rs101-10 รู้จักดาวเทียมสำรวจโลกสำคัญ: Landsat, Sentinel และดาวเทียมความละเอียดสูง 

rs101-10 รู้จักดาวเทียมสำรวจโลกสำคัญ: Landsat, Sentinel และดาวเทียมความละเอียดสูง  

 

รู้จักดาวเทียมสำรวจโลกสำคัญ: Landsat, Sentinel และดาวเทียมความละเอียดสูง ไม่มีดาวเทียมดวงไหน “ดีที่สุด” มีแต่ดาวเทียมที่เหมาะกับโจทย์ของเรามากที่สุด

เมื่อเราเรียนรู้เรื่อง Electromagnetic Spectrum, Spectral Signature, Sensor, Platform และ Resolution แล้ว คำถามที่ผู้ใช้ Remote Sensing มักถามต่อคือ “แล้วควรใช้ภาพจากดาวเทียมอะไร?” คำถามนี้ดูเหมือนง่าย แต่ในความเป็นจริงไม่สามารถตอบด้วยชื่อดาวเทียมเพียงชื่อเดียวได้ เพราะดาวเทียมสำรวจโลกแต่ละระบบถูกออกแบบมาเพื่อวัตถุประสงค์ต่างกัน บางระบบเน้นข้อมูลย้อนหลังยาวนาน บางระบบเน้นรายละเอียดของพืชพรรณ บางระบบใช้ Radar เพื่อทำงานผ่านเมฆ บางระบบเน้นภาพรายละเอียดสูงระดับเห็นอาคารและถนนได้ชัดเจน หลักสำคัญจึงไม่ใช่การจำว่าดาวเทียมใด “ดีที่สุด” แต่ต้องเข้าใจว่าแต่ละระบบมี Sensor + Resolution + Revisit + Spectral Bands + Coverage + Cost แตกต่างกันอย่างไร แล้วเลือกให้เหมาะกับคำถามของงาน

ในบทนี้เราจะทำความรู้จักกลุ่มดาวเทียมที่มีบทบาทสำคัญมากในงาน Remote Sensing ได้แก่ Landsat, Sentinel-1, Sentinel-2 และกลุ่มดาวเทียม Optical ความละเอียดสูง พร้อมแนวคิดการเลือกใช้งานจริง

1. เริ่มจากคำถาม ไม่ใช่เริ่มจากชื่อดาวเทียม ก่อนเลือกข้อมูล ควรถามอย่างน้อยว่า

ต้องการศึกษาอะไร?

พื้นที่ใหญ่แค่ไหน?

ต้องการรายละเอียดเท่าไร?

ต้องการข้อมูลย้อนหลังหรือไม่?

ต้องติดตามบ่อยแค่ไหน?

พื้นที่มีเมฆมากหรือไม่?

ต้องการ Visible, NIR, SWIR, Thermal หรือ Radar?

หากคำถามคือ “ป่าในจังหวัดนี้ลดลงอย่างไรในช่วง 30 ปี?” คำตอบอาจพาเราไปหา Landsat 

แต่ถ้าถามว่า “น้ำท่วมวันนี้อยู่ตรงไหน ทั้งที่เมฆเต็มพื้นที่?” Sentinel-1 SAR อาจเหมาะกว่า

หากถามว่า “พืชในแปลงนี้มีความแตกต่างด้าน Vegetation Condition อย่างไร?” Sentinel-2 หรือ Drone Multispectral อาจเหมาะกว่า

และถ้าต้องการ “เห็นอาคารแต่ละหลังและถนนย่อยอย่างละเอียด” ดาวเทียม Optical ความละเอียดสูงอาจเหมาะกว่า

2. Landsat: หนึ่งในเสาหลักของประวัติศาสตร์การสำรวจโลก

ชื่อ Landsat มีความสำคัญมากในประวัติศาสตร์ Remote Sensing เพราะโครงการ Landsat เริ่มสำรวจโลกมาตั้งแต่ปี 1972 ทำให้มีคลังข้อมูลระยะยาวที่มีคุณค่ามากสำหรับการศึกษาการเปลี่ยนแปลงพื้นผิวโลก

สำหรับ Landsat 8 และ Landsat 9 ระบบหลักประกอบด้วย Operational Land Imager (OLI) และ Thermal Infrared Sensor (TIRS) โดยมีข้อมูลรวม 11 Bands ระหว่าง OLI และ TIRS; Multispectral OLI ส่วนใหญ่มี Spatial Resolution 30 เมตร, Panchromatic 15 เมตร และ Thermal มี native ground sampling ประมาณ 100 เมตรก่อนการ resampling ในผลิตภัณฑ์บางระดับ. จุดแข็งที่สุดของ Landsat จึงไม่ใช่เพียง Resolution แต่คือ

Long-term Archive ทำให้สามารถศึกษาการเปลี่ยนแปลงหลายทศวรรษได้อย่างต่อเนื่อง

3. Landsat เหมาะกับงานอะไร?

Landsat เหมาะมากกับงานระดับ Regional National และ Long-term Monitoring ตัวอย่างงาน เช่น

• Forest Change

• Land Use / Land Cover

• Urban Expansion

• Agricultural Change

• Surface Water

• Burned Area

• Geological Mapping

• Land Surface Temperature

ข้อดีสำคัญคือมีทั้ง Visible, NIR, SWIR และ Thermal Information จึงสามารถใช้ศึกษาพื้นผิวโลกได้หลายมิติใน Dataset เดียว

4. จุดแข็งของ Landsat คือ “เวลา”

สมมติเราต้องการศึกษาการขยายตัวของเมือง เราอาจสร้าง Time Series

1985

↓

1995

↓

2005

↓

2015

↓

2025

แล้วดูว่าเมืองขยายตัวไปทางใด นี่เป็นสิ่งที่ข้อมูล High-resolution รุ่นใหม่บางระบบทำไม่ได้ในช่วงเวลายาวเท่า Landsat ดังนั้นในงาน Change Detection ระยะยาว Temporal Depth อาจสำคัญกว่า Spatial Resolution สูงมาก

5. Landsat 8 และ Landsat 9 ทำงานร่วมกันอย่างไร

Landsat 8 และ Landsat 9 แต่ละดวงมีรอบซ้ำประมาณ 16 วันในระบบ WRS-2 และเมื่อทำงานร่วมกัน ตำแหน่งการเก็บภาพจะเหลื่อมกันประมาณ 8 วัน ทำให้ได้ความถี่การสังเกตที่ดีขึ้นสำหรับหลายพื้นที่. อย่างไรก็ตาม สำหรับ Optical Imagery ต้องจำเสมอว่า

Revisit ≠ Usable Image

หากมีเมฆมาก ภาพที่กลับมาทุก 8 วันก็อาจยังไม่สามารถมองเห็นพื้นผิวได้ดี นี่คือเหตุผลที่บางงานต้องใช้ Radar เสริม

6. Landsat กับ Thermal Remote Sensing

จุดเด่นอีกอย่างของ Landsat 8 และ 9 คือ TIRS ซึ่งตรวจวัด Thermal Infrared ข้อมูลนี้สามารถใช้พัฒนาไปสู่การวิเคราะห์ Land Surface Temperature, Urban Heat Island, Surface Thermal Pattern และงานด้านพลังงานหรือสิ่งแวดล้อม แต่ต้องเข้าใจว่า Thermal Band มี native Spatial Resolution หยาบกว่า Optical Bands และผลิตภัณฑ์บางชนิดมีการ Resample ให้ Grid เดียวกันในการใช้งาน. ดังนั้นถ้าเห็น Thermal Map ที่ Pixel 30 เมตร ต้องตรวจ Product Documentation ว่าข้อมูลต้นทางจริงมาจาก Resolution เท่าใด

7. Sentinel คืออะไร?

Sentinel เป็นกลุ่มภารกิจดาวเทียมภายใต้โครงการ Copernicus ของยุโรป Sentinel แต่ละ Mission ถูกออกแบบให้ทำงานต่างกัน ตัวอย่างเช่น

Sentinel-1 → Radar / SAR

Sentinel-2 → Optical Multispectral

Sentinel-3 → Ocean / Land / Temperature

และยังมี Sentinel ภารกิจอื่นสำหรับ Atmosphere และ Earth Observation ด้านต่าง ๆ. สำหรับผู้เริ่มต้น Remote Sensing สองระบบที่ควรรู้จักให้ดีมาก คือ Sentinel-1 และ Sentinel-2

8. Sentinel-1: ดาวเทียม Radar ที่มองโลกได้ทั้งกลางวันและกลางคืน

Sentinel-1 ใช้ C-band Synthetic Aperture Radar (SAR) และภารกิจถูกออกแบบมาเพื่อให้ข้อมูลภาพพื้นผิวโลกได้ทั้งกลางวันและกลางคืน รวมถึงมีข้อได้เปรียบอย่างมากในสภาพอากาศที่มีเมฆ. นี่ทำให้ Sentinel-1 แตกต่างจาก Landsat และ Sentinel-2 อย่างชัดเจน เพราะ Sentinel-1 ไม่ได้มอง Reflectance เหมือน Optical Sensor แต่ตรวจ Microwave Backscatter ดังนั้นข้อมูลจึงมีความหมายทางฟิสิกส์ต่างกัน

9. Sentinel-1 เหมาะกับงานอะไร?

ตัวอย่างงานที่ Sentinel-1 มีประโยชน์ ได้แก่

• Flood Mapping

• Surface Water Change

• Soil Moisture

• Agriculture

• Forest Structure

• Sea Ice

• Maritime Monitoring

• Ground Deformation

• InSAR

โดยเฉพาะ

Flood Monitoring

เป็นหนึ่งในงานเด่น เนื่องจากช่วงที่เกิดฝนตกหนัก Optical Imagery มักถูกเมฆบดบัง แต่ SAR ยังสามารถเก็บข้อมูลพื้นผิวได้ในหลายสภาวะ

10. Sentinel-1 กับ InSAR

Sentinel-1 ไม่ได้มีประโยชน์เพียงสร้างภาพ Radar

เมื่อใช้ข้อมูลหลายช่วงเวลา เราสามารถใช้เทคนิค

Interferometric SAR (InSAR)

เพื่อศึกษาการเปลี่ยนแปลง Phase ของสัญญาณ

และนำไปประยุกต์กับ

Land Subsidence

Earthquake Deformation

Volcano

Landslide Movement

หรือการเคลื่อนตัวของโครงสร้างบางประเภท

นี่เป็นความสามารถที่ Optical Imagery ไม่สามารถให้ข้อมูลในรูปแบบเดียวกันได้

11. Resolution ของ Sentinel-1 ไม่ได้มีตัวเลขเดียว

SAR มีหลาย Mode การทำงาน

ตัวอย่างเช่น Interferometric Wide Swath (IW) ของ Sentinel-1 มี Swath ประมาณ 250 กิโลเมตร และ resolution ในเชิง instrument mode ประมาณ 5 × 20 เมตร ขณะที่โหมดอื่นมี Swath และ Resolution แตกต่างกัน. (European Space Agency)

ดังนั้นการพูดว่า

“Sentinel-1 Resolution เท่ากับ X เมตร”

โดยไม่ระบุ Mode และ Product อาจไม่แม่นยำ

นี่เป็นหลักสำคัญของ Radar Remote Sensing

12. Sentinel-2: ดาวเทียม Multispectral ยอดนิยมสำหรับงานพื้นผิวโลก

Sentinel-2 เป็นหนึ่งใน Dataset ที่ได้รับความนิยมสูงมากสำหรับงาน Land Monitoring

Sensor หลักคือ

Multispectral Instrument (MSI)

ซึ่งมี 13 Spectral Bands

ครอบคลุม Visible, Red Edge, NIR และ SWIR. (Copernicus Dataspace Documentation)

จุดเด่นสำคัญคือมี Band ที่ออกแบบมาเพื่อ Vegetation และ Land Monitoring อย่างดี

ทำให้เหมาะมากกับ

Agriculture

Forestry

Water

Land Cover

และงานสิ่งแวดล้อม

13. Sentinel-2 มี Resolution เท่าไร?

Sentinel-2 ไม่ได้มี Spatial Resolution ค่าเดียว

MSI มี

4 Bands ที่ 10 เมตร

6 Bands ที่ 20 เมตร

และ

3 Bands ที่ 60 เมตร. (Copernicus Dataspace Documentation)

นี่เป็นตัวอย่างสำคัญของสิ่งที่เราเรียนใน RS101-08

คือ Sensor เดียวกันสามารถมี Resolution ต่างกันในแต่ละ Band

เพราะแต่ละ Band ถูกออกแบบตามวัตถุประสงค์ของภารกิจ

14. Sentinel-2 มีอะไรเด่นกว่า Landsat?

ถ้ามองในเชิง Spatial Resolution ของ Optical Bands หลัก Sentinel-2 มี Band สำคัญบางช่วงที่ 10 เมตร ซึ่งละเอียดกว่า Landsat Multispectral 30 เมตร

นอกจากนี้ Sentinel-2 มี

Red Edge Bands

ซึ่งมีประโยชน์มากสำหรับ Vegetation Analysis

จึงเหมาะกับ

Crop Monitoring

Vegetation Health

Forest

และ Precision Agriculture ระดับพื้นที่กว้าง

Sentinel-2 มี Swath ประมาณ 290 กิโลเมตร และ mission design ให้ revisit ระดับประมาณ 5 วันภายใต้ constellation configuration ที่ ESA ระบุสำหรับภารกิจ Sentinel-2. (European Space Agency)

15. Landsat กับ Sentinel-2 ใครดีกว่า?

คำตอบคือ

ขึ้นกับโจทย์

หากต้องการ

Historical Analysis หลายสิบปี

Landsat มีข้อได้เปรียบอย่างมาก

หากต้องการ

Spatial Detail สูงขึ้น + Red Edge + Frequent Optical Observation

Sentinel-2 น่าสนใจมาก

หากต้องการทำ Time Series ยุคปัจจุบัน เราสามารถใช้ทั้งสองระบบร่วมกัน

นี่คือแนวคิดของ

Multi-mission Earth Observation

16. Harmonized Landsat Sentinel-2

ปัจจุบันมีแนวทางนำข้อมูล Landsat และ Sentinel-2 มาทำให้สอดคล้องกันเพื่อใช้ Time Series ร่วมกัน เช่น Harmonized Landsat Sentinel-2 (HLS) ซึ่งสร้างผลิตภัณฑ์ที่ช่วยให้การใช้ข้อมูลจากสองภารกิจต่อเนื่องกันสะดวกขึ้น. (LP DAAC)

แนวคิดคือ

Landsat + Sentinel-2

↓

Harmonization

↓

Denser Optical Time Series

นี่เป็นตัวอย่างของ Remote Sensing สมัยใหม่ที่ไม่ได้จำกัดตัวเองอยู่กับดาวเทียมเพียงระบบเดียว

17. Sentinel-1 กับ Sentinel-2 ควรใช้ร่วมกัน

หนึ่งในคู่ Data Fusion ที่มีประโยชน์มากคือ

Sentinel-1 SAR

Sentinel-2 Optical

Sentinel-2 ให้

Spectral Information

Sentinel-1 ให้

Radar Backscatter

ซึ่งสัมพันธ์กับ Structure, Roughness, Moisture และ Geometry

Machine Learning สามารถใช้ข้อมูลทั้งสองร่วมกันเพื่อสร้าง

Land Cover Classification

Crop Mapping

Wetland Mapping

หรือการติดตามภัยพิบัติ

ได้มีประสิทธิภาพขึ้นในหลายกรณี

18. Optical กับ Radar ไม่ควรเปรียบเทียบเพียงภาพใคร “สวยกว่า”

Sentinel-2 ภาพ True Color ดูเข้าใจง่ายและคล้ายภาพถ่าย

Sentinel-1 SAR อาจดูเป็นภาพขาวดำที่เต็มไปด้วย Texture

แต่ภาพ Radar ไม่ได้ด้อยกว่า

มันกำลังตรวจคุณสมบัติคนละประเภท

ดังนั้น

Optical → Spectral Reflectance

Radar → Microwave Backscatter

การเลือกขึ้นอยู่กับ Physical Property ที่เราต้องการศึกษา

19. ดาวเทียมความละเอียดสูงคืออะไร?

นอกจาก Landsat และ Sentinel ซึ่งเหมาะกับพื้นที่กว้าง ยังมีดาวเทียม Optical เชิงพาณิชย์ที่ให้ Spatial Resolution สูงมาก

ข้อมูลกลุ่มนี้สามารถอยู่ในระดับ

Sub-meter

ทำให้เห็น

• อาคาร

• ถนน

• รถในบางบริบท

• โครงสร้างพื้นฐาน

• รายละเอียดของพื้นที่เมือง

ตัวอย่างระบบร่วมสมัย เช่น WorldView Legion ซึ่งผู้ให้บริการระบุความสามารถภาพระดับประมาณ 30 cm class. (Vantor)

ข้อมูลประเภทนี้เปิดมิติการวิเคราะห์ที่ Landsat หรือ Sentinel-2 ไม่สามารถให้ได้ในระดับเดียวกัน

20. ความละเอียด 30 เซนติเมตรหมายความว่าอะไร?

ภาพ 30 เซนติเมตรหมายถึง Sampling บนพื้นในระดับประมาณ

0.3 × 0.3 เมตรต่อ Pixel

ตามนิยามและผลิตภัณฑ์ของระบบ

จึงสามารถเห็นรายละเอียดของอาคาร ถนน และโครงสร้างได้ดีมาก

แต่ต้องระวังว่า

Pixel Size ≠ Guaranteed Object Detection

วัตถุขนาด 30 เซนติเมตรไม่ได้หมายความว่าจะสามารถระบุได้อย่างแน่นอน

ความสามารถจริงยังขึ้นกับ

Contrast

Sensor MTF

Viewing Angle

Atmosphere

และ Image Quality

21. ดาวเทียมความละเอียดสูงเหมาะกับอะไร?

เหมาะกับงาน เช่น

Urban Mapping

Building Footprint

Infrastructure

Engineering

Disaster Damage

Defense / Security ในกรอบการใช้งานที่ชอบด้วยกฎหมาย

Detailed Land-use Mapping

และงานที่ต้องการ Spatial Detail สูง

Deep Learning ยังสามารถใช้ตรวจจับ

Building

Road

Tree Crown

หรือวัตถุอื่น ๆ

จากภาพรายละเอียดสูงได้

22. ข้อจำกัดของภาพความละเอียดสูง

แม้ภาพละเอียดสูงดูน่าประทับใจ แต่มีข้อจำกัด

Cost

ข้อมูลจำนวนมากเป็น Commercial Data

Coverage

พื้นที่ต่อ Scene หรือระบบจัดซื้ออาจจำกัดกว่า Open Global Missions

Data Volume

ภาพละเอียดมากมีข้อมูลมหาศาล

Processing

ต้องใช้ Storage และ Computing มากขึ้น

Spectral Bands

ระบบบางประเภทเน้น Spatial Resolution มากกว่าจำนวน Spectral Bands

ดังนั้น High Resolution ไม่ได้แทน Multispectral หรือ Hyperspectral โดยอัตโนมัติ

23. Spatial Resolution สูงอาจทำให้ Classification ยากขึ้น

ฟังดูเหมือนขัดแย้ง แต่เป็นเรื่องจริง

ในภาพ 30 เมตร พื้นที่ป่าอาจเป็น Pixel สีค่อนข้างสม่ำเสมอ

แต่ในภาพ 30 เซนติเมตร เราจะเห็น

ใบไม้

เงา

ช่องว่าง

ลำต้น

พื้นดิน

ภายในป่าเดียวกัน

ทำให้ Spectral Variability ภายใน Class สูงมาก

งาน High-resolution จึงมักใช้

Texture

Shape

Object-based Analysis

หรือ

Deep Learning

ช่วยเพิ่ม Spatial Context

24. Planet และ Small Satellite Constellation

อีกแนวทางหนึ่งของ Earth Observation คือการใช้ดาวเทียมขนาดเล็กจำนวนมากสร้าง Constellation

จุดเด่นคือ

High Revisit Frequency

เหมาะกับงานที่ต้องติดตามการเปลี่ยนแปลงบ่อย

เช่น

Agriculture

Construction

Deforestation

และ Supply Chain Monitoring

นี่เป็นตัวอย่างของ Trade-off ระหว่าง

Spatial Resolution + Temporal Resolution + Coverage

ที่ต่างจาก Landsat หรือ Sentinel

25. ดาวเทียมตรวจอากาศก็เป็น Remote Sensing

Remote Sensing ไม่ได้มีเพียงดาวเทียม Mapping

ดาวเทียม Meteorological เช่น Geostationary Satellite ถูกออกแบบให้ติดตามพื้นที่เดิมด้วยความถี่สูงมาก

ข้อดีคือ

Temporal Resolution สูง

สามารถมอง

Cloud

Storm

Atmospheric Motion

ได้ต่อเนื่อง

แต่ Spatial Resolution อาจหยาบกว่าดาวเทียม Mapping

ดังนั้นหากคำถามคือ

“พายุเคลื่อนไปทางไหนในชั่วโมงนี้?”

Weather Satellite เหมาะกว่า Landsat มาก

นี่แสดงให้เห็นอีกครั้งว่า Mission Objective สำคัญที่สุด

26. Resolution Profile ของดาวเทียม

แทนที่จะถามว่า

“ดาวเทียมนี้ละเอียดกี่เมตร?”

ควรถามเป็น Resolution Profile

เช่น

Landsat

Spatial → ปานกลาง

Spectral → ดี

Temporal → ปานกลาง

Historical → ดีมาก

Sentinel-2

Spatial → ปานกลางถึงดี

Spectral → ดีมากสำหรับ Land / Vegetation

Temporal → ดี

Sentinel-1

Spatial → ปานกลางถึงดีตาม Mode

Spectral → ไม่ใช่ Optical Spectrum

Temporal → ดี

Weather Satellite

Spatial → หยาบกว่า

Temporal → สูงมาก

High-resolution Commercial

Spatial → สูงมาก

Coverage / Cost → ต้องพิจารณา

นี่คือวิธีมอง Sensor แบบมืออาชีพ

27. เลือกดาวเทียมสำหรับป่าไม้

หากต้องการ

Forest Change ย้อนหลัง 30–40 ปี

→ Landsat

หากต้องการ

Forest Condition ปัจจุบันละเอียดขึ้น

→ Sentinel-2

หากต้องการ

Forest Structure หรือพื้นที่เมฆมาก

→ Sentinel-1 เพิ่มเติม

หากต้องการ

Tree Crown

→ High-resolution Satellite หรือ Drone

ดังนั้นงานเดียวอาจใช้ดาวเทียมหลายชนิดในหลาย Scale

28. เลือกดาวเทียมสำหรับเกษตร

ระดับประเทศต้องการติดตาม Crop Area

→ Landsat / Sentinel-2

ต้องการ Vegetation Condition และ Red Edge

→ Sentinel-2

พื้นที่เมฆมากหรือสนใจ Crop Structure / Moisture-related Signal

→ Sentinel-1

ต้องการดูแต่ละแถวปลูก

→ Drone หรือ Very-high-resolution Imagery

นี่คือแนวคิด

Satellite → Regional

Drone → Field Detail

29. เลือกดาวเทียมสำหรับน้ำท่วม

ก่อนเกิดเหตุ

Sentinel-2 หรือ Landsat สามารถให้ Land Cover

ระหว่างเกิดเหตุ หากมีเมฆ

Sentinel-1 SAR

มีข้อได้เปรียบมาก

หลังเหตุการณ์

สามารถใช้ทั้ง Optical และ SAR ทำ Change Detection

ดังนั้นระบบ Flood Mapping ที่ดีอาจเป็น

Optical + SAR + DEM

แทนการพึ่ง Sensor เดียว

30. เลือกดาวเทียมสำหรับเมือง

หากต้องการ

Urban Expansion ระยะยาว

→ Landsat

หากต้องการ

Land Cover เมืองระดับ 10 เมตร

→ Sentinel-2

หากต้องการ

Building Footprint

→ High-resolution Optical

หากต้องการ

Urban Heat Island

→ Thermal Data เช่น Landsat TIRS

หากต้องการ

Ground Subsidence

→ Sentinel-1 InSAR

เมืองจึงเป็นตัวอย่างที่ชัดมากของ Multi-sensor Remote Sensing

31. เลือกข้อมูลสำหรับธรณีวิทยา

งาน Regional Geology สามารถใช้

Landsat

และ

Sentinel-2

เพื่อดู

Lithology Pattern

Lineament

Alteration

Landform

แต่หากต้องการ Mineral Identification ที่ละเอียดขึ้น อาจต้องใช้ Hyperspectral

ถ้าต้องการ Terrain Structure เพิ่ม

→ DEM / LiDAR

ถ้าต้องการ Surface Deformation

→ SAR / InSAR

ดังนั้น Geological Remote Sensing ต้องเลือกข้อมูลตามกระบวนการทางธรณีวิทยาที่ต้องการศึกษา

32. ดาวเทียมกับแหล่งข้อมูล Open Data

หนึ่งในการเปลี่ยนแปลงครั้งใหญ่ของ Remote Sensing คือ Open Data Policy

ข้อมูล Landsat และ Copernicus Sentinel สามารถเข้าถึงได้อย่างกว้างขวาง ทำให้ผู้ใช้งานทั่วโลกสามารถสร้าง Time Series และพัฒนา Application ได้โดยไม่ต้องซื้อภาพทุก Scene

สิ่งนี้ทำให้เกิด

Cloud Remote Sensing

Google Earth Engine

Large-scale Monitoring

และ GeoAI

เพราะ AI ต้องการข้อมูล Training จำนวนมาก

33. จาก Download Image สู่ Cloud Data

ในอดีต Workflow คือ

Search → Order → Download → Store → Process

ปัจจุบันเปลี่ยนเป็น

Data Catalog → Cloud Processing → Analysis

เราไม่จำเป็นต้องดาวน์โหลด Landsat หรือ Sentinel หลายพัน Scene ลงเครื่องก่อนวิเคราะห์เสมอไป

Platform อย่าง Google Earth Engine และระบบ Cloud Geospatial อื่นทำให้สามารถประมวลผล Image Collection ขนาดใหญ่ได้

นี่ทำให้ Time-series Remote Sensing เข้าถึงง่ายขึ้นอย่างมาก

34. Analysis-ready Data

ข้อมูลดาวเทียมปัจจุบันมักมีผลิตภัณฑ์ที่ผ่าน Processing ระดับต่าง ๆ

เช่น

Top-of-Atmosphere

หรือ

Surface Reflectance

ผู้ใช้จึงไม่ควรเลือกเพียง Sensor แต่ควรเลือก

Product Level

ให้เหมาะกับการวิเคราะห์

ตัวอย่าง Change Detection หลายช่วงเวลามักได้ประโยชน์จาก Surface Reflectance Product ที่ผ่านการแก้ไขที่เหมาะสม

35. Metadata สำคัญกว่าชื่อไฟล์

ก่อนใช้ภาพควรอ่าน Metadata

ตรวจสอบ

Acquisition Date

Cloud Cover

Processing Level

Projection

Pixel Size

Sun Angle

Band Information

และ Quality Flags

เพราะภาพจาก Sensor เดียวกันในวันต่างกันอาจมีคุณภาพแตกต่างกันมาก

Remote Sensing ที่ดีเริ่มจากการเข้าใจข้อมูล ไม่ใช่เพียงเปิดภาพแล้ววิเคราะห์ทันที

36. ดาวเทียมดวงเดียวอาจไม่พอ

ในอดีตผู้วิเคราะห์อาจสร้าง Project ด้วยข้อมูลจาก Satellite เดียว

แต่ปัจจุบันแนวโน้มคือ

Multi-sensor

Multi-platform

Multi-temporal

ตัวอย่าง

Landsat + Sentinel-2 + Sentinel-1 + DEM

สามารถให้

Spectral

Radar

Terrain

และ Time-series Information

พร้อมกัน

นี่คือพื้นฐานของ Modern Earth Observation

37. Sensor Fusion กับ Machine Learning

สมมติเราต้องการจำแนกพื้นที่เกษตร

Feature อาจประกอบด้วย

Sentinel-2 Red

Sentinel-2 NIR

Sentinel-2 SWIR

NDVI

Sentinel-1 VV

Sentinel-1 VH

DEM

Machine Learning เช่น Random Forest สามารถเรียนรู้ Pattern จากทุก Feature ร่วมกัน

นี่คือการเปลี่ยน

Satellite Images

ให้เป็น

Multi-dimensional Geospatial Data

38. High-resolution Imagery กับ Deep Learning

ภาพรายละเอียดสูงเหมาะมากกับ Computer Vision

สามารถใช้

Object Detection

Semantic Segmentation

Instance Segmentation

เพื่อสร้าง

Building Footprint

Road

Tree Crown

Vehicle

หรือ Infrastructure Layer

แต่ Training Data ต้องดี และ Model ที่ใช้ในเมืองหนึ่งอาจไม่ Generalize ไปยังอีกเมืองหนึ่ง เพราะ

Roof

Road

Architecture

และ Environment

แตกต่างกัน

GeoAI จึงยังต้องมี Validation

39. ดาวเทียมหลายดวงไม่ได้หมายความว่าข้อมูลเหมือนกัน

ภาพจากดาวเทียมสองระบบแม้จะมี Band ชื่อ Red เหมือนกัน

แต่

Central Wavelength

Bandwidth

Spatial Resolution

Viewing Geometry

Radiometric Calibration

อาจแตกต่างกัน

ดังนั้นการนำข้อมูลมาเปรียบเทียบโดยตรงต้องพิจารณา Sensor Differences

นี่เป็นเหตุผลของการทำ

Cross-sensor Harmonization

40. คำว่า “10 เมตร” ไม่ได้หมายความว่าเหมือนกันทุก Sensor

แม้ Sensor A และ B จะระบุ Spatial Resolution 10 เมตรเหมือนกัน

ภาพอาจมีรายละเอียดจริงแตกต่างกัน เพราะ

MTF

Resampling

Optics

Viewing Angle

Signal Quality

และ Processing

ดังนั้น Pixel Size เป็นเพียงหนึ่งใน Specification

ไม่ใช่ตัวแทนคุณภาพทั้งหมด

41. เลือกดาวเทียมด้วย Matrix

สามารถสร้างตารางตัดสินใจง่าย ๆ

คำถาม	ตัวเลือกเด่น
ประวัติการเปลี่ยนแปลงหลายสิบปี	Landsat
พืชพรรณ/เกษตรรายละเอียด 10–20 m	Sentinel-2
เมฆมาก/น้ำท่วม/กลางคืน	Sentinel-1 SAR
Thermal / LST	Landsat TIRS หรือ Thermal Mission ที่เหมาะสม
อาคาร/ถนนรายละเอียดสูง	High-resolution Optical
Mineral Detail	Hyperspectral
พื้นที่เล็ก รายละเอียดเซนติเมตร	UAV / Drone

หลักสำคัญคือใช้ตารางนี้เป็นจุดเริ่มต้น ไม่ใช่กฎตายตัว

42. Use Case: Forest Monitoring

Workflow ตัวอย่าง

Landsat Historical Archive

↓

ดู Forest Change 30 ปี

Sentinel-2

↓

ตรวจปัจจุบันละเอียดขึ้น

Sentinel-1

↓

เติมข้อมูลช่วงมีเมฆ

Field Survey

↓

Validation

นี่คือระบบที่แข็งแรงกว่าการใช้ Sensor เดียว

43. Use Case: Flood Mapping

Sentinel-1 Before Flood

Sentinel-1 During Flood

↓

SAR Change Detection

↓

Flood Extent

Sentinel-2 / Land Cover

DEM

↓

Flood Analysis

Population / Road

↓

Impact Map

นี่คือการเปลี่ยน Remote Sensing จาก “ภาพน้ำท่วม” ไปเป็นข้อมูลสำหรับการตัดสินใจ

44. Use Case: Urban Mapping

Landsat

↓

Urban Expansion

Sentinel-2

↓

Urban Land Cover

High-resolution Optical

↓

Building Footprint

Thermal

↓

Urban Heat

Sentinel-1 InSAR

↓

Subsidence

เมื่อนำทั้งหมดเข้าระบบ GIS เราจะได้

Urban Intelligence

45. Use Case: Geological Mapping

Landsat / Sentinel-2

↓

Regional Spectral Pattern

DEM

↓

Terrain + Lineament

Hyperspectral

↓

Mineral / Alteration

SAR

↓

Structure / Surface Properties

Field Survey

↓

Geological Verification

นี่คือแนวคิด Integrated Geological Remote Sensing

46. ควรใช้ภาพฟรีหรือภาพเสียเงิน?

คำตอบขึ้นกับ Requirement

หาก Open Data อย่าง Landsat หรือ Sentinel ตอบคำถามได้แล้ว ไม่จำเป็นต้องซื้อภาพแพง

แต่หากต้องการ

Building-level Mapping

หรือ Feature ขนาดเล็กมาก

ข้อมูล Commercial High-resolution อาจมีความจำเป็น

หลักคิดคือ

ซื้อ Resolution ที่สร้าง Information Value เพิ่มจริง

ไม่ใช่ซื้อเพราะภาพดูคมกว่า

47. ดาวเทียมที่ดีที่สุดอาจเป็น “หลายดวงร่วมกัน”

แนวโน้ม Remote Sensing ปัจจุบันคือ

จาก

Single Satellite

ไปสู่

Constellation

และ

Multi-mission Integration

เพราะดาวเทียมแต่ละระบบมีข้อจำกัด

Landsat ให้ History

Sentinel-2 ให้ Optical Detail และ Red Edge

Sentinel-1 ให้ Radar

High-resolution ให้ Spatial Detail

เมื่อนำมารวมกัน เราจึงเห็นโลกได้ครบมิติมากขึ้น

48. จาก Satellite Selection สู่ Data Strategy

ผู้เริ่มต้นมักถาม

“ดาวน์โหลดภาพไหน?”

แต่โครงการใหญ่ควรถามว่า

“Data Strategy ของเราคืออะไร?”

เช่น

Baseline → Landsat

Current Monitoring → Sentinel-2

Cloud Gap → Sentinel-1

Detailed Investigation → High-resolution / Drone

Field Verification → Ground Survey

นี่คือการออกแบบ Remote Sensing System แบบเป็นชั้น

49. AI เปลี่ยนวิธีเลือกข้อมูลหรือไม่?

AI ทำให้เราสามารถรวมข้อมูลจำนวนมากและ Feature หลายชนิดได้ง่ายขึ้น

แต่หลักการพื้นฐานยังเหมือนเดิม

ถ้า Sensor ไม่เห็นสิ่งนั้น AI ก็ไม่มีข้อมูลจริงให้เรียนรู้

ดังนั้นก่อนเลือก Model ต้องถาม

Target มี Spectral / Spatial / Temporal Signal ใน Dataset นี้หรือไม่?

นี่สำคัญกว่าการเลือก Neural Network ที่ซับซ้อน

50. หลัก 7 ข้อก่อนเลือกดาวเทียม

ก่อนเริ่ม Project ควรถาม

1. Target คืออะไร?

2. Target ใหญ่แค่ไหน?

3. ต้องการ Wavelength อะไร?

4. ต้องดูบ่อยแค่ไหน?

5. ต้องดูย้อนหลังนานเท่าไร?

6. Cloud เป็นปัญหาหรือไม่?

7. Budget และ Processing Capacity เท่าไร?

คำตอบจะช่วยพาเราไปหา Sensor ที่เหมาะสมเอง

สิ่งที่ควรจำจาก RS101-10

หากต้องจำเพียงภาพรวม ให้จำว่า

Landsat

→ เด่นด้าน Long-term Earth Observation + Multispectral + Thermal

Sentinel-2

→ เด่นด้าน Multispectral, Vegetation, Red Edge และ Spatial Resolution 10–20 เมตรในหลาย Band

Sentinel-1

→ เด่นด้าน SAR, กลางวัน/กลางคืน และสภาพเมฆ

High-resolution Optical

→ เด่นด้านอาคาร ถนน และรายละเอียดระดับ Sub-meter

และไม่มีระบบใดตอบทุกคำถาม

สรุป RS101-10

การเลือกดาวเทียม Remote Sensing ไม่ควรเริ่มต้นจากคำถามว่า

“ดาวเทียมดวงไหนดีที่สุด?”

เพราะดาวเทียมแต่ละระบบถูกสร้างขึ้นด้วย Mission Objective ต่างกัน

Landsat มีคุณค่ามหาศาลด้านประวัติข้อมูลระยะยาวและการติดตามการเปลี่ยนแปลงของพื้นผิวโลก โดย Landsat 8 และ 9 มี OLI/TIRS รวม 11 Bands และเป็นหนึ่งในระบบหลักสำหรับ Land Observation ระยะยาว. (USGS)

Sentinel-2 ใช้ MSI 13 Bands โดยมี Spatial Resolution 10, 20 และ 60 เมตร ทำให้เหมาะอย่างยิ่งกับ Land, Vegetation, Agriculture และ Environmental Monitoring. (Copernicus Dataspace Documentation)

Sentinel-1 ใช้ C-band SAR ทำให้สามารถสำรวจได้ทั้งกลางวันและกลางคืนและมีข้อได้เปรียบในสภาพเมฆ จึงมีบทบาทมากกับ Flood, Surface Change และ InSAR. (European Space Agency)

ส่วนดาวเทียมความละเอียดสูง เช่น WorldView Legion แสดงให้เห็นอีกด้านของ Earth Observation ที่เน้นรายละเอียดระดับประมาณ 30 cm class และมีการพัฒนา constellation เพื่อเพิ่มความถี่ในการเก็บภาพ. (Vantor)

ดังนั้นการเลือกข้อมูลควรเริ่มจาก

Problem → Target → Scale → Wavelength → Resolution → Revisit → Sensor → Satellite

ไม่ใช่เริ่มจากชื่อดาวเทียม

และในหลายโครงการ คำตอบที่ดีที่สุดอาจไม่ใช่ดาวเทียมเพียงดวงเดียว แต่คือ

Landsat + Sentinel-1 + Sentinel-2 + High-resolution / Drone + Field Data

ที่ถูกนำมาทำงานร่วมกัน

เพราะ Remote Sensing ยุคใหม่ไม่ได้ถามเพียงว่า

“ดาวเทียมดวงนี้มองเห็นอะไร?”

แต่ถามว่า

“เราจะนำข้อมูลจากหลาย Sensor มาประกอบกันอย่างไร เพื่อเข้าใจโลกได้ดีที่สุด?”

นี่คือการเปลี่ยนจาก Satellite Imagery ไปสู่ Earth Observation Intelligence

#RS101 #RemoteSensing #Landsat #Sentinel1 #Sentinel2 #SatelliteImagery #EarthObservation #SAR #Multispectral #HighResolutionSatellite #WorldView #Copernicus #USGS #SatelliteData #LandCover #ForestMonitoring #Agriculture #GIS #GeoAI #SmartMapping

.