ข้อมูลหลายช่วงคลื่น
UAT 365 เทคโนโลยีระบบอากาศยานไร้คนขับเพื่อเกษตรอัจฉริยะและการสำรวจระยะไกล
บทเรียน
เมื่อเรียนจบโมดูลนี้ ผู้เรียนจะสามารถ
- แยกค่าพิกเซล (DN) ออกจากค่าสะท้อน (reflectance) และอธิบายว่าทำไมต้องสอบเทียบ
- อธิบายบทบาทของแผ่นอ้างอิงค่าสะท้อน (CRP) และเซนเซอร์วัดแสง (DLS)
- สอบเทียบภาพด้วยวิธี empirical line จากแผ่นอ้างอิงสองแผ่น
- อธิบายผลของแสงที่เปลี่ยนระหว่างบินและการจัดแนวแบนด์ต่อดัชนีพืช
ทำไมต้องรู้
ค่าในภาพจากกล้องคือ ค่าพิกเซล (digital number, DN) ขึ้นกับแสงแดดตอนถ่าย การตั้งค่ากล้อง และความไวของแต่ละแบนด์ ใบข้าวเดียวกันถ่ายตอนแดดจัดกับตอนมีเมฆจะได้ DN ต่างกันมาก ถ้าคำนวณดัชนีพืชจาก DN ตรง ๆ แล้วเทียบสองสัปดาห์ อาจสรุปว่าข้าวแย่ลงทั้งที่แค่วันนั้นมีเมฆ การสอบเทียบเปลี่ยน DN เป็น ค่าสะท้อน (reflectance) ซึ่งเป็นสมบัติของพื้นผิวเอง จึงเทียบข้ามวันและข้ามกล้องได้
ค่าพิกเซลกับค่าสะท้อน
ค่าสะท้อน คือสัดส่วนของแสงที่พื้นผิวสะท้อนกลับเทียบกับแสงที่ตกกระทบ มีค่า 0–1 เปรียบเหมือนการวัดว่ากระดาษขาวแค่ไหน ซึ่งไม่ควรเปลี่ยนตามว่าเปิดไฟสว่างหรือหรี่ ส่วน DN เปรียบเหมือนความสว่างที่เห็นในรูปถ่าย ซึ่งเปลี่ยนตามไฟ
กล้อง MicaSense RedEdge-P มาพร้อมอุปกรณ์สองอย่างสำหรับงานนี้
- แผ่นอ้างอิงค่าสะท้อน (calibrated reflectance panel, CRP) รู้ค่าสะท้อนแน่นอนในแต่ละแบนด์ ถ่ายภาพแผ่นนี้ก่อนและหลังบิน
- เซนเซอร์วัดแสง (downwelling light sensor, DLS2) ติดด้านบนโดรน วัดแสงแดดที่ตกลงมาในแต่ละแบนด์ตลอดการบิน ใช้ปรับเมื่อแสงเปลี่ยน
วิธี Empirical line
Empirical line (Smith และ Milton, 1999) ใช้เป้าที่รู้ค่าสะท้อนอย่างน้อยสองค่า ลากเส้นตรงระหว่าง DN กับค่าสะท้อน แล้วใช้เส้นนั้นแปลงทุกพิกเซลในแบนด์เดียวกัน รายงานของ USGS (2023) เน้นวิธีแผ่นอ้างอิงสองแผ่นนี้สำหรับงานโดรน ต้องทำ แยกทีละแบนด์ เพราะแต่ละแบนด์มีความไวต่างกัน
ตัวอย่างที่ 1 สอบเทียบสองแบนด์แล้วคำนวณ NDVI
แผ่นอ้างอิงสมมติมีค่าสะท้อน 5% และ 50% ในทั้งสองแบนด์ DN ของแผ่นและของใบข้าวเป็นค่าสมมติ
PANELS = (0.05, 0.50) # ค่าสะท้อนของแผ่นมืดและแผ่นสว่าง
panel_dn = {"red": (3200, 26000), "nir": (2500, 21000)}
crop_dn = {"red": 5000, "nir": 20000} # DN ของใบข้าวในแต่ละแบนด์
def calibrate(dn, dn_pair, rho_pair=PANELS):
gain = (dn_pair[1] - dn_pair[0]) / (rho_pair[1] - rho_pair[0])
offset = dn_pair[0] - gain * rho_pair[0]
return (dn - offset) / gain
rho = {band: calibrate(crop_dn[band], panel_dn[band]) for band in crop_dn}
ndvi_rho = (rho["nir"] - rho["red"]) / (rho["nir"] + rho["red"])
ndvi_dn = (crop_dn["nir"] - crop_dn["red"]) / (crop_dn["nir"] + crop_dn["red"])
print(f"reflectance red {rho['red']:.3f}, NIR {rho['nir']:.3f}")
print(f"NDVI from reflectance {ndvi_rho:.3f} vs from raw DN {ndvi_dn:.3f}")
reflectance red 0.086, NIR 0.476
NDVI from reflectance 0.695 vs from raw DN 0.600
NDVI จาก DN ต่ำกว่าค่าจริงอย่างชัดเจน เพราะสองแบนด์มีความไวและค่า offset ต่างกัน ตัวเลขจาก DN ดิบจึงเทียบกับงานอื่นหรือเกณฑ์ในเอกสารไม่ได้
แสงเปลี่ยนระหว่างบิน
ถ้าถ่ายแผ่นอ้างอิงตอนแดดจัด แต่มีเมฆบังขณะบินผ่านบางส่วนของแปลง พิกเซลส่วนนั้นจะได้ค่าสะท้อนต่ำเกินจริง DLS วัดแสงขณะถ่ายแต่ละภาพ จึงปรับด้วยสัดส่วนแสงได้ เมฆลดแสงแต่ละแบนด์ไม่เท่ากัน ดัชนีพืชจึงคลาดได้ด้วย ไม่ใช่เพียงค่าสะท้อน
ตัวอย่างที่ 2 ผลของเมฆเมื่อไม่ปรับด้วย DLS
สมมติเมฆบางลดแสงแบนด์แดงเหลือ 70% และ NIR เหลือ 80% ของตอนถ่ายแผ่นอ้างอิง
true_rho = {"red": 0.06, "nir": 0.40}
light_ratio = {"red": 0.70, "nir": 0.80} # แสงขณะถ่ายภาพ / แสงตอนถ่ายแผ่น
def ndvi(r): return (r["nir"] - r["red"]) / (r["nir"] + r["red"])
raw = {b: true_rho[b] * light_ratio[b] for b in true_rho} # ไม่ปรับแสง
fixed = {b: raw[b] / light_ratio[b] for b in raw} # ปรับด้วย DLS
for name, r in (("true", true_rho), ("no DLS correction", raw), ("with DLS correction", fixed)):
print(f"{name:<20} red {r['red']:.3f} NIR {r['nir']:.3f} NDVI {ndvi(r):.3f}")
true red 0.060 NIR 0.400 NDVI 0.739
no DLS correction red 0.042 NIR 0.320 NDVI 0.768
with DLS correction red 0.060 NIR 0.400 NDVI 0.739
ค่าสะท้อนต่ำไปทั้งสองแบนด์ และ NDVI สูงกว่าจริงเล็กน้อย ถ้าเมฆผ่านเพียงครึ่งแปลง ภาพจะมีรอยต่างระหว่างสองส่วนที่ไม่ได้มาจากพืช การบินในสภาพฟ้าสม่ำเสมอจึงสำคัญพอ ๆ กับการสอบเทียบ
การจัดแนวแบนด์
กล้องหลายช่วงคลื่นแยกเลนส์ละแบนด์ แต่ละเลนส์มองจากตำแหน่งต่างกันเล็กน้อย ถ้าไม่ จัดแนวแบนด์ (band alignment) พิกเซลเดียวกันในแต่ละแบนด์อาจเป็นคนละจุดบนพื้น ขอบคันนาจะมีค่าดัชนีผิดเป็นแนว ชุดคำสั่ง imageprocessing ของ MicaSense (สัญญาอนุญาต MIT) มีตัวอย่างการสอบเทียบด้วยแผ่นอ้างอิงและการจัดแนวภาพ ที่ทดลองได้โดยไม่ต้องมีกล้อง
ปฏิบัติการประจำโมดูล
ปฏิบัติการ: สอบเทียบภาพหลายช่วงคลื่น
- ติดตั้งชุดคำสั่ง imageprocessing ตามคู่มือของโครงการ (ต้องใช้ Git LFS) เปิดภาพตัวอย่าง
- หาพื้นที่แผ่นอ้างอิงในภาพ คำนวณ DN เฉลี่ย แล้วใช้โค้ดตัวอย่างที่ 1 สอบเทียบแบนด์แดงและ NIR
- เทียบ NDVI จาก DN ดิบกับจากค่าสะท้อน บันทึกความต่าง
- เปรียบเทียบภาพก่อนและหลังจัดแนวแบนด์ ดูขอบวัตถุที่เหลื่อมกัน
- ถ้ามีกล้องในแล็บ ถ่ายแผ่นอ้างอิงก่อนและหลังบินจริง บันทึกเวลา สภาพฟ้า และค่า DLS ลงสมุดปฏิบัติการ
ข้อผิดพลาดที่พบบ่อย
ระวัง
- คำนวณดัชนีจาก DN ดิบ แล้วเทียบข้ามวัน
- ใช้เส้นสอบเทียบเส้นเดียวทุกแบนด์
- ถ่ายแผ่นอ้างอิงที่มีเงาหรือสกปรก หรือถ่ายเอียงจนเห็นแสงสะท้อน
- บินขณะเมฆผ่านเป็นระยะ โดยไม่มีข้อมูลแสง
- ข้ามการจัดแนวแบนด์
สรุป
- DN ขึ้นกับแสงและกล้อง ค่าสะท้อนเป็นสมบัติของพื้นผิว ต้องแปลงก่อนวิเคราะห์
- CRP ให้ค่าอ้างอิง DLS ปรับแสงที่เปลี่ยนระหว่างบิน
- Empirical line ลากเส้นตรงจากแผ่นอ้างอิงอย่างน้อยสองแผ่น แยกทีละแบนด์
- แสงไม่สม่ำเสมอและแบนด์ไม่ตรงกันทำให้ดัชนีผิดเป็นบริเวณ
แบบฝึกตรวจความเข้าใจ
- แผ่น 5% ได้ DN 3,200 แผ่น 50% ได้ DN 26,000 gain ของเส้นเท่าใด
- จากข้อ 1 พิกเซลที่ DN 14,600 มีค่าสะท้อนเท่าใด
- ค่าสะท้อนดิบ 0.042 ถ่ายขณะแสงเหลือ 70% หลังปรับแล้วเท่าใด
- ทำไมต้องสอบเทียบแยกทีละแบนด์
- การไม่จัดแนวแบนด์ทำให้เกิดอะไรในแผนที่ดัชนี
เฉลย
- DN ต่อหน่วยค่าสะท้อน
- offset ดังนั้น
- แต่ละแบนด์มีความไวและค่า offset ต่างกัน
- ค่าดัชนีผิดเป็นแนวตามขอบวัตถุ เพราะแต่ละแบนด์มองคนละจุด
สรุปสูตรสำคัญ
| Empirical line (ต่อแบนด์) | |
| ปรับตามแสงที่เปลี่ยน |
แหล่งอ้างอิงหลัก
- MicaSense. RedEdge-P multispectral sensor [Product specifications]. EagleNXT. link
- MicaSense. imageprocessing: MicaSense RedEdge and Altum image processing tutorials (MIT License) [Software]. GitHub. link
- Smith, G. M., & Milton, E. J. (1999). The use of the empirical line method to calibrate remotely sensed data to reflectance. International Journal of Remote Sensing, 20(13), 2653–2662. link
- Sampath, A., Shrestha, M., While, M., & Scholl, V. M. (2023). Guidelines for calibration of uncrewed aircraft systems imagery (Open-File Report 2023–1033). U.S. Geological Survey. link
- Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation (7th ed.). Wiley. link
อ่านเพิ่มเติม
ศึกษาหน่วยความรู้ที่กำหนดล่วงหน้า ดูสื่อประกอบ และทำ quiz ประจำโมดูล
ในชั้นเรียน / ภาคสนาม
ปฏิบัติการเข้มข้นในแล็บและภาคสนาม บันทึกผลลงสมุดปฏิบัติการ
หลักฐานการเรียนรู้: สมุดปฏิบัติการที่อาจารย์ลงนาม