A comparative study of classifiers for analyzing agricultural land use
Article Sidebar
Main Article Content
Abstract
This paper focuses on a comparative study of the accuracy of classifiers for aerial photographic land use to reduce staff burden in surveying areas of integrated agriculture. The widest algorithms are used for object classification in the field of geographic information systems consisting of Maximum Likelihood (ML), Support Vector Machine (SVM) and Random Forest (RF). These algorithms are benchmarked for the classification of agricultural land. An aerial photograph is captured by cameras mounted on Unmanned Aerial Vehicle (UAV) to record red band images and near-infrared images to calculate the Normalized Difference Vegetation Index (NDVI). As a result, the RF algorithm is the most accurate, equal to 93 percent.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- Content and information in articles published in NKRAFA Journal of Science and Technology are comment and responsibility of authors of articles directly. Journal editorial do no need to agree or share any responsibility.
- NKRAFA Journal of Science and Technology Articles holds the copyright of the content, pictures, images etc. which published in it. If any person or agency require to reuse all or some part of articles, the permission must be obtained from the NKRAFA Journal of Science and Technology.
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.