การจำแนกพื้นที่ปลูกพืชเศรษฐกิจจากข้อมูลภาพดาวเทียมแลนด์แซท 8 และข้อมูลทุติยภูมิโดยวิธีซัพพอร์ตเวกเตอร์แมทชีนในพื้นที่ลุ่มน้ำลำเชียงไกรตอนบน
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาวิธีการจำแนกพื้นที่ปลูกพืชเศรษฐกิจจากดาวเทียมแลนด์แซท 8 ด้วยการนำข้อมูลค่าการสะท้อนคลื่นแสงรวมเข้าข้อมูลทุติยภูมิ ได้แก่ (1) ข้อมูลจากสมการแปลงแบบ Tasseled Cap ของข้อมูลดาวเทียมแลนด์แซท 8 (ความสว่าง ความเขียว และความชื้น) และ (2) ข้อมูลชีวกายภาพ (ความสูง ความลาดชัน และทิศทางการรับแสง) มาช่วยเพิ่มประสิทธิภาพในการจำแนกโดยวิธีซัพพอร์ตเวกเตอร์แมทชีนให้ถูกต้องมากยิ่งขึ้น ในบริเวณลุ่มน้ำลำเชียงไกรตอนบน จังหวัดนครราชสีมา ซึ่งเป็นพื้นที่ที่มีการปลูกพืชเศรษฐกิจที่สำคัญ 3 อันดับแรกของจังหวัด โดยได้จำแนกประเภทการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดิน 7 ประเภท ได้แก่ พื้นที่ชุมชนและสิ่งปลูกสร้าง พื้นที่ปลูกพืชเศรษฐกิจ ไม้ยืนต้นและไม้ผล พื้นที่ป่า พื้นที่น้ำ ไม้ละเมาะ และพื้นที่รกร้าง พร้อมประเมินค่าความถูกต้องของผลการจำแนก โดยอาศัยค่าความถูกต้องโดยรวมและค่าสัมประสิทธิ์แคปปา ผลการศึกษาพบว่าค่าความถูกต้องโดยรวมและค่าสัมประสิทธิ์แคปปาของชุดข้อมูลมีค่าร้อยละ 84.21-92.76 และร้อยละ 62.35-81.67 ตามลำดับ และชุดข้อมูลค่าการสะท้อนคลื่นแสงรวมกับข้อมูลค่าความสว่าง ความเขียว ความชื้น และความสูง เป็นชุดข้อมูลที่เหมาะสมสูงสุดในการจำแนกพื้นที่ปลูกพืชเศรษฐกิจ ดังนั้นจึงสรุปได้ว่าการใช้ข้อมูลทุติยภูมิของภาพถ่ายดาวเทียม (ความสว่าง ความเขียว ความชื้น) และข้อมูลชีวกายภาพบางประเภทสามารถเพิ่มความถูกต้องการจำแนกพื้นที่ปลูกพืชเศรษฐกิจ
Article Details
เอกสารอ้างอิง
The Secretariat of the Cabinet, Water Resources Management in Upstream Areas, Available Source: https://www.soc.go.th/acrobat/nesac070952_1, August 19, 2017. (in Thai)
Sangawong, S., 2009, Remote Sensing of Land Use and Land Cover and Application, 1st Ed., Chulalongkorn Press, Bangkok, 280 p.
Paengwangthong, W., 2018, Classification of deciduous forest area using multitemporal Landsat imageries with band ratio techniques, Thammasat Int. J. Sci. Tech. 26(8): 1302-1310.
Burges, C.J.C., 1998, A tutorial on support vector machines for pattern recognition, Data Min. Knowl. Discov. 2: 121-167.
Ninh, T.V., and Waisurasingha, C., 2017, A comparative study of applying maximum likelihood and support vector machine classifiers to analyze Landsat imagery for evaluating land use changes in Khon Kaen city, Thailand, KKU Res. J. (Grad. Stud.) 17(4): 49-60. (in Thai)
Bahari, N.I.S., Ahmad, A. and Aboobaider, M., 2014, Application of support vector machine for classification of multispectral data, Earth Environ. Sci. 20(2014): 012038.
Taufik, A., Ahmad, S.S.S. and Ahmad, A., 2016, Classification of Landsat 8 satellite data using NDVI thresholds, J. Telecommun. Electron. Comput. Eng. 8(4): 37-40.
Faust, N.L., 1989, Image Enhancement, Volume 20, In Kent, A. and Williams, J.G. (Eds.), Supplement 5 of Encyclopedia of Computer Science and Technology, Marcel Dekker, Inc., New York.
Ongsomwang, S., 2016, Remote Sensing Systems and Digital Image Analysis, Handout, School of Remote Sensing, Institute of Science, Suranaree University of Technology, Nakorn Ratchasima, 1009 p. (in Thai)
Tessawat, W., 2011, A Comparative Accuracy Assessment of Expert Systems and Artificial Neural Network Classification Methods for Identification of Cassava and Sugarcane Areas using Theos Data, Master Thesis, Suranaree University of Techno logy, Nakorn Ratchasima.
U.S. Geological Survey, 2017, Band Designations for Landsat Satellites, Available Source: https://landsat.usgs.gov/what-are-band-designations-landsat-satellites, August 19, 2017.
Yale, 2019, Tasseled Cap Transform for Landsat (8) OLI, Available Source: https://yceo.yale.edu/tasseled-cap-transform-landsat-8-oli. June 19, 2017.
Congalton, R.G. and Green, K., 1999, Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Lewis Publishers, Boca Raton, FL., 137 p.
