การศึกษาเปรียบเทียบตัวจำแนกสำหรับการวิเคราะห์การใช้ประโยชน์ที่ดินทางการเกษตร

Main Article Content

ปธิกร อันชื่น
ภูมิพัฒน์ ดวงกลาง
ประสาทพร วงษ์คำช้าง

บทคัดย่อ

บทความนี้มุ่งเน้นไปที่การศึกษาเปรียบเทียบความแม่นยำของตัวจำแนกสำหรับการวิเคราะห์การใช้ประโยชน์ที่ดินจากภาพถ่ายทางอากาศเพื่อลดภาระเจ้าหน้าที่ในการสำรวจพื้นที่ทำเกษตรแบบผสมผสาน ขั้นตอนวิธีที่ได้รับการยอมรับและมีการใช้งานอย่างแพร่หลายทางด้านงานระบบสารสนเทศทางภูมิศาสตร์ ได้แก่ Maximum Likelihood (ML) Support Vector Machine (SVM) และ Random Forest (RF) ถูกนำมาเปรียบเทียบประสิทธิภาพความแม่นยำในการจำแนกประเภทพืชพรรณ ข้อมูลภาพถ่ายทางอากาศในช่วงคลื่นแสงสีแดง (Red band) และช่วงคลื่นอินฟราเรดใกล้ (NIR band) จะถูกบันทึกจากกล้องที่ติดตั้งบนอากาศยานไร้คนขับเพื่อในการคำนวณดัชนีความแตกต่างพืชพรรณ (Normalized Difference Vegetation Index: NDVI) ผลการศึกษาพบว่าขั้นตอนวิธี RF มีความแม่นยำมากที่สุดถึง 93 เปอร์เซ็นต์

Article Details

How to Cite
[1]
อันชื่น ป., ดวงกลาง ภ., และ วงษ์คำช้าง ป., “การศึกษาเปรียบเทียบตัวจำแนกสำหรับการวิเคราะห์การใช้ประโยชน์ที่ดินทางการเกษตร”, NKRAFA J SCI TECH, ปี 18, ฉบับที่ 2, น. 16–25, ธ.ค. 2022.
บท
บทความวิจัย

References

สำนักงานพัฒนาการวิจัยการเกษตร (องค์การมหาชน). (2564). พืชเศรษฐกิจสินค้าสร้างรายได้ในครัวเรือนและประเทศ

[Online] https://www.arda.or.th/knowledge_detail.php?id=40

กิติศักดิ์ ทองมีทิพย์. "พัฒนาการเกษตรกรรมของประเทศไทย: ในมิติด้านการพัฒนาชุมชนและคุณภาพชีวิต." PSDS Journal of Development Studies 4.1 (2021): 132-162.

Sanserm, Sineenuch Khrutmuang, et al. "การใช้เทคโนโลยีสารสนเทศเพื่อการผลิตพืชเศรษฐกิจของเกษตรกร."STOU Journal of Agriculture 3.1 (2021): 31-44.

จิตติพงษ์ บุษบา, กีรติ เฮงประเสริฐ, วณัฐพงศ์ ดอกพุฒ, เจษฎา ฤทธิ์สนธ์, อัษฎา จันต๊ะนาขต, และ ศุภฤกษ์ มานิตพรสุทธ์. (2018). ต้นแบบเครือข่ายเซ็นเซอร์ไร้สายเพื่อการเกษตร.

Li, Ming, and Buwajian Abula. "Evaluation of Economic Utility of Smart Agriculture Based on 5G Network and Wireless Sensors." Microprocessors and Microsystems (2020): 103485.

รัฐพล พรหมมาศ. "การประยุกต์ใช้อากาศยานไร้นักบินในการจัดการด้านปัญหาสิ่งแวดล้อม: กรณีศึกษาปัญหาภัยพิบัติไฟป่าและมลพิษทางอากาศจังหวัดเชียงใหม่." วารสารศิลปศาสตร์และอุตสาหกรรมบริการ (Journal of Liberal Arts and Service Industry) 4.2 (2021): 123-132.

หอการค้าไทย และ สภาหอการค้าแห่งประเทศไทย (2560). Drones for agriculture is coming to create new options in the age of agriculture 4.0

[Online] https://thaichamber.org/public/upload/file/document/1103171509698871.pdf

ฐานเศรษฐกิจ มัลติมีเดีย (2560), โดรนเพื่อการเกษตรทางเลือกใหม่ในยุคเกษตร 4.0

[Online] https://www.thansettakij.com/content/business/216961

พงศ์ หลวงมูล และ ถาวร อ่อนประไพ. (2021). การประมาณผลผลิตข้าวด้วยค่าดัชนีพืชพรรณโดยใช้ข้อมูลภาพแบบหลายช่วงคลื่นจากอากาศยานไร้คนขับ. วารสารเกษตร, 37(2), 193-205.

Pattanasak, P. (2020). การทำแผนที่การใช้ประโยชน์ที่ดินด้วยการจำแนกข้อมูลเชิงวัตถุจากภาพดาวเทียมไทยโชต. The Journal of Spatial Innovation Development, 1(2), 83-90.

ขวัญชัย ชัยอุดม, สุพรรณ กาญจนสุธรรม, แก้ว นวลฉวี, เกรียงศักดิ์ ศรีเงินยวง, & วิชญ์ภาส สังพาลี. (2016). รูปแบบความสัมพันธ์ของมวลชีวภาพเหนือพื้นดินกับดัชนีพืชพรรณของป่าดิบเขาต่ำอุทยานแห่งชาติดอยอินทนนท์จังหวัดเชียงใหม่. Research Journal Phranakhon Rajabhat: Science and Technology, 11(1), 27-35.

Chaipat ncm, Vegetation Change Detection, Medium, 2019

[Online] https://medium.com/geo-datascience/vegetation-change-detection-517ab0a582f6

Alzate, B. E. (2011). Imágenes espaciales de la superficie terrestre. Procesamiento digital, análisis y extracción de información temática. Notas de clase. Bogotá, Colombia: Universidad Nacional de Colombia. DOI: https://doi.org/10.18273/revsal.v49n2-2017006

Chen Y, Ma L, Yu D, Feng K, Wang X, Song J. Improving Leaf Area Index Retrieval Using Multi-Sensor Images and Stacking Learning in Subtropical Forests of China. Remote Sensing. 2022; 14(1):148.

Hernández-Blanco, A., Herrera-Flores, B., Tomás, D., & Navarro-Colorado, B. (2019). A systematic review of deep learning approaches to educational data mining. Complexity, 2019.