หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคฤดูร้อน ปีการศึกษา 2568
ประเภทโครงงาน
วิทยานิพนธ์
ชื่อโครงงานภาษาไทย
การจำแนกแปลงอ้อยและแปลงนาข้าวบนพื้นฐานลักษณะฟีโนไทป์ ด้วยอัลกอริทึม One-Class SVM จากข้อมูลภาพถ่ายดาวเทียม
ชื่อโครงงานภาษาอังกฤษ
PHENOTYPE-BASED CLASSIFICATION OF SUGARCANE AND RICE FIELDS USING ONE-CLASS SVM FROM SATELLITE IMAGERY
ผู้พัฒนา
6714500645 ปัณณวิชญ์ โคโตศรี
อาจารย์ที่ปรึกษาหลัก
ธนาวินท์ รักธรรมานนท์
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
งานวิจัยนี้นำเสนอวิธีการจำแนกแปลงปลูกข้าวและอ้อยจากข้อมูลภาพถ่ายดาวเทียม Sentinel-2 ภายใต้ข้อจำกัดของข้อมูลตัวอย่างที่มีการระบุชนิดพืชไม่ครบถ้วน ซึ่งเป็นปัญหาที่พบได้บ่อยในการติดตามพื้นที่เกษตรกรรมในประเทศไทย เนื่องจากข้าวและอ้อยมีช่วงการเจริญเติบโตและลักษณะเชิงสเปกตรัมที่ทับซ้อนกัน งานวิจัยนี้ใช้ดัชนี Soil Adjusted Vegetation Index (SAVI) และ Modified Normalized Difference Water Index (MNDWI) เพื่อแทนลักษณะการเจริญเติบโตและการมีน้ำผิวดินของพืช โดยทำการเติมช่องว่างข้อมูลเชิงเวลาและสร้างแบบจำลองฟีโนโลยีด้วยสมการไซน์ จากนั้นนำคุณลักษณะเชิงฟีโนไทป์ที่ได้ไปใช้กับแบบจำลอง One-Class Support Vector Machine (OCSVM) แบบสองขั้นตอน เพื่อจำแนกข้าวและอ้อยจากข้อมูลที่ไม่ทราบชนิดพืช ผลการทดลองแสดงให้เห็นว่าวิธีที่นำเสนอสามารถจำแนกข้าวและอ้อยได้อย่างมีประสิทธิภาพ โดยให้ค่า F1-score เท่ากับ 0.8459 สำหรับข้าว และ 0.8222 สำหรับอ้อย ผลลัพธ์ดังกล่าวชี้ให้เห็นว่าวิธีการเรียนรู้จากข้อมูลเชิงบวกเพียงอย่างเดียวร่วมกับการวิเคราะห์ฟีโนโลยีสามารถลดข้อจำกัดของข้อมูลภาคสนาม และเหมาะสมสำหรับการประยุกต์ใช้ในระบบติดตามพื้นที่เกษตรกรรมระดับภูมิภาคหรือระดับประเทศ
Abstract
This study presents a method for classifying rice and sugarcane cultivation parcels using Sentinel-2 satellite imagery under conditions of incomplete crop label availability, which is a common challenge in agricultural monitoring in Thailand. Rice and sugarcane are major economic crops that exhibit overlapping growth periods and similar spectral characteristics, making their discrimination particularly difficult.
The proposed approach employs the Soil Adjusted Vegetation Index (SAVI) and the Modified Normalized Difference Water Index (MNDWI) to represent vegetation growth and surface water conditions, respectively. Temporal gaps in the satellite time series are addressed through a gap-filling process, after which crop phenology is modeled using a sinusoidal function. The resulting phenotypic features are then used as inputs to a two-stage One-Class Support Vector Machine (OCSVM) framework to classify rice and sugarcane from parcels with unknown crop types.
Experimental results demonstrate that the proposed method can effectively distinguish rice and sugarcane fields, achieving F1-scores of 0.8459 for rice and 0.8222 for sugarcane. These findings indicate that combining phenological analysis of temporal satellite data with one-class learning can alleviate the limitations of field-based ground truth data and is well suited for regional- or national-scale agricultural monitoring applications.
คำสำคัญ (Keywords)
Machine Learning, Remote Sensing
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
ปัณณวิชญ์
โคโตศรี
(g6714500645)
แก้ไขครั้งสุดท้าย
เมื่อ Aug. 25, 2026, 7:03 a.m. โดย
ปัณณวิชญ์
โคโตศรี
(g6714500645)
สถานะการอนุมัติ
รออนุมัติ