การเปรียบเทียบการจำแนกการใช้ที่ดินและสิ่งปกคลุมดินจากข้อมูลภาพถ่ายดาวเทียมด้วยเทคนิคการเรียนรู้เชิงลึก

Comparison of land use and land cover classification based on satellite image data using deep learning techniques

Name: ดนุพล ไชยศาสตร์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6507021857149@email.kmutnb.ac.th

Name: วัชรีวรรณ จิตต์สกุล

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : watchareewan.j@itd.kmutnb.ac.th

keyword: การเสริมข้อมูลภาพ

ThaSH: การเรียนรู้เชิงลึก (การเรียนรู้ของเครื่อง)

ThaSH: การประมวลผลภาพ

Abstract: บทความวิจัยนี้ ศึกษาการเปรียบเทียบการจำแนกการใช้ ประโยชน์ที่ดิน และสิ่งปกคลุมดินจากภาพถ่ายดาวเทียมด้วย เทคนิคการเรียนรู้เชิงลึก จำนวน 3 แบบจำลอง ได้แก่ DenseNet201, ResNet152V2 และ VGG19 ทาการวัดประสิทธิภาพแบบจำลองด้วย ค่าความถูกต้อง และค่าสัมประสิทธิ์แคปปาที่ดีที่สุด ข้อมูลที่ใช้ เป็นชุดข้อมูลภาพถ่ายดาวเทียม Sentinel-2 ที่สร้างใหม่ EuroSAT ที่ ทาการคัดเลือกแล้ว จำนวน 10 หมวดหมู่ ๆ ละ 2,000 ภาพ รวม จำนวน 20,000 ภาพ แบ่งข้อมูลเป็น 2 ชุด คือ ชุดที่ 1 ข้อมูลฝึกสอน จำนวน 10 หมวดหมู่ ๆ ละ 1,600 ภาพ รวมจำนวน 16,000 ภาพ นำมาสร้างเป็นชุดข้อมูลฝึกสอน จำนวน 2 ชุดย่อย คือชุดย่อยที่ 1 เป็นข้อมูลภาพต้นฉบับของชุดข้อมูล EuroSAT และชุดย่อยที่ 2 เป็นการนำชุดที่ 1 มาทาการเสริมข้อมูลภาพ ข้อมูลชุดที่ 2 ข้อมูล ทดสอบ จำนวน 10 หมวดหมู่ ๆ ละ 400 ภาพ รวมจำนวน 4,000 ภาพ ผลการวิจัยพบว่า แบบจำลอง DenseNet201 ให้ผลลัพธ์ที่ดีที่สุด สำหรับชุดข้อมูลฝึกสอนที่ 1 มีค่าความถูกต้องร้อยละ 98.32 และ ค่าสัมประสิทธิ์แคปปาร้อยละ 98.14 และแบบจำลอง VGG19 ให้ ผลลัพธ์ที่ดีที่สุดสำหรับชุดข้อมูลฝึกสอนที่ 2 มีค่าความถูกต้อง ร้อยละ 98.10 และค่าสัมประสิทธิ์แคปปาร้อยละ 97.88

Abstract: A Comparative Study of Land Use and Land Cover Classification from Satellite Imagery using Deep Learning: Evaluation of Three Model Architectures - DenseNet201, ResNet152V2, and VGG19 The performance of the models is evaluated in terms of accuracy and best kappa coefficient. The data used consists of newly generated satellite images from EuroSAT, which includes Sentinel-2 satellite images, with 10 categories, each comprising 2,000 images, totaling 20,000 images. The data is divided into two sets: Set 1, a training dataset with 10 categories, each with 1,600 images, totaling 16,000 images, which is further split into two subsets: Subset 1, consisting of original images from EuroSAT, and Subset 2, generated by augmenting images from Subset 1. Set 2 comprises a test dataset with 10 categories, each with 400 images, totaling 4,000 images. The research findings indicate that the DenseNet201 model achieves the best performance for Set 1 training data, with an accuracy of 98.32% and a kappa coefficient of 98.14%, while the VGG19 model performs best for Set 2 training data, with an accuracy of 98.10% and a kappa coefficient of 97.88%

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2567

Modified: 2567-11-22

Issued: 2567-11-22

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 20 (NCCIT 2024) (pp.355-360). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2024pp.355-360.pdf	637.72 KB

ใช้เวลา

0.02797 วินาที