Vääräväri (tai valeväri) tarkoittaa joukkoa värimenetelmiä, joita käytetään tallennettujen kuvien näyttämiseen värillisinä. Väärävärikuva on kuva, joka esittää kohteen eri väreissä kuin miltä sama kohde näyttäisi oikean värin valokuvassa. Väärävärikuvia käytetään erityisesti silloin, kun halutaan tuoda esiin informaatiota, joka ei näy paljaalla silmällä tai tosivärikuvassa.

Värillisenä otettu valokuva näyttää kuvassa olevat värit sellaisina kuin ne näkyivät filmillä tai digitaalikameran kennolla. Tällainen kuva tunnetaan nimellä tosi väri (true color). Väärävärikuvassa kuvan värit eivät vastaa sitä, mitä filmi tai sensori on tallentanut; värit on valittu korostamaan tiettyjä ominaisuuksia (esim. kasvillisuuden terveys, vesistöjen sameus, tulipalojen vaikutukset tai geologia).

Miksi käytetään väärävärikuvia?

  • Kuvioiden ja erojen korostaminen: Väärävärikuvissa tietyt pinnanpiirteet (esim. terve kasvillisuus, kuivat alueet, palaneet alueet) erottuvat selkeämmin.
  • Ei-näkyvän aallonpituuden hyödyntäminen: Infrapuna- ja lyhytaaltoiset infrapuna-alueet (NIR, SWIR) tarjoavat tietoa kasvien kunnosta, kosteudesta ja kivilajeista, jota näkyvän valon värit eivät kerro.
  • Indeksien ja analyysien visuaalinen tuki: Esimerkiksi NDVI-indeksiin liittyvät erot voidaan esittää värikkäästi ja helposti tulkittavasti.
  • Monikanavaisten (multispektristen) datojen esittäminen: Kun dataa on useammalta aallonpituudelta, RGB-kompositioilla voidaan esittää kolmella värikanavalla enemmän informaatiota kuin pelkällä tosivärillä.

Miten RGB-yhdistelmät toimivat satelliittikuvissa?

Satelliittikuvissa eri aallonpituusalueet (esim. sininen, vihreä, punainen, NIR, SWIR) sijoitetaan punaisen, vihreän ja sinisen kanavan (R, G, B) kohdalle halutun informaation korostamiseksi. Valittu yhdistelmä vaikuttaa siihen, miten eri kohteet näkyvät kuvassa.

Yleisiä RGB-yhdistelmiä (esimerkit)

  • Tosi väri (True color): R = punainen, G = vihreä, B = sininen. Esimerkiksi Landsat- ja Sentinel-kokoonpanoissa usein 4-3-2. Käytetään, kun halutaan esitys, joka muistuttaa ihmisen näkymää.
  • Vääräväri (near-infrared, NIR): R = NIR, G = punainen, B = vihreä (esim. Landsat 5-4-3 tai Sentinel 8-4-3). Terve kasvillisuus heijastaa voimakkaasti NIR-alueella ja esiintyy tällöin kirkkaanpunaisena — siksi tämä yhdistelmä on erityisen suosittu kasvillisuuden ja maatalouden seurannassa.
  • SWIR-kompositiot: Kompositiot joissa SWIR-kanavat (lyhytaaltoinen infrapuna) ovat mukana, kuten SWIR–NIR–Red (esim. 7-5-4 tai 6-5-4 Landsatissa), auttavat erottamaan kosteutta, palaneita alueita ja eri kivilajeja.
  • Geologiset ja kosteudenseurannat: Eri SWIR- ja NIR-yhdistelmät korostavat mineraaleja, savi- ja kosteuseroja sekä maaperän ominaisuuksia.

Indeksit ja pseudovärit

Monesti väärävärikuvia täydentää laskennallinen indeksi, kuten NDVI (Normalized Difference Vegetation Index), joka laskee (NIR − Red) / (NIR + Red) ja antaa numeerisen arvion kasvillisuuden määrästä ja kunnosta. Yhden kanavan arvoille (esim. lämpötila, korkeuserot tai NDVI-arvot) käytetään usein pseudovärejä eli värikarttoja (color ramps), jolloin yhdelle muuttujalle annetaan sarja värejä arvon mukaan.

Tulkinta ja varotoimet

  • Tarkista sensori ja kanavien aallonpituudet: Eri satelliittien bandinumerot ja niiden vastaavat aallonpituudet vaihtelevat (esim. Landsat, Sentinel, MODIS). Väärän bandin käyttö voi johtaa virhetulkintoihin.
  • Atmosfäärivaikutukset ja ajoitus: Pilvet, savusumu, vuodenaika ja aurinkokulma vaikuttavat tulkintaan — usein tarvitaan atmosfäärikorjaus tai vertailu eri ajankohtiin.
  • Histogrammi- ja kontrastinsäätö: Näyttöasetukset (stretch, gamma) vaikuttavat paljon siihen, mitä yksityiskohtia näkyy; vertailun vuoksi on hyvä tarkastella myös tosiväriä.
  • Maastotieto (ground truth): Väärävärikuvat antavat vihjeitä, mutta oikeiden johtopäätösten tekemiseen tarvitaan usein maastotutkimusta tai muuta lisätietoa.

Yhteenvetona: väärävärikuvat ovat tehokas tapa visualisoida monikanavaista satelliittidataa ja tuoda esiin kenties muuten huomaamattomia ilmiöitä. Oikean RGB-yhdistelmän valinta riippuu analyysin tavoitteesta — kasvillisuuden seurannasta geologiaan ja vesistöanalyysiin — ja tulkinnassa on huomioitava sensori-, ilmasto- ja näyttötekijät.