rs101-07 Passive และ Active Remote Sensing ต่างกันอย่างไร

rs101-07 Passive และ Active Remote Sensing ต่างกันอย่างไร

Passive และ Active Remote Sensing ต่างกันอย่างไร สองแนวทางการตรวจวัดระยะไกลที่มองโลกด้วยพลังงานคนละแบบ แต่ทำงานร่วมกันได้อย่างทรงพลัง

Remote Sensing ไม่ได้มีวิธีตรวจวัดข้อมูลจากพื้นโลกเพียงแบบเดียว หากแบ่งตามแหล่งพลังงานที่ใช้ เราสามารถจำแนกระบบออกเป็นสองกลุ่มใหญ่ คือ Passive Remote Sensing และ Active Remote Sensing ความแตกต่างหลักอยู่ที่คำถามง่าย ๆ ว่า “ใครเป็นผู้ส่งพลังงานไปยังเป้าหมาย?”

Passive Remote Sensing อาศัยพลังงานที่มีอยู่ตามธรรมชาติ เช่น แสงจากดวงอาทิตย์ที่สะท้อนจากพื้นผิวโลก หรือพลังงานความร้อนที่พื้นผิวโลกแผ่ออกมาเอง ขณะที่ Active Remote Sensing มีแหล่งพลังงานของตัวเอง โดย Sensor จะส่งสัญญาณไปยังเป้าหมายแล้วตรวจวัดสัญญาณที่สะท้อนหรือกระเจิงกลับมา เช่น Radar และ LiDAR

จึงสามารถสรุปง่าย ๆ ได้ว่า

Passive = รับพลังงานที่มีอยู่แล้ว

Active = ส่งพลังงานออกไป แล้ววัดสัญญาณกลับ

แนวคิดนี้ดูง่าย แต่มีผลอย่างมากต่อช่วงเวลาที่เก็บข้อมูล สภาพอากาศที่ใช้งานได้ ประเภทข้อมูลที่ได้รับ และการประยุกต์ใช้งานจริง

1. Passive Remote Sensing คืออะไร

Passive Remote Sensing คือระบบที่ Sensor ไม่ได้สร้างพลังงานสำหรับตรวจวัดเอง แต่ใช้พลังงานจากแหล่งธรรมชาติ

กรณีที่พบมากที่สุดคือ Optical Remote Sensing ซึ่งอาศัยพลังงานจากดวงอาทิตย์

กระบวนการอย่างง่ายคือ

Sun → Earth Surface → Reflected Energy → Sensor

พลังงานจากดวงอาทิตย์เดินทางผ่านชั้นบรรยากาศ กระทบพื้นผิวโลก แล้วบางส่วนสะท้อนกลับไปยัง Sensor

Sensor ตรวจวัดพลังงานในช่วงคลื่นต่าง ๆ เช่น

Blue

Green

Red

NIR

SWIR

จากนั้นเปลี่ยนเป็นข้อมูลดิจิทัล

นี่คือหลักการของดาวเทียม Optical จำนวนมาก เช่น

Landsat

และ

Sentinel-2

2. Passive ไม่ได้หมายถึงใช้แสงอาทิตย์เสมอไป

คำว่า Passive หมายถึง Sensor ไม่ได้ส่งพลังงานออกไปเอง ไม่ได้หมายความว่าต้องใช้แสงอาทิตย์ทุกกรณี

ตัวอย่างสำคัญคือ Thermal Remote Sensing

พื้นผิวโลกที่มีอุณหภูมิสูงกว่าศูนย์สัมบูรณ์จะแผ่พลังงาน Thermal Radiation ออกมา

Thermal Sensor จึงสามารถตรวจวัดพลังงานที่พื้นผิวแผ่ออกมาเอง

กระบวนการคือ

Earth Surface → Thermal Emission → Sensor

ดังนั้น Thermal Remote Sensing ก็จัดเป็น Passive เช่นกัน

แม้ไม่ได้อาศัยแสงอาทิตย์สะท้อนโดยตรงในลักษณะเดียวกับ Optical Reflectance

3. Optical Passive Remote Sensing

Optical Sensor เป็นกลุ่มที่คนรู้จักมากที่สุด

Sensor ตรวจวัดพลังงานในช่วง

Visible

Near Infrared

Shortwave Infrared

ซึ่งมีประโยชน์ในการวิเคราะห์

• พืชพรรณ

• น้ำ

• ดิน

• เมือง

• ป่าไม้

• พื้นที่เกษตร

• ธรณีวิทยา

ข้อได้เปรียบสำคัญคือมีข้อมูล Spectral หลายช่วงคลื่น ทำให้สามารถสร้าง

True Color

False Color

NDVI

NDWI

NDBI

และ Spectral Indices อื่น ๆ

4. ข้อดีของ Passive Remote Sensing

Passive Remote Sensing มีข้อดีหลายประการ

Spectral Information สูง

Optical และ Hyperspectral Sensor สามารถบันทึกหลาย Wavelength ทำให้แยกวัตถุจาก Spectral Signature ได้ดี

ภาพเข้าใจง่าย

True Color และ False Color สามารถตีความด้วยสายตามนุษย์ได้ง่าย

มี Archive ระยะยาว

โครงการอย่าง Landsat มีข้อมูลย้อนหลังหลายสิบปี

จึงเหมาะกับ

Change Detection

และ

Time-series Analysis

Coverage กว้าง

Satellite Passive Sensor เหมาะกับพื้นที่ขนาดใหญ่

Open Data มีมาก

ข้อมูลจากภารกิจหลายโครงการเปิดให้ใช้งานโดยไม่ต้องซื้อภาพ

จึงเหมาะกับงานวิจัยและงานสาธารณะ

5. ข้อจำกัดของ Optical Passive Remote Sensing

ข้อจำกัดสำคัญที่สุดคือ Cloud

เมฆสามารถบดบังพื้นผิวโลก ทำให้ Optical Sensor ไม่สามารถมองเห็นพื้นดินด้านล่างได้

นอกจากนี้ยังได้รับผลจาก

Haze

Atmospheric Scattering

Shadow

Sun Angle

และ

Season

ดังนั้นในพื้นที่เขตร้อนที่มีเมฆมาก ภาพ Optical อาจมีข้อจำกัดอย่างชัดเจนในบางฤดูกาล

6. Optical ต้องการแสงอาทิตย์

Optical Reflective Sensor ส่วนใหญ่ต้องอาศัยแสงอาทิตย์

จึงไม่สามารถเก็บข้อมูลแบบ Reflectance ในเวลากลางคืนเหมือนกลางวัน

ดังนั้น

Daytime Optical Observation

จึงเป็นข้อจำกัดสำคัญของ Passive Reflective Remote Sensing

แต่ Thermal Sensor สามารถตรวจพลังงานที่พื้นผิวแผ่ออกมาได้ทั้งกลางวันและกลางคืนในหลักการ แม้ลักษณะอุณหภูมิและความหมายของข้อมูลจะแตกต่างกันตามเวลา

7. Thermal Passive Remote Sensing

Thermal Infrared Sensor ตรวจพลังงานที่วัตถุแผ่ออกมา

ตัวอย่างการประยุกต์ ได้แก่

Land Surface Temperature

Urban Heat Island

Wildfire

Volcanic Activity

Industrial Heat

Thermal Imagery มีความสำคัญมากกับการศึกษาความร้อน

แต่ต้องเข้าใจว่า Sensor ตรวจวัด Radiance ไม่ได้วัด “อุณหภูมิพื้นผิวโดยตรง” แบบ Thermometer

ต้องผ่านขั้นตอน Calibration และการพิจารณา Emissivity เพื่อประมาณอุณหภูมิอย่างเหมาะสม

8. Active Remote Sensing คืออะไร

Active Remote Sensing แตกต่างจาก Passive อย่างชัดเจน

ระบบ Active มีแหล่งพลังงานของตัวเอง

Sensor ส่งพลังงานไปยังเป้าหมาย แล้วตรวจวัดสัญญาณที่กลับมา

Workflow คือ

Sensor → Energy → Target → Returned Signal → Sensor

ตัวอย่างที่สำคัญคือ

Radar

และ

LiDAR

จุดแข็งสำคัญคือระบบไม่ต้องรอพลังงานจากดวงอาทิตย์

9. Radar คือ Active Remote Sensing

Radar ส่งคลื่น Microwave ไปยังพื้นผิวโลก

เมื่อคลื่นกระทบวัตถุ จะเกิดการกระเจิงในหลายทิศทาง

Sensor วัดพลังงานที่กลับมายังตัวเอง เรียกว่า

Backscatter

ค่าของ Backscatter ขึ้นกับหลายปัจจัย เช่น

Surface Roughness

Moisture

Geometry

Wavelength

Polarization

ดังนั้น Radar ไม่ได้มองโลกเหมือน Optical

10. SAR คืออะไร

SAR ย่อมาจาก

Synthetic Aperture Radar

เป็นเทคนิค Radar ที่ใช้การเคลื่อนที่ของ Platform และการประมวลผลสัญญาณเพื่อสร้างความละเอียดเชิงพื้นที่ที่สูงกว่าการใช้เสาอากาศจริงขนาดเดียวในลักษณะทั่วไป

SAR ถูกใช้มากใน Earth Observation

ตัวอย่างระบบ เช่น

Sentinel-1

ALOS PALSAR

RADARSAT

ข้อมูล SAR มีประโยชน์อย่างมากในพื้นที่ที่ Optical มีข้อจำกัดจากเมฆ

11. Radar มองผ่านเมฆได้อย่างไร

Microwave มีความยาวคลื่นยาวกว่า Visible และ Infrared มาก

คลื่นบางช่วงจึงมีปฏิสัมพันธ์กับเมฆน้อยกว่าระบบ Optical

ทำให้ Radar สามารถเก็บข้อมูลผ่านเมฆได้ดีในหลายสถานการณ์

นี่เป็นข้อได้เปรียบสำคัญมากใน

Tropical Region

และช่วงเกิด

Storm

Flood

หรือเหตุการณ์ที่มีเมฆหนา

อย่างไรก็ตาม Radar ไม่ได้ “ทะลุทุกอย่าง” และความสามารถขึ้นอยู่กับ Wavelength และวัสดุเป้าหมาย

12. Radar ทำงานกลางคืนได้

เพราะ Radar ส่งพลังงานของตัวเองออกไป

จึงไม่ต้องใช้แสงอาทิตย์

ดังนั้นสามารถเก็บข้อมูล

Day + Night

ได้

นี่เป็นข้อดีสำคัญในงานที่ต้องการ Monitoring ต่อเนื่อง

เช่น

• Flood

• Maritime

• Ground Deformation

• Disaster Response

• Infrastructure Monitoring

13. Radar กับน้ำท่วม

หนึ่งใน Use Case ที่สำคัญมากของ SAR คือ Flood Mapping

ผิวน้ำที่เรียบในหลายกรณีมี Backscatter ต่ำ เพราะพลังงานสะท้อนออกไปจาก Sensor

จึงมักปรากฏมืดใน SAR Image

ดังนั้นสามารถใช้

Before Flood SAR

During Flood SAR

เพื่อทำ

Change Detection

และสร้าง

Flood Extent Map

จุดแข็งคือสามารถทำงานได้แม้ Optical ถูกเมฆบดบัง

14. Radar กับความชื้น

Microwave มีความไวต่อคุณสมบัติทางไฟฟ้าของวัสดุ โดยเฉพาะ Dielectric Properties

น้ำมีผลต่อ Dielectric Constant อย่างมาก

ดังนั้น Soil Moisture สามารถส่งผลต่อ Radar Backscatter

นี่ทำให้ Radar มีประโยชน์กับงาน

Soil Moisture

Agriculture

Hydrology

และ

Wetland Monitoring

แต่ต้องระวัง Surface Roughness และ Vegetation เพราะก็มีผลต่อสัญญาณเช่นกัน

15. Radar กับโครงสร้างป่าไม้

Microwave สามารถมีปฏิสัมพันธ์กับ

Canopy

Branch

Trunk

และ

Ground

แตกต่างกันตาม Wavelength และ Polarization

ดังนั้น Radar จึงสามารถใช้ศึกษาด้าน

Forest Structure

Biomass

และ

Forest Change

ได้

Radar Wavelength ที่ยาวขึ้นมักมีศักยภาพในการมีปฏิสัมพันธ์กับโครงสร้างพืชขนาดใหญ่ขึ้น

16. Radar กับการเคลื่อนตัวของพื้นดิน

SAR สามารถใช้เทคนิค

Interferometric SAR (InSAR)

เพื่อศึกษาการเปลี่ยนแปลงของ Phase ระหว่างภาพหลายช่วงเวลา

สามารถประยุกต์กับ

• Ground Subsidence

• Volcano Deformation

• Earthquake Deformation

• Landslide Movement

• Infrastructure Movement

ในระดับความละเอียดที่เหมาะสมกับข้อมูลและวิธีการ

นี่เป็นตัวอย่างที่ Active Remote Sensing ให้ข้อมูลที่ Optical ทำไม่ได้ในรูปแบบเดียวกัน

17. ข้อจำกัดของ Radar

Radar มีข้อดีมาก แต่ก็มีข้อจำกัดสำคัญ

ข้อมูล SAR มักตีความด้วยสายตายากกว่า Optical

และมีปรากฏการณ์ เช่น

Speckle

Layover

Foreshortening

Radar Shadow

โดยเฉพาะพื้นที่ภูเขา

ผู้ใช้จึงต้องเข้าใจ Radar Geometry ก่อนนำไปวิเคราะห์

18. Speckle คืออะไร

ภาพ SAR มักมีลักษณะเป็นเม็ด ๆ เรียกว่า Speckle

เกิดจากการแทรกสอดของคลื่นจากตัวกระเจิงหลายจุดภายใน Resolution Cell

Speckle ไม่ได้เป็น Noise แบบเดียวกับ Noise ทั่วไป แต่เป็นลักษณะเฉพาะของ Coherent Imaging System

จึงมีเทคนิค เช่น

Speckle Filtering

ใช้ช่วยลดลักษณะดังกล่าว

แต่ต้องระวังไม่ให้สูญเสียรายละเอียดของข้อมูลมากเกินไป

19. LiDAR คือ Active Remote Sensing

LiDAR ย่อมาจาก

Light Detection and Ranging

Sensor ส่ง Laser Pulse ไปยังเป้าหมาย

แล้ววัดเวลาที่สัญญาณสะท้อนกลับ

หลักการพื้นฐานคือ

Distance = (Speed of Light × Travel Time) / 2

หาร 2 เพราะ Laser เดินทางไปและกลับ

เมื่อยิง Pulse จำนวนมาก เราสามารถสร้าง

Point Cloud

รายละเอียดสูงได้

20. LiDAR ให้ข้อมูลอะไร

LiDAR สามารถสร้างข้อมูลสามมิติ เช่น

X

Y

Z

ของแต่ละจุด

และอาจมี Attribute เพิ่มเติม เช่น

Intensity

Return Number

ข้อมูล Point Cloud สามารถนำไปสร้าง

DSM

DTM

Canopy Height Model

3D Building

และ Terrain Models

จึงมีประโยชน์มากในงาน

• Forestry

• Engineering

• Geology

• Urban Mapping

• Archaeology

• Corridor Survey

21. Multiple Returns ของ LiDAR

Laser Pulse หนึ่งครั้งอาจสะท้อนกลับหลายระดับ

ตัวอย่างพื้นที่ป่า

First Return อาจมาจากยอดไม้

Intermediate Return จากกิ่งหรือใบ

Last Return อาจมาจากพื้นดิน

จึงทำให้ LiDAR มีความสามารถในการศึกษาทั้ง

Vegetation Structure

และ

Terrain

ภายใต้เรือนยอดในบางสภาพพื้นที่

นี่เป็นจุดแข็งที่สำคัญมาก

22. LiDAR กับ DEM

LiDAR Point Cloud สามารถจำแนก Ground Points

จากนั้นนำ Ground Points มาสร้าง

Digital Terrain Model

ส่วนจุดทั้งหมดที่รวมต้นไม้และอาคารสามารถสร้าง

Digital Surface Model

ความแตกต่างระหว่าง DSM กับ DTM ยังสามารถใช้สร้าง

Object Height

หรือ

Canopy Height

ได้

นี่เป็นหนึ่งในเหตุผลที่ LiDAR ถูกใช้มากในงาน 3D Mapping

23. ข้อจำกัดของ LiDAR

LiDAR มี Spatial Detail สูง แต่มีข้อจำกัด เช่น

Coverage จำกัดเมื่อเทียบกับ Satellite

ค่าใช้จ่ายสูงในบางโครงการ

Data Volume ใหญ่

Processing ซับซ้อน

และอาจได้รับผลจากสภาพอากาศ

LiDAR จึงเหมาะกับงานที่ต้องการรายละเอียดเชิงโครงสร้างสูง

ไม่จำเป็นต้องใช้กับทุกปัญหา Remote Sensing

24. Passive กับ Active ต่างกันที่ “แหล่งพลังงาน”

หากต้องจำเพียงเรื่องเดียว ให้จำดังนี้

Passive

Energy Source อยู่ภายนอก Sensor

เช่น

Sun

หรือ Thermal Emission จากพื้นผิว

Active

Sensor สร้าง Energy เอง

เช่น

Microwave ของ Radar

Laser ของ LiDAR

ความแตกต่างนี้มีผลต่อข้อดีและข้อจำกัดทั้งหมดที่ตามมา

25. เปรียบเทียบเวลาการทำงาน

Optical Passive

ส่วนใหญ่ต้องใช้แสงอาทิตย์

จึงทำงานในช่วงกลางวันที่เหมาะสม

Thermal Passive

สามารถตรวจพลังงาน Thermal ได้ทั้งกลางวันและกลางคืน แต่ข้อมูลมีลักษณะแตกต่างตามเวลา

Radar Active

ทำงานได้ทั้งกลางวันและกลางคืน

LiDAR Active

สามารถทำงานได้โดยไม่พึ่งแสงอาทิตย์ แต่การปฏิบัติการยังขึ้นกับ Platform, Safety และสภาพแวดล้อม

ดังนั้น Active มีความยืดหยุ่นด้านแหล่งพลังงานมากกว่า

26. เปรียบเทียบเมฆ

Optical

เมฆเป็นข้อจำกัดสำคัญ

Thermal

เมฆก็สามารถบดบังหรือรบกวนการตรวจพื้นผิวได้

Radar

Microwave บางช่วงสามารถผ่านเมฆได้ดี

LiDAR

Laser ไม่ได้มีข้อได้เปรียบผ่านเมฆเหมือน Radar และการเก็บข้อมูลจากอากาศต้องการสภาพการมองเห็นที่เหมาะสม

ดังนั้นคำว่า

Active = มองผ่านเมฆได้

ไม่ถูกต้องเสมอไป

ควรพูดว่า

Radar มีข้อได้เปรียบด้านเมฆ เพราะใช้ Microwave

ไม่ใช่เพราะ Active ทุกระบบมองผ่านเมฆได้

27. เปรียบเทียบ Spectral Information

Passive Optical โดยเฉพาะ

Multispectral

และ

Hyperspectral

มีข้อได้เปรียบมากด้าน Spectral Information

สามารถใช้ศึกษาวัสดุจาก

Reflectance + Absorption Features

Active Radar ให้ข้อมูลอีกแบบหนึ่ง คือ

Backscatter

และ LiDAR ให้

Range + Structure

ดังนั้นแต่ละระบบไม่ได้แข่งขันกันตรง ๆ แต่ให้ข้อมูลคนละมิติ

28. Passive เหมาะกับอะไร

Passive Optical เหมาะมากกับ

Land Cover

Vegetation

Agriculture

Water

Geology

Urban Mapping

เพราะ Spectral Information สูง

Thermal เหมาะกับ

Temperature Pattern

Fire

Heat

ดังนั้นหากโจทย์ถามว่า

“พื้นผิวนี้เป็นอะไร?”

Optical มักเป็นตัวเลือกสำคัญ

29. Active เหมาะกับอะไร

Radar เหมาะกับ

Flood

Cloudy Region

Surface Roughness

Soil Moisture

Ground Deformation

LiDAR เหมาะกับ

Height

3D Structure

Terrain

Forest Canopy

หากโจทย์ถามว่า

“โครงสร้างสูงเท่าไร?”

LiDAR อาจเหมาะกว่า Optical

หากถามว่า

“พื้นกำลังเคลื่อนตัวหรือไม่?”

SAR อาจเหมาะกว่า

30. Passive กับ Active ไม่ควรคิดว่าอะไร “ดีกว่า”

คำถามว่า

“Passive หรือ Active แบบไหนดีกว่า?”

เป็นคำถามที่ไม่เหมาะนัก

เพราะทั้งสองให้ข้อมูลต่างกัน

ควรถามว่า

“โจทย์ของเราต้องการคุณสมบัติแบบไหน?”

หากต้องการ Spectral Signature

เลือก Optical

หากต้องการข้อมูลระหว่างมีเมฆ

เลือก SAR

หากต้องการโครงสร้าง 3D

เลือก LiDAR

นี่คือหลักการเลือก Sensor ตาม Objective

31. Optical + SAR ทำงานร่วมกัน

หนึ่งในแนวทางที่มีประสิทธิภาพคือใช้ Passive และ Active ร่วมกัน

เช่น

Sentinel-2 Optical

Sentinel-1 SAR

Optical ให้ข้อมูล Spectral

SAR ให้ข้อมูล Structure, Roughness และ Moisture ในมิติของ Microwave

เมื่อนำมารวมกัน Machine Learning อาจจำแนก Land Cover ได้ดีขึ้นในบางโครงการ

นี่คือ Data Fusion

32. Optical + LiDAR

อีกตัวอย่างคือ

Multispectral + LiDAR

Multispectral บอกว่า

วัตถุมี Spectral Signature อย่างไร

LiDAR บอกว่า

วัตถุสูงและมีโครงสร้างอย่างไร

ตัวอย่างงานป่า

Optical → Species / Vegetation Condition

LiDAR → Canopy Height / Structure

เมื่อนำมารวมกันสามารถเพิ่มความเข้าใจ Forest Ecosystem ได้อย่างมาก

33. SAR + Optical สำหรับน้ำท่วม

ในช่วงก่อนเกิดภัย

Optical สามารถให้ข้อมูล

Land Cover

River

Urban

เมื่อเกิดน้ำท่วมและมีเมฆ

SAR สามารถตรวจ

Flood Extent

จากนั้นนำมา Overlay กับ

Population + Road + Building

ใน GIS

นี่เป็นตัวอย่างของ Multi-sensor Disaster Mapping

34. Optical + Thermal

หากต้องการวิเคราะห์เมือง

Optical สามารถสร้าง

Land Cover

NDVI

Built-up

ส่วน Thermal ให้

Land Surface Temperature

จากนั้นสามารถวิเคราะห์

Urban Heat Island

โดยเชื่อม

Vegetation + Building + Temperature

นี่เป็นตัวอย่างที่ Passive Sensor สองประเภททำงานร่วมกัน

35. Active Remote Sensing ไม่ได้หมายถึง Real-time

คำว่า Active อธิบายเรื่อง

แหล่งพลังงาน

ไม่ใช่ความเร็วในการได้รับข้อมูล

Active Sensor อาจมี Revisit Interval หลายวัน

Passive Sensor อาจให้ข้อมูลทุกไม่กี่นาทีในระบบ Geostationary Weather Satellite

ดังนั้น

Active ≠ Real-time

และ

Passive ≠ Slow

ต้องแยกแนวคิดให้ชัดเจน

36. Passive Sensor ก็มีข้อมูลกลางคืนได้

อีกความเข้าใจผิดคือ

Passive = ใช้กลางคืนไม่ได้

ไม่จริงทั้งหมด

Optical Reflective Passive ต้องใช้แสงอาทิตย์

แต่ Thermal Passive สามารถตรวจ Thermal Emission ตอนกลางคืนได้

นอกจากนี้ Passive Sensor บางประเภทสามารถตรวจการแผ่รังสีธรรมชาติในช่วงอื่นได้

ดังนั้นต้องดู Sensor Physics ไม่ใช่เพียงคำว่า Passive

37. Active ไม่ได้หมายถึงความละเอียดสูงกว่าเสมอ

Radar หรือ LiDAR ไม่ได้มี Spatial Resolution สูงกว่า Optical เสมอ

Spatial Resolution ขึ้นกับ

Sensor Design

Platform

Wavelength

Processing

และภารกิจ

ดาวเทียม Optical บางระบบมี Spatial Resolution สูงมาก ขณะที่ Radar บางชุดอาจมี Pixel ใหญ่กว่า

ดังนั้นไม่ควรสรุปจาก Active/Passive อย่างเดียว

38. Passive และ Active ในงานธรณีวิทยา

งาน Geological Remote Sensing สามารถใช้ทั้งสองแบบ

Passive

Multispectral / Hyperspectral

ใช้ศึกษา

Lithology

Mineral

Alteration

Surface Material

Active

SAR

ช่วยวิเคราะห์

Structure

Lineament

Surface Roughness

และ

Deformation

LiDAR

ช่วยสร้าง

Detailed Terrain

Fault Scarp

Geomorphology

การรวมข้อมูลจึงมักมีประโยชน์มากกว่าใช้ระบบเดียว

39. Passive และ Active ในงานเกษตร

Passive Optical

ใช้

NDVI

Crop Type

Plant Health

Thermal

ใช้

Canopy Temperature

Water Stress

SAR

ใช้ช่วยวิเคราะห์

Soil Moisture

Crop Structure

พื้นที่มีเมฆมาก

LiDAR

ใช้ศึกษาความสูงและโครงสร้างพืชในบางงาน

เกษตรยุค Precision Agriculture จึงสามารถใช้ Sensor หลายประเภท

40. Passive และ Active ในงานป่าไม้

Optical ให้ข้อมูล

Canopy Spectral Properties

SAR ให้ข้อมูล

Forest Structure และ Moisture-related Response

LiDAR ให้

Canopy Height และ Vertical Structure

ดังนั้นงาน Biomass หรือ Forest Structure มักได้ประโยชน์จาก Data Fusion

41. Passive และ Active กับภัยพิบัติ

Flood

SAR เด่นเพราะเมฆไม่เป็นข้อจำกัดเหมือน Optical

Wildfire

Thermal ช่วยตรวจความร้อน

Optical / SWIR ช่วยประเมิน Burned Area

Landslide

Optical ช่วยตรวจร่องรอย

SAR สามารถใช้วิเคราะห์ Deformation บางรูปแบบ

LiDAR ช่วยมอง Morphology รายละเอียดสูง

จึงเห็นได้ว่าภัยหนึ่งประเภทสามารถใช้หลาย Sensor ร่วมกัน

42. Ground Truth ยังจำเป็นกับทั้งสองระบบ

ไม่ว่าจะ Passive หรือ Active Sensor ก็ไม่ได้ให้ “คำตอบสุดท้าย” โดยอัตโนมัติ

ข้อมูลต้องผ่าน

Processing

Interpretation

Validation

และบางงานต้องมี

Field Survey

ตัวอย่าง SAR ที่มืดไม่ได้หมายความว่าเป็นน้ำทุกแห่ง

Thermal Hot Pixel ไม่ได้หมายความว่าเกิดไฟเสมอ

Optical Green Pixel ไม่ได้หมายความว่าเป็นพืชชนิดเดียวกัน

ดังนั้น Ground Truth ยังเป็นพื้นฐานสำคัญ

43. เลือก Sensor ด้วยคำถาม 5 ข้อ

ก่อนเลือกระหว่าง Passive และ Active ควรถาม

1. ต้องการวัดอะไร?

Spectral, Temperature, Structure, Moisture หรือ Distance?

2. พื้นที่มีเมฆมากหรือไม่?

3. ต้องการข้อมูลกลางคืนหรือไม่?

4. ต้องการ Spatial Resolution เท่าไร?

5. ต้องการ Coverage และ Revisit เท่าไร?

จากนั้นจึงเลือก Sensor และ Platform

44. ตัวอย่างการตัดสินใจ

หากต้องการ

ติดตามความสมบูรณ์พืช

→ Optical / Multispectral

ถ้าต้องการ

ตรวจน้ำท่วมช่วงฝนหนัก

→ SAR

ถ้าต้องการ

วัดความสูงต้นไม้

→ LiDAR

ถ้าต้องการ

วิเคราะห์ความร้อนเมือง

→ Thermal

ถ้าต้องการ

จำแนกแร่

→ SWIR / Hyperspectral

จึงไม่มีคำตอบเดียวสำหรับทุกโจทย์

45. Passive + Active = Complementary Data

คำที่สำคัญที่สุดคือ

Complementary

หรือ “ข้อมูลที่เสริมกัน”

Passive เก่งด้าน

Spectral Characteristics

Active เก่งด้าน

Structure, Geometry, Range และ Microwave Response

การรวมทั้งสองทำให้เราเห็นโลกในหลายมิติ

Color + Spectrum + Heat + Roughness + Moisture + Height + Structure

นี่คือแนวคิดของ Multi-sensor Earth Observation

46. จาก Sensor Fusion สู่ GeoAI

Machine Learning สามารถนำ Feature จากหลาย Sensor มารวมกัน

ตัวอย่าง

Sentinel-2 Bands

Sentinel-1 Backscatter

DEM

NDVI

↓

Machine Learning

↓

Land Cover Classification

AI สามารถเรียนรู้ความสัมพันธ์จากข้อมูลหลายมิติได้

แต่สิ่งสำคัญคือผู้ใช้ต้องเข้าใจความหมายทางฟิสิกส์ของแต่ละ Feature

47. AI ไม่ได้ทำให้ความรู้เรื่อง Sensor หมดความสำคัญ

แม้ Deep Learning จะสามารถเรียน Pattern ซับซ้อนได้ แต่หากเราเลือก Sensor ผิดตั้งแต่ต้น AI ก็แก้ไม่ได้

หากภาพ Optical ถูกเมฆปิดทั้งหมด

AI ไม่มีข้อมูลพื้นผิวจริงให้วิเคราะห์

หากต้องการ Height แต่มีเพียง RGB Image AI อาจประมาณได้ในบางบริบท แต่ไม่ได้มีข้อมูล Range โดยตรงแบบ LiDAR

หลักสำคัญคือ

Good Sensor → Good Data → Better AI

48. จาก Passive/Active สู่ Spatial Intelligence

เมื่อข้อมูล Remote Sensing ถูกรวมกับ GIS และข้อมูลอื่น

เราสามารถพัฒนา Workflow

Passive + Active Remote Sensing

↓

Data Fusion

↓

GIS

↓

Machine Learning

↓

Spatial Information

↓

Decision Support

นี่คือเส้นทางจากการตรวจวัดพลังงานไปสู่ Spatial Intelligence

สิ่งที่ควรจำจาก RS101-07

หากต้องจำเพียง 7 เรื่อง ให้จำว่า

1. Passive Sensor ไม่ส่งพลังงานของตัวเอง

2. Optical ใช้พลังงานแสงอาทิตย์ที่สะท้อนกลับ

3. Thermal Passive ตรวจพลังงานที่พื้นผิวแผ่ออกมา

4. Active Sensor ส่งพลังงานออกไปแล้วตรวจสัญญาณกลับ

5. Radar ใช้ Microwave ส่วน LiDAR ใช้ Laser

6. Radar มีข้อได้เปรียบเรื่องกลางคืนและเมฆในหลายสถานการณ์

7. Passive และ Active ไม่ได้แข่งขันกัน แต่เสริมกัน

นี่คือหลักสำคัญที่สุดของตอนนี้

สรุป RS101-07

Passive และ Active Remote Sensing แตกต่างกันที่ แหล่งพลังงานที่ใช้ในการตรวจวัด

Passive Sensor อาศัยพลังงานจากธรรมชาติ เช่น แสงอาทิตย์หรือ Thermal Emission ขณะที่ Active Sensor สร้างพลังงานของตัวเอง แล้วตรวจวัดสัญญาณที่กลับมาจากเป้าหมาย

Passive Optical มีจุดแข็งด้าน Spectral Information จึงเหมาะกับ

Vegetation + Water + Land Cover + Geology

Thermal เหมาะกับ

Heat + Temperature Pattern

Radar มีจุดแข็งด้าน

All-day Observation + Cloud Advantage + Roughness + Moisture + Deformation

ส่วน LiDAR มีจุดเด่นด้าน

Distance + Height + 3D Structure

ไม่มีระบบใดดีที่สุดสำหรับทุกงาน

สิ่งสำคัญคือเลือก Sensor จากปัญหา

และเมื่อรวม Passive กับ Active เราสามารถสร้างมุมมองของโลกที่สมบูรณ์ขึ้น

จาก

Spectral Information

ไปสู่

Structure

Moisture

Height

Temperature

และ

Change

นี่คือเหตุผลที่ Remote Sensing สมัยใหม่กำลังเคลื่อนจาก

Single Sensor

ไปสู่

Multi-sensor Data Fusion

และเชื่อมต่อกับ GIS, Cloud Computing และ AI เพื่อสร้าง Geospatial Intelligence

#RS101 #RemoteSensing #PassiveRemoteSensing #ActiveRemoteSensing #OpticalRemoteSensing #ThermalRemoteSensing #Radar #SAR #LiDAR #EarthObservation #SatelliteImagery #Multispectral #Hyperspectral #SensorFusion #DataFusion #GIS #Geoinformatics #GeoAI #SpatialIntelligence #SmartMapping

.