rs101-11 การอ่านและแปลความหมายภาพดาวเทียม (Image Interpretation) 

rs101-11 การอ่านและแปลความหมายภาพดาวเทียม (Image Interpretation) 

 

การอ่านและแปลความหมายภาพดาวเทียม (Image Interpretation) ก่อนให้ AI ช่วยจำแนกภาพ เราควรฝึก “อ่านภาพ” ด้วยสายตาและเหตุผลเชิงพื้นที่ให้เป็นก่อน

เมื่อเราเปิดภาพดาวเทียม ภาพถ่ายทางอากาศ หรือภาพจากโดรน สิ่งแรกที่เห็นอาจเป็นเพียงพื้นที่สีต่าง ๆ เส้นบาง ๆ รูปร่างเรขาคณิต เงา และลวดลายที่ดูซับซ้อน แต่สำหรับนัก Remote Sensing สิ่งเหล่านี้ไม่ใช่เพียงองค์ประกอบของภาพ หากเป็น “เบาะแส” ที่ช่วยบอกว่าวัตถุหรือพื้นที่นั้นคืออะไร

การอ่านและแปลความหมายภาพ หรือ Image Interpretation คือกระบวนการใช้คุณลักษณะที่ปรากฏในภาพมาช่วยระบุ จำแนก และทำความเข้าใจวัตถุหรือปรากฏการณ์บนพื้นโลก

แม้ปัจจุบัน Machine Learning และ Deep Learning จะสามารถจำแนกภาพจำนวนมหาศาลได้อย่างรวดเร็ว แต่ทักษะ Image Interpretation ยังมีความสำคัญมาก เพราะช่วยให้เราตรวจสอบผลของ Algorithm รู้ว่า Classification ผิดตรงไหน เข้าใจบริบทของพื้นที่ และเลือก Training Sample ได้อย่างสมเหตุสมผล

หลักสำคัญของการแปลภาพที่นิยมใช้ประกอบด้วย

Tone / Color

Shape

Size

Texture

Pattern

Shadow

Site

และ

Association

องค์ประกอบทั้ง 8 อย่างนี้เปรียบเหมือน “ภาษาภาพ” ที่นัก Remote Sensing ใช้อ่านพื้นผิวโลก

1. Image Interpretation คืออะไร?

Image Interpretation คือการตรวจสอบภาพและใช้หลักฐานจากองค์ประกอบต่าง ๆ เพื่อระบุลักษณะ วัตถุ หรือปรากฏการณ์

ตัวอย่างเช่น ในภาพหนึ่งเราเห็นวัตถุ

เป็นเส้นยาว

มีความกว้างค่อนข้างคงที่

เชื่อมต่อกันเป็น Network

ผ่านหมู่บ้านและเมือง

เราอาจตีความว่าเป็น ถนน

ขณะที่พื้นที่อีกแห่ง

มีสีเขียวเข้ม

Texture หยาบ

รูปแบบไม่เป็นเรขาคณิต

อยู่บนภูเขา

อาจตีความว่าเป็น พื้นที่ป่า

การตีความไม่ได้อาศัยคุณสมบัติเพียงอย่างเดียว แต่ใช้หลายองค์ประกอบประกอบกัน

2. การอ่านภาพไม่ใช่การเดาสี

ข้อผิดพลาดที่พบได้บ่อยคือการใช้สีเพียงอย่างเดียวในการตัดสินว่าวัตถุคืออะไร

ตัวอย่างเช่น

พื้นที่สีเขียวอาจเป็น

ป่า

สนามหญ้า

นาข้าว

สวนผลไม้

หรือพืชชนิดอื่น

พื้นที่สีเข้มอาจเป็น

น้ำ

เงาภูเขา

พื้นผิว Asphalt

หรือพื้นที่ถูกไฟไหม้

ดังนั้น Image Interpretation ที่ดีต้องใช้หลัก

Multiple Evidence

หรือใช้เบาะแสหลายประเภทประกอบกัน

3. Tone คืออะไร?

ในภาพขาว–ดำ Tone หมายถึงระดับความสว่าง

ตั้งแต่

Black → Dark Gray → Gray → Light Gray → White

Tone เกิดจากค่าพลังงานที่ Sensor ตรวจวัดได้และวิธีการแสดงผล

ตัวอย่างเชิงทั่วไป

ผิวน้ำใน NIR อาจมี Tone มืด

พื้นทรายแห้งอาจสว่างกว่า

อาคารหลังคาบางประเภทอาจสว่างมาก

แต่ Tone ไม่ได้มีความหมายเหมือนกันในทุก Band

วัตถุหนึ่งอาจมืดใน Red แต่สว่างใน NIR

ดังนั้นต้องรู้ด้วยว่า “กำลังดู Band อะไร”

4. Color คืออะไร?

เมื่อใช้ Multispectral Imagery เราสามารถสร้างภาพสี

เช่น

True Color

หรือ

False Color

Color จึงกลายเป็นองค์ประกอบสำคัญในการตีความ

ใน True Color

Vegetation → มักเป็นสีเขียว

Water → มักเป็นสีน้ำเงินหรือคล้ำ

Bare Soil → น้ำตาลหรือเหลือง

Built-up → เทาหรือขาว

แต่ใน False Color เช่น NIR–Red–Green

Vegetation → มักเป็นสีแดง

Water → มืด

Urban → Cyan / Gray ตามวัสดุและ Band Combination

ดังนั้นสีไม่มีความหมายตายตัว ต้องดู Band Combination ก่อนเสมอ

5. Color ไม่ใช่ Spectral Signature ทั้งหมด

แม้ภาพสีจะช่วยตีความได้ดี แต่ RGB Display แสดงได้เพียง 3 Channels ในเวลาเดียวกัน

ข้อมูล Sentinel-2 หรือ Landsat มี Band มากกว่านั้น

ดังนั้นสิ่งที่เราเห็นบนหน้าจอเป็นเพียง “ตัวแทน” ของข้อมูล Spectral ทั้งหมด

วัตถุสองชนิดที่ดูสีเหมือนกันใน True Color อาจแยกออกได้ชัดใน NIR หรือ SWIR

นี่คือเหตุผลที่ Image Interpretation ต้องเชื่อมกับความรู้เรื่อง Spectral Signature

6. Shape — รูปร่าง

Shape คือรูปทรงของวัตถุ

เป็นเบาะแสที่สำคัญมาก โดยเฉพาะวัตถุที่มนุษย์สร้างขึ้น

ตัวอย่าง

ถนน → เส้นยาวต่อเนื่อง

สนามบิน → Runway ยาวตรงและกว้าง

อาคาร → รูปสี่เหลี่ยมหรือเรขาคณิต

วงเวียน → วงกลม

อ่างเก็บน้ำ → รูปร่างสัมพันธ์กับภูมิประเทศและเขื่อน

พื้นที่เกษตร → มักมีรูปแปลงเรขาคณิต

สิ่งที่มนุษย์สร้างขึ้นมักมี Shape ที่เป็นระเบียบกว่าธรรมชาติ

7. Shape กับธรรมชาติ

วัตถุธรรมชาติมักมีรูปร่างไม่สม่ำเสมอ

เช่น

แม่น้ำ → คดเคี้ยว

ชายฝั่ง → ไม่เป็นเส้นตรง

ป่า → ขอบเขตไม่สม่ำเสมอ

ภูเขา → รูปทรงสัมพันธ์กับภูมิประเทศ

แต่ไม่ควรใช้กฎนี้แบบตายตัว เพราะแม่น้ำที่ถูกปรับปรุงอาจตรงขึ้น และพื้นที่สวนป่าก็อาจมีขอบเขตเรขาคณิต

ดังนั้น Shape ต้องใช้ร่วมกับ Context

8. Size — ขนาด

Size ช่วยให้เราตัดความเป็นไปได้ของวัตถุออกได้

ตัวอย่างเช่น วัตถุรูปสี่เหลี่ยม

ถ้ามีขนาด

5 × 10 เมตร

อาจเป็นบ้าน

แต่ถ้า

500 × 1,000 เมตร

อาจเป็นโรงงานหรือคลังสินค้า

การใช้ Size ต้องทราบ

Spatial Resolution

และ

Scale

ของภาพ

หาก Pixel 30 เมตร อาคารเล็ก ๆ อาจมองไม่เห็นเลย

ดังนั้นการตีความ Size โดยไม่รู้ Resolution อาจผิดได้ง่าย

9. ขนาดจริงกับ Pixel

สมมติภาพมี Spatial Resolution 10 เมตร

อาคารกว้าง 5 เมตรอาจมีขนาดเล็กกว่า Pixel

แต่บางกรณีอาจยังสร้าง Signal ให้ Sensor ตรวจพบได้ หาก Contrast กับพื้นที่รอบข้างสูง

อย่างไรก็ตาม การเห็น “Signal” ไม่ได้หมายความว่าจะสามารถระบุ Shape ได้

ดังนั้น Image Interpretation ต้องเข้าใจความสัมพันธ์ระหว่าง

Object Size

และ

Pixel Size

เสมอ

10. Texture — เนื้อภาพ

Texture หมายถึงลักษณะความหยาบหรือความละเอียดของ Tone/Color ภายในพื้นที่

สามารถอธิบายง่าย ๆ ว่า

Smooth

Medium

Coarse

ตัวอย่าง

ผิวน้ำสงบ → Texture เรียบ

ทุ่งนาในบางฤดู → ค่อนข้างเรียบ

ป่าธรรมชาติ → Texture หยาบ

เมืองหนาแน่น → Texture หยาบมาก

Texture มีประโยชน์อย่างมากในการแยกพื้นที่ที่มี Spectral Tone ใกล้กัน

11. ทำไมป่าจึงมี Texture หยาบ?

พื้นที่ป่าประกอบด้วย

ยอดไม้

ช่องว่าง

เงา

ต้นไม้ต่างขนาด

และโครงสร้างเรือนยอด

ทำให้ Pixel ข้างเคียงมีความสว่างแตกต่างกันมาก

จึงเกิด Texture แบบ Rough หรือ Coarse

ในทางกลับกัน สนามหญ้าหรือพื้นที่เกษตรที่มีพืชสม่ำเสมออาจมี Texture เรียบกว่า

ดังนั้นแม้ทั้งสองจะเป็น Vegetation เหมือนกัน Texture สามารถช่วยแยกได้

12. Texture ขึ้นกับ Resolution

ป่าเดียวกันใน Landsat 30 เมตรอาจดูค่อนข้างเรียบ

แต่ในภาพ 30 เซนติเมตรจะเห็นยอดไม้และเงาจำนวนมาก ทำให้ Texture หยาบมาก

ดังนั้น Texture ไม่ใช่คุณสมบัติคงที่ของวัตถุ

แต่ขึ้นกับ

Spatial Resolution

อย่างมาก

สิ่งนี้เรียกว่า

Scale-dependent Texture

13. Pattern — รูปแบบการจัดเรียง

Pattern คือรูปแบบการเรียงตัวซ้ำ ๆ ของวัตถุ

ตัวอย่าง

สวนยาง → แถวต้นไม้เป็นระเบียบ

สวนปาล์ม → รูปแบบจุดหรือแถวสม่ำเสมอ

นาข้าว → แปลงเรขาคณิต

เมือง → ถนนและอาคารเป็น Network

หมู่บ้าน → อาคารรวมกลุ่มตามถนน

ภูมิประเทศ Karst → เนินหรือยอดเขารูปแบบซ้ำ ๆ

Pattern จึงช่วยให้เราตีความ “ระบบ” ไม่ใช่เพียงวัตถุเดี่ยว

14. Pattern สำคัญกับเกษตร

พื้นที่เกษตรแต่ละประเภทสามารถมี Pattern แตกต่างกัน

เช่น

Rice Paddy

Orchard

Rubber Plantation

Oil Palm

Crop Field

ความแตกต่างอาจอยู่ที่

ขนาดแปลง

ระยะห่างต้นไม้

แนวแถวปลูก

และระบบชลประทาน

ดังนั้น High-resolution Imagery สามารถช่วย Crop Mapping จาก Pattern ได้ดีมาก

15. Shadow — เงา

Shadow เป็นทั้ง “ปัญหา” และ “ข้อมูล”

ปัญหาคือพื้นที่ในเงามี Signal ต่ำ ทำให้ Spectral Information ลดลง

แต่ Shadow ช่วยบอก

Height

Shape

และ

Orientation

ของวัตถุได้

ตัวอย่าง

อาคารสูง

หอคอย

ภูเขา

ต้นไม้ใหญ่

สามารถสังเกตจากเงาได้

ดังนั้น Shadow ไม่ควรถูกมองว่าเป็น Noise อย่างเดียว

16. Shadow กับความสูง

ในหลักการ หากรู้

Sun Elevation

และความยาวของ Shadow

สามารถประมาณความสูงของวัตถุได้ภายใต้ Geometry ที่เหมาะสม

แนวคิดเชิงเรขาคณิตคือ

Height ≈ Shadow Length × tan(Sun Elevation)

แต่ในโลกจริงต้องพิจารณา

Terrain

Image Geometry

และ Projection

ร่วมด้วย

แนวคิดนี้แสดงให้เห็นว่า Image Interpretation สามารถเชื่อมกับ Geometry ได้

17. เงาภูเขากับปัญหาการ Classification

ในพื้นที่ภูเขา Slope ที่หันออกจากดวงอาทิตย์อาจอยู่ใน Shadow

ป่าในเงาอาจมี Spectral Value ต่ำจน Algorithm จำแนกผิดเป็น

Water

หรือ Shadow Class

นี่เป็นเหตุผลที่งาน Mountain Remote Sensing ต้องพิจารณา

DEM

Slope

Aspect

และ

Topographic Correction

ร่วมด้วย

18. Site — ตำแหน่งที่ตั้ง

Site หมายถึงตำแหน่งหรือสภาพแวดล้อมที่วัตถุตั้งอยู่

วัตถุหนึ่งอาจตีความได้ง่ายขึ้นเมื่อเรารู้ว่าอยู่ในพื้นที่แบบใด

ตัวอย่าง

Mangrove → อยู่ชายฝั่ง น้ำกร่อย หรือปากแม่น้ำ

Rice Paddy → มักอยู่พื้นที่ราบและสัมพันธ์กับน้ำ

Reservoir → อยู่ในหุบเขาหลังเขื่อน

Sand Bar → อยู่ตามแม่น้ำหรือชายฝั่ง

Mine → อาจสัมพันธ์กับพื้นที่ภูเขาและหินเปิด

Site จึงเพิ่ม Context ทางภูมิศาสตร์ให้กับภาพ

19. Site กับธรณีวิทยา

ใน Geological Image Interpretation ตำแหน่งทางภูมิประเทศมีความสำคัญมาก

ตัวอย่าง

Alluvial Deposit → ลุ่มน้ำและ Floodplain

Talus → เชิงหน้าผา

River Terrace → ตามขอบลุ่มน้ำ

Landslide → พื้นที่ลาดชัน

Fault-related Landform → แนว Linear Feature บางรูปแบบ

การตีความจึงต้องเชื่อม

Image + Terrain + Geological Process

ไม่ใช่มอง Spectral Color อย่างเดียว

20. Association — ความสัมพันธ์กับสิ่งรอบข้าง

Association คือการระบุวัตถุจากความสัมพันธ์กับ Feature อื่น

ตัวอย่างเช่น

สถานีรถไฟ → อยู่ติด Railway

ท่าเรือ → อยู่ริมทะเลหรือแม่น้ำ และเชื่อมกับถนน

สนามบิน → มี Runway + Taxiway + Terminal

เขื่อน → มี Reservoir ด้านหนึ่งและแม่น้ำด้านปลายน้ำ

โรงงาน → อาคารขนาดใหญ่ + Road + Storage Area

เมื่อวัตถุหลายอย่างปรากฏร่วมกัน ความมั่นใจในการตีความจะเพิ่มขึ้น

21. Association เหมือนการใช้ “ประโยค” แทน “คำ”

ถ้าเห็นวัตถุสี่เหลี่ยมใหญ่เพียงอย่างเดียว อาจยังไม่รู้ว่าเป็นอะไร

แต่ถ้าเห็น

อาคารใหญ่

ลานคอนเทนเนอร์

ทางรถไฟ

ท่าเรือ

รวมกัน

เราสามารถตีความว่าเป็น

Logistics / Port Facility

ได้มั่นใจขึ้น

Image Interpretation จึงคล้ายการอ่านภาษา

Feature หนึ่งคือ “คำ”

Association หลาย Feature รวมกันคือ “ประโยค”

22. องค์ประกอบ 8 อย่างต้องใช้ร่วมกัน

หลัก Image Interpretation จึงไม่ควรใช้แยกกัน

ตัวอย่างการระบุถนน

Tone/Color → เทา

Shape → เส้นยาว

Size → กว้างค่อนข้างคงที่

Texture → เรียบ

Pattern → เชื่อมเป็น Network

Site → ผ่านชุมชน

Association → เชื่อมอาคารและเมือง

เมื่อหลักฐานทั้งหมดสอดคล้องกัน เราจะตีความได้มั่นใจมากกว่าใช้ “สีเทา” เพียงอย่างเดียว

23. อ่านแหล่งน้ำอย่างไร?

น้ำมักมีลักษณะ

Tone/Color

มืดใน NIR หรือ SWIR

Shape

สอดคล้องกับ Basin, River หรือ Coastline

Texture

ค่อนข้างเรียบใน Optical

Site

พื้นที่ต่ำ

Association

เชื่อมกับแม่น้ำ ลุ่มน้ำ หรือเขื่อน

แต่ต้องระวัง Shadow เพราะสามารถดูมืดคล้ายน้ำได้

จึงควรใช้ NIR/SWIR หรือ Water Index ช่วยตรวจสอบ

24. อ่านแม่น้ำอย่างไร?

แม่น้ำมีลักษณะเด่นคือ

Linear / Curvilinear Shape

แต่ต่างจากถนนเพราะ

มีความกว้างเปลี่ยนไป

คดเคี้ยวตามภูมิประเทศ

เชื่อมกับระบบ Drainage

และมักอยู่ในพื้นที่ต่ำ

Association กับ

Tributary

Floodplain

Bridge

และ Reservoir

ช่วยยืนยันการตีความ

25. อ่านพื้นที่ป่าอย่างไร?

ป่าอาจมี

Color

เขียวใน True Color

แดงใน NIR False Color

Texture

หยาบ

Shape

ไม่สม่ำเสมอ

Pattern

ต่อเนื่องหรือเป็น Patch

Site

ภูเขาหรือพื้นที่อนุรักษ์ในหลายกรณี

แต่การแยก Forest Type ต้องใช้ Spectral และ Temporal Information เพิ่ม

เพราะป่าชนิดต่าง ๆ อาจมี Appearance ใกล้กันในภาพเดียว

26. ป่ากับสวนไม่เหมือนกันอย่างไร?

สวนยางหรือสวนปาล์มอาจมี Spectral Signature คล้าย Forest

แต่ Pattern ต่างกัน

สวนมักมี

Regular Spacing

Linear Rows

Parcel Boundary

ขณะที่ป่าธรรมชาติมักมี

Irregular Pattern

และ Texture ซับซ้อนกว่า

ดังนั้น Pattern และ Texture สามารถช่วยแยก Natural Forest กับ Plantation ได้ โดยเฉพาะภาพ Resolution สูง

27. อ่านพื้นที่เกษตรอย่างไร?

พื้นที่เกษตรมักมี

Geometric Shape

และ

Parcel Pattern

ที่ชัดเจน

Color เปลี่ยนตามฤดู

แปลงเดียวกันอาจเป็น

น้ำ

ดิน

ต้นกล้า

พืชเขียว

หรือหลังเก็บเกี่ยว

ในปีเดียว

ดังนั้น Time Series มีความสำคัญมากกว่าภาพเดียวในการจำแนก Agriculture

28. อ่านเมืองอย่างไร?

พื้นที่เมืองมักมี

High Texture

Geometric Shape

Road Network

Building Pattern

และ Spectral Mixing สูง

ใน True Color อาจเป็น

Gray / White / Brown

แต่ Bare Soil สามารถดูคล้าย Built-up ได้

จึงควรใช้ Association, Texture, Shape และ Band อื่นร่วมกัน

29. อ่านถนนอย่างไร?

ถนนมี

Linear Shape

Constant Width

Network Pattern

และเชื่อม Settlement

แต่ถนนดินกับแม่น้ำเล็กอาจดูคล้ายกันในบางภาพ

ข้อแตกต่างคือ

ถนนมัก

ตรงกว่า

มี Junction

เชื่อมเมืองและอาคาร

ขณะที่แม่น้ำสัมพันธ์กับ Topography และ Drainage Network

30. อ่านสนามบินอย่างไร?

สนามบินเป็นตัวอย่างที่ Association ช่วยได้มาก

ลักษณะสำคัญคือ

Runway

ยาว ตรง และกว้าง

Taxiway

เชื่อม Runway

Apron

พื้นที่โล่งขนาดใหญ่

Terminal

อาคารใกล้ Apron

องค์ประกอบเหล่านี้รวมกันทำให้สนามบินตีความได้ง่ายจากภาพความละเอียดสูง

31. อ่านพื้นที่อุตสาหกรรมอย่างไร?

พื้นที่อุตสาหกรรมมักมี

อาคารขนาดใหญ่

หลังคากว้าง

ถนนสำหรับรถบรรทุก

ลานจอด

Storage Tank

หรือ Warehouse

และอาจอยู่ใกล้

Highway

Railway

Port

Association จึงสำคัญมาก

เพราะอาคารใหญ่เพียงหลังเดียวอาจเป็นห้าง โรงงาน หรือคลังสินค้าได้

32. อ่านเหมืองอย่างไร?

เหมืองเปิดอาจมีลักษณะ

Bare Surface

Terraced / Bench Pattern

Irregular Excavation

Haul Road

Waste Dump

บางแห่งมี Pit Lake

การใช้ Texture, Pattern, Shape และ Association สามารถช่วยแยกเหมืองออกจาก Bare Soil ทั่วไป

ในงานธรณีวิทยาอาจนำ Spectral Information เพิ่มเพื่อศึกษาวัสดุด้วย

33. อ่านภูเขาและ Terrain อย่างไร?

ภูมิประเทศสามารถอ่านจาก

Shadow

Drainage Pattern

Slope Appearance

และ

Texture

แต่การตีความจาก Optical Image อย่างเดียวมีข้อจำกัด

จึงนิยมใช้

DEM

Hillshade

Slope

Aspect

ร่วมด้วย

การรวมภาพ Optical กับ Hillshade สามารถเพิ่มความเข้าใจ Landform ได้มาก

34. Drainage Pattern บอกอะไรได้บ้าง?

รูปแบบ Drainage สามารถสะท้อน

Geology

Structure

และ

Terrain

เช่น

Dendritic

Trellis

Radial

Rectangular

แต่การตีความต้องระมัดระวังและใช้ข้อมูลธรณีวิทยาประกอบ

Drainage Pattern เป็นตัวอย่างที่ดีของการใช้

Pattern + Association + Geological Knowledge

ร่วมกัน

35. Lineament คืออะไรใน Image Interpretation?

Lineament คือ Feature เชิงเส้นที่เห็นจากภาพหรือ Terrain Data

อาจสัมพันธ์กับ

Fault

Joint

Lithological Boundary

หรือ Feature อื่น

แต่เส้นที่เห็นไม่ได้หมายความว่าเป็น Fault เสมอไป

อาจเป็น

Road

Canal

Field Boundary

Pipeline

ดังนั้นต้องใช้

Geological Context

และ

Field Verification

ก่อนสรุป

36. Shadow กับ Lineament

บางครั้งแนว Fault Scarp หรือ Ridge สามารถเห็นชัดจาก Shadow

การเปลี่ยน Sun Angle สามารถทำให้ Feature ที่เคยมองไม่เห็นเด่นขึ้น

นี่เป็นเหตุผลที่นัก Geological Remote Sensing มักดูภาพหลาย

Sun Azimuth

หรือใช้ DEM สร้าง Hillshade หลายทิศทาง

เพื่อลด Directional Bias

37. Image Interpretation กับ Resolution

องค์ประกอบแต่ละชนิดมีประโยชน์ต่างกันตาม Resolution

Low / Moderate Resolution

Tone

Color

Large Pattern

Site

เด่นกว่า

High Resolution

Shape

Texture

Shadow

Association

มีรายละเอียดมากขึ้น

ดังนั้นเทคนิคการตีความต้องปรับตาม Dataset

38. Image Interpretation กับ False Color

False Color สามารถทำให้ Feature บางประเภทเด่นขึ้นมาก

ตัวอย่าง

NIR False Color

ทำให้ Vegetation เด่นเป็นสีแดง

SWIR Combination

ช่วยแยก

Moisture

Burned Area

Geological Surface

บางประเภทได้ดีขึ้น

จึงควรทดลอง Band Combination หลายรูปแบบก่อนตีความ

39. การ Stretch ภาพมีผลต่อการตีความ

Raw Satellite Image อาจดูมืดหรือ Contrast ต่ำ

จึงใช้

Linear Stretch

Histogram Stretch

Percent Clip

เพื่อเพิ่มความแตกต่าง

แต่การ Stretch เปลี่ยนเพียง Visualization ไม่ได้เปลี่ยน Physical Reflectance จริง

ดังนั้นไม่ควรอ่านค่าทางปริมาณจากสีบนหน้าจอโดยตรง

40. Zoom มากเกินไปไม่ได้สร้างรายละเอียดใหม่

หากภาพมี Pixel 30 เมตร การ Zoom จนเห็น Pixel ใหญ่ขึ้นไม่ได้ทำให้เรามองเห็นบ้านที่มีขนาด 5 เมตร

เป็นเพียงการขยาย Display

นี่เป็นข้อผิดพลาดที่พบได้บ่อย

ดังนั้น Image Interpretation ต้องรู้

Native Resolution

เสมอ

41. Multi-date Interpretation

การใช้ภาพหลายวันช่วยเพิ่มข้อมูล

ตัวอย่าง

พื้นที่หนึ่งในเดือนพฤษภาคมเป็นน้ำ

เดือนกรกฎาคมเป็นสีเขียว

เดือนพฤศจิกายนเป็นดิน

Pattern นี้อาจเป็นนาข้าว

แต่หากดูภาพเดียวอาจตีความว่าเป็น

Water

Vegetation

หรือ Bare Soil

ดังนั้น

Time เป็นอีกองค์ประกอบหนึ่งของการตีความ

42. Seasonal Pattern

การตีความบาง Class ต้องรู้ Season

ตัวอย่าง

Deciduous Forest

Rice Paddy

Wetland

Snow

Floodplain

จะเปลี่ยน Appearance ตามฤดู

ดังนั้นผู้ตีความต้องรู้

Acquisition Date

ก่อนเสมอ

Metadata จึงมีความสำคัญมาก

43. Image Interpretation กับ Ground Truth

แม้ผู้เชี่ยวชาญจะอ่านภาพเก่งเพียงใด ก็ยังสามารถตีความผิดได้

จึงต้องใช้

Field Survey

Reference Map

High-resolution Imagery

หรือข้อมูลอ้างอิงอื่น

ช่วยตรวจสอบ

Ground Truth มีประโยชน์ทั้งกับ

Manual Interpretation

และ

Machine Learning

44. Training Sample เริ่มจากการอ่านภาพที่ดี

ใน Supervised Classification เราต้องสร้าง Training Sample

หากผู้วิเคราะห์อ่านภาพผิด Training Data ก็ผิด

และ Model จะเรียนรู้สิ่งผิดนั้น

จึงมีหลักว่า

Poor Interpretation → Poor Training Data → Poor Classification

ทักษะ Image Interpretation จึงเป็นพื้นฐานสำคัญของ GeoAI ด้วย

45. Manual Interpretation กับ Machine Learning

Manual Interpretation มีข้อดีคือ

เข้าใจ Context

ใช้ Association ได้ดี

ใช้ Expert Knowledge ได้

แต่ช้าเมื่อพื้นที่ใหญ่

Machine Learning ประมวลผลเร็วและทำซ้ำได้

แต่ขึ้นกับ Training Data

แนวทางที่เหมาะสมจึงเป็น

Human Interpretation + AI Classification

ไม่ใช่เลือกอย่างใดอย่างหนึ่งเสมอไป

46. Human-in-the-loop

Workflow ที่ดีคือ

Image

↓

Expert Interpretation

↓

Training / Reference Data

↓

AI

↓

Prediction Map

↓

Expert Review

↓

Correction

↓

Final Map

นี่คือ Human-in-the-loop

ซึ่งช่วยรวมความเร็วของ AI กับ Contextual Understanding ของมนุษย์

47. Confidence ในการตีความ

การตีความไม่จำเป็นต้องบอกว่า

“ใช่” หรือ “ไม่ใช่” เสมอไป

สามารถกำหนดระดับ

High Confidence

Medium Confidence

Low Confidence

ตัวอย่าง

หากวัตถุมี Shape, Site, Association และ Spectral Color สอดคล้องกันทั้งหมด

Confidence สูง

แต่หากเห็นเพียง Tone อย่างเดียว

ควรให้ Confidence ต่ำกว่า

นี่เป็นวิธีคิดที่ดีสำหรับงาน Mapping

48. อย่าแปลภาพเกินความสามารถของข้อมูล

ภาพ 10 เมตรอาจใช้จำแนก

Forest

Water

Urban

ได้

แต่ไม่ควรบอกว่าเห็น

บ้านเลขที่ใด

ต้นไม้ต้นไหน

หรือรถยี่ห้ออะไร

หลักการสำคัญคือ

Interpret only what the data can support

นี่คือพื้นฐานของ Scientific Integrity ใน Remote Sensing

49. Checklist ก่อนเริ่มอ่านภาพ

ก่อนตีความภาพ ควรตรวจอย่างน้อย

1. Sensor คืออะไร?

2. Acquisition Date เมื่อไร?

3. Spatial Resolution เท่าไร?

4. Band Combination คืออะไร?

5. Processing Level แบบไหน?

6. มี Cloud / Shadow หรือไม่?

7. พื้นที่ศึกษาอยู่ใน Season ใด?

8. มี Reference Data หรือไม่?

การตอบคำถามเหล่านี้ช่วยลดความผิดพลาดอย่างมาก

50. สูตรจำง่ายสำหรับ Image Interpretation

สามารถจำองค์ประกอบสำคัญด้วยชุดคำว่า

Color – Shape – Size – Texture – Pattern – Shadow – Site – Association

แล้วถามตัวเองทีละข้อว่า

วัตถุสีอะไร?

รูปร่างอย่างไร?

ขนาดเท่าไร?

ผิวภาพหยาบหรือเรียบ?

เรียงตัวแบบไหน?

มีเงาหรือไม่?

อยู่ตรงไหน?

สัมพันธ์กับอะไร?

หากตอบครบ เราจะเข้าใจภาพได้มากกว่าการดูสีเพียงอย่างเดียว

สิ่งที่ควรจำจาก RS101-11

หัวใจของบทนี้คือ ภาพดาวเทียมไม่ได้อ่านจากสีเพียงอย่างเดียว

ควรใช้หลักฐานอย่างน้อย 8 ด้านร่วมกัน ได้แก่

Tone / Color

Shape

Size

Texture

Pattern

Shadow

Site

Association

และต้องพิจารณา

Resolution + Band Combination + Date + Season + Context

ร่วมด้วย

Image Interpretation ที่ดีจึงเป็นการรวม

Visual Evidence + Spatial Reasoning + Domain Knowledge

สรุป RS101-11

การอ่านและแปลความหมายภาพดาวเทียม (Image Interpretation) เป็นทักษะพื้นฐานที่เชื่อมการมองเห็นของมนุษย์เข้ากับข้อมูล Remote Sensing

พื้นที่หนึ่งไม่ได้ถูกระบุว่าเป็น “ป่า” เพราะมีสีเขียวเพียงอย่างเดียว แต่เราอาจสรุปจาก

Color + Texture + Pattern + Site + Association

แม่น้ำไม่ได้ถูกระบุจากสีมืดเพียงอย่างเดียว แต่ดูจาก

Curvilinear Shape + Drainage Pattern + Low Terrain + Association

สนามบินไม่ได้ระบุจาก Runway อย่างเดียว แต่ใช้

Shape + Size + Taxiway + Apron + Terminal

ทั้งหมดร่วมกัน

ดังนั้น Image Interpretation จึงไม่ใช่การเดา แต่เป็นกระบวนการรวบรวมหลักฐานเชิงภาพและเชิงพื้นที่

และแม้โลกกำลังก้าวเข้าสู่ยุค Machine Learning และ GeoAI ทักษะนี้กลับยิ่งสำคัญ เพราะมนุษย์ยังต้องเป็นผู้สร้าง Training Data ตรวจสอบ Prediction และตอบคำถามสำคัญว่า

“ผลลัพธ์ที่ AI บอกเรานั้นสมเหตุสมผลกับพื้นที่จริงหรือไม่?”

ยิ่งเราอ่านภาพด้วยตัวเองได้ดีเท่าไร เราก็ยิ่งใช้ AI วิเคราะห์ภาพได้อย่างมีคุณภาพมากขึ้นเท่านั้น

#RS101 #RemoteSensing #ImageInterpretation #SatelliteImagery #VisualInterpretation #Tone #Color #Shape #Texture #Pattern #Shadow #Site #Association #EarthObservation #SatelliteImage #GIS #Geoinformatics #ImageAnalysis #GeoAI #SmartMapping

.