วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2554

การจำแนกข้อมูลดาวเทียมด้วยเทคนิคการจำแนกเชิงวัตถุ (Object-based classification) ช่วยจำแนกวัตถุบนภาพถ่ายจากค่าการสะท้อนแสง (Spectral analysis) ให้มีความถูกต้องดียิ่งขึ้น แต่การจำแนกพืชที่ปลูกในบริเวณใกล้เคียงกันและมีค่าการสะท้อนแสงใกล้เคียงกันยังคงทำให้การจำแนกข้อมูลมีการปะปนกัน การใช้อัลกอริธึมลายเนื้อ (Texture algorithm) ชนิด Gray Level Co-occurrence Matrix (GLCM) ในทิศทางต่าง ๆ 5 ทิศทาง คือ ทุกทิศทาง 0° 45° 90° 135° ตามลักษณะของวัตถุจะทำให้สามารถจำแนกข้อมูลได้ดีขึ้น การศึกษาครั้งนี้จึงมีวัตถุประสงค์ เพื่อศึกษาเปรียบเทียบการจำแนกข้อมูลเชิงวัตถุ 11 ชนิด สำหรับการปรับปรุงแผนที่การใช้ประโยชน์ที่ดินจากค่าการสะท้อนแสงและใช้อัลกอริธึม GLCM 2 ชนิด คือ GLCM Homogeneity และ GLCM Contrast โดยใช้ข้อมูลดาวเทียม SPOT 5 บริเวณจังหวัดปราจีนบุรีจำนวน 2 ภาพ ภาพที่ 1 ทั้ง 4 แบนด์มีค่าการสะท้อนแสงค่าใกล้เคียงกัน คือ ค่าเฉลี่ย 92.3 ถึง 94.5 และภาพที่ 2 ทั้ง 4 แบนด์มีค่าการสะท้อนแสงแตกต่างกัน คือ มีค่าเฉลี่ย 90.8 ถึง 125.5 การจำแนกข้อมูลเชิงวัตถุขั้นตอนที่สำคัญคือ การสร้างวัตถุ (Segmentation) ผลการศึกษาพบว่าค่าพารามิเตอร์ที่เหมาะสม คือ Scale parameter เท่ากับ 60, Color/Shape เท่ากับ 0.9/0.1 และ Compactness/Smoothness เท่ากับ 0.5/0.5 ผลการวิจัยครั้งนี้พบว่าวิธีการจำแนกเชิงวัตถุด้วยค่าการสะท้อนแสงทั้ง 2 ภาพ ให้ค่าความถูกต้องรวม (overall accuracy) ที่ร้อยละ 74 GLCM Homogeneity ภาพที่ 1 ให้ค่าความถูกต้องรวมที่ร้อยละ 81.54 ถึง 86.70 ภาพที่ 2 ให้ค่าความถูกต้องที่ร้อยละ 81.31 ถึง 82.96 ในขณะที่GLCM Contrast ภาพที่ 1 ให้ค่าความถูกต้องรวมที่ร้อยละ 74.59 ถึง 76.64 ภาพที่ 2 ให้ค่าความถูกต้องที่ร้อยละ 78.57 ถึง 82.30 ดังนั้นการวิจัยครั้งนี้การจำแนกเชิงวัตถุด้วย GLCM Homogeneity ให้ค่าความถูกต้องดีที่สุด