การจำแนกพันธุ์ไม้ป่าชายเลนเขตร้อนด้วยอัลกอริธึมป่าสุ่มและข้อมูลภาพถ่ายจากดาวเทียม รายละเอียดสูง

Abstract

          การผสมของค่าสเปคตรัมในจุดภาพของภาพถ่ายจากดาวเทียมเป็นปัญหาหลักที่พบในกระบวนการจำแนก เชิงจุดภาพโดยเฉพาะการจำแนกในระดับของสายพันธุ์พืช การศึกษานี้มีวัตถุประสงค์เพื่อประเมินประสิทธิภาพในการใช้อัลกอริธึมการจำแนกแบบเชิงจุดภาพป่าสุ่มเพื่อปรับปรุงความถูกต้องในการจำแนกพันธุ์ไม้ป่าชายเลนเขตร้อนบริเวณพื้นที่อนุรักษ์ป่าชายเลนอำเภอปากพนัง จังหวัดนครศรีธรรมราช ในการดำเนินงานใช้ภาพถ่ายจากดาวเทียมรายละเอียดสูง Quickbrid ที่ได้รับการปรับแก้เชิงรังสี และเชิงเรขาคณิต ร่วมกับข้อมูลที่ได้จากการสำรวจภาคสนาม ข้อมูลจะถูกแบ่งออกเป็นสองชุด ได้แก่ ชุดที่ใช้สำหรับการทำการสอน และชุดที่ใช้สำหรับการทำการทดสอบ กระบวนการสอนจะทำการปรับค่าพารามิเตอร์ในแบบจำลองที่มีความเหมาะสมสำหรับการจำแนกด้วย RF ได้แก่ ค่าความลึกสูงสุดของต้นไม้ (Maximum total of tree depth) ค่าจำนวนตัวอย่างต่ำสุดของแต่ละโหนด (Minimum number of sample node) และ จำนวนของต้นไม้สูงสุดในป่า (Maximum number of tree in forest) ผลที่ได้จะถูกนำไปเปรียบเทียบประสิทธิภาพการจำแนกกับวิธีการจำแนกเชิงจุดภาพแบบความน่าจะเป็นสูงสุด โดยใช้ค่าความถูกต้องโดยรวมของการจำแนก ค่าสถิติ แคปปา และค่าสถิติการทดสอบ Z เป็นตัวชี้วัด ผลการจำแนกพบว่า การใช้อัลกอริธึมป่าสุ่มให้ประสิทธิภาพในการจำแนกที่สูงกว่าวิธีการจำแนกเชิงจุดภาพแบบความน่าจะเป็นสูงสุด โดยมีค่าความถูกต้องโดยรวมที่ร้อยละ 78.00 และค่าสถิติแคปปาที่ 0.72 ในขณะที่ผลการจำแนกด้วยความน่าจะเป็นสูงสุดให้ค่าความถูกต้องโดยรวมที่ร้อยละ 56.00 และค่าสถิติแคปปาที่ 0.44 ผลจากการทดสอบค่าสถิติ Z (Z = 3.68) ช่วยยืนยันถึงความแตกต่างระหว่างทั้งสองวิธีการจำแนก อย่างมีนัยสำคัญที่ค่าความเชื่อมั่นร้อยละ 95.00           The spectral mixing was a challenge that principally found in the pixel-based classification method, particularly in the species level. The objective of this study was to evaluate the effectiveness of the random forest (RF) algorithm in order to improve the accuracy of the tropical mangrove species classification in Pak Phanang mangrove conservation, Nakhon Si Thammarat Province. The study utilized the very high-resolution, the Quickbird image, which was pre-calibrated using radiometric and geometric correction to incorporate with the field observation data. The process divided the input data into the training and the validation sets. The training process adjusted the input parameters for instances, the tree depth, the number of sample node, and the number of trees to acquire the best RF classification model. The validation compared the classified result with the conventional pixel-based maximum likelihood classification (MLC). The overall accuracy (OA), the kappa statistic, and the Z-statistic were indications of the RF classification evaluation. The result revealed that the RF algorithm achieved higher efficiency with the overall accuracy of 78.00% and 0.72 for the kappa statistic. Meanwhile, for MLC, the OA and the kappa statistic presented 56.00% and 0.44, respectively. The Z statistic (Z = 3.68) result also significantly confirmed the difference between RF and MLC at the 95% confidence level.