Deep Learning กับงานประยุกต์ด้าน Remote Sensing

ปัจจุบัน คำว่า Deep Learning ถือเป็นคำที่คุ้นหูพวกเราพอสมควร เนื่องจากเป็นเทคนิคที่ได้รับความนิยมอย่างสูงในการนำไปใช้ประมวลผลข้อมูลขนาดใหญ่ (Big Data) 

.

Deep Learning (DL) จะเป็น Subset ของ Machine Learning (ML) กล่าวคือ .. นำเอาวิธีการหนึ่งของ ML ซึ่งจะใช้ Artificial Neural Network (ANN) มาทำการสร้าง (หรือ Train) Models นั่นเอง .. ซึ่งด้วยวิธีการนี้ ก็สามารถทำให้ DL มีการทำงานที่ซับซ้อนเทียบเคียงกับสมองมนุษย์ .. และ มีขีดความสามารถที่มากกว่าการใช้ Simple ML Models ทั่ว ๆ ไปได้ **

.

** อันนี้ ไม่ได้หมายถึง ML ไม่ดีนะครับ แต่จะขึ้นกับ งานประยุกต์ที่ต้องการ จำนวนปริมาณข้อมูลที่มี และ องค์ประกอบอื่น ๆ ด้วย ในการพิจารณาเลือกใช้ ML หรือ DL

Deep Learning (DL) มีการนำไปใช้ในงานประยุกต์ต่าง ๆ มากมาย (Computer Vision, Speech Recognition, Natural Language Processing, etc.) รวมไปถึงใน Field ของ Remote Sensing (RS) นี้ด้วย

.

มีบทความฉบับหนึ่ง [1] รวบรวมสถิติเกี่ยวกับการ Published Paper (Conference และ Journal)  ไว้อย่างน่าสนใจว่า 

มีจำนวน Paper ใน Field ของ RS ที่เกี่ยวกับ DL มากกว่า 200 ฉบับ และ Paper ส่วนใหญ่ถูก Published ในช่วง 2 ปีที่ผ่านมา

.

สำหรับ Top 3 ของเป้าหมายในการศึกษา จากสถิติ ก็คือ

  1. การจำแนกพื้นที่ใช้งานพื้นที่ปกคลุม : LULC (Land Use and Land Cover) Classification
  2. การตรวจหาวัตถุ : Object Detection
  3. การจำแนกสถานที่ : Scene Recognition

.

ส่วน Top 3 DL Algorithms ที่นำมาใช้ เรียงลำดับได้ดังนี้

  1. CNN (Convolutional Neural Network)  
  2. AE (Autoencoders and Stacked Autoencoders)
  3. RNN (Recurrent Neural Network)

.

ความละเอียดของภาพ (Spatial Resolution) โดย Paper ส่วนมาก จะเน้นการศึกษาที่ภาพความละเอียดสูง (<10 meters) 

.

พื้นที่ศึกษาเรียงลำดับความนิยมได้ดังนี้ 1.เขตเมือง (Urban), 2. พื้นที่สีเขียว (Vegetation) และ 3. แหล่งน้ำ (Water) ตามลำดับ

.

สำหรับความถูกต้อง (Classification Accuracy) วัดโดยใช้ค่า Median Accuracy เรียงลำดับได้ดังนี้ 

  1. Scene Recognition (~95%)
  2. Object Detection (~92%)
  3. LULC Classification (~91%)

.

เราจะเห็นได้ว่า Community ทางด้าน RS ก็ให้ความสนใจในการนำ DL ไปใช้ศึกษาในเรื่องต่าง ๆ เพื่อขยายขีดความสามารถของการใช้ประโยชน์ของข้อมูล (Satellite, Aerial Images, etc.) ให้มากขึ้น 

.

หากพิจารณาในบริบทของประเทศไทย ก็มีความจำเป็นที่เราจะต้องศึกษา เรื่องการใช้ DL ในงานประยุกต์ต่าง ๆ ที่มีคุณลักษณะเฉพาะของประเทศเราเองให้มากขึ้น .. เพื่อเป็นข้อมูลสนับสนุนในการช่วยบริหารจัดการเรื่องต่าง ๆ .. เช่น น้ำท่วม ภัยแล้ง การปลูกพืชเศรษฐกิจ  การขยายตัวของเมือง หรือ แม้กระทั่งปัญหามลพิษ PM 2.5 ก็ตาม 

.

ข้อมูลอ้างอิง

  1. Ma, Lei & Liu, Yu & Zhang, Xueliang & Ye, Yuanxin & Yin, Gaofei & Johnson, Brian. (2019). Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing. 152. 166-177. 10.1016/j.isprsjprs.2019.04.015.

https://www.sciencedirect.com/science/article/pii/S0924271619301108#f0035

เรียบเรียงโดย
ดร.นรุตม์ สุนทรานนท์
narut.soo@gmail.com

1 thought on “Deep Learning กับงานประยุกต์ด้าน Remote Sensing

Leave a Reply

Your email address will not be published. Required fields are marked *