จาก Pixel สู่พืชผล: การใช้ AI วิเคราะห์ Satellite Image

การใช้ Satellite image เพื่อจำแนกพืช (Vegetation Classification) ทำได้ด้วยการวิเคราะห์ “Spectrum Signature” ของพืชแต่ละชนิดจากข้อมูลหลายช่วงคลื่น (Multispectral / Hyperspectral)

1) หลักการสำคัญ - Spectral Signature

พืชแต่ละชนิดสะท้อนและดูดกลืนแสงไม่เท่ากันในแต่ละช่วงคลื่น เช่น

• แสงสีแดง (Red) → คลอโรฟิลล์ดูดกลืนสูง
• ใกล้อินฟราเรด (NIR) → พืชสะท้อนสูงมาก (โครงสร้างใบ)
• Shortwave Infrared (SWIR) → บอกความชื้นในใบ

ดังนั้นพืชแต่ละชนิดจึงมี “Signature” ต่างกัน

ตัวอย่างดาวเทียมที่นิยมใช้

• Landsat 8
• Sentinel-2
• WorldView-3

2) การใช้ดัชนีพืชพรรณ (Vegetation Indices)

NDVI (Normalized Difference Vegetation Index)

สูตร

NDVI = (NIR - Red) / (NIR + Red)

• ค่าใกล้ 1 → พืชสมบูรณ์
• ค่าใกล้ 0 → ดิน / พื้นที่โล่ง
• ค่าติดลบ → น้ำ

นอกจาก NDVI ยังมี

• EVI: Enhanced Vegetation Index (เหมาะกับพื้นที่ป่าหนาแน่น)
• NDWI: Normalized Difference Wet Index (ดูความชื้น)

3) วิธีการจำแนก (Classification Methods)

A) Pixel-based Classification

จำแนกทีละ pixel

• Supervised (เช่น Random Forest, SVM)
• Unsupervised (เช่น K-means)

B) Object-based Classification (OBIA)

รวม pixel เป็นกลุ่มก่อน แล้วค่อยจำแนกเหมาะกับภาพความละเอียดสูง

4) ใช้ AI / Machine Learning

ปัจจุบันนิยมใช้

• Random Forest
• Support Vector Machine
• Deep Learning (CNN)

ถ้าเป็นงานระดับประเทศ เช่น วิเคราะห์พื้นที่เกษตร อาจใช้ข้อมูลจาก European Space Agency ร่วมกับโมเดล AI บน Google Earth Engine หรือ หน่วยงานในประเทศที่ทำเรื่องนี้ www.gistda.or.th

5) การแยกชนิดพืชทำได้แค่ไหน?

ขึ้นกับ

• ความละเอียดเชิงพื้นที่ (Spatial resolution)
• ความละเอียดเชิงสเปกตรัม (จำนวน band)
• ช่วงเวลาเก็บภาพ (Time-series มีความสำคัญมาก เช่น ข้าวกับอ้อยจะมี phenology ต่างกัน)

ตัวอย่าง

• แยก “ป่า” vs “เกษตร” -> ง่าย
• แยก “ข้าว” vs “อ้อย” -> ต้องใช้ time-series
• แยก “พันธุ์ข้าว” -> ต้องใช้ hyperspectral