rs101-09 Multispectral, Hyperspectral และ Panchromatic: ภาพดาวเทียมแต่ละแบบต่างกันอย่างไร 

rs101-09 Multispectral, Hyperspectral และ Panchromatic: ภาพดาวเทียมแต่ละแบบต่างกันอย่างไร 

 

Multispectral, Hyperspectral และ Panchromatic: ภาพดาวเทียมแต่ละแบบต่างกันอย่างไร จำนวน Band ที่แตกต่างกัน ทำให้ภาพแต่ละประเภท “มองโลก” ได้ไม่เหมือนกัน

หลังจาก RS101-08 เราได้รู้จัก Resolution ทั้ง 4 ประเภทแล้ว บทนี้จะพาเข้าใจอีกคำถามสำคัญของ Remote Sensing คือ ทำไมภาพดาวเทียมบางชนิดมีเพียง Band เดียว บางชนิดมีหลาย Band และบางชนิดมีมากถึงหลายร้อย Band ทั้งที่ทั้งหมดกำลังมองพื้นผิวโลกเดียวกัน

คำตอบอยู่ที่ Spectral Design ของ Sensor

Sensor แต่ละระบบถูกออกแบบให้ตรวจวัดพลังงานในช่วงคลื่นแตกต่างกันตามวัตถุประสงค์ของภารกิจ จึงเกิดภาพหลัก ๆ ที่เราพบบ่อย ได้แก่

Panchromatic Imagery

Multispectral Imagery

และ

Hyperspectral Imagery

ทั้งสามชนิดไม่ได้ต่างกันเพียงจำนวน Band แต่ยังต่างกันด้าน Bandwidth, Spectral Resolution, Spatial Resolution, Data Volume และงานที่เหมาะสม

สามารถสรุปภาพรวมได้ว่า

Panchromatic → เน้นรายละเอียดเชิงพื้นที่

Multispectral → สมดุลระหว่างสี สเปกตรัม และพื้นที่

Hyperspectral → เน้นรายละเอียดเชิงสเปกตรัมและการจำแนกวัสดุ

ดังนั้นคำถามที่สำคัญไม่ใช่

“ภาพแบบไหนดีที่สุด?”

แต่คือ

“เราต้องการเห็นรายละเอียดเชิงพื้นที่ หรือรายละเอียดเชิงสเปกตรัมมากกว่ากัน?”

1. Band คือพื้นฐานของความแตกต่าง

ก่อนเปรียบเทียบภาพทั้งสามประเภท ต้องเข้าใจคำว่า Band

Band คือช่วงความยาวคลื่นที่ Sensor ใช้ตรวจวัดพลังงาน

ตัวอย่างเช่น

Blue Band

Green Band

Red Band

Near Infrared Band

Shortwave Infrared Band

แต่ละ Band จึงเป็นเหมือน “หน้าต่าง” ที่ Sensor ใช้มองโลกใน Wavelength เฉพาะ

หาก Sensor มี Band เดียว เราจะมีข้อมูลเชิง Spectral จำกัด

หากมีหลาย Band เราจะสามารถเปรียบเทียบการตอบสนองของวัตถุในหลาย Wavelength

และหากมี Band จำนวนมากและแคบมาก เราจะสามารถเห็นรายละเอียดของ Spectral Signature ได้ละเอียดขึ้น

2. Panchromatic Imagery คืออะไร

คำว่า Panchromatic หมายถึงภาพที่ Sensor บันทึกพลังงานในช่วงคลื่นกว้างรวมกันเป็น Band เดียว

โดยทั่วไป Band อาจครอบคลุมส่วนหนึ่งของ Visible และในบาง Sensor อาจครอบคลุมถึง Near Infrared บางช่วง ขึ้นกับการออกแบบ

ผลลัพธ์โดยทั่วไปแสดงเป็น

Grayscale Image

หรือภาพขาว–ดำ

Pixel ที่ได้รับพลังงานมากจะสว่าง

Pixel ที่ได้รับพลังงานน้อยจะมืด

จุดเด่นสำคัญของ Panchromatic คือ Sensor บางระบบสามารถให้ Spatial Resolution สูงกว่า Multispectral Bands

3. ทำไม Panchromatic จึงมักละเอียดกว่า

Sensor มีปริมาณพลังงานจำกัดที่เข้าสู่ Detector

หากรวมพลังงานจากช่วง Wavelength กว้างไว้ใน Band เดียว จะมี Signal มากกว่าการแบ่งออกเป็น Band แคบหลายชุด

ด้วยเหตุผลทาง Sensor Design นี้ ระบบจำนวนมากจึงสามารถออกแบบ Panchromatic Detector ให้มี Pixel เล็กกว่า Multispectral

ตัวอย่างเชิงแนวคิด

Panchromatic → 0.5 เมตร

Multispectral → 2 เมตร

ในดาวเทียมเดียวกัน

ตัวเลขจริงแตกต่างกันตาม Sensor

ดังนั้น Panchromatic จึงเหมาะกับงานที่ต้องการ

Shape

Edge

Road

Building

Infrastructure

และรายละเอียดเชิงพื้นที่สูง

4. Panchromatic เห็นสีหรือไม่

Panchromatic บันทึกเพียง Band เดียว

จึงไม่มีข้อมูลสีแบบ RGB จริง ๆ

ภาพจะแสดงเป็น

Black → Gray → White

แม้ Sensor จะรับพลังงานจากหลาย Wavelength รวมกัน แต่ไม่สามารถแยกได้ว่าพลังงานมาจาก Red, Green หรือ NIR เท่าไร

ดังนั้น Panchromatic จึงมี

Spatial Information สูง

แต่

Spectral Information ต่ำ

เมื่อเทียบกับ Multispectral และ Hyperspectral

5. Panchromatic ใช้ทำอะไร

งานที่ Panchromatic เหมาะ เช่น

• Base Mapping

• Road Mapping

• Building Extraction

• Urban Structure

• Engineering Mapping

• Visual Interpretation

• Pan-sharpening

ภาพ Panchromatic ยังมีประโยชน์มากในการตรวจ Shape และ Texture ของวัตถุ

แต่ไม่เหมาะกับงานที่ต้องแยกวัสดุจาก Spectral Signature อย่างละเอียด

6. Multispectral Imagery คืออะไร

Multispectral Imagery คือข้อมูลที่ Sensor บันทึกพลังงานใน Band หลายช่วงที่ถูกเลือกไว้

ตัวอย่างเช่น

Blue

Green

Red

NIR

Red Edge

SWIR

แต่ละ Sensor มีจำนวนและตำแหน่ง Band แตกต่างกัน

Multispectral Sensor จึงมองโลกได้มากกว่ากล้อง RGB เพราะสามารถตรวจ Wavelength ที่สายตามนุษย์มองไม่เห็น

นี่คือประเภทข้อมูลที่ถูกใช้แพร่หลายที่สุดใน Earth Observation

7. ตัวอย่าง Multispectral Sensor

ดาวเทียมที่มี Multispectral Sensor ที่รู้จักกันดี ได้แก่

Landsat

Sentinel-2

รวมถึงดาวเทียมเชิงพาณิชย์จำนวนมาก

Sentinel-2 ตัวอย่างเช่น มี Band ใน

Visible

Red Edge

NIR

และ SWIR

ทำให้สามารถใช้กับ

• Agriculture

• Forestry

• Water

• Land Cover

• Urban

• Environment

ได้อย่างหลากหลาย

8. Multispectral มีข้อดีอย่างไร

Multispectral เป็นจุดสมดุลที่ดีระหว่าง

Spatial Resolution

Spectral Resolution

Coverage

Temporal Resolution

และ

Data Volume

เราสามารถสร้าง

True Color

False Color

NDVI

NDWI

NDBI

NBR

และ Spectral Indices อีกจำนวนมาก

จึงเป็นข้อมูลที่เหมาะมากสำหรับงานประยุกต์ทั่วไป

9. True Color มาจาก Multispectral อย่างไร

หาก Sensor มี

Red

Green

Blue

เราสามารถนำแต่ละ Band มาแสดงในช่องสีตรงกัน

Red → Red

Green → Green

Blue → Blue

ได้ภาพที่เรียกว่า

True Color Composite

ภาพมีลักษณะใกล้กับสิ่งที่สายตามนุษย์เห็น

แต่ข้อมูล Multispectral มี Band อื่นมากกว่านั้น จึงสามารถสร้าง Visualization รูปแบบอื่นได้

10. False Color คือพลังของ Multispectral

ถ้านำ

NIR → Red

Red → Green

Green → Blue

เราจะได้ False Color Composite รูปแบบหนึ่ง

พืชพรรณสมบูรณ์มักปรากฏเป็นสีแดงเด่น

การทำ False Color คือการเปลี่ยน Band ที่ตามองไม่เห็นให้กลายเป็นสีที่มนุษย์มองเห็น

นี่ทำให้เราสามารถตรวจ Pattern ที่ True Color อาจมองเห็นได้ยาก

11. Multispectral กับ Spectral Indices

จุดแข็งสำคัญมากของ Multispectral คือสามารถนำ Band หลายช่วงมาคำนวณร่วมกัน

เช่น

NDVI = (NIR − Red) / (NIR + Red)

ใช้ศึกษาพืชพรรณ

NBR

ใช้ NIR และ SWIR เพื่อช่วยวิเคราะห์ Burned Area

NDBI

ใช้ NIR และ SWIR เพื่อช่วยเน้น Built-up Area ในบางบริบท

ดังนั้น Multispectral ไม่ได้มีไว้เพียงสร้างภาพสี แต่ใช้สร้าง Derived Information

12. Hyperspectral Imagery คืออะไร

Hyperspectral Imagery คือข้อมูลที่ประกอบด้วย Band จำนวนมากและ Band แคบกว่า Multispectral อย่างมาก

อาจมี

หลายสิบ

หลายร้อย

หรือมากกว่านั้นตาม Sensor

Band มักเรียงต่อเนื่องหรือใกล้ต่อเนื่องในช่วง Wavelength ที่ Sensor ครอบคลุม

ผลคือเราสามารถสร้าง Spectral Curve ที่ละเอียดมากสำหรับ Pixel แต่ละตำแหน่ง

นี่คือสิ่งที่ทำให้ Hyperspectral แตกต่างจาก Multispectral อย่างชัดเจน

13. Spectral Cube คืออะไร

ข้อมูล Hyperspectral มักถูกอธิบายเป็น Spectral Cube

ประกอบด้วยสามมิติ

X = ตำแหน่งแนวหนึ่ง

Y = ตำแหน่งอีกแนวหนึ่ง

Z = Wavelength / Band

ดังนั้น Pixel หนึ่งตำแหน่งไม่ได้มีค่าเพียง RGB หรือ 10 Band แต่มี Spectrum ยาวหลายสิบหรือหลายร้อยค่า

เราสามารถเลือก

หนึ่ง Band → ดูเป็นภาพ

หรือ

หนึ่ง Pixel → ดูเป็น Spectral Curve

ได้

นี่คือความสามารถหลักของ Imaging Spectroscopy

14. Multispectral กับ Hyperspectral ต่างกันอย่างไร

ลองเปรียบเทียบง่าย ๆ

Multispectral เหมือนการถามว่าสีของวัตถุคือ

แดง

เขียว

น้ำเงิน

NIR

SWIR

ในจุดสำคัญบางช่วง

แต่ Hyperspectral เหมือนการวัด Spectrum อย่างละเอียดเกือบต่อเนื่อง

จึงเห็น

Absorption Features

ที่ Band กว้างของ Multispectral อาจมองข้าม

ดังนั้น

Multispectral → Broad Spectral Pattern

Hyperspectral → Fine Spectral Detail

15. Hyperspectral เหมาะกับอะไร

Hyperspectral มีศักยภาพสูงในงานที่ต้องการระบุชนิดวัสดุ

เช่น

Mineral Mapping

Alteration Mapping

Vegetation Species

Crop Stress

Soil Properties

Water Quality

Material Identification

แต่ผลสำเร็จขึ้นกับคุณภาพข้อมูล สภาพแวดล้อม Calibration และความรู้เฉพาะด้านด้วย

16. Hyperspectral กับแร่

แร่หลายชนิดมี Absorption Features ใน Wavelength เฉพาะ

หาก Sensor มี Band กว้าง Feature อาจถูกเฉลี่ยจนมองไม่เห็น

Hyperspectral มี Band แคบ จึงสามารถเห็นรายละเอียดเหล่านี้

แนวคิดคือ

Mineral Chemistry

↓

Absorption Feature

↓

Hyperspectral Spectrum

↓

Spectral Matching

↓

Mineral Interpretation

นี่เป็นเหตุผลที่ Hyperspectral มีบทบาทมากใน Geological Remote Sensing

17. Hyperspectral กับพืช

พืชต่างชนิดหรือพืชที่มี Stress ต่างกันอาจมีความแตกต่างเล็ก ๆ ใน

Pigment

Red Edge

Water Absorption

และ Spectral Shape

Hyperspectral จึงสามารถช่วยศึกษารายละเอียดระดับที่ Multispectral บางระบบอาจแยกได้ยาก

เช่น

Species Classification

Plant Stress

Chlorophyll

หรือ Biochemical Properties บางชนิด

18. Hyperspectral มีข้อจำกัดอะไร

ข้อมูล Hyperspectral มี Data Volume ใหญ่มาก

ถ้ามี 300 Band แทนที่จะมี 10 Band ข้อมูลจะใหญ่ขึ้นมหาศาล

จึงต้องใช้

Storage

Processing Power

Calibration

Noise Reduction

และ Algorithm ที่ซับซ้อนกว่า

อีกปัญหาคือ

Curse of Dimensionality

เมื่อ Feature มีจำนวนมากแต่ Training Sample มีน้อย Model อาจ Overfit ได้ง่าย

19. Curse of Dimensionality

สมมติเรามี Training Samples เพียง 100 จุด แต่ Hyperspectral มี 300 Bands

จำนวน Feature มากกว่า Sample มาก

Machine Learning อาจเรียนรู้ Noise แทน Pattern จริง

จึงต้องใช้เทคนิค เช่น

Feature Selection

Dimensionality Reduction

หรือเพิ่ม Training Data

ดังนั้น Hyperspectral ไม่ได้หมายความว่า

“Band เยอะ = Accuracy สูงเสมอ”

20. PCA กับ Hyperspectral

เทคนิคที่ใช้บ่อยคือ Principal Component Analysis (PCA)

PCA สามารถลดจำนวน Dimension โดยสร้าง Component ใหม่ที่รวบรวม Variance สำคัญของข้อมูล

ตัวอย่าง

300 Bands

↓

PCA

↓

10–20 Components สำคัญ

ข้อดีคือช่วยลด Data Volume และ Correlation ระหว่าง Band

แต่ Component ใหม่ไม่ได้มีความหมายทาง Spectral ตรงไปตรงมาเหมือน Band ดั้งเดิมเสมอไป

21. Band Selection

บางครั้งไม่จำเป็นต้องใช้ทุก Band

เราสามารถเลือกเฉพาะ Band ที่มีข้อมูลสำคัญต่อ Target

เรียกว่า Band Selection

ตัวอย่าง Mineral Mapping อาจเลือก Band ที่ใกล้ Absorption Feature

งานพืชอาจเลือก

Red

Red Edge

NIR

SWIR

ข้อดีคือ

ลด Noise

ลด Processing

และอาจเพิ่ม Model Performance

22. Spectral Library กับ Hyperspectral

Hyperspectral สามารถเปรียบเทียบ Spectrum ของ Pixel กับ

Spectral Library

ซึ่งมี Reference Spectrum ของวัสดุที่ทราบชนิดแล้ว

กระบวนการคือ

Unknown Pixel Spectrum

↓

Compare

↓

Reference Spectra

↓

Possible Material

เทคนิค เช่น

Spectral Angle Mapper

สามารถใช้ช่วยวัดความคล้ายของ Spectral Shape

23. Panchromatic กับ Multispectral ทำงานร่วมกันได้

ข้อดีของ Panchromatic คือ Spatial Resolution สูง

ข้อดีของ Multispectral คือมีสีและ Spectral Information

จึงเกิดแนวคิด

Pan-sharpening

คือการรวม

High-resolution Panchromatic

กับ

Lower-resolution Multispectral

เพื่อสร้างภาพ Multispectral ที่มีรายละเอียดเชิงพื้นที่สูงขึ้น

24. Pan-sharpening คืออะไร

ตัวอย่าง

Panchromatic = 0.5 m

Multispectral = 2 m

Pan-sharpening

↓

Color / Multispectral-like Image = ประมาณ 0.5 m Grid

เป้าหมายคือเก็บ

Spatial Detail จาก PAN

และ

Spectral Information จาก MS

ให้มากที่สุด

แต่ภาพผลลัพธ์เป็นผลิตภัณฑ์จาก Data Fusion ไม่ใช่ Multispectral Measurement ที่ Sensor วัดจริงที่ 0.5 เมตร

25. Pan-sharpening ไม่ได้สร้างข้อมูล Spectral ใหม่

นี่เป็นเรื่องสำคัญ

แม้ผลลัพธ์ Pan-sharpened จะดูเหมือน Multispectral ความละเอียดสูง แต่ข้อมูล Spectral ต้นทางยังมาจาก Multispectral Resolution เดิม

Algorithm เพียงนำรายละเอียดจาก PAN มาช่วยเพิ่ม Spatial Contrast

จึงอาจเกิด

Spectral Distortion

ได้

โดยเฉพาะหาก Panchromatic Band ครอบคลุม Wavelength ต่างจาก Multispectral มาก

ดังนั้น Pan-sharpened Imagery เหมาะกับ Visualization และ Mapping หลายประเภท แต่ต้องระมัดระวังในการวิเคราะห์เชิง Spectral ที่ต้องการความแม่นยำสูง

26. เทคนิค Pan-sharpening

มีวิธีหลายประเภท เช่น

IHS

PCA

Brovey Transform

Gram-Schmidt

Wavelet-based Methods

แต่ละวิธีมี Trade-off ระหว่าง

Spatial Enhancement

และ

Spectral Preservation

จึงควรเลือกตามประเภท Sensor และวัตถุประสงค์

27. Panchromatic vs Multispectral vs Hyperspectral

สามารถสรุปง่าย ๆ ได้ดังนี้

Panchromatic

จำนวน Band → 1

Bandwidth → กว้าง

Spatial Detail → มักสูง

Spectral Detail → ต่ำ

เหมาะกับ → Base Map, Urban Detail, Structure

Multispectral

จำนวน Band → หลาย Band

Bandwidth → ปานกลาง

Spatial Detail → ปานกลางถึงสูง

Spectral Detail → ปานกลาง

เหมาะกับ → งานทั่วไปจำนวนมาก

Hyperspectral

จำนวน Band → หลายสิบถึงหลายร้อย

Bandwidth → แคบ

Spatial Detail → ขึ้นกับ Sensor

Spectral Detail → สูงมาก

เหมาะกับ → Material Identification

28. ภาพที่มี Band มากกว่าไม่ได้สวยกว่าเสมอไป

Hyperspectral มี Band จำนวนมาก แต่เมื่อแสดงบนจอ เราก็ยังเลือกเพียง 3 Band มาใส่ในช่อง RGB

ดังนั้นภาพที่มองเห็นอาจไม่ได้ต่างจาก Multispectral มากนัก

คุณค่าที่แท้จริงของ Hyperspectral อยู่ใน

Spectrum ของแต่ละ Pixel

ไม่ใช่ความสวยงามของภาพ

นี่เป็นเหตุผลที่ Hyperspectral ต้องใช้การวิเคราะห์เชิง Spectroscopy มากกว่าการดูภาพเพียงอย่างเดียว

29. RGB Camera จัดอยู่ตรงไหน

กล้อง RGB มี

Red

Green

Blue

จึงถือเป็น Sensor แบบ Multiband อย่างง่าย แต่ในบริบท Remote Sensing เรามักใช้คำว่า Multispectral กับระบบที่มี Band เฉพาะมากกว่า RGB และมักครอบคลุม Wavelength นอก Visible ด้วย

Drone RGB เหมาะกับ

Orthophoto

3D Reconstruction

Visual Mapping

แต่ถ้าต้องการ NDVI ต้องมี NIR เพิ่ม

จึงต้องใช้ Multispectral Camera

30. Drone Multispectral

Drone Multispectral Camera มักมี Band เช่น

Blue

Green

Red

Red Edge

NIR

จึงเหมาะกับ Precision Agriculture

สามารถใช้สร้าง

NDVI

NDRE

Vegetation Map

และ Spatial Variability ภายในแปลง

ข้อดีคือ Spatial Resolution สูงมาก

แต่ Coverage จำกัดเมื่อเทียบกับ Satellite

31. Drone Hyperspectral

Hyperspectral Sensor สามารถติดบน Drone ได้เช่นกัน

จึงรวม

High Spatial Resolution

กับ

High Spectral Resolution

แต่ระบบมีความซับซ้อนมาก

ต้องคำนึงถึง

Calibration

Flight Stability

Illumination

Data Volume

และ Processing

เหมาะกับงานวิจัยหรือการสำรวจเฉพาะทางที่ต้องการรายละเอียดสูงมาก

32. Satellite Hyperspectral

ดาวเทียม Hyperspectral ทำให้เราสามารถเก็บ Spectral Data รายละเอียดสูงในพื้นที่กว้างขึ้น

ตัวอย่างภารกิจในยุคปัจจุบันมีการสำรวจด้าน

Minerals

Vegetation

Soil

Water

และ Environmental Science

ข้อได้เปรียบคือ Coverage มากกว่า Aircraft/Drone

แต่ Spatial Resolution อาจไม่ละเอียดเท่าระบบที่บินต่ำกว่า

33. Airborne Hyperspectral

เครื่องบินเป็น Platform ที่นิยมใช้ Hyperspectral มายาวนาน เพราะสามารถติด Sensor ที่มีขนาดใหญ่และมีระบบ Calibration ที่ซับซ้อนกว่า Drone

จุดเด่นคือ

Spectral Resolution สูง

Spatial Resolution สูง

และสามารถเลือกพื้นที่บินได้

จึงเหมาะกับ

Mineral Exploration

Environmental Mapping

Forestry

และ Research

34. Spectral Sampling กับ Spectral Resolution

มีคำสองคำที่ไม่ควรสับสน

Spectral Sampling Interval

คือระยะห่างระหว่างจุดที่ Sensor Sampling Spectrum

ส่วน

Spectral Resolution

เกี่ยวข้องกับความสามารถในการแยก Spectral Feature ซึ่งสัมพันธ์กับ Bandwidth และ Instrument Response

Sensor อาจ Sampling ทุก 5 nm แต่มี Bandwidth กว้างกว่า 5 nm

ดังนั้นตัวเลข Band Spacing อย่างเดียวไม่ได้บอก Spectral Resolution ทั้งหมด

35. Band ไม่จำเป็นต้องต่อเนื่องเสมอไป

Multispectral Sensor มักเลือก Band เฉพาะบาง Wavelength ที่มีประโยชน์

เช่น

Blue

Green

Red

Red Edge

NIR

SWIR

เว้นช่วงที่ Atmosphere ดูดกลืนมาก

Hyperspectral มักเก็บ Band ต่อเนื่องมากกว่า แต่ก็อาจมีช่วงที่ข้อมูลไม่ดีจาก Atmospheric Absorption

ดังนั้น Band Design เกี่ยวข้องกับทั้ง

Target Signature

และ

Atmospheric Window

36. Signal-to-noise Ratio สำคัญมาก

Band แคบรับพลังงานน้อยกว่า Band กว้างโดยทั่วไป

จึงอาจมี Signal-to-noise Ratio ต่ำกว่า

Hyperspectral Sensor จึงต้องออกแบบ Detector และ Calibration อย่างดี

หาก Noise สูง Spectral Feature ที่ละเอียดอาจถูกกลบ

ดังนั้น Spectral Resolution สูงจะมีประโยชน์ก็ต่อเมื่อ

Signal Quality ดีพอ

37. Multispectral เหมาะกับงานทั่วไปมากที่สุดหรือไม่

ในหลายกรณี คำตอบคือใช่ เพราะเป็นสมดุลที่ดีระหว่าง

ข้อมูล

ความง่าย

ขนาดไฟล์

ราคา

และ Data Availability

ตัวอย่างงาน

Land Cover

Crop Monitoring

Forest Change

Water

Urban

Disaster

สามารถทำได้ดีด้วย Multispectral

จึงไม่จำเป็นต้องใช้ Hyperspectral หากคำถามไม่ได้ต้องการ Spectral Detail สูงขนาดนั้น

38. Hyperspectral เหมาะเมื่อ “อะไร” สำคัญกว่า “อยู่ตรงไหน”

ถ้าโจทย์คือ

“วัสดุนี้คืออะไร?”

Spectral Detail มีความสำคัญมาก

Hyperspectral จึงโดดเด่น

แต่ถ้าคำถามคือ

“อาคารนี้อยู่ตรงไหน?”

Spatial Resolution อาจสำคัญกว่า

Panchromatic หรือ High-resolution Multispectral อาจเหมาะกว่า

จึงต้องเลือกประเภทข้อมูลตามคำถาม

39. Panchromatic เหมาะเมื่อ “รูปร่าง” สำคัญ

งานที่ต้องการเห็น

Road Edge

Building Shape

Infrastructure

Drainage

หรือรายละเอียดเชิง Geometry

Panchromatic มีประโยชน์มาก

โดยเฉพาะเมื่อ Sensor ให้ Spatial Resolution สูง

แต่หากต้องการแยก

Vegetation

Water

Soil

และ Roof Material

Multispectral อาจมีประโยชน์มากกว่า

40. ตัวอย่างที่ 1 ทำแผนที่เมือง

ต้องการ

อาคาร

ถนน

ขอบเขตโครงสร้าง

→ High-resolution Panchromatic หรือ Multispectral

ต้องการ

พื้นที่สีเขียว

Built-up

Water

→ Multispectral

ต้องการ

ชนิดวัสดุหลังคาอย่างละเอียด

→ อาจใช้ Hyperspectral หาก Resolution และข้อมูลเหมาะสม

นี่คือการเลือก Data Type ตามระดับคำถาม

41. ตัวอย่างที่ 2 เกษตรกรรม

ต้องการดู

ขอบแปลง

→ High-resolution RGB / PAN / Multispectral

ต้องการ

Vegetation Health

→ Multispectral NIR + Red Edge

ต้องการ

Stress หรือ Biochemical Detail

→ Hyperspectral อาจเพิ่มข้อมูลได้

จึงสามารถใช้ทั้งสามระดับตามวัตถุประสงค์

42. ตัวอย่างที่ 3 งานธรณีวิทยา

ต้องการ

Fault และ Lineament

→ Panchromatic หรือ High-resolution Optical + DEM

ต้องการ

Lithological Difference ทั่วไป

→ Multispectral

ต้องการ

Mineral Absorption Feature

→ Hyperspectral

นี่เป็นตัวอย่างชัดเจนว่าความสำคัญของ Spatial และ Spectral Resolution เปลี่ยนไปตามโจทย์

43. ตัวอย่างที่ 4 น้ำและคุณภาพน้ำ

ต้องการ

ขอบเขตแหล่งน้ำ

→ Multispectral เพียงพอในหลายงาน

ต้องการ

Turbidity หรือ Chlorophyll

→ ต้องเลือก Band ที่เหมาะสมและ Algorithm เฉพาะ

ต้องการรายละเอียด Spectral ของ Water Constituents

→ Hyperspectral มีศักยภาพสูงกว่า

แต่ต้องคำนึงถึง Atmospheric Correction อย่างมาก

44. Data Fusion

ภาพทั้งสามประเภทไม่จำเป็นต้องเลือกเพียงอย่างเดียว

เราสามารถรวม

Panchromatic + Multispectral

หรือ

Multispectral + Hyperspectral

หรือ

Optical + SAR + LiDAR

เพื่อเพิ่มข้อมูลหลายมิติ

แนวคิดนี้เรียกว่า

Data Fusion

เป้าหมายคือใช้จุดแข็งของ Sensor แต่ละชนิดเสริมกัน

45. Spatial–Spectral Fusion

อีกแนวคิดหนึ่งคือการรวมข้อมูลที่มี

High Spatial Resolution

กับข้อมูลที่มี

High Spectral Resolution

เพื่อสร้างผลิตภัณฑ์ที่มีคุณสมบัติทั้งสองด้านดีขึ้น

Pan-sharpening เป็นตัวอย่างง่าย

แต่มีเทคนิคที่ซับซ้อนกว่าสำหรับ

Multispectral–Hyperspectral Fusion

และ Super-resolution

อย่างไรก็ตามผลลัพธ์เป็นการประมาณหรือ Fusion ไม่ใช่ Measurement ตรงของ Sensor เดียว

46. AI กับ Hyperspectral

Hyperspectral Data เหมาะกับ Machine Learning เพราะมี Feature จำนวนมาก

Algorithm สามารถเรียนรู้ Spectral Pattern ซับซ้อนได้

เช่น

Random Forest

SVM

Deep Learning

แต่ต้องระวัง

Training Data

Overfitting

Spatial Autocorrelation

และ Dimensionality

จึงต้องมี Validation ที่ดี

47. Deep Learning กับ Spectral Cube

Deep Learning สามารถวิเคราะห์ข้อมูล Hyperspectral ทั้ง

Spectral Dimension

และ

Spatial Dimension

เช่น 3D CNN

แนวคิดคือไม่เพียงดู Spectrum ของ Pixel หนึ่ง แต่ยังดู Pattern ของ Pixel รอบข้าง

จึงเชื่อม

Spectral + Spatial Information

ซึ่งเป็นแนวทางสำคัญของ GeoAI

48. เลือกข้อมูลด้วยหลัก “เพียงพอ”

ไม่จำเป็นต้องเลือกข้อมูลที่มี Band มากที่สุดหรือ Pixel เล็กที่สุด

ควรเลือกข้อมูลที่ “เพียงพอ” ต่อคำถาม

ถ้า Sentinel-2 สามารถแยก Forest กับ Water ได้ดี ก็ไม่จำเป็นต้องใช้ Hyperspectral หลายร้อย Band

หากต้องการแยก Mineral Feature เฉพาะ Multispectral อาจไม่เพียงพอ

หลักการคือ

Use enough information to answer the question reliably

ไม่ใช่

Use the most complex sensor available

49. คำถามก่อนเลือก Panchromatic, Multispectral หรือ Hyperspectral

ก่อนเลือกข้อมูลให้ถาม

1. ต้องการแยกวัตถุจากรูปร่างหรือ Spectral Signature?

2. Target มีขนาดเท่าไร?

3. ต้องการแยกวัสดุละเอียดระดับไหน?

4. ต้องการ Time Series หรือไม่?

5. Data Volume และ Processing รองรับได้หรือไม่?

ถ้าคำถามเน้น Shape

→ Panchromatic

ถ้าเน้นงานทั่วไปหลายประเภท

→ Multispectral

ถ้าเน้น Material Identification

→ Hyperspectral

50. จาก Band สู่ Information

สุดท้าย Band เป็นเพียงข้อมูลดิบ

กระบวนการที่สร้างคุณค่าคือ

Electromagnetic Energy

↓

Sensor Bands

↓

Panchromatic / Multispectral / Hyperspectral Data

↓

Calibration

↓

Image Processing

↓

Band Combination / Spectral Analysis

↓

Classification / Index / AI

↓

GIS

↓

Information

↓

Decision

จำนวน Band ที่มากขึ้นไม่ได้มีคุณค่า หากเราไม่เข้าใจว่าควรใช้ Band เหล่านั้นตอบคำถามอะไร

สิ่งที่ควรจำจาก RS101-09

หากต้องจำเพียง 5 เรื่อง ให้จำว่า

1. Panchromatic มี Band เดียวกว้าง และมักเด่นด้าน Spatial Detail

2. Multispectral มีหลาย Band และเหมาะกับงาน Remote Sensing ทั่วไปมากที่สุดกลุ่มหนึ่ง

3. Hyperspectral มี Band จำนวนมากและแคบ จึงอ่าน Spectral Signature ได้ละเอียด

4. Pan-sharpening รวม Spatial Detail จาก Panchromatic กับ Spectral Information จาก Multispectral

5. จำนวน Band มากที่สุดไม่ได้หมายความว่าดีที่สุด ต้องเลือกให้เหมาะกับคำถาม

นี่คือหัวใจสำคัญของบทนี้

สรุป RS101-09

Panchromatic, Multispectral และ Hyperspectral ต่างกันที่ จำนวน Band ความกว้างของ Band และรายละเอียดทาง Spectral ที่ Sensor สามารถตรวจวัดได้

Panchromatic รวมพลังงานช่วงกว้างเป็น Band เดียว จึงให้ข้อมูลขาว–ดำ แต่ในหลายระบบสามารถให้ Spatial Resolution สูง เหมาะกับการดูรูปร่าง อาคาร ถนน และโครงสร้าง

Multispectral แบ่ง Spectrum ออกเป็นหลาย Band เช่น Blue, Green, Red, NIR และ SWIR ทำให้สามารถสร้าง True Color, False Color และ Spectral Indices และเป็นข้อมูลหลักของงาน Land Cover, Agriculture, Forestry, Water, Urban และ Environmental Monitoring

Hyperspectral แบ่ง Spectrum เป็น Band แคบจำนวนมาก ทำให้เห็นรายละเอียดของ Spectral Signature และ Absorption Features จึงมีศักยภาพสูงใน Mineral Mapping, Material Identification, Vegetation Analysis และงานวิจัยที่ต้องการ Spectral Detail สูง

สิ่งสำคัญคือทั้งสามประเภทไม่ได้แข่งขันกันโดยตรง

แต่ให้ข้อมูลคนละแบบ

Panchromatic บอก “รูปร่างและรายละเอียด” ได้ดี

Multispectral บอก “ลักษณะเชิงสเปกตรัมในหลายช่วงสำคัญ”

และ

Hyperspectral บอก “รายละเอียดของลายเซ็นทางสเปกตรัม” ได้ลึกกว่า

เมื่อเข้าใจจุดแข็งของแต่ละประเภท เราสามารถเลือกใช้เพียงอย่างเดียวหรือทำ Data Fusion เพื่อสร้างข้อมูลที่เหมาะกับปัญหามากที่สุด

เพราะใน Remote Sensing คำถามที่ถูกต้องไม่ใช่

“มี Band กี่ Band?”

แต่คือ

“Band เหล่านั้นช่วยให้เราเห็นสิ่งที่ต้องการรู้ได้มากขึ้นหรือไม่?”

#RS101 #RemoteSensing #Panchromatic #Multispectral #Hyperspectral #SpectralImaging #SpectralCube #PanSharpening #SatelliteImagery #EarthObservation #SpectralResolution #SpatialResolution #Sentinel2 #Landsat #MineralMapping #PrecisionAgriculture #GIS #Geoinformatics #GeoAI #SmartMapping

.