rs101-05 Spectral Signature: ทำไมดิน น้ำ และพืชจึงมองเห็นต่างกันจากอวกาศ

rs101-05 Spectral Signature ทำไมดิน น้ำ และพืชจึงมองเห็นต่างกันจากอวกาศ

Spectral Signature: ทำไมดิน น้ำ และพืชจึงมองเห็นต่างกันจากอวกาศ “ลายเซ็นทางสเปกตรัม” กุญแจสำคัญที่ทำให้ดาวเทียมแยกสิ่งต่าง ๆ บนพื้นโลกออกจากกันได้

หากเรามองลงมาจากอวกาศด้วยสายตามนุษย์ ป่าไม้ก็คือพื้นที่สีเขียว แม่น้ำและทะเลมักเป็นสีน้ำเงินหรือสีคล้ำ ดินอาจเป็นสีน้ำตาล ส่วนเมืองเป็นสีเทาสลับกับสีของหลังคาและถนน แต่ Sensor บนดาวเทียมไม่ได้มองโลกเพียงสามสีแบบที่ตามนุษย์เห็น มันสามารถตรวจวัดพลังงานในช่วงคลื่นที่กว้างกว่า ตั้งแต่ Visible Light, Near Infrared (NIR), Shortwave Infrared (SWIR) ไปจนถึง Thermal Infrared และ Microwave ในระบบตรวจวัดบางประเภท

สิ่งที่น่าสนใจคือ วัตถุแต่ละชนิดตอบสนองต่อพลังงานในแต่ละช่วงคลื่นไม่เหมือนกัน พืชอาจดูดกลืนแสงสีแดงอย่างมากแต่สะท้อน Near Infrared สูง น้ำอาจยังสะท้อนแสงบางส่วนในช่วง Visible แต่ดูดกลืน NIR และ SWIR อย่างมาก ขณะที่ดิน หิน และแร่แต่ละชนิดก็มีรูปแบบการสะท้อนและดูดกลืนที่แตกต่างกัน

เมื่อนำค่าการตอบสนองเหล่านี้มาเรียงตามความยาวคลื่น เราจะได้รูปแบบเฉพาะที่เรียกว่า Spectral Signature หรือ “ลายเซ็นทางสเปกตรัม”

นี่คือหนึ่งในแนวคิดที่สำคัญที่สุดของ Remote Sensing เพราะเป็นพื้นฐานของการจำแนกพืช น้ำ ดิน หิน แร่ พื้นที่เมือง พื้นที่ไฟไหม้ และวัตถุอื่น ๆ จากข้อมูลดาวเทียม

1. Spectral Signature คืออะไร?

Spectral Signature หมายถึง รูปแบบการตอบสนองของวัตถุต่อพลังงานแม่เหล็กไฟฟ้าในช่วงความยาวคลื่นต่าง ๆ

สำหรับ Optical Remote Sensing เรามักสนใจ Spectral Reflectance หรือสัดส่วนของพลังงานที่วัตถุสะท้อนกลับ

หากนำข้อมูลมาสร้างกราฟ จะกำหนดโดยทั่วไปว่า

แกน X = Wavelength

แกน Y = Reflectance

กราฟที่ได้เรียกว่า

Spectral Reflectance Curve

รูปร่างของเส้นกราฟสามารถช่วยบอกลักษณะของวัตถุได้

ลองนึกถึงลายนิ้วมือของมนุษย์ คนแต่ละคนมีรูปแบบลายนิ้วมือแตกต่างกัน ในทำนองเดียวกัน พืช น้ำ ดิน หิน และวัสดุต่าง ๆ ก็สามารถมีรูปแบบ Spectral Response แตกต่างกัน

จึงเกิดคำว่า

Spectral Signature = ลายเซ็นทางสเปกตรัม

อย่างไรก็ตาม Spectral Signature ไม่ใช่ “ลายนิ้วมือที่ตายตัว” เพราะสามารถเปลี่ยนแปลงได้ตามสภาพของวัตถุ สภาพแวดล้อม และเงื่อนไขการตรวจวัด

2. Spectral Signature เกิดขึ้นได้อย่างไร?

จาก RS101-04 เราทราบแล้วว่า เมื่อพลังงานตกกระทบวัตถุจะเกิดกระบวนการสำคัญ ได้แก่

Reflection — การสะท้อน

Absorption — การดูดกลืน

Transmission — การส่งผ่าน

ในเชิงแนวคิดสามารถเขียนได้ว่า

Incident Energy = Reflected + Absorbed + Transmitted Energy

หรือในรูปสัดส่วน

ρ + α + τ = 1

วัตถุแต่ละชนิดมีสัดส่วนของกระบวนการเหล่านี้แตกต่างกัน และที่สำคัญคือสัดส่วนเหล่านี้ยังเปลี่ยนไปตาม Wavelength

ดังนั้น

Material + Wavelength → Different Energy Interaction

และความแตกต่างนี้เองที่สร้าง Spectral Signature

3. ทำไมต้องดูหลายช่วงคลื่น?

สมมติว่าเรามีวัตถุสองชนิดที่สะท้อนแสงสีเขียวใกล้เคียงกัน หากใช้ Green Band เพียง Band เดียว เราอาจแยกวัตถุทั้งสองออกจากกันได้ยาก

แต่เมื่อเพิ่ม

Red

NIR

และ

SWIR

เราอาจพบว่าพฤติกรรมของวัตถุทั้งสองแตกต่างกันอย่างชัดเจน

นี่คือหลักสำคัญของ Multispectral Remote Sensing

แทนที่จะถามว่า

“วัตถุนี้สว่างแค่ไหน?”

เราถามว่า

“วัตถุนี้สว่างหรือมืดอย่างไรในแต่ละ Wavelength?”

เมื่อมีหลาย Band เราจึงมีข้อมูลหลายมิติสำหรับแยกวัตถุ

4. Spectral Signature ของพืชพรรณ

พืชพรรณเป็นตัวอย่างคลาสสิกที่สุดของ Spectral Signature

หากพิจารณาพืชสมบูรณ์ตั้งแต่ Visible ไปจนถึง SWIR จะพบรูปแบบที่โดดเด่นมาก

ในช่วง Visible พืชมี Pigments โดยเฉพาะ Chlorophyll ที่มีอิทธิพลต่อการดูดกลืนพลังงาน

Chlorophyll ดูดกลืนพลังงานสูงใน

Blue

และ

Red

แต่สะท้อน Green มากกว่า

นี่คือเหตุผลที่สายตามนุษย์มองเห็นใบไม้เป็นสีเขียว

แต่สิ่งที่น่าสนใจยิ่งกว่านั้นเกิดขึ้นเมื่อเข้าสู่ Near Infrared

5. Near Infrared กับโครงสร้างภายในใบ

ในช่วง NIR พฤติกรรมของพืชไม่ได้ถูกควบคุมโดย Chlorophyll เป็นหลักเหมือน Visible แต่ได้รับอิทธิพลอย่างมากจากโครงสร้างภายในใบ

พืชที่สมบูรณ์โดยทั่วไปจึงมี

NIR Reflectance สูง

ความแตกต่างระหว่าง

Red Reflectance ต่ำ

กับ

NIR Reflectance สูง

เป็นหนึ่งในลักษณะเด่นที่สุดของพืชสมบูรณ์

และเป็นพื้นฐานของดัชนี

NDVI — Normalized Difference Vegetation Index

6. Red Edge: จุดเปลี่ยนสำคัญของพืช

หากดู Spectral Curve ของพืช จะเห็นว่า Reflectance เพิ่มขึ้นอย่างรวดเร็วจาก Red ไปสู่ NIR

บริเวณนี้เรียกว่า

Red Edge

โดยทั่วไปอยู่บริเวณประมาณ 700 นาโนเมตรและช่วงใกล้เคียง แต่ตำแหน่งและรูปร่างสามารถเปลี่ยนแปลงตามชนิดและสภาพของพืช

Red Edge มีความสำคัญมาก เพราะสามารถสัมพันธ์กับคุณสมบัติของพืช เช่น Chlorophyll Content และสภาพทางสรีรวิทยาบางประการ

ดาวเทียมอย่าง Sentinel-2 จึงมี Red Edge Bands สำหรับงานด้าน Vegetation โดยเฉพาะ

7. พืชสมบูรณ์กับพืชเครียดต่างกันอย่างไร?

พืชที่ขาดน้ำ มีโรค ขาดสารอาหาร หรือได้รับ Stress จากสิ่งแวดล้อมอาจมีการเปลี่ยนแปลงของ

Pigment

Leaf Structure

และ

Water Content

ทำให้ Spectral Signature เปลี่ยนไป

ตัวอย่างเช่น Red Reflectance อาจเพิ่มขึ้น NIR อาจลดลง หรือ Red Edge อาจเปลี่ยนตำแหน่งและรูปร่าง

นี่คือเหตุผลที่ Remote Sensing สามารถนำมาใช้ใน

Crop Health Monitoring

Precision Agriculture

และ

Vegetation Stress Detection

ได้

แต่ต้องระวังว่า Spectral Stress ไม่ได้บอกสาเหตุเสมอไป พืชที่ขาดน้ำและพืชที่เป็นโรคอาจแสดง Stress คล้ายกัน จึงต้องใช้ข้อมูลอื่นประกอบ

8. SWIR กับน้ำในใบพืช

เมื่อเข้าสู่ Shortwave Infrared หรือ SWIR ปริมาณน้ำภายในใบมีอิทธิพลอย่างมากต่อ Spectral Response

น้ำมี Absorption Features หลายช่วงใน NIR/SWIR

ดังนั้นพืชที่มี Water Content แตกต่างกันสามารถมี Spectral Response ต่างกัน

นี่ทำให้ SWIR มีประโยชน์กับ

Vegetation Moisture

Drought Monitoring

Wildfire Risk

และ

Burned Area Analysis

จึงไม่ควรศึกษาพืชด้วย NDVI เพียงอย่างเดียว หากคำถามเกี่ยวข้องกับความชื้นหรือสภาพหลังไฟไหม้

9. Spectral Signature ของน้ำ

น้ำมีลักษณะ Spectral แตกต่างจากพืชอย่างชัดเจน

น้ำสามารถสะท้อนพลังงานใน Visible บางส่วน แต่เมื่อเข้าสู่ NIR และ SWIR การดูดกลืนจะเพิ่มขึ้นอย่างมาก

จึงทำให้แหล่งน้ำจำนวนมากปรากฏมืดในภาพ NIR และ SWIR

นี่คือหนึ่งในวิธีที่ง่ายที่สุดในการแยก

Water

ออกจาก

Land

ด้วยข้อมูล Multispectral

10. น้ำไม่ได้มี Spectral Signature แบบเดียว

คำว่า “น้ำ” ดูเหมือนเป็น Class เดียว แต่ในความเป็นจริงน้ำมีหลายสภาพ

เช่น

Clear Water

Turbid Water

Sediment-rich Water

Algae-rich Water

Shallow Water

Deep Water

สิ่งเหล่านี้มี Spectral Response ต่างกัน

น้ำที่มีตะกอนแขวนลอยสูงอาจมี Reflectance ใน Visible สูงกว่าน้ำใส

น้ำที่มี Phytoplankton มากอาจมีลักษณะ Spectral ที่ได้รับอิทธิพลจาก Chlorophyll

ดังนั้น Ocean Color และ Water Quality Remote Sensing จึงเป็นศาสตร์ที่สามารถศึกษารายละเอียดของน้ำได้มากกว่าการระบุว่า “ตรงนี้คือน้ำ”

11. ความลึกของน้ำมีผลต่อ Spectral Signature

ในน้ำตื้น Sensor อาจได้รับสัญญาณทั้งจาก

Water Column

และ

Bottom Surface

เช่น ทราย ปะการัง หรือพืชใต้น้ำ

แต่เมื่อความลึกเพิ่มขึ้น พลังงานถูกน้ำดูดกลืนมากขึ้น ทำให้สัญญาณจากพื้นท้องน้ำลดลง

ดังนั้น Bathymetric Remote Sensing ในพื้นที่น้ำตื้นต้องพิจารณา

Water Depth

Water Clarity

Bottom Type

และ

Atmospheric Effects

ร่วมกัน

12. Spectral Signature ของดิน

ดินมี Spectral Signature ซับซ้อนกว่าน้ำหรือพืช เพราะดินเป็นส่วนผสมของวัสดุหลายประเภท

Spectral Response ของดินได้รับอิทธิพลจาก

Moisture

Organic Matter

Mineral Composition

Iron Oxides

Texture

Particle Size

และ

Surface Roughness

โดยทั่วไปดินแห้งจำนวนมากมี Reflectance เพิ่มขึ้นอย่างค่อยเป็นค่อยไปจาก Visible ไปยัง NIR/SWIR แต่รูปแบบจริงขึ้นอยู่กับชนิดของดิน

13. ดินแห้งกับดินเปียก

หนึ่งในปัจจัยที่เห็นได้ชัดคือ Moisture

เมื่อดินมีน้ำมากขึ้น น้ำจะเพิ่มการดูดกลืนพลังงานในหลายช่วงคลื่น

จึงมักทำให้

Wet Soil Reflectance < Dry Soil Reflectance

ในหลาย Wavelength

ดังนั้นดินชนิดเดียวกันสามารถมี Spectral Signature ต่างกันมากเพียงเพราะระดับความชื้นต่างกัน

นี่เป็นเหตุผลว่าทำไมการจำแนก Soil Type จากภาพดาวเทียมจึงไม่สามารถใช้ Spectral Signature เพียงอย่างเดียวโดยไม่พิจารณาสภาพพื้นที่และช่วงเวลาที่เก็บข้อมูล

14. Organic Matter มีผลอย่างไร?

ดินที่มี Organic Matter สูงมักมี Reflectance ต่ำลงใน Visible และบางช่วงของ Spectrum เมื่อเทียบกับดินที่มีองค์ประกอบอื่นใกล้เคียงกัน

จึงอาจทำให้ดินมีสีคล้ำขึ้นทั้งในภาพจริงและ Spectral Data

แต่ Spectral Response ของดินเป็นผลรวมของหลายปัจจัย

ดังนั้นไม่ควรตีความว่า

“ดินมืด = Organic Matter สูง”

โดยอัตโนมัติ

เพราะ Moisture, Mineralogy และ Shadow ก็สามารถทำให้ Reflectance ต่ำได้

15. Iron Oxides กับสีของดิน

Iron Oxides เช่น Hematite และ Goethite สามารถมีอิทธิพลต่อสีและ Spectral Response ของดินและหิน

พื้นที่ที่มี Iron Oxide สูงอาจมีลักษณะสีแดง เหลือง หรือส้มใน Visible

ความแตกต่างทาง Spectral เหล่านี้สามารถนำมาใช้ช่วยงาน

Geological Mapping

Soil Mapping

และ

Mineral Exploration

โดยเฉพาะเมื่อใช้ Band Ratios และข้อมูล Spectral ที่เหมาะสม

16. Spectral Signature ของหิน

หินประกอบด้วยแร่หนึ่งชนิดหรือหลายชนิด

ดังนั้น Spectral Signature ของหินจึงเป็นผลรวมของ

Mineralogy

Grain Size

Weathering

Surface Coating

Moisture

และปัจจัยอื่น

หินชนิดเดียวกันที่ Weathering ต่างกันอาจมี Spectral Response ต่างกัน

ขณะเดียวกันหินต่างชนิดอาจมี Spectral Response คล้ายกันในบาง Wavelength

นี่คือเหตุผลที่ Geological Remote Sensing ต้องใช้ทั้ง Spectral และ Spatial Context

17. Spectral Signature ของแร่

แร่มีความน่าสนใจมาก เพราะโครงสร้างผลึกและองค์ประกอบทางเคมีสามารถทำให้เกิด Diagnostic Absorption Features

ตัวอย่างเช่นกลุ่มแร่บางประเภทมี Absorption Feature ใน SWIR

จึงสามารถใช้ข้อมูล Hyperspectral ช่วยแยกแร่ได้ละเอียดกว่าภาพ Multispectral ทั่วไป

แนวคิดคือ

Mineral Chemistry → Energy Absorption → Spectral Feature → Mineral Identification

นี่คือพื้นฐานของ Imaging Spectroscopy

18. Geological Remote Sensing ไม่ได้มองทะลุพื้นดิน

ประเด็นนี้ควรย้ำอีกครั้ง

Optical และ Hyperspectral Remote Sensing โดยทั่วไปตรวจคุณสมบัติของพื้นผิวที่พลังงานสามารถมีปฏิสัมพันธ์และเดินทางกลับมายัง Sensor ได้

หาก Bedrock ถูกปกคลุมด้วย

ป่า

ดิน

น้ำ

หรือสิ่งปลูกสร้าง

Sensor จะตรวจสัญญาณของสิ่งปกคลุมเป็นหลัก

ดังนั้นการใช้ Spectral Signature ในธรณีวิทยาจึงได้ผลดีมากในพื้นที่ Rock Exposure ดี แต่ต้องใช้ข้อมูลอื่นประกอบในพื้นที่ปกคลุมหนาแน่น

19. Spectral Signature ของพื้นที่เมือง

พื้นที่เมืองหรือ Urban Surface มีความซับซ้อนสูง เพราะประกอบด้วย

Concrete

Asphalt

Roofing Materials

Metal

Glass

Soil

Vegetation

และ

Water

Pixel หนึ่งในเมืองจึงมีโอกาสเป็น Mixed Pixel สูง

นอกจากนี้ Bare Soil กับ Built-up Area บางประเภทอาจมี Spectral Response คล้ายกัน

จึงเกิดดัชนีอย่าง

NDBI — Normalized Difference Built-up Index

เพื่อช่วยเพิ่มความแตกต่างในบางบริบท

แต่การจำแนกเมืองที่แม่นยำมักต้องใช้ข้อมูลหลายชนิดร่วมกัน

20. Spectral Signature ไม่ได้ขึ้นกับ “ชนิดวัตถุ” เพียงอย่างเดียว

Spectral Response ที่ Sensor ตรวจวัดได้ขึ้นกับหลายปัจจัย

เช่น

Moisture

Surface Roughness

Material Composition

Vegetation Condition

Sun Angle

Viewing Angle

Atmosphere

Season

Time

ดังนั้นวัตถุเดียวกันสามารถมี Spectral Signature ต่างกันในคนละวันหรือคนละพื้นที่

นี่เป็นประเด็นสำคัญมากในการทำ Classification

21. Seasonal Spectral Signature

ลองพิจารณานาข้าวหนึ่งแปลง

ช่วงเตรียมพื้นที่อาจเป็น

Bare Soil / Water

ช่วงต้นข้าวเริ่มโตเป็น

Sparse Vegetation

ช่วงสมบูรณ์เป็น

Dense Green Vegetation

และหลังเก็บเกี่ยวเป็น

Crop Residue / Bare Soil

ดังนั้นพื้นที่เดียวกันมี Spectral Signature เปลี่ยนไปตามเวลา

นี่ทำให้ Time-series Remote Sensing สามารถใช้จำแนกชนิดพืชได้ดีขึ้น เพราะไม่ได้ดูเพียงภาพเดียว แต่ดู “พฤติกรรมของ Spectral Signature ตามเวลา”

22. Spectral–Temporal Signature

เมื่อเพิ่มมิติของเวลา เราไม่ได้มีเพียง

Spectral Signature

แต่มี

Spectral–Temporal Signature

ตัวอย่างเช่น NDVI ของนาข้าวอาจมีรูปแบบ

ต่ำ → เพิ่มขึ้น → สูงสุด → ลดลง

ตามวงจรการปลูก

ขณะที่ป่าดิบอาจมี Pattern ที่คงที่กว่า

Machine Learning สามารถใช้ Time-series Pattern เหล่านี้ในการจำแนก Land Cover หรือ Crop Type ได้อย่างมีประสิทธิภาพ

23. Spectral Library คืออะไร?

Spectral Library คือฐานข้อมูล Spectral Signature ของวัสดุที่ทราบชนิดแล้ว

ข้อมูลอาจได้จาก

Laboratory Spectrometer

Field Spectrometer

หรือ Reference Measurement ที่ควบคุมเงื่อนไข

Spectral Library อาจประกอบด้วย Spectra ของ

Minerals

Rocks

Soils

Vegetation

Water

และ Man-made Materials

จากนั้นเราสามารถนำ Spectrum ที่ไม่ทราบชนิดไปเปรียบเทียบกับ Reference Spectra

24. Spectral Matching

แนวคิดของ Spectral Matching คือ

Unknown Spectrum

↓

เปรียบเทียบกับ

Spectral Library

↓

ค้นหา Spectrum ที่คล้ายที่สุด

↓

Possible Material Identification

วิธีที่ใช้มีหลายแบบ เช่น

Spectral Angle Mapper (SAM)

และเทคนิคทางสถิติหรือ Machine Learning อื่น

อย่างไรก็ตาม การ Matching ต้องพิจารณาความแตกต่างระหว่างข้อมูล Laboratory กับ Satellite เนื่องจาก Atmosphere, Scale, Mixed Pixel และ Sensor Response สามารถทำให้ Spectrum แตกต่างกัน

25. Multispectral กับ Hyperspectral ต่างกันอย่างไรในเรื่อง Spectral Signature?

Multispectral Sensor มี Band จำนวนหนึ่งที่เลือกไว้ เช่น

Blue

Green

Red

NIR

SWIR

ทำให้เราเห็น Spectral Signature ในรูปแบบ “จุดตัวอย่าง” ตาม Band

Hyperspectral Sensor มี Band จำนวนมากและแคบกว่า ทำให้สามารถเห็นรายละเอียดของ Spectral Curve ได้ต่อเนื่องมากขึ้น

เปรียบเทียบง่าย ๆ ว่า

Multispectral = มองภาพรวมของลายเซ็น

Hyperspectral = อ่านรายละเอียดของลายเซ็น

จึงเหมาะกับ Material Identification ที่ต้องการรายละเอียด Spectral สูง

26. Spectral Resolution สำคัญอย่างไร?

สมมติแร่สองชนิดมี Absorption Feature อยู่ใกล้กันมาก

หาก Sensor มี Band กว้าง อาจรวม Feature ทั้งสองเข้าด้วยกันจนแยกไม่ได้

แต่ Sensor ที่มี Spectral Resolution สูงและ Band แคบอาจแยกความแตกต่างได้

ดังนั้นความสามารถในการจำแนกวัสดุไม่ได้ขึ้นกับ Spatial Resolution เพียงอย่างเดียว

บางครั้ง

Pixel ใหญ่แต่ Spectral ละเอียด

อาจเหมาะกับงาน Mineral Mapping มากกว่า

Pixel เล็กแต่มีเพียง RGB

27. Mixed Pixel คือศัตรูของ Spectral Signature หรือไม่?

ไม่จำเป็นต้องเรียกว่าเป็นศัตรู แต่เป็นข้อเท็จจริงของข้อมูล Remote Sensing

Pixel หนึ่งอาจประกอบด้วย

Vegetation + Soil + Water

ดังนั้น Spectrum ที่ Sensor ได้จึงเป็นส่วนผสมของหลายวัสดุ

ถ้าเราพยายามบังคับให้ Pixel เป็น Class เดียว อาจสูญเสียข้อมูล

จึงเกิดแนวคิด

Spectral Mixture Analysis

และ

Spectral Unmixing

เพื่อประมาณสัดส่วนขององค์ประกอบภายใน Pixel

28. Endmember คืออะไร?

ในการทำ Spectral Unmixing เรามักใช้คำว่า Endmember

Endmember คือ Spectrum ตัวแทนขององค์ประกอบพื้นฐาน เช่น

Vegetation

Soil

Water

จากนั้น Mixed Pixel สามารถอธิบายเชิงแนวคิดว่าเป็นส่วนผสมของ Endmembers

เช่น

50% Vegetation + 30% Soil + 20% Water

แทนที่จะบอกเพียงว่า

“Pixel นี้คือ Vegetation”

นี่ทำให้ข้อมูล Remote Sensing สามารถให้รายละเอียดเชิงสัดส่วนได้มากขึ้น

29. Spectral Signature กับ False Color

เมื่อรู้ว่า NIR สะท้อนสูงในพืช เราสามารถนำ NIR มาแสดงใน Red Channel

พืชจึงปรากฏเป็นสีแดง

นี่คือ False Color Composite แบบคลาสสิก

False Color จึงไม่ได้เปลี่ยน Spectral Signature แต่เป็นการเลือกนำ Band บางช่วงมาแสดงเป็นสีที่มนุษย์มองเห็น

เป้าหมายคือทำให้ความแตกต่างทาง Spectral ถูกมองเห็นได้ง่ายขึ้น

30. Spectral Signature กับ Spectral Index

Spectral Index คือการนำ Band ที่มีความแตกต่างทาง Spectral มาคำนวณร่วมกัน

ตัวอย่าง

NDVI

ใช้ NIR กับ Red เพื่อเน้น Vegetation

NDWI

มีสูตรหลายแบบ โดยสูตรหนึ่งใช้ Green กับ NIR เพื่อช่วยเน้น Water

NDBI

ใช้ SWIR กับ NIR เพื่อช่วยเน้น Built-up Area ในบางสภาพแวดล้อม

NBR

ใช้ NIR กับ SWIR เพื่อช่วยวิเคราะห์ Burned Area

ดังนั้น Spectral Index ทุกตัวมีเหตุผลทางฟิสิกส์อยู่เบื้องหลัง

31. Spectral Signature กับ Image Classification

ในการจำแนกภาพ เราสามารถคิดว่า Pixel แต่ละจุดมี Spectral Vector

ตัวอย่าง

[Blue, Green, Red, NIR, SWIR1, SWIR2]

Pixel ของป่าอาจมี Pattern แบบหนึ่ง

Pixel ของน้ำมีอีกแบบหนึ่ง

Pixel ของเมืองมีอีกแบบหนึ่ง

Algorithm จึงสามารถสร้าง Decision Boundary เพื่อแยก Class เหล่านี้ออกจากกัน

นี่คือพื้นฐานของ

Supervised Classification

และ Machine Learning Classification

32. Machine Learning ช่วยอะไร?

ในโลกจริง Spectral Signature ของแต่ละ Class ไม่ได้แยกจากกันอย่างสมบูรณ์

เช่น

Bare Soil อาจคล้าย Built-up

Shadow อาจคล้าย Water

Dry Vegetation อาจคล้าย Soil

Machine Learning สามารถใช้ Feature หลายชนิดร่วมกัน เช่น

Spectral Bands

Indices

Texture

Elevation

Slope

Temporal Features

เพื่อสร้าง Classification Model ที่ซับซ้อนกว่า Threshold แบบง่าย

33. Deep Learning เพิ่ม Spatial Context

Machine Learning แบบ Pixel-based สนใจค่าของแต่ละ Pixel เป็นหลัก

แต่ Deep Learning เช่น CNN สามารถเรียนรู้ Spatial Pattern รอบ Pixel ได้ด้วย

ตัวอย่างเช่น

ถนนมีลักษณะเป็นเส้น

อาคารมี Geometry

แปลงเกษตรมีขอบเขตและ Texture

แม้ Spectral Signature จะคล้ายกัน แต่ Spatial Context สามารถช่วยแยกวัตถุได้

ดังนั้น Remote Sensing ยุคใหม่จึงใช้

Spectral + Spatial + Temporal Information

ร่วมกัน

34. Spectral Signature กับ GeoAI

เมื่อข้อมูลดาวเทียมมีหลาย Band หลายช่วงเวลา และครอบคลุมพื้นที่ขนาดใหญ่ ปริมาณข้อมูลจะเพิ่มขึ้นอย่างมหาศาล

GeoAI สามารถเรียนรู้ Pattern จากข้อมูลเหล่านี้

เช่น

Vegetation Signature

Water Signature

Urban Signature

Burn Signature

และ

Change Pattern

จากตัวอย่างจำนวนมาก

ดังนั้นแม้ AI จะดูเป็นเทคโนโลยีสมัยใหม่ แต่พื้นฐานของสิ่งที่ AI กำลังเรียนรู้จำนวนมากยังคงมาจากฟิสิกส์ของ

Energy–Matter Interaction

35. Spectral Signature กับ Change Detection

หาก Spectral Signature ของพื้นที่หนึ่งเปลี่ยนไปอย่างมีนัยสำคัญตามเวลา เราอาจตรวจพบการเปลี่ยนแปลง

เช่น

Forest → Bare Soil

Agriculture → Urban

Vegetation → Burned Area

Dry Land → Flooded Area

จึงสามารถใช้ Spectral Difference หรือ Spectral Indices เปรียบเทียบข้อมูลหลายช่วงเวลา

นี่คือพื้นฐานของ Change Detection

36. ทำไมภาพเดียวอาจไม่เพียงพอ?

ภาพหนึ่งภาพบอก Spectral Condition ณ ช่วงเวลาหนึ่ง

แต่โลกมีการเปลี่ยนแปลงตลอดเวลา

หากเราต้องการแยก

ป่าผลัดใบ

พื้นที่เกษตร

ทุ่งหญ้า

หรือพื้นที่ชุ่มน้ำ

การใช้ภาพหลายฤดูอาจให้ข้อมูลมากกว่าภาพเดียว

ดังนั้นแนวคิดสมัยใหม่จึงเปลี่ยนจาก

Single Image Analysis

ไปสู่

Time-series Analysis

มากขึ้น

37. Spectral Signature ไม่ใช่คำตอบสุดท้าย

แม้ Spectral Signature จะทรงพลัง แต่ไม่ควรใช้แยกจากข้อมูลอื่นเสมอไป

การวิเคราะห์ที่ดีอาจต้องรวม

Spectral

Spatial

Temporal

Topographic

และ

Contextual Information

เช่น การจำแนกป่าในพื้นที่ภูเขาอาจใช้

Spectral Bands + NDVI + Elevation + Slope + Time Series

เพื่อช่วยเพิ่มความแม่นยำ

38. Ground Truth ยังเป็นสิ่งจำเป็น

หาก Spectral Signature บอกว่า Pixel กลุ่มหนึ่งน่าจะเป็น Forest เราต้องมีข้อมูลอ้างอิงเพื่อตรวจสอบ

Ground Truth อาจมาจาก

Field Survey

Drone

High-resolution Imagery

หรือฐานข้อมูลที่เชื่อถือได้

จากนั้นใช้ประเมิน

Accuracy

Precision

Recall

หรือ Confusion Matrix ตามประเภทงาน

Spectral Signature จึงช่วยให้เราสร้างสมมติฐานจากข้อมูล แต่ Ground Truth ช่วยยืนยันว่าเราตีความถูกต้องหรือไม่

39. Workflow การใช้ Spectral Signature

กระบวนการพื้นฐานสามารถสรุปได้ว่า

กำหนดวัตถุเป้าหมาย

↓

ศึกษาพฤติกรรม Spectral

↓

เลือก Sensor

↓

เลือก Bands

↓

เตรียมข้อมูล

↓

สำรวจ Spectral Signature

↓

สร้าง Index / Classification / Model

↓

Validate ด้วย Reference Data

↓

สร้างแผนที่

↓

นำไปใช้ตัดสินใจ

นี่คือ Workflow ที่สามารถประยุกต์ได้กับงาน Remote Sensing จำนวนมาก

40. ตัวอย่าง: ต้องการแยกป่ากับน้ำ

หากต้องการแยก Forest และ Water

เริ่มจากความรู้ทางฟิสิกส์ว่า

Forest → NIR สูง

Water → NIR ต่ำ

ดังนั้น NIR จึงเป็น Feature ที่มีประโยชน์

จากนั้นอาจเพิ่ม

Red

Green

SWIR

NDVI

NDWI

และข้อมูลอื่น

เพื่อเพิ่มความสามารถในการจำแนก

นี่คือแนวคิดที่ถูกต้องกว่าการเลือก Band เพราะ “เคยเห็นคนอื่นใช้”

41. ตัวอย่าง: ต้องการหาพื้นที่ไฟไหม้

เราทราบว่าไฟไหม้เปลี่ยน

Vegetation Structure

Moisture

Char

และ Surface Properties

จึงทำให้ NIR และ SWIR เปลี่ยนแปลง

ดังนั้นจึงใช้

NBR

และเปรียบเทียบ

Before Fire

กับ

After Fire

เพื่อสร้าง

dNBR

นี่คือ Spectral Signature ที่ถูกนำมาใช้กับ Temporal Change

42. ตัวอย่าง: ต้องการศึกษาแร่

หากต้องการศึกษา Alteration Minerals การใช้ RGB อย่างเดียวอาจไม่เพียงพอ

เราต้องถามว่า

แร่เป้าหมายมี Absorption Feature ที่ Wavelength ใด?

Sensor ใดมี Band ครอบคลุม?

Spectral Resolution เพียงพอหรือไม่?

พื้นที่มี Vegetation Cover มากหรือไม่?

นี่คือวิธีคิดแบบ Remote Sensing ที่เริ่มจาก

Target Physics

ไม่ใช่เริ่มจาก Software

43. “รู้จักวัตถุก่อนเลือกดาวเทียม”

หลักคิดสำคัญที่สุดข้อหนึ่งของบทนี้คือ

อย่าเริ่มต้นด้วยคำถามว่า

“ใช้ดาวเทียมอะไรดี?”

แต่ควรถามว่า

“สิ่งที่เราต้องการศึกษามี Spectral Signature อย่างไร?”

เมื่อรู้แล้วจึงถามต่อว่า

Sensor ใดมี Band ที่เหมาะสม?

จากนั้นจึงพิจารณา

Spatial Resolution

Temporal Resolution

Spectral Resolution

Cloud

Cost

และ Data Availability

นี่คือวิธีเลือกข้อมูลอย่างเป็นระบบ

44. Spectral Signature คือสะพานระหว่าง “ฟิสิกส์” กับ “แผนที่”

หากมองภาพรวม กระบวนการทั้งหมดคือ

Sun / Energy Source

↓

Electromagnetic Radiation

↓

Target

↓

Reflection + Absorption + Transmission

↓

Spectral Signature

↓

Sensor

↓

Digital Data

↓

Image Processing

↓

Classification / Index / AI

↓

GIS Map

↓

Decision

ดังนั้น Spectral Signature อยู่ตรงกลางระหว่างโลกทางกายภาพกับโลกของข้อมูลดิจิทัล

มันคือสิ่งที่ทำให้คุณสมบัติทางกายภาพของวัตถุกลายเป็น Pattern ที่ Computer สามารถวิเคราะห์ได้

สิ่งที่ควรจำจาก RS101-05

หากต้องจำบทนี้เพียง 5 เรื่อง ให้จำว่า

1. วัตถุแต่ละชนิดตอบสนองต่อ Wavelength แตกต่างกัน

จึงเกิด Spectral Signature

2. พืชสมบูรณ์มี Red ต่ำและ NIR สูงโดยทั่วไป

นี่เป็นพื้นฐานของ NDVI

3. น้ำมี Reflectance ต่ำมากใน NIR และ SWIR โดยทั่วไป

จึงสามารถช่วยแยกน้ำจากพื้นดินได้

4. ดิน หิน และแร่มี Spectral Signature ที่ได้รับอิทธิพลจากองค์ประกอบ ความชื้น และสภาพพื้นผิว

จึงต้องตีความอย่างระมัดระวัง

5. Spectral Signature เป็นพื้นฐานของ Classification, Spectral Index, Change Detection, Machine Learning และ GeoAI

หากเข้าใจ Spectral Signature เราจะเริ่มเข้าใจว่า Computer สามารถ “มองเห็น” โลกผ่านข้อมูลดาวเทียมได้อย่างไร

สรุป RS101-05

Spectral Signature คือหนึ่งในแนวคิดที่สำคัญที่สุดของ Remote Sensing เพราะวัตถุบนพื้นโลกไม่ได้ตอบสนองต่อพลังงานแม่เหล็กไฟฟ้าเหมือนกัน

พืชดูดกลืน Red แต่สะท้อน NIR สูง น้ำดูดกลืน NIR และ SWIR มาก ดินเปลี่ยน Spectral Response ตามความชื้น Organic Matter และ Mineral Composition ขณะที่หินและแร่บางชนิดมี Absorption Features ที่สามารถใช้ช่วยจำแนกวัสดุได้

ความแตกต่างเหล่านี้ทำให้ Sensor สามารถตรวจวัดโลกในรูปแบบที่สายตามนุษย์ไม่สามารถมองเห็นได้

จากนั้นเราสามารถนำ Spectral Signature ไปสร้าง

Band Combination → Spectral Index → Classification → Change Detection → Machine Learning → GeoAI

แต่สิ่งสำคัญคือ Spectral Signature ไม่ใช่ค่าคงที่ วัตถุเดียวกันสามารถเปลี่ยน Spectral Response ตามความชื้น ฤดูกาล สุขภาพพืช สภาพพื้นผิว Atmosphere และ Geometry ของการตรวจวัด

ดังนั้นนัก Remote Sensing ที่ดีไม่ควรถามเพียงว่า

“Pixel นี้มีค่าเท่าไร?”

แต่ควรถามต่อว่า

“ทำไม Pixel นี้จึงมีค่านี้?”

และ

“คุณสมบัติทางกายภาพอะไรทำให้วัตถุตอบสนองต่อ Wavelength แบบนี้?”

เมื่อเราสามารถตอบคำถามเหล่านี้ได้ Remote Sensing จะไม่ใช่เพียงการเปิดภาพดาวเทียมมาดู แต่จะกลายเป็นการอ่าน “ภาษาของพลังงาน” ที่พื้นผิวโลกกำลังส่งกลับมายัง Sensor

และนั่นคือจุดเริ่มต้นของการวิเคราะห์ข้อมูลเชิงพื้นที่อย่างมีความหมาย

#RS101 #RemoteSensing #SpectralSignature #SpectralReflectance #SpectralCurve #RemoteSensingThailand #EarthObservation #SatelliteImagery #Vegetation #Water #Soil #Geology #MineralMapping #RedEdge #NIR #SWIR #Hyperspectral #GIS #GeoAI #SmartMapping

.