Page 26 - วิศวกรรมสาร ปีที่ 77 ฉบับที่ 2 เมษายน - มิถุนายน 2567
P. 26
การใช้ภาพถ่ายดาวเทียมในการประเมินพื้นที่เพาะปลูกอ้อย
ตัวจ�าแนกแบบสี่เหลี่ยมคู่ขนาน เป็นตัว บทบาทเป็นอย่างมากในภาคการส�ารวจ เนื่องจากเป็นวิธีจ�าแนกที่ช่วยเพิ่มประสิทธิภาพ
จ�าแนกที่มีความสามารถในการค�านวณสูง ของความถูกต้องและความแม่นย�าในการจ�าแนกสิ่งปกคลุมดินได้เป็นอย่างสูง ด้วยความ
ตัวจ�าแนกจะแยกจุดภาพออกโดยใช้ค่า สามารถในการเรียนรู้การจดจ�าและคาดการณ์ของผลลัพธ์ รวมทั้งไม่อาศัยตัวแปรทางสถิติ
ต�่าสุด ค่าสูงสุดของ หรือค่าส่วนเบี่ยงเบน ส�าหรับจ�าแนก (statistics parameters) และมีความหลากหลายด้านการกระจายของ
มาตรฐานของแต่ละช่วงคลื่นมีลักษณะ ข้อมูล (Maxwell et al., 2018) เป็นการสร้างล�าดับชั้นของการวิเคราะห์ที่แต่ละชั้น
คล้ายกับการวาดกรอบสี่เหลี่ยมครอบกลุ่ม มีการต่อกันเป็นแบบจ�าลองโดยจะส่งข้อมูลน�าเข้าสู่แบบจ�าลองเพื่อวิเคราะห์แยกประเภท
ข้อมูล ชุดข้อมูลที่อยู่ภายในกรอบสี่เหลี่ยม ของข้อมูล นิยมน�ามาประยุกต์กับงานด้านภูมิสารสนเทศโดยเฉพาะการจ�าแนกพื้นที่
ใด ๆ แต่ละกรอบจะถูกจัดให้กลายเป็น เพาะปลูกพืช อัลกอริทึมที่นิยมใช้ ได้แก่
ประเภทของกรอบสี่เหลี่ยมนั้น การค�านวณ 3.1) โครงข่ายประสาทเทียม (artificial neural network: ANN) เป็นวิธีที่ได้รับ
จะมีความรวดเร็วมาก อย่างไรก็ตาม การใช้ การนิยมอย่างแพร่หลายในการน�ามาใช้จ�าแนกภาพถ่ายจากดาวเทียม (Ge, Shi, Zhu,
วิธีนี้อาจเกิดปัญหาเรื่องของค่าที่ใช้แบ่ง Yang, & Hao, 2020; Majnouni-Toutakhane, 2020; Saboori, Torahi, & Bakhtyari,
มีความทับซ้อนกันจนไม่สามารถจ�าแนก 2019; Silva, Xavier, da Silva, & Santos, 2020) การท�างานจะคล้ายกับสมองของมนุษย์
ประเภทออกได้ โดยเฉพาะกับข้อมูลที่มีค่า โดยจะจดจ�าข้อมูลที่น�าเข้าสู่โครงข่ายเพื่อท�านายแยกประเภทข้อมูล ในแบบจ�าลองจะมี
สหสัมพันธ์หรือค่าความแปรปรวนร่วมสูง การค�านวณค่าน�้าหนักของแต่ละชั้นข้อมูลและปรับปรุงให้มีความเหมาะสมเมื่อเจอข้อมูล
ตัวจ�าแนกแบบระยะห่างสุด เป็นการ ตัวใหม่ในแต่ระรอบการค�านวณ ตัวโครงข่ายจะแบ่งการเชื่อมต่อออกเป็นชั้น ประกอบด้วย
จ�าแนกที่ใช้หลักการง่ายที่สุดและท�างาน ชั้นข้อมูลน�าเข้า ชั้นข้อมูลแอบแฝง และชั้นข้อมูลส่งออก (input, hidden, and output
ได้เร็วที่สุด การจ�าแนกจะมีกระบวนการอยู่ layers) ในการท�างานกับข้อมูลที่มีความซับซ้อนโครงข่ายก็จะยิ่งมีจ�านวนหลายชั้น
3 ขั้นตอน คือ ค�านวณค่าเฉลี่ยของจุดภาพ ดังแสดงในภาพที่ 4
ข้อมูลตัวอย่างจากทุกช่วงคลื่นเพื่อสร้าง
เป็นเวกเตอร์ค่าเฉลี่ย จากนั้นจัดจุดภาพ
ทั้งหมดที่น�ามาค�านวณให้อยู่ในชั้นข้อมูล
ที่มีค่าใกล้เคียงกับเวกเตอร์ค่าเฉลี่ย สุดท้าย
ก�าหนดแนวขอบเขตข้อมูลให้อยู่รอบเวกเตอร์
ค่าเฉลี่ย หากมีจุดภาพใด ๆ ตกอยู่นอกเขต
ของแนวรอบเวกเตอร์ค่าเฉลี่ย จุดภาพนั้น
จะกลายเป็นจุดภาพที่ไม่ทราบค่า
ตัวจ�าแนกแบบความน่าจะเป็นสูงสุด
เป็นตัวจ�าแนกที่ใช้เวลาค�านวณมากแต่
ให้ค่าความถูกต้องของการจ�าแนกสูงกว่า
สองวิธีแรก ลักษณะการท�างานจะเริ่ม
จากการค�านวณเวกเตอร์เฉลี่ย ค่าความ
แปรปรวนและค่าสหสัมพันธ์ของช่วงคลื่น
ที่น�ามาใช้จ�าแนกประเภทข้อมูลจากข้อมูล ภาพที่ 4 โครงข่ายประสาทเทียมแบบ feed forward (Intarat, 2022)
ตัวอย่าง จากนั้นอธิบายความน่าจะเป็น
ของข้อมูลตามกลุ่มที่จ�าแนกด้วยฟังก์ชัน จากภาพที่ 4 ข้อมูลน�าเข้า (input layer) จะถูกเชื่อมต่อกับโนดในชั้นถัดไปผ่านเส้น
ความน่าจะเป็น (probability function) เชื่อมต่อแบบถ่วงน�้าหนักซึ่งจะมีค่าที่ได้จากการสุ่ม จากนั้นค่าของข้อมูลแต่ละตัวจะถูกคูณ
3) วิธีการจ�าแนกแบบ supervised กับน�้าหนักตามเส้นเชื่อมต่อและรวมค่าไว้ในโนดแต่ละหน่วยในชั้นแอบแฝงแต่ละชั้น ค่าผล
ensemble classification หรือการจ�าแนก รวมจะถูกกระตุ้นผ่านฟังก์ชันกระตุ้น (activation function) ซึ่งมีสมการทางคณิตศาสตร์
แบบก�ากับดูแลร่วมกับอัลกอริทึมการเรียนรู้ ที่ง่ายต่อการหาอนุพันธ์ (Shrestha & Mahmood, 2019) ผลลัพธ์ที่ได้จะถูกส่งไปยังชั้น
เครื่อง (machine learning: ML) เข้ามามี ถัดไปและประมวลผลเช่นเดิมจนถึงชั้นสุดท้ายที่เป็นชั้นของค�าตอบที่ได้จากการค�านวณ
26 ปีที่ 77 ฉบับที่ 2 เมษายน - มิถุนายน 2567 วิศวกรรมสาร
