การวิเคราะห์พื้นที่ปกคลุมทางการเกษตรในประเทศไทยด้วยกระบวนการ CNN
Article Sidebar
Main Article Content
บทคัดย่อ
การพัฒนาด้านเกษตรกรรมจำเป็นต้องมีความเข้าใจและมีข้อมูลเชิงภาพที่แสดงถึงพื้นที่ปกคลุม ที่จะแสดงให้เห็นถึงภูมิทัศน์ทางภูมิศาสตร์ของพื้นที่ศึกษา บทความวิจัยฉบับนี้นำเสนอการวิเคราะห์พื้นที่ปกคลุม เพื่อการเกษตรในประเทศไทยโดย Convolutional Neural Network (CNN) โดยมีการสร้างชุดข้อมูลรูปภาพ 4 คลาส จำแนกออกเป็น ป่า ต้นปาล์ม นาข้าว และสิ่งปลูกสร้าง รวมกันทั้งสิ้นประมาณ 1,500,000 ภาพ แต่ละภาพจะมีขนาด 64x64 จุดภาพ อีกทั้งแต่ละชุดข้อมูลจะผ่านกระบวนการประมวลผลด้วยโมเดล CNN ที่มีการปรับค่าพารามิเตอร์จนได้ย่านความแม่นยำอยู่ระหว่าง 80-90% ภายหลังจากการประมวลผล โมเดล จะจำแนกพื้นที่ปกคลุมคัดแยกตามชุดข้อมูลรูปภาพแต่ละชุด หลังจากนั้นจะใช้กระบวนการคัดแยก RGB เพื่อจำแนกระดับการเจริญเติบโตของข้าวและขนาดของต้นปาล์ม ก่อนที่จะทำการประมาณการผลผลิตจาก ต้นปาล์มและนาข้าว
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
ONU Info. “La Population Mondiale Atteindra 8 Milliards d’habitants en Novembre (ONU).” NEWS.UN.org. https://news.un.org/fr/story/ 2022/07/1123492 (accessed Jul. 11, 2022).
P. Griffiths, C. Nendel and P. Hostert, “Intra-annual Reflectance Composites from Sentinel-2 and Landsat for National-scale Crop and Land Cover Mapping,” Remote Sens. Environ., vol. 220, pp.135 - 151, 2019.
V. Palazzi, S. Bonafoni, F. Alimenti, P. Mezzanotte, and L. Roselli., “Feeding the World With Microwaves: How Remote and Wireless Sensing Can Help Precision Agriculture,” IEEE Microw. Mag., vol. 20, pp. 72-86, 2019.
D. Saah et al., “Land Cover Mapping in Data Scarce Environments: Challenges and Opportunities,” Front. Environ. Sci., vol. 7, pp. 150-160, 2019.
L. Yu et al., “Meta-discoveries from a Synthesis of Satellite-based Land-cover Mapping Research,” Int. J. Remote Sens., vol. 35, no. 13, pp. 4573 – 4588, 2014.
D. Saah et al., “Collect Earth: An Online Tool for Systematic Reference Data Collection in Land Cover and Use Applications,” Environ. Model. Softw., vol. 118, pp. 166 - 171, 2019.
D.P. Shrestha, M. Suriyaprasit and S. Prachansri, “Assessing Soil Erosion in Inaccessible Mountainous Areas in the Tropics: The Use of Land Cover and Topographic Parameters in a Case Study in Thailand,” Catena, vol. 121, pp. 40 - 52, 2014.
M. Dorber, F. Verones, M. Nakaoka and K. Sudo, “Can We Locate Shrimp Aquaculture Areas from Space? - A Case Study for Thailand,” Remote Sens. Appl.: Soc. Environ., vol. 20, p. 100416, 2020.
C. Yoo, D Han, J. Im and B. Bechtel, “Comparison between Convolutional Neural Networks and Random Forest for Local Climate Zone Classification in Mega Urban Areas Using Landsat Images,” ISPRS J. Photogramm. Remote Sens., vol. 157, pp.155 - 170, 2019.
F. S. Y. Watanabe et al., “Inland Water's Trophic Status Classification Based on Machine Learning and Remote Sensing Data,” Remote Sens. Appl.: Soc. Environ., vol. 19, p. 100326, 2020.
W. Li, C. Chen, M. Zhang, H. Li and Q. Du. “Data Augmentation for Hyperspectral Image Classification With Deep CNN,” in IEEE Geoscience and Remote Sensing Letters, vol. 16, no. 4, pp. 593 - 597, April 2019, doi: 10.1109/ LGRS.2018.2878773.
L. Ma, Y. Liu, X. Zhang, Y. Ye, G. Yin and B. A. Johnson, “Deep Learning in Remote Sensing Applications: a Meta-analysis and Review,” ISPRS J. Photogramm. Remote Sens., vol. 152, pp. 166 - 177, 2019.
M. Panahi, N. Sadhasivam, H. R. Pourghasemi, F. Rezaie and S. Lee, “Spatial Prediction of Groundwater Potential Mapping Based on Convolutional Neural Network (CNN) and Support Vector Regression (SVR),” J. Hydrol., vol. 588, p. 125033, 2020.
Y. Zhang, D. Xiao, Y. Liu and H. Wu, “An Algorithm for Automatic Identification of Multiple Developmental Stages of Rice Spikes Based on Improved Faster R-CNN,” Crop J., vol. 10, no. 5, pp. 1323 - 1333, 2022.
H. Chen et al., “A Deep Learning CNN Architecture Applied in Smart Near-infrared Analysis of Water Pollution for Agricultural Irrigation Resources,” Agric. Water Manag., vol. 240, p. 106303, 2020.
P. Chermprayong, N. Hongkarnjanakul, D.Rouquette, C. Schwob and L. Mezeix, “Convolutional Neural Network for Thailand’s Eastern Economic Corridor (EEC) Land Cover Classification Using Overlapping Process on Satellite Images,” Remote Sens. Appl.: Soc. Environ., vol. 23, p. 100543, 2021.
P. Emparanza, N. Hongkarnjanakul, D. Rouquette, C. Schwob and L. Mezeix. “Land Cover Classification in Thailand's Eastern Economic Corridor (EEC) Using Convolutional Neural Network on Satellite Images,” Remote Sens. Appl.: Soc. Environ., vol. 20, p. 100394, 2020.
M. Mentet, N. Hongkarnjanakul, C. Schwob and L. Mezeix. “Method to Apply and Visualize Physical Models Associated to a Land Cover Performed by CNN: A Case Study of Vegetation and Water Cooling Effect in Bangkok Thailand,” Remote Sens. Appl.: Soc. Environ., vol. 28, 2022.
D. Fitton, E. Laurens, N. Hongkarnjanakul, C. Schwob and L. Mezeix, “Land Cover Classification through Convolutional Neural Network Model Assembly: A Case Study of a Local Rural Area in Thailand,” Remote Sens. Appl.: Soc. Environ., vol. 26, p. 100740, 2022.
H. Ritchie and M. Roser. “Palm Oil.” OURWORLDINDATA.org. https://ourworldindata. org/palm-oil. (accessed Aug. 11, 2022).
M. Cihan, M. Ceylan, H. Soylu and M. Konak. “Fast Evaluation of Unhealthy and Healthy Neonates Using Hyperspectral Features on 700-850 Nm Wavelengths, ROI Extraction, and 3D-CNN,” IRBM, vol. 43, no. 5, pp. 362 - 371, 2022.
F. Elmaz, R. Eyckerman, W. Casteels and S. Latré, P. Hellinckx, “CNN-LSTM Architecture for Predictive Indoor Temperature Modeling,” Build Environ, vol. 206, p. 108327, 2021.
J. Xie, K. Hu, Y. Guo, Q. Zhu and J. Yu, “On Loss Functions and CNNs for Improved Bioacoustic Signal Classification,” Ecol. Inform., vol. 64, p. 101331, 2021.
J. Soriano-González, E. Angelats, M. Martínez-Eixarch and C. Alcaraz, “Monitoring Rice Crop and Yield Estimation with Sentinel-2 Data,” Field Crops Res., vol. 281, p. 108507, 2022.
FertiGlobal. “Paddy Rice.” FERTIGLOBAL.com. https://www.fertiglobal.com/cmp/paddyrice/ (accessed Aug. 10, 2022).
A. C. Fitrianto, K. Tokimatsu and M. S. Wijaya, “Estimation the Amount of Oil PalmTrees Production Using Remote Sensing Technique,” in IOP Conf. Ser.: Earth Environ. Sci., vol. 98, no. 1, Dec. 2017, p. 012016.
R. Hernawati, K. Wikantika and S. Darmawan, “Modeling of Oil Palm Phenology Based on Remote Sensing Data: Opportunities and Challenges,” J. Appl. Rem. Sens., vol. 16, no. 2, p. 021501, 2022, doi: 10.1117/1.JRS.16.021501.
D. L. Olson and D. Delen, Advanced Data Mining Techniques. Heidelberg, Germany: Springer, 2008, pp. 151 - 167.
W. Li, H. Fu, L. Yu and A. Cracknell. “Deep Learning Based Oil Palm Tree Detection and Counting for High-Resolution Remote Sensing Images,” Remote Sens., vol.ol.ol. 9, no. 1, p. 22, 2017.
W. Li, R. Dong, H. Fu and L. Yu. “Large-Scale Oil Palm Tree Detection from High-Resolution Satellite Images Using Two-Stage Convolutional Neural Networks,” Remote Sens., vol. 11, no. 1, pp. 1 - 20, 2019.
M. M. Aburas, S. H. Abdullah, M. F. Ramli and Z. H. Ash’aari, “Measuring Land Cover Change in Seremban, Malaysia Using NDVI Index,” Procedia Environ. Sci., vol. 30, pp. 238 - 243, 2015.
J. Kong et al., “Evaluation of Four Image Fusion NDVI Products Against In-situ Spectral -measurements over a Heterogeneous Rice Paddy Landscape,” Agric. For. Meteorol., vol. 297, p.108255, 2021.
B. Li, C. Ti and X. Yan, “Estimating Rice Paddy Areas in China Using Multi-temporal Cloud-free Normalized Difference Vegetation Index (NDVI) Imagery Based on Change Detection,” Pedosphere, vol. 30, no. 6, pp. 734 - 746, 2020.
