rs101-03 คลื่นแม่เหล็กไฟฟ้า (Electromagnetic Spectrum) หัวใจของ Remote Sensing

rs101-03 คลื่นแม่เหล็กไฟฟ้า (Electromagnetic Spectrum) หัวใจของ Remote Sensing

 

คลื่นแม่เหล็กไฟฟ้า (Electromagnetic Spectrum) หัวใจของ Remote Sensing เพราะ Remote Sensing ไม่ได้มองโลกด้วย “สี” เพียงอย่างเดียว แต่รับรู้โลกผ่านพลังงานในหลายช่วงคลื่น

หนึ่งในแนวคิดที่สำคัญที่สุดของการรับรู้ระยะไกล (Remote Sensing) คือ คลื่นแม่เหล็กไฟฟ้า (Electromagnetic Radiation) เพราะ Sensor บนดาวเทียม เครื่องบิน หรือโดรนไม่ได้รับรู้วัตถุในแบบเดียวกับสายตามนุษย์ แต่ตรวจวัดพลังงานที่วัตถุสะท้อน ดูดกลืน แผ่ออก หรือกระเจิงกลับมาในช่วงความยาวคลื่นต่าง ๆ

หากเราเข้าใจ Electromagnetic Spectrum เราจะเริ่มตอบคำถามได้ว่า ทำไมพืชพรรณจึงมองเห็นเด่นชัดใน Near Infrared ทำไมน้ำจึงมืดในบาง Band เหตุใด Thermal Infrared จึงใช้ศึกษาความร้อน และทำไม Radar จึงสามารถทำงานผ่านเมฆได้ดีกว่าภาพ Optical ในหลายสถานการณ์

ดังนั้น Electromagnetic Spectrum จึงเปรียบเสมือน “ภาษาของ Remote Sensing” เพราะข้อมูลทุก Pixel ที่เราเห็นในภาพดาวเทียม ล้วนมีต้นกำเนิดจากการตรวจวัดพลังงานในช่วงคลื่นบางช่วงของสเปกตรัมแม่เหล็กไฟฟ้า

คลื่นแม่เหล็กไฟฟ้าคืออะไร

คลื่นแม่เหล็กไฟฟ้าเป็นรูปแบบหนึ่งของพลังงานที่สามารถเดินทางผ่านอวกาศได้ ประกอบด้วยสนามไฟฟ้าและสนามแม่เหล็กที่สั่นตั้งฉากกันและเคลื่อนที่ไปข้างหน้า

คลื่นแม่เหล็กไฟฟ้ามีคุณสมบัติพื้นฐานสองอย่างที่ควรรู้ ได้แก่

Wavelength (λ) — ความยาวคลื่น

และ

Frequency (f) — ความถี่

ความสัมพันธ์พื้นฐานคือ

c = λf

โดยที่

c คือความเร็วแสง

λ คือความยาวคลื่น

f คือความถี่

เมื่อความยาวคลื่นมากขึ้น ความถี่จะลดลง และเมื่อความยาวคลื่นสั้นลง ความถี่จะเพิ่มขึ้น

หลักการนี้ทำให้ Electromagnetic Spectrum สามารถจัดเรียงพลังงานตั้งแต่ช่วงคลื่นสั้นมากไปจนถึงช่วงคลื่นยาวมากได้

Electromagnetic Spectrum มีอะไรบ้าง

Electromagnetic Spectrum ประกอบด้วยช่วงคลื่นต่าง ๆ เช่น

Gamma Ray

X-ray

Ultraviolet

Visible Light

Infrared

Microwave

และ

Radio Wave

แต่สำหรับงาน Remote Sensing ที่ใช้ศึกษาพื้นผิวโลก เรามักสนใจช่วงสำคัญ ได้แก่

Visible

Near Infrared (NIR)

Shortwave Infrared (SWIR)

Thermal Infrared (TIR)

และ

Microwave

แต่ละช่วงคลื่นมีคุณสมบัติแตกต่างกัน และสามารถให้ข้อมูลเกี่ยวกับพื้นผิวโลกในคนละมิติ

Visible Light: ช่วงคลื่นที่สายตามนุษย์มองเห็น

ช่วง Visible Light โดยทั่วไปอยู่ประมาณ 400–700 นาโนเมตร

แบ่งออกได้เป็นสีหลัก เช่น

Blue

Green

Red

นี่คือช่วงคลื่นที่มนุษย์คุ้นเคยมากที่สุด เพราะเป็นช่วงที่ตาของเราสามารถรับรู้ได้

Sensor บนดาวเทียมจำนวนมากมี Band ในช่วง Blue, Green และ Red เพื่อสร้างภาพแบบ True Color

กระบวนการคือ

Red Band → Red

Green Band → Green

Blue Band → Blue

ทำให้ภาพที่ได้มีสีใกล้เคียงสิ่งที่ตามนุษย์มองเห็น

แต่ Remote Sensing จะมีประโยชน์มากขึ้นเมื่อ Sensor สามารถมองออกไปนอกช่วง Visible

Blue Band มองเห็นอะไร

Blue Band มีความยาวคลื่นสั้นกว่าสีอื่นใน Visible Spectrum

มักใช้ช่วยวิเคราะห์

• น้ำตื้นในบางกรณี

• Coastal Water

• Atmospheric Scattering

• Haze

• ลักษณะพื้นผิวบางประเภท

อย่างไรก็ตาม Blue Light กระเจิงในชั้นบรรยากาศได้มาก จึงได้รับผลจาก Haze และ Atmosphere ค่อนข้างสูง

นี่เป็นเหตุผลที่ภาพบางประเภทต้องผ่าน Atmospheric Correction ก่อนนำไปวิเคราะห์เชิงปริมาณ

Green Band มองเห็นอะไร

Green Band คือช่วงที่พืชสะท้อนพลังงานบางส่วนกลับมา ทำให้พืชมีสีเขียวในสายตามนุษย์

Green Band สามารถนำไปใช้ในงาน เช่น

• Vegetation Analysis

• Water Detection

• Water Indices บางชนิด

• True Color Visualization

ดัชนีอย่าง NDWI ในสูตรที่นิยมรูปแบบหนึ่งใช้ Green และ Near Infrared เพื่อช่วยแยกแหล่งน้ำ

Red Band สำคัญอย่างไร

Red Band มีบทบาทมากกับการศึกษาพืชพรรณ เพราะ Chlorophyll ในใบพืชดูดกลืนพลังงานช่วง Red สูงเพื่อใช้ในกระบวนการสังเคราะห์แสง

พืชที่สมบูรณ์จึงมักสะท้อน Red ต่ำเมื่อเทียบกับ Near Infrared

ความแตกต่างนี้ถูกนำมาใช้ในดัชนีที่รู้จักกันดีที่สุดของ Remote Sensing คือ

NDVI

สูตรคือ

NDVI = (NIR − Red) / (NIR + Red)

Red จึงเป็น Band ที่สำคัญมากสำหรับงานด้าน

Vegetation

Agriculture

Forestry

และ

Environmental Monitoring

Near Infrared (NIR): ช่วงคลื่นสำคัญของพืชพรรณ

Near Infrared หรือ NIR อยู่ถัดจากช่วง Visible Red ออกไป โดยทั่วไปประมาณ 0.7–1.3 ไมโครเมตร ในการอธิบายพื้นฐาน

สายตามนุษย์มองไม่เห็น NIR แต่พืชที่สมบูรณ์มักสะท้อน NIR สูง เนื่องจากโครงสร้างภายในใบ

คุณสมบัตินี้ทำให้ NIR มีประโยชน์มากในการ

• แยกพืชออกจากพื้นผิวอื่น

• ประเมินความสมบูรณ์ของพืช

• วิเคราะห์พื้นที่เกษตร

• ตรวจสอบป่าไม้

• ช่วยแยกน้ำออกจากพื้นดิน

ในภาพ False Color ที่นำ NIR ไปแสดงเป็นสีแดง พืชพรรณที่สมบูรณ์มักปรากฏเป็นสีแดงสด

นี่คือเหตุผลที่ False Color Composite ถูกใช้ในงาน Remote Sensing มายาวนาน

Red Edge: พื้นที่เปลี่ยนผ่านสำคัญของพืช

ระหว่าง Red กับ Near Infrared มีช่วงที่ Reflectance ของพืชเพิ่มขึ้นอย่างรวดเร็ว เรียกว่า Red Edge

Red Edge มีความไวต่อสภาพทางชีวฟิสิกส์ของพืช และถูกใช้ใน Sensor บางชนิด เช่น Sentinel-2 ซึ่งมี Band เฉพาะบริเวณ Red Edge

ข้อมูลเหล่านี้มีประโยชน์สำหรับ

• Crop Monitoring

• Chlorophyll Estimation

• Vegetation Stress

• Precision Agriculture

Red Edge จึงเป็นตัวอย่างที่ดีว่าการมี Spectral Band เพิ่มขึ้นสามารถช่วยให้เราเห็นรายละเอียดที่ True Color ไม่สามารถบอกได้

Shortwave Infrared (SWIR)

Shortwave Infrared หรือ SWIR อยู่ถัดจาก NIR ไปยังช่วงความยาวคลื่นที่ยาวขึ้น โดยทั่วไปในการใช้งาน Remote Sensing มักครอบคลุมประมาณ 1.3–3 ไมโครเมตร แต่ช่วงที่ Sensor ใช้งานจริงจะแบ่งเป็น Band ตามการออกแบบของแต่ละระบบ

SWIR มีความไวต่อความชื้นของพื้นผิวและพืช และมีประโยชน์กับการจำแนกวัสดุบางประเภท

การประยุกต์ใช้งาน เช่น

• Soil Moisture

• Vegetation Moisture

• Burned Area

• Geological Mapping

• Mineral and Alteration Mapping

• Snow / Cloud Discrimination ในบางบริบท

SWIR มีบทบาทสำคัญมากใน Remote Sensing ทางธรณีวิทยา เพราะแร่บางประเภทมี Absorption Features ที่น่าสนใจในช่วงนี้

SWIR กับไฟป่า

พื้นที่ที่ถูกไฟไหม้มักมีคุณสมบัติทาง Spectral แตกต่างจากพืชที่ยังสมบูรณ์

ดัชนีที่นิยมใช้คือ

Normalized Burn Ratio (NBR)

โดยใช้ NIR และ SWIR

แนวคิดคือพืชสมบูรณ์มี NIR สูง ส่วนพื้นที่ถูกไฟไหม้มักมีการเปลี่ยนแปลงของ SWIR และ NIR อย่างเด่นชัด

จึงสามารถใช้เปรียบเทียบภาพ

Before Fire → After Fire

เพื่อช่วยประเมิน Burn Severity

Thermal Infrared: โลกในมุมของความร้อน

Thermal Infrared หรือ TIR แตกต่างจาก Visible, NIR และ SWIR ในประเด็นสำคัญ คือ Sensor Thermal สนใจพลังงานที่พื้นผิวโลก แผ่ออกมา

ไม่ใช่เพียงพลังงานแสงอาทิตย์ที่สะท้อนกลับ

พื้นผิวที่มีอุณหภูมิและคุณสมบัติการแผ่รังสีแตกต่างกันจะให้สัญญาณ Thermal แตกต่างกัน

ข้อมูล Thermal สามารถใช้ในการศึกษา

• Land Surface Temperature

• Urban Heat Island

• Wildfire

• Volcanic Activity

• Surface Thermal Pattern

• Water Temperature ในบางกรณี

เมื่อเราดู Thermal Image จึงไม่ได้กำลังดู “สีจริง” ของพื้นที่ แต่ดูการแสดงค่าพลังงานความร้อนที่ Sensor ตรวจวัด

Land Surface Temperature ไม่เท่ากับอุณหภูมิอากาศ

ข้อควรระวังที่สำคัญคือ Land Surface Temperature (LST) ไม่ใช่ Air Temperature โดยตรง

LST คืออุณหภูมิของพื้นผิว เช่น หลังคา ถนน ดิน หรือพืชพรรณ

ขณะที่อุณหภูมิอากาศวัดจากอากาศในเงื่อนไขมาตรฐานของสถานีอุตุนิยมวิทยา

ดังนั้นพื้นที่ Asphalt อาจมี LST สูงมากในช่วงกลางวัน แม้อุณหภูมิอากาศไม่ได้สูงในระดับเดียวกัน

การแปลความหมาย Thermal Remote Sensing จึงต้องเข้าใจความแตกต่างนี้อย่างชัดเจน

Microwave: เมื่อ Remote Sensing ไม่ต้องพึ่งแสงอาทิตย์

Microwave มีความยาวคลื่นยาวกว่า Infrared มาก

ระบบ Radar เช่น Synthetic Aperture Radar (SAR) ใช้ Microwave เป็นพลังงานหลัก

Radar เป็น Active Remote Sensing

หลักการคือ

Sensor ส่ง Microwave → พลังงานกระทบพื้นผิว → เกิด Backscatter → Sensor รับสัญญาณกลับ

ข้อดีสำคัญคือ

• ทำงานได้ทั้งกลางวันและกลางคืน

• ไม่ต้องพึ่งแสงอาทิตย์

• Microwave บางช่วงสามารถผ่านเมฆได้ดี

• สามารถตอบสนองต่อ Roughness, Moisture และ Geometry ของพื้นผิว

จึงมีประโยชน์มากกับงาน

Flood Mapping

Forest Structure

Soil Moisture

Sea Ice

Ground Deformation

และการศึกษาพื้นผิวอีกหลายประเภท

Radar ไม่ได้มองเหมือน Optical

นี่เป็นสิ่งที่ผู้เริ่มต้นต้องเข้าใจ

Optical Sensor ตรวจวัดพลังงานสะท้อนในช่วง Visible / Infrared

Radar ตรวจวัด Backscatter ของ Microwave

ดังนั้นภาพ Radar ไม่ควรถูกตีความเหมือนภาพถ่ายธรรมดา

พื้นที่ที่มืดใน Radar ไม่ได้หมายความว่าเป็น “สีดำจริง”

แต่หมายถึงสัญญาณที่กลับมายัง Sensor ต่ำในเงื่อนไขการตรวจวัดนั้น

ตัวอย่างเช่น พื้นผิวน้ำที่เรียบมักสะท้อน Microwave ออกไปด้านอื่น ทำให้ Backscatter กลับมายัง Sensor ต่ำและอาจปรากฏมืด

ทำไม Radar จึงเหมาะกับน้ำท่วม

เมื่อเกิดน้ำท่วม มักมีเมฆและฝน ซึ่งเป็นปัญหาสำหรับ Optical Satellite

SAR จึงมีประโยชน์ เพราะสามารถเก็บข้อมูลได้แม้ในช่วงที่เมฆปกคลุม

Workflow สามารถเป็น

SAR Before Flood

SAR During Flood

↓

Change Detection

↓

Flood Extent

แต่ต้องระวังว่าพื้นผิวเรียบอื่น เช่น ถนนหรือสนามบินบางชนิด ก็อาจให้ Backscatter ต่ำเช่นกัน

จึงควรใช้ DEM, Land Cover และข้อมูลอ้างอิงร่วมในการตีความ

Atmospheric Window: ทำไม Sensor ไม่ใช้ทุกช่วงคลื่น

ชั้นบรรยากาศดูดกลืนพลังงานบางช่วงมาก ทำให้ Sensor ที่อยู่บนดาวเทียมไม่สามารถมองเห็นพื้นผิวได้ดีในทุก Wavelength

ช่วงที่พลังงานสามารถผ่านบรรยากาศได้ดีเรียกว่า

Atmospheric Window

Sensor Earth Observation จึงมักถูกออกแบบให้ใช้ Band ในช่วงที่

1. บรรยากาศยอมให้พลังงานผ่านได้พอสมควร

2. วัตถุเป้าหมายมี Spectral Feature ที่มีประโยชน์

การออกแบบ Satellite Band จึงไม่ใช่การเลือกช่วงคลื่นแบบสุ่ม แต่เชื่อมโยงกับฟิสิกส์ของ Atmosphere และเป้าหมายทางวิทยาศาสตร์ของภารกิจ

การกระเจิงของแสงในบรรยากาศ

เมื่อพลังงานเดินทางผ่านบรรยากาศ อนุภาคและโมเลกุลสามารถทำให้เกิด Scattering

ตัวอย่างหนึ่งคือ Rayleigh Scattering ซึ่งมีผลต่อความยาวคลื่นสั้นมากกว่า ทำให้ Blue Light กระเจิงมากกว่า Red

นี่เป็นหนึ่งในเหตุผลที่ท้องฟ้ามองเห็นเป็นสีฟ้า

ใน Remote Sensing การกระเจิงทำให้ค่าที่ Sensor ตรวจได้มีองค์ประกอบจาก Atmosphere เพิ่มเข้ามา

ดังนั้น Atmospheric Correction จึงมีความสำคัญสำหรับงานเชิงปริมาณบางประเภท

Absorption ในบรรยากาศ

ก๊าซในบรรยากาศ เช่น

Water Vapor

Ozone

Carbon Dioxide

สามารถดูดกลืนพลังงานในบางช่วงคลื่น

Absorption Bands เหล่านี้เป็นเหตุผลอีกประการหนึ่งที่ Sensor สำรวจพื้นผิวโลกหลีกเลี่ยงบางช่วงของ Spectrum

แต่ในบางภารกิจ การดูดกลืนของก๊าซเองกลับเป็นสิ่งที่ต้องการวัด เช่น ดาวเทียมที่ศึกษาบรรยากาศและก๊าซเรือนกระจก

ดังนั้นคำว่า “ช่วงคลื่นที่ดี” ขึ้นอยู่กับว่าเราต้องการตรวจวัดอะไร

Spectral Band คือหน้าต่างเล็ก ๆ ใน Spectrum

Sensor ส่วนใหญ่ไม่ได้วัด Spectrum ทุก Wavelength ต่อเนื่อง แต่แบ่งออกเป็น Band

ตัวอย่างเชิงแนวคิด

Band 1 — Blue

Band 2 — Green

Band 3 — Red

Band 4 — NIR

แต่เลข Band จริงขึ้นอยู่กับดาวเทียมแต่ละระบบ

ดังนั้นจึงไม่ควรจำว่า

“Band 4 คือ NIR เสมอ”

เพราะใน Landsat, Sentinel หรือ Sensor อื่น เลข Band อาจแตกต่างกัน

วิธีที่ถูกต้องคือดู Sensor Specification เสมอ

Multispectral Remote Sensing

Multispectral Sensor บันทึกพลังงานใน Band หลายช่วงที่เลือกไว้

ตัวอย่างเช่น Sentinel-2 มีหลาย Band ครอบคลุม Visible, Red Edge, NIR และ SWIR

ข้อมูล Multispectral เหมาะกับงาน

• Land Cover

• Agriculture

• Forestry

• Water

• Geology

• Disaster Monitoring

ข้อดีคือข้อมูลหลาย Band ช่วยให้เราวิเคราะห์วัตถุได้มากกว่าภาพ RGB อย่างเดียว

Hyperspectral Remote Sensing

Hyperspectral Sensor มี Band จำนวนมากและ Band แคบกว่าระบบ Multispectral ทั่วไป

ทำให้สามารถสร้าง Spectral Curve ที่ละเอียดขึ้น

เหมาะกับงาน

Mineral Identification

Vegetation Species

Soil Properties

Material Detection

แต่ข้อมูล Hyperspectral มีขนาดใหญ่และมีความซับซ้อนสูง

จึงมักต้องใช้

Dimensionality Reduction

Machine Learning

และ

Spectral Library

ช่วยในการวิเคราะห์

Panchromatic Imagery

Panchromatic Sensor บันทึกพลังงานในช่วงคลื่นกว้างรวมกันเป็น Band เดียว

ภาพมักแสดงเป็น Grayscale

ข้อดีคือ Sensor บางระบบสามารถให้ Spatial Resolution สูงกว่า Multispectral Bands

จึงเกิดเทคนิคที่เรียกว่า

Pan-sharpening

ซึ่งนำความละเอียดเชิงพื้นที่ของ Panchromatic มารวมกับข้อมูลสีจาก Multispectral

เพื่อสร้างภาพสีที่มีรายละเอียดสูงขึ้น

ทำไม Band Combination จึงสำคัญ

ภาพ Multispectral สามารถเลือก Band 3 ชุดมาแสดงในช่อง

Red + Green + Blue

ได้หลายแบบ

หากเลือก Visible Bands เราได้ True Color

หากนำ NIR หรือ SWIR มาแสดง เราได้ False Color

Band Combination ต่างกันทำให้ Feature ต่างชนิดโดดเด่นขึ้น

ตัวอย่างเช่น

NIR → Red Channel

สามารถทำให้พืชพรรณเด่น

ส่วน SWIR Combination อาจช่วยแยกความชื้นหรือพื้นที่ไฟไหม้ได้ดีขึ้น

ดังนั้นภาพดาวเทียมหนึ่งชุดสามารถสร้าง Visualization ได้หลายแบบโดยไม่ต้องเปลี่ยนข้อมูลต้นฉบับ

False Color ไม่ใช่ภาพปลอม

คำว่า False Color มักทำให้ผู้เริ่มต้นเข้าใจผิด

False Color ไม่ได้หมายความว่าข้อมูลผิดหรือถูกสร้างขึ้น

แต่หมายถึงการนำ Wavelength ที่สายตามองไม่เห็น เช่น NIR ไปแทนด้วยสีที่ตามองเห็น เช่น Red

นี่เป็นวิธีทำให้มนุษย์สามารถตีความข้อมูลนอก Visible Spectrum ได้

ดังนั้น False Color จึงเป็นหนึ่งในเครื่องมือสำคัญที่สุดของ Image Interpretation

Spectral Resolution คืออะไร

Spectral Resolution หมายถึงความสามารถของ Sensor ในการแยกช่วงคลื่น

Sensor ที่มี Band กว้างและมี Band จำนวนน้อยจะมีรายละเอียดด้าน Spectral ต่ำกว่า Sensor ที่มี Band แคบและจำนวนมาก

ตัวอย่างเชิงแนวคิด

RGB Camera

มีเพียงไม่กี่ Band

Multispectral

มีหลาย Band

Hyperspectral

มี Band จำนวนมากและต่อเนื่องกว่า

แต่ Spectral Resolution สูงไม่ได้หมายความว่าจะดีกว่าสำหรับทุกงาน เพราะต้องแลกกับ Data Volume, Processing Complexity และปัจจัยด้าน Sensor Design

Spatial, Spectral, Temporal และ Radiometric Resolution ต้องสมดุลกัน

ข้อมูล Remote Sensing ไม่ได้มีเพียง Spectral Resolution

ยังต้องพิจารณา

Spatial Resolution

Pixel เล็กแค่ไหน

Spectral Resolution

แยก Wavelength ได้ละเอียดแค่ไหน

Temporal Resolution

กลับมาสังเกตพื้นที่บ่อยแค่ไหน

Radiometric Resolution

แยกระดับสัญญาณได้ละเอียดแค่ไหน

Satellite Mission ต้องออกแบบสมดุลระหว่างสิ่งเหล่านี้

จึงไม่มี Sensor ที่ดีที่สุดสำหรับทุกวัตถุประสงค์

เลือกช่วงคลื่นอย่างไรให้เหมาะกับงาน

หลักสำคัญคือเริ่มจากคำถาม

“ต้องการมองอะไร?”

ถ้าศึกษาพืชพรรณ

ควรมอง

Red + NIR + Red Edge

ถ้าศึกษาความชื้น

อาจให้ความสำคัญกับ

NIR + SWIR

ถ้าศึกษาความร้อน

ใช้

Thermal Infrared

ถ้าต้องติดตามน้ำท่วมท่ามกลางเมฆ

พิจารณา

Microwave / SAR

ถ้าศึกษาแร่บางประเภท

อาจใช้

SWIR หรือ Hyperspectral

นี่คือเหตุผลที่ความเข้าใจ Spectrum สำคัญกว่าการจำชื่อดาวเทียม

Spectral Indices: ดึงข้อมูลจากความแตกต่างของ Band

เมื่อรู้ว่าแต่ละ Band ตอบสนองต่อวัตถุต่างกัน เราสามารถนำ Band มาคำนวณร่วมกัน

ตัวอย่าง

NDVI

ใช้

NIR + Red

เพื่อช่วยวิเคราะห์พืชพรรณ

NDWI

มีหลายสูตรตามวัตถุประสงค์ โดยสูตรหนึ่งที่นิยมสำหรับน้ำใช้

Green + NIR

NDBI

นิยมใช้

SWIR + NIR

เพื่อช่วยวิเคราะห์พื้นที่ Built-up ในบางบริบท

NBR

ใช้

NIR + SWIR

เพื่อช่วยวิเคราะห์พื้นที่ไฟไหม้

Spectral Index จึงเป็นตัวอย่างของการเปลี่ยน

Energy Measurement

ให้เป็น

Derived Information

Spectral Signature เกิดจากอะไร

วัตถุแต่ละชนิดมีรูปแบบ

Reflection + Absorption + Transmission

แตกต่างกันตาม Wavelength

หากเราวัด Reflectance ของวัตถุในหลาย Wavelength แล้ว Plot เป็นกราฟ เราจะได้

Spectral Reflectance Curve

ลักษณะของ Curve สามารถใช้เป็น Spectral Signature ของวัสดุ

ตัวอย่างเช่น

Vegetation

สะท้อน NIR สูง

Water

มี Reflectance ต่ำมากใน NIR และ SWIR โดยทั่วไป

Dry Soil

มี Pattern ต่างจาก Wet Soil

Minerals

บางชนิดมี Absorption Features เฉพาะ

นี่คือเหตุผลทางฟิสิกส์ที่ Remote Sensing สามารถจำแนกวัตถุได้

Spectral Library

เมื่อนักวิจัยวัด Spectral Signature ของวัสดุชนิดต่าง ๆ แล้วรวบรวมเป็นฐานข้อมูล เราเรียกว่า

Spectral Library

ภายในอาจมีข้อมูลของ

• Minerals

• Rocks

• Vegetation

• Soil

• Man-made Materials

Spectral Library มีประโยชน์มากกับ Hyperspectral Analysis และ Material Identification

เพราะสามารถนำ Spectra จากภาพไปเปรียบเทียบกับ Spectra ที่ทราบชนิดแล้ว

Spectral Mixing

Pixel หนึ่งจุดไม่จำเป็นต้องเป็นวัตถุชนิดเดียว

หาก Pixel ขนาด 30 เมตรครอบคลุม

Tree + Soil + Road

ค่าที่ Sensor ตรวจได้จะเป็นผลรวมของพลังงานจากหลายวัสดุ

เรียกว่า Mixed Pixel

นี่เป็นปัญหาสำคัญเมื่อ Spatial Resolution ไม่ละเอียดพอสำหรับวัตถุที่ต้องการศึกษา

จึงมีเทคนิคอย่าง

Spectral Unmixing

เพื่อประมาณสัดส่วนของวัสดุภายใน Pixel ในบางงาน

ตัวอย่างที่ 1: วิเคราะห์พืชพรรณ

สมมติเราต้องการตรวจสุขภาพพืช

พืชสมบูรณ์มัก

ดูดกลืน Red สูง

และ

สะท้อน NIR สูง

จึงใช้

NDVI

เพื่อช่วยเพิ่ม Contrast ระหว่างพืชกับพื้นผิวอื่น

นี่เป็นตัวอย่างคลาสสิกของการใช้ความรู้ Electromagnetic Spectrum แก้ปัญหาจริง

ตัวอย่างที่ 2: ตรวจพื้นที่น้ำ

น้ำโดยทั่วไปมีการสะท้อน NIR ต่ำ

จึงสามารถใช้ Green และ NIR เพื่อช่วยสร้าง Water Index

นอกจากนี้ SAR ยังสามารถใช้ตรวจพื้นที่น้ำในหลายกรณี โดยอาศัย Backscatter ต่ำของผิวน้ำเรียบ

ดังนั้นปัญหาเดียวกัน

“น้ำอยู่ที่ไหน?”

สามารถใช้ Wavelength ต่างกันตอบได้

Optical

หรือ

Microwave

ขึ้นอยู่กับสถานการณ์

ตัวอย่างที่ 3: Urban Heat Island

เมืองมีพื้นผิว เช่น Asphalt, Concrete และ Roof ซึ่งสามารถสะสมและปล่อยความร้อนได้แตกต่างจากพื้นที่พืช

Thermal Infrared สามารถใช้ประมาณ Land Surface Temperature

จากนั้น Overlay กับ

Land Cover + NDVI + Building

ใน GIS

เพื่อวิเคราะห์ Urban Heat Island

นี่เป็นตัวอย่างของ

Thermal Remote Sensing + GIS

ตัวอย่างที่ 4: Geological Remote Sensing

ในงานธรณีวิทยา Multispectral และ Hyperspectral Data สามารถช่วยวิเคราะห์

• Rock / Soil Surface

• Alteration Minerals

• Iron Oxides

• Clay Minerals

• Structural Features

โดยใช้ Visible, NIR และ SWIR

แต่นักธรณีวิทยาต้องระวังเรื่อง

Vegetation Cover

Soil

Weathering

และ

Mixed Pixel

เพราะดาวเทียมตรวจสิ่งที่ปรากฏบนพื้นผิว ไม่ได้มองเห็น Lithology ใต้ดินโดยตรงทุกกรณี

ตัวอย่างที่ 5: Radar กับการเปลี่ยนรูปพื้นดิน

Microwave Radar สามารถใช้เทคนิค Interferometric SAR หรือ InSAR เพื่อวิเคราะห์การเปลี่ยนแปลงระยะทางระหว่าง Sensor กับพื้นผิวจากความต่างของ Phase ในข้อมูลหลายช่วงเวลา

สามารถประยุกต์กับ

• Subsidence

• Volcano Deformation

• Earthquake Deformation

• Infrastructure Movement

ในระดับความละเอียดที่เหมาะสมกับข้อมูลและเทคนิค

นี่แสดงให้เห็นว่า Microwave ไม่ได้เพียงสร้างภาพ แต่สามารถใช้ตรวจการเคลื่อนตัวของพื้นผิวได้ด้วย

Energy สูงไม่ได้หมายความว่าเหมาะกับ Remote Sensing มากกว่า

Gamma Ray และ X-ray มีพลังงานสูงกว่า Visible หรือ Microwave

แต่ไม่ได้หมายความว่าจะเหมาะกับการสำรวจพื้นผิวโลกมากกว่า

การเลือก Wavelength ขึ้นอยู่กับ

Interaction with Target

Atmospheric Transmission

Sensor Technology

และ

Application

ดังนั้น Remote Sensing สนใจ “ช่วงพลังงานที่ให้ข้อมูลที่มีประโยชน์” มากกว่าการเลือกช่วงที่มีพลังงานสูงที่สุด

Remote Sensing คือการเลือกมองโลกผ่าน “หน้าต่าง” ที่เหมาะสม

ลองเปรียบ Sensor แต่ละ Band เป็นหน้าต่าง

Visible เป็นหน้าต่างที่ใกล้เคียงสายตามนุษย์

NIR เป็นหน้าต่างที่มองพืชได้ดี

SWIR เป็นหน้าต่างที่ช่วยมองความชื้นและวัสดุบางประเภท

Thermal เป็นหน้าต่างของพลังงานความร้อน

Microwave เป็นหน้าต่างที่ช่วยมองโลกได้แม้มีเมฆในหลายสถานการณ์

ไม่มีหน้าต่างบานเดียวที่เห็นทุกอย่าง

นัก Remote Sensing จึงต้องเลือกหน้าต่างให้ถูกกับสิ่งที่ต้องการศึกษา

จาก Spectrum สู่ Remote Sensing Workflow

สามารถสรุปกระบวนการได้ว่า

Electromagnetic Energy

↓

เลือก Wavelength

↓

Sensor Band

↓

Energy Interaction with Target

↓

Measurement

↓

Digital Data

↓

Image / Index / Classification

↓

GIS Analysis

↓

Information

↓

Decision

นี่คือเหตุผลที่ Electromagnetic Spectrum ถูกเรียกว่า หัวใจของ Remote Sensing

เพราะหากไม่เข้าใจว่า Sensor วัดพลังงานช่วงใด เราก็ไม่สามารถเข้าใจได้อย่างแท้จริงว่าค่า Pixel หมายถึงอะไร

สิ่งที่ควรจำจาก RS101-03

หากต้องจำเพียง 5 เรื่อง ให้จำดังนี้

1. Remote Sensing ตรวจวัดพลังงานแม่เหล็กไฟฟ้า

ไม่ใช่ “สี” เพียงอย่างเดียว

2. Wavelength ต่างกันมองโลกต่างกัน

Visible, NIR, SWIR, Thermal และ Microwave ให้ข้อมูลต่างกัน

3. วัตถุมี Spectral Response แตกต่างกัน

จึงสามารถจำแนกน้ำ พืช ดิน หิน และเมืองได้

4. Sensor ไม่ได้ใช้ทุก Wavelength

แต่เลือก Band ที่เหมาะกับ Atmosphere และเป้าหมาย

5. เลือก Band จากคำถาม ไม่ใช่เลือกจากความคุ้นเคย

นี่เป็นพื้นฐานของการวิเคราะห์ Remote Sensing ที่ถูกต้อง

สรุป RS101-03

Electromagnetic Spectrum เป็นพื้นฐานทางฟิสิกส์ของ Remote Sensing เพราะ Sensor ทุกชนิดกำลังตรวจวัดพลังงานในช่วงคลื่นบางส่วนของ Spectrum

ช่วง

Visible

ช่วยสร้างภาพใกล้เคียงสิ่งที่ตามองเห็น

Near Infrared

มีบทบาทสำคัญกับพืชพรรณ

Shortwave Infrared

มีประโยชน์กับความชื้น ไฟไหม้ และวัสดุบางประเภท

Thermal Infrared

ช่วยศึกษาพลังงานความร้อนของพื้นผิว

และ

Microwave

เป็นพื้นฐานของ Radar Remote Sensing ซึ่งสามารถทำงานได้ทั้งกลางวันและกลางคืนและมีข้อได้เปรียบในสภาพเมฆมาก

สิ่งสำคัญที่สุดจึงไม่ใช่การจำตัวเลขความยาวคลื่นทั้งหมด แต่คือการเข้าใจหลักว่า

วัตถุแต่ละชนิดมีปฏิสัมพันธ์กับพลังงานในแต่ละ Wavelength แตกต่างกัน

Sensor ตรวจจับความแตกต่างนั้น

ข้อมูลถูกเปลี่ยนเป็น Pixel

และนัก Remote Sensing ใช้ Pattern เหล่านั้นในการแปลความหมายโลก

ดังนั้นทุกครั้งก่อนเลือก Band ควรถามว่า

“สิ่งที่เราต้องการศึกษามีพฤติกรรมอย่างไรใน Electromagnetic Spectrum?”

เมื่อเราตอบคำถามนี้ได้ การเลือก Sensor, Band Combination, Spectral Index และวิธีวิเคราะห์จะมีเหตุผลมากขึ้น

#RS101 #RemoteSensing #ElectromagneticSpectrum #ElectromagneticRadiation #Wavelength #VisibleLight #NearInfrared #NIR #SWIR #ThermalInfrared #Microwave #Radar #SAR #SpectralBand #SpectralSignature #EarthObservation #SatelliteImagery #GIS #Geoinformatics #GeoAI

.