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）.