The aim of this study is to estimate rice yield using the prediction of rice production from the Modis satellite imagery data along with the parameters. There are 3 types, namely 1.
ที่มาและความส าคัญของการท าการศึกษา
เช่น แบบจำลองการถดถอย (Prasad et al., 2006) การวิเคราะห์การถดถอยหลายตัวแปร เพื่อประมาณผลผลิตข้าวโพดและถั่วเหลืองในรัฐไอโอวาโดยใช้ MODIS (Moderate Resolution Imaging Spectroradiometer), NDVI (Normal Difference Vegetation Index), สภาพภูมิอากาศและความชื้นในดิน (Kim และ Lee, 2559) จากการศึกษาจำนวนมากที่กล่าวมาข้างต้น พบว่าไม่เคยมีการศึกษาใดที่จะประมาณผลผลิตข้าวจากดาวเทียม MODIS โดยอาศัยการสะท้อนของพืชพรรณ การศึกษานี้มีวัตถุประสงค์เพื่อทดสอบการประมาณผลผลิตข้าวโดยใช้ข้อมูล MODIS ที่มีความละเอียดเชิงพื้นที่ 250 เมตร พร้อมด้วยพารามิเตอร์หนึ่งตัว พารามิเตอร์สองตัว และแบบจำลองการใช้งาน
วัตถุประสงค์
ขอบเขตและข้อจ ากัดของการวิจัย
สถานที่ท าการวิจัย
ผลที่คาดว่าจะได้รับ
ข้าว
วงจรชีพลักษณ์ (Phenological Cycles)
การเจริญเติบโตของข้าว
ดาวเทียบระบบ MODIS
ค่าดัชนีพืชพรรณผลต่างแบบนอร์แมลไลซ์ (Normalized Difference Vegetation Index,
Machine Learning
รูปที่ 3 ประเภทของ Machine Learning ที่มา: https://gistda.or.th/main/th/node/603 Machine Learning แบ่งได้เป็น 3 ประเภท รูปที่ 4 Machine Learning of Mind Maps ที่มา: https://gistda. หรือ th/main/th/node/603 ประเภทหลักของการเรียนรู้ของเครื่อง
งานวิจัยที่เกี่ยวข้อง
เหลียวและคณะ (2019) ศึกษาการประมาณผลผลิตพืชผลโดยใช้ข้อมูลอนุกรมเวลาของ MODIS และผลกระทบของการปกคลุมพื้นที่เกษตรกรรมในออนแทรีโอ ประเทศแคนาดา ในการศึกษานี้ อนุกรมเวลาเพิ่มดัชนีพืชพรรณ (EVI2) ได้จากข้อมูลการสะท้อนแสง MODIS 250 ม. เป็นเวลา 8 วัน รูปที่ 15 ภาพถ่ายดาวเทียม MODIS ครอบคลุมพื้นที่ศึกษาของจังหวัดอุบลราชธานี ในการศึกษาวิจัยนี้ ผู้วิจัยใช้ข้อมูลภาคสนาม ได้แก่ ข้อมูลผลผลิตข้าวและข้อมูลภาพจากดาวเทียม MODIS (MOD13Q1) เลือกระยะเวลาบันทึกระหว่างเดือนกันยายนถึงตุลาคม 2551-2561 แล้วหาความสัมพันธ์กับพืชพรรณสเปกตรัมสะท้อนแสงเพื่อหา NDVI สูงสุด มูลค่าการผลิตข้าวในช่วง 2 เดือนก่อนเก็บเกี่ยว แล้วนำไปใช้สร้างรูปแบบจำลองทางคณิตศาสตร์
รูปที่ 18 ความสัมพันธ์แบบเพียร์สัน (R) ระหว่างอัตราผลตอบแทนและการสะท้อนที่ได้รับจากข้อมูลดาวเทียม MODIS การจำลองเพื่อประเมินประสิทธิภาพของการสำรวจระยะไกลโดยใช้ภาพถ่ายดาวเทียม MODIS (MOD13Q1) เพื่อทำนายผลผลิตข้าวในพื้นที่ศึกษาโดยการวิเคราะห์แบบจำลองเชิงเส้นทั่วไป (GLM) โดยใช้ความละเอียดในการบันทึกภาพที่ระยะ 250 ม. ตารางที่ 13 ผลลัพธ์ RMSE ของแบบจำลอง ทดสอบโดยใช้วิธี GLM แบบไบวาเรียต (พารามิเตอร์สองตัว)
ผลลัพธ์การจำลองการสร้างแบบจำลองเพื่อประเมินประสิทธิภาพของการสำรวจระยะไกลโดยใช้ภาพถ่ายดาวเทียม MODIS (MOD13Q1) เพื่อทำนายผลผลิตข้าวในพื้นที่ศึกษาโดยใช้การวิเคราะห์เครือข่าย การเรียนรู้เชิงลึกโดยใช้ความละเอียดของภาพที่บันทึกไว้ที่ระยะ 250 ม. ภาพที่ 34: แผนที่การผลิตข้าวในจังหวัดอุบลราชธานี ตามภาพถ่าย MODIS ปี 2559 จากการรวบรวมข้อมูลภาคสนามระหว่างการเก็บเกี่ยวในจังหวัดอุบลราชธานี ดังภาพ เปรียบเทียบสิ่งนี้กับผลผลิตที่ได้จากการประมาณโดยใช้ข้อมูลภาพถ่าย Modis ซึ่งแสดงในสมการที่แสดงในตารางที่ 25
พื้นที่ศึกษา
ข้อมูลภาพถ่ายจากดาวเทียมที่ใช้ในการศึกษา
รูปที่ 21 แผนภาพกระจายแสดงผลการทำนายของวิธีการจำลอง 3 วิธี หนึ่งตัวแปร (หนึ่งพารามิเตอร์) แบบจำลองโดยใช้วิธี SVM พร้อมตัวแปรสองตัว (สองพารามิเตอร์)
53 ตารางที่ 17 ผลลัพธ์ RMSE ของการทดสอบแบบจำลองโดยใช้วิธี SVM แบบไบวาเรียต ตารางที่ 19 ผลลัพธ์ RMSE ของการทดสอบแบบจำลองโดยใช้วิธี GLM: GLM รูปที่ 27 แปลงกระจายแสดงผลการทำนายแบบจำลองของการสะท้อนสเปกตรัมของพืชพรรณ (Spectral Reflectance of Vegetation)
58 ตารางที่ 23 ผลลัพธ์ RMSE ของการทดสอบแบบจำลองโดยใช้ SVM รูปที่ 29 แผนภูมิกระจายแสดงผลการทำนายแบบจำลองการสะท้อนสเปกตรัมของพืชโดยใช้แบบจำลอง
ข้อมูลพื้นที่เพาะปลูกข้าวและผลผลิตข้าว
อุปกรณ์เครื่องมือที่ใช้ในการศึกษา
การวิเคราะห์ข้อมูล
แผนการศึกษา
งบประมาณ
การเลือกตัวแปรท านาย
การท านายผลผลิตข้าวด้วยข้อมูลค่าดัชนีพืชพรรณ (Vegetation Indices : VIs) แบบหนึ่งตัว
รูปภาพที่ 22 แผนภาพกระจายแสดงผลการทำนายของวิธีการจำลองทั้ง 3 วิธี ตัวแปรเดียว (หนึ่งพารามิเตอร์) ภาพที่ 23 แผนภาพกระจายแสดงผลการทำนายของวิธีการจำลอง 3 วิธี หนึ่งตัวแปร (พารามิเตอร์เดียว) ).
การท านายผลผลิตข้าวด้วยข้อมูลค่าดัชนีพืชพรรณ (Vegetation Indices : VIs) แบบสองตัว
49 ตารางที่ 12 ผลลัพธ์ของการทดสอบแบบจำลอง R-squared ด้วยวิธี GLM แบบไบวาเรียต รูปที่ 24 แผนภาพกระจายแสดงผลการทำนายของแบบจำลอง GLM แบบไบวาเรียต
การท านายผลผลิตข้าวด้วยข้อมูลค่าดัชนีพืชพรรณ (Vegetation Index) แบบสองตัวแปร
รูปที่ 25 Scatterplots แสดงผลการทำนายของแบบจำลอง DL สองพารามิเตอร์
การท านายผลผลิตข้าวด้วยข้อมูลค่าดัชนีพืชพรรณ (Vegetation Indices : VIs) แบบสองตัว
การท านายผลผลิตข้าวด้วยข้อมูลค่าความสะท้อนเชิงสเปกตรัมของพืชพรรณ (Spectral
รูปที่ 26 แผนภูมิกระจายแสดงผลการทำนายของแบบจำลอง SVM แบบสองตัวแปร (สองพารามิเตอร์) ตารางที่ 18 ผลลัพธ์ R-squared ของการทดสอบแบบจำลองโดยใช้วิธี GLM: GLM
การท านายผลผลิตข้าวด้วยข้อมูลค่าความสะท้อนเชิงสเปกตรัมของพืชพรรณ (Spectral
ตารางที่ 21 ผลลัพธ์ RMSE ของการทดสอบแบบจำลองโดยใช้วิธี DL: DL ภาพที่ 28 Scatterplots แสดงผลลัพธ์ของแบบจำลองการทำนายสเปกตรัมการสะท้อนของพืช (Spectral การสะท้อนของพืช) แบบจำลอง DL ตารางที่ 22 ผลลัพธ์ R-squared ของการทดสอบแบบจำลองโดยใช้วิธี SVM: SVM
59 ตารางที่ 24 แสดงสมการความสัมพันธ์ของคู่ข้อมูลโดยใช้แบบจำลอง GLM
แผนที่การวิเคราะห์ข้อมูลการประมาณผลผลิตข้าว
อภิปรายผล
สรุปผลการวิจัย
ข้อเสนอแนะ
A general regression model for predicting winter wheat yield in Kansas and Ukraine using MODIS data. Evaluating the performance of MODIS NDVI and EVI for seasonal crop forecasting at the ecodistrict level. Using spatiotemporal fusion of Landsat-8 and MODIS data to derive phenology, biomass and yield estimates for maize and soybean.
Derivation of phenological metrics by fitting functions to AS1 and AS2 shape spectral index time series: Mapping cotton phenological stages using MODIS time series. Phenological classification of MODIS data time series for rice yield monitoring in the Mekong Delta, Vietnam. Rice yield estimation based on vegetation index and florescence spectral information from UAV hyperspectral remote sensing.
