การทำแผนที่การใช้ที่ดินด้วยภาษา R และการเรียนรู้ของเครื่องจักร: การวิเคราะห์ข้อมูลจากการสำรวจระยะไกลแบบพาสซีฟและแอคตีฟในเมืองขอนแก่น
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มุ่งเน้นที่การจำแนกภาพจากดาวเทียม Sentinel-2, Sentinel-1 และภาพจากดาวเทียมทั้งสองที่ผสมกันโดยใช้ภาษา R และเทคนิคการเรียนรู้ของเครื่องจักรหลากหลายแบบ ได้แก่ วิธีการที่ใกล้เคียงที่สุด (KNN), โครงข่ายประสาทเทียม (ANN), เครื่องจักรที่สนับสนุนเวกเตอร์ (SVM), ป่าแบบสุ่ม (RF) และต้นไม้การตัดสินใจ (DT) เทคนิคเหล่านี้ถูกนำไปใช้กับข้อมูลภาพจากดาวเทียมทั้งแบบ passive และ active จากเมืองขอนแก่นในปี ค.ศ. 2020 เพื่อประเมินความแม่นยำในการจำแนก ผลการทดสอบแสดงว่าภาพจากดาวเทียม Sentinel-2 สามารถจำแนกได้ด้วยความแม่นยำสูงสุดที่ 92%, ซึ่งเป็นผลการทดสอบที่มีความแม่นยำสูงสุด นอกจากนี้เรายังพบว่าการเพิ่มปริมาณข้อมูลการฝึกอบรมสามารถเพิ่มความแม่นยำในการจำแนกของภาพจากดาวเทียม Sentinel-2 และ Sentinel-1 ผลการศึกษาของเรายืนยันว่าภาษา R มีศักยภาพที่จะนำไปสู่การประยุกต์ใช้ในการวิเคราะห์การเจริญเติบโตของเมือง หากมีข้อมูลที่เหมาะสม ซึ่งสะท้อนถึงบทบาทสำคัญที่การเรียนรู้ของเครื่องจักรสามารถเล่นในการส่งเสริม
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารวิศวกรรมสารฉบับวิจัยและพัฒนา วิศวกรรมสถานแห่งประเทศไทย ในพระบรมราชูปถัมภ์
References
M. G. C. Gómez, Joint use of Sentinel-1 and Sentinel-2 for land cover classification: A machine learning approach, 2017, 18, pp. 72.
E. Kositsakulchai et al., Machine-learning classification of debris-covered glaciers using a combination of Sentinel-1/-2 (SAR/optical), Landsat 8 (thermal) and digital elevation data, J. Sci. Technol. Kasetsart Univ., 2018, 7 (3) pp. 107365. doi: 10.1016/j.geomorph.2020.107365.
E. Kositsakulchai, S. Yodjaroen, and Y. Phankamolsil, Assessment of the impact of land use change on runoff in Lam Phachi Basin using satellite data and SWAT model [in Thai, with English Abstract], J. Sci. Technol. Kasetsart Univ., 2018, 7 (3), pp. 11–26.
H. Alifu, J. F. Vuillaume, B. A. Johnson, and Y. Hirabayashi, Machine-learning classification of debris-covered glaciers using a combination of Sentinel-1/-2 (SAR/optical), Landsat 8 (thermal) and digital elevation data, 2020, 369. Elsevier B.V.
แทนรัฐ สุจารี, ชาติชาย ไวยสุระสิงห์, พนกฤษณ คลังบุญครอง, อนันต์ ศรีเดช, ชุติมา ไวยสุระสิงห์, and ศิโรรัตน์ พัฒนไพโรจน์, การประยุกต์ใช้ตัวจำแนกแบบจักรแห่งการเรียนรู้ในการวิเคราะห์ข้อมูลภาพดาวเทียมเชิงผสมผสานระหว่างแบบพาสซีฟและแบบแอคตีฟเพื่อประเมิน การเปลี่ยนแปลงการใช้ที่ดิน: กรณีศึกษาเมืองขอนแก่น, วารสารวิจัย มข, 2564, 21 (1) pp. 14–25.
M. N. Murty and R. Raghava, “Linear support vector machines, SpringerBriefs Comput. Sci., 2016, 9783319410623, pp. 41–56. doi: 10.1007/978-3-319-41063-0_4.
Hay AM. Sampling designs to test land-use map accuracy. Photogrammetric Engineering and Remote Sensing. 1979, 45(4), pp. 529-33.
Mundia CN, Aniya M. Analysis of land use/cover changes and urban expansion of Nairobi city using remote sensing and GIS. International Journal of Remote Sensing. 2005, 26 (13), pp.2831-49.
Congaton RG, Green K. Assessing the accuracy of remotely sensed data: principles and practices. 2nd ed. Boca Raton: CRC Press/Taylor & Francis; 2009, p 183.