การประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำปาวโดยใช้ข้อมูลภาพถ่ายดาวเทียม sentinel-2
Article Sidebar
Main Article Content
บทคัดย่อ
การติดตามและตรวจวัดค่าความเข้มข้นของตะกอนแขวนลอยมีสำคัญมากสำหรับการจัดการอ่างเก็บน้ำ โดยการตรวจวัดค่าความเข้มข้นของตะกอนแขวนลอยแบบดั้งเดิมต้องใช้การสุ่มเก็บตัวอย่างน้ำในแม่น้ำซึ่งต้องใช้เวลาและงบประมาณมาก การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อใช้ข้อมูลสเปกตรัมจากการรับรู้จากระยะไกลจากภาพถ่ายดาวเทียม Sentinel-2 ร่วมกับการเรียนรู้ของเครื่องจักร (machine learning) เพื่อประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำปาว โดยใช้อัลกอริทึมแบบถดถอยด้วยการเรียนรู้ของเครื่องจักร 3 วิธี (แบบจำลองเชิงเส้นวางนัยทั่วไป (Generalized Linear Model) การวิเคราะห์โครงข่ายประสาทเทียมเชิงลึก (Deep Learning) และ แบบจำลอง Support Vector Machine : SVM เพื่อประเมินอัลกอริทึมที่เหมาะสมสำหรับประมาณค่าความเข้มข้นของตะกอนแขวนลอยแม่น้ำปาว ผลการศึกษาพบว่าแบบจำลอง Support Vector Machine ให้ผลลัพธ์ที่ดีที่สุดโดยมีค่าเฉลี่ยของรากที่สองของกำลังสองของความคลาดเคลื่อน (RMSE) ต่ำที่สุดและมีความสัมพันธ์ทางสถิติสูงที่สุด (R2 = 0.863 ; RMSE = 11.9) สำหรับข้อมูลทั้งหมดของค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำปาว (0 ถึง 90 mg/l) ในช่วงระยะเวลาของการศึกษา วิธีการที่นำเสนอในการศึกษาครั้งนี้สามารถใช้เป็นแนวทางในการผสมผสานการเรียนรู้ของเครื่องจักรกับภาพถ่ายดาวเทียม Sentinel-2 สำหรับการประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำอื่น ๆ ถึงแม้ว่ายังมีปัจจัยบางอย่างที่มีอิทธิพลที่จำเป็นต้องมีการศึกษาเพิ่มเติมเพื่อปรับปรุงความแม่นยำของการประมาณค่าความเข้มข้นของตะกอนแขวนลอยในแม่น้ำ
Article Details
References
2. C.Montanher, O. (2014). Empirical models for estimating the suspended sediment concentration in Amazonian white water rivers using Landsat 5/TM. 67-77.
3. Chen, I. J., & Paulraj, A. (2004). Towards a theory of supply chain management: the constructs and measurements. Journal of operations management, 22(2), 119-150.
4. Gao, J. and S. O'leary, Estimation of suspended solids from aerial photographs in a GIS. International Journal of Remote Sensing, 1997. 18(10): p. 2073-2086.
5. Syvitski, J.P., et al., Estimating fluvial sediment transport: the rating parameters. Water resources research, 2000. 36(9): p. 2747-2760.
6. Jensen, R. and M. Binford, Measurement and comparison of Leaf Area Index estimators derived from satellite remote sensing techniques. International Journal of Remote Sensing, 2004. 25(20): p. 4251-4265.
7. Jongschaap, R.E., Run-time calibration of simulation models by integrating remote sensing estimates of leaf area index and canopy nitrogen. European Journal of Agronomy, 2006. 24(4): p. 316-324.
8. Fang, S., et al., Methods to break seed dormancy in Cyclocarya paliurus (Batal) Iljinskaja. Scientia Horticulturae, 2006. 110(3): p. 305-309.
9. Ritchie, J.C. and C.M. Cooper, Comparison of measured suspended sediment concentrations with suspended sediment concentrations estimated from Landsat MSS data.
TitleREMOTE SENSING, 1988. 9(3): p. 379-387.
10.ANJI REDDY, M. and S. Srinivasulu, Comparison of IRS-IB LISS-IIA pixel array sizes for estimating suspended solids concentration in Hussain Sagar Lake, Hyderabad, India—a statistical approach. International Journal of Remote Sensing, 1994. 15(18): p. 3693-3706.
11. Doxaran, D., et al., Spectral signature of highly
turbid waters: Application with SPOT data to quantify suspended particulate matter concentrations. Remote sensing of Environment, 2002. 81(1): p. 149-161.
12. Wang, Z., et al., Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing, 2004. 13(4): p. 600-612.
13. Miller, R.L. and B.A. McKee, Using MODIS Terra 250 m imagery to map concentrations of total suspended matter in coastal waters. Remote sensing of Environment, 2004. 93(1-2): p. 259-266.
14. Ma, R. and J. Dai, Investigation of chlorophyll‐a and total suspended matter concentrations using Landsat ETM and field spectral measurement in Taihu Lake, China. International Journal of Remote Sensing, 2005. 26(13): p. 2779-2795.
15. Islam, M.R., Y. Yamaguchi, and K. Ogawa, Suspended sediment in the Ganges and Brahmaputra Rivers in Bangladesh: observation from TM and AVHRR data. Hydrological Processes, 2001. 15(3): p. 493-509.
16. Onderka, M. and P. Pekárová, Retrieval of suspended particulate matter concentrations in the Danube River from Landsat ETM data. Science of the total environment, 2008. 397(1-3): p. 238-243.
17. Wang, C., Variability of the Caribbean low-level jet and its relations to climate. Climate dynamics, 2007. 29(4): p. 411-422.
18. Wang, L., et al., DEGseq: an R package for identifying differentially expressed genes from RNA-seq data. Bioinformatics, 2009. 26(1): p. 136-138.
19. Fang, S., Wang, J., Wei, Z., & Zhu, Z. (2006). Methods to break seed dormancy in Cyclocarya paliurus (Batal) Iljinskaja. Scientia Horticulturae, 110(3), 305-309
20. Peterson, K., Sagan, V., Sidike, P., Cox, A., & Martinez, M. (2018). Suspended Sediment Concentration Estimation from Landsat Imagery along the Lower Missouri and Middle Mississippi Rivers Using an Extreme Learning Machine. Remote Sensing, 10(10), 1503.
21. Lima, T.A., Beuchle, R., Langner, A., Grecchi, R.C., Griess, V.C. and Achard, F., 2019. Comparing Sentinel-2 MSI and Landsat 8 OLI Imagery for Monitoring Selective Logging in the Brazilian Amazon. Remote Sensing, 11(8), p.961.
22. Mandanici, E. and Bitelli, G., 2016. Preliminary comparison of sentinel-2 and landsat 8 imagery for a combined use. Remote Sensing, 8(12), p.1014.
23. Pham, Q., Ha, N., Pahlevan, N., Oanh, L., Nguyen, T., & Nguyen, N. (2018). Using Landsat-8 Images for Quantifying Suspended Sediment Concentration in Red River (Northern Vietnam). Remote Sensing, 10(11), 1841.
24. Wang, J. J., & Lu, X. X. (2010). Estimation of suspended sediment concentrations using Terra MODIS: An example from the Lower Yangtze River, China. Science of the Total Environment, 408(5), 1131-1138.
23. Larson, M. D., Simic Milas, A., Vincent, R. K., & Evans, J. E. (2018). Multi-depth suspended sediment estimation using high-resolution