เทคโนโลยี

เทคนิคการประเมินมวลชีวภาพเหนือพื้นดิน (Above ground biomass , AGB) ด้วยภาพถ่ายดาวเทียม สำหรับพื้นที่ป่าไม้ประเทศไทย

ป่าไม้ถือเป็นแหล่งสำคัญในการช่วยลดภาวะโลกร้อนที่เกิดจากการปล่อยก๊าซเรือนกระจกสู่ชั้นบรรยายกาศที่มากเกินไป เพราะป่าไม้เป็นแหล่งสะสมคาร์บอนที่สำคัญแหล่งหนึ่งของโลกจากการที่ต้นไม้ดูดซับและกักเก็บคาร์บอนผ่านกระบวนการสังเคราะห์ด้วยแสงของพืช การรณรงค์สร้างจิตสำนึกให้ทุกคนบนโลกช่วยกันลดภาวะโลกร้อนอาจจะไม่ทันถ่วงที ทั่วโลกจึงร่วมกันประกาศสนธิสัญญาต่างๆทั้งแบบสมัครใจและภาคบังคับเพื่อลดปัญหาและวิกฤตทางสภาพภูมิอากาศ ป่าไม้จึงถูกยกให้ตัวการสำคัญที่ในเรื่องนี้ ดังนั้นการประเมินการกักเก็บคาร์บอนภาคป่าไม้จึงเป็นส่วนที่ช่วยแสดงให้เห็นถูกคุณค่าของป่าไม้ในแง่ของการลดปัญหาด้านสภาพอากาศและผลพลอยได้ในรูปแบบเงินตราเมื่อเกิดการซื้อขายคาร์บอนเครดิตที่เกิดจากการสะสมคาร์บอนของป่าไม้ในการครอบครองของประชาชน ภาครัฐ หรือเอกชน ก็ตาม

การประเมินคาร์บอนสะสมในแง่ของการปฏิบัตินั้นขึ้นอยู่กับปัจจัยหลายอย่าง เช่น กำลังคน เวลา และค่าใช้จ่าย ดังนั้นการประเมินคาร์บอนสะสมของป่าด้วยภาพถ่ายดาวเทียมจึงถูกนำมาใช้เพื่อลดข้อจำกัดที่เกิดขึ้นกับวิธีการประเมินด้วยการใช้คนลงพื้นที่ภาคสนาม อีกทั้งภาพถ่ายดาวเทียมยังได้ข้อมูลภาพหรือพื้นที่ที่กว้างกว่าการลงภาคสนามต่อครั้งเมื่อเทียบกับระยะเวลาที่เสียไป และการประเมินคาร์บอนสะสมโดยตรงอาจจะทำได้ยากกว่าการประเมินคาร์บอนสะสมทางอ้อมจากการคำนวณด้วยมวลชีวภาพเหนือพื้นดิน (AGB) คือร้อยละ 0.47 ของ AGB นั้นถือเป็นค่าคาร์บอนสะสม

การนำภาพถ่ายดาวเทียมมาประยุกต์ใช้เพื่อหาค่า AGB จะทำโดยการพิจารณาดัชนีภาพถ่ายดาวเทียมต่างๆ ที่มีความสัมพันธ์กับ AGB ดังการศึกษาของ Jha et al. (2021) ที่มีการนำภาพถ่ายดาวเทียม Sentinel-2 มาใช้เพื่อประเมิน AGB โดยดัชนีและ Band ที่ถูกเลือกสำหรับการประเมินคือ Band5, ดัชนีพืชพรรณที่ได้รับการปรับปรุงช่วงคลื่นที่ถูกจำกัดโดย NDVI (Wide dynamic range vegetation Index; WDRVI), ดัชนีความชื้น (Moisture index; MI) และ ดัชนีผลต่างความชื้น (Normalized difference water index; NDWI) ผลพบว่าข้อมูลการประเมิน AGB จาก Sentinel-2 มีความคลาดเคลื่อน ประมาณ 24 % เมื่อเทียบกับการประเมิน AGB ด้วยแบบจำลอง LiDAR-AGB (Jha et al. 2020) และพบว่าการประเมิน AGB จากภาพถ่ายดาวเทียม Sentinel2 ที่ AGB น้อยกว่าหรือเท่ากับ 200 Mg/ha ให้ความแม่นยำมากกว่า (r= 0.78) AGB ที่มากกว่า 200 Mg/ha (r=0.29) (ภาพที่ 1) และเมื่อประเมินในระดับพื้นที่ที่ใหญ่ขึ้น (200 km2) ได้ผลของปริมาณมวลชีวภาพเหนือพื้นดินอยู่ที่ผล 11.81 Tg (ภาพที่ 2)

Image 1 of article 1

ภาพที่ 1 : เปรียบเทียบการประเมิน AGB ที่ได้จากโมเดล Lidar-AGB (แกน x) และจากภาพถ่ายดาวเทียม Sentinel-2 (แกน y)

ภาพที่ 2 : ปริมาณชีวมวลเหนือพื้นดิน (AGB) ที่ได้จากการประเมินผ่านภาพถ่าย Sentinel-2 (r = 0.78)

อ้างอิง

• Jha, N., Tripathi, N. K., Barbier, N., Virdis, S. G. P., Chanthorn, W., Viennois, G., Brockelman, W. Y., Nathalang, A., Tongsima, S., Sasaki, N., Pélissier, R., & Réjou-Méchain, M. (2021). The real potential of current passive satellite data to map aboveground biomass in tropical forests. Remote Sensing in Ecology and Conservation, 7(3), 504-520. https://doi.org/10.1002/rse2.203

• Jha, N., Tripathi, N. K., Chanthorn, W., Brockelman, W., Nathalang, A., Pélissier, R., Pimmasarn, S., Ploton, P., Sasaki, N., & Virdis, S. G. (2020). Forest aboveground biomass stock and resilience in a tropical landscape of Thailand. Biogeosciences, 17(1), 121-134.

การใช้ภาพจากดาวเทียมร่วมกับเทคโนโลยี LiDAR
เพื่อสร้างแบบจำลองในการประเมินปริมาณชีวมวล (Above ground biomass , AGB)
ในป่าไม้ของประเทศไทย

การประเมินปริมาณชีวภาพเหนือพื้นดิน (AGB) ในป่าไม้ด้วยภาพถ่ายดาวเทียมนั้นเป็นที่ทราบดีว่าสามารถเข้าถึงข้อมูลได้ง่ายและครอบคลุมพื้นที่ขนาดใหญ่ได้แต่ก็ยังมีข้อจำกัดในแง่ของการประเมินที่มีความแม่นยำน้อยกว่า เมื่อเทียบกับการประยุกต์ใช้ข้อมูลที่ได้จาก LiDAR เนื่องจากข้อมูลที่ได้จากภาพถ่ายดาวเทียมเป็นเพียงจุดสีที่แสดงให้เห็นว่าวัตถุนั้นๆคืออะไร แต่ด้วยหลักการทำงานของ LiDAR (Light Detection And Ranging) คือการยิงแสงเลเซอร์ให้ไปตกกระทบกับพื้นผิวและวัดระยะห่างของวัตถุจากระยะเวลาในการเดินทางของลำแสงเลเซอร์ ดังนั้นเมื่อมีการบิน LiDAR ที่ความสูงคงที่เหนือพื้นที่ป่าไม้ จึงทำให้เราทราบถึงความสูงของระดับเรือนยอดป่าไม้ (ภาพที่ 3) ทราบความสูงของต้นไม้ ลักษณะของต้นไม้จากการประมวลภาพสามมิติซึ่งก็เป็นอีกหนึ่งทางที่ทำให้ได้ข้อมูลขนาดของต้นไม้ (Diameter) เพื่อนำมาใช้ในประเมินปริมาณ AGB ได้เพราะการคำนวณ AGB จะมีพารามิเตอร์ที่สำคัญคือความสูงของต้นไม้ ขนาดเส้นผ่าศูนย์กลางของต้นไม้ (DBH) และความหนาแน่นเนื้อไม้ (Wood density) เป็นหลัก อย่างไรก็ตามการบิน LiDAR ก็ยังมีข้อจำกัดคือค่าใช้จ่ายที่สูงต่อการบินในแต่ละครั้ง สิ่งที่จะสามารถตอบโจทย์ได้ทั้งข้อจำกัดของภาพถ่ายดาวเทียมและข้อมูลจากเทคโนโลยี LiDAR คือ การหาความสัมพันธ์ระหว่างจุดสี (pixel) ที่ได้จากภาพถ่ายดาวเทียมและความหนาแน่นของป่าไม้ที่ได้จากการประมวลผลของเทคโนโลยี LiDAR ที่ถูก celibate ด้วยข้อมูลภาคสนาม กล่าวคือเพื่อแปลผลว่าจุดสีที่เห็นจากภาพถ่ายดามเทียมนั้นๆมีความหนาแน่นของป่าเป็นอย่างไร ซึ่งจุดสีดังกล่าวที่ได้จากภาพถ่ายดาวเทียมจะถูกเรียนรู้ด้วยเครื่องหรือ machine learning กับข้อมูลความหนาแน่นป่าไม้ที่ได้จาก LiDAR และทำการสร้างแบบจำลองเพื่อประเมิน AGB ด้วยการเลือกตัวแปรที่ดีที่สุดจากข้อมูล LiDAR ที่ซึ่งมีความสัมพันธ์กับมวลชีวภาพเหนือพื้นดินมากที่สุดเพื่อที่แบบจำลองจะได้มีตัวแปรที่ไม่มากเกินไป (over fitted) และมีความแม่นยำในการประเมินมากที่สุด ตัวแปรดังกล่าวคือ ค่าเฉลี่ยของเรือนยอด (mean of top-of-canopy height :TCH) และผลจากการเปรียบเทียบปริมาณมวลชีวภาพเหนือพื้นดินที่ได้จากแบบจำลองดังกล่าว (LiDAR-AGB) มีทิศทางเป็นไปแนวทางเดียวกับการประเมินปริมาณมวลชีวภาพเหนือพื้นดินที่จากการคำนวณแบบภาคสนาม(ภาพที่ 4)

ดังนั้นแบบจำลองในการประเมิน AGB จึงสามารถ Up scaling ได้ด้วยการใช้ภาพถ่ายดาวเทียมที่ไม่มีข้อจำกัดเรื่องขนาดพื้นที่ร่วมกับข้อมูลที่ได้จากเทคโนโลยี LiDAR ดังวิธีการที่กล่าวมาข้างต้น นอกจากการประยุกต์ใช้ทั้งภาพถ่ายดาวเทียมและ LiDAR แล้วนั้นยังมีอีกหนึ่งเทคโนโลยีที่อาจจะช่วยเพิ่มความแม่นยำและถูกต้องให้กับการประเมินได้ นั้นคือ hyperspectral ที่สามารถสะท้อนแสงเป็นเฉดสีที่แตกต่างกันในแต่ละชนิดพันธุ์ (Species) ได้ ทำให้ทราบถึงความหนาแน่นเนื้อไม้หรือ wood density ที่เป็นพารามิเตอร์ที่สำคัญในการประเมิน AGB ได้ เพราะความหนาแน่นเนื้อไม้ในแต่ละชนิดพันธุ์มีค่าที่แตกต่างกัน ปริมาณ AGB จึงแตกต่างกันไปด้วย

ภาพที่ 3 : ภาพแสดงความสูงเรือนยอดจากเทคโนโลยี LiDAR ของป่าที่มีความหนาแน่นแตกต่างกันซึ่งตรงกับการศึกษาโครงสร้างของป่าแห่งนี้ (อุทยานแห่งชาติเขาใหญ่) ที่มีการจำแนกขั้นการทดแทนของป่าออกเป็น ป่ารุ่นสองระยะแรก (Stand Initiation Stage; SIS) มีอายุป่าประมาณ 8–15 ปี ป่ารุ่นสองระยะกลาง (Stem Exclusion Stage; SES) มีอายุประมาณ 15-50 ปี และป่าสมบูรณ์ (Old-growth stage; OGS) ที่มีอายุสูงถึง 100 ปี (Chanthorn, Hartig, and Brockelman 2017)

ภาพที่ 4 : เปรียบเทียบปริมาณชีวมวลที่ได้จากแบบจำลองด้วยข้อมูล LiDAR (จุดสีเทา) กับการสำรวจภาคสนาม (จุดสีฟ้า) แสดงให้เห็นว่ามีแนวโน้มไปในทิศทางเดียวกัน

อ้างอิง

• Jha, N., Tripathi, N. K., Barbier, N., Virdis, S. G. P., Chanthorn, W., Viennois, G., Brockelman, W. Y., Nathalang, A., Tongsima, S., Sasaki, N., Pélissier, R., & Réjou-Méchain, M. (2021). The real potential of current passive satellite data to map aboveground biomass in tropical forests. Remote Sensing in Ecology and Conservation, 7(3), 504-520. https://doi.org/10.1002/rse2.203

• Jha, N., Tripathi, N. K., Chanthorn, W., Brockelman, W., Nathalang, A., Pélissier, R., Pimmasarn, S., Ploton, P., Sasaki, N., & Virdis, S. G. (2020). Forest aboveground biomass stock and resilience in a tropical landscape of Thailand. Biogeosciences, 17(1), 121-134.