A cassava yield estimation using aerial imagery-derived UAV
Article Sidebar
Main Article Content
Abstract
Accurate evaluation of cassava production makes benefits the Thai industrial sector. This research's objective was to evaluate cassava yield (Rayong 72) at 8-12 months after planting using multispectral images from unmanned aerial vehicle (UAV) with GSD 0.33 cm and ground sampling data. A study compared the efficiency of yield evaluation with ExG, GRVI, and NDVI vegetation indices with linear regression models. The prediction yield model found that the weight of fresh cassava root with NDVI vegetation index gave the highest R2 at 0.82 and has an RMSE of 0.38 kg/m2. In contrast, the starch percentage of fresh cassava found that R2 was relatively low, with the ExG index giving it the highest value. The highest is 0.34 and has an RMSE of 3.35%. This was because the percentage of starch in fresh cassava tubers varied more according to external factors than the integrity of the stems and leaves. This research was specific to Rayong 72 cassava cultivar grown in Khon Buri soil series, however, it can be used as a guide for evaluating production in other areas.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กรมวิชาการเกษตร. 2547. เอกสารวิชาการมันสำปะหลัง. กรมวิชาการเกษตร, กรุงเทพฯ.
กิติ์สุชาต พสุภา. 2564. ระบบอัจฉริยะชั้นสูง: ทฤษฎี อัลกอริทึม และการประยุกต์ใช้. สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, กรุงเทพฯ.
ฆฤณ ชินประสาทศักดิ์, ปรีชาพล อินทรสุข, นันทนัช ฟูสามป๊อก และณัฐพล สนพะเนาว์. 2566. แก่นแท้ของ Deep Learning : AI อธิบายด้วยภาพ. สำนักพิมพ์ เมดบายเอไอ, นนทบุรี.
จีรวัฒน์ โนดไธสง, ขวัญตรี แสงประชาธนารักษ์, เจษฎา โพธิ์สม, เสรี วงส์พิเชศฐ์, ศุภสิทธิ์ คนใหญ่, มหิศร ว่องผาติ และ Chanreaksa Chea. 2562. การศึกษาความเป็นไปได้ในการทำนายผลผลิตอ้อยในแปลงโดยใช้ดัชนีพืชพรรณ NDVI, CI red edge และปริมาตรจากแบบจำลองพื้นผิวเชิงตัวเลข. แก่นเกษตร. 47: 679-694.
ชัยวัช โซวเจริญกุล. 2566. แนวโน้มธุรกิจ/อุตสาหกรรม ปี 2566-68 อุตสาหกรรมมันสำปะหลัง. แหล่งข้อมูล: https://www.krungsri.com/getmedia/863b0aec-1bf1-449b-9b6b-1235a3a05650/IO_Cassava_230203_TH_EX.pdf.aspx. ค้นเมื่อ 15 กันยายน 2566.
ปริยฉัตร จุนถาวร. 2563. การศึกษานาข้าวโดยอากาศยานไร้คนขับ: การติดตามการเจริญเติบโตของข้าวด้วยดัชนีพืชพรรณ RGB และการวัดความสูงของต้นข้าวด้วยแบบจำลองพื้นผิวเชิงตัวเลข. วิทยานิพนธ์ ปริญญาศิลปศาสตร บัณฑิต มหาวิทยาลัยธรรมศาสตร์. ปทุมธานี.
ผุสดี บุญรอด และกรวัฒน์ พลเยี่ยม. 2560. แบบจำลองการพยากรณ์ราคามันสำปะหลังโดยใช้โครงข่ายประสาทเทียมแบบหลายชั้น. วิทยาศาสตร์และเทคโนโลยี. 25: 533-543.
พงศ์ หลวงมูล และถาวร อ่อนประไพ. 2564. การประมาณผลผลิตข้าวด้วยค่าดัชนีพืชพรรณโดยใช้ข้อมูลภาพแบบหลายช่วงคลื่นจากอากาศยานไร้คนขับ. วารสารเกษตร. 37: 193-205.
โพธิ์วุฒิ บุญเรือง, ชยันต์ ภักดีไทย และศิวา แก้วปลั่ง. 2564. การประเมินภาพถ่ายทางอากาศจากอากาศยานไร้คนขับสำหรับประมาณผลผลิตอ้อย. แก่นเกษตร. 49: 306-313.
มูลนิธิสถาบันพัฒนามันสำปะหลังแห่งประเทศไทย. 2557. รายงานผลการติดตามภาวะการผลิตมันสำปะหลังฤดูการผลิต 2556/2557. มูลนิธิสถาบันพัฒนามันสำปะหลังแห่งประเทศไทย, กรุงเทพฯ.
วลัยพร ศะศิประภา, นรีลักษณ์ วรรณสาย, สุภาพร ราจันทึก และณิชา โป๋ทอง. 2555. ความสัมพันธ์หว่างดัชนีพืชพรรณผลต่างนอร์แมลไลซ์กับผลผลิตมันสำปะหลังในจังหวัดกำแพงเพชร. วิชาการเกษตร. 30: 290-299.
วัชริน มีรอด, กุลวรางค์ สุวรรณศรี และกฤษดา บำรุงวงศ์. 2558. การศึกษาผลกระทบและเตรียมความพร้อมของภาคเกษตรไทย สู่ประชาคมอาเซียน: กรณีศึกษามันสำปะหลัง. สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ, ปทุมธานี.
วัฒนพันธุ์ ฤทธิ์เต็ม. 2561. การติดตามวิเคราะห์เปรียบเทียบการเจริญเติบโตและโรคใบขาวในแต่ละช่วงอายุของอ้อยด้วยภาพถ่ายจากอากาศยานไร้คนขับ และซอฟต์แวร์รหัสเปิด. วิทยานิพนธ์ ปริญญาวิทยาศาสตร บัณฑิต มหาวิทยาลัยนเรศวร. พิษณุโลก.
พรหมชัย สุพรรณ, ธนัช เอกเกื้อกูล, เนติ ศรีหาหนู และศิวา แก้วปลั่ง. 2561. ารติดตามการเจริญเติบโตของนาข้าวด้วยภาพถ่ายทาง อากาศจากอากาศยานไร้คนขับ. น. 548-554. ใน: การประชุมทางวิชาการมหาวิทยาลัยเกษตรศาสตร์ ครั้งที่ 56: สาขา วิทยาศาสตร์และพันธุวิศวกรรม, สาขาสถาปัตยกรรมศาสตร์และวิศวกรรมศาสตร์, สาขาอุตสาหกรรมเกษตร, สาขาทรัพยากรธรรมชาติและสิ่งแวดล้อม. 30 มกราคม - 2 กุมภาพันธ์ 2561 มหาวิทยาลัยเกษตรศาสตร์, กรุงเทพฯ.
สิตาวีร์ ธีรวิรุฬห์. 2559. สมาร์ทฟาร์ม (Smart farm) การทำการเกษตรที่เป็นมิตรกับสิ่งแวดล้อม. แหล่งข้อมูล: http://libarary2.parliment.go.th/ebook/content-issue/2559/hi2559-093.pdf. ค้นเมื่อ 6 เมษายน 2564.
สำนักงานเศรษฐกิจการเกษตร. 2558. โอกาสสินค้าเกษตรสู่ประชาคมอาเซียน. แหล่งข้อมูล: http://www.oae.go.th/down load/
download_journal/ 2558/ yearbook57. Pdf. ค้นเมื่อ 29 พฤษภาคม 2564.
สำนักงานเศรษฐกิจการเกษตร. 2565. ข้อมูลการผลิตสินค้าเกษตร. แหล่งข้อมูล: https://www.oae.go.th/view/1/ข้อมูลการผลิตสินค้าเกษตร/TH-TH ค้นเมื่อ 15 กันยายน 2566.
สำนักวิศวกรรมการผังเมือง. 2564. การสำรวจและจัดทำแผนที่ด้วยอากาศยานไร้คนขับ. สำนักพิมพ์ แอคชีฟ 888, กรุงเทพฯ.
Chu, T., M. J. Starek, M. J. Brewer, S. C. Murray, and L. S. Pruter. 2017. Assessing loading severity over an experimental maize (Zea mays L.) field using UAS images. Remote Sensing. 9: 923.
DJI. 2016. Phantom 4 Pro/Pro+ User Manual V1.0 2016.11. Available: https://dl.djicdn.com/downloads/ phantom_4_pro/Phantom+4+Pro+Pro+Plus+User+Manual+v1.0.pdf. Accessed Nov.18, 2022.
Janket, A., N. Vorasoot, B. Toomsan, W. Kaewpradit, S. Jogloy, P. Theerakulpisut, C.C. Holbrook, C. K. Kvien, and P. Banterng. 2020. Starch accumulation and granule size distribution of cassava cv. Rayong 9 grown under irrigated and rainfed conditions using different growing seasons. Agronomy. 10: 412.
Jensen, J. R. 2007. Remote sensing of vegetation. Remote sensing of the environment: an earth resource perspective. Pearson Prentice Hall, Upper Saddle River, NJ.
Jiang, X., M. Gao, and Z. Gao. 2020. A novel index to detect green-tide using UAV-based RGB imagery. Estuarine, Coastal and shelf science. 245.
Machikowa, T., T. Thong-ob, and S. Wonprasaid. 2020. Effect of soil moisture and determination of critical soil moisture contents of cassava. Indian Journal of Agricultural Research. 54: 483-488.
Noor, S., O. Tajik, and J. Golzar. 2022. Simple random sampling. International Journal of Education and Language Studies. 1: 78-82.
Parrot. 2022. Parrot SEQUOIA User guide. Available: https://www.parrot.com/assets/s3fs-public/2021-09/bd_sequoia_integration_manual_en_0.pdf. Accessed Nov. 18, 2022.
Santisopasri, V., K. Kurotjanawong, S. Chotineeranat, K. Piyachomkwan, K. Sriroth, and C. G. Oates. 2001. Impact of water stress on yield and quality of cassava starch. Industrial Crops and Products. 13: 115-129.
Sriroth, K., S. Piyachomkwan, and C. G. Oates. 2001. Environmental conditions during root development: Drought constraint on cassava starch quality. Euphytica. 120: 95-102.
Starý, K., Z. Jelínek, J. Kumhálová, and J. Chyba. 2020. Comparing RGB-based vegetation indices from uav imageries to estimate hops canopy area. Agronomy Research. 18: 2592-2601.
Tucker, C. J. 1979. Red and photographic in-frared linear combinations for monitoring vegetation. Remote Sensing of Environment. 8: 127-150.
Tumlisan, G. Y. 2017. Monitoring growth development and yield estimation of maize using very high-resolution UAV-images in Gronau, Germany. M. S. Thesis. University of Twente, Enschede, Netherlands.
Woebbecke, D. M., G. E. Meyer, K. Von Bargen, and D. A. Mortensen. 1995. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE. 38: 259-269.
Zhao, H., and J. Lee. 2020. The feasibility of consumer RGB camera drones in evaluating multitemporal vegetation status of a selected area: a technical note. Applied Geography. 6: 480-488.
