Apire immagini Emit in Enmap Box

Per visualizzare immagini Emit in formato netcdf non si deve passare dal menu ma si deve aprire Processing Toolbox e cercare emit (vedi immagine_

  

Gli spettri Emit sono molto puliti

Raster Math iin Enmap-Box

Per utilizzare le formule con le bande in Enmap Box si deve prima aprire 

Processing Toolbox -> Raster Analysis -> Raster Math 

 

In parameter si scrive la formula . Quella di seguito calcola la profondita' di picco normalizzata per il crisotilo sull'assorbimento a 2325 nm (Banda 117) con spalla destra 2390 nm (Banda 126) e spalla sinistra a 2230 nm (Banda 106)

Attenzione : si deve inserire il raster in Raster layer mapped to R1. Qui il numero delle bande non inizia da 1 ma da zero quindi l'indice per la banda 117 sara' R1[116]

 

R_cont = R1[105] + (2325.0 - 2230.0) / (2390.0 - 2230.0) * (R1[125] - R1[105])
NBD_chrysotile = 1.0 - (R1[116] / R_cont) 

 

 

Pleiadi

Pensavo non fosse possibile fotografare le Pleiaidi da Firenze, mentre scendevano all'orizzonte subito dopo il tramonto e con una reflex..ad occhio nudo non erano visibili..ed invece se ne vedono 9 (f/20, 8 sec, 3200 iso, focale 300 mm, Canon Eos 500D)

 

L'immagine successiva per riferimento (fonte Nasa) 

  

Frecce tricolore Firenze 18 aprile 2026

 

 

 

Color fringing

In alcune immagini di Google Maps ci sono degli aloni in particolare sugli aerei (color fringing)

Questo e' dovuto al fatto che il sensore del satellite non acquisisce in contemporanea tutte le bande ma in successione con uno sfasamento di pochi centesimi di secondo.. 

Questo metodo puo' essere impiegato per la stima della velocita'

Maciej Adamiak, Yulia Grinblat, Julian Psotta, Nir Fulman, Himshikhar Mazumdar, Shiyu Tang, Alexander Zipf, Deep learning enhanced road traffic analysis: Scalable vehicle detection and velocity estimation using PlanetScope imagery, International Journal of Applied Earth Observation and Geoinformation, Volume 142,2025,104707,ISSN 1569-8432,
https://doi.org/10.1016/j.jag.2025.104707.

In questa immagine del dataset pubblico di WorlView (pansharpening a 30 cm di 4 bande multispettrali di Monaco OR2A_30cm_4-Band_Pansharpened _Munich-Germany le macchine non mostrano alone 

 

Indicativamente il delta di tempo tra due bande di WordVIew e' tra 1 e 2 centesimi di secondo ..per avere uno spostamento significativo si devono prendere in considerazione almeno 2 pixels quindi la velocita' del veicolo deve essere in movimento ad almeno 140 Km/h..in condizioni ottimali si puo' scendere a 110 Km/h

 

 

 

 

 

 

Lenovo IX2 Iomega Storcenter

Mi sono comprato usato un Iomega Storcenter (che si presenta sulla rete come un Lenovo IX2) come NAS da battaglia (1.8 Tb). Per usarlo su Linux queste sono le impostazione

sudo apt update
sudo apt install cifs-utils 

sudo mount -t cifs //192.168.1.100/backups /media/iomega/backups -o username=admin,vers=1.0

sudo mount -t cifs //192.168.1.100/documents /media/iomega/documents -o username=admin,vers=1.0

e cosi' via seguendo l'immagine sottostante

 

 

Bande spettrali Plastiche (Hyperspectral Reflectance Database of Plastic Debris for River Ecosystems)

Premesso che in laboratorio funziona sempre tutto mentre nel mondo reale non funziona piu' nessun modello in modo accettabile e' interessante il database Hyperspectral Reflectance Database of Plastic Debris for River Ecosystems che si trova all'indirizzo https://zenodo.org/records/13377060 mentre il codice si trova https://github.com/olyae001/Hyperspectral_reflectance_library

Olyaei, M., Ebtehaj, A., & Ellis, C. R. (2024). A Hyperspectral Reflectance Database of Plastic Debris for River Ecosystems [Data set]. Zenodo. https://doi.org/10.5281/zenodo.13377060 

Si tratta di misure di laboratorio di diversi materiali plastici (piu' o meno degradati) in fiumi simulati piu' o meno torbidi.. I dati sono in formato netcdf e dentro sono compresi spettri   

 

 

In github e' compreso lo script Statistical_analysis_Xgboost_Colab.ipynb che permette di calcolare il peso di ogni banda nel modello Xgboost

 Come era prevedibile la banda piu' significativa cade nello SWIR ma c'e' segnale anche nel visibile 

1) 1178 nm 

2) 611 nm

3) 676nnm

4) 559 nm 

5) 677 nm

6) 1206 nm 

[[1.17800000e+03 8.47618878e-02]
 [6.11000000e+02 4.13786322e-02]
 [6.76000000e+02 3.15730013e-02]
 [5.59000000e+02 2.42403690e-02]
 [6.77000000e+02 2.01107953e-02]
 [1.20600000e+03 1.70316305e-02]
 [4.44000000e+02 1.70264784e-02]
 [2.16600000e+03 1.45021593e-02]
 [2.41100000e+03 1.36355786e-02]
 [1.17300000e+03 1.23202708e-02]]

 

 

Questa la matrice di confusione che indica una ottima performance del modello

Il problema e' io ho in uso una camera iperspettrale da drone da 400 a 1000 nm (quindi al di fuori del range della feature spettrale ottimale(...vediamo cosa succede se si usano gli stessi spettri ma limitando tra 400 e 1000 nm la finestra

Tra 600 e 700 nm sono concentrate numerose bande diagnostiche

ma usando solo la parte VNIR il modello peggiora in modo sensibile

Se al posto di XGBoost gli stessi dati vengono processati con Random Forest viene confermato come la parte piu' significative delle plastiche sia concentrata tra 650 e 700 nm 

 Il problema e' che tra 650 e 700 ci sono concentrati molti segnali delle alghe (picco di fluorescenza a 685 nm, assorbimento dei cianobatteri a 620 nm. molto vicino l'inizio del Red Edge a 700 nm). In  condizioni reali questi potrebbe essere le maggiori cause di disturbo

Questo lo script per estrarre le immagini e gli spettri dai file netcdf

import os

import numpy as np

import pandas as pd

import glob

import matplotlib

matplotlib.use('Agg') # Non-interactive backend for batch saving

import matplotlib.pyplot as plt

import netCDF4

from tabulate import tabulate

# ── Paths ────────────────────────────────────────────────────────────────────

current_directory = os.getcwd()

print("Current directory:", current_directory)

parent_directory = os.path.dirname(current_directory)

subfolder = "openaire/data_NETCDF"

datapath_file = os.path.join(parent_directory, subfolder)

print("Path of data files:", datapath_file)

# ── Output directories ────────────────────────────────────────────────────────

output_root = os.path.join(parent_directory, "openaire", "exported_data")

POLYMERS = ['PET', 'HDPE', 'LDPE', 'PP', 'EPSF', 'Mix', 'Weathered']

BACKGROUNDS = {'C': 'Clear', 'T': 'Turbid', 'F': 'Foamy'}

# Pre-create all output subdirectories polymer / background

for polymer in POLYMERS:

for bg_key, bg_name in BACKGROUNDS.items():

folder = os.path.join(output_root, polymer, bg_name)

os.makedirs(folder, exist_ok=True)

# Fallback folder for files that don't match known categories

unknown_folder = os.path.join(output_root, "Unknown")

os.makedirs(unknown_folder, exist_ok=True)

# ── Discover & sort files ─────────────────────────────────────────────────────

netcdf_files = glob.glob(os.path.join(datapath_file, '*.nc4'))

files_number = [int(os.path.basename(f).split('_')[0][1:]) for f in netcdf_files]

sortedlist = [os.path.basename(f)

for _, f in sorted(zip(files_number, netcdf_files))]

print(f"\nFound {len(sortedlist)} measurement files.\n")

# ── Summary table (same as original) ─────────────────────────────────────────

polymer_counts = {}

background_counts = {}

for polymer in POLYMERS:

polymer_counts[polymer] = len([x for x in sortedlist if polymer in x])

for bg_key in BACKGROUNDS:

background_counts[bg_key] = len(

[x for x in sortedlist if bg_key == x.split('_')[2][0]]

)

table_data = []

for polymer in POLYMERS:

row = [polymer]

for bg_key in ['C', 'T', 'F']:

combo = [x for x in sortedlist

if polymer in x and bg_key == x.split('_')[2][0]]

row.append(len(combo))

row.append(polymer_counts[polymer])

table_data.append(row)

table_data.append(["-----"] * 5)

table_data.append(

['Sum'] + [background_counts[bg] for bg in ['C', 'T', 'F']]

+ [sum(background_counts.values())]

)

headers = ['Polymer'] + [BACKGROUNDS[bg] for bg in ['C', 'T', 'F']] + ['Sum']

print(tabulate(table_data, headers, tablefmt='pretty'))

print()

# ── Wavelength axis (shared across all files) ─────────────────────────────────

# Will be computed from the first file's reflectance length; reused for all.

wavelengths = None

# ── Main export loop ──────────────────────────────────────────────────────────

plt.rcParams["font.family"] = "Times New Roman"

plt.rcParams["font.size"] = 14

skipped = []

exported = 0

for idx, filename in enumerate(sortedlist, start=1):

filepath = os.path.join(datapath_file, filename)

try:

nc_file = netCDF4.Dataset(filepath)

# ── Read metadata ─────────────────────────────────────────────────────

polymer = getattr(nc_file, 'Debris Polymer', 'Unknown')

background = getattr(nc_file, 'Background flow status', 'Unknown')

plastic_frac = getattr(nc_file, 'Plastic fraction(%)', 'N/A')

# ── Read variables (force load into numpy arrays) ─────────────────────

reflectance_data = nc_file.variables['Reflectacne'][:] # note: typo preserved to match file

rgb_var = nc_file.variables['RgbImage'][:]

# label_var = nc_file.variables['LabeledImage'][:] # uncomment if needed

nc_file.close()

# ── Wavelength axis ───────────────────────────────────────────────────

if wavelengths is None or len(wavelengths) != len(reflectance_data):

wavelengths = np.linspace(350, 2500, len(reflectance_data))

# ── Determine output subfolder ────────────────────────────────────────

matched_polymer = next((p for p in POLYMERS if p in filename), None)

matched_bg_key = next(

(bg for bg in ['C', 'T', 'F']

if bg == filename.split('_')[2][0]),

None

)

if matched_polymer and matched_bg_key:

out_folder = os.path.join(

output_root,

matched_polymer,

BACKGROUNDS[matched_bg_key]

)

else:

out_folder = unknown_folder

# ── Shared base filename (strip extension) ────────────────────────────

base_name = os.path.splitext(filename)[0] # e.g. "O001_PET_C_..."

# ── Save reflectance CSV ──────────────────────────────────────────────

csv_path = os.path.join(out_folder, base_name + '.csv')

df = pd.DataFrame({

'wavelength_nm': wavelengths,

'reflectance': reflectance_data.flatten(),

})

# Prepend metadata columns so the CSV is self-describing

df.insert(0, 'observation', idx)

df.insert(1, 'filename', filename)

df.insert(2, 'polymer', polymer)

df.insert(3, 'background', background)

df.insert(4, 'plastic_fraction', plastic_frac)

df.to_csv(csv_path, index=False)

# ── Save RGB image ────────────────────────────────────────────────────

rgb_image_data = np.transpose(rgb_var, (2, 1, 0)) # match MATLAB order

img_path = os.path.join(out_folder, base_name + '_rgb.png')

fig, ax = plt.subplots(figsize=(8, 6))

ax.imshow(rgb_image_data)

ax.set_xticks([])

ax.set_yticks([])

ax.set_title(

f"O#{idx} | Polymer: {polymer} | Background: {background}"

f" | Plastic fraction: {plastic_frac}%",

fontsize=11

)

fig.tight_layout()

fig.savefig(img_path, dpi=150, bbox_inches='tight')

plt.close(fig)

# ── Save reflectance spectrum ─────────────────────────────────────────

spectrum_path = os.path.join(out_folder, base_name + '_spectrum.png')

fig, ax = plt.subplots(figsize=(12, 5))

ax.plot(wavelengths, reflectance_data.flatten(), linewidth=2.0,

color='steelblue', label='Reflectance')

ax.set_xlabel('Wavelength (nm)')

ax.set_ylabel('Reflectance')

ax.set_xlim(350, 2500)

ax.set_title(

f"O#{idx} | Polymer: {polymer} | Background: {background}"

f" | Plastic fraction: {plastic_frac}%",

fontsize=11

)

ax.grid(True, which='major', linestyle='--', color='gray', alpha=0.7)

ax.legend(fontsize=12)

fig.tight_layout()

fig.savefig(spectrum_path, dpi=150, bbox_inches='tight')

plt.close(fig)

exported += 1

print(f"[{idx:>4}/{len(sortedlist)}] Saved: {base_name}_rgb.png | _spectrum.png | .csv")

except Exception as e:

print(f"[{idx:>4}/{len(sortedlist)}] SKIPPED {filename}: {e}")

skipped.append((filename, str(e)))

# ── Final report ──────────────────────────────────────────────────────────────

print(f"\n{'='*60}")

print(f"Export complete: {exported} files saved, {len(skipped)} skipped.")

if skipped:

print("\nSkipped files:")

for fname, reason in skipped:

print(f" {fname}: {reason}")

print(f"\nOutput root: {output_root}")