เทคนิคในการประมาณการกักเก็บคาร์บอนในสวนยางพาราด้วยอากาศยานไร้คนขับ
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์ในการประมาณมวลชีวภาพเหนือพื้นดินและการกักเก็บคาร์บอนของต้นยางพาราด้วยอากาศยานไร้คนขับและการเรียนรู้ของเครื่อง วิธีการดำเนินงานวิจัยนี้ถูกแบ่งออกเป็นสองส่วน คือ การสำรวจและวิเคราะห์ข้อมูลภาคสนามด้วยการตรวจวัดกายวิภาคของต้นไม้ และการวิเคราะห์ภาพที่ได้จากอากาศยานไร้คนขับ โดยพื้นที่จำนวน 2 ไร่ ขนาด 40x40 เมตร จาก 345 ไร่ของสวนยางพาราได้ถูกกำหนดให้เป็นแปลงตัวอย่างเพื่อทดสอบและแสดงผลในการวิจัยนี้ ผลการศึกษาจากแปลงตัวอย่างพบว่า ต้นยางพาราทั้งหมด 181 ต้น เมื่อวิเคราะห์และคำนวณปริมาณชีวภาพในแปลงตัวอย่างโดยใช้สมการแอลโลเมตริก (Allometric) พบว่ามวลชีวภาพเหนือพื้นดินส่วนที่เป็นใบ มีค่าเฉลี่ยเท่ากับ 0.0060 ตัน/ต้น ส่วนของลำต้นและกิ่ง มีค่าเฉลี่ยเท่ากับ 0.4050 ตัน/ต้น และส่วนที่เป็นตอไม้และราก มีค่าเฉลี่ยเท่ากับ 0.0696 ตัน/ต้น รวมมวลชีวภาพเหนือพื้นดินทั้งหมด มีค่าเฉลี่ยเท่ากับ 0.4806 ตัน/ต้น การประเมินการกักเก็บคาร์บอน มีค่าเฉลี่ยเท่ากับ 0.2259 tCO2e/ต้น จากนั้นทำการเปรียบเทียบผลที่ได้จากการคำนวณการกักเก็บคาร์บอนจากการสำรวจภาคสนามและการวิเคราะห์ภาพที่ได้จากอากาศยานไร้คนขับ จากแปลงตัวอย่างถูกแบ่งออกเป็ฯแปลงทดสอบ 2 แปลง โดยแปลงแรกพบจำนวนต้นยางพารา 82 ต้น มีปริมาณการกักเก็บคาร์บอนทั้งหมดของข้อมูลภาคสนามและข้อมูลจากอากาศยานไร้คนขับโหมดหลายช่วงคลื่นด้วยดัชนีพืชพรรณความต่างแบบนอร์มัลไลซ์ พบว่า มีค่าเฉลี่ยอยู่ที่ 0.2058 และมีค่าเฉลี่ยอยู่ที่ 0.18889 tCO2e/ต้น ตามลำดับ สำหรับแปลงที่สองพบจำนวนต้นยางพารา 99 ต้น พบว่า มีค่าเฉลี่ยอยู่ที่ 0.2425 และมีค่าเฉลี่ยอยู่ที่ 0.2390 tCO2e/ต้น ตามลำดับ
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
Y. Liu, H. Tang, M. Aamer, and G. Huang, “Emission mechanism and reduction countermeasures of agricultural greenhouse gases: A review,” Greenh. Gases: Sci. Technol., vol. 9, no. 2, pp. 160-174, Apr. 2019. doi: 10.1002/ghg.1848.
M. Abunyewah et al., “Understanding climate change adaptation in Ghana: The role of climate change anxiety, experience, and knowledge,” Environ. Sci. Policy, vol. 150, pp. 103594-103594, Dec. 2023. doi: 10.1016/j.envsci.2023.103594.
L. Al-Ghussain, “Global warming: Review on driving forces and mitigation,” Environ. Prog. Sustain. Energy, vol. 38, no. 1, pp. 13-21, Jan. 2019. doi: 10.1002/ep.13041.
V. Eyring et al., “Human influence on the climate system,” in Climate Change 2021—The Physical Science Basis, V. Eyring et al., Eds. Cambridge, U.K.: Cambridge University Press, 2023, pp. 423-552.
Intergovernmental Panel on Climate Change (IPCC), “Summary for policymakers,” in Climate Change 2022—Mitigation of Climate Change, P. R. Shukla et al., Eds. Cambridge, U.K.: Cambridge University Press, 2023, Art. no. 001. doi: 10.1017/9781009157926.001.
Y. Zhang, C.-L. Pan, and H.-T. Liao, “Carbon neutrality policies and technologies: A scientometric analysis of social science disciplines,” Front. Environ. Sci., vol. 9, Art. no. 799861, Feb. 2022. doi: 10.3389/fenvs.2021.799861.
D. R. Liyanage, K. Hewage, H. Karunathilake, and R. Sadiq, “Feasibility of carbon-capturing in building heating systems: A life cycle thinking-based approach,” Int. J. Greenh. Gas Control, vol. 132, Feb. 2024, Art. no. 104056. doi: 10.1016/j.ijggc.2024.104056.
B. Zhang, J. I. Arachchi, and S. Managi, “Forest carbon removal potential and sustainable development in Japan,” Sci. Rep., vol. 14, Jan. 2024, Art. no. 1162. doi: 10.1038/s41598-024-51308-z.
Food and Agriculture Organization (FAO), In Brief to The State of the World’s Forests 2022: Forest Pathways for Green Recovery and Building Inclusive, Resilient and Sustainable Economies. Rome, Italy: FAO, 2022. doi: 10.4060/cb9363en.
T. A. M. Pugh et al., “Role of forest regrowth in global carbon sink dynamics,” Proc. Natl. Acad. Sci., vol. 116, no. 10, pp. 4382-4387, Mar. 2019. doi: 10.1073/pnas.1810512116.
J. Qin, P. Liu, A. R. Martin, W. Wang, Y. Lei, and H. Li, “Forest carbon storage and sink estimates under different management scenarios in China from 2020 to 2100,” Sci. Total Environ., vol. 927, Jun. 2024, Art. no. 172076. doi: 10.1016/j.scitotenv.2024.172076.
S. Saha and S. Bera, “Carbon estimation in the undershrub layer and the soil of a dry deciduous forest of West Bengal (Eastern India),” Trop. Ecol., vol. 61, no. 4, pp. 487-496, Dec. 2020. doi: 10.1007/s42965-020-00108-3.
Y. Zhang, S. Liang, and L. Yang, “A review of regional and global gridded forest biomass datasets,” Remote Sens., vol. 11, no. 23, Nov. 2019, Art. no. 2744. doi: 10.3390/rs11232744.
M. Chopping, Z. Wang, C. Schaaf, M. A. Bull, and R. R. Duchesne, “Forest aboveground biomass in the southwestern United States from a MISR multi-angle index, 2000-2015,” Remote Sens. Environ., vol. 275, Jun. 2022, Art. no. 112964. doi: 10.1016/j.rse.2022.112964.
Y. Li et al., “Modeling ecological resilience of alpine forest under climate change in western Sichuan,” Forests, vol. 14, no. 9, Aug. 2023, Art. no. 1769. doi: 0.3390/f14091769.
H. B. Huang, C. X. Liu, X. Y. Wang, X. L. Zhou, and P. Gong, “Integration of multi-resource remotely sensed data and allometric models for forest aboveground biomass estimation in China,” Remote Sens. Environ., vol. 221, pp. 225-234, Mar. 2019. doi: 10.1016/j.rse.2018.11.017.
V. A. Slavskiy and S. M. Matveev, “Some aspects of the laying of permanent trial plots during the state inventory of forests,” Lesotechnical J., vol. 11, no. 1, pp. 56-63, 2021. doi: 10.34220/2222-7962-2021-11-1-56-63.
R. Zhang, Y. Wang, Y. Wang, and Y. Wang, “Estimating aboveground biomass in subtropical forests of China by integrating multisource remote sensing and ground data,” Remote Sens. Environ., vol. 232, Oct. 2019, Art. no. 111341. doi: 10.1016/j.rse.2019.111341.
V. Slavskiy et al., “Assessment of phytomass and carbon stock in the ecosystems of the central forest steppe of the East European Plain: Integrated approach of terrestrial environmental monitoring and remote sensing with unmanned aerial vehicles,” Life, vol. 14, no. 5, May 2024, Art. no. 632. doi: 10.3390/life14050632.
S. Mustafa, M. A. Butt, M. Ali, M. U. Sadiq, and T. Tauqeer, “Precision agriculture and unmanned aerial vehicles (UAVs),” in Agriculture and Aquaculture Applications of Biosensors and Bioelectronics, S. J. Prakash et al., Eds. Hershey, PA, USA: IGI Global, 2024, pp. 125-142.
U. Surendran, K. Ch. V. Nagakumar, and M. P. Samuel, “Remote sensing in precision agriculture,” in Digital Agriculture, P. M. Priyadarshan, S. M. Jain, S. Penna, and J. M. Al-Khayri, Eds. Cham, Switzerland: Springer, 2024, pp. 201-223.
T. Angkahad, W. Chokkuea, S. Sangpradid, Y. Uttaruk, K. Viriyasatr, and T. Laosuwan, “The assessment of above-ground biomass and carbon sequestration in community forests using UAV technology,” Def. Technol. Acad. J., vol. 7, no. 15, pp. R11 R 2 8 , Jan.-Apr. 2025.
T. Angkahad et al., “Developing a drone-based machine learning for spatial modeling and analysis of biomass and carbon sequestration in forest ecosystems,” ES Eng. Sci., vol. 35, 2025, Art. no. 1508. doi: 10.30919/es1158.
S. Jarahizadeh and B. Salehi, “A comparative analysis of UAV photogrammetric software performance for forest 3D modeling: A case study using Agisoft Photoscan, PIX4Dmapper, and DJI Terra,” Sensors, vol. 24, no. 1, Jan. 2024, Art. no. 286. doi: 10.3390/s24010286.
V. Reinprecht and D. S. Kieffer, “Application of UAV photogrammetry and multispectral image analysis for identifying land use and vegetation cover succession in former mining areas,” Remote Sens., vol. 17, no. 3, Jan. 2025, Art. no. 405. doi: 10.3390/rs17030405.
P. K. Parida et al., “Unmanned aerial vehicle-measured multispectral vegetation indices for predicting LAI, SPAD chlorophyll, and yield of maize,” Agriculture, vol. 14, no. 7, Jul. 2024, Art. no. 1110. doi: 10.3390/agriculture14071110.
W. Pan et al., “Karst vegetation coverage detection using UAV multispectral vegetation indices and machine learning algorithm,”Plant Methods, vol. 19, Jan. 2023, Art. no. 7. doi: 10.1186/s13007-023-00982-7.
V. Nasiri, A. A. Darvishsefat, H. Arefi, V. C. Griess, S. M. M. Sadeghi, and S. A. Borz, “Modeling forest canopy cover: A synergistic use of Sentinel-2, aerial photogrammetry data, and machine learning,” Remote Sens., vol. 14, no. 6, Mar. 2022, Art. no. 1453. doi: 10.3390/rs14061453.
S. Sharma, S. Dhal, T. Rout, and B. S. Acharya, “Drones and machine learning for estimating forest carbon storage,” Carbon Res., vol. 1, Dec. 2022, Art. no. 21. doi: 10.1007/s44246-022-00023-6.
Z. Chen, M. Wang, and J. Zhang, “Object detection in UAV images based on improved YOLOv5,” in Proc. 5th Int. Conf. on Cyber Security Intelligence and Analytics (CSIA), Z. Xu et al., Eds. Cham, Switzerland: Springer, 2023, pp. 267-278.
M. B. Schwenke, L. Heinzmann, N. Rehush, A. Gessler, and V. C. Griess, “Individual tree-crown detection and species identification in heterogeneous forests using aerial RGB imagery and deep learning,” Remote Sens., vol. 15, no. 5, Mar. 2023, Art. no. 1463. doi: 10.3390/rs15051463.
T. Kaakkurivaara, J. Hytönen, N. Kaakkurivaara, and J. Nurmi, “Biomass equations for rubber tree (Hevea brasiliensis) components in southern Thailand,” J. Trop. For. Sci., vol. 30, no. 2, pp. 256-265, Apr. 2018. doi: 10.26521/jtfs.v30i2.215.
