Kevään kasvuloistoa

Tällä kertaa julkaisemassamme kuvassa keskeistä oli NDVI-indeksi, itse kuvat olivat Sentinel-2A –satelliitin ottamia.

Ihan alkuun lienee paikallaan kerrata perusasioita, joita olemme käsitelleet jo aikaisemmissa artikkeleissamme. Sentinel-2 satelliitit tallentavat sähkömagneettisen säteilyn voimakkuutta useilla eri aallonpituuksilla käyttäen MSI-instrumenttiaan. Nämä aallonpituudet, bandit, ovat kuvattu kuvassa 1. Jos haluamme luoda näistä tallenteista vastaavan kuvan, jonka saisimme jos Sentinel-2 satelliitin kyydissä olisi normaalikamera, käyttäisimme bandeja 4, 3 ja 2 ja niihin tallennettuja arvoja kuvaamaan värien voimakkuutta punaisella, vihreällä ja sinisellä kanavalla (ns. RGB-kuva). Kuten muistanet vääräväriteksteistämme, voimme korvata nuo bandit joillakin muilla. Silloin saamme esiin informaatiota, jota emme normaalista kuvasta erottaisi.

Kuva 1. Klikkaa kuvaa suuremmaksi

Kaukokartoituksessa käytämme indeksiä kuvaamaan jotain laskennallista arvoa, siis sellaista tietoa joka ei ole meille suoraan saatavilla. Joudumme laskemaan sen hyödyntäen havaintoja eri aallonpituusalueilta. Näitä mahdollisuuksia (ja niiden yhdistelmiä) on todella paljon, mikä tarjoaa meille monipuoliset työkalut tietyn havaintoalueen tarkasteluun.

Tietokoneesi näytöllä näkyvät kuvat koostuvat pienistä pikseleistä. Yleensä nämä nelikulmioista koostuvat pikselit ovat niin pieniä, ettet erota niitä silmilläsi. Tämä koskee myös Sentinel-2 satelliitin kuvia. Voit kuvitella satelliitin kuvan koostuvan näistä pienistä osista, kuin tarkka ristikko olisi laskettu kuvan päälle. Kuvassa 2 voit nähdä miltä tämä näyttäisi. Tuossa kuvassa on kuvattu Vöyrin urheilukentän muodostavat pikselit. Samassa kuvassa näet myös, miten voit ajatella Sentinel-2 satelliitin tallentavan sähkömagneettista säteilyä: jokaista pikseliä kohti tallennetaan kaikkien aallonpituuksien havainnot. Tämä on yksinkertaistus ja oikeasti pikselikoko hieman vaihtelee MSI-instrumentilla. Tästä ei kannata tässä vaiheessa välittää, palaamme tähän vielä myöhemmin. Myöskään numerot eivät ole aivan tuossa muodossa tallennettuna.

Kuva 2.

Kenties yksinkertaisin tapa kuvata indeksiä esimerkillä, voisi olla lumen havainnointi. Sentinel-2 datalla voidaan yksinkertaisesti ottaa bandin 3 arvo ja jakaa se bandin 11 arvolla, jotta saamme normalisoidun lumierotusindeksin:

Jos tämä suhde on suurempi kuin 0.42 voidaan olettaa että kyseisessä kohdassa on lunta. Miksi tämä toimii? Koska erilaiset asiat heijastavat ja absorboivat eri sähkömagneettista säteilyä eri aallon pituuksilla eri tavoin, niin kuin olemme aikaisemmissa artikkeleissa keskustelleet. Tämän laskutoimituksen yhteydessä tarkastelemme bandeja 3 ja 11, joiden aallonpituudet ovat suurinpiirtein 560 nm ja 1610 nm tienoilla.

Erityisesti tarkastelemme bandin 3 arvoa. Lumi heijastaa tuolla aallonpituudella huomattavasti enemmän kuin paljas maa, kun taas bandilla 11 heijastusarvot ovat suurinpiirtein samantasoisia niin paljaalle kuin lumenkin peittämälle maalle. Jos esimerkin vuoksi laskemme tämän kuvan kaksi arvoille. Bandilla 3 arvo on 30, bandilla 11 myöskin 30. 30 jaettuna 30 on 1, joten pitäisimme todennäköisenä että alue, jonka pikseli kattaa, olisi lumen peittämä. Voimme myös tallentaa tämän tiedon jatkokäsittelyä varten ja tehdä saman laskutoimituksen sekä tallennuksen myös kaikille muillekin pikseleille, käyttäen niiden omia arvoja. Tämä on kuvattu kuvassa 3 ja esimerkkipikselimme on korostettu vihreällä.

Kuva 3.

Nyt meillä muodostuu pikseleistä uusi 6 x 6 taulukko, mitä kutsutaan matriisiksi. Kaikkia 2D kuvia voidaan kuvata matriiseilla. Jokaisessa solussa meillä on tuon lumitesti-indeksin arvo, ja jokainen solu liittyy yhteen pikseliin alkuperäisessä kuvassa. Nyt voimme myös värittää tämän kuvan näiden uusien arvojen perusteella, kuten kuvassa 4. Tässä olemme värjänneet korkeat arvot, joissa lumi on todennäköistä, vaaleilla sävyillä ja matalat arvot tummilla. Näin myös visuaalisesti voimme korostaa lumen kaltaisilla sävyillä alueita joissa se on todennäköistä.

Kuva 4.

Lopuksi voimme myös poistaa itse luvut näkyvistä, jotta kuva olisi selkeämpi. Nyt muodostunutta kuvaa voisimme kutsua vaikka termillä ”lumitodennäköisyyskuva” (kuva 5). Toki olisimme voineet valita värit aivan miten haluamme, mutta mielestämme tämä kuvaa hyvin tämän yksinkertaistetun lumi-indeksin tulosta.

Kuva 5.

Tällä viikolla Mega-lehdessä julkaistu kuva on alla (kuva 6). Tässä meillä on kaksi kuvaa eri ajankohdilta Vöyrin alueelta ja NDVI laskettu kummallekin. Prosessi jolla tähän päädyttiin on hyvin samankaltainen kun yllä kuvattu. Lumi-indeksin sijaan laskimme indeksin, joka kertoo meille vihreän kasvillisuuden määrän yhdessä pikselissä, tallensimme tuon informaation jokaiselle pikselille ja käytimme vihreitä sävyjä korostamaan eri arvoja. Tämän prosessin tuloksena ovat kuvan 6 kuvat vasemmalla ja keskellä.

Kuva 6. Klikkaa suuremmaksi.

NDVI josta puhuimme, on lyhenne sanoista Normalized Difference Vegetation Index. Aivan kuten lumi-esimerkissä, se perustuu myös heijastus- ja absorptioeroihin kahdella eri taajuusalueella. Vihreissä lehdissä on klorofyllia, joka voimakkaasti absorboi punaista valoa. Vihreiden lehtien rakenne taas heijastaa voimakkaasti lähi-infrapuna-alueen säteilyä. Tästä johtuen, voimme laskea indeksin joka saavuttaa korkeita arvoja niillä alueilla missä on paljon elävää ja hyvinvoivaa vihreää kasvillisuutta. Tarkempi kaava:

Esimerkissämme käytimme bandeja 4 (näkyvä punainen) ja bandia 8 (lähi-infrapuna-alue). Tuloksena saimme siis suuren taulukon, jossa on arvoja välillä -1.0 ja 1.0 ja jokaista pikseliä vastaa yksi indeksin arvo. Negatiiviset arvot ovat suurimmaksi osaksi vesialueita (näet ne valkoisena kuvassamme) ja arvot lähellä nollaa eivät sisällä vihreä kasvillisuutta ollenkaan. Kun arvot nousevat, elävän ja hyvinvoivan vihreän kasvillisuuden määrä kasvaa. Tämän jälkeen väritimme alueet siten, että tummat arvot kuvaavat alueita joissa NDVI arvo on korkea. Kuten kuvasta voi havaita, se vastaa oikein hyvin metsäalueita sekä niitä peltoja, joissa on jo kasvavia kasveja. Jopa Vöyrin keskustan alueella pystyt havaitsemaan suuren eron näiden kahden kuvan välillä, kun pihoissa kasvavan nurmikon määrä on kasvanut radikaalisti. Tämä kasvu on tapahtunut nopeasti, kun kuvien välillä on vain kuukausi ja viikko. NDVI on hyvin näppärä työkalu juurikin metsätalouden ja maanviljelyksen alalla.

Mutta miten tuo viimeinen kuva oikealla, joka on täynnä mustaa, punaista, keltaista ja sinistä, pitäisi sitten tulkita? Tämä viimeinen kuva on erotuskuva. Tämän kuvan laatimista havainnollistaa alla oleva kuva 7, missä prosessi on ilmaistu yksinkertaistetusti. Kuvassa 7 vasemman puoleinen ja keskimmäinen kuva vastaavat näitä laskemiamme NDVI kuvia. Näissä kuvissa kaikkia pikseleitä vastaa vain NDVI-arvo. Mitä korkeampi NDVI-indeksi, sitä tummemmaksi väritimme kuvan. Tämän jälkeen vähennämme uusimman kuvan jokaisen pikselin NDVI-arvosta vanhemman kuvan NDVI-arvon samasta pikselistä. Tästä saamme nuo erotusarvot. Tämän jälkeen vain tallennamme tulokset talteen uudeksi kuvaksi. Esimerkiksi, tuossa kuvan vasemman ylälaidan pikselille 0.9 – 0 = 0.9, ja tallennetaan uuteen kuvaan vastaus 0.9. Samalla lailla, oikeassa alakulmassa: 0.2 – 0.9 = -0.7 ja tallennetaan -0.7.

Kuva 7.

Nyt meidän pitäisi ymmärtää, mitä nämä eri arvot tarkoittavat erotuskuvassa. Nolla tai lähellä nollaa oleva arvo kertoo meille, ettei suuria muutoksia ole tapahtunut kahden kuvan välillä tuon kohdan NDVI-arvossa. Korkea arvo taas kertoo, että kuvien välissä on tapahtunut paljon vihreän kasvillisuuden kasvua. Negatiiviset arvot kertovat, että kuvien välisenä aikana vihreän kasvillisuuden määrä on vähentynyt. Valitsimme eri värit ilmentämään tätä. Käytimme punaista merkitsemään alueita, joissa vihreän kasvillisuuden kasvu on ollut voimakasta, keltaista pienemmille lisäyksille, mustaa sekä harmaata jos muutos ei ole ollut suuri, sekä viimeiseksi sinistä kuvaamaan alueita joilla vihreän kasvillisuuden määrä oli vähentynyt. Jos nyt suurennat tuota alkuräistä kuvaa ja tarkkailet samaa aluetta kaikissa kuvissa, pystyt näkemään helposti muutokset alueilla, joissa kasvu on ollut suurta tai ne pellot, joilta kevään kasvu on jo ensimmäisen kerran leikattu.