I förra inlägget laddade jag hem några Sentinel-2 band från i sommar och från förra året.
I detta inlägg skall jag använda dessa för att se om det går att reda ut ungefär hur mycket torrare det är i år.
Jag börjar med att läsa in mina band i två virtuella lager och stilsätta dessa genom att välja R-G-B som band 8A-11-2.
Eftersom det är viktigt vilket band som skall representera vad, så är det enklast att vara noga redan när man skapar sitt virtuella lager. Även om det är lite krångligare så brukar jag lägga till ett band åt gången och inte alla på en gång. Om det på sikt enkelt går att sortera om ordningen på lagren i den inlästa listan så går det också att använda sig av. Det viktiga är att banden kommer i den ordning jag vill ha dem senare och i det här fallet 8A-11-2.
På detta sätt så kommer QGIS automatiskt att tillämpa banden i rätt ordning för RGB.
Denna kombination av band brukar förklaras som ett ”hälsoindex” för vegetation, vilket jag likställer med ”torrhet” i det här fallet.
Redan nu är det ganska tydligt att det är skillnad mellan bilderna. Det beror inte bara på att det är olika år, utan även på grund av att bilden från 2017 är från maj och den från 2018 från juli. Nu spelar det inte så stor roll för mig eftersom jag är intresserad av förändringen just i år jämfört med förra året.
Nu skall jag villigt erkänna att jag inte riktigt vet vad jag gör. Jag är inte biolog, så jag chansar lite med beräkningarna. Jag använder helt enkelt rasterkalkylatorn och summerar skillnaden mellan banden var för sig, vilket ger ett resultat som jag däremot inte kan tolka speciellt vetenskapligt.
Hur som helst, störst skillnad är det i de mörka områdena ovan. Rött är ”negativa” skillnader och grönt ”positiva”. Skalan åstadkommer jag genom att först skapa en färgramp med en någorlunda fördelning av färger för att ”träffa” brytpunkten ”0” vid den vita färgen.
Sedan redigerar jag värdet för indelningen i klasser så att den vita färgen får det exakta värdet ”0”. På så sätt vet jag att allt som är vitt är sådant som förändrats väldigt lite. Detta stämmer inte helt då jag gör en summering av skillnader, men jag vet som sagt inte riktigt vad jag gör här.
Om jag tittar närmare på ett område med både rött och grönt så kanske det går att bli lite klokare.
En sak som är ganska tydlig är att sankmarker är betydligt ”rödare” än övrig terräng. Min gissning är att dessa naturligt är torrare (?). Det framträder även såväl röda som gröna fält där satellitbilderna visar att det är skog, vilket kan betyda att man nyligen avverkat och därmed tappat fuktighet, medan andra områden är gröna, vilket skulle kunna innebära att man bevattnat extra just denna sommar.
Laddar jag även hem band 3 och 4 så kan jag skapa ett nytt virtuell rasterlager med R-G-B banden 4-3-2 och därmed få fram en bild med naturliga färger i 10 meters upplösning. Här kan man utläsa några fler detaljer för den aktuella tidpunkten. Jag gör dock om de naturliga färgerna till gråskala baserad på ljusstyrka, vilket är en enkel valruta i lagerinställningarna. Detta gör att mina röda och gröna områden framträder lite tydligare.
Det blir ganska tydligt att de satellitbilder som jag hämtat från Bing och Google är väldigt gamla och även om Sentinel 2 bilden ovan är i betydligt lägre upplösning så är den mer korrekt när man skall göra en värdering av resultatet.
För mig är det svårt att dra några slutsatser, men den som är mer bekväm med betydelsen av olika värden i dessa satellitband kan säkert dra egna slutsatser om de förändringar som man kan få fram med beräkningar i QGIS.