Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
1
การศกษาความเปนไปไดในการท านายผลผลตออยในแปลงโดยใช 1
ดชนพชพรรณ NDVI, CIred edge และปรมาตรจากแบบจ าลองพนผวเชงตวเลข 2 3
Feasibility Study of Sugarcane Yield Prediction Using 4
NDVI, CIred edge Indices Associated with Volume of Digital Surface Model (DSM) 5 6
จรวฒน โนดไธสง1, ขวญตร แสงประชาธนารกษ1*, Chanreaksa Chea1, เจษฎา โพธสม1, 7
เสร วงสพเชษฐ1, ศภสทธ คนใหญ1 และ มหศร วองผาต2 8
Cheerawat Nodthaisong1, Khwantri Saengprachathanarug1*, Chanreaksa Chea1, Jetsada Posom1, 9
Seree Wongpichet1, Supasit Konyai1 and Mahisorn Wongphati2 10 11 1ภาควชาวศวกรรมเกษตร คณะวศวกรรมศาสตร มหาวทยาลยขอนแกน อ.เมอง จ.ขอนแกน 40002 ประเทศไทย 12 1Faculty of Engineering, Khon Kaen University, Muang, Khon Kaen, 40002, Thailand. 13 2HG Robotics Company Limited, บางกอกนอย, กรงเทพมหานคร, 10700, ประเทศไทย 14 2HG Robotics Company Limited, Bangkok Noi, Bangkok, 10700, Thailand 15 *Corresponding author: Tel: +66-8-7668-9270, E-mail: [email protected] 16
17
บทคดยอ : การศกษานมวตถประสงคเพอศกษาความเปนไปไดในการท านายผลผลตออยในแปลงโดยใชดชนพชพรรณ 18
NDVI, CIred edge และปรมาตรจากแบบจ าลองพนผวเชงตวเลข ในการศกษานใชตวอยางจ านวน 30 ตวอยาง โดยเปนพนธ19
ทแตกตางกนทงหมดและแตละตวอยางมพนทขนาด 6×8 ตารางเมตร และเกบรวบรวมภาพถายออยในแปลง จากกลอง20
ถายภาพหลายชวงคลน (Multispectral camera) แบบ 5 ชวงคลน (Red, Green, Blue, NIR และ Red Edge) ซงตดตง21
บนอากาศยานไรคนขบ จากนนเกบเกยวออยแตละแปลงยอยมาชงน าหนกเพอหาผลผลตตอไรส าหรบใชเปนคามาตรฐาน22
ในการสรางแบบจ าลอง ภาพถายออยทงหมดจากแตละชวงคลน จะถกน ามาประมวลผลเปนภาพทงแปลงดวยโปรแกรม 23
Pix4D mapper แลวน าขอมลในภาพไปค านวณดชน 3 คา ประกอบดวย ดชนพชพรรณ NDVI, CIred edge และปรมาตรจาก24
แบบจ าลองพนผวเชงตวเลข หลงจากนนจงวเคราะหความสมพนธระหวางคาดชนแตละคากบผลผลตออยในแปลง ดวยวธ25
สมการถดถอยเชงเสนอยางงาย (Simple Linear Regression, SLR) ผลการวเคราะหพบวามความเปนไปไดทจะท านาย26
ผลผลตออยในแปลงดวยคาดชน NDVI, CIred edge และปรมาตรจากแบบจ าลองพนผวเชงตวเลข โดยมคาสหสมพนธ (r) 27
เทากบ 0.77, 0.78 และ 0.87 ตามล าดบ และคารากทสองของความคลาดเคลอนก าลงสองเฉลยระหวางคาจรงกบคา28
ท านาย (Root Mean Square Error, RMSE) เทากบ 3.18, 3.11 และ 2.46 ตน/ไร ตามล าดบ และมคาความผดพลาด29
มาตรฐานของการท า cross-validation (Root Mean Square Error of Cross Validation, RMSECV) เทากบ 3.37, 3.32, 30
และ 2.61 ตน/ไร ตามล าดบ การทคาความคลาดเคลอนคอนขางสงเนองจากการเกบขอมลภาพถายใกลชวงเกบเกยว การ31
วเคราะหภาพถายไมมการตด pixel สวนทไมใชออยออก จงท าใหมความคลาดเคลอนคอนขางสง ดงนน การศกษาใน32
ขนตอนตอไปจงมงศกษาเพอเพมความแมนย าในการท านายผลผลตดวยคาดชนทงสามคาและวธการประเมนผลผลตวธ33
อน 34
ค าส าคญ : ดชนพชพรรณ, ปรมาตรจากแบบจ าลองพนผวเชงตวเลข, ผลผลตออย, อากาศยานไรคนขบ, กลองถายภาพ35
หลายชวงคลน 36
37
2
Abstract : The objective of this study was to investigate the feasibility of predicting sugarcane yield in the field 38
using some vegetation indices including NDVI and CIred edge associated with volume of digital surface model 39
(DSM) . In this study, 30 samples were used, consisting of 30 varieties of 1 replicates from the same plot. 40
Therefore, there are only 1 sample in each sample. Each sample is 6 × 8 square meters. The images of 41
sugarcane field were captured using a multispectral camera, covering 5 wavebands i.e. Red, Green, Blue, NIR 42
and Red Edge, installed on an unmanned aerial vehicle. The sugarcane was then harvested and weighed to 43
determine the yield. Images from each wavelength were analyzed by Pix4D Mapper software and calculated 44
for vegetation indices (NDVI and CIred edge) and the volume of DSM. Correlations between the three indices and 45
actual sugarcane yield were observed. The results showed that the NDVI, CIred edge and volume of DSM with 46
correlated with actual yield at the correlation coefficient (r) of 0.77, 0.78 and 0.87 , respectively, and the Root 47
Mean Square Error (RMSE) of 3. 1 8 , 3.11 and 2.46, ton/ rai, respectively and the Root Mean Square Error of 48
Cross Validation (RMSECV) of 3.37, 3.32 and 2.61, ton/rai respectively, The tolerances are quite high due to 49
the harvesting of photos near the harvest. Photo analysis does not cut out non-cane pixel parts. Therefore, the 50
error is quite high. suggesting a feasibility to predict the cane yield Further study is necessary to improve the 51
prediction accuracy. 52
Keywords : Vegetation Index, Volume of Digital surface model, Sugarcane Yield, Unmanned Aerial Vehicle, 53
Multispectral Camera 54
55
บทน า 56
ออยเปนพชเศรษฐกจทส าคญของประเทศไทย ทชวยขบเคลอนเศรษฐกจของประเทศ เพราะออยเปนพช57
อตสาหกรรมทมผ เกยวของในทกระดบ ตงแตเกษตรกรถงโรงงานน าตาลและอตสาหกรรมอนๆ เชน การผลตไฟฟา 58
กระดาษ เอทานอล ผลตภณฑอาหาร เปนตน ในปการผลต พ.ศ. 2559/2560 มพนทปลกออย 10.98 ลานไร โดยเปนพนท59
เกบเกยวออยสงโรงงาน 9.86 ลานไร และมผลผลตออยเขาหบ 92.95 ลานตน (กรมวชาการเกษตร, 2559; ส านกงาน60
คณะกรรมการออยและน าตาลทราย, 2560) 61
ปจจบน ระบบการซอขายออยโรงงานของไทย ก าหนดราคาตามน าหนกและความหวานทตรวจพบจากผลผลต62
นนๆ โดยด าเนนการตรวจวดผลผลตของเกษตรกรแตละรายทหนาโรงงาน ภายใตการก ากบดแลของส านกงาน63
คณะกรรมการออยและน าตาลทราย (ส านกงานคณะกรรมการออยและน าตาลทราย, 2561) เนองจากวธการตรวจวดใน64
แปลงยงมความยงยากมาก ยงตองใชแรงงานคนในการตรวจวดในแปลงออย และผตรวจแปลงสามารถส ารวจไดบรเวณ65
ขอบแปลง ไมสามารถเขาถงบรเวณกลางแปลงได ยงแปลงขนาดใหญแลวยงเกดโอกาสผดพลาดไดมาก เชน หากมบรเวณ66
ออยลม ออยไมเจรญเตบโต มพนทน าทวม บรเวณตรงกลางแปลงทเขาไมถง จะท าใหการประเมนผดพลาดไดมาก ท าให67
เกษตรกรและผตรวจแปลงยงคงใชวธการคาดคะเนดวยประสบการณ แลวจงตดสนใจเกบเกยวสงโรงงาน อาจกลาวไดวา 68
ผ เกยวของทกฝายนบตงแตเกษตรกร เจาของรถตดออย และโรงงานผ รบซอ ยงคงบรหารจดการการเกบเกยวออยในพนท69
ปลกออย โดยอาศยวธการคาดคะเนจากประสบการณเปนส าคญ ซงผลเสยของการคาดคะเนดวยประสบการณ คอ ความ70
แมนย าในการประเมนผลผลตออยกอนเกบเกยวมควาแมนย าคอนขางต าและไมสามารถประเมนออยทอยบรเวณตรง71
กลางแปลงได ความแมนย าจงขนอยกบประสบการณและความช านาญของผประเมน ดงนน ถาสามารถทราบขอมล72
3
น าหนกและความหวานของออยแตละแปลงหรอเกษตรกรแตละรายในพนทปลกออย ขอมลดงกลาวจะเปนประโยชนอยาง73
ยง ส าหรบการบรหารจดการเพอเพมประสทธภาพการเกบเกยวและเพมรายไดของผ เกยวของทกฝายในพนท กระบวนการ74
จดการขอมลเชงพนทในลกษณะดงกลาว หรอเรยกวาระบบสารสนเทศภมศาสตร (Geographic Information System, 75
GIS) ไดมการใชอยางแพรหลายในอตสาหกรรมน าตาลของออสเตรเลยปจจบน (Davis et al., 2007) 76
จากประเดนปญหาวธการตรวจวดในแปลงดงกลาวขางตน จงมการพฒนาวธการเกบรวบรวมขอมลจากภาพถาย 77
ซงถายภาพดวยชวงคลนจ าเพาะ เชน ชวงคลนอนฟราเรดยานใกล (NIR) เปนตน แลวน ากลองดงกลาวไปตดตงบนอากาศ78
ยาน เชน โดรน เครองบน ดาวเทยม เปนตน เพอเกบรวบรวมขอมลในรปแบบภาพถาย 79
ปจจบน เนองจากโดรนหรออากาศยานไรคนขบมราคาถกลงมาก จงมการน าเทคโนโลยดงกลาวมาใชประโยชนใน80
งานเกษตรกรรมกนอยางกวางขวาง นบตงแตการน าไปใชส ารวจแปลงขนาดใหญ เพอวเคราะหดนเพอปลก รวมไปถงการ81
วางแผนเกบเกยวใหแมนย ามากขน หรอการใชงานเฉพาะขนตอน เชน การตรวจสอบความชนในดนเพอใหน า การ82
ตรวจสอบธาตอาหารเพอใหป ย การตรวจโรคพช การลดปรมาณการใชสารเคมส าหรบเกษตรอนทรย การประมาณคาชว83
มวลเหนอพนดนของตนหมอน เปนตน ซงการประยกตใชงานในลกษณะดงกลาว ท าใหเกษตรกรรมแบบดงเดมเรมปรบมา84
เปนเกษตรกรรมแมนย าสง (Precision Agriculture) ซงความแมนย าทเพมขน ชวยลดตนทนวสดเกษตร (เชน ป ย สารเคม) 85
ลดเวลาในการท างาน ลดจ านวนคน แตไดประสทธภาพการท างานเพมขน (ศนยวจยกสกรไทย , 2560; วชย และคณะ, 86
2560; ศวา, 2561) 87
ส าหรบการประยกตใชในงานผลตออย พบวา มงานวจยในประเทศออสเตรเลยเกยวกบการใชภาพถายดาวเทยม88
ส าหรบประเมนผลผลตออย และคาดการณผลผลตออยในปถดไป โดยใชคาดชนพชพรรณ NDVI และ GNDVI (Ronson 89
et al., 2016) งานวจยประเทศไอซแลนดมการใชภาพถายดาวเทยมในการประเมนผลผลตออยแตละป โดยใชคาดชนพช90
พรรณ NDVI (Morel et al., 2014) งานวจยประเทศสหรฐอเมรกามการใชอากาศยานไรคนขบส าหรบประเมนความเขม91
ของไนโตรเจน โดยใชคาดชนพชพรรณ CIred edge (Olga et al., 2018) และงานวจยประเทศโครเอเชยมการใชอากาศยานไร92
คนขบส าหรบประเมนความสงและความหนาแนนของทงหญา ปาไม โดยใช Digital Surface Model (DSM) ในการ93
ประเมนความสงปาไม และความหนาแนน (Ivan et al., 2015) จากงานวจยทเกยวของน ผวจยเหนไดวา การใชดชนพช94
พรรณ (NDVI, CIred edge) สามารถบอกถงความอดมสมบรณของพชพรรณได เนองจากชวงคลนยาน NIR สามารถแยกแยะ95
ความแตกตางของสวนทเปนน าและสวนทไมเปนน าได สวนชวงคลนยาน Red สามารถแยกคลอโรฟลลของพชสเขยวท96
ดดกลนพลงงานได แตไมสามารถบอกถงความสงของออยได จงมการใช DSM ในการหาความสงของออยสามารถน ามา97
ค านวณเปนปรมาตรจากแบบจ าลองพนผวเชงตวเลข (Volume of Digital Surface Model, DSM) ของออยจากการ98
ก าหนดพนทในแปลงได 99
ส าหรบการศกษาครงน มวตถประสงคเพอศกษาความเปนไปไดในการเพอท านายผลผลตออยในแปลง(ตน/ไร) 100
โดยใชดชนพชพรรณ (NDVI และ CIred edge) และปรมาตรจากแบบจ าลองพนผวเชงตวเลข 101
102
วธการศกษา 103
2.1 กรอบแนวคด 104
กรอบแนวคดวธการศกษา เรมจากบนถายภาพดวยกลอง Multispectral ทตดตงบนอากาศยานไรคนขบ หลงจาก105
นนประมวลผลภาพดวยโปรแกรม Pix4Dmapper Pro-Educational ของบรษท Pix4D ขนตอนตอไปคอ วเคราะหคาดชน106
พชพรรณ(NDVI และ CIred edge) และปรมาตรจากแบบจ าลองพนผวเชงตวเลข โดยคดคาเฉลยของแตละตวอยางแลวน ามา107
4
หาความสมพนธระหวางดชนทง 3 กบน าหนกออยหลงการเกบเกยว เพอสรางสมการท านายผลผลตออยของแตละดชน 108
สามารถสรปไดแสดงดง Figure 1 109
110 111 112 113 114 115
116
117 118
119 120
121
122
123
124
125
126
127
Figure 1 The idea to create an equation to predict yield. 128
2.2 ตวอยางทใชในการศกษา 129
ในการพฒนาโมเดลท านายผลผลตทดจ าเปนตองเลอกตวอยางแปลงทใหผลผลตครอบคลมชวงของคาผลผลต130
ออยทเปนไปไดและมการกระจายความถในแตละชวงผลผลตทสม าเสมอ ในการศกษาน จงเลอกศกษาพนทแปลงทดสอบ131
ทใชพฒนาสายพนธออยของหมวดพชไร คณะเกษตรศาสตร มหาวทยาลยขอนแกน (16.476894, 102.811260) จ านวน 132
30 ตวอยาง ทประกอบดวยสายพนธทใชในปจจบนและก าลงพฒนาขนใหม ทมผลผลตทแตกตางกนไปในแตละสายพนธ 133
คอสายพนธ CSB 07-79, CSB06-2-15, CSB06-4-162, CSB06-5-20, CSB07-219, KK06-501, KK07-037, KK07-478, 134
KKU 99-01, KKU 99-02, KKU 99-03, KKU 99-06, MPT02-458, NSUT08-22-3-13, Q229, TBJ04-229, TBy27-1385, 135
TBy28-0348, TBy27-1211, TP 06-419, UT 84-12, UT 07-381, UT84-13, V38(28-0941), 91-2-527, K88-92, KPS01-136
12, LK92-11, KK3 และ TPJ03-452 แตละสายพนธปลกจ านวน 4 แถว ในพนทขนาด 6×8 ตารางเมตร ระยะหางระหวาง137
แถว 1.5 เมตร ปลกแบบวางทอนคตอหลม เปนออยปการเพาะปลก พ.ศ. 2560/2561 ซงมก าหนดเกบเกยว ชวงตนเดอน138
กมภาพนธ พ.ศ. 2561 โดยท าการถายภาพวนท 31 มกราคม พ.ศ. 2561 ชวงเวลาการบน 13.00 น. และใชเวลาถายรป139
ประมาณ 15 นาท 140
2.3 การเกบขอมลภาพถาย 141
2.3.1 อากาศยานไรคนขบ (UAVs) 142
อากาศยานไรคนขบ รน VESPA HEX 650 (HG Robotic company, Thailand) แสดงดง Figure 2 ชนด 6 มอเตอร 143
6 ใบพด น าหนก 4.5 กโลกรม (รวมแบตเตอร) เพดานบนสงสดไมเกน 500 เมตร ตดตงกลอง Multispectral รน Red Edge 144
พรอม ดวย GPS Mini Ublox NEO-M8N และแบต เตอ ร Lithium- ion Polymer ขนาด 10,000 mAh 22.2 V ส รป145
รายละเอยดดง Table 1 146
5
Table 1 Summary of UAV specification 147
148 149
150
151 152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
Figure 2 Unmanned Aerial Vehicle Version VESPA HEX 650 (HG Robotic company) 168
2.3.2 Multispectral camera 169
กลอง Multispectral รน RedEdge (Figure 3) ผลตโดยบรษท MicaSence กลองรนนสามารถถายภาพ ไดทงหมด 170
5 ชวงคลน ไดแก Red, Green, Blue, NIR และ Red Edge ซงแตละชวงคลนมศนยกลางความยาวคลนท 668, 560, 475, 171
840 และ 717 nm ตามล าดบ และตวกลองมน าหนก 150 กรม ซงภาพทถายออกมาไดแตละชวงคลน เปนภาพขนาด 16 172
bit และมขนาดภาพ 1280×960 pixel (MicaSence, 2015) 173
174
175
176
177
178
179
180
Figure 3 Multispectral camera (MicaSense RedEdge-M™) 181
2.3.3 การเกบขอมล Ground control points 182
ในขนตอนการประมวลผลภาพในโปรแกรม Pix4Dmapper Pro เพอใหไดภาพแผนทของทง 5 ชวงคลน (Red, 183
Green, Blue, NIR และ Red Edge) ขนตอนการใส Ground control points (GCPs) เปนขนตอนทส าคญ โดยท าการเกบ184
Name VESPA HEX 650 / HG Robotics
Number of rotor 6
Takeoff weight 4.5 kg
Maximum altitude Less than 500 meters
Camera Multispectral camera
GPS Mini Ublox NEO-M8N
Battery Lithium-polymer battery, 10000mAh, 22.2V
6
พกดของ GCP ทกจด ซงเปนต าแหนงละตจดและลองตจด ใสในขนตอนการประกอบภาพ เพราะ GCP จะชวยเพมความ185
แมนย าของต าแหนงภาพแตละต าแหนง โดยมต าแหนงอางองคอแผนเปาขาวด า ยงมต าแหนงอางองมาก จะท าให186
ต าแหนงภาพแตละพกเซลลของภาพทง 5 ชวงคลน ตรงกน เพราะถาต าแหนง pixel ของภาพไมตรงกน จะท าใหการ187
ค านวณดชนพชพรรณเกดความผดพลาดได โดยการทดลองครงน ใชแผนเปาขาวด า ส าหรบใชอางองต าแหนง GCP โดย188
แผนเปามขนาด 50×50 ตารางเซนตเมตร แสดงดง Figure 4 ส าหรบการทดสอบแปลงนใชทงหมด 12 แผน โดยวางท189
ต าแหนงบรเวณแตละมมและตรงกลางของแปลงทง 3 แปลง(ดงต าแหนงบรเวณรปดาว Figure 5) เพอใหครอบคลมพนท190
ทดสอบขนาด 26 ไร และท าการเกบขอมลบรเวณในพนทเสนประ ดง Figure 5 มพนทขนาดประมาณ 1.5 ไร จากทท าการ191
บนทงหมด 3 แปลง เนองจากตองการเกบภาพในพนททกวางขน และอาจเปนประโยชนในการน าภาพแปลงทไมไดทดสอบ192
ไปใชงานอน 193
194
195
196 197
198
199
Figure 4 Ground control points panel 200
201
202
203
204
205
206
207
Figure 5 The position of the ground control points panel and storage 208
2.3.4 การวางแผนการบน 209
การวางแผนการบน ด าเนนการโดยใช Flight planning program (HG Robotic company, Thailand) การศกษา210
น ไดทดลองตงคาการเกบขอมลภาพถายจากการปรกษาดานเทคนคและค านวณความสงของการบนจากบรษท HG 211
Robotic เพอใหครอบคลมพนทแปลงออยจ านวน 3 แปลง ขนาดประมาณ 26 ไร ดงน Ground Sampling Distance 212
(GSD) 5 เซนตเมตร, ความสงการบน 73 เมตร,ความเรวการบน 5 เมตร/วนาท , frontal overlapping 80% และ side 213
overlapping 60% ตามล าดบ ซงความสงการบนจะขนอยกบขนาด GSD ในการบน โดยมงานวจยในการใชอากาศยานไร214
คนขบในการประเมนคา Brix ของออย โดยใช GSD 5 เซนตเมตร และความสงการบน 73 เมตร (Chea et al., 2018) ผวจย215
จงใช GSD 5 เซนตเมตร ส าหรบการบนครงน เพอใหครอบคลมแปลงขางเคยงเพอเปนประโยชนตอการน าไปใชงานดาน216
อนๆ โดยมภาพโปรแกรมระหวางการท างานแสดงดง Figure 6 ก าหนดชวงเวลาบน เวลาประมาณ 13.00 น. เนองจาก217
สภาพแสงทเกดจากดวงอาทตยท าใหภาพถายของตนออยในแตละแปลงยอยเกดเงานอยกวาชวงเวลาอน และท าการบน 218
จ านวน 1 ครง 219
220
7
221
222
223
224
225
226
Figure 6 Flight planning program 227
2.4 ขนตอนการประมวลผลภาพ (Image Processing) 228
รปภาพถายจากการบน ถกน ามาประมวลผลดวยโปรแกรม Pix4Dmapper pro – educational ของบรษท Pix4D229
โดยมขนตอนดงน 230
ขนตอนท 1 Initial processing : ประกอบภาพเบองตน โดยโปรแกรมจะน าภาพทถายไดทกภาพมาประกอบตอกนตาม231
แผนทการบนทก าหนดไว เพอใหไดภาพรวมแผนการบนทงหมด แตยงไมมการปรบแกไขรายละเอยดของพกเซลล 232
ขนตอนท 2 Point Cloud and Mesh : หลงจากทไดภาพรวมแผนททงหมด มาแลวในขนตอนนจะท าการใสต าแหนง 233
Ground control point (GCP) ซงเปนคา ละตจดกบลองตจด ของทง 12 จด โดยการใสต าแหนง GCP ขนอยกบพนทการ234
บน และต าแหนง GCP จะชวยผสานรายละเอยดของพกเซลลภายในภาพ ใหภาพทออกมาของ 5 ชวงคลนต าแหนง pixel 235
มต าแหนงทตรงกนและลดความคลาดเคลอนทเกดจากการประกอบภาพ 236
ขนตอนท 3 Index : ขนตอนนท าการสอบเทยบคาแสงของทง 5 ชวงคลน ซงการบนครงเดยว สภาพแสงในแตละแถวการ237
บนอาจมคาไมเทากน โดยไดปรกษากบบรษท HG Robotic เพอท าการปรบแสงทเกดขนจากการถายภาพใหมคาแสงทม238
ความถกตองมากยงขน และจะไดจ าแนกภาพตามความยาวคลนทใชในการถาย รวมทงหมด 5 ชวงคลน ไดแก Blue, 239
Green, Red, NIR และ Red Edge ตามล าดบ 240
ขนตอนท 4 DSM Orthomosaic : น าภาพจ าลองทแสดงถงคาความสงพนผว อางความสงจากระดบน าทะเลปานกลาง ได241
จากต าแหนง GPS ของอากาศยานไรคนขบ มาค านวณปรมาตรของออย ในพนททตองการ (บรษท จไอเอส จ ากด, ม.ป.ป. 242
; Chea et al., 2018) 243
2.5 ค านวณดชนพชพรรณ (Vegetation Index, VI) 244
การค านวณดชนพชพรรณ ในงานศกษานใช ดชน NDVI และ CIred edge เมอเสรจสนกระบวนการการประมวลผล245
ภาพ จะไดภาพมา 5 ชวงคลน ไดแก Red, Green, Blue, NIR และ Red Edge แตละภาพมขนาด 4475×5368 pixel 246
ครอบคลมพนทขนาด 26 ไร จากนนน าภาพทไดมาตดใหเหลอเฉพาะแปลงททดสอบ ขนาด 3199×1388 pixel ครอบคลม247
พนทขนาด 4 ไร และน าภาพมาค านวณดชนพชพรรณ NDVI , CIred edge ตามสมการท 1 และ 2 จากนนท าการตดพนทแต248
ละตวอยาง ขนาด 120×130 pixel เพอใหไดตวอยางขนาดจรง 6×8 ตารางเมตร และน าคาดชนพชพรรณของแตละ249
ตวอยาง มาหาคาเฉลย เพอน ามาหาความสมพนธกบผลผลตออย 250
2.5.1 Normalized Difference Vegetation Index (NDVI) 251
NDVI เปนความสมพนธระหวางชวงคลนอนฟราเรดยานใกล (NIR) และชวงคลนสแดง (Red) ทตามองเหนได ดง252
รายละเอยดในสมการท 1 ซงมคาตงแต -1 ถง +1 ในกรณทมคาเขาใกล 1 แสดงวาพชพรรณมใบเขยวทแสดงถงความอดม253
สมบรณของพช (ส านกงานพฒนาเทคโนโลยอวกาศและภมสารสนเทศ, 2552) โดยชวงคลนอนฟราเรดยานใกล (NIR) ท254
พชพรรณไมดดกลนพลงงานแตจะเกดการกระเจงจากโครงสรางของใบ และ ชวงคลนสแดง (Red) ทคลอโรฟลดของพชส255
8
เขยวจะดดกลน ซงผวจยเหนวาความอดมสมบรณทแสดงออกทางใบออย คาดวามความสมพนธกบความอดมสมบรณ256
ของล าออย 257
NDVI = (NIR−Red)
(NIR+Red) (1) 258
259
2.5.2 Chlorophyll Index red edge (CIred edge) 260
CIred edge เปนความสมพนธระหวางชวงคลนอนฟราเรดยานใกล (NIR) ทสามารถแยกแยะความแตกตางของน า261
และสวนทไมใชน า และชวงคลนทตามองเหนสแดง (Red Edge) ทสามารถวเคราะหสภาพการเจรญเตบโตของพช ดง262
รายละเอยดในสมการท 2 ดชนพชพรรณนบงบอกถงปรมาณคลอโรฟลลของพชพรรณจากการประเมนทางใบซงคาดวา263
ปรมาณคลอโรฟลลมความสมพนธกบความอดมสมบรณของล าออย (Oliveira et al., 2016) 264
CIred edge = NIR
Red Edge− 1 (2) 265
266
2.6 ปรมาตรจากแบบจ าลองพนผวเชงตวเลข (Volume of Digital Surface Model, DSM) 267
Digital Surface Model (DSM) คอ คาความสงพนผวปกคลมประเทศ โดยอางองจากระดบน าทะเลปานกลาง โดย268
ค านวณจากระบบก าหนดต าแหนง GPS บนอากาศยานไรคนขบ และระบบรงวดการเอยงตว (Orientation System) ทม269
ความละเอยดสง ซงระบบ GPS จะแสดงคาต าแหนงในระบบ 3 มต (ละตจด ลองตจด และคาความสงเหนอพนผวทรง270
กลมโลก) ดงนนภาพถายทผานกระบวนการประมวลผลภาพ จะไดภาพทบอกความสงในแตละพกเซลลของภาพ โดย271
ความเทยงตรงจะขนอยกบระบบ GPS และสภาพอากาศของวนทถายภาพ จากนนน าคาความสงทไดจากภาพถายน ามา272
ค านวณเปนปรมาตรจากแบบจ าลองพนผวเชงตวเลขได จากการก าหนดบรเวณพนท ดงรายละเอยดในสมการท 3 (จนษฐ 273
และ คณะ, ม.ป.ป. ; Pix4Dsupport, 2018) 274
ปรมาตรจากแบบจ าลองพนผวเชงตวเลข = ความกวาง × ความยาว × ความสง (3) 275
276
2.7 ขนตอนการวดผลผลตของออย 277
การวดผลผลตจะท าโดยการตดตนออยของแตละตวอยางมาชงน าหนก แลวน าไปค านวณน าหนกออยตอพนท 278
(3×8 ตารางเมตร/พนธ) จากนนแปลงคาเปน ตน/ไร โดยเลอกตดตวอยางออยเฉพาะ 2 แถวกลาง (Figure 7) ซงท าการตด279
ตนออยทกตนของ 2 แถว เนองจาก แถว 1 และ 4 เปนออยทปลกไวเพอปองกนผลกระทบจากพนธขางเคยง 280
281
282
283
284
285
286
287
Figure 7 Lay out of the each sugarcane plots (4 rows) 288
2.8 การสรางสมการสอบเทยบเพอท านายผลผลตของออย 289
หลงจากขนตอนหาคาดชนพชพรรณและปรมาตรจากแบบจ าลองพนผวเชงตวเลข ของออยแตละตวอยางแลว 290
น ามาหาความสมพนธกบน าหนกออยจรงดวยวธ Simple linear regression (SLR) เพอสรางสมการท านายผลผลตของ291
9
ออยและตรวจสอบสมการท านายผลผลตโดยใชคารากทสองของคาเฉลยความคลาดเคลอนยกก าลงสอง (Root Mean 292
Square Error, RMSE) ทง 30 ตวอยาง เพอทราบถงความคลาดเคลอนของสมการท านายผลผลตออย และตรวจสอบคา293
ความผดพลาดมาตรฐานในการท านายของตวอยางในกลมสรางสมการ โดยใชคารากทสองของคาเฉลยความ294
คลาดเคลอนยกก าลงสองของการพสจนแบบไขว (Root Mean Square Error of Cross Validation, RMSECV) ทง 30 295
ตวอยาง ดงรายละเอยดใน สมการท 4 296
RMSE or RMSECV = √1
n∑ (Ŷi − Yi)
2ni=1 (4) 297
298
เมอ RMSE คอ คารากทสองของคาความคลาดเคลอนก าลงสองเฉลย 299
RMSECV คอ คารากทสองของคาเฉลยความคลาดเคลอนยกก าลงสองของการพสจนแบบไขว 300
n คอ จ านวนตวอยาง 301
Ŷi คอ คาจากการวดจรง 302
Yi คอ คาจากการท านาย 303
304
ผลการศกษาและวจารณ 305
3.1 ลกษณะของภาพถาย และคาทางสถตของผลผลตออย 306
การสรางโมเดลท านายทด จะตองสรางจากตวอยางแปลงออยทมผลผลต(ตน/ไร) ครอบคลมทกชวงผลผลตทจะ307
น าไปใชท านายตงแตผลผลตต าจนถงผลผลตสง และควรมการกระจายความถในแตละชวงผลผลตทมความสม าเสมอ 308
(กตตศกด , 2553) จากหลกการดงกลางขางตน แปลงออยทมผลผลตในชวง 0-20 ตน/ไร จ านวน 30 ตวอยาง จากแปลง309
ทดสอบจ านวน 1 แปลง จงถกเลอกมาใชเปนตวอยางในการสรางโมเดลท านายผลผลต โดยตวอยางดงกลาวครอบคลมทง310
พนธทมการปลกในประเทศไทยปจจบน และพนธทอยระหวางการพฒนาเพอใชในอนาคต ซงจากกราฟกระจายความถ311
ของผลผลตของแปลงตวอยาง Figure 8 จะเหนไดวาตวอยางมความถทใกลเคยงกนของทกชวงผลผลตอยางไรกตาม จาก312
การเลอกแปลงตวอยางโดยมงหมายใหไดโมเดลท านายผลผลตทด ซงตองพจารณาจากการกระจายความถของคาผลผลต313
ของแปลงเปนหลกดงกลาวขางตน ท าใหแปลงตวอยางทเลอกใชในบทความน เปนพนธทแตกตางกนทงหมดทง 30 314
ตวอยาง จงไมสามารถศกษา interaction ระหวางพนธ และ yield ได 315
316
317
318
319
320
321
322
323
Figure 8 The graph shows the frequency of sugarcane yield 324
10
ลกษณะของภาพถายแตละภาพจะแสดงเปนคาตวเลขในแตละชวงคลนทงหมด 5 ชวงคลน และน ามาค านวณคา325
ดชนพชพรรณ (NDVI และ CIred edge) 30 ตวอยางมคาเฉลยของแตละตวอยางอยในชวง 0.318-0.583, 0.362-0.785 326
ตามล าดบ และปรมาตรจากแบบจ าลองพนผวเชงตวเลข มคาอยในชวง 16.95-216.81 m3 เมอท าเปนภาพแผนทรวม327
แปลงของ ดชนพชพรรณ (NDVI และ CIred edge) และปรมาตรจากแบบจ าลองพนผวเชงตวเลข จะมลกษณะแสดงดง 328
Figure 9 ซงวธดชนพชพรรณจะบอกถงความอดมสมบรณของพชพรรณจากสของใบออย สยงเขยวมากความอดม329
สมบรณของพชยงมคามาก สวนปรมาตรจากแบบจ าลองพนผวเชงตวเลข จะบอกถงปรมาตรของออยจากการค านวณดวย330
ความสงออยกบพนท แตไมสามารถบอกถงความอดมสมบรณของพชได โดยภาพทดง Figure 9 แสดงนนไมไดบงบอกถง331
ปรมาณน าหนกออยในแตละจด แตจะบอกถงปรมาณดชนพชพรรณในแตละพนทและความสงของออย ซงหลงจากเกบ332
เกยวผลผลตออยในแปลงพบวามคาอยในชวง 0.2-18.7 ตน/ไร โดยคาผลผลตออยบางแปลงมคาต าเนองมาเปนแปลง 333
ส าหรบปลกทดสอบและพฒนาพนธ ในบางแปลงยอยหรอบางพนธอาจจะใหผลผลตทไมด หรอบางพนธทใหผลผลตทด 334
ผวจยจงเลอกใชตวอยางทสามารถครอบคลมชวงผลผลตใหไดชวงทกวางทสด 335
336
337
338
339
340
341
342
343
(a) (b) (c) 344
Figure 9 The map shows the characteristics of the 3 Index 345
(a) NDVI map (b) CIred edge map (c) DSM map 346
347
3.2 ผลการสอบเทยบสมการของความสมพนธระหวางดชนพชพรรณและผลผลตของออย 348
ผลการสอบเทยบสมการเพอท านายผลผลตออย ดงแสดงใน Table 2 พบวา NDVI และ CIred edge มคา r เทากบ 349
0.77 และ 0.78 ตามล าดบ มคา RMSE เทากบ 3.18 และ 3.11 ตน/ไร ตามล าดบ และมคา RMSECV เทากบ 3.37 และ 350
3.32 ตน/ไร ตามล าดบ โดยขอมลแสดงใหเหนดง Figure 10(a) และ 10(b) จากเกณฑพจารณาความสมพนธระหวางตว351
แปรตาม Table 3 พบวา คา r ของสมการสอบเทยบส าหรบการใชคา NDVI และ CIred edge สามารถใชในการประเมนเพอ352
แบงกลมของระดบผลผลตอยางหยาบ สาเหตทสงผลใหคา r มคาคอนขางต า คาดวามสาเหตจากผลของสรรวทยาของ353
ออยตอการสะทอนแสง เชน ลกษณะของใบออยทแตกตางกนในแตละตวอยาง เนองจากวธการนท านายผลผลตออยโดย354
ใชคาดชนพชพรรณจากภาพถายมมสง ซงเหนเฉพาะลกษณะของใบออยเพยงอยางเดยว ซงพบวาบางตวอยางมผลผลต355
ใกลเคยงกน แตความอดมสมบรณของใบแตกตางกนอยางชดเจนตวอยาง เชน ดงต าแหนงวงกลมบน Figure 10(a) มคา356
ผลผลต ใกลเคยงกน แต NDVI มคาแตกตางกนอยางเหนไดชด ในทางกลบกนดงต าแหนงสเหลยมบน Figure 10(b) มคา 357
NDVI ใกลเคยงกน แต ผลผลต มคาแตกตางกนอยางเหนไดชด เนองจาก บางพนธมใบสด บางพนธมใบแหง และบางพนธ358
มการเจรญเตบโตทไมด ท าใหวธการนมความแมนย าคอนขางต า และวธการนบอกไดถงความอดมสมบรณจากใบออย แต359
ไมสามารถบอกถงความหนาแนนของออย และความสงของออยได 360
11
361
3.3 ผลการสอบเทยบสมการของความสมพนธระหวางปรมาตรจากแบบจ าลองพนผวเชงตวเลขและผลผลตของออย 362
ผลการสอบเทยบสมการเพอท านายผลผลตออย ดงแสดง Table 2 พบวาปรมาตรจากแบบจ าลองพนผวเชงตวเลข 363
มคา r เทากบ 0.87 มคา RMSE เทากบ 2.46 ตน/ไร และมคา RMSECV เทากบ 2.61 ตน/ไร โดยขอมลแสดงใหเหนดง 364
Figure 10(c) จากเกณฑพจารณาความสมพนธระหวางตวแปรตาม Table 3 พบวา r ของสมการสอบเทยบส าหรบการใช365
คาปรมาตรจากแบบจ าลองพนผวเชงตวเลข อยในชวง Screening เปนเกณฑทสามารถแบงกลมของระดบผลผลตได366
พอใช สาเหตทสงผลใหคา r มคาคอนขางต าแตสงกวาการประเมนแบบดชนพชพรรณ คาดวามสาเหตจากการค านวณ367
คาเฉลยทยงไมไดตดพนทสวนชองวางระหวางแถวของออย หรอ ตดในสวนขอบนสดของออยถงใบออยออก ใหเหลอ368
เฉพาะบรเวณออยทแทจรง เชน ดงต าแหนงสามเหลยมบน Figure 10(c) มคาปรมาตรจากแบบจ าลองพนผวเชงตวเลข 369
ใกลเคยงกนแตผลผลตมคาแตกตางกนอยางเหนไดชด เปนตน จากผลการทดลองท าใหเหนถงความเปนไปไดทปรมาตร370
จากแบบจ าลองพนผวเชงตวเลข มความสมพนธกบผลผลตออย และวธการนสามารถบอกถงความสงออยในแตละพนท371
เพอค านวณเปน ปรมาตรจากแบบจ าลองพนผวเชงตวเลข ของออยได แตไมสามารถบอกถงความอดมสมบรณของตน372
ออยได จงเปนการเปรยบเทยบของทง 2 วธและแสดงความสมพนธแสดงดง Figure 10 373
374
375
376
377
378
379
380
(a) (b) (c) 381
Figure 10 (a) The relationship between NDVI and yield of sugarcane 382
(b) The relationship between CIred edge and yield of sugarcane 383
(c) The relationship between Volume of DSM and yield of sugarcane384
Note : The circle is the comparison between Sugarcane yield with the similar but different NDVI. 385
The square is the comparison between the CIred edge with the similar but different yield. 386
The triangle is the comparison between the volume with the similar but different yield. 387
388
จากคาความสมพนธของดชนทงกบผลผลตของออย เมอ y คอ ผลผลตออย(ตน/ไร) สามารถสรปไดดง Table 2389
Table 2 The predicted yield of 3 index. 390
Vegetation Index Model r R2 RMSE(ton/rai) R2CV RMSECV(ton/rai)
NDVI y = 45.058(NDVI) - 11.625 0.77 0.59 3.18 0.54 3.37 CIred edge y = 29.548(CIred edge) - 8.0425 0.78 0.61 3.11 0.56 3.32 Volume of DSM y = 0.0821(Volume of DSM) - 2.7832 0.87 0.76 2.46 0.73 2.61
391
12
การทดสอบความแมนย าของแบบจ าลองทสรางขนเพอจะท านายสมบตทตองการวด ท าไดจากวธการทางสถตและ392
ค านวณคาในการประเมนความแมนย าและความถกตองของแบบจ าลอง จากเกณฑการพจารณาคา r และ R2 สามารถ393
สรปไดดง Table 3 394
Table 3 Criteria for the r and R2 395
r R2 Interpretation Up to ±0.5 5 up to 0.25 Not usable ±0.51-0.70 0.26-0.49 Poor correlation ±0.71-0.80 0.50-0.64 Rough screening ±0.81-0.90 0.66-0.81 Screening ±0.91-0.95 0.83-0.90 Research ±0.96-0.98 0.92-0.96 Quality assurance
±0.99-1 0.98-1 Any application ทมา : Williams (2007) 396
397
เมอน าสมการทง 3 ดชนมาทดสอบสมการ มาหาคา RMSE ของ NDVI, CIred edge และปรมาตรจากแบบจ าลอง398
พนผวเชงตวเลขมคาเทากบ 3.18, 3.11 และ 2.46 ตน/ไร ตามล าดบ จะเหนไดวา RMSE ยงมคาคอนขางสง คาดวาม399
สาเหตจากวธการของดชนพชพรรณค านวณจากลกษณะของใบออย ท าใหเกดความคลาดเคลอนไดมาก และวธการของ400
ปรมาตรจากแบบจ าลองพนผวเชงตวเลข ค านวณจากความสงใน DSM เพอค านวณเปนปรมาตรจากแบบจ าลองพนผวเชง401
ตวเลข ของออย ท าใหเกดความคลาดเคลอนไดนอยกวาวธการของดชนพชพรรณ จะไดกราฟความสมพนธระหวาง402
ผลผลตออยท านายและผลผลตออยจรง โดยแสดงขอมลดง Figure 11 403
404
405
406
407
408
409
410
(a) (b) (c) 411
Figure 11 (a) The relationship between measured yield and predicted yield(NDVI) 412
(b) The relationship between measured yield and predicted yield (CIred edge) 413
(c) The relationship between measured yield and predicted yield (Volume of DSM) 414
415
13
เมอตรวจสอบสมการท านายดวยวธ RMSECV และหาคา RMSECV ของ NDVI, CIred edge และปรมาตรจาก416
แบบจ าลองพนผวเชงตวเลขมคาเทากบ 3.37, 3.32 และ 2.61 ตน/ไร ตามล าดบ และมคา R2CV เทากบ 0.54, 0.56 และ 417
0.73 ตามล าดบ ดง Table 2 จะเหนไดวา RMSECV ยงมคาคอนขางสง คาดวามสาเหตจากวธการของดชนพชพรรณ418
ค านวณจากลกษณะของใบออย ซงแตละตวอยางจะมลกษณะใบออยทแตกตางกน ท าใหเกดความคลาดเคลอนไดมาก 419
และวธการของปรมาตรจากแบบจ าลองพนผวเชงตวเลข ค านวณจากความสงใน DSM เพอค านวณเปนปรมาตรจาก420
แบบจ าลองพนผวเชงตวเลข ของออย ท าใหเกดความคลาดเคลอนไดนอยกวาวธการของดชนพชพรรณ จะไดกราฟ421
ความสมพนธระหวางผลผลตออยท านายและผลผลตออยจรง โดยแสดงขอมลดง Figure 12 422
( a) (b) (c) 423
Figure 12 (a) The relationship between measured yield and predicted yield(NDVI) 424
(b) The relationship between measured yield and predicted yield (CIred edge) 425
(c) The relationship between measured yield and predicted yield (Volume of DSM) 426
427
จากผลการศกษาชใหเหนวา ความสมพนธระหวาง ดชนทง 3 คากบผลผลตออยจรง มความเปนไปไดในการ428
น าไปใชเพอประเมนผลผลตออย แตยงมความแมนย าคอนขางต า เนองจากดชน NDVI หรอ CIred edge ประเมนผลผลตออย429
จากภาพถาย ตองดสภาพของใบออยและลกษณะของแปลง ถาใบมลกษณะแหงหรอตนออยลมเยอะ จะสงผลตอความ430
แมนย าในการท านายคอนขางสงและวธการนจะไมสามารถบอกถงความสงออยได จงตองมวธการของปรมาตรจาก431
แบบจ าลองพนผวเชงตวเลข ทสามารถบอกถงความสงออย เพอจะค านวณเปนปรมาตรจากแบบจ าลองพนผวเชงตวเลข432
ตามการก าหนดพนท และควรพจารณาจากสภาพของพนท วามความสงหรอพนททสามารถค านวณ ปรมาตรจาก433
แบบจ าลองพนผวเชงตวเลข ใหไดผลตอความแมนย านอยทสดและวธการปรมาตรจากแบบจ าลองพนผวเชงตวเลข จะไม434
สามารถบอกถงความอดมสมบรณของออยได ดงนนการใช SLR ยงถอวาใหความสมพนธระหวางดชนทง 3 กบผลผลต435
ออยทคอนขางต า 436
ผวจยมความเหนวาการศกษานควรมการใช Multiple Linear Regression Analysis (MLR) ในการวเคราะหขอมล437
เพมเตม ซงในงานวจยครงน การสรางโมเดลท านายดวย MLR ตวแปรทง 3 ควรจะตองเปนอสระตอกน ซงจากการ438
วเคราะห multi-collinearity ในงานวจยน พบวา DSM NDVI และ CI มความสมพนธกนคอนขางสง ซงคาสหสมพนธไม439
ควรเกน 0.7 (สทน, 2560) แสดงดง Table 4 เนองจากดชนพชพรรณ มชวงคลน NIR ทใชในการค านวณและม440
ความสมพนธกบ DSM ดงนนผ เขยนจงพจารณาเลอกการสรางโมเดลท านายดวย SLR ซงมความเหมาะสมมากกวา วธ 441
MLR ในกรณน 442
14
Table 4 Verify the multi-collinearity 443
444
445 446 447 448 449 450 451
สรปและวจารณผล 452
จากผลการศกษามความเปนไปไดในการท านายผลผลตออยในแปลงโดยใชดชนพชพรรณ (NDVI และ CIred edge) 453
และปรมาตรจากแบบจ าลองพนผวเชงตวเลขมคา r เทากบ 0.77, 0.78 และ 0.87 ตามล าดบ ซงคาดชนทง 3 คา สมการท454
ท านายผลผลตออยไดดทสดคอ ปรมาตรจากแบบจ าลองพนผวเชงตวเลข เนองจากปรมาตรจากแบบจ าลองพนผวเชง455
ตวเลข ค านวณจาก DSM ทสามารถบอกถงความสงออยและก าหนดพนทเพอค านวณเปนปรมาตรของออย แตไมสามารถ456
บอกถงความอดมสมบรณของออยได และสมการท านายของดชนพชพรรณทยงมความแมนย าคอนขางต าเนองจากการ457
วเคราะหคาดชนพชพรรณและปรมาตรจากแบบจ าลองพนผวเชงตวเลข ค านวณจากคาเฉลยของแตละตวอยาง ซงยงไมม458
การตดพนทสวนทไมใชออยออก และลกษณะของรปรางใบหรอสของใบ ทใชบอกถงความอดมสมบรณของพชพรรณ ซง 2 459
วธการน ท าใหลดระยะเวลาในการตรวจสอบแปลงขนาดเลกและขนาดใหญเพอประเมนผลผลตออยในพนททไมสามารถ460
เขาไปตรวจสอบได แตอยางไรกตาม ควรจะมการศกษาถงผลกระทบตอการค านวณดชนพชพรรณและปรมาตรเชงพนท 461
เชน เพมชวงเวลาในการถายภาพเพอเปรยบเทยบขอมลผลผลตออยจรง ศกษาลกษณะออยของแตละพนธ ส ารวจ462
ภาคสนามวามตนออยทลมหรอใบแหงหรอไม รวมไปถงการตดพนทดนในภาพถายใหเหลอเฉพาะใบออยหรอตนออย เปน463
ตน ดงนน การศกษาในขนตอนตอไปจงมงศกษาเพอเพมความแมนย าในการท านายผลผลตดวยคาชผลทง 3 คานและ464
ศกษาคาชผลชนดอนเพมเตม เชน การตดผลกระทบในการค านวณในพนททไมใชใบออยออก การเรมเกบขอมลภาพถาย465
และขอมลภาคสนามในชวงออยทเจรญเตบโตได 4-5 เดอน เพอจะทราบถงปรมาณความหนาแนนออยจากปรมาณ466
จ านวนล าออย คาดวาจะท าใหการท านายผผลผลตออยมความแมนย ามากขน 467
468
ค าขอบคณ 469
ขอขอบคณศนยวจยออยและน าตาลภาคตะวนออกเฉยงเหนอ มหาวทยาลยขอนแกน หมวดพชไร คณะ470
เกษตรศาสตร มหาวทยาลยขอนแกน ทสนบสนนพนททดสอบ กลมวจยวศวกรรมประยกตเพอพชเศรษฐกจทส าคญของ471
ภาคตะวนออกเฉยงเหนอ มหาวทยาลยขอนแกน บรษท HG Robotic Thailand ทสนบสนนอปกรณในการทดสอบและ472
ค าปรกษาการวเคราะหขอมล 473
474
เอกสารอางอง 475
กตตศกด พลอยพานชเจรญ. 2553. การวเคราะหระบบการวด (MSA) ประมวลผลดวย Minitab 15 (ฉบบปรบปรง) 476
จนษฐ ประเสรฐบรณะกล, วลาสลกษณ วงศเยาวฟา, สกจ วเศษสนธ และ บ.ESRI จ ากด. ม.ป.ป. การวเคราะหพนทน า477
ท ว ม ด ว ย LIDAR : ข อ ม ล ค ว า ม ส ง ภ ม ป ร ะ เ ท ศ เ ช ง เ ล ข ค ว า ม ล ะ เ อ ย ด ส ง . แ ห ล ง ข อ ม ล 478
http://www.lddservice.org/services/PDF/Flood_LIDAR.pdf. คนเมอ 19 มถนายน 2561. 479
Index NDVI CI red edge DSM
NDVI 1 CI red edge 0.95 1
DSM 0.79 0.73 1
15
บ ร ษ ท จ ไ อ เ อ ส จ า ก ด . Pix4D ค ม อ ก า ร ใ ช ง า น ภ า ษ า ไ ท ย . ม . ป . ป . . แ ห ล ง ข อ ม ล480
http://cste.sut.ac.th/miscste/company/manual/Pix4DThaiUsermanual.pdf. คนเมอ 6 มถนายน 2561. 481
ศวา แกวปลง. 2561. การประเมนการใชภาพถายทางอากาศจากอากาศยานไรคนขบส าหรบการประมาณคาชวมวลเหนอ482
พนดนของตนหมอน. แกนเกษตร 46 ฉบบพเศษ 1: 381-387. 483
ศนยวจยกสกรไทย. โดรนเพอการเกษตร…ก าลงมาแรงเพอสรางทางเลอกใหมในยคเกษตร 4.0. 2560. แหลงขอมล484
http://www.newsdatatoday.com/images/News/OO1-5-18/8699.pdf. คนเมอ 6 มถนายน 2561. 485
สทน ชนะบญ. 2560. สถตและการวเคราะหขอมลในงานวจยเบองตน. ส านกงานสาธารณสขจงหวดขอนแกน. 486
ส านกงานคณะกรรมการออยและน าตาลทราย. รายงานพนทปลกออยปการผลต 2559/60. 2560. แหลงขอมล 487
http://webcache.googleusercontent.com/search?q=cache:. คนเมอ 12 มถนายน 2561. 488
ส านกงานคณะกรรมการออยและน าตาลทราย. การจดท าประมาณการรายได การก าหนดและการช าระราคาออยและคา489
ผลตน าตาลทราย และอตราของผลตอบแทนระหวางชาวไ ร ออยและโรงงาน. 2561. แหลง ขอมล490
http://www.ratchakitcha.soc.go.th/DATA/PDF/2561/E/008/2.PDF. 491
http://www.ocsb.go.th/upload/journal/fileupl oad/923-9999.pdf. คนเมอ 15 มถนายน 2561. 492
ส า น ก ว จ ย แ ล ะ พ ฒ น า ก า ร เ ก ษ ต ร เ ข ต ท 5. ส ถ า น ก า ร ณ ก า ร ผ ล ต อ อ ย . 2560. แ ห ล ง ข อ ม ล 493
http://www.doa.go.th/oard5/images/pdf/03KM/KM60/05.pdf. คนเมอ 3 มถนายน 2561. 494
Brown and French. ม.ป.ป. . The long wavelength forms of chlorophyll a. Biophysical Journal. 539-550. 495
Chea, Saengprachathanarug, Wongphati, Posom and Taira. 2018. Feasibiltiy Study of Evaluation Brix of 496
Sugarcane Using Multispectral Camera Mounted on Unmanned Aerial Vehicle น. 173-184 ใน: The 11th 497
Thai Society of Agricultural Engineering International Conference, 26-27 April 2018 498
Ivan, Hrvoje, Dijana, Elvis and Krunoslav. 2015. Quality assessment of high density digital surface model over 499
different land cover classes. Periodicum Biologorum. Vol. 117. 459-470 500
Micasence. MicaSence RedEdgeTM 3 Multispectral Camera User Manual. 2015. Available 501
:https://support.micasense.com/hc/en-us/articles/215261448-RedEdge-User-Manual-PDF-Download-. 502
Accessed May. 20, 2018. 503
Morel, Todoroff, Begue, Bury, Martine and Petit. 2014. Toward a Satellite-Based System of Sugarcane Yield 504
Estimation and Forecasting in Smallholder Farming Conditions: A Case Study on Reunion Island. Journal 505
of remote sensing. 506
Oliveira, Gomes and Santana. 2016. Estimating foliar nitrogen in Eucalyptus using vegetation indexes. Journal 507
of Scientia Agricola. 508
Pix4D. Pix4Dmapper, Photogrammetry software for professional drone-based mapping purely from images. 509
Versions 4.0. 2018. Available: https: / /pix4d.com/product /pix4dmapper-photogrammetry-software/ . 510
Accessed Fed. 10, 2018. 511
Rahman and Robson. 2016. A Novel Approach for Sugarcane Yield Prediction Using Landsat Time Series 512
Imagery: A Case Study on Bundaberg Region. Journal of remote sensing. 513
16
Roberts, Roth and Perroy. Hyperspectral Vegetation Indices. 2016. Available: 514
https: / / www. researchgate. net/ publication/ 288952459_Hyperspectral_Vegetation_Indices?enrichId 515
= rgreq- 42caa379a2743f8ad0a3eb7ff17f003b- XXX&enrichSource= Y292ZXJQYWdlOzI4ODk1MjQ1Ott 516
BUzozNTQMjgwMzAMTIMDBAMTQMTUzNzQNzYOQ%3D%3D&el=1_x_2&_esc=publicationCoverPdf. 517
Accessed June. 10, 2018. 518
Schultz, Pereira, Baldani, Boddey, Alves and Reis. 2017. Yield of sugarcane varieties and their sugar quality 519
grown in different soil types and inoculated with a diazotrophic bacteria consortium. Journal of Plant 520
Production Science. 521
Vina, Gitelon, NGuy-Roberson and Peng. 2011. Comparison of different vegetation indices for the remote 522
assessment of green leaf area index of crops. Remote Sensing of Environment. 3468-3478 523
Walsh, Marshall, Swoboda, Belmont and, Thompson. 2018. Assessment of UAV Based Vegetation Indices for 524
Nitrogen Concentration Estimation in Spring Wheat. Journal of remote sensing. 7 : 71-90. 525
Williams. 2007. Comparing Correlation Coefficients, Slopes, and Intercepts. Available: 526
http://core.ecu.edu/psyc/wuenschk/docs30/CompareCorrCoeff.pdf. Accessed July. 12, 2018]. 527