rs101-08 Resolution 4 ประเภท: Spatial, Spectral, Temporal และ Radiometric

rs101-08 Resolution 4 ประเภท: Spatial, Spectral, Temporal และ Radiometric

Resolution 4 ประเภท: Spatial, Spectral, Temporal และ Radiometric “ความละเอียด” ใน Remote Sensing ไม่ได้หมายถึงภาพคมชัดเพียงอย่างเดียว

เมื่อผู้เริ่มต้นเรียน Remote Sensing ได้ยินคำว่า Resolution หรือความละเอียด มักนึกถึงคำถามว่า “ภาพชัดแค่ไหน?” หรือ “Pixel เล็กแค่ไหน?” ซึ่งเป็นเพียงส่วนหนึ่งของความหมายเท่านั้น เพราะใน Remote Sensing คำว่า Resolution มีอย่างน้อย 4 มิติสำคัญ ได้แก่ Spatial Resolution, Spectral Resolution, Temporal Resolution และ Radiometric Resolution ซึ่งแต่ละมิติตอบคำถามคนละแบบ และมีผลต่อความสามารถของ Sensor ในการตรวจวัดพื้นผิวโลกแตกต่างกัน

Spatial Resolution บอกว่าเรามองเห็นรายละเอียดเล็กแค่ไหนบนพื้นโลก

Spectral Resolution บอกว่า Sensor แยกช่วงคลื่นได้ละเอียดเพียงใด

Temporal Resolution บอกว่าเราสามารถกลับมาดูพื้นที่เดิมได้บ่อยเพียงใด

และ Radiometric Resolution บอกว่า Sensor สามารถแยกระดับความเข้มของสัญญาณได้ละเอียดแค่ไหน

จึงไม่มีคำว่า

“Resolution สูงที่สุด = ข้อมูลดีที่สุดเสมอ”

ข้อมูลที่ดีที่สุดคือข้อมูลที่มี Resolution เหมาะสมกับคำถามของงาน

นี่เป็นหนึ่งในหลักคิดที่สำคัญที่สุดของ Remote Sensing

1. Resolution คืออะไร?

คำว่า Resolution ในบริบทของ Remote Sensing หมายถึง ความสามารถของระบบตรวจวัดในการแยกความแตกต่างบางอย่างออกจากกัน

ความแตกต่างนั้นอาจเป็น

ตำแหน่งบนพื้นโลก

ช่วงคลื่นแม่เหล็กไฟฟ้า

เวลา

หรือระดับความเข้มของพลังงาน

จึงเกิด Resolution 4 ประเภทหลัก คือ

1. Spatial Resolution

2. Spectral Resolution

3. Temporal Resolution

4. Radiometric Resolution

ทั้งสี่ประเภทมีความสัมพันธ์และมี Trade-off ระหว่างกัน

Sensor หนึ่งอาจมี Spatial Resolution สูง แต่ Temporal Resolution ต่ำ

อีก Sensor อาจกลับมาถ่ายพื้นที่เดิมทุกวัน แต่ Pixel มีขนาดใหญ่กว่า

ดังนั้นก่อนเลือกข้อมูลต้องเข้าใจทั้ง 4 มิติพร้อมกัน

2. Spatial Resolution คืออะไร?

Spatial Resolution คือความสามารถในการแยกรายละเอียดเชิงพื้นที่บนพื้นโลก โดยมักอธิบายอย่างง่ายผ่านขนาดพื้นที่ที่ Pixel หนึ่งแทน

ตัวอย่างเช่น

30 เมตร

หมายถึง Pixel หนึ่งอาจเป็นตัวแทนพื้นที่ประมาณ

30 × 30 เมตร

หรือ 900 ตารางเมตร

ภาพ 10 เมตรจะสามารถแสดง Feature ขนาดเล็กได้ดีกว่าภาพ 30 เมตรในหลายกรณี

ส่วนภาพระดับ 50 เซนติเมตรสามารถเห็นรายละเอียดของสิ่งปลูกสร้างหรือวัตถุขนาดเล็กได้มากกว่าอย่างชัดเจน

แต่ Spatial Resolution ไม่ได้หมายความว่า Feature ที่มีขนาดเท่ากับ Pixel จะถูกจำแนกได้อย่างสมบูรณ์เสมอ เพราะยังขึ้นกับ Contrast, Sensor Point Spread Function และลักษณะของวัตถุด้วย

3. Pixel เล็ก = รายละเอียดสูง

โดยทั่วไป

Pixel เล็ก → Spatial Resolution สูง

เช่น

30 m → รายละเอียดต่ำกว่า

10 m → รายละเอียดสูงขึ้น

3 m → สูงขึ้นอีก

0.5 m → สามารถเห็นรายละเอียดระดับอาคารและถนนบางประเภทได้ดีขึ้น

แต่เมื่อ Pixel เล็กลง จำนวน Pixel ที่ใช้ครอบคลุมพื้นที่เดียวกันจะเพิ่มขึ้นอย่างมาก

สมมติพื้นที่ 1 ตารางกิโลเมตร

ถ้าใช้ Pixel 100 เมตร จะมีประมาณ 100 Pixel

ถ้าใช้ Pixel 10 เมตร จะมีประมาณ 10,000 Pixel

ถ้าใช้ Pixel 1 เมตร จะมีประมาณ 1,000,000 Pixel

ดังนั้น Spatial Resolution สูงขึ้นหมายถึง

Data Volume เพิ่มขึ้น

Storage เพิ่มขึ้น

Processing เพิ่มขึ้น

และอาจเพิ่มค่าใช้จ่ายในบางระบบ

4. Spatial Resolution สูงไม่ได้ดีที่สุดเสมอไป

สมมติเราต้องการติดตามพื้นที่ป่าทั้งประเทศไทย

ภาพ Spatial Resolution 30 เซนติเมตรอาจดูน่าสนใจมาก แต่ข้อมูลจะมีปริมาณมหาศาลและอาจละเอียดเกินความจำเป็น

หากต้องการเพียงประเมิน Forest Cover ระดับประเทศ ภาพ 10–30 เมตรอาจเหมาะสมกว่า

ในทางกลับกัน หากต้องการตรวจ

รอยแตกถนน

อาคารแต่ละหลัง

หรือ

ต้นไม้แต่ละต้น

ภาพ 30 เมตรย่อมไม่เพียงพอ

หลักสำคัญคือ

Resolution ต้องเหมาะกับขนาดของ Feature ที่ต้องการวิเคราะห์

5. Mixed Pixel เกี่ยวข้องกับ Spatial Resolution

เมื่อ Pixel มีขนาดใหญ่ ภายใน Pixel เดียวอาจมีวัตถุหลายประเภท

เช่น Pixel 30 × 30 เมตร อาจมี

Vegetation 50%

Road 20%

Soil 20%

Water 10%

Sensor จะได้ค่าพลังงานที่เกิดจากการผสมขององค์ประกอบทั้งหมด

เรียกว่า

Mixed Pixel

Spatial Resolution ที่สูงขึ้นสามารถช่วยลดปัญหา Mixed Pixel ได้ในหลายสถานการณ์ แต่ไม่ได้กำจัดปัญหาโดยสิ้นเชิง

เพราะ Feature บางประเภทมีขนาดเล็กหรือซับซ้อนมาก

6. Spatial Resolution กับ Scale ของงาน

สามารถคิดแบบง่าย ๆ ได้ว่า

งานระดับโลก / ประเทศ

อาจใช้

Spatial Resolution ปานกลางถึงหยาบ

งานจังหวัด / เมือง

อาจใช้

10–30 เมตร หรือดีกว่า

งานรายละเอียดเมือง / วิศวกรรม

อาจใช้

ระดับเมตรหรือต่ำกว่า

งาน Drone Survey

อาจใช้

ระดับเซนติเมตร

แต่ตัวเลขเหล่านี้เป็นเพียงแนวทาง เพราะต้องพิจารณาคำถามจริงของโครงการด้วย

7. Spectral Resolution คืออะไร?

Spectral Resolution คือความสามารถของ Sensor ในการแยกพลังงานตามช่วงความยาวคลื่น

ไม่ใช่คำถามว่า

“ภาพละเอียดแค่ไหน?”

แต่คือ

“Sensor แยก Spectrum ได้ละเอียดแค่ไหน?”

ตัวอย่างเช่นกล้อง RGB อาจมีเพียง

Red

Green

Blue

ขณะที่ Multispectral Sensor อาจมี

Blue + Green + Red + NIR + SWIR + Red Edge

ส่วน Hyperspectral Sensor อาจมี Band จำนวนหลายสิบหรือหลายร้อย Band

ยิ่ง Band แคบและมีจำนวนมาก เราสามารถเห็นรายละเอียดของ Spectral Signature ได้มากขึ้น

8. Bandwidth สำคัญอย่างไร?

Spectral Resolution ไม่ได้ดูเพียงจำนวน Band แต่ยังต้องดู Bandwidth

สมมติ Sensor A มี Band หนึ่งครอบคลุมช่วงกว้างมาก

Sensor B มีหลาย Band แคบ ๆ ครอบคลุมช่วงเดียวกัน

Sensor B จะสามารถแยกรายละเอียด Spectral Feature ได้ดีกว่า

จึงมีประโยชน์ในงานอย่าง

Mineral Identification

Vegetation Species

Chemical Composition

และ

Material Mapping

นี่คือเหตุผลที่ Hyperspectral Remote Sensing มีประสิทธิภาพสูงในงานที่ต้องการแยกวัสดุจาก Spectral Signature

9. Panchromatic, Multispectral และ Hyperspectral

สามารถมองเป็นลำดับเชิงแนวคิดได้ดังนี้

Panchromatic

Band กว้างหนึ่ง Band

ได้ภาพ Grayscale

มักให้ Spatial Resolution สูงในบาง Sensor

Multispectral

มีหลาย Band เช่น Visible, NIR, SWIR

เหมาะกับ Land Cover, Agriculture, Water และ Environment

Hyperspectral

มี Band จำนวนมากและแคบ

เหมาะกับ Material Identification และ Spectroscopy

ดังนั้น

Spatial Resolution สูง

และ

Spectral Resolution สูง

เป็นคนละเรื่องกัน

Sensor อาจมี Spatial Resolution สูงมากแต่ Spectral Resolution ต่ำก็ได้

10. Spectral Resolution กับพืช

สำหรับงานพืช หากมีเพียง RGB เราสามารถเห็นสีและ Texture

แต่หากเพิ่ม

NIR

เราสามารถสร้าง NDVI

หากเพิ่ม

Red Edge

สามารถศึกษาลักษณะ Chlorophyll หรือ Stress ของพืชในบางบริบทได้ดีขึ้น

หากเพิ่ม SWIR

สามารถวิเคราะห์ความชื้นและ Water Content ได้มากขึ้น

ดังนั้น Spectral Resolution ที่เพิ่มขึ้นทำให้เรามี “มิติข้อมูล” เพิ่มขึ้น

11. Spectral Resolution กับธรณีวิทยา

สำหรับ Geological Remote Sensing ความแตกต่างของแร่บางชนิดเกิดจาก Absorption Features ที่ค่อนข้างแคบ

Multispectral Sensor อาจมองเห็นแนวโน้มของ Alteration

แต่ Hyperspectral Sensor สามารถช่วยแยก Mineral Feature ได้ละเอียดกว่า

ดังนั้นหากคำถามคือ

“พื้นที่นี้เป็นหินหรือดินประเภทใดโดยรวม?”

Multispectral อาจเพียงพอ

แต่หากถามว่า

“มีแร่ชนิดใด?”

Spectral Resolution ที่สูงขึ้นอาจมีความสำคัญมาก

12. Temporal Resolution คืออะไร?

Temporal Resolution คือความสามารถหรือความถี่ที่ระบบสามารถกลับมาสังเกตพื้นที่เดิม

บางครั้งอธิบายผ่านคำว่า

Revisit Time

เช่น

1 วัน

5 วัน

16 วัน

หรือ 30 วัน

Temporal Resolution มีความสำคัญมากกับปรากฏการณ์ที่เปลี่ยนแปลงเร็ว

เช่น

Flood

Wildfire

Storm

Crop Growth

และ

Urban Activity

13. เหตุการณ์เปลี่ยนเร็ว ต้องการ Temporal Resolution สูง

สมมติน้ำท่วมเกิดและลดลงภายใน 3 วัน

ถ้าดาวเทียมกลับมาถ่ายทุก 16 วัน เราอาจพลาดเหตุการณ์ทั้งหมด

แต่ถ้ามีข้อมูลทุกวันหรือทุก 2–5 วัน โอกาสตรวจเหตุการณ์จะสูงขึ้น

ดังนั้นสำหรับภัยพิบัติ

Temporal Resolution อาจสำคัญกว่า Spatial Resolution

ในบางสถานการณ์

ภาพ 10 เมตรที่มาช้า 10 วันอาจมีประโยชน์น้อยกว่าภาพ 100 เมตรที่มาถึงในวันเกิดเหตุ

14. Revisit Time ไม่เท่ากับ Data Availability เสมอไป

นี่เป็นประเด็นสำคัญ

ดาวเทียม Optical อาจกลับมาผ่านพื้นที่ทุก 5 วัน

แต่ถ้าวันนั้นมีเมฆหนา เราอาจไม่ได้ข้อมูลพื้นผิวที่ใช้งานได้

ดังนั้น Temporal Availability จริงอาจต่ำกว่าค่า Revisit Time ทางทฤษฎี

ในพื้นที่เขตร้อน ควรพิจารณา

Cloud-free Observation Frequency

ไม่ใช่ดู Revisit Time เพียงอย่างเดียว

นี่คือเหตุผลที่ SAR มีประโยชน์มาก เพราะลดข้อจำกัดจากเมฆ

15. Constellation เพิ่ม Temporal Resolution

หากมีดาวเทียมหลายดวงใน Constellation สามารถเพิ่มความถี่การสำรวจพื้นที่เดิมได้

เช่น

ดาวเทียมหนึ่งดวงอาจกลับมาทุกหลายวัน

แต่ถ้ามีหลายดวงทำงานร่วมกัน การ Revisit อาจลดลงเหลือรายวันหรือมากกว่านั้น

นี่เป็นจุดแข็งของระบบ Earth Observation ยุคใหม่

โดยเฉพาะงาน

Agriculture

Disaster

Security

Maritime

และ Change Detection ที่ต้องการข้อมูลบ่อย

16. Temporal Resolution กับ Time Series

ข้อมูลที่เก็บซ้ำบ่อยทำให้เราสร้าง

Time Series

เช่น

NDVI รายสัปดาห์

Water Surface รายเดือน

Land Surface Temperature รายวัน

เมื่อมี Time Series เราสามารถวิเคราะห์

Trend

Seasonality

Anomaly

และ

Change

นี่เป็นการเปลี่ยนจากภาพเดี่ยวไปสู่

Dynamic Earth Observation

17. Radiometric Resolution คืออะไร?

Radiometric Resolution คือความสามารถของ Sensor ในการแยกระดับความเข้มของพลังงานที่ตรวจวัดได้

ระบบดิจิทัลต้องเปลี่ยนพลังงานต่อเนื่องให้เป็นค่าตัวเลข

จำนวนระดับที่ใช้บันทึกขึ้นกับจำนวน Bit

เช่น

8-bit = 2⁸ = 256 ระดับ

ค่าตั้งแต่

0–255

10-bit = 1,024 ระดับ

12-bit = 4,096 ระดับ

16-bit = 65,536 ระดับ

ยิ่ง Bit สูง Sensor สามารถแทนความแตกต่างของระดับสัญญาณได้ละเอียดขึ้นในเชิงการ Quantization

18. 8-bit กับ 12-bit ต่างกันอย่างไร?

สมมติว่า Sensor ต้องแบ่งช่วงพลังงานหนึ่งออกเป็นระดับดิจิทัล

8-bit มี 256 ระดับ

12-bit มี 4,096 ระดับ

จึงสามารถแบ่งความแตกต่างของสัญญาณได้ละเอียดกว่า

แต่การมี Radiometric Resolution สูงไม่ได้หมายความว่าข้อมูลจะมีคุณภาพสูงโดยอัตโนมัติ

ยังขึ้นกับ

Sensor Noise

Calibration

Dynamic Range

Signal-to-noise Ratio

และคุณภาพการตรวจวัดจริง

ดังนั้น 16-bit Data ไม่ได้แปลว่ามีข้อมูลจริง 65,536 ระดับที่มีความหมายทั้งหมดเสมอไป

19. Radiometric Resolution กับพื้นที่มืดและสว่างใกล้กัน

สมมติเรามีพื้นที่พืชสองบริเวณที่ Reflectance แตกต่างกันเล็กน้อย

Sensor ที่มี Radiometric Resolution ต่ำอาจบันทึกทั้งสองพื้นที่เป็นค่าเดียวกัน

Sensor ที่มี Radiometric Resolution สูงอาจแยกค่าทั้งสองออกได้

จึงมีประโยชน์ในงานที่ต้องตรวจความแตกต่างของสัญญาณเล็ก ๆ

เช่น

Water Quality

Vegetation Stress

Atmospheric Observation

และ Scientific Measurement บางประเภท

20. Radiometric Resolution ไม่ใช่ Contrast ของหน้าจอ

อีกความเข้าใจผิดคือคิดว่า Radiometric Resolution สูงหมายความว่าภาพจะดูสวยหรือมี Contrast สูงขึ้นทันที

ในความจริง สิ่งที่เราเห็นบนหน้าจออาจถูก

Stretch

Normalize

หรือแปลงค่ามาเป็น 8-bit เพื่อแสดงผล

ดังนั้น Display Image ไม่ได้แสดง Radiometric Information ทั้งหมดเสมอไป

นัก Remote Sensing ต้องแยกระหว่าง

Data Value

กับ

Display Value

21. Resolution ทั้ง 4 ต้องคิดร่วมกัน

ลองเปรียบเทียบการเลือกกล้องถ่ายภาพ

เราไม่สามารถถามเพียงว่า

“กี่ Megapixel?”

แล้วสรุปว่ากล้องดีที่สุด

Remote Sensing ก็เช่นกัน

ต้องพิจารณา

Spatial

Spectral

Temporal

Radiometric

ร่วมกัน

และยังต้องเพิ่ม

Swath

Cost

Cloud

Data Availability

และ

Processing Requirement

22. Trade-off ระหว่าง Spatial กับ Temporal

ดาวเทียมที่มองพื้นที่กว้างมากอาจมี Pixel ใหญ่กว่า เพราะต้องครอบคลุมพื้นที่จำนวนมาก

ส่วนดาวเทียมความละเอียดสูงอาจมี Swath แคบกว่า

ดังนั้นบางระบบมี

High Spatial Resolution + Lower Revisit / Smaller Coverage

ขณะที่บางระบบมี

Moderate Spatial Resolution + High Temporal Coverage

นี่คือ Trade-off ที่สำคัญมาก

23. Trade-off ระหว่าง Spatial กับ Spectral

Hyperspectral Sensor ต้องบันทึก Band จำนวนมาก

เพื่อให้ Spectral Resolution สูง

แต่การออกแบบ Sensor ต้องแบ่งพลังงานไปยัง Band จำนวนมาก ทำให้มีข้อจำกัดด้าน Signal-to-noise, Detector และ Data Volume

ดังนั้นบาง Hyperspectral System มี Spatial Resolution ต่ำกว่า Optical High-resolution Imagery

นี่เป็นอีกตัวอย่างว่า

ไม่มี Resolution ใดเพิ่มได้โดยไม่มีข้อแลกเปลี่ยน

24. Trade-off ระหว่าง Spectral กับ Temporal

หาก Sensor บันทึก Band จำนวนมาก ข้อมูลต่อ Scene มีขนาดใหญ่ขึ้น

การส่งข้อมูลและ Processing ซับซ้อนขึ้น

จึงอาจมีข้อจำกัดต่อความถี่การเก็บข้อมูล

ในทางกลับกัน Weather Satellite ที่ต้องเก็บข้อมูลบ่อยมากอาจใช้ชุด Band ที่ถูกออกแบบให้เหมาะกับภารกิจโดยเฉพาะ

ดังนั้น Sensor Design คือกระบวนการสร้างสมดุลระหว่างหลายข้อจำกัด

25. Resolution กับการเลือก Landsat

ตัวอย่าง Landsat มี Spatial Resolution ของ Multispectral Bands หลักหลาย Band อยู่ที่ประมาณ 30 เมตร

แต่มีข้อได้เปรียบสำคัญคือ

Historical Archive ยาวนาน

Spectral Bands หลากหลาย

และ

Open Data

จึงเหมาะกับ

Long-term Land Change

Forest Monitoring

Urban Expansion

และ

Environmental Studies

แม้ Spatial Resolution จะไม่สูงที่สุด

นี่เป็นตัวอย่างชัดเจนว่า Data Value ไม่ได้ตัดสินจาก Pixel Size เพียงอย่างเดียว

26. Resolution กับ Sentinel-2

Sentinel-2 มี Band บางช่วงที่ 10 เมตร และบาง Band ที่ 20 หรือ 60 เมตร

Sensor ถูกออกแบบให้สมดุลระหว่าง

Spatial

Spectral

และ

Temporal

จึงเหมาะมากกับ

Agriculture

Vegetation

Land Cover

Water

และ

Environmental Monitoring

โดยเฉพาะ Red Edge Bands ที่ช่วยเพิ่ม Spectral Information ด้านพืช

27. ทำไม Band ของดาวเทียมเดียวกันมี Resolution ต่างกัน?

ผู้เริ่มต้นอาจสงสัยว่า

ทำไม Sensor เดียวกัน Band หนึ่ง 10 เมตร แต่อีก Band 20 เมตร?

เหตุผลเกี่ยวข้องกับการออกแบบ Detector, Signal Strength, Optical System และ Scientific Objective

Band บางช่วงได้รับพลังงานน้อยกว่า หรือมีหน้าที่เฉพาะที่ไม่จำเป็นต้องมี Spatial Resolution เท่ากับ Visible Bands

ดังนั้น Band Resolution เป็นผลจาก Engineering Trade-off

ไม่ใช่ความผิดพลาดของข้อมูล

28. Resampling ไม่ได้สร้างรายละเอียดจริงใหม่

หากเรามีภาพ 20 เมตรแล้ว Resample ให้เป็น Pixel 10 เมตร

ไม่ได้หมายความว่าเราได้ Spatial Resolution จริง 10 เมตร

เพียงแต่ Grid มีขนาดเล็กลงจากการคำนวณค่าใหม่

ข้อมูลรายละเอียดเดิมยังคงมาจาก Sensor 20 เมตร

จึงต้องแยก

Pixel Size

ออกจาก

Native Spatial Resolution

นี่เป็นเรื่องสำคัญมากในการทำ GIS และ Remote Sensing

29. Upsampling กับ Downsampling

Upsampling

เปลี่ยน Pixel ให้เล็กลง

เช่น 20 m → 10 m

ไม่ได้สร้างข้อมูลจริงใหม่

Downsampling

เปลี่ยน Pixel ให้ใหญ่ขึ้น

เช่น 10 m → 30 m

ทำให้รายละเอียดบางส่วนถูกลดลง

การเลือก Resampling Method เช่น

Nearest Neighbor

Bilinear

Cubic

ขึ้นกับประเภทข้อมูลและวัตถุประสงค์

30. Resolution กับงาน Classification

หาก Pixel ใหญ่เกินไปจะเกิด Mixed Pixel มาก

Classification อาจผิดมากขึ้น

แต่หาก Pixel เล็กมากเกินไป Texture และรายละเอียดภายใน Class อาจเพิ่มขึ้นจนเกิด Spectral Variability

ตัวอย่างพื้นที่ป่า

ภาพ 30 เมตรอาจเห็นป่าเป็นพื้นที่ค่อนข้างสม่ำเสมอ

ภาพ 30 เซนติเมตรอาจเห็น

ต้นไม้

เงา

ช่องว่าง

พื้นดิน

ทั้งหมดแยกกัน

ดังนั้น Spatial Resolution สูงมากไม่ได้ทำให้ Classification ง่ายขึ้นเสมอไป

31. Resolution กับ Object-based Analysis

เมื่อภาพมี Spatial Resolution สูงมาก การวิเคราะห์แบบ Pixel-based อาจไม่เหมาะ

เพราะวัตถุหนึ่งประกอบด้วย Pixel จำนวนมาก

จึงสามารถใช้

Object-Based Image Analysis (OBIA)

โดยจัด Pixel ที่คล้ายกันเป็น Object แล้ววิเคราะห์

Shape

Texture

Size

Context

ร่วมกับ Spectral Information

เหมาะกับภาพรายละเอียดสูงของเมือง อาคาร และแปลงเกษตร

32. Resolution กับ Machine Learning

Machine Learning สามารถใช้ Feature จาก Resolution หลายประเภท

เช่น

Spatial Detail จากภาพความละเอียดสูง

Spectral Bands จาก Multispectral

Time Series จาก Temporal Resolution สูง

และ Radiometric Values ที่ละเอียด

โมเดลจึงสามารถใช้

Spatial + Spectral + Temporal

พร้อมกัน

นี่คือพื้นฐานของ GeoAI และ Earth Observation ยุคใหม่

33. แต่ AI ไม่สามารถแก้ Resolution ที่ผิดได้ทุกกรณี

หากต้องการตรวจรถยนต์แต่ใช้ภาพ Pixel 30 เมตร

AI ไม่สามารถสร้างข้อมูลจริงของรถที่ Sensor ไม่ได้บันทึก

แม้เทคนิค Super-resolution สามารถเพิ่มรายละเอียดเชิงภาพหรือประมาณรูปแบบได้ในบางกรณี แต่ไม่ควรตีความว่าเป็นการกู้รายละเอียดจริงทั้งหมดจากข้อมูลต้นฉบับ

ดังนั้นหลักการยังคงเป็น

Choose appropriate data before choosing AI

34. Resolution สำหรับตรวจป่า

หากต้องการ

Forest Cover ระดับประเทศ

อาจใช้ 10–30 เมตรได้ดี

ถ้าต้องการ

Canopy Gap

อาจต้องใช้ระดับเมตร

ถ้าต้องการ

ต้นไม้แต่ละต้น

อาจต้องใช้ระดับเซนติเมตรถึงเมตรจาก UAV หรือ High-resolution Imagery

ดังนั้นคำว่า

“วิเคราะห์ป่า”

อย่างเดียวไม่เพียงพอ

ต้องบอกว่า

วิเคราะห์อะไรในป่า

35. Resolution สำหรับเกษตร

ระดับประเทศอาจสนใจ

Crop Area

ภาพ 10–30 เมตรอาจเหมาะ

ระดับฟาร์มอาจสนใจ

Plant Stress ภายในแปลง

UAV Multispectral อาจเหมาะกว่า

แต่ถ้าต้องติดตามทุกสัปดาห์หลายพันแปลง Satellite Temporal Resolution จะมีความสำคัญมาก

จึงอาจใช้

Satellite + Drone

ร่วมกัน

36. Resolution สำหรับน้ำท่วม

น้ำท่วมเปลี่ยนเร็ว

ดังนั้น Temporal Resolution สำคัญมาก

Spatial Resolution ก็ต้องละเอียดพอที่จะเห็นพื้นที่น้ำ

แต่ถ้ามีเมฆ Optical Resolution ที่ดีอาจใช้งานไม่ได้

จึงต้องพิจารณา Sensor Type เพิ่มด้วย

ตัวอย่าง

SAR 10 เมตร ที่ได้ในวันเกิดเหตุ

อาจมีคุณค่ามากกว่า

Optical 50 เซนติเมตร ที่มาช้ากว่าหลายวัน

ใน Disaster Response

37. Resolution สำหรับธรณีวิทยา

ถ้าต้องการ

Regional Geological Structure

Spatial Resolution ปานกลางอาจเพียงพอ

ถ้าต้องการ

Mineral Mapping

Spectral Resolution สูงอาจสำคัญกว่า Spatial

ถ้าต้องการ

Fracture Mapping บนหน้าผา

Spatial Resolution ระดับเซนติเมตรจาก Drone อาจมีความสำคัญ

ดังนั้นงานธรณีวิทยามีตัวอย่างชัดเจนว่า Resolution ที่สำคัญขึ้นกับคำถาม

38. Resolution สำหรับ Urban Heat Island

งาน Urban Heat Island ต้องการ Thermal Data

Thermal Sensor มักมี Spatial Resolution ต่ำกว่า Visible Bands

เพราะการตรวจวัด Thermal มีข้อจำกัดด้านพลังงานและ Sensor Design

ดังนั้นหากเห็น Thermal Map ที่ Pixel ดูเล็กมาก ควรตรวจว่าเป็น

Native Thermal Resolution

หรือถูก Resample จากข้อมูลหยาบกว่า

นี่เป็นเรื่องที่ต้องระวังในการนำเสนอแผนที่

39. Resolution กับ Data Volume

เมื่อ Resolution สูงขึ้น Data Volume มักเพิ่มขึ้น

ตัวอย่าง

Spatial Resolution สูงขึ้น → Pixel มากขึ้น

Spectral Resolution สูงขึ้น → Band มากขึ้น

Temporal Resolution สูงขึ้น → จำนวน Image มากขึ้น

Radiometric Resolution สูงขึ้น → Bit Depth มากขึ้น

ดังนั้น

High Resolution in all dimensions = Big Data

นี่เป็นเหตุผลที่ Cloud Computing และ Google Earth Engine มีบทบาทมากใน Remote Sensing สมัยใหม่

40. Resolution กับ Cloud Computing

ในอดีตผู้ใช้ต้องดาวน์โหลด Scene จำนวนมาก

เมื่อใช้ Time Series หลายสิบปี Data Volume จะใหญ่มาก

ปัจจุบันระบบ Cloud ทำให้เราสามารถ

Data on Cloud → Process on Cloud → Result

แทนการดาวน์โหลดทุกภาพลงเครื่อง

เมื่อ Temporal และ Spatial Resolution เพิ่มขึ้น Cloud Computing จึงยิ่งมีความสำคัญ

41. Resolution กับ Google Earth Engine

Google Earth Engine มี Dataset หลาย Resolution

ผู้ใช้ต้องรู้ว่า Dataset ใดมี

Spatial

Spectral

Temporal

และ Processing Level แบบใด

ก่อนนำมารวมกัน

ตัวอย่างเช่น การนำ Band 10 เมตรและ 20 เมตรมาใช้ร่วมกัน ต้องเข้าใจว่า Platform อาจ Resample ค่าในกระบวนการคำนวณ

หากไม่เข้าใจ อาจตีความผลลัพธ์ผิดได้

42. Resolution กับ Scale ของแผนที่

อีกเรื่องที่สำคัญคือ

Image Resolution ≠ Map Scale

ภาพ 10 เมตรไม่ได้หมายความว่าสามารถสร้างแผนที่ความละเอียดสูงได้ทุก Scale โดยอัตโนมัติ

ความเหมาะสมของ Map Scale ยังขึ้นกับ

Positional Accuracy

Classification Accuracy

Cartographic Generalization

และวัตถุประสงค์

จึงไม่ควรนำ Satellite Image Resolution ไปเทียบกับ Map Scale แบบตรง ๆ โดยไม่พิจารณาปัจจัยอื่น

43. Native Resolution สำคัญที่สุด

เมื่อใช้ข้อมูล ควรรู้ว่า

Native Resolution คือเท่าไร

ไม่ใช่ดูจาก Pixel Size ของไฟล์ที่ผ่านการ Resample แล้ว

ตัวอย่าง

ข้อมูลต้นฉบับ 30 เมตร

ถูก Resample เป็น 10 เมตร

File Metadata อาจแสดง Grid 10 เมตร

แต่ Scientific Information ยังคงมีต้นกำเนิดจาก Sensor 30 เมตร

ดังนั้นทุกครั้งควรตรวจ

Metadata

และ

Product Documentation

44. “ละเอียดกว่า” อาจสร้างปัญหาใหม่

ภาพละเอียดสูงมากอาจเห็นสิ่งที่เราไม่ต้องการ

เช่น Shadow

Roof Material

Road Marking

ต้นไม้แต่ละต้น

ทำให้ Class เดียวมีความแปรปรวนสูง

ดังนั้นบางครั้งการลด Resolution หรือ Aggregate Data สามารถช่วยให้ Pattern ระดับพื้นที่ชัดขึ้น

นี่เป็นแนวคิดที่เรียกว่า

Scale-dependent Analysis

45. เลือก Resolution เริ่มจากคำถาม

ก่อนเลือก Dataset ให้ถามว่า

Target มีขนาดเท่าไร?

เปลี่ยนเร็วแค่ไหน?

ต้องแยกวัสดุละเอียดแค่ไหน?

ความแตกต่างของสัญญาณเล็กเพียงใด?

คำถามทั้งสี่สอดคล้องกับ

Spatial

Temporal

Spectral

Radiometric

ตามลำดับ

นี่เป็นวิธีคิดที่มีประสิทธิภาพมากที่สุด

46. ตัวอย่างการเลือก Resolution

หากต้องการตรวจ

การขยายตัวเมืองรายปี

Spatial → 10–30 m อาจเพียงพอ

Temporal → รายปี

Spectral → Multispectral

ชนิดแร่

Spatial → ขึ้นกับ Scale ของ Outcrop

Spectral → สูงมาก

Temporal → ไม่จำเป็นต้องถี่มาก

น้ำท่วม

Spatial → ต้องเห็นขอบเขตน้ำ

Temporal → สูงมาก

Sensor → SAR มีประโยชน์เมื่อมีเมฆ

อาคารแต่ละหลัง

Spatial → ระดับเมตรหรือต่ำกว่า

Spectral → RGB / Multispectral อาจเพียงพอ

นี่แสดงให้เห็นว่าแต่ละงานมี Resolution Profile ต่างกัน

47. ไม่มี “Best Resolution” มีแต่ “Best Fit”

แนวคิดสำคัญที่สุดของบทนี้คือ

ไม่มีข้อมูล Remote Sensing ชุดใดดีที่สุดในทุกมิติ

เราควรเลือก

Spatial Resolution ที่พอดี

Spectral Resolution ที่ตอบโจทย์

Temporal Resolution ที่ทันเหตุการณ์

และ

Radiometric Resolution ที่เพียงพอ

พร้อมกับพิจารณา

Cost

Coverage

Cloud

และ Processing

นี่คือ Fit-for-purpose Remote Sensing

48. Resolution กับการออกแบบโครงการ

โครงการ Remote Sensing ที่ดีควรเริ่มตามลำดับ

Problem

↓

Target Size

↓

Target Spectral Property

↓

Change Frequency

↓

Required Sensitivity

↓

Choose Resolution

↓

Choose Sensor

↓

Choose Platform

↓

Acquire Data

↓

Analyze

ไม่ควรเริ่มจาก

“มีภาพอะไรอยู่แล้วก็ใช้ภาพนั้น”

โดยไม่ตรวจว่าตอบโจทย์หรือไม่

49. Resolution กับ Business Cost

ในโครงการจริง Resolution มีผลต่อค่าใช้จ่าย

ข้อมูลละเอียดมากอาจมีราคาแพง

Drone อาจต้องใช้เวลาบินจำนวนมาก

Hyperspectral ต้องใช้ Storage และ Processing สูง

Time Series ถี่มากต้องเพิ่ม Infrastructure

ดังนั้นควรประเมิน

Information Value / Cost

ไม่ใช่เพียงคุณภาพทางเทคนิค

50. จาก Resolution สู่ Information Quality

Resolution เป็นเพียงส่วนหนึ่งของคุณภาพข้อมูล

Information Quality ยังขึ้นกับ

Accuracy

Calibration

Cloud

Geometric Quality

Atmospheric Correction

Training Data

และ

Validation

ดังนั้นภาพ Spatial Resolution 30 เซนติเมตรที่ Geolocation ผิด 5 เมตร อาจไม่เหมาะกับงาน Survey ที่ต้องการตำแหน่งแม่นยำ

จึงต้องมองคุณภาพข้อมูลเป็นภาพรวม

สิ่งที่ควรจำจาก RS101-08

หากต้องจำเพียง 4 คำถาม ให้จำว่า

Spatial Resolution

→ “เห็นวัตถุเล็กแค่ไหน?”

Spectral Resolution

→ “แยกช่วงคลื่นละเอียดแค่ไหน?”

Temporal Resolution

→ “กลับมาดูพื้นที่เดิมบ่อยแค่ไหน?”

Radiometric Resolution

→ “แยกระดับความเข้มของสัญญาณได้ละเอียดแค่ไหน?”

และควรจำอีกประโยคหนึ่งว่า

“ไม่มี Resolution ไหนดีที่สุดเสมอไป มีแต่ Resolution ที่เหมาะกับโจทย์ที่สุด”

สรุป 

คำว่า Resolution ใน Remote Sensing มีความหมายกว้างกว่าความคมชัดของภาพมาก เพราะประกอบด้วย Spatial + Spectral + Temporal + Radiometric Resolution Spatial Resolution บอกขนาดรายละเอียดบนพื้นโลก Spectral Resolution บอกความสามารถในการแยกช่วงคลื่น Temporal Resolution บอกความถี่ในการกลับมาสังเกตพื้นที่เดิม และ Radiometric Resolution บอกความสามารถในการแยกระดับความเข้มของสัญญาณ

ข้อมูลที่มี Pixel เล็กที่สุดจึงไม่ได้ดีที่สุดสำหรับทุกงาน งานติดตามภัยพิบัติอาจต้องการ Temporal Resolution สูง 

งานจำแนกแร่อาจต้องการ Spectral Resolution สูง 

งานวิศวกรรมอาจต้องการ Spatial Resolution สูง

ส่วนงาน Scientific Measurement บางประเภทอาจต้องการ Radiometric Sensitivity สูง

หัวใจคือการตั้งคำถามให้ถูกว่า “เราต้องการเห็นอะไร ละเอียดแค่ไหน บ่อยเพียงใด และต้องแยกสัญญาณละเอียดเท่าไร?” เมื่อคำถามเหล่านี้ชัด การเลือก Dataset, Sensor และ Platform จะมีเหตุผลมากขึ้น และช่วยลดทั้งต้นทุน เวลา และความผิดพลาดของการวิเคราะห์

#RS101 #RemoteSensing #Resolution #SpatialResolution #SpectralResolution #TemporalResolution #RadiometricResolution #SatelliteImagery #EarthObservation #Multispectral #Hyperspectral #GIS #Geoinformatics #Landsat #Sentinel #SAR #GeoAI #RemoteSensingThailand #SpatialData #SmartMapping

.