rs101-12 True Color และ False Color Composite การผสม Band

rs101-12 True Color และ False Color Composite การผสม Band

 

True Color และ False Color Composite การผสม Band เพื่อมองโลกในสิ่งที่ตาเปล่ามองไม่เห็น ภาพดาวเทียมไม่ได้มี “สีจริง” เพียงแบบเดียว เพราะสีที่เราเห็นคือวิธีนำข้อมูลแต่ละ Band มาแสดงผล

เมื่อเปิดภาพดาวเทียมใน Google Earth Engine, QGIS, ArcGIS หรือโปรแกรมประมวลผลภาพ เรามักพบคำว่า True Color, Natural Color, False Color, Color Composite, RGB Composite และตัวเลข Band Combination ต่าง ๆ ผู้เริ่มต้นจำนวนมากอาจสงสัยว่า เหตุใดภาพพื้นที่เดียวกันบางครั้งป่าเป็นสีเขียว แต่เมื่อเปลี่ยนการแสดงผล ป่ากลับกลายเป็นสีแดงสด น้ำกลายเป็นสีดำ เมืองกลายเป็นสีฟ้าหรือม่วง ทั้งที่พื้นที่จริงไม่ได้เปลี่ยนแปลงอะไรเลย

คำตอบคือ ดาวเทียมไม่ได้บันทึกภาพสีแบบที่สายตามนุษย์เห็นเพียงอย่างเดียว แต่ Sensor บันทึกค่าพลังงานแยกออกเป็นหลาย Spectral Bands จากนั้นเราจึงเลือก Band เหล่านั้นมาวางลงในช่องสี Red, Green และ Blue หรือ RGB ของจอภาพ

หากนำ Red Band ไปแสดงเป็นสีแดง Green Band เป็นสีเขียว และ Blue Band เป็นสีน้ำเงิน ภาพที่ได้จะใกล้เคียงการมองเห็นของมนุษย์ เรียกว่า True Color Composite หรือ Natural Color แต่หากนำ Band ที่ตามนุษย์มองไม่เห็น เช่น Near Infrared (NIR) หรือ Shortwave Infrared (SWIR) มาวางในช่อง RGB เราจะได้ False Color Composite ซึ่งไม่ได้มีจุดประสงค์เพื่อทำให้ภาพ “ผิดสี” แต่เป็นวิธีทำให้ข้อมูลที่ตาเปล่ามองไม่เห็นกลายเป็นสิ่งที่มนุษย์มองเห็นและตีความได้ นี่คือหนึ่งในแนวคิดพื้นฐานและทรงพลังที่สุดของ Remote Sensing

1. ทำไมต้องผสม Band?

ดวงตาของมนุษย์มองเห็นคลื่นแม่เหล็กไฟฟ้าเพียงช่วงเล็ก ๆ ที่เรียกว่า Visible Light โดยประมาณครอบคลุม Blue, Green และ Red แต่ Sensor บนดาวเทียมสามารถตรวจวัดช่วงคลื่นที่กว้างกว่านั้น เช่น Near Infrared (NIR), Shortwave Infrared (SWIR) และ Thermal Infrared ขึ้นอยู่กับ Sensor ดังนั้นภาพดาวเทียมหนึ่ง Scene ไม่ได้มีเพียง “รูปหนึ่งรูป” แต่สามารถมองได้ว่าเป็นชุดข้อมูลหลายชั้น

Blue Band

Green Band

Red Band

NIR Band

SWIR Band

และ Band อื่น ๆ

แต่หน้าจอคอมพิวเตอร์ทั่วไปใช้แม่สีในการแสดงผลเพียงสามช่อง คือ

R = Red display channel

G = Green display channel

B = Blue display channel

เราจึงต้องเลือกข้อมูล 3 Band มาใส่ในสามช่องนี้ นี่คือหลักการของ RGB Band Combination

2. RGB Composite ทำงานอย่างไร?

สมมติว่าเรามีข้อมูลจาก Sensor ที่ประกอบด้วย Red, Green, Blue และ NIR หากกำหนดว่า

Display Red ← Red Band

Display Green ← Green Band

Display Blue ← Blue Band

เราจะได้ภาพใกล้เคียงสิ่งที่มนุษย์เห็น แต่ถ้าเปลี่ยนเป็น

Display Red ← NIR

Display Green ← Red

Display Blue ← Green

พื้นที่ที่สะท้อน NIR สูงจะถูกแสดงเป็นสีแดง พืชที่สมบูรณ์สะท้อน NIR สูงมาก จึงมักปรากฏเป็น สีแดงสด นี่ไม่ได้หมายความว่าป่ากลายเป็นสีแดง แต่หมายความว่า “เรากำลังใช้สีแดงบนหน้าจอแทนความเข้มของ NIR” เมื่อเข้าใจประโยคนี้ เราจะเข้าใจ False Color ได้แทบทั้งหมด

3. True Color Composite คืออะไร?

True Color Composite คือการนำ Band ในช่วง Visible มาแสดงในช่องสีที่สอดคล้องกัน หลักการคือ

Red → R

Green → G

Blue → B

ผลลัพธ์จึงมีสีใกล้เคียงกับการมองโลกด้วยสายตามนุษย์ ตัวอย่างโดยทั่วไป

ป่า → เขียว

น้ำ → น้ำเงินเข้มหรือดำ

ดิน → น้ำตาล

ทราย → เหลืองอ่อนหรือขาว

เมือง → เทา/ขาว

เมฆ → ขาว

True Color จึงเหมาะกับการทำความเข้าใจพื้นที่เบื้องต้น การนำเสนอแก่บุคคลทั่วไป และการเปรียบเทียบกับภาพถ่ายธรรมดา

4. True Color ไม่ได้หมายถึง “สีจริง 100%”

คำว่า True Color อาจทำให้เข้าใจผิดว่าภาพต้องเหมือนสิ่งที่ตาเห็นทุกประการ แต่ในความจริงภาพยังผ่านกระบวนการหลายอย่าง เช่น

Atmospheric Correction

Radiometric Processing

Contrast Stretch

Gamma

White Balance

และ Visualization Parameters

ดังนั้น True Color หมายถึง การจัด Band ตามระบบสีธรรมชาติ มากกว่าจะหมายถึงสีที่เหมือนโลกจริงแบบสมบูรณ์

5. False Color Composite คืออะไร?

False Color Composite คือการนำ Band ไปแสดงในช่อง RGB โดยไม่ตรงกับสีธรรมชาติ หรือใช้ Band ที่อยู่นอกช่วงการมองเห็นของมนุษย์

ตัวอย่างที่มีชื่อเสียงที่สุดคือ

NIR → Red

Red → Green

Green → Blue

เรียกกันทั่วไปว่า Color Infrared Composite

ผลที่เกิดขึ้นคือพืชที่สะท้อน NIR สูงจะปรากฏเป็นสีแดง

น้ำซึ่งดูดกลืน NIR มากจะปรากฏมืด

เมืองและดินจะปรากฏเป็นสี Cyan, Gray, Brown หรือสีอื่นตาม Spectral Response

False Color จึงทำให้ Feature บางประเภทเด่นขึ้นกว่าการใช้ True Color

6. ทำไมป่าจึงเป็นสีแดงใน False Color?

จากเรื่อง Spectral Signature เราทราบว่าพืชมี Chlorophyll ดูดกลืน Red มาก แต่โครงสร้างภายในใบสะท้อน NIR สูง

ดังนั้นพืชที่แข็งแรงมักมี

Red Reflectance ต่ำ

และ

NIR Reflectance สูง

เมื่อเราเอา NIR ไปใส่ในช่องสีแดง

NIR สูง

↓

Display Red สูง

↓

พืชปรากฏสีแดง

ยิ่งพืชมีการสะท้อน NIR สูง ภาพอาจยิ่งแดงสด ทั้งนี้สีจริงขึ้นกับ Sensor, Stretch และสภาพพื้นที่ด้วย

7. ทำไมน้ำจึงมืด?

น้ำโดยทั่วไปดูดกลืนพลังงานใน NIR และ SWIR ได้มาก

ดังนั้นเมื่อใช้ Band เหล่านี้ น้ำมักมีค่าต่ำและปรากฏมืด

สิ่งนี้ช่วยให้สามารถแยก

Water / Land Boundary

ได้ดีในหลายกรณี

จึงเป็นเหตุผลว่าทำไม NIR และ SWIR มีความสำคัญกับ

Water Mapping

Flood Mapping

Wetland Analysis

และ Water Index หลายชนิด

อย่างไรก็ตาม น้ำที่มีตะกอน สาหร่าย ความขุ่น หรือ Sun Glint อาจมีพฤติกรรมต่างออกไป จึงไม่ควรใช้กฎ “น้ำต้องดำ” แบบตายตัว

8. NIR คือ Band สำคัญมากของ Remote Sensing

Near Infrared หรือ NIR อยู่ถัดจากช่วง Red ออกไปนอกขอบเขตการมองเห็นของมนุษย์

แม้ตามองไม่เห็น แต่ NIR มีประโยชน์อย่างมากกับการศึกษาพืช

พืชสมบูรณ์

→ NIR สูง

น้ำ

→ NIR ต่ำ

จึงเกิด Contrast ที่ดีระหว่าง Vegetation กับ Water และพื้นผิวบางประเภท

NIR เป็น Band สำคัญของดัชนีที่มีชื่อเสียงที่สุดตัวหนึ่ง คือ

NDVI

ซึ่งเราจะเรียนในตอนต่อ ๆ ไป

9. SWIR คืออะไร?

Shortwave Infrared (SWIR) เป็นอีกช่วงคลื่นที่สายตามนุษย์มองไม่เห็น และมีประโยชน์อย่างมากกับ Remote Sensing

SWIR มีความไวต่อคุณสมบัติหลายอย่าง เช่น

Moisture

Vegetation Water Content

Soil

Mineral-related spectral properties บางประเภท

Burned Area

และ Snow/Cloud Discrimination ในบางการประยุกต์

ดังนั้นการนำ SWIR มาสร้าง False Color สามารถเปิดเผยข้อมูลที่ True Color มองเห็นได้ไม่ชัด

10. SWIR กับความชื้น

น้ำดูดกลืนพลังงานใน SWIR ได้ดี

วัสดุที่มีความชื้นสูงจึงมักมี Reflectance ใน SWIR ต่ำกว่าวัสดุแห้งที่มีคุณสมบัติอื่นใกล้เคียงกัน

แนวคิดนี้ถูกนำไปใช้กับ

Vegetation Moisture

Soil Moisture-related Analysis

Burn Severity

และการแยกพื้นที่แห้งกับพื้นที่ชื้น

แต่ต้องระวังว่า Satellite Optical SWIR ไม่ได้วัด Soil Moisture โดยตรงแบบเดียวกับ Microwave Sensor

11. False Color สำหรับพืชพรรณ

หนึ่งใน Combination ที่คลาสสิกคือ

NIR – Red – Green

นำไปวางใน

R – G – B

ผลโดยทั่วไปคือ

Vegetation → แดง

Water → มืด

Built-up → Cyan/Gray

Bare Soil → น้ำตาล/เขียวอมเทา

Combination นี้มีประโยชน์มากในการดู

Vegetation Distribution

Forest

Agriculture

Wetland

และ Vegetation Change

12. False Color สำหรับพื้นที่เมือง

การวิเคราะห์เมืองอาจใช้ SWIR ร่วมกับ NIR และ Red เพื่อช่วยเพิ่ม Contrast ระหว่าง

Built-up

Vegetation

Water

และ Bare Soil

ตัวอย่างหนึ่งที่ใช้กับ Sentinel-2 คือการจัด

SWIR2 – SWIR1 – Red

หรือ Combination อื่นตามวัตถุประสงค์

อย่างไรก็ตามไม่มี “Urban Combination” สูตรเดียวที่ดีที่สุดทุกพื้นที่ เพราะหลังคา ถนน ดิน และวัสดุก่อสร้างมี Spectral Response แตกต่างกันมาก

การเลือก Band จึงควรทดลองและตรวจสอบกับข้อมูลจริง

13. False Color สำหรับพื้นที่ไฟไหม้

พื้นที่ที่ถูกไฟไหม้มักมีการเปลี่ยนแปลงอย่างชัดเจนใน NIR และ SWIR

พืชที่สมบูรณ์มี NIR สูง

หลังเกิดไฟไหม้ Vegetation Structure และ Moisture เปลี่ยน

SWIR Response ก็เปลี่ยนตาม

จึงนิยมใช้ NIR และ SWIR ใน

Burned Area Mapping

และ

Burn Severity

ดัชนีที่สำคัญคือ

NBR – Normalized Burn Ratio

ซึ่งเราจะพบในบท Spectral Indices

14. False Color กับธรณีวิทยา

Geological Remote Sensing ใช้ Band Combination เพื่อช่วยเพิ่มความแตกต่างของ

Rock

Soil

Alteration Zone

Iron-bearing Surface

Clay-related Materials

และ Mineral-related Features บางประเภท

โดยเฉพาะ Band ใน SWIR มีความสำคัญกับการศึกษาวัสดุหลายชนิด

แต่ต้องระวังว่า Multispectral Satellite ไม่สามารถระบุ Mineral ทุกชนิดได้โดยตรง

หากต้องการ Mineral Identification ที่ละเอียดมาก อาจต้องใช้ Hyperspectral Data + Field Spectroscopy + Geological Verification

15. Band Combination ไม่ใช่ Classification

การทำ False Color เพียงทำให้ Feature บางอย่าง “มองเห็นง่ายขึ้น”

แต่ไม่ได้หมายความว่า Pixel สีแดงทั้งหมดคือป่า หรือ Pixel สีม่วงทั้งหมดคือเมือง

False Color คือ

Visualization Technique

ส่วน Classification คือ

Analytical Process

สองเรื่องนี้เกี่ยวข้องกันแต่ไม่เหมือนกัน

เราสามารถใช้ False Color ช่วยเลือก Training Sample ก่อนทำ Classification ได้

16. Band Number ต้องระวังมาก

ผู้เริ่มต้นมักจำ Band Combination เป็นตัวเลข เช่น

4-3-2

5-4-3

8-4-3

ปัญหาคือ Band Number ไม่เหมือนกันระหว่าง Sensor

ตัวอย่าง Landsat 8/9

Band 4 = Red

Band 3 = Green

Band 2 = Blue

ดังนั้น True Color คือ

4-3-2

แต่ใน Sentinel-2

B4 = Red

B3 = Green

B2 = Blue

ก็เป็น 4-3-2 เช่นกันโดยบังเอิญในกรณีนี้

อย่างไรก็ตาม Band อื่น เช่น NIR และ SWIR มีหมายเลขต่างกัน และ Sensor รุ่นอื่นอาจใช้เลขต่างกันทั้งหมด

ดังนั้นวิธีที่ปลอดภัยกว่าคือจำ

ชื่อ Wavelength

ไม่ใช่จำแต่หมายเลข Band

17. Landsat 8/9 True Color

สำหรับ Landsat 8 และ Landsat 9 OLI

True Color ใช้

Band 4 – Red

Band 3 – Green

Band 2 – Blue

ดังนั้น

RGB = 4-3-2

ภาพจะใกล้เคียง Natural Color

เหมาะกับ

Visual Interpretation

Land Cover Overview

Urban

River

Forest

และการนำเสนอทั่วไป

18. Landsat 8/9 Color Infrared

สำหรับ Color Infrared แบบคลาสสิก

ใช้

Band 5 – NIR

Band 4 – Red

Band 3 – Green

ดังนั้น

RGB = 5-4-3

Vegetation มักปรากฏเป็นสีแดง

Water มืด

Built-up อาจเป็น Cyan หรือ Gray

นี่เป็น Combination ที่ควรรู้จักสำหรับผู้เรียน Landsat

19. Sentinel-2 True Color

Sentinel-2 MSI ใช้

B4 – Red

B3 – Green

B2 – Blue

ดังนั้น

RGB = 4-3-2

เช่นเดียวกับ Landsat 8/9 ในกรณี True Color

ข้อแตกต่างคือ Sentinel-2 Band เหล่านี้มี Spatial Resolution 10 เมตร

จึงสามารถเห็นรายละเอียดเชิงพื้นที่ได้มากกว่า Landsat 30 เมตรในหลายกรณี

20. Sentinel-2 Color Infrared

สามารถใช้

B8 – NIR

B4 – Red

B3 – Green

ดังนั้น

RGB = 8-4-3

พืชจะเด่นเป็นสีแดง

น้ำมืด

และความแตกต่างของ Vegetation สามารถมองเห็นได้ดี

นี่เป็น Combination ที่นิยมใช้ในการสำรวจพืชพรรณด้วย Sentinel-2

21. Sentinel-2 มี NIR มากกว่าหนึ่งทางเลือก

Sentinel-2 มีทั้ง

B8 – Broad NIR ที่ 10 เมตร

และ

B8A – Narrow NIR ที่ 20 เมตร

การเลือกใช้ขึ้นกับวัตถุประสงค์และ Band อื่นที่นำมาเปรียบเทียบ

นี่เป็นตัวอย่างว่าการพูดเพียงว่า

“ใช้ NIR”

อาจยังไม่ละเอียดพอในงานวิชาการ

ควรรู้ว่า Sensor ใช้ Band ใดและ Bandpass เป็นอย่างไร

22. Red Edge กับ Sentinel-2

จุดเด่นของ Sentinel-2 คือมี Red Edge Bands

บริเวณรอยต่อระหว่าง Red กับ NIR

ช่วงนี้สัมพันธ์กับการเปลี่ยนแปลง Reflectance ของพืชอย่างรวดเร็ว

จึงมีประโยชน์ในงาน

Vegetation Condition

Chlorophyll-related Analysis

Crop Monitoring

และ Vegetation Classification

การนำ Red Edge มาใช้ใน False Color สามารถเปิดมุมมองเพิ่มเติมจาก RGB หรือ NIR แบบปกติ

23. ภาพเดียวสร้าง Composite ได้หลายแบบ

สมมติ Sentinel-2 Scene เดียว

เราสามารถสร้าง

4-3-2 → True Color

8-4-3 → Color Infrared

และ Combination ที่ใช้ SWIR เช่น

12-8A-4

หรือชุดอื่นตามวัตถุประสงค์

ภาพทั้งหมดมาจากพื้นที่เดียวกันและเวลาเดียวกัน

สิ่งที่เปลี่ยนคือ

เรากำลังเลือกมองข้อมูลคนละช่วงคลื่น

นี่คือเสน่ห์สำคัญของ Multispectral Remote Sensing

24. Composite ที่ต่างกันตอบคำถามต่างกัน

True Color เหมาะกับคำถามว่า

“พื้นที่นี้หน้าตาอย่างไร?”

NIR False Color เหมาะกับ

“Vegetation อยู่ตรงไหนและแตกต่างกันอย่างไร?”

SWIR Combination อาจเหมาะกับ

“พื้นที่แห้ง ชื้น ไฟไหม้ หรือวัสดุบางประเภทแตกต่างกันอย่างไร?”

ดังนั้นก่อนเลือก Band Combination ควรถามว่า

“ต้องการให้ Feature อะไรเด่น?”

ไม่ใช่เลือก Combination เพราะสีสวย

25. สีใน False Color ไม่มีความหมายสากล

สมมติ Vegetation เป็นสีแดงใน Composite หนึ่ง

เมื่อเปลี่ยน NIR จาก Red Channel ไปไว้ Green Channel พืชอาจกลายเป็นสีเขียว

ดังนั้นคำว่า

“สีแดง = ป่า”

ไม่ใช่กฎของ Remote Sensing

กฎที่ถูกต้องคือ

สีขึ้นกับ Band ที่ถูก Assign เข้า R-G-B

ทุกครั้งที่อ่าน False Color ต้องรู้ Band Combination ก่อน

26. วิธีอ่าน Composite อย่างเป็นระบบ

ก่อนแปลภาพ ให้ดูว่า

R รับ Band อะไร

G รับ Band อะไร

B รับ Band อะไร

จากนั้นถามว่า Target ของเราสะท้อนพลังงานสูงหรือต่ำในแต่ละ Band

ตัวอย่าง

Vegetation:

NIR → สูง

Red → ต่ำ

Green → ปานกลาง

ถ้า Composite คือ

NIR → R

Red → G

Green → B

ผลจึงออกแดง

นี่เป็นการอ่านภาพจาก Physics ไม่ใช่การจำสี

27. Additive Color Model

หน้าจอใช้ระบบสีแบบ Additive RGB

ถ้า

Red สูง + Green ต่ำ + Blue ต่ำ

→ แดง

Red ต่ำ + Green สูง + Blue ต่ำ

→ เขียว

Red ต่ำ + Green ต่ำ + Blue สูง

→ น้ำเงิน

Red สูง + Green สูง

→ เหลือง

Green สูง + Blue สูง

→ Cyan

Red สูง + Blue สูง

→ Magenta

ทั้งสามสูง

→ ขาว

ทั้งสามต่ำ

→ ดำ

ความเข้าใจนี้ช่วยให้ตีความ False Color ได้ดีมาก

28. ทำไมบางพื้นที่เป็น Cyan?

สมมติวัตถุมีค่าต่ำใน Band ที่ถูกส่งไป Red Channel แต่สูงใน Band ที่ส่งไป Green และ Blue

ผลคือ

R ต่ำ

G สูง

B สูง

จึงปรากฏเป็น Cyan

ดังนั้นเมื่อเห็นเมืองเป็น Cyan ใน False Color เราไม่ควรจำเพียงว่า

“Cyan = เมือง”

แต่ควรย้อนกลับไปดูว่าทำไม Spectral Response ของพื้นที่เมืองจึงสร้างค่า RGB แบบนั้น

29. Contrast Stretch สำคัญมาก

ข้อมูล Satellite Reflectance อาจมีช่วงค่าแคบ

ถ้านำมาแสดงตรง ๆ ภาพอาจดูมืดและไม่มี Contrast

จึงต้องใช้ Stretch เช่น

Min-Max Stretch

Percentile Stretch

Standard Deviation Stretch

หรือ Visualization Range ที่กำหนดเอง

การ Stretch ทำให้ Feature มองเห็นง่ายขึ้น แต่ไม่ได้สร้างข้อมูล Spectral ใหม่

30. ภาพ Composite จากสองคนอาจดูไม่เหมือนกัน

แม้ใช้ Band Combination เดียวกัน แต่หากใช้

Min / Max

Gamma

Stretch

ต่างกัน

สีและ Contrast อาจต่างกันมาก

ดังนั้นในการเปรียบเทียบภาพหลายช่วงเวลา ควรใช้ Visualization Parameters ที่สอดคล้องกัน หากต้องการเปรียบเทียบด้วยสายตาอย่างมีเหตุผล

31. Atmospheric Effect มีผลต่อสี

Blue Band ได้รับผลจาก Atmospheric Scattering ค่อนข้างมาก

Haze สามารถทำให้ภาพ True Color ดูฟ้าหรือซีด

ดังนั้นการใช้

Surface Reflectance

หรือข้อมูลที่ผ่าน Atmospheric Correction อย่างเหมาะสม มักช่วยให้การวิเคราะห์หลายประเภทมีความสม่ำเสมอขึ้น

โดยเฉพาะเมื่อทำ Time Series

32. Cloud กับ Snow แยกกันอย่างไร?

ใน True Color

Cloud และ Snow อาจเป็นสีขาวคล้ายกัน

แต่ SWIR ช่วยแยกได้ในหลายกรณี เพราะ Snow มีพฤติกรรม Spectral แตกต่างจาก Cloud ใน SWIR

นี่เป็นตัวอย่างที่ดีว่า

สิ่งที่ดูเหมือนกันใน Visible อาจแตกต่างกันอย่างชัดเจนใน Invisible Wavelength

และเป็นเหตุผลว่าทำไม Multispectral Sensor จึงมีประโยชน์มากกว่ากล้อง RGB

33. Water กับ Shadow ก็คล้ายกันได้

Water และ Shadow อาจดูมืดใน True Color

แต่เมื่อใช้

NIR

SWIR

DEM

Shape

Site

และ Association

ร่วมกัน เราสามารถแยกได้ดีขึ้น

นี่เชื่อมโดยตรงกับ RS101-11

Band Combination ไม่ได้แทน Image Interpretation

แต่ช่วยเพิ่มหลักฐานให้การตีความ

34. False Color กับพื้นที่น้ำท่วม

ในการสำรวจน้ำท่วม NIR และ SWIR มีประโยชน์ เพราะน้ำมักดูดกลืนพลังงานในช่วงดังกล่าว

เราสามารถสร้าง Composite เพื่อทำให้ Water Extent เด่นขึ้น

แต่ในช่วงน้ำท่วมจริงมักมีเมฆมาก

ดังนั้น Optical False Color อาจใช้ไม่ได้

ในกรณีนั้น

Sentinel-1 SAR

อาจเหมาะกว่า

นี่คือเหตุผลที่ต้องเลือก Sensor ก่อนเลือก Visualization

35. False Color กับสุขภาพพืช

พืชที่สมบูรณ์มักสะท้อน NIR สูง แต่การประเมินสุขภาพพืชจาก “ความแดง” ของ False Color เพียงอย่างเดียวไม่ควรใช้เป็นข้อสรุปเชิงปริมาณ

หากต้องการวิเคราะห์จริง ควรใช้

Spectral Index

Time Series

Calibration

และ Field Data

เช่น

NDVI

NDRE

หรือ Model ที่เหมาะสม

False Color เหมาะกับ

Visual Screening

มากกว่าการวัดค่าทางชีวฟิสิกส์โดยตรง

36. False Color กับไฟป่า

หลังไฟไหม้ พืชถูกทำลายและพื้นผิวเปลี่ยน

NIR ลดลงในหลายกรณี

SWIR สามารถเพิ่มความแตกต่างของ Burned Surface

จึงสามารถเลือก Composite ที่ใช้

SWIR + NIR + Visible

เพื่อทำให้ Burn Scar เด่น

แต่ถ้าต้องการวัด Severity ควรใช้ดัชนีและข้อมูลก่อน–หลังเหตุการณ์ร่วมกัน

37. False Color กับธรณีสัณฐาน

Band Combination สามารถช่วยแยก

Rock

Soil

Vegetation

Moisture

และ Surface Material

ทำให้ Structure และ Landform บางประเภทมองเห็นง่ายขึ้น

เมื่อนำไปรวมกับ

DEM

Hillshade

Slope

และ Geological Map

จะช่วยให้ Geological Interpretation มีประสิทธิภาพมากขึ้น

นี่คือแนวทางสำคัญของ Geological Remote Sensing

38. Band Ratio ต่างจาก Band Composite

Band Composite คือการนำ Band มาแสดงเป็น RGB

แต่ Band Ratio คือการคำนวณอัตราส่วนระหว่าง Band

เช่น

Band A / Band B

หรือสูตร Normalized Difference

จุดประสงค์คือเพิ่มความแตกต่างทาง Spectral หรือช่วยลดผลบางประเภท

ดังนั้น

Composite → Visualization

Ratio → Transformation / Analysis

แม้ผลลัพธ์ Ratio จะถูกนำมาสร้าง Composite ต่อได้

39. Ratio Color Composite

เราสามารถคำนวณ Band Ratio หลายชุด แล้วนำผลลัพธ์สาม Ratio ไปใส่ใน RGB

กลายเป็น

Ratio Color Composite

เทคนิคนี้ถูกใช้ในงาน Geological Remote Sensing มายาวนานเพื่อช่วยเน้น Spectral Differences ของพื้นผิว

แต่ Ratio ที่เหมาะสมขึ้นกับ

Sensor

Target

Atmosphere

และ Geological Setting

จึงไม่ควรใช้สูตรเดียวกับทุกพื้นที่โดยไม่ตรวจสอบ

40. PCA Composite

นอกจาก Raw Bands และ Band Ratios เรายังสามารถใช้

Principal Component Analysis (PCA)

ลดความซ้ำซ้อนของ Multispectral Data

แล้วนำ Principal Components เช่น

PC1

PC2

PC3

มาใส่ใน RGB

เรียกว่า PCA Composite

ภาพที่ได้อาจมีสีแปลกมาก แต่ช่วยเปิดเผย Pattern ที่ Raw Band Combination มองเห็นได้ยาก

41. False Color ไม่ได้มีสูตรตายตัว

มี Band Combination ได้จำนวนมาก

ถ้า Sensor มี 10 Bands การเลือก 3 Band มาใส่ RGB สามารถสร้าง Combination ได้หลายชุด

แต่ไม่ได้หมายความว่าทุกชุดมีประโยชน์

การเลือกควรอยู่บนพื้นฐานของ

Spectral Signature

Target

Sensor Characteristics

และ

Objective

นี่เป็นเหตุผลที่ความรู้ Physics สำคัญกว่าการจำสูตร

42. การเลือก Band แบบนัก Remote Sensing

สมมติ Target คือ Vegetation

เรารู้ว่า

Red → Chlorophyll Absorption

NIR → Leaf Structure

SWIR → Water-related Response

ดังนั้นเลือก Band ที่ครอบคลุมคุณสมบัติเหล่านี้

ถ้า Target คือ Geology

เราอาจสนใจ

Visible

NIR

SWIR

ตาม Spectral Feature ของวัสดุ

หลักคือ

Target Property → Spectral Response → Wavelength → Band → Composite

ไม่ใช่ย้อนกลับกัน

43. Composite กับ Machine Learning

ในการทำ Machine Learning เราไม่จำเป็นต้องสร้าง RGB Composite ก่อนเสมอไป

Model สามารถรับ Band หลาย Band โดยตรง

เช่น

Blue

Green

Red

NIR

SWIR1

SWIR2

รวมเป็น Feature Stack

RGB Composite มีประโยชน์ต่อมนุษย์ในการ Visualization

แต่ AI สามารถเรียนรู้จาก Multidimensional Spectral Data โดยตรง

นี่คือความแตกต่างระหว่าง

Human Vision

กับ

Machine Analysis

44. Deep Learning กับ RGB Composite

Computer Vision Model ที่พัฒนามาจากภาพธรรมดาจำนวนมากมักรับ Input แบบ 3 Channels

เราจึงอาจสร้าง

RGB True Color

หรือ False Color 3 Channels

เพื่อป้อน Model

แต่ Remote Sensing Model สมัยใหม่สามารถปรับ Architecture ให้รับ 4, 6, 10 หรือมากกว่านั้นได้

ทำให้ AI สามารถใช้ข้อมูล NIR และ SWIR ที่ตามนุษย์มองไม่เห็นได้โดยตรง

45. False Color คือการ “แปลภาษา” ให้สายตามนุษย์

แนวคิดที่ช่วยให้จำง่ายที่สุดคือ

Sensor เห็นโลกในหลาย Wavelength

แต่มนุษย์มีหน้าจอเพียง RGB

False Color จึงเป็นกระบวนการ

Invisible Spectral Information

↓

Assign to RGB

↓

Visible Color

↓

Human Interpretation

ดังนั้น False Color ไม่ได้ทำให้ข้อมูล “ปลอม”

แต่เป็นการแปลข้อมูลที่มองไม่เห็นให้กลายเป็นภาษาสีที่มนุษย์เข้าใจ

46. Workflow การสร้าง Color Composite

กระบวนการทั่วไปคือ

เลือก Satellite / Sensor

↓

เลือก Scene

↓

ตรวจ Cloud และ Quality

↓

เลือก Processing Level

↓

เลือก Bands

↓

Assign Bands → RGB

↓

กำหนด Stretch / Min / Max / Gamma

↓

แสดงภาพ

↓

Interpret

↓

เปรียบเทียบกับ Reference Data

หากต้องวิเคราะห์เชิงปริมาณจึงดำเนินต่อไปยัง

Index

Classification

Change Detection

หรือ Machine Learning

47. ข้อผิดพลาดที่พบบ่อย

ข้อผิดพลาดสำคัญ ได้แก่

จำ Band Number ข้าม Sensor

เช่นนำสูตร Landsat ไปใช้กับ Sentinel โดยไม่ตรวจ Band

เห็นสีแล้วสรุปทันที

โดยไม่ดู Composite

Stretch ต่างกันแล้วคิดว่าพื้นที่เปลี่ยน

ใช้ Resampled Band แล้วคิดว่า Native Resolution สูงขึ้น

ใช้ False Color แทน Quantitative Analysis

ไม่ตรวจ Acquisition Date และ Cloud

ข้อผิดพลาดเหล่านี้ลดได้ด้วยการอ่าน Metadata และเข้าใจ Sensor

48. วิธีจำ True Color และ False Color

จำง่าย ๆ ว่า

True Color

สิ่งที่ตาเห็น → แสดงเหมือนตาเห็น

Red → R

Green → G

Blue → B

False Color

สิ่งที่ตามองไม่เห็น → นำมาใส่สีให้มองเห็น

เช่น

NIR → R

Red → G

Green → B

จึงทำให้ Vegetation กลายเป็นสีแดง

49. ตารางสรุป Band Combination เบื้องต้น

วัตถุประสงค์	Band แนวคิด	สิ่งที่เด่น
Natural/True Color	Red-Green-Blue	ภาพใกล้สายตามนุษย์
Vegetation False Color	NIR-Red-Green	พืชเด่นเป็นแดง
Moisture/Burn	SWIR-NIR-Visible	ความชื้นและ Burned Surface
Urban/Land	SWIR-NIR-Red หรือชุดที่เหมาะกับ Sensor	Built-up/Land Cover
Geology	Visible-NIR-SWIR หรือ Ratio Composite	Surface Material/Structure

ตารางนี้ควรใช้เป็น แนวทางเริ่มต้น ไม่ใช่สูตรตายตัว

50. จาก “ภาพสี” สู่ “ข้อมูล”

สิ่งสำคัญที่สุดคืออย่าหยุดที่คำว่า

“ภาพนี้สวย”

แต่ควรถามต่อว่า

ทำไมพื้นที่นี้เป็นสีนี้?

Band ไหนทำให้เกิดสี?

Wavelength นั้นสัมพันธ์กับคุณสมบัติอะไร?

Feature ที่เห็นมีความหมายทางกายภาพอย่างไร?

และสามารถเปลี่ยนเป็นข้อมูลสำหรับการตัดสินใจได้หรือไม่?

กระบวนการจึงเป็น

Bands

↓

Composite

↓

Visual Pattern

↓

Interpretation

↓

Analysis

↓

Information

↓

Decision

นี่คือการเปลี่ยนภาพดาวเทียมจาก “รูปภาพ” ให้กลายเป็น “ข้อมูลเชิงพื้นที่”

สิ่งที่ควรจำจาก RS101-12

หากต้องจำเพียง 5 เรื่อง ให้จำว่า True Color คือการนำ Red-Green-Blue ไปแสดงใน R-G-B ตามธรรมชาติ ส่วน False Color คือการนำ Band อื่น โดยเฉพาะ NIR หรือ SWIR มาแสดงผ่านสีที่ตามนุษย์มองเห็น สีที่ปรากฏจึงขึ้นกับ Band Combination ไม่ได้มีความหมายตายตัว พืชเป็นสีแดงใน Color Infrared เพราะ NIR ถูกนำไปแสดงใน Red Channel และสุดท้ายควรจำชื่อ Wavelength มากกว่าจำเพียงหมายเลข Band เพราะแต่ละ Sensor อาจกำหนด Band Number แตกต่างกัน

หัวใจสำคัญที่สุดคือ

False Color ไม่ใช่ภาพสีผิด แต่เป็นวิธีทำให้สิ่งที่ตาเปล่ามองไม่เห็น กลายเป็นข้อมูลที่มนุษย์มองเห็นและตีความได้

สรุป RS101-12

True Color และ False Color Composite เป็นเทคนิคพื้นฐานที่เปลี่ยนข้อมูล Multispectral ให้มนุษย์สามารถมองเห็นและตีความได้ง่ายขึ้น True Color ใช้ Visible Red, Green และ Blue จึงให้ภาพใกล้เคียงกับโลกที่เรามองเห็น ส่วน False Color นำข้อมูลจากช่วงคลื่นอื่น เช่น NIR และ SWIR มาวางลงในช่อง RGB ทำให้คุณสมบัติที่ตาเปล่าไม่สามารถมองเห็นปรากฏออกมาเป็นสี

พืชสามารถกลายเป็นสีแดงเพราะสะท้อน NIR สูง น้ำสามารถมืดมากใน NIR และ SWIR เพราะมีการดูดกลืนสูง และพื้นที่ไฟไหม้ ความชื้น หรือวัสดุพื้นผิวบางประเภทสามารถเด่นขึ้นเมื่อเลือก Band ที่เหมาะสม

ดังนั้นการเลือก Band Combination ที่ดีไม่ได้เริ่มจากคำถามว่า

“สูตรไหนให้ภาพสวยที่สุด?”

แต่ต้องเริ่มจาก

“เราต้องการเห็นอะไร?”

แล้วจึงย้อนกลับไปดูว่า Target นั้นมี Spectral Signature อย่างไร ควรใช้ Wavelength ใด และควรนำ Band ใดมาแสดงใน RGB

เมื่อเข้าใจหลักนี้ เราจะไม่ต้องจำ False Color เป็นชุดตัวเลขจำนวนมาก แต่สามารถออกแบบ Band Combination จากหลักฟิสิกส์ของ Remote Sensing ได้ด้วยตัวเอง

Hashtags: #RS101 #RemoteSensing #TrueColor #FalseColor #ColorComposite #BandCombination #Multispectral #NIR #SWIR #Sentinel2 #Landsat #SatelliteImagery #ImageInterpretation #SpectralSignature #EarthObservation #GIS #Geoinformatics #GeologicalRemoteSensing #GeoAI #SmartMapping

.