rs101-02 หลักการทำงานของ Remote Sensing

rs101-02 หลักการทำงานของ Remote Sensing

 

หลักการทำงานของ Remote Sensing: จากพลังงานสู่ข้อมูลภาพ จากพลังงานที่มองไม่เห็น สู่ภาพดาวเทียมที่ช่วยให้เราเข้าใจโลก

เมื่อเราเปิดภาพดาวเทียมขึ้นมาหนึ่งภาพ สิ่งที่เห็นอาจดูคล้ายภาพถ่ายจากกล้องทั่วไป มีภูเขา ป่าไม้ แม่น้ำ ถนน เมือง และพื้นที่เกษตร แต่ในความเป็นจริง สิ่งที่ Sensor บันทึกไว้ในตอนแรกไม่ได้เป็น “ภาพ” แบบที่ตามนุษย์เห็น หากเป็น ค่าการตรวจวัดพลังงานแม่เหล็กไฟฟ้า (Electromagnetic Energy) ในช่วงคลื่นต่าง ๆ แล้วระบบจึงเปลี่ยนค่าที่ตรวจวัดเหล่านั้นให้เป็นข้อมูลดิจิทัล ก่อนนำมาประมวลผลและแสดงเป็นภาพที่มนุษย์สามารถมองเห็นและวิเคราะห์ได้

นี่คือแนวคิดพื้นฐานที่สุดของ Remote Sensing

Energy → Target → Sensor → Data → Processing → Information

หากเข้าใจกระบวนการนี้ เราจะเริ่มเข้าใจว่าเหตุใดป่าไม้จึงแตกต่างจากน้ำในภาพดาวเทียม เหตุใดพืชสมบูรณ์จึงสามารถตรวจพบได้จาก Near Infrared เหตุใด Radar จึงสามารถเก็บข้อมูลได้แม้เวลากลางคืน และเหตุใดการเลือก Spectral Band จึงมีความสำคัญต่อการวิเคราะห์ Remote Sensing

1. Remote Sensing เริ่มต้นจาก “พลังงาน”

การตรวจวัดระยะไกลจะเกิดขึ้นไม่ได้หากไม่มีพลังงานบางรูปแบบที่เดินทางระหว่าง Sensor กับวัตถุเป้าหมาย

สำหรับ Remote Sensing ที่ใช้ศึกษาพื้นผิวโลก พลังงานที่สำคัญมากคือ รังสีแม่เหล็กไฟฟ้า (Electromagnetic Radiation)

พลังงานแม่เหล็กไฟฟ้าสามารถเดินทางในรูปคลื่น และอธิบายด้วยคุณสมบัติสำคัญ เช่น

Wavelength (λ) — ความยาวคลื่น

Frequency (f) — ความถี่

ความสัมพันธ์พื้นฐานคือ

c = λf

โดยที่

c = ความเร็วแสง

λ = ความยาวคลื่น

f = ความถี่

เมื่อความยาวคลื่นเพิ่มขึ้น ความถี่จะลดลง และในทางกลับกัน

Remote Sensing ใช้ประโยชน์จากช่วงความยาวคลื่นหลายช่วง เพราะวัตถุแต่ละชนิดมีปฏิสัมพันธ์กับพลังงานในแต่ละช่วงแตกต่างกัน

2. Electromagnetic Spectrum

ช่วงทั้งหมดของพลังงานแม่เหล็กไฟฟ้าเรียกว่า Electromagnetic Spectrum

ประกอบด้วยตั้งแต่คลื่นที่มีความยาวคลื่นสั้นมากไปจนถึงคลื่นที่ยาวมาก เช่น

Gamma Ray → X-ray → Ultraviolet → Visible → Infrared → Microwave → Radio Wave

อย่างไรก็ตาม Remote Sensing สำหรับการสำรวจโลกไม่ได้ใช้ทุกช่วงคลื่นเท่ากัน

ช่วงที่พบในการใช้งานบ่อย ได้แก่

Visible Light

Near Infrared (NIR)

Shortwave Infrared (SWIR)

Thermal Infrared (TIR)

และ

Microwave

ความสามารถในการตรวจวัดนอกเหนือจากช่วง Visible คือเหตุผลสำคัญที่ Remote Sensing สามารถให้ข้อมูลที่มากกว่าภาพถ่ายทั่วไป

3. Visible Light คือโลกที่ตามนุษย์มองเห็น

ดวงตามนุษย์มองเห็นเพียงส่วนเล็กมากของ Electromagnetic Spectrum

เราเรียกช่วงนี้ว่า Visible Spectrum

โดยทั่วไปแบ่งเป็นสีต่าง ๆ เช่น

Blue

Green

Red

Sensor บนดาวเทียมจำนวนมากจึงมี Band สำหรับตรวจวัดช่วง Blue, Green และ Red

เมื่อนำข้อมูลทั้งสามช่วงมาแสดงในช่องสีที่ตรงกัน

Red Band → Red

Green Band → Green

Blue Band → Blue

เราจะได้ภาพที่เรียกว่า

True Color Composite

ซึ่งมีลักษณะใกล้เคียงกับสิ่งที่สายตามนุษย์เห็น

แต่ความสามารถที่แท้จริงของ Remote Sensing เริ่มชัดเจนเมื่อ Sensor สามารถตรวจวัดพลังงานนอกช่วง Visible ได้

4. Near Infrared: โลกที่ตามองไม่เห็น

หลังจากช่วง Red ไปจะเป็น Near Infrared (NIR) ซึ่งตามนุษย์มองไม่เห็น

แต่ NIR มีความสำคัญอย่างมากในการศึกษาพืชพรรณ

ใบไม้ที่สมบูรณ์โดยทั่วไปมีการสะท้อนพลังงานในช่วง Near Infrared สูง เนื่องจากโครงสร้างภายในใบ

ดังนั้น Sensor ที่มี NIR Band จึงสามารถช่วยแยกพืชพรรณออกจากพื้นผิวอื่นได้อย่างมีประสิทธิภาพ

นี่คือพื้นฐานของดัชนีที่มีชื่อเสียงอย่าง

NDVI — Normalized Difference Vegetation Index

ซึ่งใช้ข้อมูล Red และ NIR

สูตรพื้นฐานคือ

NDVI = (NIR − Red) / (NIR + Red)

จึงเห็นได้ว่า Remote Sensing สามารถนำพลังงานที่ตามองไม่เห็นมาสร้างข้อมูลเกี่ยวกับสภาพพื้นผิวโลกได้

5. Shortwave Infrared: ความชื้นและคุณสมบัติของวัสดุ

ช่วง Shortwave Infrared (SWIR) มีประโยชน์มากในการวิเคราะห์ความแตกต่างของความชื้นและวัสดุบางประเภท

ตัวอย่างการใช้งาน ได้แก่

การแยกดินกับพืช

การประเมินความชื้นของพืชและพื้นผิว

การศึกษาพื้นที่ไฟไหม้

และการวิเคราะห์ด้านธรณีวิทยาบางประเภท

ในงาน Remote Sensing ทางธรณีวิทยา SWIR มีความสำคัญเนื่องจากแร่และวัสดุบางชนิดมีลักษณะการดูดกลืนพลังงานเฉพาะช่วงคลื่น

นี่เป็นพื้นฐานของ Spectral Mineral Mapping

6. Thermal Infrared: มองโลกผ่านพลังงานความร้อน

วัตถุที่มีอุณหภูมิสูงกว่าศูนย์สัมบูรณ์สามารถแผ่พลังงานแม่เหล็กไฟฟ้าออกมา

Remote Sensing ในช่วง Thermal Infrared จึงสามารถใช้ตรวจวัดพลังงานที่พื้นผิวแผ่ออกมา และนำไปใช้ประมาณคุณสมบัติด้านอุณหภูมิภายใต้กระบวนการประมวลผลที่เหมาะสม

ตัวอย่างการประยุกต์ ได้แก่

Land Surface Temperature

Urban Heat Island

Wildfire

Volcanic Activity

และการศึกษาความแตกต่างด้านอุณหภูมิของพื้นผิว

Thermal Remote Sensing จึงไม่ได้ถามว่า

“วัตถุสะท้อนแสงอะไร?”

เพียงอย่างเดียว แต่ยังสนใจว่า

“วัตถุแผ่พลังงานออกมาอย่างไร?”

7. Microwave: พื้นฐานของ Radar Remote Sensing

ช่วง Microwave มีความยาวคลื่นมากกว่าช่วง Visible และ Infrared

ระบบ Radar เช่น Synthetic Aperture Radar (SAR) จะส่งสัญญาณ Microwave ลงไปยังพื้นผิว แล้วตรวจวัดสัญญาณที่กระเจิงกลับมายัง Sensor หรือ Backscatter

ข้อได้เปรียบสำคัญคือ Radar ไม่ต้องพึ่งแสงอาทิตย์ และคลื่น Microwave บางช่วงสามารถผ่านเมฆได้ดี

ดังนั้น Radar จึงสามารถทำงาน

กลางวัน

และ

กลางคืน

รวมทั้งมีประโยชน์อย่างมากในพื้นที่ที่มีเมฆปกคลุมบ่อย

ตัวอย่างเช่นภูมิภาคเขตร้อนและช่วงเกิดน้ำท่วมจากพายุ ซึ่งภาพ Optical อาจถูกเมฆบดบัง

8. แหล่งพลังงานมาจากไหน?

ระบบ Remote Sensing สามารถแบ่งตามแหล่งพลังงานได้เป็นสองกลุ่มสำคัญ

Passive Remote Sensing

Passive Sensor ไม่ได้ส่งพลังงานไปยังเป้าหมายเอง แต่ตรวจวัดพลังงานจากธรรมชาติ เช่น พลังงานแสงอาทิตย์ที่สะท้อนจากพื้นผิว หรือพลังงานความร้อนที่พื้นผิวแผ่ออกมา

สำหรับระบบ Optical แบบสะท้อนแสง กระบวนการอย่างง่ายคือ

Sun → Atmosphere → Surface → Sensor

ตัวอย่างที่สำคัญ ได้แก่ข้อมูลจาก

Landsat

และ

Sentinel-2

Active Remote Sensing

Active Sensor มีแหล่งพลังงานของตัวเอง

ระบบจะ

ส่งพลังงาน → กระทบเป้าหมาย → รับสัญญาณกลับ

ตัวอย่างคือ

Radar / SAR

และ

LiDAR

ดังนั้น Active Remote Sensing จึงสามารถออกแบบการตรวจวัดโดยไม่ต้องรอพลังงานจากดวงอาทิตย์ในลักษณะเดียวกับ Optical Reflective Remote Sensing

9. พลังงานต้องผ่านชั้นบรรยากาศ

ก่อนที่พลังงานจากดวงอาทิตย์จะถึงพื้นโลก และก่อนที่พลังงานสะท้อนจากพื้นโลกจะเดินทางกลับไปถึง Sensor บนดาวเทียม พลังงานต้องผ่าน Atmosphere

ชั้นบรรยากาศไม่ได้โปร่งใสต่อพลังงานทุกช่วงคลื่น

พลังงานอาจเกิด

Scattering — การกระเจิง

และ

Absorption — การดูดกลืน

ดังนั้นค่าที่ Sensor ตรวจวัดจึงไม่ได้เกิดจากพื้นผิวเป้าหมายเพียงอย่างเดียว แต่ได้รับอิทธิพลจากบรรยากาศด้วย

นี่คือเหตุผลที่การประมวลผล Remote Sensing บางประเภทต้องทำ Atmospheric Correction

เพื่อพยายามลดผลกระทบจากบรรยากาศและประมาณค่าที่สัมพันธ์กับพื้นผิวให้เหมาะสมกับการวิเคราะห์

10. Atmospheric Window คืออะไร?

บรรยากาศดูดกลืนพลังงานบางช่วงอย่างมาก ขณะที่บางช่วงสามารถผ่านได้ค่อนข้างดี

ช่วงที่พลังงานสามารถเดินทางผ่านบรรยากาศได้ดีเรียกว่า

Atmospheric Window

Sensor สำรวจโลกจำนวนมากจึงถูกออกแบบให้ตรวจวัดในช่วงคลื่นที่สอดคล้องกับ Atmospheric Window และวัตถุประสงค์ของภารกิจ

กล่าวง่าย ๆ คือ

หากบรรยากาศดูดกลืนพลังงานในช่วงหนึ่งแทบทั้งหมด Sensor ที่อยู่เหนือบรรยากาศก็อาจตรวจวัดข้อมูลพื้นผิวในช่วงนั้นได้ยาก

ดังนั้นการออกแบบ Band ของดาวเทียมจึงเกี่ยวข้องโดยตรงกับฟิสิกส์ของชั้นบรรยากาศ

11. เมื่อพลังงานตกกระทบพื้นผิวโลก

เมื่อพลังงานตกกระทบวัตถุ สามารถเกิดปฏิสัมพันธ์หลัก ๆ ได้แก่

Reflection — การสะท้อน

Absorption — การดูดกลืน

Transmission — การส่งผ่าน

ในเชิงแนวคิด พลังงานที่ตกกระทบสามารถเขียนได้ว่า

Incident Energy = Reflected + Absorbed + Transmitted Energy

สัดส่วนของทั้งสามส่วนแตกต่างกันตาม

ชนิดของวัตถุ

ความยาวคลื่น

โครงสร้างพื้นผิว

ความชื้น

และคุณสมบัติทางกายภาพหรือเคมีของวัสดุ

นี่คือหัวใจสำคัญของ Remote Sensing

12. Reflection — พลังงานที่สะท้อนกลับ

ระบบ Optical Remote Sensing จำนวนมากสนใจพลังงานที่สะท้อนกลับจากพื้นผิว

ตัวอย่างเช่น

พืช

น้ำ

ดิน

คอนกรีต

หิน

และทราย

มีรูปแบบการสะท้อนต่างกัน

Sensor จึงสามารถตรวจวัดความแตกต่างเหล่านี้และช่วยจำแนกพื้นผิว

แต่สิ่งสำคัญคือไม่ได้พิจารณาเพียงว่า

“สะท้อนมากหรือน้อย”

ต้องดูด้วยว่า

“สะท้อนมากหรือน้อยในช่วงคลื่นใด”

นี่คือจุดเริ่มต้นของแนวคิด Spectral Signature

13. Absorption — พลังงานที่ถูกดูดกลืน

วัตถุไม่ได้สะท้อนพลังงานทั้งหมด

บางช่วงคลื่นจะถูกวัสดุดูดกลืน

การดูดกลืนนี้กลับเป็นข้อมูลที่มีคุณค่ามาก เพราะวัสดุบางชนิดมี Absorption Feature เฉพาะตัว

ตัวอย่างเช่น น้ำ คลอโรฟิลล์ และแร่บางประเภทมีลักษณะการดูดกลืนในช่วงคลื่นต่างกัน

นัก Remote Sensing จึงสามารถศึกษารูปร่างของ Spectral Response เพื่อช่วยระบุหรือจำแนกวัสดุ

นี่เป็นพื้นฐานสำคัญของ

Hyperspectral Remote Sensing

และงานด้าน

Mineral Mapping

14. Transmission — พลังงานที่ผ่านวัตถุ

พลังงานบางส่วนสามารถผ่านวัตถุได้

เราเรียกว่า Transmission

ปริมาณที่ส่งผ่านขึ้นอยู่กับชนิดของวัสดุและความยาวคลื่น

ตัวอย่างเช่น น้ำมีพฤติกรรมต่อแสง Visible และ Infrared แตกต่างกัน

Near Infrared ถูกน้ำดูดกลืนค่อนข้างมาก ทำให้แหล่งน้ำมักปรากฏมืดใน NIR Imagery

คุณสมบัตินี้มีประโยชน์มากในการแยก

Water

ออกจาก

Land

15. ทำไมวัตถุแต่ละชนิดจึงมองเห็นต่างกัน?

ลองพิจารณา

Water

Vegetation

Soil

Urban Surface

แม้ทั้งหมดอยู่ภายใต้แสงอาทิตย์เดียวกัน แต่แต่ละชนิดสะท้อนและดูดกลืนพลังงานไม่เหมือนกัน

พืชสมบูรณ์ดูดกลืน Red เพื่อใช้ในกระบวนการสังเคราะห์แสงและสะท้อน NIR สูง

น้ำโดยทั่วไปสะท้อน NIR ต่ำ

ดินมีลักษณะ Spectral Response แตกต่างตามความชื้น แร่ธาตุ เนื้อดิน และองค์ประกอบอื่น

พื้นผิวเมืองมีวัสดุหลายชนิด เช่น คอนกรีต Asphalt หลังคา และโลหะ

ความแตกต่างเหล่านี้ทำให้ Sensor สามารถแยกวัตถุออกจากกันได้ในระดับหนึ่ง

16. Spectral Signature

หากเรานำค่าการสะท้อนของวัตถุในหลายช่วงคลื่นมา Plot เป็นกราฟ

แกน X = Wavelength

แกน Y = Reflectance

เราจะได้ Spectral Reflectance Curve

ลักษณะของกราฟนี้มักเรียกโดยทั่วไปว่า

Spectral Signature

ตัวอย่างเช่น Vegetation, Water และ Soil จะมีรูปแบบต่างกัน

นี่คือแนวคิดที่สำคัญมาก เพราะ Remote Sensing ไม่ได้พยายามถามเพียงว่า

“Pixel นี้สีอะไร?”

แต่กำลังถามว่า

“Pixel นี้ตอบสนองต่อพลังงานในหลายช่วงคลื่นอย่างไร?”

17. Sensor ตรวจอะไร?

Sensor ไม่ได้รู้ว่า Pixel หนึ่งคือ “ป่า” หรือ “น้ำ”

Sensor เพียงตรวจวัดพลังงานใน Band ที่ถูกออกแบบไว้

เช่น

Band 1 = Blue

Band 2 = Green

Band 3 = Red

Band 4 = NIR

ตัวเลขนี้เป็นเพียงตัวอย่างเชิงแนวคิด เพราะหมายเลข Band จริงแตกต่างกันตาม Sensor

ค่าที่ Sensor ตรวจได้จะถูกแปลงเป็นสัญญาณไฟฟ้าและข้อมูลดิจิทัล

ดังนั้นก่อนการตีความ

Sensor เห็นค่า

ไม่ใช่

Sensor เห็นความหมาย

มนุษย์หรือ Algorithm ต่างหากที่นำค่าเหล่านั้นไปตีความ

18. จากพลังงานสู่ Digital Number

Sensor ตรวจวัดพลังงานแบบต่อเนื่อง แต่ระบบดิจิทัลต้องบันทึกข้อมูลเป็นระดับตัวเลข

กระบวนการนี้เกี่ยวข้องกับ Quantization

ค่าที่บันทึกในผลิตภัณฑ์ข้อมูลระดับหนึ่งอาจเรียกว่า

Digital Number (DN)

ความสามารถในการแบ่งระดับค่าพลังงานเกี่ยวข้องกับ

Radiometric Resolution

ตัวอย่างเชิงแนวคิด

8-bit สามารถแทนค่าได้

0–255

หรือ 256 ระดับ

ส่วน 12-bit สามารถแทนได้

0–4095

หรือ 4,096 ระดับ

Radiometric Resolution ที่สูงขึ้นทำให้ Sensor สามารถแทนความแตกต่างของสัญญาณได้ละเอียดขึ้น แต่คุณภาพข้อมูลโดยรวมยังขึ้นกับปัจจัยอื่นด้วย เช่น Signal-to-noise Ratio และการ Calibration

19. DN ไม่ใช่ Reflectance เสมอไป

นี่เป็นประเด็นสำคัญสำหรับผู้เริ่มต้น

ตัวเลข Pixel ที่เปิดจากข้อมูลดิบหรือผลิตภัณฑ์บางระดับอาจไม่ใช่ค่า Reflectance โดยตรง

ข้อมูลอาจต้องผ่านกระบวนการ

Radiometric Calibration

เพื่อแปลงค่าที่บันทึกให้สัมพันธ์กับ Radiance หรือปริมาณทางกายภาพตามนิยามของผลิตภัณฑ์

และใน Optical Remote Sensing อาจมีขั้นตอนเพิ่มเติมเพื่อสร้าง

Top-of-Atmosphere Reflectance

หรือ

Surface Reflectance

ขึ้นอยู่กับชนิดของผลิตภัณฑ์และวัตถุประสงค์

ดังนั้นก่อนคำนวณดัชนีหรือเปรียบเทียบข้อมูลหลายช่วงเวลา ควรรู้ก่อนว่า

Pixel Value ที่กำลังใช้หมายถึงอะไร

20. จาก Pixel สู่ภาพ

เมื่อ Sensor ตรวจวัดพื้นที่จำนวนมาก เราจะได้ Pixel จำนวนมหาศาล

Pixel เหล่านั้นถูกจัดเป็น

Raster Grid

แต่ละ Pixel มี

Row + Column + Value

และเมื่อข้อมูลผ่านกระบวนการกำหนดตำแหน่งทางภูมิศาสตร์อย่างเหมาะสม Pixel แต่ละตำแหน่งจะสัมพันธ์กับพื้นที่บนโลก

ภาพดาวเทียมจึงเป็นมากกว่าภาพถ่าย

แต่เป็น

Georeferenced Measurement Grid

หรือชุดค่าการตรวจวัดที่มีตำแหน่งทางภูมิศาสตร์

นี่คือเหตุผลที่ข้อมูล Remote Sensing สามารถนำเข้าสู่ GIS แล้ว Overlay กับถนน แม่น้ำ เขตการปกครอง หรือข้อมูลภาคสนามได้

21. Spatial Resolution

Pixel หนึ่งครอบคลุมพื้นที่เท่าใดเป็นแนวคิดสำคัญของ Spatial Resolution

ตัวอย่างเช่น Pixel ขนาด 10 เมตร อาจแทนพื้นที่ประมาณ

10 × 10 เมตร

หากบ้านมีขนาดเล็กกว่า Pixel มาก Sensor อาจไม่สามารถแยกบ้านหลังนั้นออกจากสิ่งรอบข้างได้อย่างชัดเจน

ดังนั้น

Spatial Resolution สูงขึ้น → เห็นรายละเอียดเชิงพื้นที่มากขึ้น

แต่ไม่ได้หมายความว่าข้อมูลจะ “ดีกว่า” สำหรับทุกงาน

เพราะต้องแลกกับขนาดข้อมูล Coverage ความถี่ในการเก็บ และต้นทุนในบางระบบ

22. Spectral Resolution

Sensor ที่มี Band จำนวนมากหรือ Band แคบสามารถแยกคุณสมบัติ Spectral ได้ละเอียดขึ้น

จึงเกิดการแบ่งระบบอย่างกว้าง ๆ เช่น

Multispectral

และ

Hyperspectral

Hyperspectral Sensor สามารถมี Band แคบจำนวนมาก ทำให้ตรวจรายละเอียดของ Spectral Feature ได้มากขึ้น และมีประโยชน์กับงาน เช่น

Mineral Mapping

Vegetation Analysis

และ Material Identification

อย่างไรก็ตาม ข้อมูลที่ละเอียดขึ้นหมายถึง Data Volume และความซับซ้อนในการวิเคราะห์ที่เพิ่มขึ้นด้วย

23. Temporal Resolution

ดาวเทียมไม่ได้มองพื้นที่เดิมตลอดเวลาเสมอไป

ช่วงเวลาที่ระบบกลับมาสังเกตพื้นที่เดิมหรือความถี่ในการได้ข้อมูลพื้นที่หนึ่งเกี่ยวข้องกับ Temporal Resolution / Revisit Characteristics

งานบางประเภท เช่น Geological Mapping อาจไม่ได้ต้องการข้อมูลรายวัน

แต่งาน

Flood

Wildfire

Agriculture Monitoring

อาจต้องการข้อมูลบ่อยมาก

ดังนั้น Sensor ที่มี Spatial Resolution ต่ำกว่าเล็กน้อยแต่มีความถี่สูง อาจเหมาะกับงานบางประเภทมากกว่า

24. จากข้อมูลดิบสู่ภาพที่พร้อมใช้งาน

ข้อมูลที่ Sensor ตรวจวัดได้มักต้องผ่านหลายขั้นตอนก่อนใช้งาน

ตัวอย่าง Workflow แบบง่ายคือ

Raw Sensor Data

↓

Radiometric Calibration

↓

Geometric Processing

↓

Atmospheric Correction เมื่อเหมาะสม

↓

Georeferenced / Analysis-ready Product

↓

Image Analysis

↓

Information

ผลิตภัณฑ์ดาวเทียมแต่ละแหล่งอาจมี Processing Level แตกต่างกัน ผู้ใช้จึงควรอ่าน Metadata และ Product Documentation ก่อนใช้งานเสมอ

25. Geometric Correction

หากภาพไม่มีตำแหน่งที่ถูกต้อง การนำไป Overlay กับ GIS จะเกิดปัญหา

จึงต้องมีการประมวลผลเชิงเรขาคณิตเพื่อให้ข้อมูลสัมพันธ์กับตำแหน่งบนพื้นโลก

ปัจจัยที่อาจมีผลต่อ Geometry ของภาพ ได้แก่

การเคลื่อนที่ของ Platform

มุมมองของ Sensor

รูปร่างและการหมุนของโลก

และภูมิประเทศ

ผลิตภัณฑ์สมัยใหม่จำนวนมากมีการประมวลผลด้าน Geometry มาแล้วในระดับหนึ่ง แต่ผู้ใช้ยังควรตรวจสอบความเหมาะสมกับงาน โดยเฉพาะงานที่ต้องการความแม่นยำเชิงตำแหน่งสูง

26. Atmospheric Correction

สำหรับ Optical Remote Sensing พลังงานที่ Sensor ตรวจได้มีอิทธิพลจากชั้นบรรยากาศ

หากต้องการเปรียบเทียบคุณสมบัติพื้นผิวอย่างจริงจัง โดยเฉพาะการวิเคราะห์หลายช่วงเวลา อาจต้องใช้ข้อมูลที่ผ่าน Atmospheric Correction

เป้าหมายคือประมาณค่าที่สะท้อนคุณสมบัติของพื้นผิวให้มากขึ้นและลดอิทธิพลจาก Atmosphere ตามวิธีการของผลิตภัณฑ์หรือแบบจำลองที่ใช้

จึงเกิดผลิตภัณฑ์อย่าง

Surface Reflectance

ซึ่งนิยมใช้ในการวิเคราะห์ Land Cover, Vegetation และ Change Detection หลายประเภท

27. Image Enhancement

หลังจากข้อมูลได้รับการเตรียมแล้ว เราสามารถปรับการแสดงผลเพื่อให้มนุษย์มองเห็นรายละเอียดบางอย่างง่ายขึ้น

เช่น

Contrast Stretching

Band Combination

False Color Composite

Filtering

อย่างไรก็ตาม Image Enhancement เปลี่ยนวิธีที่เรา “มอง” ข้อมูล ไม่ได้หมายความว่าจะสร้างข้อมูลทางกายภาพใหม่ขึ้นมา

ผู้ใช้จึงต้องแยกให้ออกระหว่าง

Visualization

กับ

Quantitative Analysis

28. จาก Band สู่ Information

ข้อมูล Band แต่ละช่วงสามารถนำมารวมกันเพื่อสร้างข้อมูลใหม่

ตัวอย่างที่มีชื่อเสียงคือ

NDVI

จาก Red และ NIR

หรือ

NDWI

ซึ่งมีหลายสูตรตามวัตถุประสงค์และ Band ที่ใช้ สำหรับการศึกษาน้ำหรือความชื้น

ข้อมูลเหล่านี้เรียกว่า

Spectral Indices

หลักคิดคือเลือก Band ที่วัตถุเป้าหมายมีการตอบสนองแตกต่างกัน แล้วนำมาคำนวณเพื่อขยายความแตกต่างให้เห็นชัดขึ้น

นี่คือการเปลี่ยน

Raw Measurements

ให้เป็น

Derived Information

29. จาก Image สู่ Classification

เมื่อ Pixel มีค่าหลาย Band เราสามารถใช้ Pattern เหล่านั้นเพื่อจำแนกประเภทพื้นผิว

เช่น

Water

Forest

Agriculture

Urban

Bare Soil

กระบวนการเรียกว่า

Image Classification

ในอดีตอาจใช้วิธีทางสถิติ เช่น Maximum Likelihood

ปัจจุบันสามารถใช้

Random Forest

Support Vector Machine

Deep Learning

และเทคนิคอื่น

นี่คือจุดที่ Remote Sensing เริ่มเชื่อมกับ Machine Learning และ GeoAI อย่างชัดเจน

30. Sensor ไม่ได้บอก “ความจริง” โดยตรง

ประเด็นนี้สำคัญมาก

Sensor ตรวจวัดพลังงาน

Algorithm ประมวลผล

มนุษย์ตีความ

ดังนั้นภาพดาวเทียมไม่ใช่ความจริงทั้งหมดของโลก แต่เป็น

Measurement of Reality through a Sensor System

ข้อมูลขึ้นอยู่กับ

Wavelength

Resolution

Viewing Geometry

Atmosphere

Sensor Characteristics

Processing

และ Interpretation

การใช้ Remote Sensing อย่างมืออาชีพจึงต้องเข้าใจว่า

สิ่งที่เราเห็นคือข้อมูลที่ผ่านระบบการตรวจวัด

ไม่ใช่การมองโลกโดยไม่มีข้อจำกัด

31. Ground Truth ยังจำเป็น

หาก Algorithm บอกว่า Pixel นี้เป็น Forest เราต้องมีข้อมูลอ้างอิงเพื่อประเมินว่าถูกต้องหรือไม่

ข้อมูลนี้อาจมาจาก

Field Survey

High-resolution Imagery

Reference Map

หรือแหล่งข้อมูลที่เชื่อถือได้อื่น

เราเรียกข้อมูลอ้างอิงภาคสนามในบริบทหนึ่งว่า Ground Truth / Ground Reference Data

การตรวจสอบนี้สำคัญต่อ

Classification Accuracy

Model Validation

และ

Scientific Reliability

Remote Sensing ที่ดีจึงเป็นการทำงานร่วมกันระหว่าง

Sensor + Processing + Analysis + Field Knowledge

32. ตัวอย่างง่าย: จากแสงอาทิตย์สู่แผนที่ป่า

ลองนำทุกขั้นตอนมาต่อกัน

1. Sun

ปล่อยพลังงาน

↓

2. Atmosphere

พลังงานเดินทางผ่านบรรยากาศ

↓

3. Forest

พลังงานตกกระทบใบไม้

↓

4. Interaction

เกิด Reflection + Absorption + Transmission

↓

5. Satellite Sensor

ตรวจวัด Red และ NIR

↓

6. Digital Data

บันทึกเป็นค่าตัวเลข

↓

7. Processing

Calibration และการเตรียมข้อมูลตามผลิตภัณฑ์

↓

8. NDVI / Classification

วิเคราะห์พืชพรรณ

↓

9. GIS

สร้างแผนที่พื้นที่ป่า

↓

10. Decision

ใช้ติดตามการเปลี่ยนแปลง

นี่คือ Remote Sensing ตั้งแต่ฟิสิกส์จนถึงการตัดสินใจ

33. ตัวอย่างน้ำท่วมด้วย Radar

อีกตัวอย่างหนึ่งคือ Radar

Radar Sensor

↓

ส่ง Microwave

↓

Earth Surface

↓

เกิด Backscatter

↓

Sensor รับสัญญาณกลับ

↓

SAR Image

↓

วิเคราะห์ลักษณะการกระเจิงของพื้นผิว

↓

Flood Mapping

น้ำผิวเรียบบางสภาวะอาจมี Backscatter ต่ำและปรากฏมืดในภาพ SAR แต่การตีความต้องระวัง เพราะพื้นผิวอื่นก็สามารถมีสัญญาณต่ำได้

ดังนั้นการทำ Flood Mapping ที่ดีควรใช้ข้อมูลก่อนและหลังเหตุการณ์ รวมกับ DEM, Land Cover หรือข้อมูลอ้างอิงอื่นตามความเหมาะสม

34. ทำไมต้องเรียนฟิสิกส์พื้นฐานก่อนใช้ Software?

ปัจจุบัน Software ทำให้การคำนวณ Remote Sensing ง่ายมาก

เพียงไม่กี่ Click ก็สร้าง NDVI ได้

แต่หากไม่เข้าใจว่า Red และ NIR หมายถึงอะไร เราอาจสร้างแผนที่ได้โดยไม่เข้าใจผลลัพธ์

เช่นเดียวกับ False Color

หากไม่รู้ว่า Band ใดถูกนำไปแสดงเป็นสีอะไร การตีความสีอาจผิดได้ง่าย

ดังนั้น Remote Sensing ไม่ควรเรียนเพียง

“กดปุ่มไหน”

แต่ต้องเรียน

“ทำไมต้องกดปุ่มนั้น”

นี่คือเหตุผลที่ Electromagnetic Spectrum และ Energy Interaction เป็นพื้นฐานสำคัญที่สุดของศาสตร์นี้

35. Remote Sensing คือระบบ ไม่ใช่เพียง Sensor

เมื่อมองภาพรวม เราจะเห็นว่า Remote Sensing ประกอบด้วยระบบทั้งหมด

Energy Source

↓

Atmosphere

↓

Target Interaction

↓

Sensor

↓

Platform

↓

Data Transmission

↓

Processing

↓

Analysis

↓

Validation

↓

Application

หากขั้นตอนใดมีปัญหา ผลลัพธ์ปลายทางก็อาจได้รับผลกระทบ

ดังนั้นการเข้าใจ Remote Sensing ต้องมองตั้งแต่ต้นทางของพลังงานจนถึงปลายทางของการใช้ข้อมูล

จาก Energy สู่ Information และ Decision

เราสามารถสรุปวิวัฒนาการของข้อมูลได้ว่า

Energy

พลังงานแม่เหล็กไฟฟ้า

↓

Signal

Sensor ตรวจวัด

↓

Digital Data

เปลี่ยนเป็นตัวเลข

↓

Image

จัดเป็นข้อมูล Raster

↓

Information

ประมวลผลและวิเคราะห์

↓

Knowledge

ผู้เชี่ยวชาญตีความ

↓

Decision

นำไปใช้งาน

นี่คือคุณค่าที่แท้จริงของ Remote Sensing

ดาวเทียมไม่ได้มีประโยชน์เพียงเพราะสามารถถ่ายภาพโลกได้ แต่มีประโยชน์เพราะข้อมูลที่ตรวจวัดสามารถเปลี่ยนเป็นความรู้สำหรับจัดการปัญหาในโลกจริง

สรุป RS101-02

หัวใจของ Remote Sensing เริ่มต้นจาก พลังงานแม่เหล็กไฟฟ้า

พลังงานจากแหล่งกำเนิดเดินทางผ่านบรรยากาศไปยังเป้าหมาย เมื่อกระทบพื้นผิวจะเกิด

Reflection + Absorption + Transmission

วัตถุแต่ละชนิดตอบสนองต่อพลังงานในแต่ละ Wavelength แตกต่างกัน จึงเกิดลักษณะทาง Spectral ที่สามารถนำมาใช้แยก

Water + Vegetation + Soil + Rock + Urban Surface

Sensor ตรวจวัดพลังงานเหล่านั้นใน Spectral Bands ต่าง ๆ แล้วเปลี่ยนเป็นข้อมูลดิจิทัล จากนั้นข้อมูลผ่านกระบวนการประมวลผล วิเคราะห์ และตีความจนกลายเป็นสารสนเทศ

Workflow ที่ควรจำจากบทนี้คือ

Energy Source → Atmosphere → Target → Interaction → Sensor → Digital Data → Processing → Image → Analysis → Information → Decision

หากเข้าใจเส้นทางนี้ เราจะเข้าใจพื้นฐานของ Remote Sensing แทบทั้งหมด เพราะไม่ว่าจะเป็น Optical, Thermal, Radar, Multispectral หรือ Hyperspectral หลักการสำคัญยังคงเกี่ยวข้องกับคำถามเดียวกันว่า

“พลังงานมีปฏิสัมพันธ์กับวัตถุอย่างไร และ Sensor ตรวจวัดความแตกต่างนั้นได้อย่างไร?”

#RS101 #RemoteSensing #การรับรู้ระยะไกล #ElectromagneticSpectrum #ElectromagneticRadiation #EarthObservation #SatelliteImagery #GIS #Geoinformatics #SpatialData #Satellite #Landsat #Sentinel #OpticalRemoteSensing #Radar #SAR #SpectralSignature #ImageProcessing #GeoAI #SmartMapping

.