การสำรวจระยะไกลด้วยดาวเทียมเพื่อติดตามการเจริญเติบโตของต้นยางพาราและพยากรณ์ผลผลิตน้ำยาง กรณีศึกษาในพื้นที่ อ.เถิน จ.ลำปาง
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อติดตามการเจริญเติบโตของต้นยางพารา และการพยากรณ์ผลผลิตน้ำยางพาราโดยใช้ข้อมูลภาพดาวเทียมในแปลงปลูกยางพารา 2 พื้นที่ในอำเภอเถิน จังหวัดลำปาง ซึ่งเป็นเขตปลูกยางใหม่ โดยทำการเก็บรวบรวมข้อมูลชุดดิน ข้อมูลภูมิอากาศ และข้อมูลภาพดาวเทียมจากดาวเทียม Landsat 8 ตั้งแต่ปี พ.ศ. 2557-2562 จากข้อมูลดิน และข้อมูลภูมิอากาศแสดงให้เห็นว่า พื้นที่ศึกษาทั้ง 2 พื้นที่ไม่เหมาะสมกับการปลูกยางพารา ส่งผลให้ขนาดเส้นรอบวงลำต้นและการให้ผลผลิตต่ำกว่าเกณฑ์มาตรฐาน สำหรับข้อมูลภาพดาวเทียมในพื้นที่ศึกษาพบว่า ค่าการสะท้อนช่วงคลื่น RED (630-680 nm) ให้มีความสัมพันธ์สูงกับขนาดเส้นรอบวงลำต้นของยางพารา และดัชนีพืชพรรณ Difference Vegetation-Index (DVI) Soil-adjusted Vegetation Index (SAVI) Ratio Vegetation Index (RVI) Enhanced Vegetation Index (EVI) และ Modified Soil-Adjusted Vegetation Index (MSAVI) ให้ค่าสัมประสิทธิ์สหสัมพันธ์ (R) อยู่ในระดับปานกลางถึงสูงกับการให้ผลผลิตรายเดือนของยางพารา นอกจากนี้ การวิเคราะห์การถดถอยเชิงเส้นพหุแบบเป็นขั้นตอนระหว่างผลผลิตยางพารากับดัชนีพืชพรรณทั้ง 2 พื้นที่ พบว่า สามารถใช้ค่าดัชนี NDVI และ ค่าการสะท้อนช่วงคลื่น Near Infrared หรือ NIR (845-885 nm) ในการพยากรณ์ผลผลิตยางพาราได้ โดยมีค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.77 และ 0.63 และ ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ยระหว่างค่าจริงกับค่าพยากรณ์ (Root Mean Square Error, RMSE) เท่ากับ 2.89 – 4.77 กก./ไร่
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กลุ่มบริการสารสนเทศอุตุนิยมวิทยา สำนักบริการดิจิทัลอุตุนิยมวิทยา. 2563. ข้อมูลอุตุนิยมวิทยา. กลุ่มบริการสารสนเทศอุตุนิยมวิทยา สำนักบริการดิจิทัลอุตุนิยมวิทยา. แหล่งข้อมูล: https://www.tmd.go.th/services/services.php. ค้นเมื่อ 29 มิถุนายน 2563.
กองสำรวจดินและวิจัยทรัพยากรดิน. 2543. กลุ่มชุดดิน 62 กลุ่ม. แหล่งข้อมูล: http://oss101.ldd.go.th/thaisoils_museu
m/62_soilgroup/main_62soilgroup.htm. ค้นเมื่อ 6 พฤศจิกายน 2563.
การยางแห่งประเทศไทย. 2560. การปลูกสวนยางพาราที่มีประสิทธิภาพ. องค์การสวนยาง กระทรวงเกษตรและสหกรณ์.
การยางแห่งประเทศไทย. 2561. ข้อมูลวิชาการยางพาราปี 2561. นิวธรรมดาการพิมพ์. กรุงเทพฯ.
จินดา มูนละมณี, สุพรรณ กาญจนสุธรรม, แก้ว นวลฉวี และ นฤมล อินทรวิเชียร. 2560. การประยุกต์เทคโนโลยีภูมิศาสตร์สารสนเทศเพื่อจำแนกพื้นที่ยืนต้นยางพาราด้วยข้อมูลจากดาวเทียม กรณีศึกษา จังหวัดบลิคำไช สาธารณรัฐประชาธิปไตยประชาชานลาว. เทคโนโลยีภูมิสารสนเทศ. 2: 13-26.
จีรวัฒน์ โนดไธสง, ขวัญตรี แสงประชาธนารักษ์, Chanreaksa Chea, เจษฎา โพธิ์สม, เสรี วงส์พิเชษฐ, ศุภสิทธิ์ คนใหญ่ และ มหิศร ว่องผาติ. 2562. การศึกษาความเป็นไปได้ในการทำนายผลผลิตอ้อยในแปลงโดยใช้ดัชนีพืชพรรณ NDVI, CIred edge และปริมาตรจากแบบจำลองพื้นผิวเชิงตัวเลข. แก่นเกษตร. 47: 679-694.
ธนัชชา ศิริแก้ว. 2562. การประยุกต์ใช้ข้อมูลดาวเทียมศึกษาการเปลี่ยนแปลงเชิงพื้นที่ปลูกยางพารา กรณีศึกษา อำเภอนครไทย จังหวัดพิษณุโลก. วิทยานิพนธ์ปริญญาวิทยาศาสตรบัณฑิต มหาวิทยาลัยนเรศวร. พิษณุโลก.
ธิรดา ยงสถิตศักดิ์, อานันต์ คำภีระ, เกริกชัย ทองหนู, อดุลย์ เบ็ญนุ้ย, พีระพิทย์ พืชมงคล ยงเฉลิมชัย และ เอกรักษ์ ใฝ่บุญ. 2554. การประยุกต์ใช้ภาพถ่ายดาวเทียม THEOS ในการจำแนกช่วงอายุยางพาราเพื่อประเมินปริมาณไม้ยางพาราสำหรับภาคอุตสาหกรรม กรณศึกษาลุ่มแม่น้ำอู่ตะเภา จังหวัดสงขลา. สมาคมสำรวจข้อมูลระยะไกลและสารสนเทศภูมิศาสตร์แห่งประเทศไทย สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน). 12: 28-42.
นิวัตร วรรณนิธกุล และ เบ็ญจรงค์ จิรเศวตกุล. 2549. Crop requirement ยางพารา. กลุ่มส่งเสริมการผลิตยางพาราและปาล์มน้ำมัน, สำนักส่งเสริมและจัดการสินค้าเกษตร, กรมส่งเสริมการเกษตร, กรุงเทพฯ.
เนติ ศรีหานู และ ศิวา แก้วปลั่ง. 2561. การประมาณผลผลิตข้าวโดยใช้ข้อมูลดาวเทียม MODIS ด้วยโครงข่ายประสาทเทียม. น. 61-69. การประชุมวิชาการ มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14 6 – 7 กันยายน 2561. คณะมนุษยศาสตร์และสังคมศาสตร์ มหาวิทยาลัยมหาสารคาม. มหาสารคาม.
พิศมัย จันทุมา, วารุณี บุญนำ, อเนก กุณาละสิริ, ศุภมิตร ลิมปิชัย, เฉลิมพงษ์ ขาวช่วง, นภาวรรณ เลขะวิพัฒน์, กฤษดา สังข์สิงห์, รัตน์ติยา พวงแก้ว, ดารุณี โกศัยเสวี, สุรเดช ปัจฉิมกุล, พุฒนา รุ่งระวี, อารักษ์ จันทุมา และ ศจีรัตน์ แรมลี. 2553. การประเมินการเจริญเติบโตของต้นยางในเขตปลูกยางใหม่. กรมวิชาการเกษตร สถาบันวิจัยยาง, กรุงเทพฯ.
ภราดร กาญจนสุธรรม, นิพนธ์ ตั้งธรรม และ เรืองไร โตกฤษณะ. 2557. การประมาณผลผลิตต่อไร่ของข้าวนาปรังด้วยข้อมูลดาวเทียม SMMS โดยใช้ดัชนีความแตกต่างพืชพรรณ (NDVI): กรณีศึกษาอำเภอเมือง จังหวัดสุพรรณบุรี. วิทยาศาสตร์และเทคโนโลยี. 22: 55-56.
รัศมี สุวรรณวีระกำธร, วาสนา พุฒกลาง, อุราวรรณ จันทร์เกษ, พัทยา คำแดง, พงษ์เทพ วรรณรส และสิริพร กมลธรรม. 2555. การติดตามการขยายพื้นที่เพาะปลูกยางพาราบริเวณจังหวัดมุกดาหาร ด้วยภาพถ่ายดาวเทียม THEOS. การสัมมนาวิชาการเทคโนโลยีอวกาศและภูมิสารสนเทศประจำปี 2555 เรื่อง เข้าใจเข้าถึงพื้นที่ด้วยเทคโนโลยีอวกาศ และภูมิสารสนเทศ 5-7 กันยายน 2555. โรงแรมเดอะแกรนด์ริเวอร์ไซด์ จังหวัดพิษณุโลก และโรงแรมอิมพีเรียลภูแก้วฮิลล์ รีสอร์ทเขาค้อ จังหวัดเพชรบูรณ์.
วรรณทนีย์ มีลุน, สุภัทร์ อิศรางกุล ณ อยุธยา และศิวพร ศีลเตโช. 2560. อิทธิพลของพื้นที่ปลูกต่อการเจริญเติบโตของยางพาราสายพันธุ์ RRIM 600 และ RRIT 251 ในภาคตะวันออกเฉียงเหนือ. แก่นเกษตร. 45: 325-330.
วลัยพร ศะศิประภา, นรีลักษณ์ วรรณสาย, สุภาพร ราจันทึก และ ณิชา โป๋ทอง. 2555. ความสัมพันธ์ระหว่างดัชนีพืชพรรณผลต่างแบบนอร์แมลไลซ์กับผลผลิตมันสำปะหลังในจังหวัดกำแพงเพชร. วิชาการเกษตร. 30: 290-299.
สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ. 2552. ตำราเทคโนโลยีอวกาศและภูมิสารสนเทศศาสตร์. พิมพ์ครั้งที่ 1. สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน), กรุงเทพฯ.
สุคนธ์ทิพย์ เวียนมานะ, สุภาภรณ์ พวงชมภู และ ไพศาล กะกุลพิมพ์. 2557. ปัจจัยที่มีผลต่อปริมาณผลผลิตยางพาราในภาคตะวันออกเฉียงเหนือ. แก่นเกษตร. 42: 499-504.
Al-Gaadi, K., A.A. Hassaballa, E. Tola, A.G. Kayad, R. Madugundu, B. Alblewi, and F. Assiri. 2016. Prediction of Potato Crop Yield Using Precision Agriculture Techniques. PLOS ONE. 11: 1-16.
Balasundram, S., H. Memarian, and R. Khosla. 2013. Estimating oil palm yields using vegetation indices derived from QuickBird. Life Science Journal. 10: 851-860.
Best, J. W. 1977. Research in education: 3rd ed. Englewood Cliffs, Nj: Prentice-Hall.
Bolton, D., and M. Friedl. 2013. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics. Agricultural and Forest Meteorology. 173: 74-84.
Fox, J., and J. Castella. 2013. Expansion of rubber (Hevea brasiliensis) in mainland Southeast Asia: What are the prospects for small holders?. Journal of Peasant Studies. 40: 155-170.
Fox, J., J. Krummel, S. Yarnasarn, M. Ekasingh, and N. Podger. 1995. Land‐use and landscape dynamics in Northern Thailand: Assessing change in three upland watersheds since 1954. A Journal of the Human Environment. 24: 328–334.
Gao, B. 1996. NDWI: A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment. 58: 257-266.
Ghulam, A., Z. Li, Q. Qin, H. Yimit, and J. Wang. 2008. Estimating crop water stress with ETM+ NIR and SWIR data. Agricultural and Forest Meteorology. 148: 1679-1695.
Gitelson, A., Y. Kaufman, and M. Merzlyak. 1996. Use of a green channel in remote sensing of global vegetation from EOS- MODIS. Remote Sensing of Environment. 58: 289-298.
He, L., and G. Mostovoy. 2019. Cotton Yield Estimate Using Sentinel-2 Data and an Ecosystem Model over the Southern US. Remote Sensing. 11: 2000.
Huete, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment. 25: 295-309.
Huete, A., K. Didan, T. Miura, E.P. Rodriguez, X. Gao, and L. Ferreira. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment. 83: 195-213.
Jensen, J.R., F. Qiu, and M. Ji. 1999. Predictive modelling of coniferous forest age using statistical and artificial neural network approaches applied to remote sensor data. International Journal of Remote Sensing. 20: 2805-2822.
Jongschaap, R. 2006. Run-time calibration of simulation models by integrating remote sensing estimates of leaf area index and canopy nitrogen. European Journal of Agronomy. 24: 316-324.
Jordan, C. 1969. Derivation of leaf-area index from quality of light on the forest floor. Ecology. 50: 663-666.
Kriegler, F., W.A. Malila, R.F. Nalepka, and W. Richardson. 1969. Preprocessing Transformations and Their Effects on Multispectral Recognition. Proceedings of the 6th. International Symposium on Remote Sensing of Environment. 97-131.
Li, Z., and J.M. Fox. 2012. Mapping rubber tree growth in mainland Southeast Asia using time-series MODIS250 m NDVI and statistical data. Applied Geography. 32: 420-432.
Praktikantin. 2017. Rubber Farm Economics in Thailand. Available: https://pugnatorius.com/rubber-farm-investments/. Accessed Mar. 26, 2021.
Qi, J., A. Chehbouni, A.R. Huete, Y.H. Kerr, and S. Sorooshian. 1994. A modified soil adjusted vegetation index. Remote Sensing of Environment. 48: 119-126.
Rahman M.M., A. Robson, and M. Bristow. Exploring the Potential of High Resolution WorldView-3 Imagery for Estimating Yield of Mango. 2018. Remote Sensing. 10: 1866.
Research and Markets. 2016. Assessment of Thailand's Rubber Industry 2016. Available: https://www.businesswire.com/news/home/20161103006207/en/AssessmentofThailandsRubberIndustry2016ResearchandMarkets. Accessed Mar. 26, 2021.
Resende, R., K.N. Kuki, T.R. Corrêa, Ú.R. Zaidan, P.H. Mota, L.A. Telles, D.G. Gonzales, S.Y. Motoike, M. Resende, H. Leite, and A.S. Lorenzon. 2020. Data-based agroecological zoning of Acrocomia aculeata: GIS modeling and ecophysiological aspects into a Brazilian representative occurrence area. Industrial Crops and Products. Industrial Crops and Products. 154: 112749.
Roujean, J.L., and F.M. Bréon. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment. 51: 375-384.
Somboonsuke, B., C. Kongmanee, N. Thongtrai, and P. Phitthayaphinant. 2018. Potential of para-rubber production in Thailand: Production technology management, problems and suggestions for yield improvement. Kasetsart Journal of Social Sciences. 39: 645-659.
Suratman, M., G. Bull, D. Leckie, V. Lemay, P. Marshall, and M. Mispan. 2004. Prediction models for estimating the area, volume, and age of rubber (Hevea brasiliensis) plantations in Malaysia using Landsat TM data. The International Forestry Review. 6: 1-12.
Tucker, C. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment. 8: 127-150.
Veena, S., S. Mohamed, N. Laili, and P. Biswajeet. 2012. NDVI of Oil Palm Trees by LANDSAT-5 Imagery. In Proceedings of the 33rd Asian Conference on Remote Sensing 26-30 November 2012. Pattaya, Thailand.
Warren-Thomas, E.M., P. Dolman, and D. P. Edwards. 2015. Increasing demand for natural rubber necessitates a robust sustainability initiative to mitigate impacts on tropical biodiversity. Conservation Letters. 8: 230-241.
Yasen, K., and W. Koedsin. 2015. Estimating Aboveground Biomass of Rubber Tree Using Remote Sensing in Phuket Province, Thailand. Journal of Medical and Bioengineering. 4: 451-456.