การประยุกต์ใช้ตัวจำแนกแบบจักรแห่งการเรียนรู้ในการวิเคราะห์ข้อมูลภาพดาวเทียมเชิงผสมผสานระหว่างแบบพาสซีฟและแบบแอคตีฟเพื่อประเมิน การเปลี่ยนแปลงการใช้ที่ดิน: กรณีศึกษาเมืองขอนแก่น

ผู้แต่ง

  • Tanrat Sujaree นักศึกษาหลักสูตร วิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมโยธา คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น
  • Chattichai Waisurasingha ผู้ช่วยศาสตราจารย์ สาขาวิชาวิศวกรรมโยธา คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น
  • Pongrid Klungboonkrong รองศาสตราจารย์ สาขาวิชาวิศวกรรมโยธา คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น
  • Anant Sridet อาจารย์ สาขาวิชาวิศวกรรมสำรวจ คณะวิศวกรรมศาสตร์และสถาปัตยกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน
  • Chutima Waisurasingha อาจารย์ ภาควิชามนุษยศาสตร์และสังคมศาสตร์ คณะศิลปศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง
  • Sirorat Pattanapairoj อาจารย์ สาขาวิชาวิศวกรรมอุตสาหการ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น

คำสำคัญ:

การจำแนกแบบเวกเตอร์ค้ำยัน, ข้อมูลภาพแลนแซท, ข้อมูลภาพเรดาห์ช่องเปิดสังเคราะห์

บทคัดย่อ

การวางแผนและจัดการการใช้ประโยชน์ที่ดินในพื้นที่เขตเมืองที่สำคัญอย่างเมืองขอนแก่นจำเป็นอย่างยิ่งที่จะต้องมีการวิเคราะห์ข้อมูลการเปลี่ยนแปลงการใช้ที่ดิน ในปัจจุบันข้อมูลภาพดาวเทียมแบบพาสซีฟและแบบแอคตีฟซึ่งเป็นข้อมูลดิบนั้นได้มีการเปิดให้บริการข้อมูลฟรี ดังนั้น วัตถุประสงค์ของบทความนี้เป็นการเปรียบเทียบผลการจำแนกข้อมูลที่ผสมผสานข้อมูลในทั้งสองลักษณะเข้าด้วยกันเปรียบเทียบกับการใช้เพียงการใช้ข้อมูลแบบแบบพาสซีฟเพียงอย่างเดียวผ่านการจำแนกแบบจักรกลเวกเตอร์ค้ำยัน ผลการศึกษาครั้งนี้พบว่า การผสมผสานข้อมูลแบบพาสซีฟและแบบแอคตีฟที่เป็นการรวมกันของข้อมูลภาพดาวเทียมแลนด์แซทเข้ากับข้อมูลภาพดาวเทียมเรด้าห์ช่องเปิดสังเคราะห์ในช่วงคลื่น C band นั้น สามารถช่วยเพิ่มความถูกต้องโดยรวมของการจำแนกได้ที่เกินกว่า 90% ซึ่งสูงกว่าการใช้เพียงข้อมูลแลนด์แซทเพียงอย่างเดียว

References

Sujaree T. Application of Markov-cellula automata model to simulate future land use/cover change in the Khon Kaen City [M.Eng]. Khon Kaen: Khon Kaen University; 2019. Thai.

Werner A, Storie CD, Storie J. Evaluating SAR-optical image fusions for urban LULC classification in Vancouver Canada. Canadian Journal of Remote Sensing. 2014; 40 (4): 278-290.

Lv Q, Dou Y, Niu X, Xu J, Xu J, Xia, F. Urban land use and land cover classification using remotely sensed sar data through deep belief networks. Journal of Sensors. 2015; art. no. 538063.

Van NT, Waisurasingha C. Land use/cover change and landscape fragmentation analyses in Khon Kaen City, Northeastern Thailand. International Journal of GEOMATE. 2018; 15 (47): 201-208.

Mountrakis G, Im J, Ogole C. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing. 2011; 66(3): 247-259.

Kamusoko C, Gamba J, Murakami H. Mapping woodland cover in the Miombo ecosystem: A comparison of machine learning classifiers. Land. 2014; 3 (2): 524-540.

Congaton RG, Green K. Assessing the accuracy of remotely sensed data: Principles and practices. New York: Lewis Publishers. 1999.

Foody G. Assessing the accuracy of remotely sensed data: Principles and Practices. The Photogrammetric Record. 2010; 25: 204–205.

Downloads

เผยแพร่แล้ว

2021-01-23

ฉบับ

บท

บทความวิจัย