Sentinel-2

Sentinel-2 คือดาวเทียมเชิงแสง (optical satellite) ที่ดำเนินงานภายใต้โครงการสังเกตการณ์โลก Copernicus ของ ESA (องค์การอวกาศยุโรป) โดยดาวเทียม 2 ดวง ได้แก่ Sentinel-2A และ Sentinel-2B ทำงานเป็นคู่ ถ่ายภาพพื้นที่บกบริเวณใกล้เส้นศูนย์สูตรอย่างต่อเนื่องด้วยความถี่ประมาณ 5 วันต่อรอบ ข้อมูลเปิดให้ใช้งานได้อย่างเสรีและไม่มีค่าใช้จ่าย ครอบคลุมตั้งแต่การใช้งานเพื่อการวิจัยไปจนถึงการนำไปรวมในผลิตภัณฑ์เชิงพาณิชย์ ## สเปกการสังเกตการณ์และโครงสร้าง 13 แบนด์ ครอบคลุม 13 แบนด์ตั้งแต่แสงที่มองเห็นได้ (สีน้ำเงิน สีเขียว สีแดง) ไปจนถึงอินฟราเรดใกล้ (NIR) และอินฟราเรดคลื่นสั้น (SWIR) โดยมีความละเอียด 3 ระดับ ได้แก่ 10m, 20m และ 60m แบนด์ B02, B03, B04 และ B08 จำนวน 4 แบนด์ สามารถรับข้อมูลที่ความละเอียด 10m ซึ่งเหมาะสำหรับการวิเคราะห์พื้นผิวโลกอย่างละเอียด นอกจากนี้ยังมี SCL (Scene Classification Layer) และ CLD (Cloud Probability) ให้ใช้งานร่วมกัน จึงทำให้การประมวลผล cloud mask ทำได้ค่อนข้างง่าย ดัชนีที่เป็นตัวแทนที่รู้จักกันดีคือ **NDVI (Normalized Difference Vegetation Index หรือดัชนีพืชพรรณแบบนอร์มัลไลซ์)** สูตรคำนวณคือ `(B08 − B04) / (B08 + B04)` โดยค่าที่สูงขึ้นบ่งชี้ว่าพืชพรรณมีความอุดมสมบูรณ์มากขึ้น ถูกนำไปใช้อย่างแพร่หลายในการติดตามสถานะการเจริญเติบโตของพื้นที่เกษตรกรรมและการตรวจจับการเปลี่ยนแปลงของป่าไม้ ## การเลือกระดับผลิตภัณฑ์ ข้อมูลมีให้บริการใน 2 ระดับ ได้แก่ - **Level-1C**: ค่าสะท้อนแสง TOA (Top of Atmosphere) ก่อนการแก้ไขชั้นบรรยากาศ หากไม่มีเหตุผลพิเศษ ไม่ควรนำไปใช้วิเคราะห์พื้นผิวโลก - **Level-2A**: ค่าสะท้อนแสงพื้นผิวโลกที่ผ่านการแก้ไขชั้นบรรยากาศแล้ว เป็นผลิตภัณฑ์มาตรฐานสำหรับสถานการณ์การวิเคราะห์เกือบทั้งหมด และใน API ของ Copernicus Data Space จะให้บริการในชื่อ `sentinel-2-l2a` หากไม่แน่ใจ **ให้เลือก L2A** ## วิธีการรับข้อมูลและค่าใช้จ่าย วิธีที่สะดวกที่สุดคือการใช้ **Copernicus Browser** โดยสามารถกำหนดพื้นที่ วันที่ และตัวกรองปริมาณเมฆบนเบราว์เซอร์ แล้วดาวน์โหลดในรูปแบบ GeoTIFF ได้ทันที สำหรับกรณีที่ต้องการประมวลผลด้วยโค้ด วิธีที่นิยมคือการสร้าง pipeline สำหรับดึงข้อมูลอัตโนมัติผ่าน API ของ Copernicus Data Space Ecosystem หรือผ่าน Google Cloud Public Dataset ข้อมูลตัวเองไม่มีค่าใช้จ่าย แต่ควรระวังว่าหากประมวลผล tile จำนวนมากบน cloud จะมีค่าใช้จ่ายด้านการคำนวณ การจัดเก็บข้อมูล และการถ่ายโอนข้อมูลเพิ่มเติมแยกต่างหาก ## ขั้นตอนการประมวลผลพื้นฐานด้วย Python หากใช้ rasterio สามารถอ่าน L2A tile ที่ดาวน์โหลดมา (รูปแบบ .jp2) ได้โดยตรง workflow ในการดึง B04 และ B08 เป็น numpy array คำนวณ NDVI และบันทึกเป็น GeoTIFF สามารถทำได้ในโค้ดประมาณ 30 บรรทัด นอกจากนี้ หากนำ KMeans ของ scikit-learn มาใช้ร่วมด้วย ยังสามารถทดลองทำ clustering การปกคลุมดินอย่างง่าย เช่น พื้นที่ป่า แหล่งน้ำ และพื้นที่เมือง ได้อีกด้วย (อย่างไรก็ตาม การตีความความหมายของแต่ละ cluster จำเป็นต้องวิเคราะห์เพิ่มเติมแยกต่างหาก)