Field Server (ตอนที่ 3): Vegetation Index “ดัชนีพืชพรรณ”กับ รูปภาพรายวันที่ได้จาก Field Server

ในตอนที่ผ่านมา เราได้พูดถึง การนำค่าดัชนีพืชพรรณ (Vegetation Index) ที่คำนวณได้จากรูปภาพรายวันของ Field Server มาแสดงในแกนเวลา เรียกว่า “Vegetation Phenology” หรือ “ชีพลักษณ์พืชพรรณ”ซึ่งจะมีประโยชน์อย่างยิ่งในการวิเคราะห์เพื่อติดตามและจำแนกสถานะของแปลงข้าว แสดงตัวอย่างในรูปที่ 1สำหรับในตอนนี้ เราจะมาดูกันว่า ค่าดัชนีพืชพรรณที่ใช้กับรูปภาพที่ได้จาก Field Server นั้น สามารถคำนวณได้อย่างไร? หากกล่าวถึง การคำนวณระดับการตอบสนองของพืช (สีเขียว) สำหรับภาพถ่ายดาวเทียม โดยทั่วๆ ไป ค่า NDVI (Normalized Difference Vegetation Index)ถือเป็น ดัชนีพืชพรรณที่รู้จักกันอย่างแพร่หลายซึ่งสามารถคำนวณได้จาก

NDVI = (NIR – R) / (NIR + R)

เมื่อ      NIR (Near-infrared)      ค่า digital number ในช่วงความยาวคลื่น Near-infrared

R (Red)                    ค่า digital number ในช่วงความยาวคลื่นสีแดง

NDVI มีค่าสูง หมายถึง มีความเป็นพืช หรือ สีเขียว อย่างอุดมสมบูรณ์

03_fig_01_VI_sim

รูปที่ 1 แบบจำลองกราฟ Vegetation Phenology ที่คำนวณได้จากรูปภาพอนุกรมเวลา(time-series)เปรียบเทียบกับสถานะต่างๆ ของแปลงข้าว

 

ซึ่งผู้อ่านคงจะทราบว่า โดยปกติภาพถ่ายดาวเทียมจะประกอบไปด้วยข้อมูลความยาวคลื่นที่หลากหลาย (รวมทั้งช่วงความยาวคลื่น NIR และ สีแดง) จึงสามารถนำมาใช้คำนวณค่า NDVI ได้ แต่สำหรับรูปภาพที่ได้จาก Field Server นั้น จะถูกบันทึกในรูปแบบ “RGBหรือ แดง เขียว น้ำเงิน”(ไม่มีช่วงความยาวคลื่น NIR) ดังนั้น ดัชนีพืชพรรณที่นำมาใช้ จะอ้างถึง “ดัชนีแบบ ExG (Excessive Green)”ซึ่งสามารถใช้ในการบ่งบอกระดับความเป็นสีเขียวจากรูปภาพ RGB ได้เช่นกัน[1]โดยสามารถคำนวณได้จาก

ExG = 2g – r – b

เมื่อ      r         คือ ค่า normalized ของช่วงความยาวคลื่นสีแดง คำนวณได้จาก r = R / (R+G+B)

g        คือ ค่า normalized ของช่วงความยาวคลื่นสีเขียว คำนวณได้จาก g = G / (R+G+B)

b        คือ ค่า normalized ของช่วงความยาวคลื่นสีน้ำเงิน คำนวณได้จาก b = B / (R+G+B)

RGB     คือ ค่า Digital Number ในช่วงความยาวคลื่นสีแดง เขียว น้ำเงิน ตามลำดับ

ExGมีค่าสูง หมายถึง มีความเป็นพืช หรือ สีเขียว อย่างอุดมสมบูรณ์

 

ผู้อ่านคงจะสงสัยว่า เหตุใดจึงต้องมีการใช้ค่า normalized ของ สีแดง เขียว น้ำเงิน (normalized RGB) ทั้งนี้ เนื่องจากการถ่ายภาพจากแปลงเกษตร สภาพแวดล้อมหรือเงื่อนไขของแสงในแต่ละวัน จะมีการเปลี่ยนแปลงเสมอ เช่น ท้องฟ้าสดใส มีเมฆปกคลุม การใช้ค่า normalized นี้ เพื่อลดผลกระทบของการรบกวนของแสงที่เกิดขึ้น ทำให้การคำนวณค่าดัชนีพืชพรรณมีประสิทธิภาพมากขึ้น [2] หากจะกล่าวว่า การใช้ค่า normalized ดังกล่าว เหมือนกับการพิจารณาเพียงองค์ประกอบของเนื้อสีอย่างเดียว โดยละเลยการพิจารณาการเปลี่ยนแปลงทางแสงไปก็คงจะไม่ผิด ในรูปที่ 2แสดงค่าองค์ประกอบสีเขียวที่ถูกทำการ Normalized และค่าเหล่านี้จะแตกต่างกันเมื่อพิจารณาแบบค่า RGB ปกติ แต่จะเป็นค่าเดียวกันเมื่อพิจารณาแบบค่า Normalized RGB

03_fig_02

รูปที่ 2ตัวอย่าง (ค่าสีเขียว) ค่า Normalized RGB เพื่อลดผลกระทบของการเปลี่ยนแปลงทางแสง

Noteเทคนิคที่ใช้ในการลดผลกระทบจากการเปลี่ยนแปลงทางแสงนี้ เป็นเทคนิคพื้นฐานโดยทั่วไป สามารถใช้ค่า normalized RGB หรือ ใช้ปริภูมิสีที่มีการแบ่งแยกองค์ประกอบทางสีและแสงอย่างชัดเจนก็ได้ เช่น HSI (Hue, Saturation, Intensity) ในการพิจารณาก็จะแยกองค์ประกอบของ Intensity (ความเข้มแสง) ไป ไม่ได้ถูกนำมาพิจารณาร่วมด้วย เป็นต้น

03_fig_03_ExG_compare

รูปที่ 3เปรียบเทียบ Vegetation Phenology ที่ได้จาก ExGโดยใช้ ค่า RGB (ปกติ) และค่า Normalized RGB

เมื่อเราคำนวณค่าดัชนีแบบ ExGจากรูปภาพ Field Server ที่ถ่ายได้ปี 2557ณ แปลงข้าวนาปรัง จ. สุพรรณบุรี“โดย 1 รูปภาพ แทนด้วย 1 ค่าของดัชนีแบบ ExG” และนำมาเรียงลำดับในแกนเวลา จะได้เป็น Vegetation Phenology

ในรูปที่ 3เป็นการเปรียบเทียบระหว่าง Vegetation Phenologyที่คำนวณได้จากค่า RGB ปกติ (รูปที่ 3 บน) และ ค่า normalized RGB (รูปที่ 3 ล่าง)จะเห็นได้ว่ากราฟ Vegetation Phenology ที่ได้จากค่า normalized RGB (รูปที่ 3ล่าง) รูปคลื่นมีการสวิงขึ้น-ลง ที่น้อยกว่า‘Smooth กว่า’กราฟที่ได้จากค่า RGB ปกติ (รูปที่ 3บน)จึงกล่าวได้ว่า การใช้ค่าNormalized RGB มีประสิทธิภาพดีกว่าในการลดผลกระทบจากการเปลี่ยนแปลงของแสงที่เกิดขึ้นเมื่อเปรียบเทียบกับการใช้ค่า RGB ปกติ สำหรับกระบวนการหลังจากนี้ กราฟ Vegetation Phenology ที่ได้ จะถูกนำมา Smooth อีกครั้งด้วยตัวกรองความถี่ (Filter) ซึ่งจะได้กล่าวถึงเทคนิคที่ใช้ต่อไปในภายหลัง

Noteเราได้กล่าวถึง ดัชนีแบบ ExGซึ่งในความเป็นจริงแล้ว ยังมีดัชนีแบบอื่นๆ ที่สามารถใช้ในการคำนวณการตอบสนองของพืชสีเขียว สำหรับช่วงคลื่นที่มองเห็นได้ (Visible wavelength “RGB”) เช่น ExGR (Excessive Green-Red),NGRDI (Normalized Green-Red Difference Index) เป็นต้น [2]

ในตอนหน้า เราจะมาติดตามกระบวนการทำงานในแต่ละขั้นตอนว่า ในภาพถ่ายที่ได้จาก Field Server ภาพหนึ่ง ซึ่งประกอบไปด้วย ท้องฟ้า แนวเขา และ แปลงข้าว จะสามารถแยกส่วนเฉพาะ “แปลงข้าว” ซึ่งเป็นบริเวณที่เราสนใจ (Area of Interest) แบบอัตโนมัติได้อย่างไร ?… แล้วพบกันครับ …

 

เอกสารอ้างอิง

[1] Woebbecke, D. M., Meyer, G. E., Von Bargen, K., Mortensen, D. A. “Color indices for weed identification under various soil, residue, andlighting conditions”, Trans. ASABE 1995, Vol. 38, 259-269.

[2] N. Soontranon, P. Srestasathiern and P. Rakwatin, “Rice Growing Stage Monitoring in Small-scale Region Using ExG Vegetation Index”, in ECTI-CON 2014, NakhonRatchasima, Thailand.

 

Field Server: ระบบเก็บข้อมูลสภาพอากาศและรูปภาพรายวันจากแปลงเกษตรกรรม (ตอนที่ 1) 
Field Server: ระบบเก็บข้อมูลสภาพอากาศและรูปภาพรายวันจากแปลงเกษตรกรรม (ตอนที่ 2)

 

Leave a Reply

Your email address will not be published. Required fields are marked *