Land Use Mapping by Object Based Image Classification from Thaichote Satellite Image
Abstract
การทำแผนที่การใช้ประโยชน์ที่ดินจากภาพจากดาวเทียม
การทำแผนที่การใช้ประโยชน์ที่ดินมีความสำคัญในยุคปัจจุบัน เนื่องจากการเปลี่ยนแปลงทางด้านเศรษฐกิจ และสังคม เนื่องจากความเจริญทางด้านเมืองได้ลุกล้ำเข้าสู่พื้นที่เกษตรกรรม ป่าไม้ และวิถีชีวิตของคนในชนบท ดังนั้นการทำแผนที่จึงมีความสำคัญเป็นอย่างยิ่งที่จะเป็นตัวบอกให้เห็นถึงการเปลี่ยนแปลงพื้นที่ได้อย่างรวดเร็วและทันกับสถานการณ์ ซึ่งการทำแผนที่การใช้ที่ดินในปัจจุบันมีหลายหน่วยงานได้ดำเนินการ โดยมีการนำภาพถ่ายทางอากาศและภาพจากดาวเทียมรายละเอียดปานกลางมาจัดทำแผนที่ ซึ่งแผนที่ที่ได้จะเป็นแผนที่ที่มีมาตราส่วนใหญ่ รวมถึงการนำภาพจากดาวเทียมรายละเอียดสูงแต่มีข้อจำกัดคือราคาสูง ซึ่งในปัจจุบันมีดาวเทียมสำรวจทรัพยากรที่หลากหลาย แต่ละประเภทมีคุณสมบัติแตกต่างกันออกไป ดาวเทียมบางประเภทมีคุณสมบัติทางด้านการให้รายละเอียดทางพื้นดินสูง (High Spatial Resolution) ดาวเทียมบางประเภทมีคุณสมบัติให้รายละเอียดข้อมูลเชิงคลื่นสูง กล่าวคือมีการบันทึกข้อมูลหลายช่วงคลื่น (Multi-spectral) ดังนั้นในการทำงานในแต่ละส่วนจึงต้องคำนึงถึงงบประมาณและวัตถุประสงค์ของการเลือกใช้ดาวเทียมสำรวจทรัพยากร ซึ่งประเทศไทยได้มีดาวเทียมสำรวจทรัพยากร “ไทยโชต” หรือ “ธีออส” ซึ่งมีรายละเอียดในระบบหลายช่วงคลื่น 15 เมตรและระบบขาวดำ 2 เมตร สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน) ได้มีโครงการที่ส่งเสริมให้ใช้ภาพจากดาวเทียมไทยโชตในราคาไม่สูง จึงเป็นการส่งเสริมให้หลายหน่วยงานได้นำภาพดาวเทียมที่มีรายละเอียดที่ดีมาจัดทำแผนที่
การทำแผนที่ให้มีความถูกต้องนั้น ต้องอาศัยความชำนาญของผู้แปลและตีความภาพถ่ายทางอากาศ และภาพจากดาวเทียม โดยใช้วิธีการแปลภาพด้วยสายตาม และวิธีการจากสาขาการรับรู้ระยะไกล (Remote Sensing) โดยใช้วิธีการจำแนกข้อมูลภาพ (Image Classification) ด้วยวิธีการจำแนกข้อมูลเชิงจุดภาพแบบกำกับดูแล (Supervised Classification) และวิธีการจำแนกข้อมูลแบบไม่กำกับดูแล (Unsupervised Classification) ซึ่งมีงานวิจัยหลายงานได้ทำการศึกษาเปรียบเทียบความถูกต้องจากการจำแนกข้อมูลภาพจากดาวเทียมด้วยวิธีดังกล่าว ในปัจจุบันได้มีวิธีการจำแนกข้อมูลในรูปแบบที่มีความถูกต้องมากขึ้นหลายวิธีได้แก่ การจำแนกข้อมูลจากระบบผู้เชี่ยวชาญ (Expert Systems) หรือการจำแนกข้อมูลภาพเชิงวัตถุ (Object Based Image Analysis) ซึ่งวิธีการดังกล่าวจะอาศัยความรู้ประสบการณ์ในการแปลภาพถ่ายจากผู้แปลภาพโดยตรง รวมถึงใช้การวิเคราะห์ภาพจากดาวเทียมด้วยวิธีการเน้นภาพขั้นสูงมาช่วยในการแปลและตีความ ดังที่ Matinfar et al. (2007) [1] ได้ทำการศึกษาเปรียบเทียบการจำแนกข้อมูลเชิงวัตถุ (Object Based) และการจำแนกข้อมูลแบบจุดภาพ (Pixel Based) ของการใช้ที่ดินและสิ่งปกคลุมดินด้วยข้อมูลภาพดาวเทียม LANDSAT 7 ETM+ บริเวณพื้นที่แห้งแล้งของประเทศอิหร่าน โดยใช้การแปลภาพดาวเทียมและการตรวจความถูกต้องจากแผนที่ การออกสนาม และความเชี่ยวชาญของบุคคล ผู้วิจัยใช้วิธีการจำแนกข้อมูลแบบกำกับดูแลด้วยซอฟต์แวร์ Geomatica เปรียบเทียบกับการจำแนกข้อมูลเชิงวัตถุด้วยซอฟต์แวร์ eCognition และเปรียบเทียบความถูกต้อง ซึ่งผลการศึกษาพบว่าการจำแนกข้อมูลเชิงวัตถุมีความถูกต้องในการจำแนกประเภทการใช้ประโยชน์ที่ดินสูงกว่าการจำแนกข้อมูลแบบกำกับดูแล รวมถึงความผิดพลาดจากการจำแนกข้อมูลเชิงวัตถุของข้อมูลที่ทำการจำแนกขาดหายไป และความผิดพลาดของข้อมูลที่ทำการจำแนกเกินมาจะมีน้อยกว่าการจำแนกแบบจุดภาพสอดคล้องกับงานวิจัยของ Oruc et al. (n.d.) [2] ได้ทำการศึกษาเปรียบเทียบการจำแนกแบบจุดภาพและการจำแนกเชิงวัตถุโดยใช้ภาพดาวเทียม Landsat 7 ETM+ แบบหลายช่วงคลื่น โดยใช้วิธีการจำแนกข้อมูลแบบไม่กำกับดูแลด้วยวิธีไอโซดาต้า (Isodata) ในครั้งแรก จากนั้นจะจำแนกข้อมูลเชิงจุดภาพแบบกำกับดูแล 3 วิธี ได้แก่ วิธีระยะห่างต่ำสุด หมายถึง วิธีการที่อาศัยการคำนวณระยะทางที่สั้นที่สุดของค่าความสว่างของแต่ละจุดภาพตามค่าการสะท้อนแสงเฉลี่ยจากพื้นที่ตัวอย่างจากทุกช่วงคลื่นที่คัดเลือกมาจำแนก จำนวนจุดภาพทั้งหมดที่อยู่ในข้อมูลที่นำมาจำแนกจะถูกจัดให้อยู่ในชั้นข้อมูลที่อยู่ใกล้ค่าการสะท้อนแสงเฉลี่ยของชั้นนั้น วิธีสี่เหลี่ยมคู่ขนานเป็นวิธีการจำแนกจุดภาพออกเป็นกลุ่มโดยกำหนดขอบเขตเป็นรูปสี่เหลี่ยมตามค่าเบี่ยงเบนมาตรฐานต่ำสุดและสูงสุดจากค่าเฉลี่ย จุดภาพจะถูกจำแนกตามกลุ่มที่ตกอยู่ในขอบเขตของข้อมูลนั้น ๆ และวิธีความน่าจะเป็นไปได้สูงสุดเป็นวิธีการคำนวณค่าเฉลี่ย ค่าความแปรปรวนและค่าสหสัมพันธ์ของช่วงคลื่นที่นำมาใช้ในการจำแนกประเภทของชั้นข้อมูลจากข้อมูลตัวอย่างโดยตั้งสมมติฐานที่ว่าแต่ละชั้นข้อมูลจะต้องมีการกระจายตัวแบบปกติ ผลการจำแนกจะพิจารณาจากความน่าจะเป็นของการใช้ที่ดินแต่ละประเภท ในอีกด้านหนึ่งจะวิเคราะห์ภาพเดียวกันด้วยวิธีจำแนกข้อมูลเชิงวัตถุซึ่งจะใช้ซอฟต์แวร์ eCognition ซึ่งผลลัพธ์แสดงให้เห็นว่าการวิเคราะห์ข้อมูลเชิงวัตถุจะให้ความถูกต้องสูงกว่าแบบการวิเคราะห์แบบจุดภาพ
