การประมวลผลภาพดาวเทียมด้วย Google Earth Engine (GEE)
การประมวลผลภาพดาวเทียมด้วย Google Earth Engine (GEE)
เรียนรู้การกรองเมฆ การสร้าง Composite และการคำนวณดัชนีสำคัญ
ภาพถ่ายดาวเทียมเป็นแหล่งข้อมูลหลักของ Google Earth Engine (GEE) ที่ถูกนำไปใช้ในงานด้านภูมิสารสนเทศทั่วโลก อย่างไรก็ตาม ภาพที่ดาวเทียมบันทึกได้ในแต่ละครั้งไม่ได้สมบูรณ์เสมอไป อาจมีเมฆ หมอก เงาภูเขา หรือสภาพบรรยากาศที่ส่งผลต่อคุณภาพของข้อมูล ดังนั้นก่อนนำภาพไปวิเคราะห์ ผู้ใช้จำเป็นต้องผ่านกระบวนการ Image Pre-processing หรือการเตรียมข้อมูลภาพดาวเทียม เพื่อให้ผลลัพธ์มีความถูกต้องและน่าเชื่อถือ
Google Earth Engine ได้เตรียมเครื่องมือสำหรับการประมวลผลภาพดาวเทียมไว้ครบถ้วน ตั้งแต่การกรองข้อมูล การกำจัดเมฆ การรวมภาพหลายช่วงเวลา ไปจนถึงการคำนวณดัชนีต่าง ๆ ที่สะท้อนลักษณะของพื้นผิวโลก ทำให้ผู้ใช้สามารถวิเคราะห์ข้อมูลได้อย่างรวดเร็วโดยไม่ต้องพัฒนาระบบประมวลผลเอง
ทำความเข้าใจกับข้อมูลภาพดาวเทียม
ภาพดาวเทียมแต่ละภาพประกอบด้วยหลายแถบคลื่น (Spectral Bands) ซึ่งแต่ละแถบจะตอบสนองต่อคุณสมบัติของวัตถุแตกต่างกัน เช่น
-
Blue (สีน้ำเงิน)
-
Green (สีเขียว)
-
Red (สีแดง)
-
Near Infrared (NIR)
-
Shortwave Infrared (SWIR)
-
Thermal Infrared (TIR)
การนำค่าของแต่ละแถบคลื่นมาคำนวณร่วมกัน ทำให้สามารถแยกแยะป่าไม้ พื้นที่เกษตร เมือง แหล่งน้ำ หรือพื้นที่แห้งแล้งได้อย่างมีประสิทธิภาพ
การเลือกภาพดาวเทียม
ก่อนเริ่มวิเคราะห์ ควรเลือกชุดข้อมูลให้เหมาะกับวัตถุประสงค์ของงาน เช่น
-
Landsat เหมาะสำหรับการศึกษาการเปลี่ยนแปลงย้อนหลังหลายสิบปี
-
Sentinel-2 เหมาะสำหรับงานที่ต้องการความละเอียดสูง (10 เมตร)
-
Sentinel-1 เหมาะกับพื้นที่ที่มีเมฆมาก เพราะใช้เรดาร์ (SAR)
-
MODIS เหมาะกับการวิเคราะห์พื้นที่ขนาดใหญ่และข้อมูลรายวัน
การเลือกชุดข้อมูลที่เหมาะสมจะช่วยให้ผลการวิเคราะห์มีประสิทธิภาพมากขึ้น
การกรองช่วงเวลา (Temporal Filtering)
ข้อมูลภาพดาวเทียมใน GEE มีจำนวนมหาศาล การกำหนดช่วงเวลาที่สนใจด้วย filterDate() จะช่วยลดจำนวนภาพและทำให้การประมวลผลรวดเร็วขึ้น ตัวอย่างเช่น การเลือกเฉพาะภาพในฤดูแล้ง หรือภาพของปีที่ต้องการศึกษา
การเลือกพื้นที่ศึกษา (Spatial Filtering)
คำสั่ง filterBounds() ใช้สำหรับเลือกเฉพาะภาพที่ครอบคลุมพื้นที่ศึกษา เช่น จังหวัด ลุ่มน้ำ หรืออุทยานแห่งชาติ วิธีนี้ช่วยลดปริมาณข้อมูลที่ต้องประมวลผลและเพิ่มประสิทธิภาพของโค้ด
การกรองเมฆ (Cloud Masking)
เมฆเป็นปัญหาสำคัญของภาพถ่ายดาวเทียมแบบ Optical เพราะบดบังพื้นผิวโลก หากไม่กำจัดเมฆ ผลการวิเคราะห์อาจคลาดเคลื่อนอย่างมาก
Google Earth Engine รองรับการกรองเมฆหลายวิธี เช่น
-
ใช้ค่า Cloud Cover
-
ใช้ QA Band
-
ใช้ Cloud Probability
-
ใช้อัลกอริทึม Cloud Mask ของ Sentinel-2 และ Landsat
การกรองเมฆเป็นขั้นตอนที่ควรทำก่อนการวิเคราะห์ทุกครั้ง
การสร้าง Composite Image
ในหลายกรณี ภาพเพียงภาพเดียวอาจยังมีเมฆหรือคุณภาพไม่ดี จึงนิยมรวมภาพหลายช่วงเวลาเข้าด้วยกันเป็นภาพตัวแทน (Composite Image)
วิธีที่นิยม ได้แก่
-
Median Composite
-
Mean Composite
-
Mosaic
-
Percentile Composite
การสร้าง Composite ช่วยลดผลกระทบจากเมฆและทำให้ได้ภาพที่สะท้อนสภาพพื้นที่ได้ดียิ่งขึ้น
การคำนวณดัชนีจากภาพดาวเทียม
ดัชนี (Spectral Indices) คือค่าที่คำนวณจากแถบคลื่นต่าง ๆ ของภาพดาวเทียม เพื่อเน้นลักษณะเฉพาะของพื้นผิวโลก
NDVI (Normalized Difference Vegetation Index)
ใช้ประเมินความสมบูรณ์ของพืชพรรณ
-
ค่าสูง แสดงถึงพืชที่มีความเขียวและสุขภาพดี
-
ค่าต่ำ แสดงถึงพื้นที่โล่ง เมือง หรือแหล่งน้ำ
เหมาะสำหรับงานด้านเกษตรกรรม ป่าไม้ และการติดตามการเปลี่ยนแปลงของพืชพรรณ
NDWI (Normalized Difference Water Index)
ใช้ตรวจจับแหล่งน้ำ ความชื้นในพืช และการเปลี่ยนแปลงของพื้นที่น้ำ
นิยมใช้ในงานจัดการทรัพยากรน้ำ การติดตามน้ำท่วม และการศึกษาพื้นที่ชุ่มน้ำ
NDBI (Normalized Difference Built-up Index)
ใช้แยกพื้นที่เมืองและสิ่งปลูกสร้างออกจากพื้นที่ธรรมชาติ
เหมาะสำหรับการศึกษาการขยายตัวของเมือง การวางผังเมือง และการวิเคราะห์พื้นที่ชุมชน
SAVI (Soil Adjusted Vegetation Index)
พัฒนามาจาก NDVI โดยลดผลกระทบของดิน เหมาะสำหรับพื้นที่ที่มีพืชปกคลุมไม่หนาแน่น เช่น พื้นที่เกษตรในช่วงเริ่มต้นการเพาะปลูก หรือพื้นที่กึ่งแห้งแล้ง
EVI (Enhanced Vegetation Index)
เพิ่มความไวในการวิเคราะห์พืชพรรณ โดยลดผลกระทบจากบรรยากาศและความอิ่มตัวของ NDVI เหมาะสำหรับป่าเขตร้อนและพื้นที่ที่มีพืชหนาแน่น
การแสดงผลภาพ
Google Earth Engine สามารถกำหนดรูปแบบการแสดงผลได้หลากหลาย เช่น
-
True Color
-
False Color
-
Color Palette
-
Stretching ค่า Min–Max
-
Gamma Correction
การเลือกสีและช่วงค่าที่เหมาะสมช่วยให้การแปลความหมายของข้อมูลทำได้ง่ายขึ้น
การส่งออกผลลัพธ์
เมื่อประมวลผลเสร็จแล้ว สามารถส่งออกเป็น
-
GeoTIFF
-
PNG
-
CSV
-
Google Drive
-
Earth Engine Asset
-
Google Cloud Storage
เพื่อใช้ในโปรแกรม GIS หรือเผยแพร่ต่อได้
ตัวอย่างการประยุกต์ใช้งาน
การประมวลผลภาพดาวเทียมด้วย Google Earth Engine ถูกนำไปใช้ในงานจริงจำนวนมาก เช่น
-
ติดตามการเจริญเติบโตของพืช
-
วิเคราะห์พื้นที่เพาะปลูก
-
ตรวจสอบการบุกรุกป่า
-
ประเมินผลกระทบจากไฟป่า
-
ติดตามพื้นที่น้ำท่วม
-
วิเคราะห์การเปลี่ยนแปลงชายฝั่ง
-
ศึกษาการขยายตัวของเมือง
-
วิเคราะห์การเปลี่ยนแปลงของธารน้ำแข็ง
-
สำรวจทรัพยากรธรณีและเหมืองแร่
ข้อควรระวัง
แม้ Google Earth Engine จะช่วยลดขั้นตอนการประมวลผลได้มาก แต่ผู้ใช้ควรตรวจสอบคุณภาพข้อมูลทุกครั้ง โดยเฉพาะช่วงเวลาที่เลือก ระดับเมฆ ความละเอียดของภาพ และความเหมาะสมของดัชนีที่ใช้ เพราะการเลือกข้อมูลหรือวิธีประมวลผลที่ไม่เหมาะสมอาจส่งผลให้ผลการวิเคราะห์คลาดเคลื่อนได้
การประมวลผลภาพดาวเทียมเป็นรากฐานสำคัญของการใช้งาน Google Earth Engine ตั้งแต่การเลือกข้อมูล การกรองเมฆ การสร้าง Composite ไปจนถึงการคำนวณดัชนีต่าง ๆ หากผู้ใช้เข้าใจหลักการเหล่านี้อย่างถูกต้อง จะสามารถนำข้อมูลดาวเทียมไปประยุกต์ใช้ในงานด้านเกษตรกรรม ป่าไม้ ทรัพยากรน้ำ สิ่งแวดล้อม ธรณีวิทยา และการวางผังเมืองได้อย่างมีประสิทธิภาพ
.
