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: khwantri@kku.ac.th 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