Page 28 - วิศวกรรมสาร ปีที่ 77 ฉบับที่ 2 เมษายน - มิถุนายน 2567

การใช้ภาพถ่ายดาวเทียมในการประเมินพื้นที่เพาะปลูกอ้อย

ตัดสินใจได้เพิ่มขึ้น กิ่งของต้นไม้ตัดสินใจ
จะถูกสร้างจากค่าที่เป็นไปได้ของแต่ละโนด
ซึ่งอาจมีจ�านวนมากกว่า 2 กิ่ง โดยมีค่าแบ่ง
ของแต่ละกิ่งซึ่งจะกลายเป็นค่าโนดในระดับ
ต่อไป ต้นไม้ตัดสินใจจะวนแบ่งข้อมูลและ

แตกกิ่งออกไปเรื่อย ๆ จนกว่าเงื่อนไขใด
เงื่อนไขหนึ่งที่ก�าหนดไว้เป็นจริงก็จะหยุด
การค�านวณ
3.3) ป่าสุ่ม (random forest: RF)
ได้รับการเสนอโดย Breiman, Friedman,
Stone, and Olshen (1984) เป็นอัลกอริทึม

ที่นิยมน�ามาประยุกต์ร่วมกับข้อมูลภาพถ่าย
จากดาวเทียมเพื่อช่วยในการจ�าแนกพืช
พรรณทางการเกษตรและงานด้านอื่น ๆ
เช่น งานด้านการจ�าแนกการใช้ประโยชน์
ที่ดิน สิ่งปกคลุมดิน การจ�าแนกพันธุ์ไม้

ป่าชายเลน และการหาพื้นที่ถูกเผาไหม้ ภาพที่ 6 ลักษณะการท�างานของอัลกอริทึมป่าสุ่ม ผลลัพธ์สุดท้ายจะได้จากการโวตผลลัพธ์ที่ได้
(Dubeau, King, Unbushe, & Rebelo, จากต้นไม้ตัดสินใจ (D) ที่มีจ�านวนมากที่สุดในป่า (Intarat & Sillaparat, 2019)
2017; Intarat & Sillaparat, 2019;
Jhonnerie, Siregar, Nababan, Prasetyo, อัลกอริทึมป่าสุ่มจะน�าผลลัพธ์ทั้งหมดที่ได้จากต้นไม้ตัดสินใจแต่ละต้นมาตรวจสอบ
& Wouthuyzen, 2015; Ramo & Chuvieco, หาผลลัพธ์ที่ซ�้ากันเพื่อโหวตผลลัพธ์ที่มีจ�านวนมากที่สุดให้เป็นผลลัพธ์สุดท้าย (สมการที่
2017; Wang et al., 2018; Zhang, Wu, 4) ส่งผลให้ผลลัพธ์ดังกล่าวมีค่าความถูกต้องและแม่นย�าเนื่องจากได้ถูกกลั่นกรองมาจาก
Niu, Yang, & Zhao, 2017; Zhu et al., ต้นไม้ตัดสินใจจ�านวนหลายต้น (Intarat & Sillaparat, 2019)

2017) มีความยืดหยุ่นในการท�างานสูง
ข้อมูลที่น�าเข้าสู่การประมวลผลไม่จ�าเป็น
ต้องทราบฟังก์ชันการแจกแจง (Rodriguez- เมื่อ แทน แบบจ�าลองการจ�าแนกรวม
Galiano, Ghimire, Rogan, Chica-Olmo, แทน ผลจากการจ�าแนกด้วยต้นไม้ตัดสินใจต้นที่ ของชุดข้อมูล
& Rigol-Sanchez, 2012) การท�างานของ

การจ�าแนกแบบป่าสุ่มจะรวมเอาต้นไม้ การจ�าแนกด้วยอัลกอริทึมป่าสุ่มต้องพิจารณาพารามิเตอร์ในแบบจ�าลองให้มีความ
ตัดสินใจมารวมกันไว้มีลักษณะคล้ายป่า เหมาะสมในแต่ละงาน (Intarat & Sillaparat, 2019; Jhonnerie et al., 2015) ได้แก่
ต้นไม้ตัดสินใจแต่ละต้นจะจัดกลุ่มและ ค่าความลึกสูงสุดของต้นไม้ (maximum total of tree depth) ค่าจ�านวนตัวอย่างต�่า
จ�าแนกข้อมูล ผลลัพธ์ที่ได้จากต้นไม้ตัดสิน สุดของแต่ละโนด (minimum number of sample node) และจ�านวนของต้นไม้สูงสุด
ใจแต่ละต้นจะมีค่าไม่เหมือนกันดังแสดง ในป่า (maximum number of tree in forest) ซึ่งพารามิเตอร์แต่ละตัวจะมีการปรับ
ในภาพที่ 6 ด้วยวิธี out of bag (OOB)

3.4) การ์เดียนบูสท์ (gradient boosting: GB) ถูกพัฒนาต่อยอดโดย Friedman
(2001) สามารถท�างานกับข้อมูลเพื่อจ�าแนกประเภท (classification) และวิเคราะห์
โครงสร้างการถดถอย (regression) มีหลักการท�างานคล้ายกับอัลกอริทึม RF หากแต่
มีความแตกต่างจากการรวมจ�านวนตัวจ�าแนกที่มีผลความแม่นย�าต�่าด้วยอัลกอริทึม

level-wise เพื่อสร้างเป็นตัวจ�าแนกใหม่ คล้ายกับลักษณะของการสร้างต้นไม้ใหม่จาก
ข้อผิดพลาดของต้นไม้ตัดสินใจก่อนหน้า (Bui et al., 2021)

28 ปีที่ 77 ฉบับที่ 2 เมษายน - มิถุนายน 2567 วิศวกรรมสาร