Дистанционное зондирование в QGIS: от данных до карт и анализа

Введение в ДЗЗ и возможности QGIS

Дистанционное зондирование Земли (ДЗЗ) даёт возможность измерять свойства поверхности и атмосферы без прямого контакта — с помощью датчиков на спутниках, самолётах или дронах. В этом курсе мы будем работать с данными ДЗЗ в QGIS: загружать и готовить снимки, рассчитывать индексы, выполнять базовый анализ и оформлять результаты в виде карт.

!Общая логика: от измерений датчиком до анализа и карты в QGIS

Что такое ДЗЗ простыми словами

ДЗЗ — это получение информации о Земле по тому, как поверхность излучает или отражает электромагнитную энергию.

Платформы и датчики

Спутники — основной источник регулярных и сопоставимых данных на больших территориях.

Самолёты — часто используются для специализированной съёмки (например, в очень высоком разрешении).

Дроны — дают детальные данные на малых площадях, но требуют собственной организации съёмки.

По принципу работы датчики часто делят на:

Пассивные — регистрируют отражённый солнечный свет или тепловое излучение (например, оптические мультиспектральные снимки).

Активные — сами излучают сигнал и измеряют отклик (например, радиолокация SAR), что полезно при облачности и ночью.

Какие данные ДЗЗ мы чаще всего встречаем в QGIS

Растр как базовый формат для снимков

Спутниковые снимки обычно представлены в виде растра: регулярной сетки пикселей, где каждое значение — измерение датчика.

!Как устроен растр и что означает пиксель

Важные понятия, которые будут постоянно встречаться:

Пространственное разрешение — размер участка на местности, соответствующий одному пикселю (например, 10 м).

Временное разрешение — как часто территория переснимается (например, каждые несколько дней).

Радиометрическое разрешение — насколько точно фиксируется сигнал (сколько уровней яркости может быть записано).

Каналы, диапазоны и многозональные снимки

Один и тот же участок Земли можно измерять в разных спектральных диапазонах. Тогда данные организованы как несколько каналов (bands):

Синий, зелёный, красный — близко к видимому диапазону.

Ближний инфракрасный (NIR) — особенно важен для анализа растительности.

Коротковолновый инфракрасный (SWIR) — полезен для влажности, горных пород, пожаров.

Мультиспектральный снимок содержит несколько каналов (часто 4–13), а гиперспектральный — десятки и сотни очень узких каналов.

Значения пикселей: что на самом деле записано

В зависимости от продукта в пикселе может храниться:

Яркость/цифровое значение (сырые или частично обработанные данные).

Отражательная способность (более сопоставима между датами и территориями).

Температура поверхности (для тепловых каналов).

Классы (результат классификации: лес, вода, застройка и т.д.).

На практике это означает: перед анализом важно понимать, какую физическую величину вы анализируете и прошли ли данные нужную подготовку.

Откуда брать данные ДЗЗ

Ниже — типичные официальные источники, которые пригодятся в курсе:

USGS EarthExplorer — удобная загрузка многих наборов данных, включая Landsat.

Landsat Missions (USGS) — справка по миссиям Landsat и данным.

Copernicus Data Space Ecosystem — основной портал для данных Sentinel.

Copernicus Sentinel — описание миссий и продуктов Sentinel.

Важно различать:

Сырые/уровневые продукты (больше контроля, но больше подготовки).

Готовые аналитические продукты (быстрее в работе, но меньше гибкости).

Почему QGIS подходит для ДЗЗ

QGIS — настольная ГИС, которая умеет работать с растровыми данными, визуализировать многоканальные снимки, выполнять преобразования и запускать алгоритмы обработки через встроенную инфраструктуру.

Ключевые причины, почему QGIS удобен как стартовая среда для ДЗЗ:

Поддержка растров и метаданных: проекции, размер пикселя, диапазоны значений, NoData.

Визуализация: корректное отображение многоканальных снимков, растяжки, палитры, гистограммы.

Инструменты обработки через Processing Toolbox (в том числе алгоритмы GDAL).

Расширяемость плагинами и моделью обработки.

Полезные официальные разделы документации:

QGIS User Guide: Работа с растрами

QGIS User Guide: Processing

GDAL Documentation

Что именно можно делать со снимками в QGIS

Быстро посмотреть снимок и понять, что в нём есть

Типичные действия на старте:

проверить, совпадает ли система координат проекта и слоёв;

оценить покрытие облаками;

посмотреть гистограммы и диапазоны значений;

убедиться, что каналы интерпретируются правильно.

Собрать цветосинтез (композит) из каналов

Один и тот же снимок можно отобразить по-разному:

Естественные цвета (примерно как видит глаз) — удобно для визуальной интерпретации.

Ложные цвета (например, с использованием NIR) — помогают выделять растительность, воду, следы пожаров.

В QGIS это обычно делается настройкой визуализации растра как многоканального изображения (назначением каналов на R, G, B).

Посчитать простые индексы и преобразования

QGIS позволяет рассчитывать новые растры из исходных, например:

индексы растительности;

маски по порогам (вода/не вода, облака/не облака — в простых сценариях);

нормализацию и пересчёт значений.

Для этого часто используется Raster Calculator или алгоритмы из Processing Toolbox.

Подготовить данные к анализу

Перед сравнением разных дат и источников обычно выполняют подготовку:

перепроецирование в единую систему координат;

обрезку по границе интереса;

приведение пиксельной сетки к единому шагу и выравнивание (когда нужно);

сборку мозаики из нескольких сцен.

Плагины для задач ДЗЗ

QGIS можно расширять. Один из известных вариантов для задач классификации и подготовки мультиспектральных данных — Semi-Automatic Classification Plugin (SCP) Documentation. В рамках курса мы будем исходить из базовых возможностей QGIS и инструментов Processing, а плагины подключать по необходимости.

Типовой рабочий процесс: от снимка к карте и анализу

Ниже — схема, к которой мы будем возвращаться на протяжении курса:

Поиск и загрузка данных под задачу (подходящий сенсор, даты, облачность).

Проверка метаданных (система координат, размер пикселя, состав каналов, тип продукта).

Подготовка (обрезка, перепроецирование, мозаика, базовая очистка).

Визуализация (композиты, растяжки, стили, сравнение дат).

Расчёты и анализ (индексы, зональная статистика, классификация, изменения во времени).

Картографирование и экспорт (макет, легенда, подписи, оформление, итоговые файлы).

Частые ошибки новичков в ДЗЗ в QGIS

Смешение систем координат: слои визуально “уезжают” или неправильно обрезаются.

Неправильная интерпретация каналов: цвета выглядят “странно”, потому что каналы назначены неверно.

Игнорирование NoData: в расчётах появляются артефакты по краям сцен или в областях без данных.

Сравнение несопоставимых данных: разные продукты, разные шкалы значений, разные условия съёмки.

Облака и тени: они часто доминируют в статистике, если их не учитывать.

Как эта статья связана с остальным курсом

Дальше мы будем последовательно углубляться:

научимся подбирать источники данных под задачу и правильно читать метаданные;

разберём подготовку растров (обрезка, перепроецирование, мозаика, выравнивание);

будем рассчитывать индексы и выполнять базовый анализ;

оформим результаты в виде карт и воспроизводимых рабочих процессов.

Источники спутниковых данных и загрузка в QGIS

В предыдущей статье мы разобрали, что такое ДЗЗ, почему спутниковые данные чаще всего приходят в виде растра и какие операции типично делают в QGIS (визуализация, композиты, индексы, подготовка). Теперь переходим к практическому вопросу: где брать спутниковые данные и как правильно загрузить их в QGIS, чтобы дальше можно было без сюрпризов считать индексы и делать анализ.

!Схема, показывающая путь от выбора источника данных до готового слоя в QGIS

Какие данные вам нужны перед загрузкой

Чтобы выбрать правильный источник и формат, заранее определите три вещи.

Территория: точка, полигон или административная область, в которой вы работаете.

Период и частота: одна дата, сезон, ряд дат для анализа изменений.

Тип информации: оптика (цвета, растительность), тепловые данные (температура), радиолокация SAR (работает через облака и ночью).

Также полезно заранее понимать два термина.

Уровень продукта: степень обработки данных.

- Level-1 обычно ближе к «сырью» (меньше корректировок, больше требований к подготовке). - Level-2 обычно ближе к анализу (например, отражательная способность и/или базовые атмосферные коррекции).

Разрешение: размер пикселя на местности (например, 10 м, 30 м, 250 м). Чем выше разрешение, тем больше объём данных.

Основные источники спутниковых данных

Ниже — самые типовые официальные источники, которые хорошо подходят для учебных и рабочих задач.

Copernicus Data Space Ecosystem (Sentinel)

Подходит для: Sentinel-2 (оптика), Sentinel-1 (SAR), Sentinel-3 (океан/атмосфера и др.).

Плюсы: официальный источник, современная инфраструктура, большой выбор продуктов.

Минусы: крупные объёмы данных, иногда нужно разбираться в типах продуктов.

Ссылка:

Copernicus Data Space Ecosystem

USGS EarthExplorer (Landsat и многое другое)

Подходит для: Landsat, а также ряда других наборов данных (включая некоторые DEM и исторические данные).

Плюсы: мощный поиск по датам и облачности, много миссий.

Минусы: интерфейс требует внимания к параметрам и коллекциям.

Ссылка:

USGS EarthExplorer

NASA Earthdata Search (MODIS, VIIRS и другие продукты NASA)

Подходит для: глобальных продуктов, временных рядов, климатических и океанографических данных.

Плюсы: огромный каталог, много готовых научных продуктов.

Минусы: встречаются форматы и структуры файлов, менее привычные для новичков.

Ссылка:

NASA Earthdata Search

EO Browser (визуальный подбор сцен)

EO Browser удобен как инструмент поиска и первичной оценки сцен (облачность, дата, визуальная проверка), а дальше вы уже скачиваете данные из официальных источников или через сервисы.

Ссылка:

EO Browser

> Практическое правило: если вы учитесь и хотите предсказуемый результат в QGIS, чаще всего проще начинать с Sentinel-2 (Level-2) или Landsat Collection 2 (Level-2), потому что эти продукты лучше сопоставимы между датами.

Быстрое сравнение источников

| Источник | Типичные данные | Сильная сторона | На что обратить внимание | |---|---|---|---| | Copernicus Data Space | Sentinel-1/2/3 | Официальные Sentinel, регулярность | Разные типы продуктов, большие архивы | | USGS EarthExplorer | Landsat и др. | Гибкий поиск, историчность | Выбор правильной коллекции и уровня | | NASA Earthdata Search | MODIS/VIIRS и др. | Большой выбор научных продуктов | Непривычные форматы, проекции, упаковка | | EO Browser | Разные миссии (просмотр) | Быстрый подбор сцен | Это не всегда «источник скачивания по умолчанию» |

Что именно скачивать: продукт, каналы и формат

Перед загрузкой в QGIS важно понять, как данные упакованы.

Сцена, тайл и мозаика

Сцена: единица съёмки за один пролёт (часто так устроены Landsat-сцены).

Тайл: плитка фиксированной сетки (типично для Sentinel-2).

Мозаика: склейка нескольких сцен/тайлов в один растр.

Для учебных задач удобнее брать одну сцену/тайл, покрывающий вашу территорию, чтобы не тратить время на мозаики.

Отдельные каналы и многоканальные файлы

Встречаются два типичных варианта.

Каналы лежат как отдельные файлы (например, по одному GeoTIFF на канал).

Каналы упакованы в один контейнер (например, многоканальный GeoTIFF или NetCDF/HDF).

Для QGIS оба варианта рабочие, но отдельные файлы чаще понятнее новичкам: вы явно видите, какой файл соответствует какому каналу.

Форматы, которые вы чаще всего увидите

GeoTIFF (.tif) — самый удобный формат для анализа в QGIS.

JP2 (.jp2) — часто встречается в Sentinel-2; QGIS обычно открывает, но для больших задач иногда удобнее конвертировать в GeoTIFF.

HDF/NetCDF (.hdf, .nc) — часты в продуктах NASA; в QGIS открываются, но слои внутри файла нужно выбирать внимательно.

Архивы (.zip, .tar) — многие порталы отдают данные архивом; обычно его надо распаковать перед работой.

Способы загрузки данных в QGIS

Есть два принципиально разных подхода.

Файлы на диске: вы скачали данные и открыли их в QGIS.

Веб-сервисы: вы подключаете слой как поток (WMS/WMTS/XYZ), часто для подложек и просмотра.

Для анализа (индексы, классификация, статистика) надёжнее первый подход: работать с локальными файлами, а веб-сервисы использовать как справочные подложки.

Загрузка локальных растровых файлов в QGIS

Вариант через менеджер источников данных

Откройте Layer → Add Layer → Add Raster Layer.

Выберите файл (например, B04.tif, B08.tif или другой канал).

Нажмите Add.

Проверьте, что слой появился без ошибок и корректно отображается.

Вариант через панель Browser

Откройте панель Browser (если скрыта).

Перейдите в папку с данными.

Перетащите файл(ы) в проект.

Что проверить сразу после загрузки

Слой → Properties.

Information.

- система координат (CRS) слоя; - размер пикселя; - наличие NoData.

Symbology.

- режим отображения (Singleband gray / Multiband color); - растяжка (Min/Max) и гистограмма.

Если картинка «слишком тёмная» или «слишком яркая», часто проблема не в данных, а в настройке растяжки отображения.

Официальная справка QGIS по работе с растрами:

QGIS User Guide: Raster data

Загрузка многоканальных данных и сбор композита

Чтобы собрать композит (например, естественные цвета или ложные цвета), вам нужно назначить каналы на RGB.

Типичная логика для оптики.

Естественные цвета: красный канал → R, зелёный → G, синий → B.

Ложные цвета с растительностью: NIR → R, красный → G, зелёный → B.

В QGIS это делается так.

Откройте свойства растра → Symbology.

Выберите Multiband color.

Назначьте нужные каналы на R, G, B.

Если каналы у вас отдельными файлами, вы можете:

Либо открывать каждый канал как отдельный слой и собирать композит через инструменты визуализации (в зависимости от формата и версии QGIS).

Либо заранее собрать многоканальный GeoTIFF средствами GDAL в Processing (это часто удобнее для дальнейшей работы).

> В рамках курса мы будем регулярно возвращаться к этой точке: правильная интерпретация каналов и корректная визуализация помогают быстро заметить облака, тени и ошибки подготовки ещё до анализа.

Подключение веб-слоёв: WMS/WMTS и XYZ

Веб-слои удобны как подложки и контекст (улицы, рельеф, базовые карты), а иногда и как быстрый просмотр спутниковых мозаик. Но важно помнить: веб-слой часто не даёт «сырые пиксели» для вычислений или ограничивает качество.

WMS/WMTS

WMS обычно отдаёт изображение карты (картинку) по запросу.

WMTS работает с тайлами и часто быстрее на масштабировании.

В QGIS:

Layer → Add Layer → Add WMS/WMTS Layer.

New → введите параметры сервиса (URL, имя).

Connect → выберите слой → Add.

Справка QGIS по OGC-сервисам:

QGIS User Guide: OGC client support (WMS/WMTS/WFS)

XYZ Tiles (тайловые подложки)

XYZ-слои часто используют для базовых карт. Добавляются через Browser → XYZ Tiles.

Ключевой момент: XYZ почти всегда работает в проекции Web Mercator (EPSG:3857). Это нормально для подложки, но для анализа спутниковых данных опирайтесь на CRS ваших растров, а не на CRS подложки.

Типичные проблемы при загрузке и как их распознать

Слой «не на месте» или не совпадает с другими

Чаще всего причина — разные CRS.

Проверьте CRS проекта и CRS слоя.

Если нужно, перепроецируйте растровые данные на этапе подготовки (мы подробно разберём это в следующих темах курса).

Данные открываются, но выглядят «неправильно»

Типичные причины.

Неправильная растяжка отображения.

Вы смотрите не тот канал (например, NIR вместо красного).

Значения физической величины не то, что вы ожидаете (например, не отражательная способность, а цифровые значения).

Файл большой и «тормозит»

Базовые способы снизить нагрузку.

Обрезать по области интереса (AOI) перед дальнейшими шагами.

Создать пирамиды (overviews) для быстрого отображения.

Работать с нужными каналами, а не со всем набором.

Минимальный чек-лист перед тем, как идти дальше по курсу

Вы выбрали источник данных под задачу (Sentinel/Landsat/NASA-продукты).

Вы понимаете, что скачали: Level-1 или Level-2, какие каналы, какое разрешение.

Вы загрузили данные в QGIS.

Вы проверили CRS, размер пикселя, NoData и адекватность визуализации.

Дальше в курсе мы будем опираться на этот фундамент и перейдём к подготовке растров (обрезка, перепроекция, выравнивание пиксельной сетки), чтобы корректно сравнивать даты и рассчитывать индексы.

Предобработка снимков: проекции, облака, мозаики, клиппинг

В предыдущих статьях мы разобрали, что такое данные ДЗЗ, где их брать и как загрузить в QGIS. Следующий обязательный шаг перед расчётом индексов и любым сравнением дат — предобработка (pre-processing): приведение снимков к сопоставимому виду и удаление типичных источников ошибок.

В этой теме мы сфокусируемся на четырёх практических блоках, которые встречаются почти в каждом проекте:

проекции и система координат (CRS)

облака и тени (маскирование)

мозаики (склейка нескольких сцен/тайлов)

клиппинг (обрезка по области интереса)

!Общая логика предобработки перед анализом

Зачем нужна предобработка и что она исправляет

Один и тот же участок на двух снимках может выглядеть по-разному не только из-за изменений на местности, но и из-за различий в:

системе координат и пиксельной сетке

облачности, дыме, тенях

покрытии (границы сцен/тайлов)

разрешении (10 м vs 20 м vs 30 м)

NoData-областях по краям

Если пропустить предобработку, типичные последствия такие:

индексы и статистика “прыгают” из-за облаков и теней

слои плохо совмещаются, и сравнение дат становится некорректным

расчёты занимают слишком много времени из-за лишней площади

Проекции и CRS: как не испортить анализ

Что важно понимать про CRS в QGIS

В QGIS всегда есть как минимум два CRS:

CRS проекта — “рабочая” система координат отображения

CRS слоя — система координат, в которой реально записан растр

QGIS умеет перепроецировать на лету для отображения, но это не означает, что ваши растровые расчёты автоматически станут сопоставимыми.

Практическое правило:

для визуализации допустимо “на лету”

для анализа важно, чтобы ключевые растры были в согласованных CRS и имели согласованную пиксельную сетку

Официальная документация QGIS:

QGIS User Guide: Работа с растровыми данными

Как выбрать CRS для анализа

Чаще всего для локальных задач (город, район, бассейн реки) удобно использовать:

UTM-зону вашей территории (метры, адекватные площади и расстояния)

Если вы работаете по административным данным (границы, кадастр, региональные слои), иногда разумно принять CRS, который используется в вашей организации/регионе, но важно сохранять логику: все растры для сравнения должны быть приведены к одному CRS.

Как перепроецировать растр правильно

В QGIS перепроецирование растра обычно делается через Processing (GDAL).

Откройте Processing Toolbox.

Найдите алгоритм GDAL → Warp (reproject).

Укажите входной растр.

Выберите целевой CRS.

Задайте метод ресемплинга (см. следующий раздел).

Запустите и сохраните результат как GeoTIFF.

Ссылки:

QGIS User Guide: Processing

GDAL: gdalwarp

Ресемплинг: как меняются значения пикселей при перепроекции

При перепроекции растр “пересаживается” на новую сетку. Для этого выбирается ресемплинг — правило вычисления значений новых пикселей.

| Метод | Когда использовать | Риск ошибки | |---|---|---| | Nearest neighbour (ближайший) | классы, маски, QA-слои | минимальный для категорий, но картинка “рваная” | | Bilinear (билинейный) | непрерывные величины (отражательность, индексы) | слегка сглаживает | | Cubic (кубический) | визуализация, иногда непрерывные данные | может давать артефакты |

Практическое правило:

для классификаций и масок выбирайте nearest neighbour

для отражательности/индексов чаще всего подходит bilinear

!Почему выбор ресемплинга влияет на значения пикселей

Выравнивание пиксельной сетки: скрытая причина “несостыковок”

Даже если два растра в одном CRS и одном разрешении, они могут иметь разные origin (смещение сетки). Тогда при поэлементных операциях (например, NDVI по двум датам) значения будут сравниваться “не пиксель к пикселю”.

В практических рабочих процессах это решают так:

выбирают один растр как эталон (grid)

приводят остальные растры к его сетке через перепроекцию/варп с фиксацией разрешения и границ

В QGIS это обычно делается тем же Warp (reproject), но с вниманием к параметрам целевого разрешения и extent.

Облака и тени: почему их нужно маскировать

Облака и тени — одна из главных причин, почему индексы и статистика становятся бессмысленными.

облако часто даёт очень высокую яркость в видимых каналах

тень даёт аномально низкие значения

тонкая дымка и полупрозрачные облака тоже искажают отражательность

Какие маски бывают

На практике чаще всего встречаются два подхода.

Готовые QA/классификационные слои в составе продукта

Пороговые маски, которые вы строите сами (для учебных задач или когда QA недоступен)

Пример официальной документации по QA в Landsat Collection 2:

USGS: Landsat Collection 2 Level-2 Science Products

Почему лучше начинать с готовых QA-слоёв

Готовые маски обычно стабильнее, чем “самодельные пороги”, потому что учитывают больше признаков (включая геометрию, спектральные тесты, иногда дополнительные каналы).

Практическая стратегия:

если у вас есть QA/SCL-подобный слой, используйте его

если нет, делайте пороговую маску, но фиксируйте правила и проверяйте визуально

Как применить облачную маску в QGIS

Есть две типовые цели:

не показывать облака на карте (визуально)

исключить облака из расчётов (аналитически)

Для анализа важен второй вариант: облачные пиксели должны стать NoData (или быть исключены логикой вычислений).

Типовой подход через Raster Calculator:

Подготовьте слой-маску, где “хорошие пиксели” = 1, “плохие” = 0 (или наоборот).

Рассчитайте новый растр по правилу, например: оставить значения только там, где маска “хорошая”.

Назначьте NoData для исключённых областей.

Важно:

если маска категориальная, при её обработке используйте nearest neighbour

проверяйте результат визуально: включайте/выключайте маску поверх композита

Клиппинг: обрезаем растр по области интереса

Клиппинг (clipping) — это обрезка растра до вашей AOI (area of interest): границы города, водосбора, полигона исследования.

Зачем это делать:

меньше данных — быстрее отображение и расчёты

проще хранить и организовать проект

меньше шансов “захватить” лишние NoData-поля и края сцен

Два вида клиппинга

| Вариант | Что нужно | Когда применять | |---|---|---| | По прямоугольному extent | только рамка | быстрый черновой шаг | | По маске (полигону) | векторная граница | правильный вариант для анализа |

Клиппинг по маске в QGIS

Обычно используют GDAL-алгоритм из Processing:

Подготовьте полигон AOI (например, GeoPackage-слой с границей).

Убедитесь, что AOI корректно лежит поверх растра.

Откройте Processing Toolbox.

Найдите GDAL → Clip raster by mask layer.

Выберите:

- входной растр - слой-маску (полигон) - опции сохранения NoData

Запустите и сохраните результат.

Если AOI в другом CRS, QGIS обычно справится, но для сложных случаев надёжнее привести AOI и растр к одному CRS до клиппинга.

Мозаики: когда одной сцены недостаточно

Мозаика нужна, если ваша территория пересекает границы:

двух сцен Landsat

нескольких тайлов Sentinel-2

Два практических варианта: VRT и “настоящая” мозаика

| Подход | Что получается | Плюсы | Минусы | |---|---|---|---| | Виртуальный растр (VRT) | файл-ссылка на исходники | быстро, не дублирует данные | зависит от доступности исходников и их путей | | Merge в новый GeoTIFF | один физический растр | удобно переносить и архивировать | больше времени и места на диске |

В QGIS оба подхода доступны через Processing (GDAL).

Ссылки:

GDAL: gdalbuildvrt

GDAL: gdal_merge.py

На что обратить внимание при мозаике

Порядок шагов: часто удобнее сначала клиппить каждый тайл по AOI, а уже потом мозаичить (так быстрее).

NoData: задайте корректное значение NoData, чтобы края сцен не “замазывали” данные.

Перекрытия: если сцены перекрываются, подумайте, как выбирать пиксели (по времени, по качеству, по маске облаков). В простых учебных задачах часто достаточно обычного merge.

Рекомендуемый порядок предобработки для учебных и типовых задач

Ниже — последовательность, которая чаще всего даёт предсказуемый результат.

Загрузить растр(ы) и проверить метаданные: CRS, разрешение, NoData.

Выбрать AOI и подготовить полигон.

Оценить облачность и наличие QA/классификационного слоя.

Клиппинг каждого входного растра по AOI.

Если данных несколько: собрать VRT или сделать merge.

Привести данные к единому CRS и пиксельной сетке (если сравниваете даты/источники).

Применить облачную маску (или встроить её в дальнейшие расчёты).

Важно соблюдать смысл:

маски и классы не интерполировать (nearest neighbour)

непрерывные величины ресемплировать аккуратно (часто bilinear)

Типичные ошибки и как их быстро диагностировать

Слои совпали визуально, но расчёты странные: проверьте выравнивание сетки и реальное CRS слоёв, а не CRS проекта.

После merge появились “полосы” или “пятна”: проверьте NoData и перекрытия.

NDVI “сломался” на облаках: облака не замаскированы, либо маска применена не как NoData.

Клиппинг дал пустой результат: AOI не пересекает растр (часто из-за CRS или неверной геометрии полигона).

Что дальше по курсу

После предобработки снимки готовы к тем шагам, ради которых обычно и берут ДЗЗ: расчёт спектральных индексов, сравнение дат, зональная статистика и оформление карт. В следующих темах мы будем опираться на то, что у вас есть чистые, обрезанные, сопоставимые растры.

Визуализация растров: композиты, стили, растяжка, паншарпенинг

После загрузки данных и предобработки (CRS, клиппинг, мозаики, маски облаков) следующий шаг — правильно визуализировать растр в QGIS. Важно разделять две цели:

визуальная интерпретация (понять, что на снимке: вода, растительность, застройка, облака, дым)

анализ (индексы, классификация, статистика)

Большая часть приёмов из этой статьи относится именно к визуализации. Некоторые из них (особенно паншарпенинг и агрессивная растяжка) могут делать картинку «красивее», но менять восприятие яркостей, поэтому их нельзя автоматически считать «улучшением данных для расчётов».

!Общая логика: от каналов к композиту, растяжке и стилям

Как QGIS отображает растр и почему снимок часто выглядит «слишком тёмным»

Спутниковые данные обычно хранят значения не в диапазоне 0–255, как фотография, а в более широких шкалах (например, 0–10000 или float). Поэтому при первом открытии снимок часто выглядит тёмным или «без контраста». Это нормально: QGIS нужно подсказать, как перевести диапазон значений в диапазон яркостей на экране.

Полезное правило:

визуализация — это отображение (рендеринг), оно не обязательно меняет сам файл

обработка — это создание нового растра, где значения пикселей реально пересчитаны

Официальная справка QGIS по визуализации растра:

QGIS User Guide: Raster visualization

Режимы символики растра в QGIS

В QGIS основные способы отображения находятся в Layer Properties → Symbology.

Singleband gray

Один канал показывается как оттенки серого. Это типично для:

одного спектрального канала

индексов (NDVI и т.п.)

цифровых моделей рельефа (DEM)

Ключевая настройка здесь — растяжка и выбор диапазона min/max.

Singleband pseudocolor

Один канал показывается цветовой шкалой (градиентом или дискретными классами). Это удобно для:

NDVI, NDWI и других индексов

температуры поверхности

интенсивности SAR (как быстрый обзор)

Практическая рекомендация: если вы планируете сравнивать карты по датам, фиксируйте одинаковые min/max и одинаковую палитру для всех дат.

Multiband color

Классический режим композитов: вы выбираете, какой канал пойдёт в R, G и B. Это основа работы с оптикой.

Важная деталь: даже правильный композит может выглядеть плохо без растяжки.

Композиты: как «прочитать» ландшафт разными комбинациями каналов

Композит — это способ назначить три канала на R, G, B так, чтобы подчеркнуть нужные объекты.

Естественные цвета и ложные цвета

естественные цвета имитируют вид «как глазами»

ложные цвета заменяют один или несколько видимых каналов на инфракрасные, чтобы выделить растительность, влажность, пожары

Ниже — практичные комбинации для самых частых данных.

Быстрые комбинации для Sentinel-2

Обозначения: B02 (Blue), B03 (Green), B04 (Red), B08 (NIR), B11/B12 (SWIR).

Источник по характеристикам каналов Sentinel-2:

Copernicus Sentinel-2 MSI instrument

| Задача | R | G | B | Что хорошо видно | |---|---|---|---|---| | Естественные цвета | B04 | B03 | B02 | застройка, почвы, общая картина | | Растительность (ложные цвета) | B08 | B04 | B03 | растительность «светится», проще отличать от почв | | Пожары и гарь (часто полезно) | B12 | B11 | B04 | следы пожаров, сухость, некоторые типы почв |

Быстрые комбинации для Landsat 8/9

Обозначения: B2 (Blue), B3 (Green), B4 (Red), B5 (NIR), B6/B7 (SWIR), B8 (Panchromatic).

Справка USGS по миссии и данным Landsat:

USGS: Landsat Missions

| Задача | R | G | B | Что хорошо видно | |---|---|---|---|---| | Естественные цвета | B4 | B3 | B2 | общий обзор | | Растительность (ложные цвета) | B5 | B4 | B3 | растительность выделяется лучше | | SWIR-композит (почвы, сухость, гарь) | B7 | B6 | B4 | контрасты по влажности и гарям |

Как собрать композит в QGIS

Выберите слой (или многоканальный GeoTIFF) → Layer Properties.

Откройте Symbology.

Выберите Multiband color.

Назначьте нужные каналы на R, G, B.

Настройте растяжку (обычно это самый важный шаг).

Растяжка (contrast stretching): главный инструмент «сделать снимок читаемым»

Растяжка — это правило, по которому QGIS переводит значения пикселей в яркости экрана.

!Как растяжка по гистограмме повышает контраст

Что обычно выбирают на практике

В настройках слоя (в зависимости от версии QGIS) вы увидите варианты вычисления min/max и улучшения контраста. На практике чаще всего используют:

растяжку по min/max всего растра

обрезку хвостов гистограммы (по сути «процентили», например 2%–98%)

Почему обрезка хвостов полезна:

единичные очень яркие объекты (облака, снег) и очень тёмные (тени, вода) могут «съесть» контраст для всей сцены

если отсечь небольшую долю крайних значений, основная масса пикселей становится различимой

Важная ловушка при сравнении дат

Если для каждого снимка QGIS автоматически подбирает min/max, два изображения разных дат могут выглядеть «одинаково контрастными», даже если физически сцена изменилась.

Практика для сравнения:

фиксируйте одинаковый диапазон min/max для всех дат

сохраняйте стиль и применяйте его ко всем слоям

Стили: как сохранить настройки и обеспечить одинаковое отображение

Стиль в QGIS — это сохранённые параметры визуализации слоя (назначение каналов, растяжка, палитры, прозрачность).

Зачем стили нужны в ДЗЗ

чтобы одинаково отображать серию снимков (по датам)

чтобы не настраивать заново каждый слой

чтобы получить воспроизводимый результат в проекте

Как сохранить и применить стиль

Обычно это делается так:

Настройте слой (композит, растяжка, прозрачность).

Откройте Layer Properties → Symbology.

Найдите управление стилями (сохранение QML).

Примените этот стиль к другому слою через загрузку стиля.

Практическая рекомендация: называйте стили по смыслу, например S2_falsecolor_vegetation_2-98.qml.

Дополнительные приёмы визуализации, которые часто решают проблему «ничего не понятно»

Прозрачность NoData: проверьте, что края сцен и вырезанные области действительно прозрачны, иначе они мешают восприятию.

Пирамиды (overviews): если растр тяжёлый и тормозит, создайте пирамиды для быстрого отображения.

Ресемплинг для отображения: для плавного зума QGIS может использовать билинейный или кубический ресемплинг на экране.

Важно не путать:

ресемплинг для отображения не меняет файл

ресемплинг в обработке (например, при перепроекции) создаёт новый растр и может изменить значения

Паншарпенинг: как повысить детализацию изображения для карты

Паншарпенинг — это способ объединить:

панхроматический канал (обычно более высокое пространственное разрешение)

мультиспектральные каналы (цвет, но более низкое разрешение)

В результате получается цветное изображение с более высокой «детализацией».

Когда паншарпенинг возможен

нужен сенсор, у которого есть панхроматический канал

классический пример: Landsat 8/9, где B8 имеет 15 м, а цветные каналы — 30 м

Для Sentinel-2 панхроматического канала нет, поэтому «классический паншарпенинг» там обычно не применяют.

Когда паншарпенинг не стоит делать

если вы собираетесь считать индексы и сравнивать значения пикселей

Паншарпенинг встраивает пространственные детали пан-канала в цветные каналы, и спектральные значения могут искажаться. Поэтому паншарпенинг — в первую очередь приём для картографической визуализации.

Как сделать паншарпенинг в QGIS через GDAL

В QGIS это обычно делается через Processing Toolbox с инструментом GDAL для паншарпенинга.

Справка GDAL:

GDAL: gdal_pansharpen

Типовой порядок:

Подготовьте данные: клиппинг по AOI и проверка CRS (лучше до паншарпенинга).

Если мультиспектральные каналы лежат отдельными файлами, соберите их в стек (удобнее для передачи в инструмент).

Запустите паншарпенинг:

- Panchromatic band: пан-канал (например, Landsat B8) - Spectral bands: каналы для цвета (например, B4/B3/B2) - выберите метод (часто встречаются Brovey, IHS, Gram-Schmidt)

Оцените результат визуально на контрастных границах (дороги, здания) и на однородных поверхностях (поля, вода).

Практическая рекомендация: храните паншарпененный продукт отдельно и явно помечайте, что он предназначен для визуализации.

Мини-чек-лист перед тем, как идти в индексы и анализ

композит собран с правильными каналами

растяжка осмысленная (часто 2%–98% или фиксированные min/max)

стили сохранены и применены одинаково для серий снимков

паншарпенинг используется только там, где цель — визуальная карта, а не расчёты

В следующей части курса на основе корректной визуализации обычно проще контролировать качество анализа: вы быстрее замечаете облака, тени, ошибки клиппинга и несостыковки сетки ещё до того, как они попадут в индексы и статистику.

Спектральные индексы и растровая алгебра (NDVI, NDWI и др.)

После того как вы нашли данные, загрузили их в QGIS, выполнили предобработку (CRS, клиппинг, мозаика, маска облаков) и настроили визуализацию (композиты и растяжка), наступает ключевой шаг анализа: превратить каналы в измеримые показатели, которые можно сравнивать между датами и территориями. Для этого в ДЗЗ используют спектральные индексы и, шире, растровую алгебру.

!Как отдельные спектральные каналы превращаются в индексы через растровую алгебру

Что такое спектральный индекс

Спектральный индекс — это новое растровое значение, вычисленное из нескольких каналов (bands) по формуле. Идея простая:

разные поверхности (растительность, вода, почва, гарь) отражают свет по-разному в разных диапазонах;

если правильно сравнить два диапазона, можно получить показатель, который хорошо отделяет нужный тип объектов.

Большинство популярных индексов — это нормализованные разности. Они специально устроены так, чтобы быть менее чувствительными к общему уровню освещённости и частично упрощать сравнение.

Растровая алгебра: базовая логика

Растровая алгебра — это операции над пикселями: QGIS берёт значения одного или нескольких растров в одной и той же точке (в одном и том же пикселе) и вычисляет новое значение.

Типовые операции:

арифметика: +, -, *, /;

функции: if(), abs(), min(), max();

сравнения: >, <, = для построения масок.

Критически важно: чтобы операции были корректны, растры должны быть сопоставимы.

Что нужно подготовить перед расчётом индексов

Из предыдущей темы про предобработку следует практический чек-лист именно для индексов:

одинаковая проекция (CRS) для растров, которые участвуют в формуле;

одинаковое разрешение (например, все 10 м или все 30 м);

выравнивание пиксельной сетки (чтобы пиксель к пикселю реально совпадал);

облака и тени исключены из анализа (лучше как NoData, а не как «0»).

Если эти условия не соблюдены, индекс может считаться, но значения будут смешивать разные участки местности.

NDVI: индекс растительности

Смысл

Здоровая растительность обычно:

относительно сильно поглощает красный свет (Red) из-за хлорофилла;

относительно сильно отражает ближний инфракрасный (NIR) из-за структуры листа.

Поэтому сравнение NIR и Red хорошо выделяет растительность.

Формула

Разбор формулы:

— значение пикселя в ближнем ИК-канале;

— значение пикселя в красном канале;

(числитель) — показывает, насколько NIR больше Red;

(знаменатель) — нормализует разность, чтобы индекс стал более сопоставимым;

итоговый NDVI обычно лежит в диапазоне примерно от до .

Практическая интерпретация (очень общая, зависит от сезона и региона):

значения около – часто соответствуют плотной зелёной растительности;

около – — разреженная растительность, поля, кустарник;

около — голая почва, застройка (но бывают исключения);

отрицательные значения часто связаны с водой, облаками, тенями или снегом.

NDWI: индекс воды (и влажности)

Под названием NDWI часто встречаются две разные формулы, и важно не перепутать, какую именно вы используете.

NDWI для выделения открытой воды (McFeeters)

Разбор:

— зелёный канал;

— ближний ИК;

вода обычно сильнее «проваливается» в NIR, поэтому разность помогает её отделить.

NDWI для оценки водного стресса растительности (Gao, часто называют NDMI)

Разбор:

— коротковолновый ИК;

SWIR чувствителен к влажности: при уменьшении влаги отражение в SWIR часто меняется сильнее.

Практическое правило:

если цель — вода как объект (реки, озёра, затопления), чаще используют ;

если цель — влажность растительности и почвы, часто используют .

Другие полезные индексы, которые часто делают в QGIS

NBR: следы пожаров и гарь

Где — «дальний» SWIR-канал (у многих сенсоров это отдельный канал, отличающийся от SWIR1).

Идея: после пожара уменьшается вклад растительности (NIR падает), а характеристики поверхности в SWIR меняются, что даёт хороший контраст.

NDBI: застройка (упрощённо)

Это не «магический детектор городов», но как быстрый обзорный признак иногда полезен.

> Индексы не заменяют классификацию и не гарантируют идеального разделения классов. Они дают признак, который удобно картировать и анализировать.

Какие каналы брать: подсказка для Sentinel-2 и Landsat 8/9

Перед расчётами убедитесь, что вы используете правильные каналы именно вашего сенсора.

Полезные официальные справки:

Описание каналов Sentinel-2 MSI

Обзор миссий Landsat

Быстрая таблица соответствий

| Индекс | Sentinel-2 (часто) | Landsat 8/9 (часто) | |---|---|---| | NDVI | = B08, = B04 | = B5, = B4 | | | = B03, = B08 | = B3, = B5 | | NDMI | = B08, = B11 | = B5, = B6 | | NBR | = B08, = B12 | = B5, = B7 |

Важно про Sentinel-2:

некоторые каналы имеют разрешение 20 м (например, B11, B12), а B08 и B04 — 10 м;

перед индексами типа NDMI/NBR обычно нужно привести каналы к одному разрешению и сетке (это часть предобработки).

Как посчитать индекс в QGIS через Raster Calculator

В QGIS индексы чаще всего считают алгоритмом Raster calculator.

Документация:

QGIS Processing: Raster calculator

Пример: NDVI

Убедитесь, что у вас загружены два растра (или два канала): NIR и Red.

Откройте Processing Toolbox → Raster analysis → Raster calculator.

В выражении используйте имена слоёв и номер band, обычно в виде "слой@1".

Введите формулу NDVI (пример, где B08 — NIR, B04 — Red):

Выберите выходной формат и тип данных. Практично задавать Float32, потому что индекс дробный.

Сохраните результат в GeoTIFF.

Как правильно обработать NoData и облачную маску

Если у вас есть маска «хороших пикселей» (например, 1 = хорошо, 0 = плохо), лучше сделать так, чтобы плохие пиксели стали NoData. Тогда они не будут портить статистику.

Типовая логика:

Смысл:

if(условие, значение_если_да, значение_если_нет);

NULL в результате обычно означает NoData в выходном растре.

Если вы пропустите этот шаг, облака и тени могут дать «реальные числа», но физически бессмысленные для индекса.

Важные практические детали: почему индекс может «получиться», но быть неправильным

Разные шкалы значений (масштабирование)

Многие продукты поставляются со масштабированными значениями (например, отражательная способность умножена на 10000). Для NDVI и большинства нормализованных индексов это обычно не проблема, потому что множитель сокращается в дроби.

Но есть нюансы:

если вы делаете пороговые маски (например, «NDVI > 0.4»), убедитесь, что это действительно NDVI, а не «псевдо-NDVI» из неправильных входных данных;

если вы используете не нормализованные показатели (например, простые разности), масштабирование уже важно.

Деление на ноль и «шумы» на краях

В индексах есть знаменатель (например, ). Если оба канала близки к нулю (или это NoData, записанный как 0), можно получить артефакты.

Практические меры:

корректно задавайте NoData до расчётов;

при необходимости добавляйте условие, что знаменатель не равен нулю.

Индекс — это признак, а не готовый класс

Примеры типичных ловушек:

вода не всегда «идеально отрицательная» в NDVI (мутность, взвесь, водоросли);

тени могут имитировать воду в некоторых индексах;

влажная почва может выглядеть «похожей на воду» по NDWI;

плотная растительность может «насыщать» NDVI, и различия между «очень зелёным» и «ещё зеленее» будут плохо видны.

Поэтому индексы лучше интерпретировать вместе с композитами из предыдущей темы и с масками облаков.

Как визуализировать индекс правильно

Индекс — это один канал, поэтому обычно используют:

Singleband pseudocolor для карты значений;

фиксированные min/max, если вы сравниваете даты;

сохранение стиля (QML), чтобы одинаково отображать серию индексов.

!Пример понятных цветовых шкал и важность фиксированного диапазона

Мини-чек-лист перед тем, как перейти к анализу и статистике

вы знаете, какие именно формулы индексов используете и почему;

каналы приведены к одной сетке, CRS и разрешению;

облака и тени исключены (как NoData);

индекс сохранён в типе данных с дробями (обычно Float32);

стиль индекса фиксирован, если планируется сравнение дат.

Дальше по курсу на базе индексов и растровой алгебры обычно делают зональную статистику, классификацию и анализ изменений во времени — то есть переходят от «картинки» к измеримым выводам.

Классификация и выделение объектов: пороги, обучение, точность

После визуализации и расчёта индексов (NDVI, NDWI и др.) следующий логичный шаг в ДЗЗ — превратить непрерывные значения пикселей в объекты или классы: вода/не вода, лес/поля/застройка, гарь/не гарь. Это и есть выделение объектов и классификация.

В QGIS это можно делать тремя основными подходами:

Пороговое выделение (правила и пороги по каналам/индексам)

Классификация с обучением (supervised): вы задаёте примеры классов, алгоритм учится

Оценка точности: проверка результата на независимых данных, чтобы понимать, насколько карта надёжна

!Общая логика: от подготовленных растров к классификации и оценке качества

Что именно мы называем классификацией

Классификация — это создание нового растрового слоя, где каждое значение пикселя означает класс.

исходные растры: отражательная способность по каналам, индексы, текстурные признаки

результат: классы, например 1 = вода, 2 = растительность, 3 = голая почва, 4 = застройка

Отдельный частый случай — бинарная маска: 1 = объект есть, 0 = объекта нет (например, вода/не вода).

Подготовка данных перед классификацией

Классификация почти всегда ломается не из-за алгоритма, а из-за несопоставимости входных данных. Используйте правила из предыдущих тем курса.

Все входные растры должны быть в согласованном CRS и иметь согласованную пиксельную сетку.

Разрешение должно быть одинаковым для всех признаков, участвующих в классификации.

Облака и тени должны быть исключены из анализа (лучше как NoData).

AOI (область интереса) должна быть применена клиппингом, чтобы не классифицировать лишнее.

Если вы используете каналы Sentinel-2 разных разрешений (10 м и 20 м), сначала приводите их к одному разрешению и сетке, и только потом считаете индексы/классификацию.

Пороговое выделение объектов

Пороговый подход — это набор правил вида «если NDVI больше X, то это растительность». Он хорош, когда:

объект контрастен (например, открытая вода по )

вам нужна простая и объяснимая логика

вы делаете быстрый прототип

Пример: выделение растительности по NDVI

Типовой принцип:

пиксели с высоким NDVI считаем растительностью

пиксели с низким NDVI — нет

В QGIS это делается через Raster calculator.

Ссылка на справку:

QGIS: Raster calculator

Пример выражения (маска растительности 1/0):

Что здесь означает каждое значение:

"NDVI@1" — первый канал растра NDVI

0.4 — порог, который вы выбираете под регион и сезон

1 — класс растительность

0 — класс не растительность

Как выбирать пороги разумно

Порог почти никогда не бывает «универсальным». Надёжный практический способ:

Откройте композит (например, ложные цвета с NIR), чтобы визуально видеть объект.

Откройте NDVI/NDWI и включите инструмент Identify по точкам разных типов поверхности.

Соберите несколько десятков значений по каждому типу.

Выберите порог так, чтобы минимизировать очевидные ошибки.

Сложные пороги: несколько условий

Иногда одного индекса недостаточно. Например, тени могут «похожи» на воду в некоторых индексах. Тогда добавляют дополнительные условия.

Пример логики вода, но не тень, где используются и яркость в зелёном канале:

Здесь смысл такой:

"NDWI@1" > 0.2 пытается выделить воду

"GREEN@1" > 500 отсекает часть очень тёмных пикселей, которые могут быть тенями

Пороговые правила нужно обязательно проверять на нескольких участках AOI.

Превращаем маску в карту классов

Если у вас несколько масок, вы можете собрать итоговый растр классов (примерная идея):

1 = вода

2 = растительность

3 = прочее

Тогда выражение будет задавать приоритеты, например сначала вода, затем растительность.

Классификация с обучением

Обучаемая классификация (supervised classification) — это когда вы создаёте обучающие примеры классов, а алгоритм сам строит правило разделения.

Она обычно даёт лучший результат, чем пороги, когда:

классы спектрально похожи (застройка vs голая почва)

нужна многоклассовая карта

есть сезонные эффекты и вариативность ландшафта

> «All models are wrong, but some are useful.» — George E. P. Box, цитата приведена на странице Wikiquote: George E. P. Box

Смысл этой идеи для классификации: даже хороший классификатор ошибается, поэтому всегда нужна оценка точности.

Термины без которых не обойтись

Признаки: то, по чему алгоритм различает классы (каналы, индексы, текстуры)

Обучающая выборка: полигоны/точки с правильными классами, на которых учится модель

Валидационная (контрольная) выборка: независимые данные для проверки точности

Модель: результат обучения (например, Random Forest)

Какие признаки использовать

На практике часто начинают с простого набора:

каналы видимого диапазона

NIR и SWIR (если есть и приведены к одному разрешению)

индексы NDVI, , NDMI, NBR

Важно: если вы используете несколько растров, они должны быть выровнены по сетке, иначе обучающие примеры будут «считывать» разные пиксели из разных слоёв.

Обучающие полигоны: как собирать, чтобы не испортить результат

Обучающая выборка должна быть:

репрезентативной (покрывать разные варианты класса: освещённые/в тени, разные типы растительности)

чистой (внутри полигона не смешивать классы)

пространственно распределённой (не только в одном месте)

Типичная ошибка — рисовать один большой полигон на «идеальном участке». Тогда модель учится на частном случае и плохо переносится на всю территорию.

Инструменты в QGIS

Есть два распространённых пути.

Semi-Automatic Classification Plugin (SCP): удобный интерфейс для обучения и классификации, включая работу с наборами снимков.

Processing Toolbox + Orfeo Toolbox (OTB): более «инженерный» путь через алгоритмы обучения и применения модели.

Ссылки:

Документация Semi-Automatic Classification Plugin

OTB: TrainImagesClassifier

OTB: ImageClassifier

Общая логика обучения и применения

Соберите стек признаков.

Создайте обучающие полигоны/точки и присвойте им поле класса.

Разделите данные на обучение и проверку.

Обучите модель.

Примените модель к изображению и получите растр классов.

Проверьте результат и точность, затем выполните постобработку.

Постобработка результата классификации

Даже хорошая классификация часто даёт шум: одиночные пиксели и «соль-перец».

Типовые меры:

фильтрация (например, большинство в окрестности)

удаление мелких пятен (порог по площади)

применение масок (например, исключить облака, воду, NoData)

Важно: постобработка улучшает картографический вид, но может менять статистику классов. Если вам важны площади, фиксируйте правила постобработки и применяйте их одинаково.

Оценка точности: как понять, можно ли доверять карте

Оценка точности отвечает на вопрос: насколько часто модель угадала класс там, где мы знаем правду.

Контрольные данные

Контрольные точки/полигоны могут быть получены из:

полевых наблюдений

интерпретации снимка более высокого разрешения

независимого набора данных (если вы уверены в его качестве)

Ключевое правило: контрольные данные должны быть независимы от обучающих.

Матрица ошибок (confusion matrix)

Матрица ошибок — это таблица, где сравнивается истинный класс и предсказанный класс.

!Иллюстрация: как устроена матрица ошибок и где находятся правильные ответы

Из матрицы получают несколько показателей.

Общая точность

Общая точность показывает долю правильно классифицированных контрольных объектов.

Формула:

Пояснение каждого элемента:

— общая точность

— сумма значений на диагонали матрицы ошибок (это случаи, где истинный класс совпал с предсказанным)

— общее число контрольных точек (или пикселей), по которым вы считали матрицу

Точность производителя и пользователя

Эти показатели помогают понять, какие классы путаются.

Точность производителя (Producer’s accuracy) для класса: какая доля объектов этого истинного класса была правильно найдена.

Точность пользователя (User’s accuracy) для класса: какая доля пикселей, отнесённых моделью к классу, действительно является этим классом.

Если объяснять без формул:

точность производителя падает, когда модель пропускает объекты класса

точность пользователя падает, когда модель подмешивает чужие объекты в класс

Как посчитать матрицу ошибок в QGIS/OTB

Один из вариантов — использовать OTB.

Ссылка:

OTB: ComputeConfusionMatrix

Общий смысл процедуры:

Иметь векторный слой контрольных точек с полем истинного класса.

Извлечь для них предсказанный класс из растра классификации.

Построить матрицу ошибок и метрики.

Типичные причины ошибок классификации

Смешанные пиксели: один пиксель содержит несколько типов поверхности (часто на границах объектов).

Несовпадение сетки и разрешения между признаками.

Облака, тени, дым не исключены из анализа.

Дисбаланс классов: одного класса много, другого мало, и модель «учится игнорировать редкий класс».

Переобучение: модель хорошо работает на обучении, но плохо на новых участках.

Практический выбор подхода

| Задача | Хороший старт | Почему | |---|---|---| | Быстро выделить воду/снег/гарь | Пороги по индексу + проверка | Быстро, объяснимо, часто работает | | Нужно 3–8 классов земного покрова | Обучаемая классификация | Пороги становятся сложными и хрупкими | | Нужно сравнивать по датам | Фиксированные признаки + строгая оценка точности | Иначе изменения могут быть эффектом условий съёмки |

Что дальше

После того как у вас есть растр индекса и растр классов, следующий шаг анализа обычно такой:

посчитать площади классов и их изменение во времени

выполнить зональную статистику по полигонам (районы, водосборы, природные зоны)

оформить результат как карту с легендой классов и описанием точности

Важная идея: классификация без оценки точности — это картинка без измеримого доверия. В рабочих проектах всегда фиксируют, как сделана выборка и какие метрики получились.

Анализ изменений и выпуск карт: сравнение дат, макеты, экспорт

В предыдущих темах вы научились находить и загружать данные, делать предобработку (CRS, клиппинг, мозаики, маски облаков), визуализировать композиты и считать индексы (NDVI, NDWI и др.), а также выполнять классификацию и оценивать точность. Теперь мы соберём это в завершённый рабочий процесс: сравнение дат, анализ изменений и выпуск карты как итогового продукта.

!Общая карта процесса от двух дат до отчётной карты и файлов

Что значит "анализ изменений" в ДЗЗ

Под изменениями обычно понимают разницу между состоянием территории в две даты (или в ряд дат). В QGIS это чаще всего делается на двух уровнях:

изменение непрерывного показателя (например, NDVI стал ниже)

изменение класса (например, пиксель перешёл из "растительность" в "голая почва")

Ключевая идея: сравнивать можно только сопоставимые данные. Всё, что вы делали в предобработке (единый CRS, одно разрешение, выравнивание сетки, маска облаков как NoData), здесь становится критичным.

Подготовка двух дат к честному сравнению

Перед любыми расчётами убедитесь, что выполнены условия сопоставимости.

Оба растра обрезаны по одной и той же AOI.

Облака и тени исключены как NoData.

CRS одинаковый.

Разрешение одинаковое.

Пиксельная сетка выровнена (пиксель к пикселю).

Практическая проверка в QGIS:

Откройте свойства обоих слоёв → Information и сравните CRS и размер пикселя.

Включите поочерёдно два слоя и проверьте визуально, что границы объектов не "двоятся".

Если сомневаетесь в выравнивании сетки, перепроецируйте один растр через GDAL → Warp (reproject), используя второй как ориентир по разрешению и охвату.

Документация QGIS по обработке через Processing:

Руководство QGIS: Processing

Сравнение индексов по двум датам

Разностная карта: самый понятный старт

Если вы уже посчитали, например, NDVI на две даты (t1 и t2), базовый продукт изменений — разность:

Пояснение элементов формулы:

— растр изменений NDVI.

— NDVI в более раннюю дату.

— NDVI в более позднюю дату.

Знак минус означает, что мы для каждого пикселя вычитаем значение t1 из значения t2.

Интерпретация результата обычно такая:

положительные значения: NDVI вырос (условно, растительность усилилась)

отрицательные значения: NDVI снизился (условно, деградация/уборка/пожар/сезонный спад)

около нуля: заметных изменений нет

Как посчитать разность в QGIS

Используйте Processing Toolbox → Raster analysis → Raster calculator.

Пример выражения:

Практические настройки:

тип выхода: Float32

NoData: убедитесь, что облака остались NoData и в выходе

Документация по алгоритму:

Руководство QGIS: Raster calculator

Пороговые зоны изменений

Разность часто переводят в категории, чтобы проще считать площади и строить легенду, например:

сильное снижение

умеренное снижение

без изменений

умеренный рост

сильный рост

Это делается либо стилем (дискретная палитра), либо созданием нового категориального растра в Raster calculator через if().

Важно: пороги нельзя брать "наугад". Их обычно подбирают по:

сезонности (сравнивайте одинаковые сезоны)

статистике значений разности (гистограмма)

визуальной проверке на контрольных участках

Сравнение классификаций: карта переходов между классами

Если у вас есть классификация для t1 и t2 (например, 1=вода, 2=растительность, 3=прочее), вы можете построить карту переходов.

Два простых продукта

карта "изменилось/не изменилось": где класс стал другим

карта направлений переходов: что во что перешло (например, растительность → прочее)

Как сделать карту "изменилось/не изменилось"

В Raster calculator логика такая: если классы равны, 0, иначе 1.

Этот слой удобно использовать как маску изменений и как быстрый показатель доли изменившейся площади.

Как закодировать переходы

Чтобы различать направления перехода, часто кодируют пару (t1, t2) в одно число:

результат = t1 * 10 + t2 (если классы однозначные и их меньше 10)

Пример:

23 означает переход 2 → 3

11 означает без изменения (1 → 1)

В Raster calculator:

Дальше вы задаёте дискретный стиль под нужные коды.

Количественные итоги: площади и статистика изменений

Карта изменений сама по себе полезна, но в отчётах почти всегда нужны числа.

Самое частое: площадь классов и площадь изменений

Логика расчёта в общем виде:

Посчитать число пикселей каждого класса (или каждого перехода).

Перевести пиксели в площадь через площадь пикселя.

Если у вас размер пикселя метров, то площадь пикселя равна (в квадратных метрах). Например, для 10 м это 100 м².

На практике удобнее получать площади через инструменты зональной статистики или через перевод растра в полигоны для небольших AOI.

Зональная статистика по полигонам

Если вам нужно сравнить изменения по административным районам, водосборам или любым зонам, используйте зональную статистику: среднее/медиана , доля изменившихся пикселей, площади по классам.

Полезные инструменты в QGIS обычно ищут по слову zonal в Processing.

Документация QGIS по растровому анализу и обработке:

Руководство QGIS: Работа с растрами

Визуальное сравнение дат в проекте

Даже когда вы делаете строгие расчёты, визуальная проверка уменьшает риск ошибок.

Полезные приёмы:

фиксируйте одинаковые диапазоны min/max и палитры для индексов на обе даты

сохраняйте стиль (QML) и применяйте к другим датам

используйте ползунок прозрачности верхнего слоя для "мигания" между датами

Если вы работаете с временным рядом, в QGIS есть поддержка времени для слоёв и панель управления временной навигацией.

Документация:

Руководство QGIS: Темпоральный контроль

Макет карты: как превратить анализ в отчётный продукт

Выпуск карты — это не украшение, а способ сделать результат читаемым, проверяемым и воспроизводимым.

Документация QGIS по макетам:

Руководство QGIS: Макеты печати

!Из чего должен состоять корректный макет итоговой карты

Минимальный набор элементов макета

заголовок, который отвечает что, где и когда (например, "Изменение NDVI, май 2022 → май 2024")

основной фрейм карты

легенда (для классов или шкалы индекса)

масштабная линейка

источник данных и метод (например, "Sentinel-2 L2A, облака исключены, ")

система координат (например, EPSG-код)

дата создания карты и автор

Частые ошибки в макетах для ДЗЗ

автоматическая растяжка на каждой дате без фиксации диапазона

легенда не объясняет пороги (например, что такое "сильное снижение")

нет указания дат снимков и источника данных

отсутствие информации о маске облаков и ограничениях (например, сезонность)

Практика: как обеспечить одинаковую легенду для серии карт

Для индекса и -карты задайте фиксированные min/max и одинаковую палитру.

Сохраните стиль слоя в QML.

Применяйте стиль к новым датам и новым AOI.

Экспорт результатов: что и в каком формате отдавать

Обычно у вас есть два типа результатов:

картографический продукт (для отчёта): PDF/PNG

аналитический продукт (для дальнейшей работы): GeoTIFF/GeoPackage

Экспорт карты из макета

В Layout доступны:

экспорт в PDF (удобно для отчётов и печати)

экспорт в PNG/JPEG (удобно для презентаций)

Практические настройки:

выбирайте достаточное разрешение для растрового экспорта (часто 300 dpi для печати)

проверяйте, что шрифты читаемы и легенда не обрезана

Экспорт растров анализа

Рекомендации по форматам:

GeoTIFF для индексов, разностей и классификаций

включайте сжатие, если файл большой (например, LZW)

для публикации и облачного использования рассмотрите Cloud Optimized GeoTIFF

Справка GDAL по COG:

GDAL: Cloud Optimized GeoTIFF

Экспорт векторов (AOI, зоны, контрольные точки)

На практике удобнее всего хранить всё в одном контейнере:

GeoPackage (один файл, много слоёв)

Документация OGC по GeoPackage:

OGC GeoPackage Standard

Чек-лист воспроизводимости перед сдачей результата

указаны источник данных, уровень продукта и даты

описаны ключевые шаги предобработки (AOI, облака, CRS, выравнивание)

стили индексов и разностей фиксированы (сохранены QML)

рассчитаны и проверены численные итоги (площади, статистика)

макет содержит легенду, масштаб, CRS, источники и ограничения

Как эта тема замыкает курс

В этом курсе вы прошли путь от снимков к анализу и карте:

загрузка и понимание данных

предобработка для сопоставимости

визуализация и индексы

классификация и оценка точности

анализ изменений и выпуск отчётных материалов

Дальше этот каркас легко расширять: добавлять временные ряды, более продвинутую классификацию, автоматизацию через модели Processing и единые шаблоны оформления под организационные стандарты.