เทคโนโลยี Remote Sensing (Geospatial Big Data) กับงานประยุกต์ด้านต่าง ๆ
Remote Sensing คืออะไร ?
หลาย ๆ ท่านอาจจะพอทราบว่าเทคโนโลยีนี้ก็คือ การสำรวจระยะไกล ซึ่งตรวจจับลักษณะทางกายภาพของพื้นที่โดยอาศัยการวัดรังสีที่สะท้อนออกมาจากระยะไกล
แต่รู้หรือไม่? เทคโนโลยี Remote Sensing หรือการสำรวจระยะไกล นอกจากจะมีประโยชน์ในถ่ายภาพจากระยะไกลเป็นบริเวณกว้าง ทำให้มองเห็นในมุมมองที่กว้างขึ้นแล้ว ยังสามารถนำมาประยุกต์ในด้านอื่น ๆ ได้อีกมากมายอีกด้วย
ตั้งแต่ติดตามภัยพิบัติทางธรรมชาติ ทำนายสภาพอากาศจากเมฆ ไปจนถึงทำแผนที่ภูมิประเทศ Remote Sensing สามารถนำไปใช้ประโยชน์ได้อย่างหลากหลาย
แล้วการเลือกข้อมูลจากดาวเทียมเหล่านี้ไปใช้งาน ต้องคำนึงถึงเรื่องอะไรบ้างล่ะ? อะไรที่จะมีผลต่อการประยุกต์ใช้งานที่แตกต่างกัน? สามารถอ่านต่อได้ที่นี่เลย
เทคโนโลยี Remote Sensing (Geospatial Big Data) กับงานประยุกต์ด้านต่าง ๆ
Remote Sensing หรือ การสำรวจระยะไกล เป็นกระบวนการในการตรวจจับและตรวจสอบลักษณะทางกายภาพของพื้นที่โดยการวัดรังสีที่สะท้อน และที่ปล่อยออกมาจากระยะไกล (โดยทั่วไปมาจากดาวเทียมเครื่องบิน หรือ Drone) กล้องที่มีคุณสมบัติพิเศษจะทำการถ่ายภาพจากระยะไกล ซึ่งช่วยให้เราทราบสิ่งต่าง ๆ ที่เกิดขึ้นบนโลกได้ เพราะกล้องบนดาวเทียม สามารถถ่ายภาพพื้นที่บริเวณกว้าง ทำให้มองเห็นอะไรได้มากกว่าการยืนอยู่บนพื้น
และนี่คือตัวอย่างของการนำข้อมูลภาพดาวเทียมไปใช้ในงานประยุกต์ต่าง ๆ เช่น
- ●ติดตามไฟป่า ข้อมูลภาพดาวเทียม ทำให้เจ้าหน้าที่ป่าไม้บริหารจัดการพื้นที่บริเวณกว้างได้
- ●ติดตามเมฆ เพื่อช่วยทำนายสภาพอากาศ หรือ ใช้กับระบบแจ้งเตือนเมื่อเกิดพายุ
- ●บริหารจัดการสถานการณ์น้ำท่วมได้อย่างมีประสิทธิภาพ
- ●ติดตามการเติบโตของเมือง
- ●ติดตามการเปลี่ยนแปลงในพื้นที่การเกษตร พื้นที่ป่าไม้ ในช่วงหลาย ๆ ทศวรรษ
- ●การทำแผนที่ภูมิประเทศ เช่น เทือกเขา เหว ที่ราบ มหาสมุทร
- ●ฯลฯ
กล้องที่มีคุณสมบัติพิเศษบนดาวเทียม จะทำให้ได้ข้อมูลที่มีคุณลักษณะแตกต่างไปจากกล้องถ่ายภาพธรรมดาที่เราใช้กันทั่วไป หากพูดถึงกล้องถ่ายภาพปกติ จะให้ข้อมูลจำนวน 3 แบนด์ (Red, Green, Blue) และ โดยปกติข้อมูลจะถูกบีบอัดและจัดเก็บในรูปแบบบิต (8-14 บิตขึ้นอยู่กับสเปคของกล้อง) ในแต่ละแบนด์
แต่หากพิจารณาข้อมูลดาวเทียม จะมีคุณสมบัติที่แตกต่างออกไป มีความพิเศษมากกว่า เนื่องจากเป็นการถ่ายภาพจากระยะไกล ทำให้ต้องเอาชนะทั้งในเรื่องของ ระยะทาง และ สิ่งรบกวนต่าง ๆ ที่อาจเกิดขึ้นในชั้นบรรยากาศ ในการเลือกข้อมูลจากดาวเทียมไปใช้งานประยุกต์ สามารถพิจารณาจากเรื่องพื้นฐานอันหนึ่ง คือ Resolutions หรือ ความละเอียด นั่นเอง สามารถแบ่งได้เป็น 4 ประเภทได้แก่ Spatial, Spectral, Radiometric และ Temporal
1. Spatial Resolution (ความละเอียดเชิงพื้นที่)
จะเป็นอันที่ เราคุ้นเคยมากที่สุด เช่น ความละเอียดเชิงพื้นที่ 10 meters (m) หมายถึง ข้อมูลนั้น แสดงวัตถุขนาด 10 x 10 sq.m. ด้วย 1 จุดภาพ (Pixel) หรือ หากเปรียบเทียบกับข้อมูลอีกชุดหนึ่งที่ความละเอียดเชิงพื้นที่ 1 m. ก็จะเป็นข้อมูลที่ละเอียดมากกว่า เมื่อเทียบกับ 10 m.
Spatial Resolution ที่แตกต่างกัน High (ซ้าย) Medium (กลาง) Low (ขวา) (GIS Geography, 2022)
ตัวอย่าง ข้อมูลที่มีความละเอียดเชิงพื้นที่สูง (50 cm) นำมาใช้ในงานเกี่ยวกับด้านความมั่นคง ที่ต้องการเห็นรายละเอียดของวัตถุ เช่น เครื่องบินรบ รถยนต์ของผู้ก่อการร้าย
2. Spectral Resolution (ความละเอียดเชิงสเปคตรัม)
คือ ช่วงความยาวคลื่นที่ข้อมูลแต่ละชุดสามารถบ่งบอกได้ หรือ จำนวนแบนด์ของข้อมูลนั่นเอง เช่น มีแบนด์ NIR, Red, Green, Blue เรียกว่า Multi-Spectral หรือ มีแบนด์เป็นจำนวนหลักร้อย เรียกว่า Hyper-Spectral
Spectral Resolution (GIS Geography, 2022)
เหตุผลที่กล้องบนดาวเทียมมีจำนวนแบนด์มากกว่ากล้องถ่ายภาพปกติ เนื่องจากระยะทางที่ไกล และ หากต้องการตรวจจับวัตถุบนพื้นโลก เช่น พื้นที่เกษตรกรรม กับ มหาสมุทร การมีหลายแบนด์ทำให้สามารถสร้าง Signature ของวัตถุต่าง ๆ ได้มีประสิทธิภาพมากกว่า
3. Radiometric Resolution (ความละเอียดเชิงรังสี)
คือ ความละเอียดของข้อมูลดาวเทียม ที่แบ่งระดับการแยกแยะความเข้ม ในแต่ละแบนด์ ตัวอย่างของรูปภาพจากกล้องปกติ คือ ข้อมูล 8 บิต แสดงค่าที่แตกต่างได้ 2^8 = 256 ระดับ สำหรับข้อมูลดาวเทียม เช่น Landsat 8 อาจมีข้อมูลแบบ 16 บิต แสดงค่าได้ 2^16 = 65,536 ระดับ ในกรณีนี้ จำนวนบิตที่มาก จะแยกแยะความเข้มได้ละเอียดมากกว่านั่นเอง
4. Temporal Resolution (ความละเอียดเชิงเวลา)
ข้อมูลภาพดาวเทียม จะถูกถ่าย ณ ช่วงเวลาหนึ่ง ค่า Temporal Resolution จะเป็นการวัดช่วงเวลาที่จะได้ข้อมูลพื้นที่บริเวณเดิมอีกครั้ง บางครั้ง เรียกว่า “Return time” หรือ “Revisit time” เป็นเวลาที่ Satellite นั้น สามารถโคจรกลับมาถ่ายภาพ ณ บริเวณเดิมได้
Revisit Period (Credit: Patrik Mandelin)
พิจารณาข้อมูล Satellite อันหนึ่ง ซึ่งมีข้อมูลทุก 16 วัน เปรียบเทียบกับข้อมูลอีกชุดหนึ่ง มีข้อมูลทุก ๆ วัน ข้อมูลชุดที่มีทุกวัน จะมีความละเอียดเชิงเวลาที่มากกว่า
หากมีความเข้าใจเรื่องพื้นฐานเหล่านี้แล้ว เราก็สามารถเลือกใช้ข้อมูล ในแต่ละงานประยุกต์ได้อย่างเหมาะสม เช่น เหตุการณ์น้ำท่วม ที่ต้องบริหารจัดการแบบรายวัน ก็เลือกข้อมูลดาวเทียมที่มีความละเอียดรายวัน การประเมินพื้นที่ป่าไม้ที่หายไป ซึ่งดูการเปลี่ยนแปลงในรอบหลาย ๆ สิบปี ก็ไม่ต้องการความละเอียดเชิงเวลา และ พื้นที่ สูงมากนัก เป็นต้น
จะเห็นได้ว่าในแง่ของข้อมูล ถือได้ว่าเป็น (Geospatial) Big Data อันหนึ่ง ในปัจจุบันมีงานวิจัยเกี่ยวกับ Remote Sensing โดยใช้ Machine Learning หรือ Deep Learning Algorithms [3] เป็นจำนวนมาก และ มีข้อมูล Open Data ที่นิยมใช้อย่างเช่น Landsat, MODIS, Sentinel, ฯลฯ [4]
ข้อมูลอ้างอิง
3. Deep learning in remote sensing applications: A meta-analysis and review by Lei Ma et al. https://www.sciencedirect.com/science/article/pii/S0924271619301108
4. 15 Free Satellite Imagery Data Sources by GISGeography https://gisgeography.com/free-satellite-imagery-data-list/
5. หน่วยงานภาครัฐของไทย www.gistda.or.th
เนื้อหาโดย ดร.นรุตม์ สุนทรานนท์
ตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์
- 2
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
