เทคนิคการทำแผนที่การใช้ประโยชน์ที่ดินโดยการจำแนกแบบควบคุม

การจำแนกประเภทข้อมูลแบบควบคุม

การจำแนกประเภทข้อมูลแบบควบคุม เป็นการจำแนกประเภทข้อมูลที่ผู้ใช้งานเป็นผู้กำหนดลักษณะของประเภทข้อมูลเอง โดยเป็นผู้เลือกตัวอย่างประเภทข้อมูลให้แก่เครื่อง จึงเรียกการจำแนกข้อมูลประเภทนี้ว่าเป็นวิธีแบบควบคุมโดยผู้วิเคราะห์ต้องควบคุมอย่างใกล้ชิด ข้อมูลตัวแทนหรือข้อมูลตัวอย่างที่ผู้ใช้งานเป็นผู้กำหนดนั้นได้จากการตีความหมายภาพดาวเทียมที่ถูกต้องด้วยสายตาโดยอาศัยประสบการณ์ ความเข้าใจและความรู้ที่มีอยู่ ตลอดจนกระบวนการต่างๆ ในการตีความหมาย เช่น การสำรวจภาคสนาม การใช้แผนที่ภาพถ่ายต่างๆ และสถิติอื่นๆ เป็นต้นทั้งนี้เพื่อให้ได้มาซึ่งข้อมูลที่มีความหมายถูกต้องตามระบบการจำแนก ตัวอย่างที่เลือกเป็นข้อมูลทางสถิติที่กำหนดคุณลักษณะของข้อมูล ซึ่งเครื่องคอมพิวเตอร์จะนำคุณลักษณะทางสถิติของพื้นที่ตัวอย่างนั้นไปทำการประมวลผลแล้วจำแนกแต่ละจุดภาพของข้อมูลดาวเทียมให้เป็นประเภทข้อมูลตามที่ผู้ใช้งานกำหนดไว้ตามพื้นที่ตัวอย่าง ซึ่งความถูกต้องและความน่าเชื่อถือของการจำแนกวิธีนี้ขึ้นอยู่กับคุณลักษณะของพื้นที่ตัวอย่างว่ามีความหลากหลายครอบคลุมทุกประเภทข้อมูลหรือไม่และเป็นตัวแทนของประชากรข้อมูลทุกประเภทหรือไม่ วิธีการนี้ผู้ใช้งานจะต้องมีความรู้ในพื้นที่ศึกษาเป็นอย่างดี โดยศึกษาจากข้อมูลเสริมประกอบตลอดจนการสังเกตลักษณะเชิงกายภาพ (Physical characteristics) ของประเภทข้อมูลดังที่กล่าวมาแล้วข้างต้น

1) การเลือกตัวอย่างประเภทข้อมูล (Sampling of training sites/ areas) เป็นสิ่งจำเป็นสำหรับการจำแนกข้อมูลแบบควบคุม การเลือกพื้นที่ตัวอย่างต้องอาศัยความช่างสังเกตการใช้ที่ดินลักษณะต่างๆ เป็นอย่างดีและพยายามแยกประเภทตัวอย่างให้ละเอียดครบทุกลักษณะทางกายภาพของการใช้ที่ดินและสิ่งปกคลุมดิน โดยมีหลักการในการเลือกพื้นที่ตัวอย่าง ดังนี้

- ควรเลือกตัวอย่างที่เป็นตัวแทนของประเภทการใช้ที่ดิน และสิ่งปกคลุมดินทุกประเภทในพื้นที่ศึกษา

- ควรเลือกแปลงพื้นที่ตัวอย่างของการใช้ที่ดินชนิดเดียวกันให้กระจายทั่วพื้นที่ศึกษา เพื่อเป็นตัวแทนของลักษณะประเภทการใช้ที่ดินนั้นๆ

- ควรเลือกจำนวนจุดภาพต่อตัวอย่างการใช้ที่ดินแต่ละประเภทให้มีจำนวนมากกว่า 30 จุดภาพขึ้นไป เพื่อให้มีตัวแทนทางสถิติที่มีลักษณะเป็นการกระจายแบบปกติ

- ควรเลือกตัวอย่างที่มีสีกลุ่มเดียวกันหรือมีลักษณะเป็นเนื้อเดียวกัน (Homogeneous) ทั้งนี้เพื่อลดการปะปนกับตัวอย่างประเภทอื่น พื้นที่ตัวอย่างที่มีความเป็นเนื้อเดียวกันมากถือเป็นตัวอย่างข้อมูลที่ดี

การเลือกพื้นที่ตัวอย่างทำได้โดยการวงขอบเขตพื้นที่ตัวอย่างที่ต้องการเลือกจากหน้าจอคอมพิวเตอร์เมื่อได้ขอบเขตของพื้นที่ตัวอย่างของทุกประเภทการใช้ที่ดินแล้วขั้นตอนต่อไป คือ การเลือกตัวอย่างจากช่วงคลื่นที่จะใช้ประมวลผล ตัวอย่างจากแต่ละช่วงคลื่นจะมีค่าสถิติซึ่งสามารถนำมาวิเคราะห์ทางสถิติ เพื่อประเมินว่าตัวอย่างที่เลือกได้ตามช่วงคลื่นต่างๆ มีความน่าเชื่อถือ และเป็นตัวแทนที่ดีหรือไม่ สถิติที่สำคัญ คือ ค่าการสะท้อนต่ำสุด-สูงสุดของประเภทการใช้ที่ดินนั้น ค่าสะท้อนเฉลี่ย ค่าความแปรปรวน ตารางความแปรปรวนร่วม และตารางสหสัมพันธ์

2) การศึกษาลักษณะทางสถิติของพื้นที่ตัวอย่าง

สำหรับข้อมูลจากดาวเทียมแต่ละจุดภาพมีค่าเป็น 3 มิติ คือ ค่าพิกัดตั้ง (i) ค่าพิกัดแนวนอน (j) และความสว่างของจุดภาพ (BV) แต่ละจุดภาพมีลักษณะความสว่างแตกต่างตามแต่ละช่วงคลื่นเป็นลักษณะเวกเตอร์ของจุดภาพ ดังนี้

หากเลือกพื้นที่ตัวอย่างแล้ว แต่ละตัวอย่างจะมีค่าเฉลี่ยของแต่ละประเภทข้อมูล (Class)

ในรูปเวกเตอร์ดังนี้

ตัวอย่างสมมติให้มีการเลือกพื้นที่ตัวอย่างการใช้ที่ดิน 3 ประเภท (3 classes) ได้แก่ แหล่งน้ำ (Water) ป่าไม้ (Forest) และย่านการค้า (Build up area) ของข้อมูลจากดาวเทียม LANDSAT ระบบ TM จำนวน 6 ช่วงคลื่น (bands 1 5 และ 7) เมื่อเลือกพื้นที่ตัวอย่างแล้วได้ข้อมูลสถิติของพื้นที่ตัวอย่าง

ภาพตัวอย่างการศึกษาลักษณะทางสถิติของพื้นที่ตัวอย่าง

ค่าสถิติของพื้นที่ตัวอย่างที่นิยมนำมาวิเคราะห์ ได้แก่

1.2.1) ค่าสะท้อนเฉลี่ยจากจุดภาพของแต่ละพื้นที่ตัวอย่าง นำมาวิเคราะห์ลักษณะบ่งชี้หรือลายเซ็นเชิงคลื่น (Spectral signature) เพื่อดูความแตกต่าง หรือความคล้ายคลึงระหว่างประเภทข้อมูลต่างๆ

จากภาพลายเซ็นเชิงคลื่นของการใช้ที่ดินทั้ง 3 ประเภท มีลักษณะตรงตามค่าการสะท้อนเชิงทฤษฎี และไม่มีลักษณะเหมือนกัน กล่าวคือ ย่านการค้ามีค่าการสะท้อนสูงที่สุด เส้นลายเซ็นเชิงคลื่นไม่ซ้อนทับกับเส้นการใช้ที่ดินประเภทอื่น เป็นลักษณะลายเซ็นเชิงคลื่นของดิน-แร่ธาตุ โดยเฉพาะการสะท้อนสูงในช่วงคลื่นที่ 3 (คลื่นตามองเห็น) และ 5 (คลื่นอินฟราเรดคลื่นสั้น) เพราะเป็นอาคารสิ่งปลูกสร้างที่เป็นวัตถุสะท้อนพลังงานสูง (ซีเมนต์ คอนกรีต) ป่าไม้แสดงการสะท้อนของพืช มีค่ามากที่สุดในช่วงคลื่นที่ 4 (คลื่นอินฟราเรดใกล้) ซึ่งพืชมีค่าการสะท้อนสูงที่สุดส่วนแหล่งน้ำมีลักษณะการสะท้อนอยู่ในกลุ่มของน้ำ คือ มีค่าลดลง (เนื่องจากการดูดกลืนพลังงาน) ในกลุ่มช่วงคลื่นอินฟราเรด ยกเว้นพื้นที่ชุ่มน้ำ ที่ช่วงคลื่นที่ 5 มีค่าสูงขึ้นเล็กน้อย เพราะน้ำมีสิ่งเจือปน

1.2.2) ค่าความแปรปรวน เป็นการวัดความแตกต่างของข้อมูล โดยทั่วไปค่าความแปรปรวนของวัตถุกลุ่มน้ำจะมีค่าต่ำที่สุด มีลักษณะเป็นเอกพันธ์มาก ค่าความแปรปรวนของพืชมีมากขึ้น และกลุ่มย่านการค้ามีค่าความแปรปรวนมากที่สุด เพราะมีการปะปนของวัตถุต่างประเภทกันมากที่สุด

1.2.3) ค่าสหสัมพันธ์ มีประโยชน์ในการเลือกช่วงคลื่นที่จะใช้ในการคำนวณโดยช่วงคลื่นที่มีความสัมพันธ์สูงจะให้ข้อมูลเช่นเดียวกัน เช่น ช่วงคลื่นในกลุ่มคลื่นตามองเห็น ช่วงคลื่นอินฟราเรดกลางจึงไม่จำเป็นที่จะต้องใช้ทั้งหมด สามารถเลือกใช้ช่วงคลื่นที่มีความสัมพันธ์ต่ำ และลดจำนวนข้อมูลในการคำนวณ ทำให้การคำนวณเร็วมากขึ้น

เมื่อผู้ใช้ทำการกำหนดพื้นที่ตัวอย่างและทำการวิเคราะห์ค่าสถิติของพื้นที่ตัวอย่างแล้ว ขั้นต่อไปผู้ใช้ต้องทำการกำหนดวิธีการจำแนกประเภทข้อมูลภาพให้กับคอมพิวเตอร์ โดยวิธีการที่นิยมใช้ในการจำแนกประเภทข้อมูลภาพ ได้แก่

1.3) กฎการตัดสินใจเพื่อการจำแนกข้อมูลภาพ (Classification decision rules)

1.3.1) กฎการตัดสินใจเพื่อการจำแนกข้อมูลภาพแบบระยะห่างต่ำสุด (Minimum distance to means) เป็นกฎการจำแนกที่ง่ายที่สุดและทำงานได้เร็วที่สุดประกอบด้วย 3 ขั้นตอน คือ

– การคำนวณค่าเฉลี่ยจำนวนตัวเลข (DN) ของข้อมูลตัวอย่างจากทุกช่วงคลื่น ค่าเฉลี่ยนี้เรียกว่า เวกเตอร์ ค่าเฉลี่ย (Mean vector)

– จำนวนจุดภาพทั้งหมดที่อยู่ในข้อมูลที่จะนำมาจำแนกนั้น ถูกจัดให้อยู่ในชั้นข้อมูลที่อยู่ใกล้เวกเตอร์ ค่าเฉลี่ยของชั้นนั้น

– แนวขอบเขตของข้อมูล (Data boundary) ถูกกำหนดให้อยู่รอบเวกเตอร์ค่าเฉลี่ย ดังนั้นหากจุดภาพใดตกอยู่นอกขอบเขตก็จะถูกจำแนกเป็นค่าที่ไม่ทราบ (Unknown)

ภาพการจำแนกประเภทข้อมูลแบบระยะห่างที่ต่ำสุด
ที่มา : Aronoff, S. (2005)

จากภาพ จุดภาพที่ไม่ทราบว่าเป็นข้อมูลชนิดใด(Unknown pixel) แสดงโดยจุดที่ 1 ระยะทางระหว่างจุดภาพนี้กับค่าเฉลี่ยของชั้นข้อมูล แสดงได้โดยเส้นประ ภายหลังที่การคำนวณเสร็จสิ้นลงแล้วจุดภาพที่ไม่ทราบก็จะถูกจัดเป็นชั้นข้อมูลที่มีระยะทางใกล้กับค่าเฉลี่ยของของชั้นข้อมูลนั้น ในกรณีนี้คือ C ถ้าหากว่าจุดภาพที่ไม่ทราบค่านี้มีระยะทางห่างจากค่าเฉลี่ยของแต่ละชั้นข้อมูลมากเกินกว่าระยะทางที่ผู้ทำการวิเคราะห์ได้กำหนดไว้ จุดภาพนั้นก็จะไม่สามารถถูกจัดให้เป็นชั้นข้อมูลชนิดใดชนิดหนึ่งได้ จึงถูกจัดเป็นจุดภาพที่ไม่สามารถจำแนกประเภทได้ (Unclassified pixel)

การจำแนกประเภทข้อมูลแบบระยะห่างต่ำสุด ให้ผลลัพธ์ที่ดีกว่าการจำแนกประเภทข้อมูลแบบสี่เหลี่ยมคู่ขนาน และจะไม่มีจุดภาพใดที่ไม่ถูกการจำแนก แต่จะมีการคำนวณมากขึ้น และมีข้อเสียหากระยะห่างต่ำสุดของจุดภาพ ใกล้เคียงกับกลุ่มประเภทข้อมูลมากกว่า 1 กลุ่ม การจำแนกให้จุดภาพนั้นเข้าไปอยู่ในประเภทข้อมูลหนึ่งอาจมีความผิดพลาดได้

อย่างไรก็ตามในการจำแนกประเภทข้อมูลโดยวิธีนี้มีข้อจำกัดหลายอย่างแต่ที่สำคัญที่สุดคือ ทำงานได้ไม่ค่อยมีประสิทธิภาพกับข้อมูลที่มีความแปรปรวนแตกต่างกันมาก เช่น จุดภาพที่ 2 อยู่ใกล้ U แต่ถูกจัดให้อยู่ในกลุ่ม S แทนที่จะจัดให้อยู่ในกลุ่ม U เนื่องจากมีค่าความผันแปรในชั้นข้อมูลสูงกว่า ทำให้มีระยะทางห่างจากจุดศูนย์กลางมากกว่า ดังนั้นจึงไม่ค่อยนิยมใช้กันมากนักกับชั้นข้อมูลที่มีค่าการสะท้อนแสงใกล้เคียงกันและมีความแปรปรวนสูง (Lillessand and Kiefer, 1994)

1.3.2) กฎการตัดสินใจเพื่อการจำแนกข้อมูลภาพแบบสี่เหลี่ยมคู่ขนาน (Parallelepiped classification or Box classifier)

เป็นการจำแนกที่นิยมใช้มากที่สุดในงานประมวลผลข้อมูลเพราะทำงานได้รวดเร็วมีขีดความสามารถในการคำนวณสูง การทำงานของวิธีนี้เป็นการจำแนกจุดภาพออกโดยกำหนดค่าจำนวนตัวเลขต่ำสุดและสูงสุดของแต่ละช่วงคลื่น หรือใช้ค่าเบี่ยงเบนมาตรฐานเสมือนกับเอากรอบสี่เหลี่ยมไปวางรอบๆ ชั้นข้อมูลในข้อมูลตัวอย่าง จุดภาพก็จะถูกจำแนกตามกลุ่มที่ตกอยู่ในขอบเขตของกรอบสี่เหลี่ยมหนึ่ง ดังภาพที่ 3.54 จุดภาพที่ 2 ก็จะถูกจัดให้อยู่ในชั้น U เป็นต้น การจำแนกประเภทข้อมูลแบบสี่เหลี่ยมคู่ขนาน มีข้อดีที่สามารถคำนวณได้ผลลัพธ์รวดเร็ว เนื่องจากวิธีการคำนวณไม่ซับซ้อน แต่มีข้อบกพร่องที่จะเกิดการปะปนของประเภทข้อมูลสูง เพราะค่าต่ำสุด ค่าสูงสุดบางส่วนของแต่ละประเภทข้อมูล จะเกิดการตกอยู่ในช่วงค่าเดียวกัน จนเครื่องไม่สามารถจัดเข้ากลุ่มใดได้ เกิดเป็นข้อมูลที่จำแนกประเภทไม่ได้ จำนวนมาก หรือกล่าวได้ว่าถ้าขอบสี่เหลี่ยมซ้อนกัน ก็จะทำให้เกิดความยากในการตัดสินในการจัดจุดภาพให้อยู่ในชั้นข้อมูลประเภทใด การเหลื่อมกันของรูปสี่เหลี่ยมนี้มีโอกาสเกิดขึ้นสูงกับข้อมูลที่มีค่าสหสัมพันธ์สูง (Highcorrelation) หรือค่าความแปรปรวนร่วมสูง (High covariance) อย่างไรก็ตามปัญหานี้สามารถทำการแก้ไขได้โดยการปรับขนาดของกรอบสี่เหลี่ยมให้มีขนาดเล็กลงมีลักษณะคล้ายกับขั้นบันไดดังภาพ

ภาพการจำแนกประเภทข้อมูลแบบสี่เหลี่ยมคู่ขนาน ที่มา : Aronoff, S. (2005)

ภาพการจำแนกข้อมูลแบบสี่เหลี่ยมคู่ขนานที่ใช้ขอบเขตการตัดสินใจ ที่มา : Aronoff, S. (2005)

1.3.3) กฎการตัดสินใจเพื่อการจำแนกข้อมูลภาพแบบความน่าจะเป็นไปได้สูงสุด(Maximum likelihood classifier)

ภาพการจำแนกข้อมูลแบบความน่าจะเป็นไปได้สูงสุด
ที่มา : Aronoff, S. (2005)

เป็นวิธีที่มีความถูกต้องมากที่สุดแต่ใช้เวลาในการคำนวณมากเมื่อเปรียบเทียบกับวิธีอื่นๆ (Curran, 1985) หลักการทำงานคือ ครั้งแรกจะต้องมีการคำนวณเวกเตอร์เฉลี่ย ค่าแปรปรวน และค่าสหสัมพันธ์ของช่วงคลื่นที่นำมาใช้ในการจำแนกประเภทของชั้นข้อมูลจากข้อมูลตัวอย่างโดยตั้งอยู่บนสมมติฐานที่ว่าแต่ละชั้นข้อมูลจะต้องมีการกระจายตัวเป็นแบบปกติ (Normal distribute) การกระจายตัวของจุดภาพรอบๆ ค่าเฉลี่ย อธิบายได้โดยทฤษฎีของความน่าจะเป็นหรือ“Probability Function” เช่น ในภาพที่ 3.56 จุดภาพที่ 1 จะถูกจัดให้อยู่ในชั้น C เป็นต้น

ข้อเสียเปรียบของการจำแนกประเภทข้อมูลชนิดนี้คือใช้เวลาในการคำนวณมากเพื่อที่จะจำแนกค่าของจุดภาพแต่ละค่าให้อยู่ในประเภทใดประเภทหนึ่ง โดยเฉพาะอย่างยิ่งถ้าทำงานกับข้อมูลช่วงคลื่น หรือใช้ข้อมูลที่มีกลุ่มค่าการสะท้อนแสงที่แตกต่างกันจำนวนมาก ดังนั้นการทำงานจึงช้ากว่าวิธีการที่กล่าวมาแล้วข้างต้นปัญหาดังกล่าวสามารถที่จะแก้ไขได้โดยการนำวิธีการต่างๆ มาใช้ เช่น การลดขนาดของข้อมูลก่อนที่จะนำมาใช้ในการจำแนกประเภทเป็นต้น