การศึกษาการขยายตัวของเมืองในพื้นที่ระเบียงเศรษฐกิจพิเศษภาคตะวันออก กรณีศึกษาอำเภอศรีราชา จังหวัดชลบุรี
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์การเปลี่ยนแปลงการใช้ประโยชน์ที่ดินและศึกษารูปแบบการขยายตัวของเมืองในอำเภอศรีราชา จังหวัดชลบุรี โดยวิเคราะห์ข้อมูลภาพถ่ายดาวเทียม Sentinel-2 ระหว่าง ปี พ.ศ. 2559–2566 และใช้วิธีการจำแนกแบบกำกับดูแล เพื่อจำแนกประเภทการใช้ประโยชน์ที่ดิน 5 ประเภท ได้แก่ พื้นที่ชุมชนและสิ่งปลูกสร้าง พื้นที่เกษตรกรรม พื้นที่ป่าไม้ พื้นที่แหล่งน้ำ และพื้นที่เบ็ดเตล็ด การประเมินความแม่นยำของการจำแนกให้ค่าความถูกต้องโดยรวมอยู่ในระดับสูง (ร้อยละ 83.42–86.80) และค่าดัชนีแคปปา เท่ากับ 0.85 ผลการศึกษาพบว่า ในช่วงปี พ.ศ. 2559-2566 พื้นที่ชุมชนและสิ่งปลูกสร้างเพิ่มขึ้นจาก 161.48 ตารางกิโลเมตร (ร้อยละ 26.53) เป็น 190.63 ตารางกิโลเมตร (ร้อยละ 31.11) ในขณะที่พื้นที่เกษตรกรรมและป่าไม้ลดลงอย่างต่อเนื่อง รูปแบบการขยายตัวของเมืองมี 2 ลักษณะ คือ การตั้งถิ่นฐานตามแนวเส้นทางคมนาคมหลัก ได้แก่ ถนนสุขุมวิท และทางหลวงพิเศษหมายเลข 7 และการตั้งถิ่นฐานแบบกระจุกในศูนย์กลางชุมชนหลัก 4 แห่ง คือ บริเวณเทศบาลเมืองศรีราชา บริเวณรอบกลุ่มอุตสาหกรรมปิโตรเลียม (ไทยออยล์) บริเวณรอบนิคมอุตสาหกรรมแหลมฉบังและท่าเรือพาณิชย์แหลมฉบัง และบริเวณรอบสวนอุตสาหกรรมเครือสหพัฒน์ ผลการคาดการณ์ในปี พ.ศ. 2570 โดยใช้แบบจำลอง CA-Markov แสดงให้เห็นว่าพื้นที่เมืองจะเพิ่มขึ้นเป็น 248.78 ตารางกิโลเมตร (ร้อยละ 40.60) โดยขยายตัวต่อเนื่องจากพื้นที่พัฒนาเดิมและพื้นที่ใกล้โครงสร้างพื้นฐานหลัก โดยความแม่นยำของแบบจำลองได้รับการประเมินโดยใช้ตารางความคลาดเคลื่อน (Error Matrix) เปรียบเทียบกับข้อมูลจริงในปี พ.ศ. 2566 ให้ค่าความถูกต้องโดยรวมร้อยละ 97.25 และค่าดัชนีแคปปาเท่ากับ 0.93 ผลการวิจัยนี้สามารถนำไปใช้สนับสนุนการวางแผนและการกำหนดนโยบายการพัฒนาเมืองในเขตระเบียงเศรษฐกิจพิเศษภาคตะวันออก เพื่อสร้างสมดุลระหว่างการพัฒนาเมือง และการอนุรักษ์พื้นที่เกษตรกรรมและป่าไม้อย่างยั่งยืนและสามารถประยุกต์ใช้กับพื้นที่ที่มีลักษณะการเติบโตทางอุตสาหกรรมอย่างรวดเร็วในบริบทใกล้เคียง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ถือเป็นลิขสิทธิ์ของวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ก่อนเท่านั้น
เอกสารอ้างอิง
Adegun, A. A., Kumar, D., & Singh, M. (2023). Review of deep learning methods for remote sensing satellite images classification: Experimental survey and comparative analysis. Journal of Big Data, 10(1), 108. https://doi.org/10.1186/s40537-023-00772-x
Burgess, E. W. (2015). The growth of the city: an introduction to a research project. In The city reader (pp. 212-220). Routledge.
Chonburi Provincial Office. (2024). Chonburi provincial development plan 2023–2027 (Revised edition 2025) [Online]. Retrieved February 15, 2025, from: https://www.chonburi.go.th/ebook/detail/27 (in Thai)
Chonburi Provincial Statistical Office. (2024). Chonburi province population statistics [Online]. Retrieved September 18, 2024, from: https://chonburi.nso.go.th/reports-publications/provincial-statistics-report.html (in Thai)
Choudhury, U., Kanga, S., Singh, S. K., Kumar, A., Meraj, G., Kumar, P., & Singh, S. (2024). Projecting urban expansion by analyzing growth patterns and sustainable planning strategies—A case study of Kamrup Metropolitan, Assam, North-East India. Earth, 5(2), 169–194. https://doi.org/10.3390/earth5020009
Eastern Economic Corridor Office of Thailand. (2021). Overview of the Eastern Economic Corridor (EEC) development project. [Online]. Retrieved September 18, 2024, from: https://www.eeco.or.th/th/government-initiative (in Thai)
Eastern Economic Corridor Policy Committee. (2024). Infrastructure and utilities implementation plan for the Eastern Economic Corridor development area 2023–2027 [Online]. Retrieved September 18, 2024, from: https://eeco.or.th/web-upload/filecenter/eecdevelopment-plan/plan.pdf (in Thai)
Foody, G. M. (2020). Explaining the unsuitability of the kappa statistic for assessing the accuracy of thematic maps obtained by remote sensing. Remote Sensing of Environment, 239, 111630. https://doi.org/10.1016/j.rse.2019.111630
Hoyt, H. (1939). The structure and growth of residential neighborhoods in American cities. U.S. Federal Housing Administration.
Khunrattanasiri, W., Klayjaroen, S., and Suksard, S. (2024). Using CA-Markov model and Landsat 8 imagery data for land use prediction in Thale Noi non-hunting area. Thai Journal of Forestry, 43(2), 37–50. (in Thai)
Land Development Department. (2024a). DIN online [Online]. Retrieved August 6, 2024, from: https://dinonline.ldd.go.th/ (in Thai)
Land Development Department. (2024b). Land use map definition [Online]. Retrieved August 6, 2024, from: https://webapp.ldd.go.th/lpd/LandUseconditions.php (in Thai)
Li, S., Zhang, Y., & Fang, S. (2021). Enhanced CA–Markov model for land-use simulation by incorporating neighborhood effect and terrain constraints. Environmental Modelling & Software, 142, 105073. https://doi.org/10.1016/j.envsoft.2021.105073
Liu, R., Xu, Y., Xue, C., Xia, Z., Li, G., Gou, X., & Luo, S. (2023). Simulation of early warning indicators of urban expansion derived from machine learning. Journal of Urban Planning and Development, 149(1). https://doi.org/10.1061/jupddm.upeng-4127
Liu, S., Chen, H., & Zhou, J. (2020). A review of geometric correction methods in high-resolution satellite imagery. Remote Sensing, 12(5), 800. https://doi.org/10.3390/rs12050800
Lu, S., Guo, J., Zimmer-Dauphinee, J. R., Nieusma, J. M., Wang, X., Wernke, S. A., & Huo, Y. (2025). Vision foundation models in remote sensing: A survey. IEEE Geoscience and Remote Sensing Magazine.
Munyaneza, J. P., Rwema, P., Ndolimana, E., Nzayinambaho, J., Nsanzumukiza, M. V., & Barahira, A. (2023). The impact of urbanization expansion on agriculture land in Rwanda: Case study of Runda Sector, Kamonyi District. American Journal of Environmental Protection, 12(4), 85–91. https://doi.org/10.11648/j.ajep.20231204.11
Oliveira, L. M. de, Silva, S. M. O. da, Souza Filho, F. A. de, Rufino, I. A. A., Brito, H. C. de, & Lopes, T. M. X. de M. (2022). Dynamic modeling of urban expansion using cellular automata: The case of Fortaleza-CE. SciELO journals. Dataset. [Online]. Retrieved December 21, 2024, from: https://doi.org/10.6084/m9.figshare.20039888
Paheding, S., Saleem, A., Siddiqui, M. F. H., Rawashdeh, N., Essa, A., & Reyes, A. A. (2024). Advancing horizons in remote sensing: a comprehensive survey of deep learning models and applications in image classification and beyond. Neural Computing and Applications, 36(27), 16727-16767.
Prasartkul, P. (2024). On the occasion of World Population Day 2024. [Online]. Retrieved December 11, 2024, from: https://www.theprachakorn.com/newsDetail.php?id=928 (in Thai)
Sarastika, T., Saraswati, Y., Triyadi, R. A., & Susena, Y. (2024). Pemodelan prediksi konversi penggunaan lahan berbasis ANN-CA di wilayah peri-urban Kabupaten Sleman. JTSL (Jurnal Tanah dan Sumberdaya Lahan), 11(1), Article 18. https://doi.org/10.21776/ub.jtsl.2024.011.1.18
Schaffert, M., Sahinkaya, C., & Wolff, C. (2025). Visualizing urban sprawl to raise local awareness. Frontiers in Environmental Science, 13, 1456772. https://doi.org/10.3389/fenvs.2025.1456772
SDG Knowledge Hub. (2023). World population data sheet 2023 supports climate resilience [Online]. Retrieved December 11, 2024, from: https://sdg.iisd.org/news/world-population-data-sheet-2023-supports-climate-resilience/
Sun, C., Bao, Y., Vandansambuu, B., & Bao, Y. (2022). Simulation and prediction of land use/cover changes based on CLUE-S and CA-Markov models: A case study of a typical pastoral area in Mongolia. Sustainability, 14(23), 15707. https://doi.org/10.3390/su142315707
Teeravech, K., Yarak, K., & Chancharoen, T. (2023). Urban growth monitoring in Chanthaburi using remote sensing data on Google Earth Engine. Journal of Information Science and Technology, 13(2), 69–78. (in Thai)
Thirakunthomorn, T., Prasomsap, W., & Phinyoyang, A. (2020). Land use/land cover change detection and prediction using CA-MARKOV model. Proceedings of the 25th National Civil Engineering Conference, 1–6. (in Thai)
Tonsiri, S., Arunpraparut, W., & Khunrattanasiri, W. (2018). Application of CA-Markov model to predict land use changes in Khao Soi Dao Wildlife Sanctuary, Chanthaburi Province. Thai Journal of Forestry, 37(2), 138–150. (in Thai)
Turan, D. E., Aptoula, E., Ertürk, A., & Taskin, G. (2023). Interpreting hyperspectral remote sensing image classification methods via explainable artificial intelligence. In IGARSS 2023-2023 IEEE International Geoscience and Remote Sensing Symposium (pp. 5950-5953). IEEE.
United Nations Population Fund. (2022). World population trends [Online]. Retrieved March 20, 2024, from: https://www.unfpa.org/world-population-trends#readmore-expand
USGS. (2023). Sentinel-2 satellite images [Online]. Retrieved December 15, 2023, from: https://www.usgs.gov/search?keywords=Sentinel-2+satellite+images
Xu, Y., Wang, M., & Li, X. (2022). Assessment of geometric correction accuracy using RMSE criteria in satellite remote sensing. IEEE Geoscience and Remote Sensing Letters, 19(7), 1123–1127. https://doi.org/10.1109/LGRS.2022.3161234
Zhang, Q., Wang, J., & Liu, Y. (2022). Simulation of land use changes using improved CA-Markov model: Case study in rapidly urbanized area. Sustainable Cities and Society, 81, 103837. https://doi.org/10.1016/j.scs.2022.103837
Zhao, M.-S., Gao, Y., Wang, T., & Wang, S. (2023). Multiscenario simulation and prediction of land use in Huaibei City based on CLUE-S and PLUS models. Applied Sciences, 13(12), 7142. https://doi.org/10.3390/app13127142
