Level-1 လား Level-2 လား

အခမဲ့ဒေတာရရှိနိုင်မှု နှင့် coverage ကောင်းခြင်း အချက်တို့ကြောင့်  Remote sensing အသုံးပြုသူအတော်များများသည် Landsat နှင့် Sentinel‑2 satellite image များကိုအသုံးပြုလေ့ရှိသည်။ သို့သော်လည်း processing level သတ်မှတ်ချက် (Level1, Level 2  စသည်) နှင့်ပတ်သက်ပြီး ရှင်းရှင်းလင်းလင်းနားလည်မှု မရှိသည့်အခါ မမှန်ကန်သော နှိုင်းယှဉ်မှုများ၊ timeseries များ သို့မဟုတ် မသင့်တော်သည့် တွဲစပ်အသုံးပြုမှုများပြုလုပ်မိတတ်သည်။

ဤဆောင်းပါး တွင် – Landsat နှင့် Sentinel‑2 အတွက် processing level များသတ်မှတ်ချက် နှင့် ဘယ်အချိန်အတွင် ဘယ် level ကိုအသုံးပြုသင့်သည်…၊ တစ်ကြိမ်အပြီးလေ့လာမှု၊ နှိုင်းယှဉ်လေ့လာမှု၊ ဒေတာပေါင်းစပ်မှု နှင့် time series တွက်ချက်မှုများ တွင် ဘယ်လို တွက်ချက်မှု (analysis) များတွင် ဘယ် level ကိုတော့ လက်ခံနိုင်သည် (သို့မဟုတ် လက်မခံနိုင်သည်) ကိုရှင်းပြပါမည်။

“Processing Level” ဆိုတာ ဘာကိုဆိုလိုတာလဲ?

Processing Level ဆိုတာ မူလရိုက်ကူးရရှိခဲ့တဲ့ image ဟာ sensor မှစတင်ရရှိခဲ့တဲ့အနေအထားကနေ သုံးရန်အသင့်အနေထားအထိ မှာ ဘယ်လောက်အထိ ပြောင်းလဲသွားခဲ့ပြီဆိုတာကို ဖော်ပြခြင်းပဲဖြစ်ပါတယ်။

ယေဘုယျအားဖြင့် Processing Level အမြင့်ဆိုတာ – ပြုပြင်ချက်/ပြင်ဆင်ချက်တွေ ပိုပြီးပါဝင်နေတယ်လို့ဆိုလိုပါတယ်။ ခွဲခြမ်းစိတ်ဖြာတွက်ချက်ဖို့အတွက် အသုံးပြုရ ပိုလွယ်ကူစေပါတယ်။ တနည်းအားဖြင့် ဘာ sensor အမျိုအစားဆိုတာကိုအာရုံစိုက်စရာ ကိစ္စနည်းသွားတယ်လို့ ဆိုလိုပါတယ်။

ဒါပေမယ့်လည်း Processing Level  မြင့်တာက အမြဲတမ်း ပိုကောင်းနေတာ တော့မဟုတ်ပါဘူး။ သင့်ရဲ့ လိုအပ်ချက်/ရည်မှန်းချက်ပေါ်မှာပဲမူတည်ပြီး မှန်ကန်တဲ့ Processing Level ကိုပဲသုံး သင့်ပါတယ်။

Landsat Level‑1 (L1)

L1 သည် Radiometrically and geometrically corrected ကိုဆိုလိုသည် – ဒေတာကို Top‑of‑Atmosphere (TOA) Radiance သို့မဟုတ် Reflectance အဖြစ် ‌‌ပြောင်းလဲထားသည် – မြေမျက်နှာပြင်အနိမ့်အမြင့်၏သက်ရောက်မှုများကို ဖယ်ရှားထားသည့် data ကို  L1TP ဖြင့်ဖော်ပြသည်။

မပါဝင်သည်များ – Atmospheric correction – လေထု (aerosols၊ ရေငွေ့) သက်ရောက်မှုကို မဖယ်ရှားရသေးပါ

အများဆုံးအသုံးပြုပုံ – Atmospheric correction  ကို အပြည့်အဝထိန်းချုပ်လိုသည့်အခါ -Sensor‑level လေ့လာမှုများ – Radiative transfer modeling လေ့လာမှုများ တွင်အသုံးပြုသည်။

ဥပမာ > Landsat 8 Level‑1 TOA reflectance  ကိုအသုံးပြုပြီး Atmospheric correction နည်းများ (algorithms)များကို စမ်းသပ်ခြင်း (LEDAPS vs LaSRC)။

Landsat Level‑2 (L2)

L2 သည် – အရာဝတ္ထုများမှ အလင်းပြန်နှုံး (Surface Reflectance) data အဖြစ်ပြောင်းလဲထားပြီးဖြစသည်။ Atmospheric correction ပြုလုပ်ပြီးဖြစ်သည် (LaSRC) – pixel တစ်ခုခြင်း၏ data အရည်အသွေးကိုဖော်ပြသည့် band (QA_PIXEL) နှင့် တိမ်ပါဝင်မှု ကိုဖော်ပြသည့်  cloud mask band တို့ ပါဝင်သည်။

L2 က ဘာကြောင့်အရေးကြီးတာလဲ – L2 data သည် ရိုက်ကူး ချိန် မတူသည့် ပုံများကြား၊ ရိုက်ကူးသည့် နေရာ မတူသည့် ပုံများကြား  နှိုင်းယှဉ်နိုင်သည် – L2 pixel တန်ဖိုးများသည့် အဓိပ္ပာယ်ရှိသော – တနည်းအားဖြင့် အရာဝတ္ထုများ၏ မျက်နှာပြင်ဂုဏ်သတ္တိကို ဖော်ပြသည့်တန်ဖိုးများဖြစ်သည်

အများဆုံးအသုံးပြုပုံ – Land cover classification – NDVI, NDBI, NDWI – Time‑series analysis – Multi‑sensor comparison (sensor မတူသည့်ပုံများ နှိုင်းယှဉ်ခြင်း) တွက်ချက်ခြင်းများ

ဥပမာ > Landsat 5၊ 7၊ 8 နှင့် 9 Level‑2 ပုံများကို အသုံးပြု၍ ၂၀၀၀ မှ ၂၀၂၅ အထိ သစ်တောပြုန်းတီးမှုပုံစံကို တွက်ချက်ခြင်း။

Sentinel‑2 Level‑1C (L1C)

L1C – သည် လေထုကိုဖြတ်ပြီးအာကာသသို့ ရောက်ရှိလာသည့် အလင်းပြန်နှုံး (Top‑of‑Atmosphere (TOA) reflectance) ဒေတာအဖြစ်ပြောင်းလဲထားပြီးဖြစ်သည်။ Orthorectification နှင့် radiometric calibration ပြုလုပ်ထားပြီးဖြစ်သည် – UTM/WGS84 အခြေခံ tiling စနစ်ဖြင့်ထုတ်လုပ်ပေးထားသည်

မပါဝင်သည်များ  – Atmospheric correction – လေထု (aerosols၊ ရေငွေ့) သက်ရောက်မှုကို မဖယ်ရှားရသေးပါ

အများဆုံးအသုံးပြုပုံ – Atmospheric correction  နည်း (algorithm) များတီထွင်ရန်  မိမိစိတ်တိုင်းကြပြုလုပ်ချင်သည့်အခါ နှင့် Radiance ဒေတာကိုအသုံးပြုပြီး လေ့လာမှုများတွင်

ဥပမာ > တောင်တန်းဒေသများတွင် aerosol မော်ဒယ် ၏ ထိ‌ရောက်မှု (sensitivity) ကို အကဲဖြတ်ရန် Sen2Cor ကို အသုံးပြုခြင်း။

Sentinel‑2 Level‑2A (L2A)

L2A သည် မြေမျက်နှာပြင် တွင် (တနည်းအားဖြင့် – လေထုအောက်ခြေ (Bottom of atmosphere -BOA) ) မျက်နှာပြင်ရောင်ပြန်နှုံး surface reflectance ဒေတာအဖြစ်ပြောင်းထားပြီးဖြစ်သည် – လေထုသက်ရောက်မှု ကိုဖယ်ရှား(Atmospheric correction)ထားပြီးဖြစ်သည် (Sen2Cor ဖြင့်) – တိမ်ပါဝင်မှု၊ ရေငွေ့ပါဝင်မှု၊ တိမ်မျှင်ပါဝင်မှုတို့ကိုဖော်ပြသည့် Scene Classification Layer (SCL) ပါဝင်သည်။

L2A က ဘာကြောင့်အရေးကြီးတာလဲ – ခွဲခြမ်းစိတ်ဖြာရန်အသင့် ဒေတာ ဖြစ်သည် – GIS နှင့် Machine Learning နည်းများတွင် တိုက်ရိုက်အသုံးပြုရန် ဒီဇိုင်းထုတ်ထားသည်။

အများဆုံးအသုံးပြုပုံ – Landuse Landcover classification – သီးနှံစိုက်ခင်းများစောင့်ကြည့်ခြင်း – မြို့ပြတိုးချဲ့မှု လေ့လာခြင်း – ပြောင်းလဲမှုများကို ရှာဖွေခြင်း (change detections) စသည့်လုပ်ငန်းများ တွင်အသုံးပြုသည်

ဥပမာ > Random Forest နည်းဖြင့် မြို့ပြ၊ သစ်ပင်သစ်တောနှင့် ရေကို အမျိုးအစားခွဲခြားရန် Sentinel‑2 L2A ကိုအသုံးပြုခြင်း။

ဘယ်Levelကို ဘယ်အချိန်မှာသုံးရမလဲ?

အလွယ်ဆုံးပုံသေစည်းမျဉ်း

သင့်ရဲ့ လေ့လာတွက်ချက်မှုမှာ အချိန်မတူတဲ့ ပုံတွေ ဒါမှမဟုတ် sensor  မတူတဲ့ ပုံတွေက pixel တွေကို နှိုင်းယှဉ်မယ်ဆိုရင် surface reflectance ဒေတာဖြစ်တဲ့ Level 2 (L2) ကို အသုံးပြုပါ။

တစ်ပုံတည်း (ရက်စွဲတစ်ခုသာ) သာလေ့လာတွက်ချက်ခြင်း

• Landsat ဆို L1 သို့မဟုတ် L2 သုံးနိုင်ပါတယ်
• Sentinel‑2 ဆို  L1C သို့မဟုတ် L2A သုံးနိုင်ပါတယ်

အလေ့အထကောင်း – တိကျသောအကြောင်းပြချက်မရှိပါက Level‑2 ကိုဦးစားပေးအသုံးပြုပါ

ဥပမာ ၁ – Land cover classification (တစ်ကြိမ်သာ – ရက်စွဲတစ်ခုခု) အတွက် – ✅ Landsat 8 L2 နှင့် Sentinel‑2 L2A Surface Reflectance ဒေတာ ကိုအသုံးပြုပါ  ⚠️ Atmospheric correction  ကို မိမိဘာသာပြုလုပ်မည်ဆိုပါက Landsat L1 သို့မဟုတ် S2 L1C ကိုသုံးပါ (အကြံပြုချက် မိမိဘာသာ Atmospheric correction ကိုပြုလုပ်ရန် မြေပြင်ဒေတာများလည်းလိုအပ်ပါသည်။ အများစုတွင်ထိုဒေတာများမရှိသဖြင့် ပိုကောင်းသည့် atmospherically corrected data များလည်းရရှိလာရန်အကြောင်းမရှိသဖြင့် atmospheric correction ပြုလုပ်ပြီး အဆင်သင့် ဒေတာကိုသာအသုံးပြုပါ)

ဥပမာ ၂ – မျက်မြင်ကြည့်ရှု သုံးသပ်ခြင်း (visual interpretation) အတွက် – ✅ L1 သို့မဟုတ် L2 (နှစ်ခုစလုံးအဆင်ပြေပါသည်)

Landsat နှင့် Sentinel‑2 အတွဲများ နှိုင်းယှဉ်ချက်

မကြာခဏ အမှားအယွင်းများ ဖြစ်ပွားတတ်သောအကြောင်းများရာဖြစ်သည်။

ဥပမာ- ၂၀၂၃ ခုနှစ်အတွက် NDVI နှိုင်းယှဉ်ချက်

✅ Landsat L2 NDVI  နှင့် Sentinel‑2 L2A NDVI ကိုသုံးပြီး နှိုင်းယှဉ် နိုင်သည် – နှစ်ခုလုံးသည် SR data မှတွက်ချက်ထားခြင်းကြောင့်ဖြစ်သည်။

❌ Landsat L1 NDVI  နှင့်  Sentinel‑2 L2A NDVI ကိုသုံးပြီး နှိုင်းယှဉ်ပါက မမှန်ကန်ပါ – အကြောင်းကတော့ NDVI တစ်ခုက TOA data ကတွက်တာ ဖြစ်ပြီးအခြားတစ်ခုက SR ကနေတွက်ထားလို့ ဖြစ်ပါတယ်

အကြောင်းအရင်း – လေသက်ရောက်မှုများ သည် sensor တစ်ခုစီတွင် သက်ရောက်မှု မတူသည့်အတွက် ဒေတာတန်ဖိုး ကို ချဲ့ခြင်း သို့မဟုတ် ချုံ့ခြင်းဖြစ်စေသည်။

Landsat နှင့် Sentinel‑2 ပေါင်းစပ်အသုံးပြုမှု

ဒေတာပေါင်းစပ်အသုံးပြုရာတွင် radiometric သတ်မှတ်ချက်များ တသမတ်တည်းရှိရန် လိုအပ်သည်။

အကြံပြုသည့် ဒေတာများ

• Landsat Level‑2 Surface Reflectance (L2)
• Sentinel‑2 Level‑2A Surface Reflectance (L2A)

နောက်ထပ် မှန်ကန်စွာ တွဲရမည့် အဆင့်များ

• Band အတွဲမှန်ရမည် (ဥပမာ၊ အနီရောင်၊ NIR ရောင်စဉ် ကွာခြားချက်များ)
• resolution တူရမည် – resampling (၃၀ မီတာ ↔ ၁၀ မီတာ)
• BRDF normalization (မလုပ်လည်းရသည် သို့သော် လုပ်ဖို့အကြံပြုပါသည်)

ဥပမာ ၁ – STARFM ကဲ့သို့ ပေါင်းစပ်အသုံးပြုပုံ – Landsat L2  နှင့် Sentinel‑2 L2A ဒေတာကိုအသုံးပြုပြီး high resolution time series data ထုတ်လုပ်ခြင်း

ဥပမာ ၂ – Machine Learning  တွင် ပေါင်းစပ်အသုံးပြုပုံ – training ဒေတာ တွင် L2/L2A သာအသုံးပြုခြင်း၊  NDVI၊ EVI၊ texture ဒေတာများဖန်တီးပြီး features များထပ်မံထည့်သွင်းအသုံးပြုခြင်း

Time‑Series Analysis

Time‑series analysis သည် Processing Level အမှားမခံသော လုပ်ငန်းဖြစ်သည်။

သံမဏိစည်းမျဉ်း – TOA နှင့် Surface reflectance ကို Time‑series တစ်ခုတွင် ဘယ်တော့မှ မရောနှောပါနှင့်။

အကြံပြုချက်

• Landsat: Level‑2 သာသုံးပါ
• Sentinel‑2: Level‑2A သာသုံးပါ

ဥပမာ ၁ – သစ်တောဆုံးရှုံးမှု စောင့်ကြည့်ခြင်း (၂၀၀၀–၂၀၂၄) တွင် Landsat 5/7/8/9 Level‑2 Surface Reflectance data ကိုသုံးပြုပါသည်။

ဥပမာ ၂ – သီးနှံ ဖြစ်ထွန်းမှု အဆင့်ဆင့် (phenology) လေ့လာခြင်းတွင် Sentinel‑2 L2A ကိုသာသုံးပါသည်

ဥပမာ ၃ – Landsat + Sentinel‑2 တွဲပြီး timeseries တွက်ချက်ခြင်း တွင် – ချိန်ညှိထားသည့် Harmonized Landsat L2 + Sentinel‑2 L2A data များ ကို Cloud masking ဖြင့် အသုံးပြုသည်

အဖြစ်များသော အမှားများ

အမှား ၁ – L1 နှင့် L2 ရောနှောအသုံးပြုခြင်း

• ပုံမှန်မဟုတ်သည့် trend များကိုဖြစ်စေသည်
• ထိုအခါ အမှန်မဟုတ်သည့် ပြောင်းလဲမှုအမှားများကိုထုတ်ပေးတတ်သည်

အမှား ၂ – L1C နှင့် L2A တို့သည် “နီးပါးတူညီသည်” ဟု ယူဆခြင်း

• လေထုသက်ရောက်မှု ဖယ်ရှားခြင်းသည် NDVI တန်ဖိုးများ ကို 0.1 ထက်မက ပြောင်းလဲစေနိုင်သည်

အမှား ၃ – QA band များကို လျစ်လျူရှုခြင်း

• မိုးတိမ်များနှင့် တိမ်အရိပ်များသည် time‑series ၏ ခိုင်ခံမှုကို ပျက်စီးစေနိုင်သည်

နောက်ဆုံးမှတ်ရန်

• Level‑1 = အာရုံခံကိရိယာအဆင့်၊ TOA ဒေတာ
• Level‑2 = တွက်ရန် အသင့် ၊ SR ဒေတာ
• နှိုင်းယှဉ်ခြင်း၊ ပေါင်းစပ်ခြင်းနှင့် time series အတွက်၊ Level‑2 ထုတ်ကုန်များကို အမြဲအသုံးပြုပါ။

Levelမတူသည့် data များကို ရောနှောအသုံးပြုခြင်းသည် အဖြစ်အများဆုံး နှင့် ဆုံရှုံးမှုအများဆုံး remote sensing အမှားများထဲမှ တစ်ခုဖြစ်ပါသည်။

သင့်ရည်မှန်းချက်သည် ယုံကြည်စိတ်ချရသော၊ ခိုင်မာသော တွက်ချက်မှု ရလာဒ် ဖြစ်ပါက – Level များကို အဆင်ပြေသလို ကြုံသလို အသုံးပြုခြင်းထက် တသမတ်တည်းရွေးချယ် အသုံးပြုပါ။

ဤဆောင်းပါးကို ChatGPT အကူအညီဖြင့် ဖန်တီးပါသည်။