การประยุกต์ดัชนีความแตกต่างพืชพรรณแบบนอร์มอลไลซ์จากอากาศยานไร้คนขับเพื่อลดต้นทุนการใช้ปุ๋ยในการเพาะปลูกข้าวเจ้าพันธุ์ กข33 (Applying Normalized Difference Vegetation Index from UAV for Fertilizer Cost Reduction in Rice RD33 Cultivation)
Article Sidebar
Main Article Content
บทคัดย่อ
เนื่องจากเทคโนโลยีที่ล้ำสมัยในยุคปัจจุบัน เกษตรกรและหน่วยงานภาครัฐได้มีแนวโน้มการนำโดรนมาใช้ช่วยเหลือในกระบวนการการเพาะปลูกและการเกษตรมากขึ้น โดยเฉพาะเพื่อการลดต้นทุนแรงงานและการเพิ่มผลผลิตทางด้านการเกษตร คณะผู้วิจัยจึงสนใจศึกษาการใช้ข้อมูลระยะไกลจากโดรนร่วมกับการใช้เทคนิคการเรียนรู้ของเครื่องประเภทการจำแนกข้อมูลแบบกำกับดูแล (Supervised machine learning classification) เพื่อการช่วยในการบริหารจัดการการเพาะปลูกข้าวเจ้าให้มีประสิทธิภาพมากขึ้น งานวิจัยนี้จึงมีวัตถุประสงค์ 1) เพื่อวิเคราะห์การเจริญเติบโตของข้าวเจ้าพันธุ์ กข33 ด้วยดัชนีพืชพรรณแบบ NDVI จากอากาศยานไร้คนขับ และ 2) เพื่อจำแนกพื้นที่เพาะปลูกข้าวเจ้าพันธุ์ กข33 จากภาพ NDVI และวิเคราะห์ความเหมาะสมของการใส่ปุ๋ย โดยพื้นที่ศึกษาเป็นแปลงทดลองปลูกข้าวของโครงการหัวตะพานโมเดล ณ อำเภอหัวตะพาน จังหวัดอำนาจเจริญ ผลการศึกษาพบว่าค่าเฉลี่ยของ NDVI ของข้าวเจ้าพันธุ์ กข33 สูงสุดในวัฎภาคการเจริญเติบโตโดยไม่อาศัยเพศ และวัฏภาคสุกแก่ (NDVI มีค่า 0.2-0.4) และต่อมา NDVI มีค่าลดลงเนื่องจากต้นข้าวและรวงข้าวเปลี่ยนไปเป็นสีเหลือง ส่วนผลการวิเคราะห์การจำแนกข้อมูลสามารถจำแนกพื้นที่แปลงปลูกข้าวเป็น 3 ประเภท คือ พื้นที่ไม่มีต้นข้าว พื้นที่ต้นข้าวเบาบาง และพื้นที่ข้าวอุดมสมบูรณ์ ผลการทดสอบความแม่นยำด้วยเมตริกซ์ความคลาดเคลื่อน พบว่า มีค่าความถูกต้องโดยรวมร้อยละ 80 และได้ค่าสัมประสิทธิ์ความสอดคล้อง 0.68 นอกจากนี้งานวิจัยนี้ได้ประยุกต์เทคนิคการจำแนกนี้เพื่อทดลองหาปริมาณปุ๋ยที่เหมาะสมตามประเภทพื้นที่ในแปลงทดลอง ผลการวิเคราะห์พบว่าสามารถลดปริมาณปุ๋ยในช่วงการเจริญเติบโตทางเมล็ดหรือช่วงกำลังออกรวงได้ถึงร้อยละ 6.67
Article Details
เอกสารอ้างอิง
Beisel, N. S., Callaham, J. B., Sng, N. J., Taylor, D. J., Paul, A. L., and Ferl, R. J. (2018). Utilization of Single-Image Normalized Difference Vegetation Index (SI-NDVI) for Early Plant Stress Detection. Applications in plant sciences, 6(10), 1-10.
Charoonpatrapong, T., Namsang, A., and Kongsamutr, N. (2021). A Comparison of Regulations for Agricultural Unmanned Aerial Vehicles in Thailand and Foreign Countries. Sripatum Review of Humanities and Social Sciences, 21(1), 105-121. (in Thai)
Cheewaprakobkit, P. (2019). Improving the Performance of an Image Classification with Convolutional Neural Network Model by Using Image Augmentations Technique. TNI Journal of Engineering and Technology, 7, 59-64. (in Thai)
Jitt-Aer, K., Buaphiban, T., and Sriprsert, A. (2020). Applying Aerial Imagery from Unmanned Aerial Vehicle for Digital Maps. Sripatum Review of Science and Technology, 12, 93-105. (in Thai)
Nattharith, P. (2021). Unmanned Aerial Vehicle Navigation using a Behaviour Based Control Architecture. Naresuan University Engineering Journal, 16(1), 140-154. (in Thai)
Phrommas, R. and Chaiwong, C. (2021). Application of Unmanned Aerial Vehicle (UAV) for Land Use Monitoring and Mapping in Maechaem District with Community Participation. Journal of Communication Arts Review, 25(2), 110-125. (in Thai)
Punyawattoe, P., Sutjaritthammajariyangkun, W., Chaiyasing, N., and Supornsin, S. (2019). The Efficacy of the Unmanned Aerial Vehicle (UAV) for Controlling Rice Dirty Panicle Disease. Thai Agricultural Research Journal, 37(1), 27-36. (in Thai)
Qiu, Z., Ma, F., Li, Z., Xu, X., Ge, H., and Du, C. (2021). Estimation of Nitrogen Nutrition Index in Rice from UAV RGB Images Coupled with Machine Learning Algorithms. Computers and Electronics in Agriculture, 189, 1-9.
Rice Knowledge Bank (2016). How to Develop a Crop Calendar. [Online]. Retrieved June 18, 2021, from: http://www.knowledgebank.irri.org/step-by-step-production/pre-planting
Srichalam, K., Karnchanasutham, S., Nualchawee, K., and Pleerux, N. (2018). The Study of Spectral Reflectance Characteristics of Cassava Plantation from Satellite Data in Chokchai District, Nakhon Ratchasima Province. VRU Research and Development Journal Science and Technology, 13(3), 12-22. (in Thai)
Suksirisak, P. (2019). A Real-Time Image Processing from Multispectral Camera for Agriculture. CRMA Journal, 17, 75-85. (in Thai)
Wang, Y., Chang, Y., and Shen Y. (2022). Estimation of Nitrogen Status of Paddy Rice at Vegetative Phase using Unmanned Aerial Vehicle Based Multispectral Imagery. Precision Agriculture, 23, 1-17.
Yang, Q., Shi, L., Han, J., Yu, J., and Huang, K. (2020). A Near Real-Time Deep Learning Approach for Detecting Rice Phenology Based on UAV Images. Agricultural and Forest Meteorology, 287, 1-17.
Yasowong, P. and Charasakulchai, C. (2013). Indexing Remote Sensing Image Retrieval using Clustering and Vegetation Indices. Journal of Information Science and Technology, 4(2), 1-8. (in Thai)
