a study of digital elevation model (dem) merging method...

การประชุมวิชาการ เทคโนโลยีอวกาศและภูมิสารสนเทศแห่งชาติ : GEOINFOTECH 2018 ระหว่างวันที่ 1-2 กุมภาพันธ์ 2561 ณ ศูนย์ประชุมวายุภักษ์ ชั้น 4 โรงแรมเซ็นทรา บาย เซ็นทารา ศูนย์ราชการและคอนเวนชันเซ็นเตอร์ แจ้งวัฒนะ กรุงเทพมหานคร

การศึกษากระบวนการวิธีการผสานข้อมูล แบบจ าลองความสูง ภูมิประเทศเชิงเลข ของโครงการ JICA และของ MOST เพื่อศึกษา

คุณภาพและความเหมาะสมของข้อมูลที่ได้จากผสาน A study of Digital Elevation Model (DEM) merging method that suitable for Japanese International Cooperative Agency (JICA) and Ministry of

Science and Technology (MOST) DEM ณัฐพงศ์ เอกศิริพงษ์, พัชรพล โค้วไพโรจน์ และ กาญจนา เกิดกุรัง

Nuttapong Akesiripong, Patcharapol Kowpiroj and Kanjana Koedkurang ส านักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน)

120 ศูนย์ราชการเฉลิมพระเกียรติฯ (อาคาร B) ถ. แจ้งวัฒนะ หลักสี่ กรุงเทพฯ 10210 โทรศัพท์ 02-141-4602 โทรสาร 02-143-9595 e-mail: [email protected]

บทคัดย่อ ตามแผนแม่บทการบริหารจัดการทรัพยากรน้้าของคณะกรรมการยุทธศาสตร์เพื่อวางระบบบริหารจัดการน้้า (กยน.) ในปี พ.ศ. 2555 ได้มีการส้ารวจข้อมูลภูมิสารสนเทศพื้นฐานช้ันความสูงภูมิประเทศเชิงเลข (DEM) ด้วยระบบ LiDAR ขึ้น 2 โครงการคือ แบบจ้าลองความสูงภูมิประเทศเชิงเลขเจ้าพระยาโซนใน (JICA) และแบบจ้าลองความสูงภูมิประเทศเชิงเลขเจ้าพระยาโซนนอก (MOST) โดยครอบคลุมพื้นท่ีลุ่มน้้าเจ้าพระยาประมาณ 60,000 ตร.กม. แม้จะเป็นการบันทึกข้อมูลในระบบ LiDAR รูปแบบเดียวกัน แต่เป็นการบันทึกต่างช่วงเวลากัน มีค่าความละเอียด และความถูกต้องที่แตกต่างกัน ท้าให้รายละเอียดของข้อมูลทั้งสองมีความแตกต่างกันโดยเฉพาะบริเวณรอยต่อ จึงจ้าเป็นต้องท้าการศึกษาหาวิธีการผสานข้อมูล (Merge) เพื่อให้สามารถน้าใช้งานข้อมูลได้อย่างต่อเนื่อง และเกิดประโยชน์สูงสุด ในการศึกษานี้ได้ท้าการศึกษาหาวิธีการผสานข้อมูลที่เหมาะสมด้วยกัน 4 วิธีการได้แก่ Topo to Raster, Spline, IDW และ Mean ซึ่งเมื่อน้าข้อมูล JICA และ MOST มาเปรียบเทียบด้วยวิธีการทั้ง 4 วิธี โดยแบ่งเป็นพื้นที่ทดสอบขนาดเล็ก (ขนาดพื้นที่ 4 ตร.กม.) จ้านวน 19 พื้นที่ จากนั้นน้าผลที่ได้มาเปรียบเทียบโดยใช้ลักษณะของ Profile และลักษณะทาง Hydrology จากผลการศึกษาพบว่าการน้าข้อมูลที่ได้จากการผสานทั้ ง 4 วิธีการ ของพื้นที่ทดสอบขนาดเล็กมาเปรียบเทียบลักษณะของ profile นั้น พบว่าค่าระดับความสูงที่ได้จากทั้ง 4 วิธีการมีความแตกต่างกันไม่มากนัก ส่วนลักษณะทาง Hydrology เมื่อเทียบกับข้อมูล JICA และ MOST พบว่าวิธี IDW มีค่าความถูกต้องมากที่สุด โดยมีความถูกต้องรวม (Overall accuracy) เฉลี่ย 76.23% และมีค่าความสัมพันธ์ (Kappa coefficient) ระหว่างข้อมูลเฉลี่ยอยู่ที่ 0.7375 ล้าดับถัดมาคือ Mean, Topo to Raster และ Spline ตามล้าดับ ค าส าคัญ: ไลดาร์ การผสานข้อมูล แบบจ้าลองความสูงภมูิประเทศเชิงเลข


ABSTRACT According to the 2012 master plan of Strategic Committee for Water Resources Management (SCWRM), a fundamental geospatial data in a form of Digital Elevation Model (DEM) was collected by the LiDAR technology under 2 separate projects covering the area of Chaopraya river basin which is approximately 60,000 km2. These two projects were denoted as "JICA" and "MOST" The two datasets were collected at a different time over different areas with the overlapping seams along their edges. The original two DEMs have differences in both accuracy and resolution, elevation separation between them was observed as well. To combine JICA DEM and MOST DEM together in order to arrive at a single DEM for convenience in usage, a suitable merging method is needed to deal with the parts where the two DEMs are overlapped. In this study 4 different merging methods were examined. These are Topo to Raster, Spline, IDW, and Mean. Two DEM patches on the overlapping zone were selected as the test areas, the size are 4 km2. The merging was performed on the two test patches with 4 different methods, the results were compared by investigating on the elevation differences along profiles. Hydrological aspect (watershed formation) of the results were also investigated. Findings are that elevation differences along profiles of the results from all methods showing insignificant differences among them. For the hydrological aspect, the results from all methods were tested against the original JICA and MOST DEM resulting in the accuracy value of 76.23% , 69.11% , 68.24% , and 66.65% and the Kappa statistics of 0 . 7 375 , 0 . 6 656 , 0 . 6 502 , and 0 . 5 847 for IDW, Mean, Topo to Raster, and Spline, respectively. KEY WORDS : Merge, DEM, LiDAR


1. บทน า ปัจจุบันสภาพภูมิอากาศที่มีความแปรปรวนมากขึ้น ท้าให้ประเทศไทยประสบปัญหาด้านน้้าหลายครั้งนับตั้งแต่อดีต และโดยเฉพาะอย่างยิ่งมหาอุทกภัยปี พ.ศ.2554 สร้างความเดือดร้อน ความเสียหายแก่ประชาชนท้ังด้านที่อยู่อาศัย การค้าขาย ธุรกิจ ระบบสาธารณูปโภค ภาคเกษตรกรรม ภาคอุตสาหกรรมและระบบเศรษฐกิจของประเทศเป็นอย่างมาก ข้อมูลค่าระดับความสูงภูมิประเทศเชิงเลข เป็นข้อมูลพื้นฐานที่จ้าเป็นและส้าคัญส้าหรับแบบจ้าลองการคาดการณ์และการพยากรณ์การเคลื่อนตัวของมวลน้้าและการค้านวณปริมาณน้้า (Volume) เพื่อเตรียมพร้อมรับมือและบริหารจัดการน้้าและอุทกภัยในภาวะวิกฤติ ซึ่งปัจจุบันพื้นที่ลุ่มน้้าเจ้าพระยามีข้อมูลภูมิสารสนเทศพื้นฐานช้ันความสูงภูมิประเทศ (DEM) รายละเอียดสูงจากไลดาร์ (LiDAR) เป็นพื้นที่ประมาณ 60,000 ตร.กม. แผนแม่บทการบริหารจัดการทรัพยากรน้้าของคณะกรรมการยุทธศาสตรเ์พื่อวางระบบวางบริหารจัดการทรัพยากรน้้า (กยน.) โดยในปี 2555 ได้มีโครงการส้ารวจ DEM อย่างละเอียด โดยการบินส้ารวจด้วยระบบ LiDAR เกิดขึ้น 2 โครงการได้แก่ โครงการจัดท้าแบบจ้าลองความสูงภูมิประเทศเจ้าพระยาโซนนอก (MOST) ครอบคลุมพื้นที่ประมาณ 36,000 ตร.กม. และโครงการแบบจ้าลองความสูงภูมิประเทศเจา้พระยาโซนใน (JICA) เป็นพื้นที่ 25,000 ตร.กม. แม้จะเป็นการบันทึกข้อมูลรูปแบบเดียวกัน แต่เนื่องจากเป็นการบันทึกต่างช่วงเวลากัน และมีความละเอียดถูกต้องที่แตกต่างกัน ท้าให้ข้อมูลทั้งสองมีความแตกต่างกันโดยเฉพาะบริเวณรอยต่อ จ้าเป็นต้องท้าการศึกษาหาวิธีปรับเช่ือม (Merge) เพื่อให้สามารถท้างานได้อย่างต่อเนื่องและเหมาะสม ส้านักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน) : สทอภ. เป็นหน่วยงานภาครัฐที่มีภารกิจโดยตรงในการพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศให้ตอบสนองต่อความต้องการของประเทศและท้องถิ่น ได้เล็งเห็นความส้าคัญในการน้าเทคโนโลยีอวกาศและภูมิสารสนเทศเข้ามามีบทบาทในการบริหารจัดการในด้านต่างๆ ทั้งในระดับนโยบายและระดับปฏิบัติการ สทอภ .ได้เสนอการจัดท้าข้อมูลค่าระดับความสูงภูมิประเทศรายละเอียดสูงด้วยไลดาร์และแบบจ้าลอง 3 มิติเพื่อสนับสนุนการบริหารจัดการและพัฒนาแนวระเบียงเศรษฐกิจ โดยจะด้าเนินการปรับแก้ข้อมูลร่วมกับข้อมูลในโครงการที่ประมวลผลไปแล้วเพื่อให้เป็นข้อมูลที่มีความต่อเนื่องเป็นผืนเดียวกัน และมีการบินส้ารวจใหม่ครอบคุลมพื้นที่ที่มีประสิทธิภาพสูงด้านเศรษฐกิจ ตลอดแนวระเบียงเศรษฐกิจ เพื่อน้าข้อมูลมาวิเคราะห์พร้อมจัดท้า Application ด้านต่างๆ อาทิ 3D City Model, Flood Simulation และ FloodRisk/Hazard Map เพื่อเป็นเครื่องมือให้รัฐบาลและหน่วยงานที่เกี่ยวข้อง ใช้วิ เคราะห์วางแผน ตัดสินใจ ในการก้าหนดทิศทางนโยบายและเศรษฐกิจของประเทศ ใน ด้านต่างๆ เช่น ด้านอุทกภัยและภัยแล้ง ด้านการวางแผนการเปลี่ยนแปลงภูมิทัศน์ด้านการพัฒนาเมืองและแหล่งน้้า ด้านการวิเคราะห์และแสดงศักยภาพการผลิตไฟฟ้าจากพลังงานแสงอาทิตย์ ด้านการหาพิ้นทีเ่หมาะสมในการลงทุนและแหล่งที่ตั้งของอุสาหกรรมต่างๆ เป็นต้น


2. วัตถุประสงค์ เพื่อศึกษากระบวนการ วิธีการการผสานข้อมูล จากโครงการจัดท้าแบบจ้าลองความสูงภูมิประเทศเจ้าพระยา

โซนนอก (MOST) เพื่อเช่ือต่อกับโครงการแบบจ้าลองความสูงภูมิประเทศเจ้าพระยาโซนใน (JICA) และตรวจคุณภาพของผลลัพธ์ที่ได้จากการผสานข้อมูล

3. วิธีการวิจัย 3.1 ข้อมูลที่ใช้ในการศึกษา 3.1.1 แบบจ้าลองความสูงภูมิประเทศ – เจ้าพระยาโซนใน (JICA) เนื่องจากรัฐบาลญี่ปุ่น (JICA) ได้เสนอให้ความช่วยเหลือด้านวิชาการโดยการด้าเนินโครงการ Project for comprehensive flood management plan for the Chao Phraya River Basin โดยมี วั ตถุประสงค์ เพื่ อท้าการศึกษาลุ่มน้้าเจ้าพระยาอย่างต่อเนื่องและเป็นปัจจุบัน ซึ่ง JICA ได้เคยด้าเนินการไว้แล้วในปี พ.ศ. 2542 ในการด้าเนินโครงการดังกล่าว JICA เสนอให้ความช่วยเหลือแก่รัฐบาลไทยในการจัดท้าข้อมูล แบบจ้าลองความสูงภูมิประเทศ บริเวณพื้นที่รับน้้านอง (เจ้าพระยาโซนใน) โดยบินถ่ายด้วยวิธีการ LiDAR และถ่ายภาพถ่ายทางอากาศครอบคลุมพื้นท่ีรวมประมาณ 24,700 ตร.กม. 3.1.2 แบบจ้าลองความสูงภูมิประเทศ – เจ้าพระยาโซนนอก (MOST) เนื่องจากรัฐบาลไทยเล็งเห็นว่า การจัดท้าข้อมูลแบบจ้าลองความสูงภูมิประเทศ มีความส้าคัญต่อกระบวนการจัดการน้้าของประเทศไทยในปัจจุบัน และเพื่อให้การบริหารจัดการน้้าครอบคลุมและครบถ้วน รัฐบาลไทย จึงได้มีการจัดสรรงบประมาณให้กระทรวงวิทยาศาสตร์และเทคโนโลยี (วท.) ในการจัดท้าข้อมูลแบบจ้าลองความสูงภูมิประเทศ ในส่วนพื้นที่รอบนอกของพื้นที่ที่ JICA เคยด้าเนินการไว้ เป็นพื้นที่รวมประมาณ 37,830 ตร.กม.

รูปที่ 1 ขอบเขตพื้นท่ีแบบจ้าลองความสูงภมูิประเทศโซนใน (JICA) (a) และโซนนอก (MOST) (b)

DEM JICA DEM MOST

(a) (b)


3.2 การเลือกวิธีการผสานข้อมูล ได้วิธีในการผสานข้อมูลทั้งหมด 4 วิธีดังน้ี

3.2.1 Topo To Raster Q. Tan and X. Xu ได้กล่าวถึง Topo to Raster ไว้ว่าเป็นการประมาณค่าช่วง เพื่อใช้ในการสร้างพื้นผิว เหมาะส้าหรับการสร้างพื้นผิวลักษณะทางน้้า และรักษาแนวขอบโครงข่ายของทางน้้า (ridge line) จากข้อมูลเส้นช้ันความสูงเอาไว้ โดย algorithm มาจากวิธีการสร้างข้อมูลความสูง ANUDEM ที่พัฒนาโดย Hutchinson และคณะ จาก Australian National University หลักการท้างานของ Algorithm จะใช้ค่าเฉลี่ยของทุกจุดมาท้าการค้านวณวนซ้้าไปเรื่อยๆ จนความละเอียดของ pixel ตรงกับที่ก้าหนดไว้ โดยค่าของ Pixel ที่ค้านวณได้จะถูกก้าหนดให้ใกล้เคียงกับจุดข้อมูลที่ใกล้ที่สุดในก่อนหน้านี้ และในส่วนของจุดข้อมูลที่ไม่มีค่า (เช่น Pixel ระหว่างเส้นช้ันความสูง) จะค้านวณแบบ Gauss-Seidel โดยใช้ค่าของข้อมูลที่มีรายละเอียดหยาบกว่าในก่อนหน้านี้

3.2.2 Spline เป็นการประมาณค่าช่วงบนพ้ืนผิวโลกโดยการผ่านจุดควบคุม และมีการเปลี่ยนแปลงด้านความชันของทุกจุดน้อยที่สุด แทรกค่าให้พอดีกับพื้นผิวที่มีความโค้งเว้าอย่างน้อยตามจุดข้อมูลตัวอย่างที่น้าเข้ามา เหมือนการบิดงอของแผ่นยางผ่านจุดตัวอย่าง โดยพยายามให้ความโค้งทั้งหมดเข้าหาจุดตัวอย่างเหล่านั้นมาเป็นพ้ืนผิว โดยจะให้การประมาณค่าพื้นผิวท่ีเรียบและต่อเนื่อง จึงเหมาะส้าหรับการประมาณค่าระดับความสูง หรือความลึกของระดับน้้า เป็นต้น

การประมาณค่าช่วงแบบ Spline ใช้รูปแบบพื้นผิวปกติ (Regularized) ผลที่ได้จะมีความกลมกลืน มีความแปรปรวนพื้นผิวแบบค่อยเป็นค่อยไป แต่ค่าของเซลล์พื้นผิวที่ได้อาจผิดไปจากช่วงค่าจริงของจุดตัวอย่างบ้าง (C. Childs, 2004)

• สมการของ Spline แบบ Regularized yaxaayxT 321),(

โดย 1a คือ ค่าสัมประสิทธิ์ท่ีได้จากการแก้สมการเชิงเส้น

)]})2

ln()([]1)2

[ln(4

{2

1)( 2

2

rc

rKc

rrrR o

เมื่อ r คือ ระยะทางระหว่างจุดกับตัวอย่าง คือ ค่าพารามิเตอร์น้้าหนัก

oK คือ ฟังก์ชัน Bessel ที่แก้ไขแล้ว c คือ ค่าคงที่มีค่าเท่ากับ 0.577215

3.2.3 Inverse Distance Weighted (IDW) IDW หรือค่าเฉลี่ยถ่วงน้้าหนัก เป็นวิธีการประมาณค่าช่วงโดยสมมุติว่าจุดระดับความสูงจะมีอิทธิพลในทางผกผันกับระยะทางส้าหรับการก้าหนดระดับความสูงของแต่ละเซลล์ ซึ่งท้าการสุ่มจุดตัวอย่างแต่ละจุดจากต้าแหน่งที่สามารถส่งผลกระทบไปยังเซลล์ที่ต้องประมาณค่าช่วงได้ ซึ่งจะมีผลกระทบน้อยลงเรื่อยๆ ตามระยะทางที่ไกลออกไปจากเซลล์ที่ต้องการประมาณค่าค่า ดังนั้นจุดที่อยู่ใกล้กับเซลล์ที่ต้องการค้านวณหาค่าจะมีน้้าหนักมากกว่าจุดที่อยู่ไกลออกไป โดยสามารถเจาะจงจ้านวนจุด หรือ อาจใช้ทุกจุดที่อยู่ในรัศมีที่ก้าหนด มาค้านวณหาให้เซลล์ผลลัพธ์ได้ โดยมีสมการดังนี้ (C. Papasaika-Hanusch, 2012)

𝑍𝑗 =∑

𝑍𝑖

𝑑𝑛𝑖𝑗𝑖

∑1

𝑑𝑛𝑖𝑗𝑖

เมื่อ 𝑍𝑗 คือ จุดที่ต้องการประมาณค่า


𝑑𝑖𝑗 คือ ระยะทางระหว่างจุดที่ทราบค่าข้อมูลกับจุดที่ไม่ทราบค่าข้อมูลจุด 𝑍𝑖 คือ ค่าข้อมูลของจุดที่ทราบค่าข้อมูล

𝑛 คือ Specified power 3.2.4 Mean Mosaic เป็นการผสาน ต่อ รวม ข้อมูลตั้งแต่ 2 ข้อมูลขึ้นไป โดยข้อมูลทีใ่ช้ในอยู่ในรูปแบบ Raster

ที่มีส่วนซ้อนทับ (Overlap) หรือมีขอบเขตติดต่อกัน ดังแสดงได้ในรูปท่ี 2 ซึ่งวิธีการผสานข้อมูลสามารถท้าได้โดยเป็นวิธีการเฉลี่ยค่าข้อมูลจากทุกรายการในพื้นที่ส่วน Overlap (ESRI, 2017)

รูปที่ 2 การ Mosaic ข้อมูลที่มีส่วนซ้อนทับหรือติดต่อกัน

โดยข้อมูลจากโครงการทั้งสองนั้นส่วนที่ต้องการท้าการผสานข้อมูลมีส่วนซ้อนทับกันอยู่ ซึ่งหากข้อมูลมีส่วน

ซ้อนทับกัน เป็นการใช้ค่าเฉลี่ย (Mean) สามารถแสดงได้ดังรูปที่ 3

รูปที่ 3 Mosaic Mean

3.3 การทดสอบวิธีการผสานข้อมูล ในส่วนของขั้นตอนวิธีการศึกษาปรับเชื่อมข้อมูล DEM ของข้อมูล JICA และ MOST นั้นสามารถแบ่งได้เป็น 3 ขั้นตอนหลักได้แก่ การจัดเตรียมข้อมูล (Pre-Processing), การปรับเช่ือมข้อมูล (Processing) และ การตรวจคุณภาพและจัดท้ารายงาน (Post-Processing)


รูปที่ 4 ผังขั้นตอนการปรับเช่ือมข้อมูล 3.3.1 การจัดเตรียมข้อมูล (Pre-processing) ในส่วนของการจัดเตรียมข้อมูลนั้น แยกเป็น 2 ส่วนคือ คือการคัดเลือกพื้นที่ และการปรับแก้ข้อมูล โดยก่อนท้า

การปรับเช่ือมข้อมูลได้มีการคัดเลือกพ้ืนท่ีตัวอย่างเพื่อใช้ทดสอบคุณภาพของวิธีการปรับเชื่อมแบบต่างๆ โดยได้ท้า การคัดเลือกมาทั้งหมด 19 พ้ืนที่ (ขอบเขตพื้นที่ตามระวาง 1:4,000) ซึ่งพื้นที่ท่ีเลือกมีความแตกต่างกัน มีภูมิประเทศ ที่หลากหลาย และเนื่องจากบางพื้นที่ไม่สามารถรังวัดข้อมูลได้ด้วยเป็นเขตห้ามบันทึกข้อมูล จึงท้าให้ข้อมูลในบริเวณ นั้นเป็น No data แต่เมื่อท้าการแปลงข้อมูลให้อยู่ในรูปจุดข้อมูล (Point) จะมีค่าเป็น 0 ดังนั้นเพื่อให้ผลการปรับ เช่ือมข้อมูลมีความแม่นย้ามากท่ีสุดจึงควรปรับแก้ค่าในส่วนท่ีเป็น No Data ให้เป็นค่าที่แตกต่างไปจากค่าความสูง อื่นๆ เช่น -3.402823e+038 หรือ -1.797693e+308 เป็นต้น

3.3.2 การปรับเช่ือมข้อมูล (Processing) ข้อมูล JICA และ MOST ที่น้ามาใช้ในการทดสอบการปรับเช่ือมนั้น อยู่ในรูปแบบ Raster มีขนาดรายละเอียด

ข้อมูล 2 เมตร ขอบเขตพื้นที่เท่ากับขนาดของแผนที่มาตราส่วนระวาง 1:4,000 โดยวิธีการปรับเช่ือมข้อมูลสามารถ แบ่งได้เป็น การประมาณค่าช่วง (Interpolation) และการเช่ือมต่อข้อมูล (Mosaic)

• การประมาณค่าช่วง (Interpolation) เริ่มจากการน้าข้อมูล JICA และ MOST ในรูปแบบ Raster มาเปลี่ยน (Convert) ให้อยู่ในรูปแบบ

Point จะได้เป็นข้อมูล JICA และ MOST ในรูปแบบ Point จากนั้นน้าข้อมูลทั้งสองในรูปแบบ Point มารวมให้เป็น


ไฟล์เดียวกัน (Point merge) แล้วน้าข้อมูลที่ได้นี้ไปท้าการ Interpolate ทั้ง 3 วิธี ได้แก่ Topo to Raster, Spline และ IDW ด้วยโปรแกรม ArcMap จากเครื่องมือ Spatial Analyst Tools ในค้าสั่ง Interpolation

• การเช่ือมต่อข้อมูล (Mosaic) น้าข้อมูล JICA และ MOST ในรูปแบบ Raster ที่มีขนาดรายละเอียดข้อมูล 2 เมตรมาท้าการเช่ือมต่อ

ข้อมูลแบบ Mean

รูปที่ 5 ขั้นตอนการปรับเช่ือมข้อมูล 3.3.3 การตรวจสอบคุณภาพการผสานข้อมูล (Post-Processing) หลังจากท้าการปรับเช่ือมข้อมูลด้วยวิธีการทั้ง 4 แบบแล้ว ขั้นต่อไปคือการตรวจสอบผลการปรับเช่ือม โดยแบ่ง

การตรวจสอบออกเป็น 2 แบบคือ การเปรียบเทียบ Profile และการเปรียบเทียบ Hydrology ซึ่งการเปรียบเทียบ Profile ใช้ส้าหรับเปรียบเทียบความแตกต่างของข้อมูลที่ได้จากการปรับเชื่อมข้อมูลทั้ง 4 แบบ กับข้อมูล JICA และ MOST ส่วนการเปรียบเทียบ Hydrology เป็นการเปรียบเทียบทิศทางการไหลของน้้า พื้นที่รองรับน้้าของแต่ละพื้นที่ตัวอย่างเพื่อดูแนวโน้มความเปลี่ยนแปลงหรือความแตกต่างของข้อมูลที่ได้จากการปรับเชื่อมเทียบกับข้อมูล JICA และ ข้อมูล MOST

• การเปรียบเทียบ Profile สร้าง Profile เพื่อใช้ในการตรวจสอบข้อมูล JICA, MOST, Topo to Raster, Spline, IDW และ Mean

จ้านวน 4 เส้น /1 พื้นที ่โดยลากผ่านข้อมูลทั้งในแบบเส้นแนวนอน แนวตั้ง และเส้นทแยงมุม ให้กับข้อมูลทั้งหมด 19 พื้นที ่ รูปที่ 6 แสดงตัวอย่างการสร้าง Profile ให้กับข้อมูลทั้งหมดที่จะใช้ในการตรวจสอบ

รูปที่ 6 ตัวอย่างการสร้าง Profile ให้กับข้อมูล JICA, MOST, Topo to Raster, Spline, IDW และ Mean


• การเปรียบเทียบ Hydrology น้าข้อมูล JICA, MOST และข้อมูลที่ผ่านการปรับเช่ือมทั้ง 4 แบบมาท้าการวิเคราะห์ Hydrology เพื่อ

ดูความแตกต่างทางด้านอุทกวิทยาของข้อมูลที่ได้ท้าการปรับเช่ือม โดยจะน้ามาตรวจสอบทิศทางการไหลของน้้า และ พื้นที่รับน้้า ของข้อมูลทั้งหมด

รูปที่ 7 ตัวอย่างการวิเคราะห์ทางอุทกวิทยาให้กับข้อมูล JICA, MOST, Topo to Raster, Spline, IDW และ Mean

4. ผลการวิจัย จากผลการด้าเนินการผสานข้อมูลด้วยวิธีการต่างๆ ได้ผลตามตารางที่ 1 ดังต่อไปนี้

ตารางที่ 1 แสดงผลการผสานข้อมูลด้วยวิธีการต่างๆ

พื้นที่ JICA MOST Topo to Raster Spline IDW Mean

A0

A1

A2

A3

A4

A5

A6



A7

A8

A9

A10

A11

A12

A13

A14

A15

A16

A17

A18

เมื่อน้าผลที่ได้จากการผสานข้อมูลด้วยวิธีการต่างๆ น้ันมาท้าการเปรียบลักษณะ Profile เพื่อตรวจสอบคุณภาพของข้อมูล โดยท้าการเปรียบเทียบข้อมูลที่ผ่านการผสานข้อมูลว่ามีความเหมือนหรือแตกต่างไปจากข้อมูลเดิมหรือไม่อย่างไร โดยได้ได้ผลตามตารางที่ 2 ดังนี ้


ตารางที่ 2 ค่าความแตกต่างเฉลี่ยของ 19 พื้นที่ จากการเปรียบเทียบ profile ของการปรับเชื่อมด้วยวิธี Topo to Raster, Spline, IDW และ Mean เมื่อเทียบกับข้อมลู JICA และ MOST

พื้นที่ JICA -

MOST JICA-Topo

MOST-Topo

JICA-SPLINE

MOST-SPLINE

JICA-IDW

MOST-IDW

JICA-Mean

MOST-Mean

A0 0.5625 0.2973 0.2803 0.3502 0.2246 0.3348 0.2368 0.2757 0.2969 A1 0.4305 0.2258 0.2159 0.2703 0.1702 0.2572 0.1804 0.2098 0.2281 A2 0.4484 0.2447 0.2392 0.2819 0.1908 0.2677 0.2014 0.2192 0.2603 A3 0.4262 0.3003 0.2560 1.0744 1.2466 0.2554 0.1825 0.2108 0.2309 A4 0.3538 0.1975 0.1955 0.3356 0.0389 0.3313 0.0359 0.1655 0.2007 A5 0.4206 0.2217 0.2271 0.2625 0.1776 0.2461 0.1891 0.1836 0.2566 A6 0.4391 0.2127 0.2585 0.2728 0.1835 0.2598 0.1940 0.2153 0.2376 A7 0.9322 0.4399 0.5725 0.5762 0.4091 0.5236 0.4593 0.3375 0.6167 A8 0.7815 0.4057 0.3994 0.5025 0.3003 0.4613 0.3373 0.3798 0.4240 A9 0.3528 0.2082 0.1999 0.2206 0.1768 0.2036 0.1890 0.1395 0.2742 A10 0.2797 0.1479 0.1497 0.1770 0.1176 0.1655 0.1256 0.1240 0.1737 A11 0.3765 0.3111 0.1112 0.4111 0.1388 0.3864 0.0599 0.1822 0.2029 A12 0.4254 0.3388 0.1122 0.5683 0.2303 0.4057 0.0617 0.2114 0.2217 A13 0.7870 0.3934 0.3958 0.5204 0.2732 0.4642 0.3252 0.3925 0.3988 A14 0.2309 0.1254 0.1211 0.1484 0.0951 0.1353 0.1036 0.1090 0.1326 A15 0.3630 0.2101 0.1872 0.2306 0.1540 0.2220 0.1603 0.1864 0.2180 A16 0.2992 0.1663 0.1630 0.1890 0.1251 0.1782 0.1321 0.1302 0.1792 A17 0.2895 0.1536 0.1537 0.1775 0.1277 0.1664 0.1351 0.1282 0.1720 A18 0.6651 0.4021 0.3412 0.4437 0.2698 0.4202 0.2886 0.3140 0.3840

เฉลี่ย 0.4665 0.2633 0.2410 0.3691 0.2447 0.2992 0.1893 0.2166 0.2689

จากนั้นน้าผลทีไ่ด้จากตารางข้างต้นมาหาค่าความแตกต่างระหว่าง JICA – Topo กับ MOST – Topo เป็นต้น จะได้ผลดังตารางที่ 3 ตารางที่ 3 ค่าความแตกต่างเฉลี่ยของแต่ละวิธีการปรับเช่ือมเปรียบเทียบระหว่างข้อมูล JICA และ MOST

พื้นที่ Topo SPLINE IDW MEAN A0 0.0169 0.1256 0.0980 0.0213 A1 0.0099 0.1001 0.0768 0.0183 A2 0.0054 0.0911 0.0664 0.0410 A3 0.0443 0.1722 0.0729 0.0200 A4 0.0019 0.2968 0.2954 0.0352 A5 0.0053 0.0849 0.0570 0.0730 A6 0.0457 0.0892 0.0658 0.0222 A7 0.1326 0.1672 0.0642 0.2792 A8 0.0062 0.2022 0.1241 0.0443


A9 0.0082 0.0438 0.0147 0.1347 A10 0.0018 0.0594 0.0399 0.0497 A11 0.1999 0.2723 0.3265 0.0207 A12 0.2265 0.3379 0.3441 0.0103 A13 0.0024 0.2472 0.1390 0.0063 A14 0.0043 0.0533 0.0317 0.0236 A15 0.0229 0.0765 0.0617 0.0317 A16 0.0033 0.0639 0.0462 0.0490 A17 0.0001 0.0498 0.0313 0.0438 A18 0.0608 0.1738 0.1316 0.0700 เฉลี่ย 0.0421 0.1425 0.1099 0.0523

ท้าการเปรียบลักษณะทาง Hydrology เพื่อดูแนวโน้ม และ ทิศทางการไหลของน้้า พื้นที่รองรับน้้าของแต่ละพื้นที่ ว่ามีความเหมือน หรือแตกต่างไปจากข้อมูล JICA และ MOST อย่างไร โดยพิจารณาจากทิศทางไหลของน้้า (Flow Direction), เส้นทางน้้า (Stream Order) และ พ้ืนท่ีรองรับน้้า (Watershed) เป็นหลัก ได้ผลดังตารางที่ 4

ตารางที่ 4 แสดงข้อมูลลักษณะทาง Hydrology


A0

A1

A2

A3

A4

A5

A6

A7



A8

A9

A10

A11

A12

A13

A14

A15

A16

A17

A18

น้าผลที่ได้จากการปรับเช่ือมทั้ง 4 วิธีมาประเมินดูแนวโน้มการเปลี่ยนแปลงของข้อมูลทางด้าน Hydrology โดยการน้าข้อมูลพื้นที่รองรับน้้าในแต่ละวิธี และแต่ละพื้นที่มาวิเคราะห์หาความสัมพันธ์เทียบกับข้อมูล JICA และ MOST เช่นดูว่าพื้นที่กักเก็บน้้าของวิธี Topo to Raster แตกต่างไปจากพื้นที่กักเก็บน้้าของข้อมูล JICA อย่างไร ด้วยการตรวจสอบ Overall Accuracy (OA) และดูว่าข้อมูลมีความสัมพันธ์กันอย่างไร ด้วยการตรวจสอบ Kappa Coefficient โดยผลการตรวจสอบ OA และ Kappa ของทั้ง 4 วิธีแสดง ได้ดังตารางที่ 5 และ 6


ตารางที่ 5 ผลการตรวจสอบ Overall Accuracy ของพื้นที่กักเก็บน้้าจากข้อมูลที่ได้จากการปรับเชื่อมด้วยวิธี Topo to Raster, Spline, IDW และ Mean

Overall Accuracy

พื้นที่ Topo Spline IDW MEAN

JICA MOST JICA MOST JICA MOST JICA MOST A0 58.83% 74.54% 48.61% 60.46% 53.26% 72.98% 72.68% 53.14% A1 49.47% 92.05% 50.04% 93.19% 50.51% 93.57% 0.00% 0.06% A2 97.50% 99.19% 97.59% 77.13% 93.33% 98.17% 92.67% 98.14% A3 96.38% 96.80% 58.72% 59.87% 95.80% 97.47% 96.02% 97.53% A4 35.59% 26.91% 76.23% 99.79% 76.27% 99.95% 35.70% 27.52% A5 0.00% 87.03% 0.00% 87.61% 0.00% 71.74% 0.00% 67.74% A6 98.23% 28.25% 22.12% 94.53% 20.76% 94.59% 20.46% 95.40% A7 83.52% 0.13% 85.23% 0.16% 86.63% 0.11% 87.12% 0.09% A8 0.13% 0.09% 15.10% 18.03% 84.08% 99.38% 85.36% 99.32% A9 60.09% 78.97% 98.36% 98.84% 84.08% 99.38% 98.40% 98.75% A10 45.33% 97.63% 45.22% 99.73% 45.22% 97.61% 45.30% 97.74% A11 99.49% 98.48% 91.30% 99.35% 91.32% 98.50% 97.96% 96.02% A12 70.27% 95.70% 89.22% 67.02% 67.49% 97.96% 72.76% 60.23% A13 0.40% 0.61% 32.20% 17.62% 0.43% 0.15% 0.54% 0.32% A14 99.16% 98.72% 99.12% 99.04% 99.23% 99.06% 99.52% 99.46% A15 94.93% 88.80% 95.30% 95.97% 95.28% 91.78% 95.37% 99.37% A16 99.03% 65.12% 99.10% 64.21% 99.28% 65.21% 99.16% 65.19% A17 98.87% 99.44% 99.01% 97.58% 99.13% 99.76% 99.18% 96.95% A18 83.77% 97.41% 0.08% 0.04% 81.16% 96.19% 80.23% 94.69% เฉลี่ย 68.34% 66.65% 76.23% 69.11%

ตารางที่ 6 ผลการตรวจสอบ Kappa Coefficient ของพื้นที่กักเก็บน้้าจากข้อมูลที่ได้จากการปรับเชื่อมด้วยวิธี Topo to Raster, Spline, IDW และ Mean

Kappa Coeffcient


JICA MOST JICA MOST JICA MOST JICA MOST A0 0.5511 0.7107 0.4587 0.5908 0.4968 0.7476 0.5000 0.7484 A1 0.3723 0.8884 0.3990 0.9308 0.4056 0.9360 0.2362 0.2248 A2 0.8065 0.8094 0.9275 0.5992 0.7418 0.7915 0.7372 0.7963 A3 0.9572 0.9070 0.2605 0.2547 0.9546 0.9210 0.9573 0.9215 A4 0.0898 0.1930 0.6607 0.9983 0.6605 0.9996 0.0903 0.1876 A5 0.3091 0.8993 0.3100 0.9046 0.2760 0.7720 0.2665 0.7369 A6 0.7734 0.2587 0.2187 0.9183 0.2323 0.9309 0.2410 0.9375 A7 0.8791 0.1422 0.8861 0.1444 0.8947 0.1467 0.8960 0.1478 A8 0.3831 0.3289 0.0661 0.1060 0.8512 0.9360 0.8684 0.9346 A9 0.4893 0.8078 0.7869 0.7812 0.8512 0.9360 0.7897 0.7820 A10 0.1459 0.9778 0.1208 0.9878 0.1456 0.9794 0.1462 0.9807 A11 0.9383 0.8587 0.8390 0.9844 0.8553 0.9795 0.9368 0.8370 A12 0.3972 0.8849 0.4349 0.3255 0.4163 0.9833 0.6484 0.6126 A13 0.3271 0.4075 0.0980 0.2794 0.3367 0.4224 0.3324 0.4155 A14 0.5904 0.9016 0.5881 0.9035 0.5902 0.9052 0.5853 0.9017


Kappa Coeffcient


JICA MOST JICA MOST JICA MOST JICA MOST A15 0.6725 0.7765 0.6220 0.8530 0.6503 0.8041 0.5953 0.8871 A16 0.7976 0.6579 0.8088 0.6494 0.8002 0.6592 0.7992 0.6592 A17 0.9596 0.9779 0.9863 0.9787 0.9589 0.9779 0.9929 0.9747 A18 0.8503 0.9302 0.2256 0.2068 0.8662 0.9729 0.8609 0.9628 เฉลี่ย 0.6502 0.5847 0.7375 0.6656

5. วิจารณ์ผลและสรุปผล จากการปรับเช่ือมทั้ง 4 วิธี พบว่า เมื่อท้าการเปรียบเทียบแบบ Profile ค่าความแตกต่างเฉลี่ยเมื่อเทียบกับ

ข้อมูล JICA และ MOST นั้นค่าความแตกต่างที่ได้ไม่มีผลทางนัยส้าคัญ แต่เมื่อท้าการเปรียบเทียบลักษณะทาง Hydrology พบว่าวิธีการปรับเช่ือมแบบ IDW มีค่าความถูกต้องเฉลี่ย (OA) เท่ากับ 76.23% และค่าความสัมพันธ์เฉลี่ย (Kappa) เท่ ากับ 0 .7375 สู งกว่ าวิ ธี อื่ น รองลงมาคือวิ ธี Mean (69 .11%/0 .6656) , Topo to Raster (68.34%/0.6502) และ Spline (66.65%/0.5847) ตามล้าดับ โดยจากการเปรียบเทียบทั้ง 2 แบบ พบว่าข้อมูลที่ได้จากการปรับเชื่อมทั้ง 4 วิธีมีแนวโน้มใกล้เคียงกับข้อมูล MOST มากกว่า

ทั้งนี้ในการผสานข้อมูลพบว่าพื้นที่ที่มีค่าความแตกต่างเฉลี่ยสูงกว่าพื้นที่อื่นเมื่อเทียบกับข้อมูล MOST และ JICA คือพื้นที่ A3, A7, A13 และ A12 เนื่องจากลักษณะพื้นที่เป็นพื้นที่นาข้าว มีเส้นนางน้้าไหลผ่าน และมีภูเขาสูงร่วมอยู่ด้วย สงผลให้มีค่าความแตกต่างเฉลี่ยสูงกว่าพื้นที่อ่ืน

6. ข้อเสนอแนะ จากปัญหาและอุปสรรค์ในการศึกษาการผสานข้อมูล DEM รายละเอียดสูงด้วยไลดาร์นั้น มีผลต่อความ

ถูกต้อง และความแม่นย้าในการน้าไปประเมิน และพิจารณาหาวิธีในการผสานที่มีประสิทธิภาพมากที่สุด โดยในการพิจารณานั้นควรค้านึงถึง

• ผลที่ได้จากการเปรียบเทียบ Profile และจากการเปรียบเทียบ Hydrology ของทั้ง 4 วิธี มีความแตกต่างกันเพียงเล็กน้อยเท่านั้น แต่เมื่อเปรียบเทียบถึงระยะเวลาที่ใช้ในการประมวลผลของทั้ง 4 วิธีนั้น กลับมีความแตกต่างกันเป็นอย่างมาก

• พื้นที่ที่ใช้ทดสอบในการศึกษาครั้งนี้เลือกบริเวณที่มีข้อมูลทั้ง 2 โครงการซ้อนทับกัน แต่จากการส้ารวจข้อมูลทั้งหมดพบว่าข้อมูลในบางพื้นที่ก็ไม่ได้มีส่วนซ้อนทับกัน เป็นเพียงพื้นที่มีข้อมูลติดต่อกันเท่านั้น ดังนั้นควรค้านึงถึงผลการผสานในบริเวณที่ข้อมูลมีส่วนซ้อนทับกันเพียงเล็กน้อยและบริเวณที่ข้อมูลไม่มีส่วนซ้อนทับกันด้วย

• การผสานด้วยวิธีท่ีต้องใช้ข้อมูลแบบ Point ควรท้าการขยายขอบเขตของข้อมูลออกไป (Buffer) เพื่อช่วยให้ผลที่ได้มีความถูกต้อง และลดปัญหาเรื่องรอยต่อระหว่างข้อมูลที่ได้


เอกสารอ้างอิง กรมแผนที่ทหาร. การใช้โปรแกรมภูมิสารสนเทศในการสร้างแบบจ้าลองความสูงสามมติิของภูมิประเทศ

กรมแผนที่ทหาร ผด.ป.ฤทธิ ประวตัิ.(2014) Retrieved 24 September, 2017, from :

https://imageprocessinggr3.wordpress.com/2014/11/23/linear-filter1/ T. U. O. AUCKLAND. ( 2010 .( Gaussian Filtering. Available:

https://www.cs.auckland.ac.nz/courses/compsci373s1c/PatricesLectures/Gaussian% 20Filtering_1up.pdf C. Childs.(2004). Interpolating surfaces in ArcGIS spatial analyst. ArcUser.2014(3235),569. C. Papasaika-Hanusch, K. Schindler, E. P. Baltsavias, and R. Purves. (2012) Fusion of Digital

Elevation Models: ETH.2012. C. Rishikeshan, S. Katiyar, and V. V. Mahesh.(2014). Detailed evaluation of DEM

interpolation methods in GIS using DGPS data in Computational Intelligence and Communication Networks (CICN). International Conference on.2014,666-671.

esri. (2017). Mosaic operators, Retrieved 24 September, 2017, from : http://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/mosaic- operators.htm#GUID-211DDEFE-5D9E-49A8-A2C6-A8088F1E46DB

M. Hutchinson.(2011). ANUDEM version 5.3, user guide, Fenner School of Environment and Society, Australian National University, Canberra.

P. V. Arun. (2013). A comparative analysis of different DEM interpolation methods. The Egyptian Journal of Remote Sensing and Space Science,2013 (vol. 16),133-139.

Q. Tan and X. Xu.(2014). Comparative analysis of spatial interpolation methods: an experimental study.Sensors & Transducers,(165),155.

https://www.cs.auckland.ac.nz/courses/compsci373s1c/PatricesLectures/Gaussian%25



a study of digital elevation model (dem) merging method...

Documents