การออกแบบกระบวนการตรวจสอบและทำนายเกษตรอัจฉริยะมีความแม่นยำสูงในบริบทของการเกษตรไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัย มีวัตถุประสงค์เพื่อ 1) ทำการศึกษาวิเคราะห์กระบวนการตรวจสอบและทำนายเกษตรอัจฉริยะที่มีความแม่นยำสูงในบริบทของการเกษตรไทย และ 2) ทำการออกแบบกระบวนการตรวจสอบและทำนายเกษตรอัจฉริยะ โดยมีขั้นตอนการวิจัย 3 ขั้นตอนคือ 1) ศึกษาและเก็บรวบรวมข้อมูล 2) วิเคราะห์ข้อมูล และ 3) สรุปผลการวิจัย โดยในการวิจัยครั้งนี้ทำการเก็บรวบรวม ข้อมูลผู้ใช้เกษตรอัจฉริยะจำนวนทั้งสิ้น 132 ตัวอย่าง จำแนกเป็นเกษตรกรจำนวน 88 ราย คิดเป็น 66.67% รองลงมาคือสถาบันการศึกษามีจำนวน 15 ราย คิดเป็น 11.36 %, สถาบันการศึกษาร่วมกับเกษตรกรจำนวน 13 รายคิดเป็น 9.85%, บริษัทจำนวน 11 ราย คิดเป็น 8.33% และ ภาครัฐจำนวน 5 ราย คิดเป็น 3.97% จากนั้น ทำการสร้างกรอบแนวคิดของกระบวนการตรวจสอบ และทำนายเกษตรอัจฉริยะที่มีความแม่นยำสูง ในบริบทของประเทศไทย ประกอบด้วย 3 ขั้นตอนคือ 1) ขั้นตอนการนำเข้าข้อมูล 2) ขั้นตอนการประมวลผลข้อมูล และ 3) ขั้นตอนรายงานผล จากนั้นนำกรอบแนวคิดมาสร้างเป็นแนวทางการปฏิบัติของกระบวนการตรวจสอบและทำนายเกษตรอัจฉริยะในบริบทของประเทศไทย แสดงถึงองค์ประกอบการทำเกษตรอัจฉริยะที่บูรณาการองค์ความรู้ด้านการเกษตรและเทคโนโลยี พบว่า มีองค์ประกอบทั้งหมดจำนวน 7 ส่วน ประกอบด้วย 1) ระบบเก็บข้อมูลสภาพแวดล้อมและปัจจัยการเจริญเติบโตของพืชด้วยเทคโนโลยี IoT 2) ระบบคลาวด์คอมพิวติง 3) ระบบควบคุมติดตามการทำงาน 4) แพลตฟอร์มการจัดการฟาร์ม 5) การสร้างตัวแบบ 6) ระบบวิเคราะห์ข้อมูล และ 7) ระบบวางแผน ผลการนำกระบวนการตรวจสอบและทำนายเกษตรอัจฉริยะในบริบทของประเทศไทยไปสร้างตัวแบบเกษตรอัจฉริยะโดยใช้ชุดข้อมูลปัจจัยการเจริญเติบโตของพืช ร่วมกับเทคโนโลยีการเรียนรู้ของเครื่องด้วยเทคนิค การวิเคราะห์ข้อมูลการถดถอยเชิงเส้น พบว่าตัวแบบที่ได้ มีผลการประเมินประสิทธิภาพของตัวแบบมีความแม่นยำ 90% ซึ่งถือว่ามีระดับความแม่นยำที่สูงมาก
Article Details
เอกสารอ้างอิง
C. Giua, V. C. Materia, and L. Camanzi. “Smart farming technologies adoption: Which factors play a role in the digital transition,” Technology in Society, Vol. 68, 101869, 2022.
M. K. Sott, L. B. Furstenau, L. M. Kipper, F. D. Giraldo, J. R. Lopez-Robles, M. J. Cobo, and M. A. Imran. “Precision techniques and agriculture 4.0 technologies to promote sustainability in the coffee sector: state of the art, challenges and future trends,” IEEE Access, Vol. 8, pp. 149854-149867, 2020.
R. Dagar, S. Som, and S. K. Khatri. “Smart farming–IoT in agriculture,” In 2018 International Conference on Inventive Research in Computing Applications (ICIRCA), IEEE, pp. 1052-1056, July 2018.
T. Panudech, W. Atthaphon, and P. Anupong. “A Cloud-Based AIoT Applicationin Smart Building,” RMUTL Engineering Journal, Vol. 7, No. 1, pp. 52-61, 2022.
A. A. Laghari, K. Wu, R. A. Laghari, M. Ali, and A. A. Khan. “A review and state of art of Internet of Things (IoT),” Archives of Computational Methods in Engineering, pp. 1-19, 2012.
M. Lombardi, F. Pascale, and D. Santaniello. “Internet of things: A general overview between architectures protocols and applications,” Information, Vol. 12, No. 2, 2021.
W. Attavanich, S. Chantarat, J. Chenphuengpawn, P. Mahasuweerachai, and K. Thampanishvong. “Farms farmers and farming: a perspective through data and behavioral insights”, Puey Ungphakorn Institute for Economic Research, No. 122, 2019.
K. Pongsakorn, K. Somkit, P. Chalermchai, and T. Suriyajaras. “An Analysis of Young Farmer’s Development Policies into Action for Food Security Upper Northern Region of Thailand,” Journal of Agricultural Production (JAP), Vol. 4. No. 3, pp. 75-92, 2022.
T. Pothong, P. Mekarun, and S. Choosumrong. “Development of Smart Farming Service System for Smart Farmer using FOSS4G and IoT,” Naresuan Agriculture Journal, Vol. 16, No. 2, pp. 10-17, 2019.
J. Doshi, T. Patel, and S. Kumar Bharti. “Smart Farming using IoT a solution for optimally monitoring farming conditions,” Procedia Computer Science, Vol. 160, pp. 746-751, 2019.
D. Pivoto, P. D. Waquil, E. Talamini, C. P. S. Finocchio, V. F. Dalla Corte, and G. de Vargas Mores. “Scientific development of smart farming technologies and their application in Brazil,” Information processing in agriculture, Vol. 5, No. 1, pp. 21-32, 2018.
A. L. Virk, M. A. Noor, S. Fiaz, S. Hussain, H. A. Hussain, M. Rehman, and W. Ma. “Smart farming: an overview,” Smart Village Technology, pp. 191-201, 2020.
A. T. Balafoutis, B. Beck, S. Fountas, Z. Tsiropoulos, J. Vangeyte, T. van der Wal, and S. M. Pedersen. “Smart farming technologies description taxonomy and economic impact,” In Precision agriculture: technology and economic perspectives, pp. 21-77, 2017.
R. Dagar, S. Som, and S. K. Khatri. “Smart farming–IoT in agriculture,” In 2018 International Conference on Inventive Research in Computing Applications (ICIRCA), IEEE, pp. 1052-1056, July 2018.
M.R.M. Kassim. “IoT Applications in Smart Agriculture: Issues and Challenges,” In 2020 IEEE Conference on Open Systems (ICOS), IEEE, pp. 19-24, November 2020.
IAT. Hashem, I. Yaqoob, NB. Anuar, S. Mokhtar, and A. Gani. “The rise of big data on cloud computing: Review and open research issues,” Information systems, Vol. 47, pp. 98-115, 2015.
G. S. Patel, A. Rai, N. N. Das, and R. P. Singh, (Eds). Smart Agriculture: Emerging Pedagogies of Deep Learning Machine Learning and Internet of Things, CRC Press. 2021.
M.R.M. Kassim. “IoT Applications in Smart Agriculture: Issues and Challenges,” In 2020 IEEE Conference on Open Systems (ICOS), IEEE, pp. 19-24, November 2020.
M. Amiri-Zarandi, R. A. Dara, E. Duncan, and E. D. Fraser. Big data privacy in smart farming: a review. Sustainability, Vol. 14, No. 15, 9120, 2022.
G. Suresh, A.S. Kumar, S. Lekashri, and R. Manikandan. “Efficient crop yield recommendation system using machine learning for digital farming,” International Journal of Modern Agriculture, Vol. 10, No. 1, pp. 906-914, 2021.
K. Intichit, N. Houngtim, and A. Phimparat. “Development of Decision-making System for Plant Agricultural Crops in the North Eastern Region: A Case Study of Sisaket Province,” Journal of Applied Information Technology, Vol. 7, No. 1, pp. 7-17, 2021.
C. Rodmorn, M. Panmuang, and W. Jonglakha. “Application with the Wireless Sensor Network in Smart Farms,” Rajamangala University of Technology Srivijaya Research Journal, Vol. 13, No. 2, pp. 315-329, 2021.
I. Markoulidakis, G. Kopsiaftis, I. Rallis, and I. Georgoulas. “Multi-Class Confusion Matrix Reduction method and its application on Net Promoter Score classification problem,” In The 14th pervasive technologies related to assistive environments conference, pp. 412-419, 2021.
