|
การจำแนกเชิงวัตถุของภาพถ่ายดาวเทียมไทยโชตโดยใช้เทคนิคการแบ่งส่วนเชิงลำดับชั้นและค่าน้ำหนักช่วงคลื่น |
|---|---|
| รหัสดีโอไอ | |
| Title | การจำแนกเชิงวัตถุของภาพถ่ายดาวเทียมไทยโชตโดยใช้เทคนิคการแบ่งส่วนเชิงลำดับชั้นและค่าน้ำหนักช่วงคลื่น |
| Creator | ตริตาภรณ์ ไชยนรา |
| Contributor | วิชัย เยี่ยงวีรชน |
| Publisher | จุฬาลงกรณ์มหาวิทยาลัย |
| Publication Year | 2556 |
| Keyword | ดาวเทียม, ดาวเทียมในการรังวัด, ดาวเทียมในการวิเคราะห์ข้อมูลระยะไกล, การวิเคราะห์ข้อมูลระยะไกล, Artificial satellites, Artificial satellites in surveying, Artificial satellites in remote sensing, Remote sensing |
| Abstract | การจำแนกประเภทข้อมูลดาวเทียมด้วยวิธีการจำแนกเชิงวัตถุ (Object based classification) จะให้ความถูกต้องดีกว่าการจำแนกด้วยวิธีเชิงจุดภาพ (Pixel based classification) โดยการจับกลุ่มจุดภาพที่มีความเป็นเนื้อเดียวกัน (homogeneity) แล้วคำนวณค่าทางสถิติของแต่ละช่วงคลื่นให้กับวัตถุที่สร้างขึ้น และนำมาใช้ในการจำแนกเชิงวัตถุ การสร้างวัตถุจากจุดภาพด้วยเทคนิคการแบ่งส่วน (Segmentation) จากการกำหนดค่าพารามิเตอร์ต่าง ๆ ได้แก่ ขนาด (Scale) สี (Color) รูปร่าง (Shape) ความเรียบ (Smoothness) การเกาะกลุ่ม (Compactness) และค่าน้ำหนักช่วงคลื่น (Band Weight) จากการศึกษาผลงานที่ผ่านมาพบว่า การใช้วิธีการจำแนกเชิงวัตถุจะสร้างวัตถุด้วยการกำหนดค่าพารามิเตอร์ชุดเดียวที่เหมาะสมด้วยค่าน้ำหนักช่วงคลื่นที่เท่ากัน ทำการจำแนกข้อมูลพร้อมกันหลายชนิด ซึ่งผลลัพธ์ที่ได้ยังมีการปะปนของชนิดข้อมูลที่มีลักษณะคลุมเครือหรือใกล้เคียงกัน เนื่องจากวัตถุจะมีการสะท้อนค่าพลังงานแต่ละช่วงคลื่นไม่เหมือนกัน อีกทั้งยังมีขนาดและรูปร่างไม่เหมือนกัน การจำแนกวัตถุหลายชนิดจึงควรกำหนดค่าน้ำหนักช่วงคลื่นที่แตกต่างกัน ดังนั้นในการศึกษาวิจัยครั้งนี้ จึงมีวัตถุประสงค์ เพื่อศึกษาการจำแนกข้อมูลด้วยวิธีเชิงวัตถุให้ดีขึ้น ด้วยการใช้เทคนิคการแบ่งส่วนแบบเชิงลำดับชั้นและการให้ค่าน้ำหนักช่วงคลื่นที่เหมาะสม เพื่อลดการคลุมเครือหรือปะปนกันของวัตถุ โดยการวิจัยจะทำการจำแนกพืชในจังหวัดฉะเชิงเทราด้วยภาพถ่ายดาวเทียมไทยโชต (THAICHOTE) จากการวิจัยได้ใช้เทคนิคการแบ่งส่วนเชิงลำดับชั้นแบบบนลงล่าง (Top-Down) ซึ่งเป็นการแบ่งส่วนและจำแนกวัตถุที่มีขนาดที่หยาบไปสู่ขนาดที่ละเอียด โดยในแต่ละชั้นจะกำหนดค่าน้ำหนักช่วงคลื่นให้เหมาะสมกับพืชแต่ละชนิด ได้แก่ มันสำปะหลังเริ่มเพาะปลูก มันสำปะหลังเจริญเติบโต มันสำปะหลังเก็บเกี่ยว อ้อยเริ่มเพาะปลูก อ้อยเจริญเติบโต อ้อยเก็บเกี่ยว มะพร้าว ยูคาลิปตัส และยางพารา และจำแนกข้อมูลด้วยวิธีทางสถิติเป็นไปได้สูงสุด (Nearest Neighbor) ผลการวิจัยพบว่า การใช้เทคนิคดังกล่าวให้ค่าความถูกต้องของพืชแต่ละชนิดดีขึ้น โดยสามารถจำแนกมันมันสำปะหลังเริ่มเพาะปลูก และอ้อยเจริญเติบโต ได้ประมาณ 90 % สำปะหลังเจริญเติบโต ยางพารา มะพร้าว และมันสำปะหลังเก็บเกี่ยวประมาณ 85 % อ้อยเก็บเกี่ยว อ้อยเริ่มเพาะปลูก ยูคาลิปตัส ประมาณ 80 % ด้วยค่าความถูกต้องรวมร้อยละ 90.23 และค่า KIA ร้อยละ 87.86 |
| URL Website | cuir.car.chula.ac.th |
