บทที่ 6 : 6.2รูปแบบการวิเคราะห์ด้านระบบสารสนเทศภูมิศาสตร์

บทที่ 6 : 6.2รูปแบบการวิเคราะห์ด้านระบบสารสนเทศภูมิศาสตร์

๖.๒ รูปแบบการวิเคราะห์ด้านระบบสารสนเทศภูมิศาสตร์

การวิเคราะห์ข้อมูลในระบบสารสนเทศภูมิศาสตร์ (Geographic Information Systems: GIS) มีศักยภาพในการประมวลผลทั้ง ข้อมูลเชิงพื้นที่ (Spatial Data) และ ข้อมูลเชิงคุณลักษณะ (Attribute Data) ทำให้สามารถวิเคราะห์ข้อมูลที่มีความซับซ้อนและสามารถประยุกต์ใช้เพื่อตอบสนองความต้องการของผู้ใช้งานได้อย่างหลากหลาย ทั้งนี้สามารถจำแนกรูปแบบการวิเคราะห์ได้ดังต่อไปนี้:

1. การวิเคราะห์เชิงตำแหน่ง (Location Query)

เป็นการตั้งคำถามในลักษณะ “มีอะไรอยู่ที่ไหน?” (What is at…?) ระบบ GIS สามารถตอบคำถามนี้ได้อย่างแม่นยำ หากมีการจัดเตรียมข้อมูลและแผนที่อย่างถูกต้อง ตัวอย่างเช่น การระบุว่า “สถานีวัดปริมาณน้ำฝนตั้งอยู่ในตำบลใด อำเภอใด หรือจังหวัดใด และอยู่ใกล้ถนนสายใด” เพื่อประโยชน์ในการเข้าถึงและบริหารจัดการ

🔍 ความหมายในเชิง GIS

การวิเคราะห์เชิงตำแหน่งจะอาศัยข้อมูลเชิงพื้นที่ (spatial data) ที่มีการกำหนดพิกัดเชิงภูมิศาสตร์ (เช่น พิกัด XY หรือพิกัดภูมิประเทศ) มาร่วมกับข้อมูลเชิงคุณลักษณะ (attribute data) ซึ่งอธิบายรายละเอียดของปรากฏการณ์หรือวัตถุบนพื้นที่นั้น เช่น ประเภทของที่ดิน, ชื่อถนน, ความสูงจากระดับน้ำทะเล, ประเภทพืชพรรณ ฯลฯ

---

✅ รูปแบบของการวิเคราะห์เชิงตำแหน่ง

ประเภท	คำถามหลัก	ตัวอย่าง
จุด (Point)	“จุดนี้คืออะไร?”	พิกัด (14.022, 100.612) คือสถานีวัดน้ำฝนหรือไม่
เส้น (Line)	“ถนนเส้นนี้อยู่ในพื้นที่ใด?”	เส้นทางหลวงชนบทอยู่ในเขตอำเภอใด
พื้นที่ (Polygon)	“พื้นที่นี้ครอบคลุมอะไรบ้าง?”	พื้นที่ขอบเขตตำบลครอบคลุมโรงเรียนกี่แห่ง

---

🗂 การนำไปใช้ในทางปฏิบัติ

1. การบริหารจัดการเมือง
   • ตรวจสอบว่าพื้นที่ที่เกิดน้ำท่วมอยู่ในเขตที่มีแผนป้องกันหรือไม่
   • หาจุดที่ตั้งของโครงสร้างพื้นฐาน เช่น สถานีดับเพลิง ใกล้พื้นที่เสี่ยง
2. การวางแผนโครงสร้างพื้นฐาน
   • ระบุตำแหน่งที่ตั้งของสถานีวัดฝุ่น PM2.5 และการเข้าถึงได้จากถนนหลัก
3. การจัดการทรัพยากรธรรมชาติ
   • ระบุว่าแปลงป่าที่ถูกร้องเรียนว่าโดนบุกรุกนั้น อยู่ในเขตป่าสงวนหรือไม่
4. ระบบบริการสาธารณะ
   • หาตำแหน่งบ้านเรือนที่อยู่ไกลจากโรงพยาบาลมากที่สุด

---

🛠️ เครื่องมือ GIS ที่ใช้สำหรับ Location Query

• Identify Tool: คลิกที่แผนที่เพื่อดูข้อมูลเชิงคุณลักษณะของจุดนั้น
• Point-in-Polygon Analysis: ตรวจสอบว่าจุดใดอยู่ในขอบเขตพื้นที่ใด
• Spatial Join: เชื่อมข้อมูลเชิงคุณลักษณะจากตารางหนึ่งไปยังตำแหน่งในอีกตารางหนึ่ง
• Overlay Analysis: รวมข้อมูลจากหลายชั้นข้อมูลเพื่อตรวจสอบความซ้อนทับของพื้นที่

การวิเคราะห์เชิงตำแหน่งใน GIS เป็นเครื่องมือที่มีพลังในการ ระบุตัวตน (identify), ค้นหา (locate), และ จำแนก (classify) สิ่งต่าง ๆ ที่เกิดขึ้นบนพื้นผิวโลก โดยอิงตามพิกัดตำแหน่งที่แน่นอน ทำให้สามารถนำไปใช้สนับสนุนการตัดสินใจเชิงนโยบาย การบริหารทรัพยากร และการออกแบบระบบสาธารณูปโภคได้อย่างมีประสิทธิภาพ

2. การวิเคราะห์เชิงเงื่อนไข (Conditional Query)

คำถามประเภทนี้คือ “สิ่งที่กำหนดไว้ตั้งอยู่ที่ใด?” (Where is it?) เช่น การระบุพื้นที่ที่เหมาะสมสำหรับสร้างสถานีวัดน้ำฝนใหม่ โดยตั้งเงื่อนไขว่า “ห่างจากแม่น้ำไม่เกิน 500 เมตร ห่างจากถนนไม่เกิน 1,000 เมตร และไม่ทับซ้อนกับพื้นที่เกษตรกรรม” GIS จะทำการค้นหาพื้นที่ที่ตรงตามเงื่อนไขและแสดงผลในรูปแบบแผนที่และตารางข้อมูล

การวิเคราะห์เชิงเงื่อนไข (Conditional Query) ในระบบสารสนเทศภูมิศาสตร์ (GIS) คือกระบวนการสืบค้นหรือวิเคราะห์ข้อมูลโดยอิงตาม เงื่อนไขที่ผู้ใช้กำหนดไว้ล่วงหน้า เพื่อค้นหาว่า “สิ่งที่ต้องการอยู่ที่ไหน?” หรือ “Where is it?” ซึ่งต่างจาก การวิเคราะห์เชิงตำแหน่ง (Location Query) ที่ตั้งคำถามว่า “ที่นี่มีอะไร?”

---

🔍 ความหมายของ Conditional Query ใน GIS

การวิเคราะห์เชิงเงื่อนไข หมายถึงการตั้ง เงื่อนไขทางตรรกศาสตร์ (logical conditions) หรือ เงื่อนไขเชิงคณิตศาสตร์ (mathematical conditions) เพื่อตรวจสอบว่า ข้อมูลใดบ้าง ที่ ตรงตามเกณฑ์ที่กำหนด และ อยู่ในตำแหน่งที่กำหนด บนแผนที่หรือพื้นที่ศึกษา เช่น

“ค้นหาพื้นที่ที่อยู่ห่างจากแม่น้ำไม่เกิน 1,000 เมตร และมีค่าความลาดชันน้อยกว่า 5 องศา”

---

✅ ตัวอย่างการวิเคราะห์เชิงเงื่อนไข

ประเด็นการวิเคราะห์	เงื่อนไขที่ใช้
หาพื้นที่เหมาะสมปลูกข้าว	ห่างจากแหล่งน้ำ < 1,000 เมตร, ความลาดชัน < 3°, ชนิดดิน = ดินร่วน
หาทำเลสร้างโรงงาน	ห่างจากพื้นที่ชุมชน > 2,000 เมตร, ใกล้ถนนหลัก < 500 เมตร
หาพื้นที่เสี่ยงน้ำท่วม	อยู่ในพื้นที่ลุ่มต่ำ, ความสูงจากระดับน้ำทะเล < 10 เมตร
ประเมินแหล่งชุมชนขาดการเข้าถึง	ระยะห่างจากโรงพยาบาล > 5 กม., ไม่มีถนนตัดผ่าน

---

🛠 เครื่องมือที่ใช้ในการวิเคราะห์เชิงเงื่อนไขใน GIS

1. SQL Expression / Query Builder
   ใช้คำสั่ง SQL เช่น sqlCopyEdit"LandUse" = 'Agriculture' AND "Slope" < 5 AND "SoilType" = 'Loam'
2. Raster Calculator (ในกรณีข้อมูลเชิงกริด)
   ตัวอย่างเช่น arduinoCopyEdit("Slope" < 5) & ("Elevation" < 100) & ("NDVI" > 0.3)
3. Select by Attributes / Select by Location
   เครื่องมือสืบค้นที่ใช้เลือกข้อมูลที่ตรงกับเงื่อนไขทางเชิงคุณลักษณะและเชิงพื้นที่
4. Model Builder หรือ Graphical Workflow Tools
   สร้างขั้นตอนการวิเคราะห์เงื่อนไขแบบเป็นลำดับด้วยภาพ

---

🧭 ประโยชน์ของการวิเคราะห์เชิงเงื่อนไข

• ช่วยตัดสินใจ ด้านการวางแผนพื้นที่ การจัดสรรทรัพยากร และการประเมินความเหมาะสม
• รองรับการวิเคราะห์หลายชั้นข้อมูล พร้อมกัน เพื่อหาคำตอบที่ซับซ้อน
• สร้างแบบจำลองเชิงพื้นที่ (Suitability Model) ได้ เช่น แบบจำลองการวางผังเมือง หรือการวางระบบสาธารณูปโภค

---

🖼 ตัวอย่าง

คำถาม: จะเลือกพื้นที่สร้างศูนย์อพยพกรณีภัยพิบัติในอำเภอหนึ่งได้ที่ไหน?

เงื่อนไขการวิเคราะห์:

• ระยะห่างจากแม่น้ำ > 1,500 เมตร
• อยู่บนพื้นที่สูง > 20 เมตรจากระดับน้ำทะเล
• อยู่ใกล้โรงเรียนหรือสนามกีฬา < 1,000 เมตร
• ไม่อยู่ในพื้นที่ป่าอนุรักษ์

ผลลัพธ์: ระบบ GIS จะแสดงผลเป็น พื้นที่ที่ตรงตามเงื่อนไขทั้งหมด บนแผนที่ พร้อมทั้งระบุชื่อหมู่บ้านหรือเขตการปกครองที่สามารถพิจารณาได้ต่อไป

การวิเคราะห์เชิงเงื่อนไขใน GIS เป็นกระบวนการสำคัญที่ช่วยให้ผู้ใช้งานสามารถ ค้นหา, เลือก, หรือ ประเมิน พื้นที่หรือข้อมูลที่ตรงตาม เกณฑ์เฉพาะ ได้อย่างแม่นยำ ซึ่งเป็นหัวใจของการวางแผนเชิงพื้นที่ในงานด้านสิ่งแวดล้อม เกษตรกรรม ผังเมือง และภัยพิบัติ

3. การวิเคราะห์แนวโน้มเชิงเวลา (Temporal Trends Analysis)

ตอบคำถามว่า “มีอะไรเปลี่ยนแปลงไปบ้างในช่วงเวลาหนึ่ง?” (What has changed since…?) เช่น การตรวจสอบพื้นที่เกษตรกรรมที่เปลี่ยนแปลงไปเป็นพื้นที่อุตสาหกรรมในรอบ 10 ปี เพื่อประเมินพัฒนาการของพื้นที่หรือการวางผังพัฒนาเมือง

การวิเคราะห์แนวโน้มเชิงเวลา (Temporal Trends Analysis) ในบริบทของ ระบบสารสนเทศภูมิศาสตร์ (Geographic Information System: GIS) คือกระบวนการวิเคราะห์ข้อมูลเชิงพื้นที่ร่วมกับการเปลี่ยนแปลงที่เกิดขึ้นตามช่วงเวลา เพื่อศึกษาว่า “สิ่งใดได้เปลี่ยนแปลงไป เมื่อเวลาเปลี่ยนแปลงไป” โดยสามารถตรวจสอบได้ทั้งในเชิง ขนาด, ลักษณะ, ทิศทาง, และ รูปแบบของการเปลี่ยนแปลง

---

🔍 ความหมาย

Temporal Trends Analysis คือการติดตาม พฤติกรรมหรือปรากฏการณ์ทางภูมิศาสตร์ ที่เกิดขึ้นซ้ำ ๆ หรือแปรผันไปตามช่วงเวลา เช่น รายวัน รายเดือน รายปี หรือช่วงเวลาใดเวลาหนึ่ง โดยใช้ ข้อมูล GIS ที่มีมิติของเวลา (time-enabled spatial data) เพื่อศึกษารูปแบบการเปลี่ยนแปลง

---

🧭 ตัวอย่างการประยุกต์ใช้

กรณีศึกษา	คำถามเชิงเวลา	แหล่งข้อมูล GIS
การเปลี่ยนแปลงการใช้ที่ดิน	ที่ดินประเภทใดเพิ่มขึ้น/ลดลงในรอบ 10 ปี	ภาพถ่ายดาวเทียม (Landsat, Sentinel) ปี 2010–2020
การบุกรุกพื้นที่ป่า	พื้นที่ป่าถูกแผ้วถางเพิ่มขึ้นปีละกี่ไร่?	ข้อมูลจากกรมป่าไม้ ปี 2005–2023
การเพิ่มขึ้นของพื้นที่น้ำท่วม	พื้นที่ใดถูกน้ำท่วมซ้ำซาก?	แผนที่น้ำท่วมรายปีจาก GISTDA
การกระจายโรคระบาด	ไข้เลือดออกแพร่กระจายอย่างไรในแต่ละไตรมาส	พิกัดผู้ป่วยจากกระทรวงสาธารณสุข

---

🛠 เครื่องมือที่ใช้ใน GIS สำหรับการวิเคราะห์เชิงเวลา

1. Time-Enabled Layers (ArcGIS/QGIS)
   ใช้เลเยอร์ที่มีการบันทึกข้อมูลเวลา (เช่น field Year, Date) เพื่อสร้างแผนที่แสดงลำดับเหตุการณ์
2. Time Slider / Temporal Controller
   ใช้ในการแสดงภาพเคลื่อนไหวของการเปลี่ยนแปลง เช่น แผนที่การเปลี่ยนแปลงพื้นที่สีเขียวเป็นรายปี
3. Change Detection Tools
   วิเคราะห์และเปรียบเทียบแรสเตอร์หรือเวกเตอร์ 2 ชุดขึ้นไปในต่างช่วงเวลา เช่น NDVI ปี 2010 กับ 2020
4. Statistical Trend Analysis
   ใช้ร่วมกับค่าทางสถิติ เช่น Linear Regression เพื่อหาค่าแนวโน้ม (Trend Line) หรือ Seasonal Pattern

---

🖼 การแสดงผล (Visualization)

• แผนที่แอนิเมชัน (Temporal Animation Map)
  เช่น แสดงการขยายตัวของเขตเมืองรายปี
• กราฟแนวโน้ม (Time-Series Chart)
  เช่น แสดงค่าเฉลี่ย NDVI ของพื้นที่ป่าไม้รายเดือนตลอด 10 ปี
• แผนที่เปรียบเทียบ 2 ช่วงเวลา (Change Map)
  เช่น แผนที่แสดงพื้นที่ป่าที่หายไปหรือเพิ่มขึ้นระหว่างปี 2015–2020

---

✨ ประโยชน์ของการวิเคราะห์แนวโน้มเชิงเวลาใน GIS

• คาดการณ์การเปลี่ยนแปลงในอนาคต
  เช่น การพัฒนาเมืองหรือการลดลงของพื้นที่เกษตรกรรม
• วางแผนเชิงพื้นที่ระยะยาว
  เช่น การจัดการลุ่มน้ำที่ถูกบุกรุกต่อเนื่อง
• ประเมินผลนโยบายหรือโครงการ
  เช่น ตรวจสอบผลกระทบของนโยบายป่าไม้แห่งชาติ
• เตือนภัยล่วงหน้า (Early Warning)
  เช่น การตรวจจับแนวโน้มของพื้นที่เสี่ยงน้ำท่วมในอนาคต

การวิเคราะห์แนวโน้มเชิงเวลาใน GIS เป็นเครื่องมือสำคัญที่ช่วยให้สามารถมองเห็น พฤติกรรมการเปลี่ยนแปลงของพื้นที่ ได้อย่างเป็นระบบ ช่วยในการวางแผน แบบองค์รวมและเชิงรุก โดยอาศัยข้อมูลที่ผูกกับมิติเวลาในการวิเคราะห์ร่วมกับปัจจัยเชิงพื้นที่

4. การวิเคราะห์รูปแบบเชิงพื้นที่ (Spatial Pattern Analysis)

เน้นศึกษาความสัมพันธ์เชิงพื้นที่โดยตอบคำถามว่า “มีรูปแบบการกระจายของปรากฏการณ์เชิงพื้นที่หรือไม่?” (What spatial patterns exist?) เช่น การศึกษาการกระจายตัวของโรงงานอุตสาหกรรมขนาดย่อม (SMEs) ซึ่งอาจพบว่าโรงงานมีแนวโน้มกระจุกตัวตามแนวถนนสายหลักและอยู่ใกล้แหล่งน้ำที่ใช้ในการผลิต

การวิเคราะห์รูปแบบเชิงพื้นที่ (Spatial Pattern Analysis)
คือกระบวนการในระบบสารสนเทศภูมิศาสตร์ (GIS) ที่ใช้ศึกษา ลักษณะการจัดเรียงตัว การกระจาย หรือความสัมพันธ์ของปรากฏการณ์ทางภูมิศาสตร์ บนพื้นผิวโลก ทั้งในเชิง ตำแหน่ง, ความหนาแน่น, ทิศทาง, และ ระยะห่าง เพื่อค้นหารูปแบบหรือความสัมพันธ์ของข้อมูลที่อาจไม่สามารถสังเกตเห็นได้ด้วยสายตาเพียงอย่างเดียว

---

📘 ความหมายในบริบท GIS

การวิเคราะห์รูปแบบเชิงพื้นที่ หมายถึงการตรวจสอบว่าข้อมูลเชิงพื้นที่ (เช่น จุดของเหตุการณ์, โซนที่อยู่อาศัย, พื้นที่เกิดเหตุภัยพิบัติ) มีการกระจายตัวในลักษณะใด เช่น:

• กระจายตัวแบบสม่ำเสมอ (Uniform/Regular)
• กระจายตัวแบบกลุ่ม (Clustered)
• กระจายตัวแบบสุ่ม (Random)

โดยการวิเคราะห์นี้จะใช้ เครื่องมือทางคณิตศาสตร์และสถิติ เพื่อยืนยันว่ารูปแบบที่สังเกตได้มีนัยสำคัญทางสถิติหรือไม่

---

🧠 ตัวอย่างการประยุกต์ใช้

กรณีศึกษา	วัตถุประสงค์	เครื่องมือ GIS ที่ใช้
วิเคราะห์จุดเกิดอาชญากรรมในเขตเมือง	ค้นหาพื้นที่ที่มีความหนาแน่นสูงของเหตุการณ์	Hot Spot Analysis (Getis-Ord Gi*)
ตรวจสอบการกระจายของโรคไข้เลือดออก	หาความสัมพันธ์กับแหล่งน้ำขัง	Spatial Autocorrelation (Moran’s I)
วิเคราะห์ตำแหน่งร้านสะดวกซื้อ	ตรวจสอบการวางตำแหน่งตามโครงข่ายถนน	Nearest Neighbor Analysis
ประเมินการใช้ที่ดินเปลี่ยนแปลง	หาว่ามีการกระจุกตัวในโซนใด	Kernel Density Estimation

---

🛠 เครื่องมือหลักใน Spatial Pattern Analysis

1. Moran’s I – ใช้วิเคราะห์ ความสัมพันธ์เชิงพื้นที่ (Spatial Autocorrelation) ว่าค่าข้อมูลใกล้เคียงมีแนวโน้มคล้ายกันหรือไม่
2. Getis-Ord Gi* – ใช้ตรวจสอบ Hot Spot และ Cold Spot
3. Average Nearest Neighbor (ANN) – วิเคราะห์การกระจายตัวของจุด (Point Pattern Analysis)
4. Ripley’s K Function – ใช้ตรวจสอบลักษณะการกระจายแบบหลายขนาด (Multiscale Clustering)
5. Kernel Density Estimation – ประเมินความหนาแน่นของปรากฏการณ์ในพื้นที่หนึ่ง

---

📊 การแสดงผลของ Spatial Pattern

• Heat Map หรือ Density Map – แสดงการกระจายของข้อมูลเป็นภาพร้อนเย็น
• Cluster Map – ระบุจุดที่มีการกระจุกตัวของข้อมูล
• Spatial Autocorrelation Report – แสดงค่า Z-score และ P-value ประเมินนัยสำคัญของรูปแบบ

---

📍 ความสำคัญของการวิเคราะห์รูปแบบเชิงพื้นที่

• สนับสนุนการตัดสินใจเชิงพื้นที่ (Spatial Decision-Making)
  เช่น การกำหนดพื้นที่ควรลงทุน สร้างสถานี หรือควบคุมการขยายตัวของเมือง
• คาดการณ์พฤติกรรมในอนาคต (Predictive Modeling)
  เช่น คาดการณ์พื้นที่เสี่ยงอาชญากรรมหรือน้ำท่วมซ้ำซาก
• ระบุปัญหาเชิงระบบ (Systemic Issue Detection)
  เช่น ความไม่เท่าเทียมด้านสาธารณสุขที่สัมพันธ์กับพื้นที่ห่างไกล

Spatial Pattern Analysis เป็นหัวใจสำคัญของ GIS ที่ช่วยให้เราเข้าใจ “รูปแบบ” และ “โครงสร้าง” ของข้อมูลเชิงพื้นที่ได้อย่างลึกซึ้ง โดยไม่เพียงแค่อธิบายว่า “อะไรอยู่ที่ไหน” แต่ยังสามารถตอบคำถามได้ว่า “ทำไมจึงอยู่ตรงนั้น และมีผลกระทบอย่างไร”

5. การสร้างแบบจำลองเชิงพื้นที่ (Spatial Modeling)

ตอบคำถามประเภท “จะเกิดอะไรขึ้นหาก…?” (What if…?) เช่น การจำลองสถานการณ์น้ำท่วมในพื้นที่ราบเชิงเขา โดยใช้ข้อมูลเส้นชั้นความสูง (Contour), ข้อมูลดิน, ความสามารถในการซึมน้ำ และปริมาณฝนเฉลี่ยย้อนหลัง 30 ปี เพื่อประเมินว่าน้ำจะท่วมในระดับใด หากมีฝนตกหนัก 1,000 มิลลิเมตรในระยะเวลาอันสั้น

การสร้างแบบจำลองเชิงพื้นที่ (Spatial Modeling) ในระบบสารสนเทศภูมิศาสตร์ (GIS)
เป็นกระบวนการวิเคราะห์ที่รวมเอาข้อมูลเชิงพื้นที่ (Spatial Data), ข้อมูลเชิงคุณลักษณะ (Attribute Data), เงื่อนไขทางกายภาพและสังคม ตลอดจนสมมติฐานเชิงวิชาการ เข้ามาเพื่อ จำลองสถานการณ์, คาดการณ์, หาผลลัพธ์ใหม่ หรือประเมินผลกระทบ ที่อาจเกิดขึ้นในพื้นที่เป้าหมาย

---

✅ ความหมายของ Spatial Modeling

Spatial Modeling คือ “กระบวนการวิเคราะห์เชิงพื้นที่ที่นำข้อมูลหลากหลายชั้นมาประมวลผลร่วมกัน ด้วยกฎหรือฟังก์ชันที่กำหนดไว้ เพื่อสร้างผลลัพธ์ใหม่ที่ช่วยในการวางแผน ตัดสินใจ หรือคาดการณ์ในอนาคต”

---

📘 ประเภทของแบบจำลองเชิงพื้นที่

1. Deterministic Model – แบบจำลองกำหนดค่าผลลัพธ์ที่แน่นอน เช่น การหาพื้นที่เสี่ยงน้ำท่วมจากค่าความลาดชันและระยะทางจากแม่น้ำ
2. Stochastic Model – แบบจำลองที่มีความไม่แน่นอนหรือความน่าจะเป็นเข้ามาเกี่ยวข้อง เช่น การคาดการณ์การแพร่กระจายของโรค
3. Static Model – วิเคราะห์ที่เวลาใดเวลาหนึ่ง
4. Dynamic Model – วิเคราะห์ที่เปลี่ยนแปลงตามเวลา เช่น Urban Growth Model
5. Cell-based (Raster) Model – ใช้หน่วยเซลล์หรือพิกเซล เช่น แบบจำลองความเหมาะสมของพื้นที่ (Suitability Analysis)
6. Object-based (Vector) Model – ใช้หน่วยการวิเคราะห์เป็นวัตถุ เช่น Polygon หรือ Point

---

🧰 เครื่องมือและเทคนิคที่ใช้ใน Spatial Modeling

เทคนิค	คำอธิบาย	ตัวอย่างเครื่องมือใน GIS
Overlay Analysis	ซ้อนทับข้อมูลหลายชั้น	ArcGIS Spatial Analyst, QGIS Overlay Tool
Suitability Modeling	วิเคราะห์ความเหมาะสม	Weighted Overlay, Multi-Criteria Evaluation
Cost Distance/Path Analysis	หาค่าใช้จ่ายต่ำสุดในเชิงพื้นที่	Cost Surface, Least-cost Path
Buffer Analysis	วิเคราะห์ระยะห่างจากวัตถุ	Buffer Tool
Interpolation	คำนวณค่าระหว่างจุด	Kriging, IDW, Spline
3D/Surface Modeling	วิเคราะห์ภูมิประเทศ	TIN, DEM, Slope, Aspect

---

🧪 ตัวอย่างการประยุกต์ใช้งาน Spatial Modeling

กรณีศึกษา	วัตถุประสงค์	แบบจำลองที่ใช้
วิเคราะห์พื้นที่เสี่ยงไฟป่า	หาพื้นที่ที่มีความเสี่ยงสูง	Overlay: ความลาดชัน + ประเภทป่า + ระยะห่างจากชุมชน
การเลือกที่ตั้งโรงพยาบาล	หาพื้นที่ที่เหมาะสม	Weighted Suitability: ใกล้ถนน, ไกลจากน้ำท่วม, ใกล้ชุมชน
คาดการณ์การขยายตัวของเมือง	จำลองแนวโน้มการขยายในอนาคต	CA-Markov, SLEUTH Model
การระบายน้ำจากพื้นที่รับน้ำ	หาทิศทางการไหล	DEM + Flow Direction, Accumulation

---

🗂 ตัวอย่างขั้นตอนสร้างแบบจำลองเชิงพื้นที่ (เช่น พื้นที่เหมาะสมสร้างฟาร์มพลังงานแสงอาทิตย์)

ตีความผลลัพธ์และตรวจสอบภาคสนาม

กำหนดวัตถุประสงค์: หาพื้นที่เหมาะสมสร้างฟาร์มพลังงานแสงอาทิตย์

ระบุปัจจัย/ข้อมูล:

ความลาดชัน (ไม่ควรเกิน 15%)

ระยะห่างจากสายไฟฟ้าแรงสูง (<5 km)

แสงอาทิตย์เฉลี่ย (สูงกว่า 4 kWh/m²/day)

ที่ดินประเภทที่ใช้ได้ (ไม่ใช่ป่า/ที่ชุ่มน้ำ)

แปลงข้อมูลให้อยู่ในรูปแบบที่ใช้ร่วมกันได้ (เช่น Raster)

กำหนดน้ำหนักและคะแนนของแต่ละปัจจัย

วิเคราะห์ด้วย Weighted Overlay

สร้างแผนที่ผลลัพธ์

การสร้างแบบจำลองเชิงพื้นที่ (Spatial Modeling) ใน GIS เป็นวิธีการวิเคราะห์ที่ทรงพลัง ซึ่งช่วยให้เข้าใจและคาดการณ์พฤติกรรมเชิงพื้นที่อย่างมีหลักการและเป็นระบบ โดยสามารถปรับใช้ได้ทั้งในด้านสิ่งแวดล้อม เกษตรกรรม ผังเมือง และภัยพิบัติ

ในการวิเคราะห์ข้อมูลในระบบสารสนเทศภูมิศาสตร์ (Geographic Information Systems: GIS) รูปแบบหลักของการวิเคราะห์สามารถแบ่งออกได้เป็น 3 รูปแบบหลัก ที่สะท้อนศักยภาพของ GIS ในการจัดการและใช้ข้อมูลภูมิสารสนเทศอย่างมีประสิทธิภาพ ดังนี้:

---

ก) การวิเคราะห์ข้อมูลเชิงพื้นที่

(Analysis of Spatial Data)

คือ การวิเคราะห์ที่เน้นการใช้ตำแหน่งทางภูมิศาสตร์ของข้อมูลเป็นหลัก โดยศึกษาความสัมพันธ์ทางพื้นที่ระหว่างวัตถุทางภูมิศาสตร์ เช่น จุด เส้น พื้นที่ เพื่อระบุ ตำแหน่ง (location), รูปแบบ (pattern), ระยะทาง (distance), ทิศทาง (direction), และ การกระจาย (distribution)

ตัวอย่างกระบวนการ:

• การวิเคราะห์ระยะห่าง (Buffer Analysis)
• การซ้อนทับข้อมูลเชิงพื้นที่ (Overlay Analysis)
• การวิเคราะห์การกระจาย (Spatial Distribution)
• การหาทิศทางการไหลของน้ำ (Flow Direction using DEM)

เครื่องมือที่ใช้:
ArcGIS Spatial Analyst, QGIS Processing Toolbox, SAGA GIS, GRASS GIS เป็นต้น

---

ข) การวิเคราะห์ข้อมูลเชิงบรรยาย

(Analysis of Attribute Data)

คือ การวิเคราะห์ข้อมูลที่ไม่ขึ้นกับตำแหน่งทางภูมิศาสตร์โดยตรง แต่เป็นคุณลักษณะหรือคำอธิบายประกอบของวัตถุ เช่น ชื่อประชาชน, ปริมาณน้ำฝน, ประเภทของการใช้ที่ดิน ซึ่งอยู่ในฐานข้อมูลตาราง (Attribute Table)

ตัวอย่างกระบวนการ:

• การจัดกลุ่มข้อมูลตามหมวดหมู่ (Classification)
• การสรุปทางสถิติ เช่น ค่าเฉลี่ย, ร้อยละ, ส่วนเบี่ยงเบนมาตรฐาน
• การคัดกรองหรือสืบค้นข้อมูลด้วยเงื่อนไข (Query by Attribute)
• การจัดอันดับหรือลำดับความเหมาะสม (Ranking)

เครื่องมือที่ใช้:
Field Calculator, SQL Query Builder, Data Joins & Relates, Pivot Tables

---

ค) การวิเคราะห์ข้อมูลเชิงพื้นที่ร่วมกับข้อมูลเชิงบรรยาย

(Integrated Analyses of Spatial and Attribute Data)

คือ การวิเคราะห์แบบผสมผสาน โดยรวมเอาข้อมูลเชิงตำแหน่ง (ตำแหน่งพิกัด) และข้อมูลคุณลักษณะ (เช่น ปริมาณ, ชนิด, ค่าเฉลี่ย ฯลฯ) เข้าด้วยกัน เพื่อให้ได้ผลลัพธ์ที่มีความซับซ้อนและตอบโจทย์เชิงวิชาการหรือเชิงนโยบายได้ชัดเจนยิ่งขึ้น

ตัวอย่างกระบวนการ:

• การวิเคราะห์พื้นที่เหมาะสม (Suitability Analysis) เช่น หาพื้นที่ปลูกพืชเศรษฐกิจ
• การวิเคราะห์ผลกระทบสิ่งแวดล้อม (Environmental Impact Assessment)
• การเชื่อมโยงตารางข้อมูลเพื่ออธิบายตำแหน่ง (Join Spatial + Attribute Table)
• การสร้างแบบจำลองเชิงพื้นที่ (Spatial Modeling)

เครื่องมือที่ใช้:
ModelBuilder (ArcGIS), Processing Modeler (QGIS), Python/ArcPy, PyQGIS, SQL-based GIS Queries

---

🔍 สรุปเชิงตาราง

รูปแบบ	ลักษณะการวิเคราะห์	ตัวอย่าง
ก) เชิงพื้นที่	วิเคราะห์โดยใช้ตำแหน่ง, รูปร่าง, ระยะทาง	Buffer, Overlay, DEM
ข) เชิงบรรยาย	วิเคราะห์คุณลักษณะ ไม่อิงตำแหน่งโดยตรง	Query, Classification
ค) ผสมผสาน	วิเคราะห์โดยรวม Spatial + Attribute	Suitability, Modeling

๖.๓.๑ การแปลงระบบพิกัดทางภูมิศาสตร์

(Coordinate System Transformation or Map Projection)

การแปลงระบบพิกัดทางภูมิศาสตร์ หมายถึง การเปลี่ยนรูปแบบการอ้างอิงตำแหน่งจากระบบพิกัดหนึ่งไปยังอีกระบบพิกัดหนึ่ง เช่น จากระบบพิกัดทรงกลมแบบภูมิศาสตร์ (Geographic Coordinate System: GCS – Latitude/Longitude) ไปยังระบบพิกัดฉายบนระนาบ (Projected Coordinate System: PCS) เช่น ระบบยูนิเวอร์ซัล ทรานสเวอร์ส เมอร์เคเตอร์ (Universal Transverse Mercator: UTM)

---

วัตถุประสงค์ของการแปลงพิกัด

• เพื่อให้แผนที่หรือข้อมูลสามารถนำไปวิเคราะห์ร่วมกันได้บนพื้นฐานของระบบพิกัดเดียวกัน
• เพื่อการแสดงผลที่ถูกต้องตามมาตราส่วนในพื้นที่ศึกษาที่มีความเหมาะสม
• เพื่อรองรับการทำงานทางวิศวกรรม สำรวจ หรือระบบสารสนเทศที่ต้องการค่าระยะทางและพื้นที่ที่แม่นยำ

---

ประเภทของระบบพิกัดที่พบได้บ่อย

ประเภทระบบ	รายละเอียด	จุดเด่น
Geographic (Lat/Long)	อิงจากทรงกลม ใช้หน่วยองศา	เหมาะสำหรับข้อมูลทั่วโลก
UTM (Universal Transverse Mercator)	ระบบฉายแผนที่แบบระนาบ แบ่งโลกออกเป็น 60 โซน	เหมาะสำหรับการวิเคราะห์ระดับภูมิภาค-ท้องถิ่น

---

เส้นโครงแผนที่ (Map Projection)

การเลือก เส้นโครงแผนที่ มีความสำคัญต่อความแม่นยำของข้อมูล ซึ่งเส้นโครงแต่ละประเภทมีการรักษาคุณสมบัติบางอย่าง เช่น

• รักษาระยะทาง (Equidistant)
• รักษาพื้นที่ (Equal Area)
• รักษารูปร่าง (Conformal)
• รักษาทิศทาง (Azimuthal)

ประเทศไทยนิยมใช้ระบบ UTM Zone 47N และ 48N (Datum: WGS84 หรือ Indian 1975) สำหรับแผนที่มาตราส่วน 1:50,000 และการทำงานภาคสนามที่ต้องการค่าระยะทางเป็นเมตร

รูปที่ 6.1 ผลลัพธ์ที่ได้จากการแปลงพิกัดจากระบบ Geographic มาเป็น UTM

จากการตรวจสอบพิกัดบน Google Earth/ Google Map กำหนดพิกัดสุดเขตชายแดนไทย
ทิศเหนือ อยู่ที่ ป่าแดงหลวง ตำบล เกาะช้าง เชียงราย 20.464534, 99.955549 [หรือ 20°27’52.3″N 99°57’20.0″E]
ทิศใต้ อยู่ที่ ตำบล ธารน้ำทิพย์ อำเภอเบตง ยะลา gps 5.612934, 101.135891 [หรือ 5°36’46.6″N 101°08’09.2″E]
ทิศตะวันตก อยู่ที่ ตำบลแม่คง อำเภอแม่สะเรียง แม่ฮ่องสอน 18.574070504333076, 97.34429490413012
ทิศตะวันออก อยู่ที่ ตำบลโขงเจียม อำเภอโขงเจียม อุบลราชธานี 15.273937, 105.592066 [หรือ 15°16’26.2″N 105°35’31.4″E]

รายการเส้นโครงแผนที่ (Map Projections) ที่เหมาะสมกับการใช้งานในแต่ละ ภูมิภาค ทั้งในระดับ โลก ภูมิภาค และประเทศ โดยคำนึงถึงลักษณะภูมิศาสตร์และวัตถุประสงค์ในการใช้งาน:

---

🗺️ 1. ระดับโลก (Global Scale)

ชื่อเส้นโครงแผนที่	ประเภท	จุดเด่น	การใช้งานที่เหมาะสม
Plate Carrée (Equirectangular)	Equidistant	คำนวณง่าย, เส้นตรงเป็น lat/lon	แสดงภาพรวมทั่วโลก, Web mapping
Robinson	Compromise	สมดุลรูปทรงและพื้นที่	ภูมิศาสตร์โลก, การศึกษา
Mollweide	Equal-area	รักษาพื้นที่, รูปทรงบิดเบี้ยว	ธรณีวิทยา, ภูมิอากาศ
Winkel Tripel	Compromise	สมดุลทุกคุณสมบัติ	แผนที่สากล, Atlas

---

🌍 2. ทวีป/ภูมิภาค (Continental or Regional Scale)

ภูมิภาค	เส้นโครงแผนที่แนะนำ	ประเภท	เหมาะสำหรับ
ยุโรป	Lambert Conformal Conic	Conformal	การเดินเรือ, การคมนาคม
แอฟริกา	Africa Albers Equal Area Conic	Equal-area	การวิเคราะห์พื้นที่ป่า ทะเลทราย
อเมริกาเหนือ	NAD83 UTM Zones / Lambert	UTM / Conformal	การวางแผนเมือง, คมนาคม
อเมริกาใต้	South America Albers Equal Area Conic	Equal-area	พื้นที่ลุ่มน้ำ, ทรัพยากรธรรมชาติ
ออสเตรเลีย	GDA2020 / MGA Zones (Map Grid of Australia)	UTM	การใช้ที่ดิน, เกษตรกรรม
เอเชียตะวันออกเฉียงใต้	UTM Zones 46N – 50N (WGS84/Indian 1975)	UTM	ภูมิประเทศ, ป่าไม้

---

🇹🇭 3. ประเทศไทย

ชื่อ	รหัส EPSG	ประเภท	คำอธิบาย
UTM Zone 47N (Indian 1975)	EPSG:24047	Transverse Mercator	มาตรฐานของแผนที่ทหาร, กรมแผนที่ทหาร
UTM Zone 47N (WGS 84)	EPSG:32647	Transverse Mercator	ใช้ร่วมกับ GPS ทั่วไป
Lambert Conformal Conic (Thailand)	– (Custom)	Conformal	ใช้ในงานระดับประเทศ เช่น ข้อมูลสภาพภูมิอากาศ
Albers Equal Area Conic (SEA)	EPSG:102025	Equal-area	การวิเคราะห์พื้นที่เชิงนิเวศ

---

🧭 4. เลือกเส้นโครงแผนที่ตามการใช้งาน

วัตถุประสงค์	ประเภท Projection ที่แนะนำ	เหตุผล
วิเคราะห์ พื้นที่	Equal Area (Albers, Mollweide)	รักษาขนาดพื้นที่แท้จริง
วิเคราะห์ ระยะทาง	Equidistant	คำนวณระยะตรง
วิเคราะห์ ทิศทาง	Azimuthal	รักษาทิศทางจากศูนย์กลาง
ภูมิประเทศขนาดเล็ก	UTM	ความแม่นยำสูงในระยะใกล้
Web Mapping (ออนไลน์)	Web Mercator (EPSG:3857)	รองรับแผนที่ออนไลน์ (Google, OSM)

---

📝 หมายเหตุทางเทคนิค:

• เส้นโครงแผนที่ควรเลือกให้ตรงกับ รูปทรงของพื้นที่ศึกษา:
  • พื้นที่กว้างแนวนอน → Conic Projection
  • พื้นที่กว้างแนวตั้ง → Transverse Mercator
  • พื้นที่กลมศูนย์กลาง → Azimuthal Projection

📍 ตารางเส้นโครงแผนที่สำหรับจังหวัดต่าง ๆ ในประเทศไทย

จังหวัด	ระบบพิกัดที่แนะนำ	เส้นโครงแผนที่ (Projection)	Datum	EPSG (WGS84)	EPSG (Indian 1975)
เชียงราย	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
แม่ฮ่องสอน	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
เลย	UTM Zone 48N	Transverse Mercator	WGS 84	32648	24048
อุบลราชธานี	UTM Zone 48N	Transverse Mercator	WGS 84	32648	24048
ตราด	UTM Zone 48N	Transverse Mercator	WGS 84	32648	24048
ตาก	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
กาญจนบุรี	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
ภูเก็ต	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
สุราษฎร์ธานี	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
ยะลา	UTM Zone 47N	Transverse Mercator	WGS 84	32647	24047
นราธิวาส	UTM Zone 48N	Transverse Mercator	WGS 84	32648	24048

---

🔍 หมายเหตุเพิ่มเติม:

• WGS 84 (EPSG:32xxx) เป็นมาตรฐาน ระบบพิกัดโลก ที่ใช้ร่วมกับ GPS และนิยมใช้มากในงานวิเคราะห์ปัจจุบัน
• Indian 1975 (EPSG:24xxx) เป็นระบบพิกัดที่หน่วยงานราชการไทย เช่น กรมแผนที่ทหาร นิยมใช้ โดยเฉพาะกับแผนที่มาตราส่วน 1:50,000
• การเลือก Zone 47N หรือ 48N ขึ้นอยู่กับพิกัดลองจิจูด (Longitudes):
  • Zone 47N: เหมาะสำหรับพื้นที่ที่อยู่ระหว่างลองจิจูด 96°E – 102°E
  • Zone 48N: เหมาะสำหรับพื้นที่ที่อยู่ระหว่างลองจิจูด 102°E – 108°E

---

การแปลงระบบพิกัดใน GIS

ระบบ GIS เช่น ArcGIS, QGIS, และ Global Mapper มีเครื่องมือช่วยในการแปลงระบบพิกัด โดยสามารถดำเนินการได้ 2 ลักษณะคือ:

• On-the-fly transformation: การแสดงผลข้อมูลต่างระบบให้ตรงกันแบบชั่วคราว
• Permanent re-projection: การแปลงระบบพิกัดจริงของข้อมูลให้ตรงกันอย่างถาวร

---

📌 ตัวอย่างการใช้งานจริง

สถานการณ์	ระบบเดิม	ระบบเป้าหมาย	ซอฟต์แวร์ที่ใช้
นำเข้าแผนที่ภาพถ่ายดาวเทียมเพื่อวิเคราะห์การเปลี่ยนแปลงที่ดิน	Geographic (WGS84)	UTM Zone 47N (WGS84)	QGIS (Reproject Layer)
การวางจุดตรวจวัดภาคสนามด้วย GPS แล้วสร้าง Buffer	GCS (WGS84)	UTM (เพื่อความถูกต้องของระยะทาง)	ArcGIS (Project Tool)

---

✅ ข้อควรระวัง

• ควรทราบว่า Datum (พื้นหลัก) ของระบบพิกัดเดิมและเป้าหมายตรงกันหรือไม่ เช่น WGS84 ≠ Indian 1975
• การแปลงพิกัดที่ไม่ถูกต้องอาจทำให้ค่าระยะทางและพื้นที่คาดเคลื่อนได้ถึงหลายร้อยเมตร

ข) การต่อแผนที่ (Mosaic) หรือการเทียบขอบ (Edge-Matching)

การเชื่อมต่อแผนที่หลายระวางเข้าด้วยกัน หรือการรวมแผนที่เรื่องเดียวกันที่จัดทำแยกกันในแต่ละแผ่น ให้กลายเป็นแผนที่ชุดเดียวแบบต่อเนื่องในระบบสารสนเทศภูมิศาสตร์ (GIS) เรียกกระบวนการนี้ว่า การต่อแผนที่ (Mosaic)

ในขณะที่ การเทียบขอบ (Edge-Matching) เป็นกระบวนการทางเทคนิคที่สำคัญซึ่งใช้สำหรับ ปรับตำแหน่งของรายละเอียดเชิงแผนที่ จากแผนที่ที่อยู่ระวางติดกัน ให้มีความเชื่อมโยงที่ แม่นยำและต่อเนื่องกัน โดยเฉพาะเมื่อรายละเอียดเชิงแผนที่ เช่น เส้นถนน ลำน้ำ หรือแนวขอบเขต มีการวาดหรือดิจิไทซ์ไม่ตรงกันระหว่างแผ่น ระยะห่างที่เกิดขึ้นเรียกว่า gap หรือ overlap จึงจำเป็นต้องมีการปรับแก้ให้เป็นไปอย่างราบรื่น

การดำเนินการนี้สามารถใช้ ซอฟต์แวร์ GIS เช่น ArcGIS หรือ QGIS เป็นเครื่องมือช่วยในการดำเนินการ โดยเฉพาะฟังก์ชันที่เกี่ยวกับ Topology Editing หรือ Spatial Adjustment Tools ซึ่งช่วยลดความคลาดเคลื่อนของตำแหน่งข้อมูลจากแผนที่ต้นทาง

รูปที่ 6.2 รูปแบบการต่อแผนที่โดยใช้โปรแกรมช่วย

ตัวอย่างการประยุกต์ใช้:

• การรวมแผนที่การใช้ที่ดินจากแต่ละอำเภอ เพื่อสร้างฐานข้อมูลระดับจังหวัด
• การต่อระวางแผนที่ภูมิประเทศมาตราส่วน 1:50,000 เพื่อใช้ในการวางแผนผังเมือง

การดำเนินการทั้ง Mosaic และ Edge-Matching เป็นขั้นตอนที่สำคัญมากในการสร้างความ ถูกต้อง และ เชื่อมโยงอย่างสมบูรณ์ ของข้อมูลแผนที่ในระดับภูมิภาคหรือระดับประเทศ

การต่อแผนที่ (Mosaic) ในระบบสารสนเทศภูมิศาสตร์ (GIS)

การต่อแผนที่ (Mosaic) เป็นกระบวนการรวมข้อมูลภาพหรือแผนที่หลายแผ่นเข้าไว้ด้วยกันอย่างต่อเนื่อง เพื่อให้ได้แผนที่ฉบับสมบูรณ์ที่ครอบคลุมพื้นที่เป้าหมายขนาดใหญ่ โดยไม่มีขอบแบ่งหรือช่องว่างระหว่างระวางแผนที่เดิม

---

ความสำคัญของการทำ Mosaic

ในทางปฏิบัติ แผนที่หรือข้อมูลภาพ เช่น ภาพถ่ายทางอากาศ, ภาพถ่ายดาวเทียม, หรือ แผนที่ภูมิประเทศ มักจะถูกผลิตและจัดเก็บเป็นระวาง (sheet หรือ tile) เพื่อให้ง่ายต่อการใช้งานและจัดเก็บ แต่เมื่อนำไปใช้ในระดับพื้นที่กว้าง เช่น การวางผังเมือง การจัดการทรัพยากรธรรมชาติ หรือการติดตามการเปลี่ยนแปลงเชิงพื้นที่ จำเป็นต้องรวมภาพทั้งหมดให้เป็นผืนเดียว

---

คุณสมบัติของการทำ Mosaic

• รวมแผนที่หรือข้อมูลภาพหลายแผ่นให้เป็นหนึ่งเดียว
• ลบขอบระวาง (Boundary Seamline) และ ลดความไม่ต่อเนื่องของข้อมูล
• ปรับความสว่าง (Brightness) และความคมชัด (Contrast) ให้กลมกลืนกัน
• สามารถเลือกแหล่งข้อมูลที่มีความคมชัดสูงสุดในการต่อภาพ (เช่น Seamline Prioritization)

---

ประเภทของข้อมูลที่สามารถทำ Mosaic ได้

• แผนที่ภาพถ่ายทางอากาศจากการบินสำรวจ
• ภาพถ่ายดาวเทียมจากหลายช่วงเวลา หรือหลายเส้นทางการบิน
• Raster tiles ของแผนที่ภูมิประเทศ หรือแผนที่การใช้ที่ดิน
• Orthophoto tiles ที่ต้องรวมเพื่อการวิเคราะห์ในระดับใหญ่

---

ขั้นตอนพื้นฐานในการทำ Mosaic ด้วยโปรแกรม GIS (เช่น ArcGIS, QGIS)

1. เตรียมข้อมูลต้นทาง (Input Raster Tiles) ให้เป็นระบบพิกัดเดียวกัน
2. โหลดข้อมูลเข้าสู่ GIS Workspace และตรวจสอบการซ้อนทับของระวาง
3. ใช้ฟังก์ชัน Mosaic to New Raster (ArcGIS) หรือ Merge Raster (QGIS)
4. ตั้งค่าการรวมภาพ เช่น:
   • ค่าความละเอียด (Pixel size)
   • การจัดการ NoData
   • การปรับค่าความเข้มแสง (Color balancing)
5. กำหนดชื่อและรูปแบบของข้อมูลที่รวม (เช่น GeoTIFF หรือ .img)
6. บันทึกผลลัพธ์เป็นแผนที่ผืนเดียว ที่พร้อมใช้งานสำหรับการวิเคราะห์

---

ข้อควรระวัง

• ควรตรวจสอบว่าข้อมูลทั้งหมดอยู่ใน ระบบพิกัดเดียวกัน (เช่น UTM Zone 47N EPSG:32647)
• ตรวจสอบความคมชัด ความเบลอ และคุณภาพของระวางก่อนการต่อ
• หากข้อมูลมีขนาดใหญ่ ควรใช้คอมพิวเตอร์ที่มีหน่วยความจำ (RAM) สูง

---

ประโยชน์ของการต่อแผนที่ (Mosaic)

ประโยชน์	รายละเอียด
ความต่อเนื่อง	ลดปัญหาขอบตัดหรือขาดตอนของแผนที่
ความแม่นยำ	ข้อมูลภาพที่รวมกันมีลักษณะกลมกลืน รองรับการวิเคราะห์ในระดับพื้นที่กว้าง
ความสะดวก	ทำให้การวิเคราะห์ในภาพรวมง่ายขึ้นโดยไม่ต้องสลับระวาง
การนำเสนอ	แสดงผลในรูปแผนที่แผ่นเดียว ช่วยในการจัดทำรายงานหรือแสดงผลใน Dashboard

การเทียบขอบ (Edge-Matching) ในระบบสารสนเทศภูมิศาสตร์ (GIS)

การเทียบขอบ (Edge Matching) คือกระบวนการในการปรับข้อมูลขอบเขตของชิ้นส่วนแผนที่ (เช่น แผนที่หลายระวาง หรือไฟล์ shapefile หลายชิ้น) ให้เชื่อมต่อกันอย่างถูกต้องและต่อเนื่องทางภูมิศาสตร์ ทั้งในเชิงตำแหน่งและเชิงรูปทรง

---

📌 ความจำเป็นของการเทียบขอบ

เมื่อทำการรวมข้อมูลหลายแผ่น เช่น แผนที่ขอบเขตการปกครอง, การใช้ที่ดิน, หรือ แผนที่ภาพถ่ายจากหลายแหล่ง จะพบว่า ขอบเขตของรูปหลายเหลี่ยม (polygons) หรือ เส้น (lines) ที่ควรจะเชื่อมต่อกัน กลับไม่ตรงกัน หรือเหลื่อมกัน อันเนื่องมาจากปัจจัย เช่น:

• ความคลาดเคลื่อนจากการดิจิไทซ์ (Digitizing Error)
• ใช้ พิกัดทางภูมิศาสตร์คนละระบบ
• แหล่งข้อมูลมาจากหน่วยงานต่างกัน
• ขนาดของมาตราส่วนแผนที่ไม่เท่ากัน

---

✅ จุดมุ่งหมายของการเทียบขอบ

• ให้ข้อมูลที่อยู่ติดกัน เชื่อมต่อได้อย่างแม่นยำ
• ลดช่องว่าง (gap) และ การซ้อนทับ (overlap) ระหว่างแผ่นแผนที่
• ทำให้ฐานข้อมูลมีความ ต่อเนื่อง (topologically consistent) เพื่อให้การวิเคราะห์ GIS เช่น overlay, buffering, network analysis สามารถดำเนินการได้อย่างถูกต้อง

---

🛠️ กระบวนการ Edge Matching (ตัวอย่างใน ArcGIS/QGIS)

1. เตรียมข้อมูลต้นฉบับ: แผนที่แต่ละระวางให้อยู่ในระบบพิกัดเดียวกัน (เช่น EPSG:32647 UTM Zone 47N)
2. กำหนดชั้นฐาน (Reference Layer): เช่น ใช้แผนที่ระวางที่ถูกต้องที่สุดเป็นตัวอ้างอิง
3. ใช้เครื่องมือ Editing หรือ Topology tools ใน ArcGIS หรือ QGIS เพื่อปรับตำแหน่ง vertices ของขอบระวางให้ตรงกัน
4. ปรับคุณสมบัติข้อมูล (Attributes) ให้เชื่อมโยงกันระหว่างแผ่น เช่น ชื่อพื้นที่, รหัสโซน
5. ตรวจสอบ Topological Error: เช่น gap, dangle, overshoot, undershoot
6. บันทึกผลลัพธ์เป็นไฟล์ใหม่ เช่น Shapefile หรือ Geopackage ที่ต่อกันได้เรียบร้อย

---

🧭 ตัวอย่างปัญหาและแนวทางแก้ไข

ปัญหา	แนวทางแก้ไข
เส้นขอบเขตไม่เชื่อมกัน	ใช้ snapping tool ปรับจุดปลายให้ตรงกัน
มี gap ระหว่างระวาง	เติมช่องว่างด้วย Polygon editing หรือ extend geometry
รูปหลายเหลี่ยมซ้อนทับกัน	ใช้ Union แล้วทำการแก้ไขด้วย reshape tools

---

🗺️ ภาพเปรียบเทียบ

(ภาพตัวอย่าง Edge-Matching ก่อน/หลัง)

---

📈 ประโยชน์ของการเทียบขอบใน GIS

• ความต่อเนื่องของข้อมูลเชิงพื้นที่ ถูกต้องและใช้งานร่วมกันได้
• ความแม่นยำของการวิเคราะห์ เพิ่มขึ้น
• ลดข้อผิดพลาดในการทำ Overlay, Union, Buffer
• สนับสนุน การจัดทำฐานข้อมูลระดับชาติ/ภูมิภาค เช่น โครงข่ายผังเมือง หรือการใช้ที่ดิน

ค) คำนวณพื้นที่, เส้นรอบวง และระยะทาง

การคำนวณพื้นที่ (Area Calculation)

พื้นที่ของวัตถุทางภูมิศาสตร์ เช่น แปลงที่ดิน เขตการปกครอง หรือพื้นที่ป่าไม้ สามารถคำนวณได้จากชั้นข้อมูลแบบ Polygon ที่เก็บในฐานข้อมูล GIS โปรแกรมจะใช้พิกัดของแต่ละจุดในขอบเขตของ polygon มาคำนวณพื้นที่โดยอิงตามระบบพิกัด (Coordinate System) ที่กำหนดไว้ หากอยู่ในระบบ projected coordinate system เช่น UTM จะสามารถคำนวณพื้นที่ได้โดยตรงในหน่วยเป็นตารางเมตร หรือเฮกตาร์

✅ ตัวอย่าง: ใน QGIS หรือ ArcGIS สามารถใช้ฟังก์ชัน geometry area() หรือ Calculate Geometry เพื่อวัดพื้นที่ของ polygon แต่ละรายการโดยอัตโนมัติ

---

การคำนวณเส้นรอบวง (Perimeter Calculation)

การวัดเส้นรอบวงจะใช้ ความยาวรวมของขอบเขตภายนอก ของ polygon ซึ่งสามารถใช้หลักการของการรวมระยะทางระหว่างพิกัดแต่ละคู่ที่เชื่อมกันใน polygon ได้
เหมาะสำหรับการวิเคราะห์พื้นที่ทางการเกษตร หรือการหาขอบเขตของแหล่งทรัพยากร

✅ ตัวอย่าง: การใช้ฟังก์ชัน perimeter() หรือ length() สำหรับ polygon geometry ใน PostGIS หรือฟังก์ชัน Calculate Geometry ใน ArcGIS

---

การคำนวณระยะทาง (Distance Calculation)

ใช้กับชั้นข้อมูลแบบ เส้น (Line) หรือระหว่างจุด (Point-to-Point) โปรแกรมจะคำนวณระยะทางโดยใช้สูตรทางเรขาคณิต เช่น Haversine formula สำหรับพิกัดภูมิศาสตร์ หรือ Euclidean distance สำหรับระบบ Cartesian

การคำนวณระยะทางมีความสำคัญในการวิเคราะห์ เช่น

• การวัดระยะทางจากสถานีวัดฝนถึงแม่น้ำ
• การคำนวณระยะห่างระหว่างโรงพยาบาลกับชุมชน
• การวางแผนโครงข่ายคมนาคม

---

ข้อควรพิจารณาเชิงวิชาการ

• ควรใช้ Projected Coordinate System (PCS) สำหรับการคำนวณระยะทางและพื้นที่ เพื่อให้ได้หน่วยที่เป็นเมตรหรือกิโลเมตร
• การคำนวณในระบบ Geographic Coordinate System (GCS) เช่น WGS84 ต้องใช้สูตรทางภูมิศาสตร์ เช่น Vincenty หรือ Geodesic
• Topology ต้องถูกต้อง เช่น polygon ต้องไม่มีซ้อนทับหรือมีรูรั่ว เพื่อให้ค่าพื้นที่ถูกต้อง
• ต้องคำนึงถึง มาตราส่วน (Scale) และ ความละเอียดของข้อมูล (Resolution)