การศึกษาการจำแนกข้อมูลภาพด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีน กรณีศึกษา พื้นที่เพาะปลูกข้าว อำเภอจุน จังหวัดพะเยา

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์ เพื่อศึกษาประสิทธิภาพของเทคนิคการจำแนกข้อมูลภาพด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine - SVM) สำหรับการจำแนกพื้นที่ปลูกข้าวในเขตอำเภอจุน จังหวัดพะเยา ด้วยข้อมูลภาพดาวเทียมแลนแซด 8 ร่วมกับชุดข้อมูลจุดตัวอย่างและจุดตรวจสอบสำหรับการประเมินความถูกต้องนั้นพัฒนาจากชุดข้อมูลการใช้ประโยชน์ที่ดินของกรมพัฒนาที่ดินและการสำรวจภาคสนาม จำนวนจุดตัวอย่าง ประกอบด้วย 6 ระดับ ได้แก่ 25, 50, 75, 100, 125 และ 150 จุด และจุดตรวจสอบจำนวนทั้งสิ้น 406 จุด การประเมินความถูกต้องของการจำแนกจะอาศัยการพิจารณาค่าความถูกต้องโดยรวมของการจำแนก (Overall Accuracy) และค่าสัมประสิทธิแคปปา (Kappa Coefficient) โดยนำผลที่ได้จากการจำแนกด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีนเปรียบเทียบกับการจำแนกข้อมูลภาพด้วยวิธีความน่าจะเป็นสูงสุด (Maximum Likelihood Classifier - MLC) ที่ได้รับความนิยมและมีการประยุกต์ใช้งานอย่างแพร่หลายในการจำแนกข้อมูลภาพ ผลจากการศึกษาพบว่า การจำแนกข้อมูลโดยอาศัยวิธีซัพพอร์ตเวกเตอร์แมชชีนโดยอาศัยจำนวนจุดตัวอย่างที่แตกต่างกัน ผลการจำแนกด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีนให้ค่าความถูกต้องเท่ากับ 89.66%, 89.90%, 90.89, 91.63%, 93.60% และ 94.33% ตามลำดับ ส่วนวิธีการจำแนกข้อมูลภาพด้วยวิธีความน่าจะเป็นสูงสุดให้ค่าความถูกต้องโดยรวมของการจำแนกเท่ากับ 83.25%, 83.50%, 86.21%, 87.19%, 85.96% และ 86.95% ตามลำดับ ค่าสัมประสิทธ์แคปปาที่ได้จากวิธีซัพพอร์ตเวกเตอร์แมชชีนเท่ากับ 0.79, 0.80, 0.82, 0.83, 0.87, และ 0.89 ส่วนการจำแนกข้อมูลภาพด้วยวิธีความน่าจะเป็นสูงสุดให้ค่าสัมประสิทธ์แคปปาเท่ากับ 0.67, 0.67, 0.72, 0.74, 0.72, และ 0.74 ตามลำดับ จากผลการจำแนกดังกล่าวพบว่า วิธีซัพพอร์ตเวกเตอร์แมชชีนให้ค่าความถูกต้องโดยรวมของการจำแนกและค่าสัมประสิทธ์แคปปาสูงกว่าวิธีความน่าจะเป็นสูงสุด เมื่อแยกระดับจำนวนจำนวนจุดตัวอย่างที่เลือกใช้งาน นอกจากนี้ หากลดจำนวนจุดตัวอย่างลงก็ยังให้ค่าความถูกต้องโดยรวมและค่าสัมประสิทธ์แคปปาที่สูงกว่าอย่างชัดเจน ทำให้สรุปได้ว่าวิธีซัพพอร์ตเวกเตอร์แมชชีนมีประสิทธิภาพมากกว่าวิธีความน่าจะเป็นสูงสุด