Efter att ha skapat några enkla rasterlager med olika spektralband i gårdagens inlägg, så tänkte jag försöka bli lite mera ”vetenskaplig” och försöka ta reda på vad det är jag gör. Det blir inte supernoga, och inte säkert begripligt, men jag skall försöka hänvisa till källor så gott det går.
Jag hittade faktiskt en sida med exempel på produkter baserade på Sentineldata som du kan kontrollera själv, och många av mina exempel här är hämtade därifrån.
Jag börjar med NDVI, vilket kan göras lite mera vetenskapligt än att ”bara” kombinera nära infrarött med rött i en enkel stilsättning i QGIS.
Value = (B08 – B04) / (B08 + B04)
Sentinel – NDVI (Normalized Difference Vegetation Index)
This most known and used vegetation index is a simple, but effective VI for quantifying green vegetation. It normalizes green leaf scattering in the Near Infra-red wavelength and chlorophyll absorption in the red wavelength.
Values description: The value range of an NDVI is -1 to 1. Negative values of NDVI (values approaching -1) correspond to water. Values close to zero (-0.1 to 0.1) generally correspond to barren areas of rock, sand, or snow. Low, positive values represent shrub and grassland (approximately 0.2 to 0.4), while high values indicate temperate and tropical rainforests (values approaching 1).
Så med beskrivningen ovan så skulle man kunna kategorisera terräng baserat på deras NDVI värde enligt beräkningen. För att testa detta så behöver jag göra lite rastermatte i QGIS.
Först så läser jag in band 8 och band 4 i QGIS. Sedan använder jag rasterkalkylatorn för att skapa ett nytt rasterlager baserat på dessa lager och formeln tidigare.
Jag måste säga att jag verkligen gillar rasterkalkylatorn i QGIS 3. Enkel och avancerad på samma gång.
Resultatet, om jag gör en indelning i de gränsvärden som angavs tidigare kanske inte blir extremt trovärdig:
Här är mörkt grönt tät vegetation, ljusare grönt buskage och gult skall vara ”torr” och bar mark, medan blått skall vara vatten. I bilden så finns det vatten, men det täcks inte in av skalan, så om jag struntar i gränsvärdena och gör en mer ”flytande” indelning så blir det lite bättre.
Jag gissar här att det som är mest grönt är antingen frodigt gräs eller lövskog, medan det som har dragning åt det gula är barrskog. Är det väldigt gult eller mörkare så är det torrt, utan växtlighet och när det närmar sig blått så är det blött. Några gränsfall tror jag det finns med åkrar som har dragning mot blått, där jag troligen kan justera nivåerna något, men det är som sagt inte det som är vitsen med NDVI. Denna typ av data skall ju jämföras över tid för att kunna se förändringar.
Jag testa ännu en typ av data, nämligen ”SAVI (Soil Adjusted Vegetation Index)”. Denna skapas också av band 8 och 4, men med en något justerad formel.
Value = 1.5 * (B08 – B04) / (B08 + B04 + 0.5)
Vad denna skall användas till är jag inte riktigt säker på, men den skall till del kompensera för påverkan från synliga jordar, vilket jag inte är helt säker på att den gör i det här fallet. Det som jag tolkade som barrskog med NDVI faller med SAVI inom ramen för vad som klassas som frodig vegetation med samma färgskala. Kul att testa hur som helst.
Jag gör ett ytterligare test med något som kallas MNDWI, vilket används för att detektera vatten. Formeln för detta är:
VALUE = (B03 – B11)/(B03 + B11)
Höga värden skall indikera vatten och det verkar faktiskt stämma riktigt bra här. Jag har valt en skala med blått för höga värden. Visst är det lite ”luddigt” i strandkanter, men ju mer påtagligt vattenytan är, desto tydligare är gränsen. När jag väljer en diskret färgskala och separerar värden över eller under ”0”, så blir det ännu tydligare:
Om jag granskar i detalj så är det visserligen några områden som är felklassade (ett och annat hustak), men det blir förvånansvärt bra och ett väldigt säkert sätt att hitta vattenytor som går att avbilda med dessa 10 meters pixlar.
Äh, jag tar en till. LAI-SAVI (Leaf Area Index – Soil Adjusted Vegetation Index).
Formeln är:
Value = -log(0.371 + 1.5 * (B08 – B04) / (B08 + B04 + 0.5)) / 2.4
Jag bryr mig inte ens om att försöka reda ut vad dessa värden skall användas till. Det får enbart tjäna till att beskriva att rasterkalkylatorn kan utföra ganska komplexa beräkningar.
Sa jag förresten att beräkningarna går blixtsnabbt? Inte… Jämfört med QGIS 2.18 så tycker jag att det är en väsentlig skillnad och om jag skall jämför med klassiska ”betal-GIS” så… Nä, det går inte att jämföra.
Med en eller ett par av dessa formler och rutiner för att ladda hem vissa band från https://remotepixel.ca relativt regelbundet, så skulle jag tro att man kan tillföra såväl jordbruk som skogsbruk en extra dimension för att hålla koll på gjorda investeringar.