การศึกษาเปรียบเทียบวิธีแบบความน่าจะเป็นได้สูงที่สุด กับ วิธีแบบซัพพอร์ตเวกเตอร์แมชชีนในการวิเคราะห์ข้อมูลภาพดาวเทียม Landsat เพื่อประเมินการเปลี่ยนแปลงการใช้ที่ดินในเมืองขอนแก่น (A Comparative Study of Applying Maximum Likelihood and Support Vector Machin

Abstract

งานศึกษาวิจัยนี้มีความมุ่งหมายที่จะเปรียบเทียบความถูกต้องของตัวจำแนกระหว่างวิธีแบบความน่าจะเป็นได้สูงที่สุด (Maximum Likelihood Classifier, [MLC]) กับ วิธีแบบซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine Classifier, [SVMC]) สำหรับการจำแนกข้อมูลภาพดาวเทียม Landsat เพื่อภารกิจวิเคราะห์การเปลี่ยนแปลงการใช้ที่ดิน ซึ่งมักจะเผชิญอยู่กับสภาวะจำนวนพื้นที่ตัวอย่าง (training area) ของภาพถ่ายของพื้นที่ของปีอดีตในช่วง 10-20 ปีก่อนที่มีอยู่อย่างค่อนข้างจำกัดและมีจำนวนน้อย โดยอาศัยเมืองขอนแก่น ในช่วงปี พ.ศ.2533-2558 เป็นกรณีศึกษา ผู้วิจัยได้วิเคราะห์ข้อมูลภาพดาวเทียมแลนด์แซทหลายช่วงเวลา เพื่อจำแนกการใช้ที่ดินออกเป็น 5 ประเภทดังนี้ พื้นที่ชุมชน (built-up area, [BU]) พื้นที่เกษตร (agriculture, [AG]) แหล่งน้ำ (water body, [WA]) พื้นที่ผสม (mixed-range land, [MX]) และพื้นที่ว่างเปล่า (bare land, [BA]) ผลการเปรียบเทียบแสดงให้เห็นว่า SVMC ยังคงทำงานได้ดีกว่า MLC โดยเฉพาะอย่างยิ่งในปี พ.ศ.2533 และ พ.ศ.2542 โดย SVMC แสดงประสิทธิภาพสูงกว่า MLC ดังจะเห็นได้จากค่า kappa index 0.9 ของ SVMC ที่ดีกว่า 0.5 ของ MLC อย่างมีนัยสำคัญ ผลการศึกษาแสดงให้เห็นว่าวิธี SVMC นั้นสามารถนำมาใช้จำแนกข้อมูลภาพดาวเทียมของปีอดีตที่จำนวนพื้นที่ตัวอย่างมีอยู่ค่อนข้างจำกัดได้เป็นอย่างมีประสิทธิภาพ

This study aims to compare the accuracy of Maximum Likelihood Classifier (MLC) and Support Vector Machine Classifier (SVMC) in land-use change analysis, dealing with a limited and small number of training sample areas for using to classify satellite imagery of last ten and twenty years ago. By taking Khon Kaen city as an example, we used these two classifiers to analyze Landsat imagery of Khon Kaen city during 1990-2015 into five classes built-up area (BU), agriculture (AG), water body (WA), mixed-range land (MX) and bare land (BA) then compared the overall accuracy and kappa index. The comparison result shows that with the same number of training sample, SVMC still perform better than MLC, especially for year 1990 and 1999, SVMC outperform the MLC in term of kappa index of 0.9 for SVMC which is better than 0.5 for MLC, significantly. These results show that with a limited and small number of training samples for past year data, SVMC can be used to produce a powerful thematic map, efficiently.