e' molto buona pero' vediamo nel dettaglio come ogni classe viene prevista
---------------------------------------------------------------------
--- Classification Report per Category ---
precision recall f1-score support
0 1.00 1.00 1.00 148127
1 1.00 0.36 0.53 11
2 0.75 0.86 0.80 7
3 0.75 0.60 0.67 10
5 1.00 0.63 0.78 41
6 0.00 0.00 0.00 4
7 1.00 0.09 0.16 35
8 0.96 0.97 0.97 2744
10 1.00 0.20 0.33 25
11 0.90 0.64 0.75 14
13 0.50 0.33 0.40 3
14 0.93 0.24 0.38 55
15 0.00 0.00 0.00 1
accuracy 1.00 151077
macro avg 0.75 0.46 0.52 151077
weighted avg 1.00 1.00 1.00 151077
Niente da fare ...Enmap Toolbox plugin di QGis non funziona con Debian 13...ci ho provato in tutti i modi (il problema principale ad una libreria di Qt5) ed alla fine sono tornato a montare una macchina virtuale di Debian 12 che installa QGis 3.22 LTS
python3 -m venv virtualenv --system-site-packages
source virtualenv/bin/activate
pip install enpt_enmapboxapp
qgis
Attenzione: questo plugin non funziona su Debian 13 per delle dipendenze non risolte. Funziona in modo corretto su Debian 12 con QGis 3.22 LTS
Attenzione 2 : la funzione CCDC e' presente su Google Earth Engine solo sui profili a pagamento...per questo motivo ho usato la versione di QGis...Aggiornamento: a quanto sembra non e' necessario il profilo a pagamento ma che lo script sia collegato ad un progetto di Google Cloud ed autorizzato (un progetto autorizzato si riconosce dall'icona in alto a destra)
 |
| Progetto autorizzato |
 |
| Progetto non autorizzato |
Questo plugin usa l'algorimo Continous Change Detection che si basa su una funzione armonica per evidenziare brusche variazioni del parametro analizzato
Questo e' lo script per Google Earth Engine
// 1. DEFINIZIONE ROI
var areaOfInterest =
/* color: #d63000 */
/* displayProperties: [
{
"type": "rectangle"
}
] */
ee.Geometry.Polygon(
[[[10.896754172154326, 43.02122523564496],
[10.896754172154326, 43.002271538414895],
[10.935463812657256, 43.002271538414895],
[10.935463812657256, 43.02122523564496]]], null, false);
Map.centerObject(areaOfInterest, 15);
// 2. PREPARAZIONE DATI
var prepareData = function(image) {
var optical = image.multiply(0.0000275).add(-0.2);
var ndvi = optical.normalizedDifference(['SR_B4', 'SR_B3']).rename('NDVI');
return image.addBands(ndvi).select('NDVI');
};
var collection = ee.ImageCollection("LANDSAT/LT04/C02/T1_L2")
.merge(ee.ImageCollection("LANDSAT/LT05/C02/T1_L2"))
.merge(ee.ImageCollection("LANDSAT/LE07/C02/T1_L2"))
.filterBounds(areaOfInterest)
.map(prepareData)
.sort('system:time_start');
// 3. ESECUZIONE CCDC CON GESTIONE ERRORI
// Proviamo a chiamare l'algoritmo nativo in modo più "protetto"
var ccdc;
try {
ccdc = ee.Algorithms.TemporalSegmentation.ccdc({
collection: collection,
breakThreshold: 1.0,
minObservationsForSegment: 6
});
print('CCDC eseguito con successo:', ccdc);
} catch (e) {
print('Errore critico: Il tuo account non ha accesso a CCDC tramite API diretta.', e);
print('Soluzione: Assicurati che lo script sia collegato a un Cloud Project (in alto a destra).');
}
// 4. SE CCDC HA FUNZIONATO, VISUALIZZA
if (ccdc) {
var magnitude = ccdc.select('NDVI_magnitude').arrayGet([0]);
var tBreak = ccdc.select('tBreak').arrayGet([0]);
var magViz = {min: -0.5, max: 0.5, palette: ['#d73027', '#f4a582', '#f7f7f7', '#d9f0d3', '#1a9850']};
var dateViz = {min: 1984, max: 2024, palette: ['#0000ff', '#00ffff', '#ffff00', '#ff0000']};
Map.addLayer(magnitude.clip(areaOfInterest), magViz, 'Magnitudo Cambiamento');
Map.addLayer(tBreak.clip(areaOfInterest), dateViz, 'Anno del Cambiamento');
}
Questo script calcola l'anomalia dell'NDVI rispetto ad un valore medio
Unica accortezza.: non sono stati presi dati di Landsat 8 e 9 perche' si fondono male con Landsat 7
Al contrario del precedente post https://debiaonoldcomputers.blogspot.com/2026/02/analisi-multitemporale-ndvi-con-google.html qui l'idea e' di creare una mappa di NDVI al posto della serie tempo per vedere anomalie spaziali
Landsat 8
// 1. Define the Study Area
var areaOfInterest =
/* color: #d63000 */
/* displayProperties: [
{
"type": "rectangle"
}
] */
ee.Geometry.Polygon(
[[[10.904865172222156, 43.01615135702198],
[10.904865172222156, 43.00648615894694],
[10.925807860210437, 43.00648615894694],
[10.925807860210437, 43.01615135702198]]], null, false);// 2. Pre-processing Function for Landsat 8
var processL8 = function(image) {
var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
var ndvi = opticalBands.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
return image.addBands(ndvi).select('NDVI');
};
// 3. Load 2025 Median NDVI
var ndvi2025 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterBounds(areaOfInterest)
.filterDate('2025-01-01', '2025-12-31')
.map(processL8)
.median()
.clip(areaOfInterest);
// 4. Visualization Parameters
var palette = [
'#FFFFFF', '#CE7E45', '#FCD163', '#66A000', '#207401', '#056201', '#011301'
];
var ndviViz = {min: 0, max: 0.9, palette: palette};
// 5. Display the Map
Map.addLayer(ndvi2025, ndviViz, 'NDVI Median 2025');
// --- 6. ADDING THE LEGEND ---
// Create the legend panel
var legend = ui.Panel({
style: {
position: 'bottom-left',
padding: '8px 15px'
}
});
// Create legend title
var legendTitle = ui.Label({
value: 'NDVI Index (2025)',
style: {fontWeight: 'bold', fontSize: '16px', margin: '0 0 4px 0', padding: '0'}
});
legend.add(legendTitle);
// Helper function to create rows in the legend
var makeRow = function(color, name) {
var colorBox = ui.Label({
style: {
backgroundColor: color,
padding: '8px',
margin: '0 0 4px 0'
}
});
var description = ui.Label({
value: name,
style: {margin: '0 0 4px 6px'}
});
return ui.Panel({
widgets: [colorBox, description],
layout: ui.Panel.Layout.Flow('horizontal')
});
};
// Define labels for the palette colors
var names = ['Low/No Veg (< 0.1)', 'Soil / Sparse', 'Moderate Veg', 'Dense Veg', 'Healthy Forest', 'Peak Vigour (> 0.8)'];
var colors = ['#FFFFFF', '#CE7E45', '#FCD163', '#66A000', '#207401', '#011301'];
// Add rows to legend
for (var i = 0; i < 6; i++) {
legend.add(makeRow(colors[i], names[i]));
}
// Add legend to the map
Map.add(legend);
Export.image.toDrive({
image: ndvi2025, // The variable name of your NDVI map
description: 'NDVI_2025_Tuscany',
folder: 'EarthEngine_Exports', // Name of the folder in your Google Drive
fileNamePrefix: 'NDVI_2025_Site',
region: areaOfInterest, // Export only the area inside your polygon
scale: 30, // Landsat resolution is 30 meters
crs: 'EPSG:4326', // Standard Coordinate Reference System (WGS84)
fileFormat: 'GeoTIFF',
formatOptions: {
cloudOptimized: true // Makes the file easier to open in QGIS/ArcGIS
}
});
Landsat 7
// 1. Define the Study Area
var areaOfInterest =
/* color: #d63000 */
/* displayProperties: [
{
"type": "rectangle"
}
] */
ee.Geometry.Polygon(
[[[10.904865172222156, 43.01615135702198],
[10.904865172222156, 43.00648615894694],
[10.925807860210437, 43.00648615894694],
[10.925807860210437, 43.01615135702198]]], null, false);
// 2. Pre-processing Function for Landsat 8
var processL8 = function(image) {
var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
var ndvi = opticalBands.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
return image.addBands(ndvi).select('NDVI');
};
// 3. Load 2025 Median NDVI
var l7_2005 = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
.filterBounds(areaOfInterest)
.filterDate('2005-01-01', '2005-12-31')
.map(function(image) {
var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
// Landsat 7 NDVI: (B4 - B3) / (B4 + B3)
var ndvi = opticalBands.normalizedDifference(['SR_B4', 'SR_B3']).rename('NDVI');
return image.addBands(ndvi).select('NDVI');
})
.median() // Create a clean composite for the year
.clip(areaOfInterest);
// 4. Visualization Parameters
var palette = [
'#FFFFFF', '#CE7E45', '#FCD163', '#66A000', '#207401', '#056201', '#011301'
];
var ndviViz = {min: 0, max: 0.9, palette: palette};
// 5. Display the Map
Map.addLayer(l7_2005, ndviViz, 'NDVI Median 2005');
// --- 6. ADDING THE LEGEND ---
// Create the legend panel
var legend = ui.Panel({
style: {
position: 'bottom-left',
padding: '8px 15px'
}
});
// Create legend title
var legendTitle = ui.Label({
value: 'NDVI Index (2025)',
style: {fontWeight: 'bold', fontSize: '16px', margin: '0 0 4px 0', padding: '0'}
});
legend.add(legendTitle);
// Helper function to create rows in the legend
var makeRow = function(color, name) {
var colorBox = ui.Label({
style: {
backgroundColor: color,
padding: '8px',
margin: '0 0 4px 0'
}
});
var description = ui.Label({
value: name,
style: {margin: '0 0 4px 6px'}
});
return ui.Panel({
widgets: [colorBox, description],
layout: ui.Panel.Layout.Flow('horizontal')
});
};
// Define labels for the palette colors
var names = ['Low/No Veg (< 0.1)', 'Soil / Sparse', 'Moderate Veg', 'Dense Veg', 'Healthy Forest', 'Peak Vigour (> 0.8)'];
var colors = ['#FFFFFF', '#CE7E45', '#FCD163', '#66A000', '#207401', '#011301'];
// Add rows to legend
for (var i = 0; i < 6; i++) {
legend.add(makeRow(colors[i], names[i]));
}
// Add legend to the map
Map.add(legend);
Export.image.toDrive({
image: l7_2005, // Updated to the 2005 variable
description: 'NDVI_L7_2005_Tuscany',
folder: 'EarthEngine_Exports',
fileNamePrefix: 'NDVI_Landsat7_2005',
region: areaOfInterest,
scale: 30,
crs: 'EPSG:4326',
fileFormat: 'GeoTIFF',
formatOptions: {
cloudOptimized: true
}
});
Mi sono comprato per pochi euro questa calcolatrice meccanica SIGMA-51SVR stimata anni 50 e basata sul sistema Odhner La calcolatrice cos...
