rs101-04 ปฏิสัมพันธ์ระหว่างพลังงานกับวัตถุ Reflection, Absorption และ Transmission 

rs101-04 ปฏิสัมพันธ์ระหว่างพลังงานกับวัตถุ Reflection, Absorption และ Transmission 

ปฏิสัมพันธ์ระหว่างพลังงานกับวัตถุ Reflection, Absorption และ Transmission ทำไม “น้ำ ป่า ดิน หิน และเมือง” จึงมองเห็นแตกต่างกันในภาพดาวเทียม

ในบท RS101-03 เราได้รู้จักคลื่นแม่เหล็กไฟฟ้า (Electromagnetic Spectrum) และเห็นว่า Sensor ของระบบ Remote Sensing สามารถตรวจวัดพลังงานได้มากกว่าสิ่งที่สายตามนุษย์มองเห็น ตั้งแต่ Visible Light, Near Infrared (NIR), Shortwave Infrared (SWIR), Thermal Infrared ไปจนถึง Microwave แต่คำถามสำคัญที่ตามมาคือ เมื่อพลังงานเหล่านี้เดินทางมาถึงพื้นโลกแล้วเกิดอะไรขึ้น? และเหตุใด Sensor จึงสามารถแยกป่าไม้ น้ำ ดิน หิน หรือพื้นที่เมืองออกจากกันได้?

คำตอบอยู่ที่สิ่งที่เรียกว่า ปฏิสัมพันธ์ระหว่างพลังงานกับวัตถุ (Energy–Matter Interaction) เพราะเมื่อพลังงานแม่เหล็กไฟฟ้าตกกระทบวัตถุ พลังงานไม่ได้สะท้อนกลับทั้งหมด แต่โดยหลักสามารถเกิดกระบวนการสำคัญสามอย่าง คือ การสะท้อน (Reflection) การดูดกลืน (Absorption) และการส่งผ่าน (Transmission) สัดส่วนของกระบวนการทั้งสามแตกต่างกันตามชนิดของวัตถุ ความยาวคลื่น ความชื้น โครงสร้างพื้นผิว และคุณสมบัติทางกายภาพหรือเคมีของวัสดุ ความแตกต่างเหล่านี้เองคือรากฐานสำคัญของ Remote Sensing

1. เมื่อพลังงานตกกระทบวัตถุ เกิดอะไรขึ้น?

ลองจินตนาการว่าแสงจากดวงอาทิตย์เดินทางผ่านชั้นบรรยากาศและตกกระทบใบไม้ พลังงานส่วนหนึ่งสะท้อนออกจากใบไม้ พลังงานอีกส่วนถูกใบไม้ดูดกลืน และอีกส่วนอาจเดินทางผ่านโครงสร้างของใบไม้

ในเชิงแนวคิดสามารถเขียนได้ว่า

Incident Energy = Reflected Energy + Absorbed Energy + Transmitted Energy

หรือ

EI = ER + EA + ET

โดยที่ EI คือพลังงานที่ตกกระทบ (Incident Energy), ER คือพลังงานสะท้อน (Reflected Energy), EA คือพลังงานที่ถูกดูดกลืน (Absorbed Energy) และ ET คือพลังงานที่ส่งผ่าน (Transmitted Energy)

ถ้าแสดงเป็นสัดส่วนของพลังงานที่ตกกระทบ สามารถอธิบายด้วย

ρ + α + τ = 1

โดย ρ (rho) แทน Reflectance, α (alpha) แทน Absorptance และ τ (tau) แทน Transmittance

หลักการนี้ดูเรียบง่าย แต่เป็นหนึ่งในสมการแนวคิดที่สำคัญที่สุดของ Optical Remote Sensing

2. Reflection — การสะท้อน

Reflection คือการที่พลังงานตกกระทบพื้นผิวแล้วสะท้อนออกจากวัตถุ พลังงานสะท้อนส่วนหนึ่งอาจเดินทางกลับไปถึง Sensor และกลายเป็นข้อมูลที่เรานำมาวิเคราะห์

ระบบ Optical Remote Sensing จำนวนมากจึงให้ความสำคัญกับ Reflectance หรือสัดส่วนของพลังงานที่วัตถุสะท้อนกลับเมื่อเทียบกับพลังงานที่ตกกระทบ

แต่พื้นผิวไม่ได้สะท้อนพลังงานเหมือนกันทั้งหมด ตัวอย่างเช่น พื้นทรายแห้งอาจสะท้อนแสงค่อนข้างมาก ขณะที่น้ำลึกอาจสะท้อนพลังงานในบางช่วงคลื่นกลับมายัง Sensor น้อยมาก

สิ่งสำคัญยิ่งกว่านั้นคือ วัตถุเดียวกันก็ไม่ได้สะท้อนพลังงานเท่ากันในทุก Wavelength

ดังนั้น Remote Sensing ไม่ได้ถามเพียงว่า

“วัตถุนี้สะท้อนพลังงานมากแค่ไหน?”

แต่ถามว่า

“วัตถุนี้สะท้อนพลังงานมากแค่ไหนในแต่ละช่วงคลื่น?”

3. Specular Reflection และ Diffuse Reflection

การสะท้อนสามารถแบ่งแนวคิดพื้นฐานออกได้เป็นสองลักษณะสำคัญ

Specular Reflection

เกิดกับพื้นผิวที่ค่อนข้างเรียบเมื่อเทียบกับความยาวคลื่น พลังงานมีแนวโน้มสะท้อนออกไปในทิศทางเฉพาะ คล้ายการสะท้อนจากกระจก

ตัวอย่างที่พบได้คือผิวน้ำที่เรียบภายใต้ Geometry บางแบบ

หากพลังงานสะท้อนออกไปคนละทิศกับ Sensor พลังงานที่ Sensor ได้รับอาจต่ำมาก

Diffuse Reflection

เกิดเมื่อพื้นผิวขรุขระเมื่อเทียบกับความยาวคลื่น ทำให้พลังงานกระจายออกไปหลายทิศทาง

พื้นผิวธรรมชาติส่วนใหญ่มีพฤติกรรมซับซ้อนและไม่ได้เป็น Specular หรือ Diffuse อย่างสมบูรณ์แบบ แต่แนวคิดทั้งสองช่วยให้เข้าใจว่าทำไม Surface Roughness และ Viewing Geometry จึงมีผลต่อค่าที่ Sensor ตรวจวัด

4. Absorption — การดูดกลืน

Absorption คือกระบวนการที่วัตถุดูดกลืนพลังงานบางส่วนไว้ แทนที่จะสะท้อนหรือส่งผ่าน

การดูดกลืนไม่ได้เกิดเท่ากันทุก Wavelength และนี่เป็นข้อมูลที่มีคุณค่ามากสำหรับ Remote Sensing

ตัวอย่างที่ชัดเจนคือ Chlorophyll ในใบพืช ซึ่งดูดกลืนพลังงานในช่วง Blue และ Red ได้มาก ขณะที่สะท้อน Green มากกว่า เราจึงมองเห็นใบไม้เป็นสีเขียว

ในทางธรณีวิทยา แร่บางชนิดมี Absorption Features ในช่วงคลื่นเฉพาะ โดยเฉพาะใน SWIR จึงสามารถนำข้อมูล Multispectral หรือ Hyperspectral มาใช้ช่วยศึกษาชนิดของแร่และ Alteration Minerals ได้

ดังนั้นสิ่งที่ Sensor “ไม่เห็น” เพราะพลังงานถูกดูดกลืน ก็สามารถเป็นข้อมูลสำคัญได้เช่นกัน

5. Transmission — การส่งผ่าน

Transmission คือการที่พลังงานเดินทางผ่านวัตถุไป

ปริมาณพลังงานที่สามารถส่งผ่านได้ขึ้นอยู่กับทั้งชนิดของวัสดุ ความหนา และ Wavelength

ตัวอย่างเช่น พลังงานบางช่วงสามารถเดินทางผ่านน้ำได้ในระดับหนึ่ง ขณะที่ NIR และ SWIR ถูกน้ำดูดกลืนอย่างมาก ทำให้แหล่งน้ำมักมี Reflectance ต่ำในช่วงเหล่านี้

ความสามารถในการส่งผ่านของแสง Visible บางช่วงเป็นเหตุผลหนึ่งที่ Optical Remote Sensing สามารถใช้ศึกษาพื้นที่น้ำตื้นได้ภายใต้สภาวะที่เหมาะสม แต่ความลึก ความขุ่น ตะกอน สารอินทรีย์ คลื่นผิวน้ำ และสภาพบรรยากาศล้วนมีผลต่อข้อมูล

6. วัตถุไม่ได้มี “สีเดียว” ในโลกของ Remote Sensing

เมื่อเรามองต้นไม้ด้วยสายตา เราอาจบอกว่า “ต้นไม้สีเขียว” แต่สำหรับ Sensor คำอธิบายนี้ไม่เพียงพอ

ต้นไม้หนึ่งต้นอาจมีลักษณะประมาณว่า

Blue → Reflectance ต่ำ

Green → Reflectance สูงขึ้น

Red → Reflectance ต่ำ

NIR → Reflectance สูงมาก

SWIR → เปลี่ยนแปลงตามน้ำในใบและโครงสร้างของพืช

ดังนั้นสิ่งที่ Remote Sensing สนใจไม่ใช่เพียง “สีของวัตถุ” แต่คือ รูปแบบการตอบสนองต่อพลังงานตลอดหลายช่วงคลื่น

และรูปแบบนี้นำเราไปสู่แนวคิดสำคัญคือ Spectral Signature

7. Spectral Signature — ลายเซ็นของวัตถุ

หากเราวัด Reflectance ของวัตถุในหลาย Wavelength แล้วสร้างกราฟ โดยกำหนด

แกน X = Wavelength

แกน Y = Reflectance

เราจะได้กราฟที่เรียกว่า Spectral Reflectance Curve

ลักษณะของกราฟดังกล่าวมักเรียกว่า Spectral Signature

ตัวอย่างเช่น

Vegetation มี Reflectance ต่ำใน Red แต่เพิ่มขึ้นอย่างรวดเร็วบริเวณ Red Edge และสูงใน NIR

Water มักมี Reflectance ต่ำ โดยเฉพาะใน NIR และ SWIR

Soil มักมีเส้นโค้งที่ค่อย ๆ เปลี่ยนตาม Wavelength แต่ขึ้นกับความชื้น เนื้อดิน แร่ และอินทรียวัตถุ

Minerals บางชนิดมี Absorption Features ใน Wavelength เฉพาะ

ดังนั้น Spectral Signature จึงเปรียบเสมือน “ลายเซ็นทางพลังงาน” ของวัตถุ

แต่ต้องเข้าใจด้วยว่าลายเซ็นนี้ไม่ใช่ค่าคงที่ตายตัว เพราะสภาพของวัตถุและเงื่อนไขการตรวจวัดสามารถทำให้ Spectral Response เปลี่ยนแปลงได้

8. พืชพรรณ (Vegetation) มีปฏิสัมพันธ์กับพลังงานอย่างไร?

พืชเป็นหนึ่งในตัวอย่างที่ดีที่สุดสำหรับการเรียน Remote Sensing

ในช่วง Visible พฤติกรรมของพืชได้รับอิทธิพลอย่างมากจาก Pigments โดยเฉพาะ Chlorophyll

Chlorophyll ดูดกลืน

Blue

และ

Red

ค่อนข้างมาก แต่สะท้อน Green มากกว่า จึงทำให้เรามองเห็นพืชเป็นสีเขียว

เมื่อเข้าสู่ Near Infrared พฤติกรรมเปลี่ยนไปอย่างมาก โครงสร้างภายในใบทำให้พืชสมบูรณ์มี Reflectance ใน NIR สูง

กราฟจึงเพิ่มขึ้นอย่างรวดเร็วบริเวณที่เรียกว่า

Red Edge

นี่เป็นหนึ่งในลักษณะที่โดดเด่นที่สุดของ Vegetation Spectral Signature

9. ทำไม NDVI จึงใช้ Red กับ NIR?

เมื่อเข้าใจพฤติกรรมของพืชแล้ว สูตร NDVI จะเริ่มมีเหตุผลขึ้นทันที

NDVI = (NIR − Red) / (NIR + Red)

พืชสมบูรณ์โดยทั่วไปมี

Red ต่ำ

และ

NIR สูง

ดังนั้นความแตกต่างระหว่าง NIR กับ Red จึงมีประโยชน์ในการเพิ่มความเด่นของ Vegetation

NDVI ไม่ใช่สูตรมหัศจรรย์ที่ถูกคิดขึ้นแบบสุ่ม แต่สร้างขึ้นบนพื้นฐานของ Energy–Vegetation Interaction

นี่เป็นตัวอย่างสำคัญว่าความเข้าใจฟิสิกส์ของ Remote Sensing เชื่อมต่อไปถึงการวิเคราะห์ข้อมูลจริงอย่างไร

10. น้ำ (Water) ตอบสนองต่อพลังงานอย่างไร?

น้ำมี Spectral Response แตกต่างจากพืชอย่างชัดเจน

ในช่วง Visible น้ำอาจสะท้อนพลังงานบางส่วน และลักษณะการตอบสนองขึ้นอยู่กับความลึก ตะกอน สาหร่าย สารแขวนลอย และคุณภาพน้ำ

แต่เมื่อเข้าสู่ NIR และ SWIR น้ำจะดูดกลืนพลังงานสูงมาก ทำให้ Reflectance ต่ำ

ดังนั้นในภาพ NIR แหล่งน้ำจำนวนมากจึงปรากฏมืด

คุณสมบัตินี้ช่วยให้ Remote Sensing สามารถแยก

Water

ออกจาก

Vegetation และ Land Surface

ได้ดีในหลายสถานการณ์

11. น้ำใสกับน้ำขุ่นไม่เหมือนกัน

แม้จะเป็น “น้ำ” เหมือนกัน แต่ Spectral Response สามารถแตกต่างกันมาก

น้ำที่มีตะกอนแขวนลอยจำนวนมากอาจมี Reflectance ใน Visible สูงกว่าน้ำใส

Phytoplankton และ Chlorophyll ในน้ำก็สามารถเปลี่ยน Spectral Response

ดังนั้น Remote Sensing จึงสามารถประยุกต์ใช้กับการศึกษา

Suspended Sediment

Turbidity

Chlorophyll-a

และคุณสมบัติด้าน Water Quality บางประเภทได้

แต่ต้องใช้ Sensor, Band, Calibration และ Algorithm ที่เหมาะสม

12. ดิน (Soil) ตอบสนองต่อพลังงานอย่างไร?

Spectral Response ของดินมีความซับซ้อน เพราะขึ้นอยู่กับหลายปัจจัย เช่น

• Soil Moisture

• Organic Matter

• Mineral Composition

• Grain Size

• Surface Roughness

• Iron Oxides

โดยทั่วไปดินแห้งมักสะท้อนพลังงานมากกว่าดินเปียกในหลายช่วงคลื่น

เมื่อความชื้นเพิ่มขึ้น น้ำในดินจะเพิ่มการดูดกลืนพลังงาน ทำให้ Reflectance ลดลง

ดังนั้น

Dry Soil ≠ Wet Soil

ในมุมมองของ Sensor

ความแตกต่างนี้มีประโยชน์กับงานเกษตร การจัดการดิน และการศึกษาความชื้นของพื้นผิว

13. ทำไมดินเปียกจึงมักมืดกว่าดินแห้ง?

หลักการพื้นฐานคือ น้ำมีคุณสมบัติในการดูดกลืนพลังงานในหลายช่วงคลื่น

เมื่อปริมาณน้ำในดินเพิ่มขึ้น พลังงานที่ถูกดูดกลืนก็เพิ่มขึ้นในหลายกรณี ส่งผลให้พลังงานสะท้อนกลับลดลง

Sensor จึงอาจเห็นดินเปียก “มืดกว่า” ดินแห้ง

อย่างไรก็ตาม การตีความต้องระวัง เพราะความสว่างของดินยังขึ้นกับชนิดของดิน Organic Matter, Roughness และ Geometry ของแสงด้วย

จึงไม่ควรใช้ความมืดหรือความสว่างเพียงอย่างเดียวตัดสิน Soil Moisture

14. หินและแร่ (Rock & Mineral)

งานธรณีวิทยาใช้ประโยชน์จาก Energy–Matter Interaction อย่างมาก

แร่ชนิดต่าง ๆ มีองค์ประกอบทางเคมีและโครงสร้างผลึกแตกต่างกัน ทำให้เกิด Absorption Features ใน Wavelength ต่างกัน

ตัวอย่างกลุ่มที่มักได้รับความสนใจใน Remote Sensing ทางธรณีวิทยา ได้แก่

Iron-bearing Minerals

Clay Minerals

Carbonates

และแร่ที่เกี่ยวข้องกับ Hydrothermal Alteration บางประเภท

ข้อมูล SWIR และ Hyperspectral จึงมีประโยชน์มาก เพราะสามารถแยก Absorption Features ที่ละเอียดกว่าภาพ RGB

15. ดาวเทียมมองเห็นหินใต้ดินหรือไม่?

คำตอบโดยทั่วไปคือ Sensor Optical มองสิ่งที่พลังงานสามารถเดินทางมาจากหรือมีปฏิสัมพันธ์กับพื้นผิวที่ Sensor รับรู้ได้ ไม่ได้มองทะลุดินลงไปเห็นชั้นหินลึกโดยตรง

หากพื้นผิวถูกปกคลุมด้วย

Vegetation

Soil

Water

หรือสิ่งปลูกสร้าง

Spectral Response ที่ Sensor ตรวจได้จะได้รับอิทธิพลจากสิ่งปกคลุมเหล่านั้น

ดังนั้น Geological Remote Sensing จึงมีประสิทธิภาพสูงในพื้นที่ที่ Bedrock Exposure ดีหรือใช้ข้อมูลอื่นร่วมในการตีความ

นักธรณีวิทยาจึงต้องใช้

Remote Sensing + Geological Map + DEM + Geophysics + Field Survey

ร่วมกันตามวัตถุประสงค์

16. พื้นที่เมือง (Urban Surface)

เมืองเป็นพื้นที่ที่มี Spectral Complexity สูงมาก เพราะประกอบด้วยวัสดุหลากหลาย เช่น

Concrete

Asphalt

Metal

Roof Tile

Glass

Vegetation

Water

และ

Bare Soil

วัสดุเหล่านี้อาจมี Spectral Signature ที่ทับซ้อนกันบางช่วง

เช่น Bare Soil บางประเภทอาจมี Spectral Response คล้าย Built-up Surface ในบาง Band

ดังนั้นการจำแนกพื้นที่เมืองด้วย Band เพียงไม่กี่ช่วงอาจเกิดความสับสนได้

การเพิ่มข้อมูล

SWIR

Texture

Spatial Context

หรือ Machine Learning

สามารถช่วยปรับปรุงการจำแนกได้

17. Surface Roughness ก็มีผล

ปฏิสัมพันธ์ของพลังงานไม่ได้ขึ้นกับองค์ประกอบของวัตถุเท่านั้น แต่ยังขึ้นกับ ความขรุขระของพื้นผิว (Surface Roughness)

ใน Optical Remote Sensing ความขรุขระมีผลต่อทิศทางการสะท้อน

ใน Radar Remote Sensing เรื่องนี้ยิ่งสำคัญมาก เพราะ Backscatter ขึ้นกับความสัมพันธ์ระหว่าง

Surface Roughness + Radar Wavelength + Incidence Angle

พื้นผิวที่เรียบอาจส่งพลังงานออกไปจาก Sensor ทำให้ Backscatter ต่ำ

ส่วนพื้นผิวขรุขระอาจกระเจิงพลังงานกลับมายัง Sensor มากขึ้น

ดังนั้น Radar จึงมองโลกแตกต่างจาก Optical อย่างมาก

18. ความชื้นเป็นตัวแปรสำคัญ

น้ำมีผลต่อคุณสมบัติ Electromagnetic ของวัสดุอย่างมาก

ดินชนิดเดียวกัน

Dry

และ

Wet

สามารถให้สัญญาณต่างกัน

พืชชนิดเดียวกันที่มี Water Content ต่างกันก็สามารถให้ Spectral Response ต่างกัน โดยเฉพาะใน NIR และ SWIR

ใน Microwave Remote Sensing ความชื้นของดินยังมีผลต่อ Dielectric Properties และ Radar Backscatter

ดังนั้น Moisture จึงเป็นหนึ่งในตัวแปรสำคัญที่สุดที่ต้องพิจารณาในการแปลข้อมูล Remote Sensing

19. Geometry ก็เปลี่ยนค่าที่ Sensor เห็นได้

สมมติว่าวัตถุบนพื้นโลกไม่เปลี่ยนแปลงเลย แต่หาก

ตำแหน่งดวงอาทิตย์เปลี่ยน

มุมมอง Sensor เปลี่ยน

ความลาดชันเปลี่ยน

หรือทิศลาดต่างกัน

ค่าพลังงานที่ Sensor ตรวจได้ก็อาจเปลี่ยน

นี่คือผลของ

Illumination Geometry

และ

Viewing Geometry

พื้นที่ภูเขาจึงมีปัญหา Shadow และ Topographic Effect มากกว่าพื้นที่ราบ

งานวิเคราะห์บางประเภทจึงต้องพิจารณา Topographic Correction

20. Atmosphere อยู่ระหว่างวัตถุกับ Sensor

แม้วัตถุจะมี Spectral Signature ของตัวเอง แต่พลังงานที่ Sensor บันทึกได้ไม่ได้มาจากวัตถุเพียงอย่างเดียว

พลังงานต้องผ่าน Atmosphere

จึงอาจเกิด

Scattering

และ

Absorption

ก่อนถึง Sensor

ดังนั้นสิ่งที่ Sensor วัดอาจประกอบด้วยทั้งสัญญาณจากพื้นผิวและผลกระทบจากบรรยากาศ

นี่คือเหตุผลที่ Surface Reflectance Product มีความสำคัญสำหรับงานที่ต้องเปรียบเทียบคุณสมบัติพื้นผิวเชิงปริมาณ

21. Spectral Signature ไม่ได้คงที่ตลอดเวลา

คำว่า “ลายเซ็น” อาจทำให้เข้าใจว่าวัตถุหนึ่งมีกราฟตายตัว แต่ในโลกจริง Spectral Signature สามารถเปลี่ยนได้

ต้นข้าวในช่วงต้นฤดู

ไม่เหมือน

ต้นข้าวช่วงโตเต็มที่

และไม่เหมือน

แปลงหลังเก็บเกี่ยว

ป่าในฤดูฝน

อาจต่างจาก

ป่าในฤดูแล้ง

ดินเปียก

ต่างจาก

ดินแห้ง

ดังนั้น Remote Sensing จึงต้องพิจารณา Temporal Dimension ร่วมด้วย

นี่เป็นเหตุผลที่ Time-series Remote Sensing มีประโยชน์มาก

22. Spectral Signature กับ Spectral Library

นักวิทยาศาสตร์สามารถใช้ Spectrometer วัด Reflectance ของวัสดุในห้องปฏิบัติการหรือภาคสนาม

ข้อมูล Spectra จำนวนมากสามารถรวบรวมเป็น Spectral Library

ตัวอย่างวัสดุ เช่น

Minerals

Rocks

Soils

Vegetation

Man-made Materials

เมื่อนำ Hyperspectral Image มาวิเคราะห์ เราสามารถเปรียบเทียบ Spectrum ของ Pixel กับ Spectral Library เพื่อช่วยระบุวัสดุ

แนวคิดคือ

Unknown Spectrum → Compare → Reference Spectrum → Possible Material

นี่เป็นพื้นฐานของ Spectral Matching

23. Mixed Pixel: เมื่อหนึ่ง Pixel มีหลายอย่าง

สมมติภาพมี Spatial Resolution 30 เมตร Pixel หนึ่งครอบคลุมพื้นที่

30 × 30 เมตร = 900 ตารางเมตร

ภายในพื้นที่นี้อาจมี

ต้นไม้ 40%

ดิน 30%

ถนน 20%

น้ำ 10%

Sensor จะไม่ได้ค่าของต้นไม้เพียงอย่างเดียว แต่ได้สัญญาณรวมจากองค์ประกอบทั้งหมด

เราเรียกว่า Mixed Pixel

Mixed Pixel เป็นปัญหาสำคัญในการ Classification โดยเฉพาะพื้นที่ที่มี Feature ขนาดเล็กและกระจัดกระจาย

24. Spectral Unmixing

หาก Pixel ประกอบด้วยวัสดุหลายชนิด เราอาจต้องการประมาณว่าแต่ละวัสดุมีสัดส่วนเท่าใด

เทคนิคนี้เรียกว่า Spectral Unmixing

แนวคิดอย่างง่ายคือ

Mixed Spectrum = Combination of Endmembers

โดย Endmember คือ Spectral Signature ของวัสดุบริสุทธิ์หรือองค์ประกอบปลายทางที่ใช้ในแบบจำลอง

ผลลัพธ์อาจไม่ใช่แผนที่ว่า Pixel นี้ “เป็นป่า” หรือ “เป็นดิน”

แต่เป็น

Vegetation 60%

Soil 30%

Other 10%

จึงเหมาะกับพื้นที่ที่ Mixed Pixel มีความสำคัญ

25. จาก Spectral Signature สู่ Classification

เมื่อวัตถุมี Spectral Response แตกต่างกัน เราสามารถใช้ความแตกต่างนั้นในการจำแนกภาพ

ตัวอย่าง Pixel หนึ่งอาจมีค่า

Blue + Green + Red + NIR + SWIR

รวมกันเป็น Feature Vector

Algorithm สามารถเรียนรู้ว่า Pattern แบบใดมักเป็น

Forest

Water

Agriculture

Urban

หรือ Bare Soil

นี่คือพื้นฐานของ Multispectral Image Classification

26. Machine Learning มอง Spectral Signature อย่างไร?

สำหรับ Machine Learning แต่ละ Band สามารถเป็น Feature

ตัวอย่าง

Feature 1 = Blue

Feature 2 = Green

Feature 3 = Red

Feature 4 = NIR

Feature 5 = SWIR

จากนั้นอาจเพิ่ม

NDVI

NDWI

Elevation

Slope

หรือ Texture

แล้วให้ Algorithm เช่น

Random Forest

เรียนรู้ความสัมพันธ์ระหว่าง Feature กับ Class

AI จึงไม่ได้ลบหลักการ Spectral Signature ออกไป ตรงกันข้าม AI ใช้ข้อมูลเหล่านี้เป็นพื้นฐานในการเรียนรู้ Pattern ที่ซับซ้อนขึ้น

27. Deep Learning ต่างออกไปอย่างไร?

Deep Learning สามารถเรียนรู้ทั้ง

Spectral Pattern

และ

Spatial Pattern

จากภาพได้

ตัวอย่างเช่น ถนนอาจมี Spectral Response คล้ายวัสดุบางประเภท แต่มีรูปร่างเป็นเส้นยาวต่อเนื่อง

อาคารมี Geometry และ Texture เฉพาะ

CNN หรือ Semantic Segmentation Model สามารถเรียนรู้ลักษณะเหล่านี้ร่วมกับ Pixel Values

จึงเกิดแนวคิด

Spectral + Spatial Information

ซึ่งเป็นพื้นฐานสำคัญของ GeoAI สำหรับ Remote Sensing

28. Reflection ใน Radar ต่างจาก Optical

ใน Radar เรามักพูดถึง Backscatter มากกว่า Reflectance แบบ Optical

Radar ส่ง Microwave ลงไปแล้ววัดพลังงานที่กระเจิงกลับมายัง Sensor

Backscatter ขึ้นกับปัจจัย เช่น

Surface Roughness

Moisture

Geometry

Wavelength

Polarization

และโครงสร้างของเป้าหมาย

ดังนั้นคำว่า “สะท้อนสูง” ใน Optical และ “Backscatter สูง” ใน Radar ไม่ควรถูกตีความว่าเป็นสิ่งเดียวกัน

29. Double-bounce ในพื้นที่เมือง

Radar สามารถเกิดปฏิสัมพันธ์ที่น่าสนใจในพื้นที่เมือง

พลังงานอาจสะท้อนระหว่าง

พื้นดิน → ผนังอาคาร → Sensor

หรือเส้นทางใกล้เคียงกัน

เราเรียกกลไกหนึ่งว่า Double-bounce Scattering

จึงทำให้สิ่งปลูกสร้างบางประเภทมี Backscatter สูง

นี่เป็นเหตุผลหนึ่งที่เมืองบางบริเวณปรากฏสว่างมากใน SAR Image

30. Volume Scattering ในป่าไม้

ในพื้นที่ป่า Microwave สามารถมีปฏิสัมพันธ์กับ

ใบไม้

กิ่งไม้

ลำต้น

และพื้นดิน

ทำให้เกิดการกระเจิงหลายทิศทางภายในโครงสร้างพืช เรียกโดยทั่วไปว่า Volume Scattering

ความยาวคลื่น Radar ที่แตกต่างกันสามารถตอบสนองต่อโครงสร้างป่าแตกต่างกัน

จึงมีการประยุกต์ Radar ในงาน

Forest Structure

Biomass

และการติดตามป่าไม้

31. Thermal Remote Sensing กับ Absorption และ Emission

ใน Thermal Remote Sensing เราสนใจพลังงานที่พื้นผิวแผ่ออกมา

วัตถุแต่ละชนิดมีคุณสมบัติที่เรียกว่า Emissivity

พื้นผิวที่มีอุณหภูมิเท่ากันแต่ Emissivity ต่างกันอาจให้ Radiance ต่างกัน

ดังนั้นการประมาณ Land Surface Temperature ที่แม่นยำไม่ได้ขึ้นกับ Thermal Radiance เพียงอย่างเดียว แต่ต้องพิจารณาคุณสมบัติของพื้นผิวและกระบวนการแก้ไขที่เหมาะสมด้วย

นี่แสดงให้เห็นว่า Energy–Matter Interaction มีความสำคัญทั้งใน Optical, Thermal และ Microwave Remote Sensing

32. ทำไมภาพดาวเทียมจึงมีหลาย Band?

ตอนนี้เราสามารถตอบคำถามนี้ได้ชัดเจนแล้ว

เพราะวัตถุหนึ่งอาจดูคล้ายกันใน Wavelength หนึ่ง แต่แตกต่างกันมากในอีก Wavelength

ตัวอย่างเช่น

พืชกับน้ำอาจแยกได้ดีใน NIR

วัสดุบางประเภทอาจแยกได้ดีขึ้นใน SWIR

ความร้อนต้องใช้ Thermal

ดังนั้นการมีหลาย Band ทำให้เรามี “หลายมุมมอง” ของพื้นผิวเดียวกัน

One Earth Surface → Multiple Spectral Views

นี่คือหัวใจของ Multispectral Remote Sensing

33. ทำไม True Color อย่างเดียวจึงไม่พอ?

True Color ใช้เพียง

Red + Green + Blue

ซึ่งเป็นส่วนเล็กมากของ Electromagnetic Spectrum

หากเราดูเฉพาะ True Color เราจะสูญเสียข้อมูลจาก

NIR

SWIR

Thermal

และ

Microwave

Remote Sensing จึงมีพลังมากกว่าภาพถ่ายทั่วไป เพราะสามารถมองโลกในมิติที่สายตามนุษย์มองไม่เห็น

34. ตัวอย่าง: พืชปกติกับพืชเครียด

พืชสองแปลงอาจดูเขียวใกล้เคียงกันในภาพ True Color แต่พืชที่เริ่มเกิด Stress อาจมีการเปลี่ยนแปลงของ Reflectance ใน Red Edge, NIR หรือ SWIR ก่อนที่มนุษย์จะสังเกตความแตกต่างด้วยสายตาได้ชัดเจน

จึงเกิดการประยุกต์ Remote Sensing ใน

Precision Agriculture

Crop Stress Monitoring

และ

Plant Health Assessment

อย่างไรก็ตาม สัญญาณ Stress อาจเกิดจากหลายสาเหตุ เช่น น้ำ โรค สารอาหาร หรืออุณหภูมิ จึงไม่ควรสรุปสาเหตุจาก Spectral Data เพียงอย่างเดียวโดยไม่มีข้อมูลสนับสนุน

35. ตัวอย่าง: ป่าไฟไหม้

ก่อนเกิดไฟ ป่าที่สมบูรณ์มักมี NIR สูง

หลังเกิดไฟ โครงสร้างพืชและความชื้นเปลี่ยนไป ทำให้ NIR ลดลงและ SWIR เปลี่ยนแปลง

จึงสามารถใช้

NIR + SWIR

สร้าง

NBR — Normalized Burn Ratio

และเปรียบเทียบก่อนกับหลังเหตุการณ์เพื่อสร้าง dNBR

นี่คืออีกตัวอย่างที่แสดงว่า Spectral Index เกิดจากความเข้าใจ Energy–Matter Interaction

36. ตัวอย่าง: แยกหิมะกับเมฆ

ใน True Color หิมะและเมฆอาจดูขาวคล้ายกัน

แต่ใน SWIR พฤติกรรมของหิมะและเมฆบางประเภทแตกต่างกัน

จึงสามารถใช้ Band Combination หรือดัชนีอย่าง NDSI (Normalized Difference Snow Index) เพื่อช่วยแยก Snow Cover

นี่แสดงให้เห็นว่าความแตกต่างที่ตามองไม่เห็นสามารถปรากฏชัดใน Wavelength อื่น

37. สิ่งที่ Sensor วัดไม่ใช่ “ชื่อวัตถุ”

ประเด็นนี้ควรจำให้แม่น

Sensor ไม่เคยบันทึกคำว่า

Forest

Water

Granite

หรือ

Building

Sensor บันทึกเพียงค่าพลังงานหรือสัญญาณตามคุณลักษณะของระบบ

จากนั้นมนุษย์หรือ Algorithm จึงตีความว่า Pattern ของค่าเหล่านั้นน่าจะเป็นอะไร

ดังนั้นกระบวนการ Remote Sensing คือ

Measurement → Pattern → Interpretation

ไม่ใช่

Sensor → Object Name

38. Ground Truth จึงสำคัญ

หากเราคิดว่า Spectral Pattern แบบหนึ่งคือ Forest เราต้องมีข้อมูลอ้างอิงเพื่อยืนยัน

อาจใช้

Field Survey

High-resolution Imagery

Existing Reliable Maps

หรือ Reference Data อื่นที่เหมาะสม

Ground Truth ช่วยให้เรารู้ว่า

Spectral Signature ที่เห็นสัมพันธ์กับวัตถุจริงอย่างไร

และใช้ประเมิน Classification Accuracy ได้

Remote Sensing จึงไม่ได้ทำงานแยกจากโลกจริง แต่ต้องเชื่อมกลับไปหาพื้นที่จริงเสมอ

39. จาก Energy Interaction สู่ Smart Mapping

เมื่อเราเข้าใจว่าแต่ละวัตถุมี

Reflection

Absorption

และ

Transmission

แตกต่างกัน เราสามารถเลือก Band ที่เหมาะสม แล้วสร้าง

Band Combination

Spectral Index

Classification

Change Detection

หรือ Machine Learning Model

จากนั้นนำผลเข้าสู่ GIS เพื่อสร้าง Smart Map

Workflow จึงเป็น

Energy → Matter Interaction → Sensor → Spectral Data → Analysis → GIS → Information → Decision

นี่คือเส้นทางที่เชื่อมฟิสิกส์พื้นฐานเข้ากับการใช้งานจริง

40. สิ่งที่ควรจำจาก RS101-04

หากต้องสรุปบทนี้ให้เหลือเพียง 5 ข้อ ให้จำว่า

1. เมื่อพลังงานตกกระทบวัตถุ จะเกิด Reflection, Absorption และ Transmission

2. สัดส่วนของทั้งสามกระบวนการเปลี่ยนไปตาม Wavelength และชนิดของวัตถุ

3. ความแตกต่างเหล่านี้สร้าง Spectral Signature

4. Spectral Signature ช่วยให้เราแยก Water, Vegetation, Soil, Rock และ Urban Surface

5. Sensor วัดพลังงาน ส่วนมนุษย์และ Algorithm เป็นผู้ตีความความหมาย

นี่คือพื้นฐานสำคัญของ Remote Sensing เกือบทุกแขนง

สรุป RS101-04

หัวใจของ Remote Sensing ไม่ได้อยู่ที่ดาวเทียมเพียงอย่างเดียว แต่อยู่ที่ความสัมพันธ์ระหว่าง พลังงานกับวัตถุ

เมื่อพลังงานแม่เหล็กไฟฟ้าตกกระทบพื้นผิวโลก พลังงานจะถูกแบ่งออกเป็น

Reflection + Absorption + Transmission

ในสัดส่วนที่แตกต่างกัน

พืชตอบสนองต่อ Red และ NIR แตกต่างจากน้ำ น้ำตอบสนองต่างจากดิน ดินแห้งแตกต่างจากดินเปียก แร่แต่ละชนิดอาจมี Absorption Feature เฉพาะ ขณะที่พื้นผิวเมืองประกอบด้วยวัสดุหลายชนิดจนเกิด Spectral Complexity

ความแตกต่างเหล่านี้ทำให้แต่ละวัตถุมีรูปแบบการตอบสนองต่อ Wavelength ที่เรียกว่า Spectral Signature

เมื่อ Sensor ตรวจวัด Spectral Signature ได้ เราจึงสามารถนำข้อมูลไปสร้าง

True Color

False Color

Spectral Indices

Classification

Change Detection

และต่อยอดไปถึง

Machine Learning และ GeoAI

ดังนั้นทุกครั้งที่มอง Pixel หนึ่ง Pixel ในภาพดาวเทียม อย่ามองว่ามันเป็นเพียง “สีหนึ่งช่อง” แต่ให้คิดว่า Pixel นั้นคือผลลัพธ์ของกระบวนการทางฟิสิกส์ที่เริ่มตั้งแต่พลังงานเดินทางมาถึงวัตถุ เกิดการสะท้อน ดูดกลืน และส่งผ่าน ก่อนที่พลังงานบางส่วนจะเดินทางไปถึง Sensor และถูกเปลี่ยนเป็นตัวเลขดิจิทัล

เมื่อเข้าใจจุดนี้ เราจะเริ่มอ่านภาพดาวเทียมด้วยความหมายทางวิทยาศาสตร์มากกว่าการมองด้วยสายตาเพียงอย่างเดียว

#RS101 #RemoteSensing #การรับรู้ระยะไกล #Reflection #Absorption #Transmission #SpectralSignature #SpectralReflectance #ElectromagneticSpectrum #Vegetation #Water #Soil #Geology #MineralMapping #EarthObservation #SatelliteImagery #GIS #Geoinformatics #GeoAI #SmartMapping

.