Sentinel-2

Sentinel-2 ແມ່ນດາວທຽມຖ່າຍຮູບທີ່ດໍາເນີນງານພາຍໃຕ້ໂຄງການສັງເກດການໂລກ Copernicus ຂອງ ESA（ອົງການອາວະກາດເອີຣົບ）. ດາວທຽມ 2 ດວງຄື Sentinel-2A ແລະ Sentinel-2B ເຮັດວຽກເປັນຄູ່ ແລະ ຖ່າຍຮູບພື້ນທີ່ດິນໃກ້ເສັ້ນສູນສູດຢ່າງຕໍ່ເນື່ອງໃນຄວາມຖີ່ປະມານ 5 ວັນ. ຂໍ້ມູນໄດ້ຮັບການເປີດເຜີຍຢ່າງເຕັມທີ່ ແລະ ໃຫ້ໃຊ້ຟຣີ ສາມາດນໍາໃຊ້ໄດ້ຢ່າງກວ້າງຂວາງຕັ້ງແຕ່ການນໍາໃຊ້ດ້ານການຄົ້ນຄວ້າໄປຈົນເຖິງການລວມເຂົ້າໃນຜະລິດຕະພັນທາງການຄ້າ. ## ຂໍ້ມູນສະເພາະການສັງເກດການ ແລະ ໂຄງສ້າງ 13 ແບນດ໌ ຄອບຄຸມ 13 ແບນດ໌ຕັ້ງແຕ່ແສງທີ່ເຫັນໄດ້（ສີຟ້າ・ສີຂຽວ・ສີແດງ）ໄປຈົນເຖິງ NIR（ໃກ້ອິນຟາເຣດ）ແລະ SWIR（ອິນຟາເຣດຄື້ນສັ້ນ）ໂດຍມີຄວາມລະອຽດ 3 ລະດັບຄື 10m・20m・60m. 4 ແບນດ໌ຄື B02〜B04 ແລະ B08 ສາມາດໄດ້ຮັບດ້ວຍຄວາມລະອຽດ 10m ເຊິ່ງເໝາະສໍາລັບການວິເຄາະພື້ນຜິວດິນຢ່າງລະອຽດ. ເນື່ອງຈາກ SCL（ຊັ້ນການຈັດປະເພດສີນ）ແລະ CLD（ຄວາມໜາແໜ້ນຂອງເມກ）ຍັງໄດ້ຮັບການສະໜອງໃຫ້ພ້ອມກັນ ການດໍາເນີນການ cloud mask ຈຶ່ງສາມາດເຮັດໄດ້ຄ່ອນຂ້າງງ່າຍ. ດັດຊະນີທີ່ເປັນຕົວແທນຄື **NDVI（ດັດຊະນີພືດພັນທໍາມະດາ）**. ສູດການຄໍານວນຄື `(B08 − B04) / (B08 + B04)` ເຊິ່ງຄ່າທີ່ສູງກວ່າຊີ້ໃຫ້ເຫັນວ່າພືດພັນມີຄວາມຫ້າວຫັນຫຼາຍກວ່າ. ໄດ້ຮັບການນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການຕິດຕາມສະຖານະການເຕີບໂຕຂອງທົ່ງນາ ແລະ ການກວດຈັບການປ່ຽນແປງຂອງປ່າໄມ້. ## ວິທີເລືອກລະດັບຜະລິດຕະພັນ ຂໍ້ມູນໄດ້ຮັບການສະໜອງໃນ 2 ລະດັບ. - **Level-1C**: ຄ່າສະທ້ອນ TOA（ດ້ານເທິງຂອງບັນຍາກາດ）ກ່ອນການແກ້ໄຂບັນຍາກາດ. ຖ້າບໍ່ມີເຫດຜົນພິເສດ ຈະບໍ່ໃຊ້ສໍາລັບການວິເຄາະພື້ນຜິວດິນ. - **Level-2A**: ຄ່າສະທ້ອນພື້ນຜິວດິນທີ່ຜ່ານການແກ້ໄຂບັນຍາກາດແລ້ວ. ເປັນຜະລິດຕະພັນມາດຕະຖານໃນເກືອບທຸກສະຖານະການວິເຄາະ ແລະ ໃນ API ຂອງ Copernicus Data Space ຈະສະໜອງໃຫ້ໃນຊື່ `sentinel-2-l2a`. ຖ້າລັງເລ **ໃຫ້ເລືອກ L2A.** ## ວິທີການໄດ້ຮັບຂໍ້ມູນ ແລະ ຄ່າໃຊ້ຈ່າຍ ວິທີທີ່ງ່າຍທີ່ສຸດຄືການໃຊ້ **Copernicus Browser**. ສາມາດຕັ້ງຄ່າຕົວກອງພື້ນທີ່ ວັນທີ ແລະ ປະລິມານເມກໃນບຣາວເຊີ ແລ້ວດາວໂຫຼດໃນຮູບແບບ GeoTIFF. ໃນກໍລະນີທີ່ໃຊ້ການປະມວນຜົນດ້ວຍໂຄດ ຮູບແບບທົ່ວໄປຄືການສ້າງ pipeline ທີ່ດຶງຂໍ້ມູນໂດຍອັດຕະໂນມັດຜ່ານ API ຂອງ Copernicus Data Space Ecosystem ຫຼື Google Cloud Public Dataset. ຂໍ້ມູນເອງໃຫ້ໃຊ້ຟຣີ ແຕ່ຄວນລະວັງວ່າໃນກໍລະນີທີ່ປະມວນຜົນ tile ຈໍານວນຫຼາຍໃນ cloud ຈະມີຄ່າໃຊ້ຈ່າຍດ້ານການຄໍານວນ・ການເກັບຮັກສາ・ການໂອນຂໍ້ມູນເພີ່ມເຕີມ. ## ຂັ້ນຕອນການປະມວນຜົນພື້ນຖານດ້ວຍ Python ການໃຊ້ rasterio ຊ່ວຍໃຫ້ສາມາດອ່ານ L2A tile（ຮູບແບບ .jp2）ທີ່ດາວໂຫຼດໄດ້ໂດຍກົງ. ຂະບວນການເຮັດວຽກທີ່ດຶງ B04 ແລະ B08 ເປັນ numpy array ຄໍານວນ NDVI ແລ້ວບັນທຶກໃນ GeoTIFF ສາມາດສໍາເລັດໄດ້ດ້ວຍໂຄດປະມານ 30 ແຖວ. ນອກຈາກນີ້ ການລວມ KMeans ຂອງ scikit-learn ເຂົ້າໄປ ຍັງສາມາດທົດລອງ clustering ການໃຊ້ທີ່ດິນແບບງ່າຍໆ ເຊັ່ນ ພື້ນທີ່ປ່າໄມ້・ແຫຼ່ງນໍ້າ・ເຂດຊົນເມືອງ（ການຕີຄວາມໝາຍຂອງ cluster ຕ້ອງການການຕີຄວາມໝາຍເພີ່ມເຕີມ）.