การพัฒนาชุดสมองกลอัจฉริยะที่เรียนรู้ด้วยตัวเองสำหรับระบบภูมิสารสนเทศ (GIS) ในการจำแนกและวินิจฉัยการผลผลิตอ้อยจากภาพถ่ายดาวเทียม
Article Sidebar
Main Article Content
บทคัดย่อ
อ้อยเป็นหนึ่งในพืชเศรษฐกิจที่สำคัญของประเทศไทย สร้างรายได้ให้ผลิตภัณฑ์มวลรวมให้แก่ประเทศประมาณปีละ 200,000 ล้านบาท อย่างไรก็ตาม อุตสาหกรรมอ้อยและน้ำตาลยังประสบปัญหาอยู่หลายประการ ที่สำคัญคือปัญหาด้านการผลิตที่มีความไม่แน่นอนของปริมาณผลผลิตในแต่ละปี การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาชุดสมองกลอัจฉริยะสำหรับระบบภูมิสารสนเทศสำหรับ 1) จำแนกพื้นที่เพาะปลูกอ้อยและ 2) คาดการณ์ผลผลิตอ้อย การจำแนกจะใช้ภาพถ่ายจากดาวเทียม Landsat 9 และ Sentinel-1A ร่วมกับอัลกอริทึมปัญญาประดิษฐ์จำนวน 3 อัลกอริทึม ได้แก่ โครงข่ายประสาทเทียม ป่าสุ่ม และเกรเดียนต์บูสต์ ในส่วนการคาดการณ์จะใช้ข้อมูลดัชนีพืชพรรณจำนวน 4 ดัชนี ซึ่งสกัดจากข้อมูลภาพถ่ายจากดาวเทียม Landsat 8 และข้อมูลสำรวจผลผลิตภาคสนามร่วมกับอัลกอริทึมปัญญาประดิษฐ์แบบถดถอยจำนวน 5 อัลกอริทึม ได้แก่ การถดถอยเชิงเส้นแบพหุ ข่ายประสาทเทียม ต้นไม้ตัดสินใจ ป่าสุ่ม และเกาส์เซียน โปรเซส
ผลการจำแนกพบว่าอัลกอริทึมป่าสุ่มให้ประสิทธิภาพในการจำแนกสูงที่สุด โดยมีค่าความถูกต้องโดยรวม 0.76 และความถูกต้องรายคลาสที่ 0.89 ผลจากการคาดการณ์ผลผลิตพบว่าอัลกอริทึมป่าสุ่มให้ประสิทธิภาพในการคาดการณ์สูงที่สุด โดยมีค่าสัมประสิทธิ์การตัดสินใจอยู่ที่ 0.79 และค่าคลาดเคลื่อนเฉลี่ยอยู่ที่ 0.79 ในการประยุกต์ปัญญาประดิษฐ์จำเป็นต้องพิจารณาข้อมูลนำเข้าและการทดสอบไฮเปอร์พารามิเตอร์ให้มีความเหมาะสมเพื่อให้การทำงานมีประสิทธิภาพสูงที่สุด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Ennouri, Karim & Kallel, Abdelaziz. (2019). Remote Sensing: An Advanced Technique for Crop Condition Assessment. Mathematical Problems in Engineering. 2019. 1-8. 10.1155/2019/9404565.
FAO. (2017). [ออนไลน์]. The future of food and agriculture: trends and challenges. [Retrieved August 3, 2022]. from https://www.fao.org/3/i6583e/i6583e.pdf.
Luciano, A. C. d. S., Campagnuci, B. C. G., & le Maire, G. (2022). Mapping 33 years of sugarcane evolution in São Paulo state, Brazil, using landsat imagery and generalized space-time classifiers. Remote Sensing Applications: Society and Environment.26.100749. doi:https://doi.org/10.1016/j.rsase.2022.10074
Luciano, A. C. d. S., Picoli, M. C. A., Rocha, J. V., Duft, D. G., Lamparelli, R. A. C., Leal, M. R. L. V., & Le Maire, G. (2019). A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm. International Journal of Applied Earth Observation and Geoinformation.80. 127-136. doi: 10.1016/j.jag.2019.04.013
Singh, R., Patel, N. R., & Danodia, A. (2020). Mapping of sugarcane crop types from multi-date IRS-Resourcesat satellite data by various classification methods and field-level GPS survey. Remote Sensing Applications: Society and Environment. 19. 100340. doi:10.1016/j.rsase.2020.10034
Akbarian, S., Xu, C., Wang, W., Ginns, S., & Lim, S. (2022). An investigation on the best-fit models for sugarcane biomass estimation by linear mixed-effect modelling on unmanned aerial vehicle-based multispectral images: A case study of Australia. Information Processing in Agriculture.
Nihar, A., Patel, N. R., Pokhariyal, S., & Danodia, A.. (2022). Sugarcane Crop Type Discrimination and Area Mapping at Field Scale Using Sentinel I mages and Machine Learning Methods. Journal of the Indian Society of Remote Sensing. 50(2). 217-225. doi:10.1007/s12524-021-01444-0
Singla, S. K., Garg, R. D., & Dubey, O. P.. (2021). Ensemble machine learning methods for spatiooral data analysis of plant and ratoon sugarcane. Intelligent Data Analysis. 25(5). 1291-1322. doi:10.3233/IDA-205302
Dimov, D., Uhl, J. H., Löw, F., & Seboka, G. N. (2022). Sugarcane yield estimation through remote sensing time series and phenology metrics. Smart Agricultural Technology. 2. 100046.
Intarat, K., & Sillaparat, S. (2019). Tropical Mangrove Species Classification Using Random Forest Algorithm and Very High-Resolution Satellite Imagery. Burapha Science Journal. 24(2). 742-753.
Som-Ard, J., Atzberger, C., Izquierdo-Verdiguier, E., Vuolo, F., & Immitzer, M. (2021). Remote sensing applications in sugarcane cultivation: A review. Remote Sensing. 13(20). doi:10.3390/rs13204040
Bhosle, K., & Musande, V. (2019). Evaluation of deep learning convolutional neural network for crop classification. International Journal of Recent Technology and Engineering. 8(2). 3960-3963. doi:10.35940/ijrte.B2872.078219
Cobeña Cevallos, J. P., Atiencia Villagomez, J. M., & Andryshchenko, I. S. (2019). Convolutional neural network in the recognition of spatial images of sugarcane crops in the troncal region of the coast of Ecuador.
Poortinga, A., Thwal, N. S., Khanal, N., Mayer, T., Bhandari, B., Markert, K., . Saah, D. (2021). Mapping sugarcane in Thailand using transfer learning, a lightweight convolutional neural network, NICFI high resolution satellite imagery and Google Earth Engine. ISPRS Open Journal of Photogrammetry and Remote Sensing. 1. 100003.
Virnodkar, S., Pachghare, V. K., & Murade, S. (2021) A Technique to Classify Sugarcane Crop from Sentinel-2 Satellite Imagery Using U-Net Architecture. Springer Science and Business Media Deutschland GmbH. 1199. 322-330.
Reungsang, P. & Butkhot, T. (2021) Assessment of machine learning on sugarcane classification using Landsat-8and Sentinel-2satellite imagery. Asia-Pacific Journal of Science and Technology. 26(4). 1-11.
Dela Torre, D. M. G., & Perez, G. J. P. (2014). Phenology-based classification of major crops areas in Central Luzon, Philippines from 2001-2013.
Jiang, H., Li, D., Jing, W., Xu, J., Huang, J., Yang, J., & Chen, S. (2019). Early Season Mapping of Sugarcane by Applying Machine Learning Algorithms to Sentinel-1A/2 Time Series Data: A Case Study in Zhanjiang City. China. Remote Sensing. 11. 861. doi: 10.3390/rs11070861.
Maxwell, Aaron & Warner, Timothy & Fang, Fang. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing. 39. 9. 39. 2784-2817. doi:10.1080/01431161.2018.1433343.
