ตรวจสอบแปลงด้วยภาพถ่ายดาวเทียมได้ทุกวัน ไม่หวั่นแม้วันที่มีเมฆ-ฝน
- tritronq
- 21 เม.ย. 2565
- ยาว 1 นาที
ในช่วงที่ผ่านมา การติดตามตรวจสอบการเกษตรด้วยภาพถ่ายดาวเทียมแบบออปติคัล หรือ ภาพถ่ายดาวเทียม Sentinel-2 ได้เริ่มมีการใช้จริงมากขึ้น ซึ่งโดยทั่วไปแล้วจะใช้ดัชนีความแตกต่างระหว่างพืชพรรณ (NDVI) ที่ปรับให้เป็นมาตรฐาน เป็นตัวแทนสำหรับการติดตามสุขภาพของพืชโดยการใช้อัตราการเปลี่ยนแปลงของพืชแต่ละชนิด ตามลักษณะการเจริญเติบโตของพืช (ภาพที่ 1) แต่ภาพถ่ายดาวเทียมแบบออปติคัล ยังมีข้อจำกัดด้านเมฆ เช่น หากเป็นช่วงที่มีฝนตกหนัก หรือเมฆหนา อาจได้ภาพถ่ายที่มีเมฆบดบังพื้นที่ปลูก ซึ่งเป็นปัญหาที่พบได้บ่อยในพื้นที่ใกล้กับเส้นศูนย์สูตร นักวิจัยหลายท่าน จึงเริ่มศึกษาการนำภาพถ่ายดาวเทียม SAR มาใช้เพื่อลดข้อจำกัด ดังกล่าว

ภาพที่ 1 การติดตามค่า NDVI ของพืชในแต่ละช่วงเวลา
“แล้วภาพถ่ายดาวเทียม SAR สามารถก้าวข้ามข้อจำกัดด้านเมฆได้อย่างไร ?”
เราสามารถทดแทนการขาดข้อมูลภาพในช่วงที่มีเมฆได้โดยใช้การคาดการณ์ในช่วงที่ขาดข้อมูลด้วยระบบเรดาร์ (SAR) จากภาพถ่ายดาวเทียม Sentinel-1 ซึ่งมีความสามารถในการถ่ายภาพพื้นที่การเกษตรทั่วโลกด้วยความถี่ที่บ่อยครั้ง ภาพถ่ายดาวเทียม Sentinel-1 มีความละเอียดของภาพปานกลาง การติดตามตรวจสอบทางการเกษตรด้วยระบบเรดาร์ (SAR) จึงมีศักยภาพในการติดตามชีวมวลพืชผลแบบหลายความถี่

ภาพที่ 2 การใช้ภาพถ่ายดาวเทียมแบบออฟติคอลกับข้อมูล SAR แบบโพลาไรเมตริก
วิธีการทำงานของภาพถ่ายดาวเทียม Sentinel-1 หรือ ระบบเรดาร์ (SAR) (หรือเรียกสั้นๆว่า “ภาพถ่ายดาวเทียม SAR”) คือการหาความสัมพันธ์ SAR backscatter กับ NDVI และสร้าง “Radar Vegetation Index (RVI)” จากข้อมูล SAR แบบโพลาไรเมตริก จากนั้นเปรียบเทียบผลลัพธ์กับ NDVI จาก Sentinel- 2
การเพิ่มเติมข้อมูลดังกล่าว สามารถแก้ไขได้ด้วยข้อมูล C-band ที่ความละเอียด 10 เมตร และรวมข้อมูล X-Band, C-Band และ L-Band ซึ่งเผยให้เห็นลักษณะที่แตกต่างกันของโครงสร้างพืชผล ปริมาณความชื้น และสภาพดิน
อัตราส่วนความแตกต่างที่เป็นมาตรฐานจากข้อมูลดาวเทียม SAR จะมีแนวโน้มเหมือนภาพ NDVI และมีความสัมพันธ์กันในข้อมูล แต่ไม่ได้ให้ข้อมูลในลักษณะเดียวกันกับ NDVI เนื่องจากหลักการทางกายภาพของ SAR และการมองเห็นแตกต่างจาก NDVI
ข้อมูลจาก NDVI เกิดจากการวิเคราะห์จากโครงสร้างภายในของใบและองค์ประกอบทางชีวเคมี
ในขณะที่ข้อมูลจาก SAR backscatter เกิดจากการวิเคราะห์โครงสร้างการตกกระทบและจากสิ่งอื่น ๆ เช่น ปริมาณความชื้นของพืช ลมที่เปลี่ยนแปลงทิศทาง เป็นต้น
ในการใช้งานจริงจึงต้องหาความสัมพันธ์ระหว่างข้อมูลทั้ง 2 ชุดเพื่ออธิบายข้อมูลในช่วงที่มีข้อจำกัดด้านเมฆต่อไป
留言