Multispektrala Bilder i QGIS

I detta inlägg tittar jag lite på hur man kan använda multispektrala bilder i QGIS, utan att behöva en massa extra programtillägg eller plugin.

För mina exempel här använder jag data från Sentinel och Copernicus projektet. Du kan själv söka efter och hämta data via https://scihub.copernicus.eu/ och det enda som krävs är att du registrerar dig som användare så du kan logga in.

Här har jag valt data från södra Frankrike, utan egentlig anledning, mer än att det var det första område jag stötte på där jag kunde hämta tämligen aktuella (ett dygn gamla) och molnfria bilder. Moln är annars något man måste vara beredd på att leva med.

Paketet jag hämtar är en dryg gigabyte, men det finns lite olika produkter att välja mellan. Dessa har lite varierande storlek och innehåll, men gemensamt för dem är att de någonstans i katalogstrukturen har rasterfiler för de ”band” som ingår.

Jag kommer bara att använda tiometersbanden 2, 3, 4 och 8 i detta inlägg, men beroende på vad du vill göra så kan andra band också användas.

Just den produkt jag hämtat har en specifik katalogstruktur där bilder med tiometersupplösning är samlade på en sökväg. Andra produkter kan ha andra sökvägar och för exempelvis Landsat så ser katalogerna helt annorlunda ut.

I bilden ovan har jag även lagt till en ”färdig” produkt, som finns i just mitt paket. Det är en ”true color” bild som är bearbetad enligt definierade metoder och direkt visuellt användbar. För att skapa en egen färgbild så används banden 2, 3 och 4.

Jag börjar med att skapa ett virtuellt raster (finns under ”övrigt” i menyn ”raster”).

Notera att lagerna läggs till i ordningen band 2, 3 och sist 4. Detta är med andra ord blått, grönt och sist rött.

• 

• 

Som standard så läggs det först inlästa bandet som den röda kanalen och det sista som den blå kanalen. Detta resulterar i rött hav och en del blå fält, men genom att ändra bandordningen och byta plats på det röda och blå bandet i lagerinställningarna så blir det mer korrekt.

I bilden ovan har jag även valt att använda min/max inställningen standardavvikelse och med kontrastjusteringen ”sträck och klipp”. Dessutom har jag valt att göra anpassningen utifrån det som för tillfället visas i kartfönstret.

Det finns massor med andra sätt att justera bilden och det finns ingen perfekt helhetslösning som passar för alla typer av bilder. Det går exempelvis att skapa helt anpassade inställningar genom att sätta min max för varje band individuellt med inställningarna under histogrammen (bilden nedan).

Nu är detta bara ett virtuellt lager men det går att exportera detta till en fil eller till en databas om man vill det.

Beroende på vad man vill ha för resultat så kan man välja att exportera ”rådata” eller den renderade bilden. Olika format blir dessutom olika bra med olika inställningar, så inte heller här kan jag ge en heltäckande rekommendation. Du får helt enkelt prova dig fram.

NDVI

För att göra beräkningar med några av dessa band så kan man använda rasterkalkylatorn, som finns i processverktygen. Jag kommer att skapa en produkt kallad NDVI, vilket kortfattat är ett beräknat ”index” för hur vegetation i ett område mår. Teorin bakom baseras på att vegetation reflekterar olika våglängder, i det här fallet rött och nära infrarött (NIR) olika beroende på klorofyllhalt och fotosyntes.

Genom att använda en formel där man kombinerar värden i dessa två våglängdsband så kan man få fram en standardiserad faktor som kan användas för att jämföra bilder från olika tidpunkter, exempelvis före och efter en anpassad insats med gödningsmedel.

(NIR – rött) / (NIR + rött)

Om värdet för NIR är noll så kommer resultatet att bli -1 och om rött är noll så blir resultatet 1. Således kommer värdet i den resulterande bilden att gå från -1 till 1.

Använd dialogen för att bygga uttrycket med parenteser och operatorer, det kan även finnas förval i QGIS för NDVI som går att använda, men kontrollera så att formeln som du skapar är korrekt. Det kan även hända att du måste välja ett lager som referens om processen inte fungerar att köra första gången.

Även här väljer jag att skapa ett tillfälligt lager, så glöm inte att exportera till fil eller databas om du vill spara resultatet senare.

Till skillnad från färgbilden tidigare så skall man inte experimentera med inställningarna för NDVI lager.

Välj enkelband pseudofärg, en färggradient från rött till grönt och ange min-värde till -1 och max-värde till 1. Genom att alltid göra så, går det att jämföra resultat från olika tidpunkter visuellt.

Nu är det nog inte så enkelt som att säga att grönt är ”bra” och rött är ”dåligt”. Det finns fler parametrar att ta hänsyn till. Men genom att jämföra bilder från olika tillfällen och dokumentera exempelvis väderlek och nederbörd, samt gödsling och bevattning, så kan man sannolikt skapa sig en bra bild av hur de egna markerna reagerar på olika åtgärder och förhållanden. Med lite erfarenhet och data i grunden så kan man säkert lära sig att förutse olika utvecklingar och sannolikt sätta in åtgärder om det verkar behövas i god tid innan det får för stora konsekvenser. Det går även att anpassa åtgärderna extremt lokalt, vilket potentiellt kan spara pengar, men även tid och miljö.

Det finns sedan mängder av andra typer av multispektrala produkter där man kombinerar spektralband på olika sätt. De allra flesta av dessa kan skapas på samma sätt som beskrivits här, utan några som helst tillägg eller plugin.