การติดตามการเจริญเติบโตของข้าวหอมมะลิทุ่งสัมฤทธิ์ด้วยอากาศยานไร้คนขับและดัชนีพืชพรรณ
Article Sidebar
Main Article Content
บทคัดย่อ
การผลิตข้าวหอมมะลิทุ่งสัมฤทธิ์ ซึ่งเป็นสินค้าสิ่งบ่งชี้ทางภูมิศาสตร์ที่สำคัญของจังหวัดนครราชสีมา ยังคงเผชิญกับข้อจำกัดด้านผลผลิตและประสิทธิภาพในการจัดการแปลง การติดตามระยะการเจริญเติบโตของข้าวอย่างแม่นยำและทันเวลาเป็นปัจจัยสำคัญต่อการสนับสนุนเกษตรแม่นยำ งานวิจัยนี้มีวัตถุประสงค์เพื่อติดตามการเจริญเติบโตของข้าวในระยะต่าง ๆ ได้แก่ ระยะแตกกอ ระยะตั้งท้อง และระยะออกรวง โดยใช้ภาพถ่ายทางอากาศจากอากาศยานไร้คนขับ (UAV) ร่วมกับการวิเคราะห์ดัชนีพืชพรรณ ได้แก่ ดัชนีสีเขียว-แดง (GRVI), ดัชนีผลต่างพืชพรรณจากแถบที่มองเห็นได้ (VDVI) และดัชนีสีเขียวส่วนเกิน (ExG) ควบคู่กับข้อมูลความสูงของกอข้าวในแปลงทดลอง UAV รุ่น DJI Phantom 3 Professional ถูกนำมาใช้ในการเก็บภาพถ่ายความละเอียดสูง และประมวลผลด้วยโปรแกรม Agisoft Metashape เพื่อสร้างแผนที่ออร์โธโมเสกและคำนวณดัชนีพืชพรรณ จากนั้นวิเคราะห์ข้อมูลเชิงพื้นที่ด้วยการวิเคราะห์องค์ประกอบหลัก (PCA) เพื่อตรวจสอบความสัมพันธ์ระหว่างดัชนีพืชพรรณและความสูงของต้นข้าวในแต่ละระยะการเจริญเติบโต ผลการศึกษาแสดงให้เห็นว่า ค่าดัชนี GRVI, VDVI และ ExG มีค่าสูงสุดในระยะแตกกอ ซึ่งสอดคล้องกับการสังเคราะห์แสงที่มีประสิทธิภาพและสุขภาพพืชที่ดี และลดลงในระยะตั้งท้องและออกรวงตามลำดับ สะท้อนถึงการเปลี่ยนแปลงทางสรีรวิทยาของต้นข้าว ผลการวิเคราะห์ PCA พบว่า องค์ประกอบหลักสองลำดับแรกสามารถอธิบายความแปรปรวนของข้อมูลได้ 90.21% โดยที่ PC1 มีความสัมพันธ์เชิงบวกกับค่าดัชนีพืชพรรณ และ PC2 มีความสัมพันธ์เชิงลบกับความสูงของต้นข้าว งานวิจัยนี้แสดงให้เห็นว่า การประยุกต์ใช้ UAV ร่วมกับดัชนีพืชพรรณจากภาพ RGB เป็นเครื่องมือที่มีประสิทธิภาพในการประเมินสุขภาพพืชและติดตามการเจริญเติบโตของข้าว ซึ่งสามารถนำไปสู่การพัฒนาระบบการจัดการแปลงและการเพิ่มผลผลิตอย่างแม่นยำและยั่งยืนในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
กรมทรัพย์สินทางปัญญา. 2562. สินค้าสิ่งบ่งชี้ทางภูมิศาสตร์ไทย (GI Thailand). พิมพ์ครั้งที่ 1. กรมทรัพย์สินทางปัญญา.
ปริญฉัตร จุนถาวร, กฤชญาณ อินทรัตน และนิลันดอน ไสยะวง. 2564. การเปรียบเทียบดัชนีพืชพรรณ RGB กับดัชนีพืชพรรณผลต่างแบบนอมัลไลซ์ ด้วยข้อมูลจากอากาศยานไร้คนขับ กรณีศึกษาข้าวแปลงเล็ก. ใน: การประชุมวิชาการทรัพยากรธรรมชาติ สารสนเทศภูมิศาสตร์ และสิ่งแวดล้อม ครั้งที่ 5.
พุฒิพงศ์ ธนะวงศ์ และภูมิพัฒน์ อุ่นบ้าน. 2565. การประเมินความสอดคล้องของข้อมูลภาพถ่ายรายละเอียดสูงด้วยอากาศยานไร้คนขับและภาพถ่ายดาวเทียม Sentinel-2 เพื่อติดตามการเจริญเติบโตของข้าว. วารสารการพัฒนานวัตกรรมเชิงพื้นที่. 3: 91–108.
สำนักงานจังหวัดนครราชสีมา. 2568. แผนพัฒนาจังหวัดนครราชสีมา ระยะ 5 ปี (พ.ศ. 2566–2570) ฉบับทบทวนประจำปีงบประมาณ พ.ศ. 2568. กลุ่มงานยุทธศาสตร์และข้อมูลเพื่อการพัฒนาจังหวัด, จังหวัดนครราชสีมา.
ศิวา แก้วปลั่ง, พรหมชัย สุพรรณ, ธนัช เอกเกื้อกูล และเนติ ศรีหานู. 2561. การติดตามการเจริญเติบโตของนาข้าวด้วยภาพถ่ายทางอากาศจากอากาศยานไร้คนขับ. น. 548–554. ใน: การประชุมทางวิชาการของมหาวิทยาลัยเกษตรศาสตร์ ครั้งที่ 56. กรุงเทพฯ: มหาวิทยาลัยเกษตรศาสตร์.
สุวิทย์ อ๋องสมหวัง. 2560. ระบบการรับรู้จากระยะไกลและการวิเคราะห์ข้อมูลภาพเชิงเลข. ฉบับปรับปรุง พ.ศ. 2560. นครราชสีมา: สำนักวิชาวิทยาศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี.
Agisoft, L. L. C. 2020. Metashape Professional (Version 1.6) [Computer software]. Agisoft. https://www.agisoft.com.
Avola, G., S. F. Di Gennaro, C. Cantini, E. Riggi, F. Muratore, C. Tornambè, and A. Matese. 2019. Remotely sensed vegetation indices to discriminate field-grown olive cultivars. Remote Sensing. 11: 1242.
De Swaef, T., W. H. Maes, J. Aper, J. Baert, M. Cougnon, D. Reheul, K. Steppe, I. Roldán-Ruiz, and P. Lootens. 2021. Applying RGB- and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sensing. 13: 147.
Jitt-Aer, J., P. Phumee, and K. Srisuk. 2021. Application of UAV for monitoring rice growth and nitrogen management using NDVI index. Thai Journal of Agricultural Science. 54: 112–121.
Li, S., F. Yuan, S. T. Ata-UI-Karim, H. Zheng, T. Cheng, X. Liu, Y. Tian, Y. Zhu, W. Cao, and Q. Cao. 2019. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation. Remote Sensing. 11: 1763.
Marino, S., and A. Alvino. 2018. Detection of homogeneous wheat areas using multi-temporal UAS images and ground truth data analyzed by cluster analysis. European Journal of Remote Sensing. 51: 266–275.
Muangprakhon, P., and S. Kaewplang. 2021. UAV-based rice plant height estimation. Thai Journal of Agricultural Science. 54: 101–110.
Ochiai, S., E. Kamada, and R. Sugiura. 2024. Comparative analysis of RGB and multispectral UAV image data for leaf area index estimation of sweet potato. Smart Agricultural Technology. 9: 100579.
Qiu, R., C. Li, B. Zhang, and Y. Zhang. 2020. Qualifications of rice growth indicators optimized at different growth stages using unmanned aerial vehicle digital imagery. Remote Sensing. 12: 3228.
Richardson, M. D., D. E. Karcher, and L. C. Purcell. 2001. Quantifying turfgrass cover using digital image analysis. Crop Science. 41: 1884–1888.
Sun, L., F. Gao, M. C. Anderson, W. P. Kustas, M. M. Alsina, L. Sanchez, B. Sams, L. McKee, W. Dulaney, W. A. White, J. G. Alfieri, A. D. Howell, L. Knipper, and R. R. B. Castro. 2017. Daily mapping of 30 m LAI and NDVI for grape yield prediction in California vineyards. Remote Sensing. 9: 317.
Suphan, P., A. Luadsong, and B. Jongdee. 2019. Monitoring of rice growth with UAV-derived aerial imagery. Mahasarakham International Journal of Engineering Technology. 5: 69–78.
Torres-Sánchez, J., J. M. Peña, A. I. de Castro, and F. López-Granados. 2014. Multi-temporal vegetation indices from unmanned aerial vehicle imagery for estimating grain yield in rice. ISPRS Journal of Photogrammetry and Remote Sensing. 104: 210–220.
Wang, F., X. Yao, L. Xie, J. Zheng, and T. Xu. 2021. Rice yield estimation based on vegetation index and fluorescence spectral information from UAV hyperspectral remote sensing. Remote Sensing. 13: 3390.
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 American Society of Agricultural Engineers. 38: 259–269.
Yang, C. Y., M. D. Yang, W. C. Tseng, Y. C. Hsu, G. S. Li, M. H. Lai, D. H. Wu, and H. Y. Lu. 2020. Assessment of rice developmental stage using time series UAV imagery for variable irrigation management. Sensors. 20: 5354.
Yuan, N., Y. Gong, S. Fang, Y. Liu, B. Duan, K. Yang, X. Wu, and R. Zhu. 2021. UAV remote sensing estimation of rice yield based on adaptive spectral endmembers and bilinear mixing model. Remote Sensing. 13: 2190.
Zhang, Z., J. Chen, and Y. Lu. 2019. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras. Plant Methods. 15: 112.
