Sentinel-2 Satellite Imagery Classification for Crop assessment and monitoring

การทำ Supervised Classification จากข้อมูลภาพถ่ายดาวเทียม Sentinel-2 ด้วย Deep Learning

ปัจจุบัน ผมเน้นทำวิจัยด้านการพัฒนาระบบ smart farm งานด้านการเกษตรที่ใช้เทคโนโลยีด้าน GIS และ Remote Sensing มาช่วย อดีตดูเหมือนเป็นไม่ง่าย ยิ่งถ้าต้องการทำ automate ใช้คนให้น้อย แต่ปัจจุบันด้วยทั้ง Data และ เครื่องมือมีพร้อม การทำงานก็ง่ายขึ้น

Space to Farm

จากบทความก่อนหน้า เราสามารถเข้าถึงข้อมูลภาพถ่ายดาวเทียม sentinel-2 ระดับความละเอียด 10 เมตร, รอบการบันทึกข้อมูลทุกๆ 5–7 วัน(เกือบทุกสัปดาห์) จุดนี้เป็น edge ที่จะนำมาใช้ในการพัฒนา application ด้านการเษตร

ในบทความนี้ เล่าถึงงานวิจัยการจำแนกพื้นที่ปลูกข้าว แบบSupervised Classification ด้วยการวิเคราะห์ข้อมูลด้วย Deep Learning

เป้าหมายหลักคือ จะทำระบบอัตโนมัติที่มาตอบโจทย์เรื่อง การติดตามการเพาะปลูก(Crop assessment & Crop monitoring) และการประเมินผลผลิต เมื่อมีข้อมูลภาพถ่ายดาวเทียม sentinel-2 ที่บันทึกการถ่ายภาพทุกๆสัปดาห์ จำนวนมาก ดังนั้น จำเป็นต้องหาเครื่องมือในการช่วยวิเคราะห์ข้อมูล ตรงนี้เป็นที่มาการพัฒนา AI มาช่วย โดยอาศัย Deep Learning ที่ปัจจุบันกลายเป็น state-of-the-art
techniqueสำหรับงานด้าน Digital image processing

ข้อมูลที่ได้จาก Sentinel Data HUB จะถูกทำการดาวน์โหลดอัตโนมัติ และทำการปรับแก้ค่าความถูกต้องเชิงรังสี

การบริหารจัดการข้อมูลขนาดใหญ่ ก็ไม่ใช่เรื่องง่าย หลักการทำการแปลงข้อมูลภาพถ่ายดาวเทียม sentinel-2 ทั้ง 4 band เขามาเก็บในรูปแบบ array ที่พร้อมสำหรับการทำ data analysis

ข้อมูล training data ได้จากการสำรวจ ภาคสนามในพื้นที่ศึกษา เพื่อใช้เป็นข้อมูลฝึกสอนสำหรับการจำแนก

นอกจากข้อมูลภาพถ่ายดาวเทียม sentinel-2 แล้ว เพื่อประสิทธิภาพในการจำแนก เราใช้ข้อมูลอื่นประกอบมาช่วยจำแนกตามโมเดล khowleadge based เช่นการใช้ ALOS DEM เพื่อจำแนกพื้นที่ภูมิประเทศแบบภูเขา พื้นที่ลาดเท ที่ไม่สามารถ ทำนา หรือปลูกพืชสวนได้ ข้อมูล ALOS PSAR ช่วยจำแนก คลอง และแหล่งน้ำ ได้ดี เนื่องจากมีค่าการสะท้อนเชิงรังสี ที่มี pattern เด่นชัด แตกต่างจากพืช

รวมไปถึงการจำแนกแบบ object based ที่ใช้ข้อมูลโครงข่ายถนนจาก OSM มาช่วย เนื่องจาก sentinel-2 มีความละเอียดจุดภาพ แค่ 10 เมตร การจำแนกถนนชนบทแบบ 2 เลนส์ หรือ 4 เลนส์ จึงทำได้ยาก จำเป็นต้องมีการเพิ่ม traing data ช่วย

Deep Learning

ภาพด้านล่างเป็นกระบวนการทำงาน ในแต่ละขั้นตอน ตั้งแต่การเตรียมข้อมูล และประมวลผลข้อมูลให้พร้อมต่อการ จำแนกด้วย Deep Learning Model

การพัฒนาโมเดลใช้ Tensorflow + Keras โดยทำการจำแนกข้อมูลเป็น 11 class หลัก กลุ่มของนาข้าว จะจำแนกย่อย เป็น 2 class คือนาข้าวแห้ง และช่วงนาข้าวที่มีน้ำขัง

การฝึกสอนนั้นทำการแบ่งข้อมูลสำหรับการฝึกสอน 80% และแยกข้อมูล AOI อีก 20% ใช้ในการประเมินผล จนได้ความถูกต้องในระดับที่เหมาะสม ขั้นตอนนี้ใช้เวลาค่อนข้างนาน เนื่องจากมีการทดลองออกแบบและเทรน neural network อยู่หลายรอบ หลายตัวแบบ เพื่อให้ได้ค่าที่ได้ผลลัพธ์ดีที่สุด และไม่ over fit จนเกินไป

ภาพผลลัพธ์ของการจำแนกแบบ Supervised Classification ออกมาน่าพอใจ

ผลการจำแนกด้วย Deep Learning Model กับข้อมูล sentinel-2 มีความแม่นยำระดับดี เช่นเดียวกัน กับการทดสอบไขว้กับ ผลการจำแนกในภาพถ่ายดาวเทียม sentinel-2 ช่วงเวลาที่แตกต่างกัน ค่าความถูกต้องก็ยังอยู่ในระดับที่ดี (โดยไม่พยายามจะ optimize model ให้เกิดการ over fiiting มาเกินไป)

ทดลองขยายผมนำเอา Deep learning Model ไปแปลข้อมูลภาพถ่ายดาวเทียม sentinel-2 ระดับจังหวัด ขนาดพื้นที่ 820 ตร.กม

Crop assessment

พื้นที่ศึกษา ในช่วงเวลาที่วิเคราะห์ จะพบมีการทำนา จำนวนมากตามฤดูกาล ดังเห็นจากตัวเลขพื้นที่ ที่มีการจำแนกได้

ผลการวิเคราะห์ Supervised Classification จากภาพถ่ายดาวเทียม ทำให้ได้ infomation ในการติดตามการเพาะปลูกข้าวในพื่นที่ศึกษา จากภาพ ทำการย่อยข้อมูลการปลูกข้าว เพื่อคำนวณหา ปริมาณ crop ที่พร้อมเก็บเกี่ยว ถ้าคูณค่าเฉลี่ย ผลผลิตของข้าวต่อไร่ ก็ประเมินผลผลิตรวมของพื้นที่เบื้องต้นได้

รวมไปถึงการ monitoring หรือการวางแผนประเมินความเสี่ยง ดังตัวอย่างแปลงข้อมูล classification ให้เป็น vector data เพื่อนำเข้าสู่ระบบ GIS จากนั้นทำ spatial analysis กับข้อมูล flood map ของ GISTDA ในอดีต เพื่อทดสอบหา พื้นที่นาข้าว ที่มีความน่าจะเป็น ที่จะได้รับความเสียหาย จากน้ำท่วม

นอกจากนี้สามารถนำข้อมูลมาวิเคราะห์ทางสถิติต่อ หรือจะทำการประมวลผลซ้ำแบบ multi temporal เพื่อสร้าง tine series data เพื่อนำไปใช้ในการวิเคราะห์ขั้นสูงต่อไปก็ได้เช่นกัน

สรุป

คงจะได้เห็นไอเดีย และตัวอย่างการนำไปใช้งาน กันพอควร Key การเข้าถึงข้อมูลที่ดี + โมเดลในการประมวลผล ที่มีประสิทธิภาพ ช่วยทำให้การต่อยอดและการพัฒนา เกิดขึ้นได้อย่างแท้จริง