แจ้งเอกสารไม่ครบถ้วน, ไม่ตรงกับชื่อเรื่อง หรือมีข้อผิดพลาดเกี่ยวกับเอกสาร ติดต่อที่นี่ ==>
หากไม่มีอีเมลผู้รับให้กรอก thailis-noc@uni.net.th ติดต่อเจ้าหน้าที่เจ้าของเอกสาร กรณีเอกสารไม่ครบหรือไม่ตรง

การจำแนกการใช้ประโยชน์ที่ดินในจังหวัดนครนายก ด้วยอัลกอริธึมการเรียนรู้เครื่องและภาพถ่ายจากดาวเทียม Sentinel-2
Land use classification in Nakhon Nayok Province using machine learning algorithms and Sentinel-2 image

ThaSH: การใช้ที่ดิน
ThaSH: อัลกอริทึม
ThaSH: การเรียนรู้ของเครื่อง
ThaSH: ภาพถ่ายทางอากาศ
Abstract: ลักษณะความเป็นพลวัตรของการใช้ประโยชน์ที่ดินมีส่วนเกี่ยวข้องกับสภาพเศรษฐกิจและสังคมในท้องถิ่นที่เปลี่ยนแปลงไป จังหวัดนครนายกมีลักษณะการใช้ที่ดินหลักเป็นพื้นที่ปลูกพืชไร่และสถานที่ท่องเที่ยวทางธรรมชาติซึ่งมีการเปลี่ยนแปลงอย่างรวดเร็ว การมีข้อมูลการใช้ประโยชน์ที่ดินที่ทันสมัยเป็นสิ่งที่สำคัญต่อการบริหารจัดการภายในจังหวัด ที่ผ่านมาภาพถ่ายจากดาวเทียมที่ให้บริการแบบไม่มีค่าใช้จ่ายนิยมถูกนำมาใช้สำหรับช่วยในกระบวนการจำแนกร่วมกับตัวจำแนกประเภทต่าง ๆ นอกจากนี้การเรียนรู้เครื่องได้ถูกนำมาใช้กับงานด้านการจำแนกการใช้ประโยชน์ที่ดินเพื่อเพิ่มประสิทธิภาพของวิธีการจำแนก อย่างไรก็ตามในการจำแนกการใช้ประโยชน์ที่ดินจำเป็นต้องดำเนินการทดสอบกระบวนการจำแนกเพื่อหาตัวจำแนกที่ให้ผลลัพธ์การจำแนกได้มีความถูกต้องมากที่สุด งานวิจัยนี้ได้ทดสอบประสิทธิภาพของตัวจำแนกการเรียนรู้เครื่อง จำนวน 4 วิธีการ ได้แก่ ข่ายประสาทเทียม (artificial neural network) ต้นไม้ตัดสินใจ (decision tree) ป่าสุ่ม (random forest) และซัพพอร์ทเวกเตอร์แมชชีน (support vector machine) รวมถึงวิธีการจำแนกแบบมาตรฐานแบบความน่าจะเป็นสูงสุด (maximum likelihood) ในกระบวนการจะทดสอบเพื่อหาไฮเพอร์พารามิเตอร์ของตัวจำแนกที่เหมาะสมผลที่ได้จะถูกนำมา พิจารณาเพื่อเลือกวิธีที่ให้ค่าความถูกต้องการจำแนกสูงที่สุดด้วยค่าความถูกต้องโดยรวม F-1score ค่าสถิติแคปปา (kappa coefficient) และค่าสถิติ Z-test ผลการจำแนกพบว่าตัวจำแนกป่าสุ่มมีประสิทธิภาพในการจำแนกการใช้ประโยชน์ที่ดินมากที่สุดโดยมีค่าความถูกต้องโดยรวมที่ร้อยละ 92.00 ตามด้วยต้นไม้ตัดสินใจ ข่ายประสาทเทียม ซัพพอร์ทเวกเตอร์แมชชีน และ ความน่าจะเป็นสูงสุด (ร้อยละ 84.00 69.00 65.00 และ 63.00 ตามลำดับ) ผลการทดสอบ Z-test ช่วยยืนยันถึงความแตกต่างของตัวจำแนกป่าสุ่มกับตัวจำแนกอื่นอย่างมีนัยสำคัญที่ระดับความเชื่อมั่นร้อยละ 95 The dynamic of land use can be recognized as the transformation of local socio-economic. Nakhon Nayok Province exhibits the field crop and environmental destination as significant sites, and it further reveals an active transition of local land use. Therefore, acquiring updated land-use information is significant to local management and administration. Recently, satellite imagery has been freely available and incorporated with the classification process using any classifiers. In addition, machine learning classifiers have been introduced to increase the potential of classification. However, applying these classifiers demands experimentsto identify the fittest algorithm. This articleexamined the potential of four machine learning algorithms: analytical neural network (ANN), decision tree (DT), random forest (RF), and support vector machine (SVM), including the standard classifier (maximum likelihood: MLC). Hyperparameters of each machine learning algorithm have been inquired properly. Classification results were then selected to identify the most desirable classifier using overall accuracy, F1-score, kappa coefficient, and Z-statistics. According to the result, the random forest has been reported as the best classifier, which gains 92.00% of overall accuracy—followed by a decision tree, analytical neural network, support vector machine, and maximum likelihood classifier (84.00. 69.00, 65.00, and 63.00 of overall accuracy, respectively). The Z-statistics also confirmed that the random forest had a significant difference compared with other classifiers at a 95% confidence level.
มหาวิทยาลัยบูรพา. สำนักหอสมุด
Address: ชลบุรี
Email: buulibrary@buu.ac.th
Created: 2565
Modified: 2565-08-16
Issued: 2565-08-16
บทความ/Article
application/pdf
ISBN: 2351-0781
BibliograpyCitation : วารสารวิทยาศาสตร์บูรพา. ปีที่ 27, ฉบับที่ 2 (พ.ค.-ส.ค. 2565), หน้า 1153-1171
tha
Spatial: นครนายก
©copyrights มหาวิทยาลัยบูรพา
RightsAccess:
ลำดับที่.ชื่อแฟ้มข้อมูล ขนาดแฟ้มข้อมูลจำนวนเข้าถึง วัน-เวลาเข้าถึงล่าสุด
1 sci27n2p1153-1171.pdf 1.86 MB23 2026-05-26 18:16:01
ใช้เวลา
0.024753 วินาที

กฤชญาณ อินทรัตน์
Title Contributor Type
การจำแนกพันธุ์ไม้ป่าชายเลนเขตร้อนด้วยอัลกอริธึมป่าสุ่มและข้อมูลภาพถ่ายจากดาวเทียมรายละเอียดสูง
มหาวิทยาลัยบูรพา
กฤชญาณ อินทรัตน์;สุชาวดี ศิลปรัตน์

บทความ/Article
เทคนิครีโมทเซนซิงสำหรับการศึกษาป่าชายเลน: การจำแนกพันธุ์ไม้ป่าชายเลนเขตร้อนด้วยข่ายประสาทคอนโวลูชัน และการสร้างแบบจำลองมวลชีวภาพของต้นไม้ป่าชายเลนเขตร้อนด้วยเครื่องสแกนเลเซอร์ภาคพื้นดิน
จุฬาลงกรณ์มหาวิทยาลัย
กฤชญาณ อินทรัตน์
ชัยโชค ไวภาษา
วิทยานิพนธ์/Thesis
การจำแนกการใช้ประโยชน์ที่ดินในจังหวัดนครนายก ด้วยอัลกอริธึมการเรียนรู้เครื่องและภาพถ่ายจากดาวเทียม Sentinel-2
มหาวิทยาลัยบูรพา
กฤชญาณ อินทรัตน์

บทความ/Article
การปรับปรุงผลการศึกษาของการจำแนกพันธุ์ไม้ป่าชายเลนเขตร้อน 5 สายพันธุ์ โดยใช้ภาพถ่ายดาวเทียมพริสม่าไฮเปอร์สเปกตรัล : กรณีศึกษาบริเวณแหลมตะลุมพุก ประเทศไทย
มหาวิทยาลัยบูรพา
ศุภนิดา เมืองกเสม;ชัยโชค ไวภาษา;กฤชญาณ อินทรัตน์

บทความ/Article
การสำรวจ การถอดบทเรียน และการพัฒนาศักยภาพการใช้โดรนเพื่อการเกษตร : กรณีศึกษากลุ่มเกษตรกรนาแปลงใหญ่ในจังหวัดสุพรรณบุรี : โครงการวิจัย
มหาวิทยาลัยธรรมศาสตร์
ทรงชัย ทองปาน;กฤชญาณ อินทรัตน์
มหาวิทยาลัยธรรมศาสตร์. คณะศิลปศาสตร์
งานวิจัย/Research report
การจัดการระบบนิเวศป่าชายเลนในจังหวัดชลบุรีอย่างยั่งยืนด้วย แนวคิดบลูคาร์บอนและเทคโนโลยีภูมิสารสนเทศ
มหาวิทยาลัยบูรพา
ณรงค์ พลีรักษ์;กฤชญาณ อินทรัตน์;พรรณิภา อนุรักษากรกุล;พรทิพย์ ฝอยวารี;ภูริต มีพร้อม
มหาวิทยาลัยบูรพา. กองทุนวิจัยและพัฒนา
งานวิจัย/Research report
Copyright 2000 - 2026 ThaiLIS Digital Collection Working Group. All rights reserved.
ThaiLIS is Thailand Library Integrated System
สนับสนุนโดย สำนักงานบริหารเทคโนโลยีสารสนเทศเพื่อพัฒนาการศึกษา
กระทรวงการอุดมศึกษา วิทยาศาสตร์ วิจัยและนวัตกรรม
328 ถ.ศรีอยุธยา แขวง ทุ่งพญาไท เขต ราชเทวี กรุงเทพ 10400 โทร. โทร. 02-232-4000
กำลัง ออน์ไลน์
ภายในเครือข่าย ThaiLIS จำนวน 48
ภายนอกเครือข่าย ThaiLIS จำนวน 8,651
รวม 8,699 คน

More info..
นอก ThaiLIS = 399,781 ครั้ง
มหาวิทยาลัยสังกัดทบวงเดิม = 2,195 ครั้ง
มหาวิทยาลัยราชภัฏ = 244 ครั้ง
หน่วยงานอื่น = 29 ครั้ง
มหาวิทยาลัยเทคโนโลยีราชมงคล = 28 ครั้ง
มหาวิทยาลัยสงฆ์ = 9 ครั้ง
มหาวิทยาลัยเอกชน = 5 ครั้ง
สถาบันพระบรมราชชนก = 4 ครั้ง
มหาวิทยาลัยการกีฬาแห่งชาติ = 2 ครั้ง
รวม 402,297 ครั้ง
Database server :
Version 2.5 Last update 1-06-2018
Power By SUSE PHP MySQL IndexData Mambo Bootstrap
มีปัญหาในการใช้งานติดต่อผ่านระบบ UniNetHelp


Server : 8.199.134
Client : Not ThaiLIS Member
From IP : 216.73.216.134