ภูมิสารสนเทศอัจฉริยะเพื่อการฟื้นฟูระบบนิเวศเชิงกลยุทธ์: การจัดลำดับความสำคัญพื้นที่วิกฤตในอุทยานแห่งชาติถ้ำหลวง-ขุนน้ำนางนอน (เตรียมการ)
คำสำคัญ:
ภูมิสารสนเทศ, การเรียนรู้ของเครื่อง, การประเมินความเสี่ยงเชิงพื้นที่, การฟื้นฟูระบบนิเวศ, ความลาดชัน, ถ้ำหลวงบทคัดย่อ
อุทยานแห่งชาติถ้ำหลวง-ขุนน้ำนางนอน (เตรียมการ) ครอบคลุมพื้นที่ประมาณ 12,000 ไร่ เป็นระบบนิเวศที่มีความเปราะบางและเผชิญความเสี่ยงสูงต่อการพังทลายของดินและการเสื่อมโทรมของป่าไม้ การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนากรอบแนวคิดและแบบจำลองทางพื้นที่ (Spatial Model) สำหรับการจัดลำดับความสำคัญพื้นที่ฟื้นฟูระบบนิเวศอย่างเป็นระบบ โดยบูรณาการเทคนิคภูมิสารสนเทศบนแพลตฟอร์ม Google Earth Engine (GEE) ร่วมกับการเรียนรู้ของเครื่อง (Machine Learning) ข้อมูลหลักที่ใช้ในการวิเคราะห์ประกอบด้วยภาพถ่ายดาวเทียม Sentinel-2 ปี พ.ศ. 2567 และแบบจำลองความสูงเชิงเลข (DEM) เพื่อประเมินปัจจัยความเสี่ยงเชิงพื้นที่ 3 ปัจจัย ได้แก่ ความลาดชัน (Slope) ดัชนีความแตกต่างพืชพรรณ (NDVI) และการใช้ประโยชน์ที่ดิน (Land Use) โดยเกณฑ์การให้คะแนนและค่าน้ำหนักความสำคัญของแต่ละปัจจัยถูกกำหนดโดยฉันทามติของผู้เชี่ยวชาญ (Expert Consensus) การจำแนกประเภทการใช้ประโยชน์ที่ดินใช้อัลกอริทึม Random Forest โดยแบ่งข้อมูลเพื่อตรวจสอบความถูกต้องแบบ Split-validation (70:30) ผลการทดสอบพบว่าแบบจำลองให้ค่าความแม่นยำโดยรวม (Overall Accuracy) ที่ 88.24% และค่าสัมประสิทธิ์แคปปา (Kappa Coefficient) ที่ 0.82 จากการวิเคราะห์ด้วยเทคนิคการประเมินแบบหลายหลักเกณฑ์ (Multi-Criteria Evaluation: MCE) โดยให้น้ำหนักความสำคัญสูงสุดแก่ปัจจัยความลาดชัน (50.00%) ผลการวิจัยชี้ว่า พื้นที่ที่ต้องได้รับการฟื้นฟูในระดับสูงและสูงสุด (Priority Level 3 และ 4) มีเนื้อที่รวม 5,340.94 ไร่ คิดเป็นร้อยละ 44.48 ของพื้นที่อุทยานฯ โดยพื้นที่ส่วนใหญ่จัดอยู่ในระดับมีความต้องการฟื้นฟูสูง (Level 3) จำนวน 5,322.64 ไร่ ในขณะที่พื้นที่วิกฤตเร่งด่วนสูงสุด (Level 4) มีเนื้อที่ 18.30 ไร่ ซึ่งแม้จะมีปริมาณไม่มากแต่มีลักษณะร่วมคือเป็นพื้นที่ลาดชันสูงมากและมีพืชพรรณปกคลุมเบาบาง แผนที่ลำดับความสำคัญที่ได้จากการวิจัยนี้เป็นเครื่องมือสนับสนุนการตัดสินใจเชิงกลยุทธ์ที่สำคัญ สำหรับการจัดสรรทรัพยากรในโครงการฟื้นฟูระบบนิเวศให้เกิดประสิทธิภาพสูงสุด
เอกสารอ้างอิง
Belgiu, M., & Drǎguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. form https://doi.org/10.1016/j.isprsjprs.2016.01.011.
Chuvieco, E., & Huete, A. (2020). Fundamentals of satellite remote sensing: An environmental approach (3rd ed.). CRC Press.
Cochran, W. G. (1977). Sampling techniques (3rd ed.). John Wiley & Sons.
Department of National Parks, Wildlife and Plant Conservation. (2022). Management Plan for Tham Luang-Khun Nam Nang Non National Park (under gazetting), 2023-2027. (in Thai).
Food and Agriculture Organization (FAO). (2006). Guidelines for soil description (4th ed.). FAO.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. form https://doi.org/10.1016/j.rse.2017.06.031.
Malczewski, J. (2006). GIS-based multicriteria decision analysis: A survey of the literature. International Journal of Geographical Information Science, 20(7), 703–726. form https://doi.org/10.1080/13658810600661508.
Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication, 351, 309.
Sudana, I. W., Danoedoro, P., & Hartono, H. (2020). Soil erosion hazard assessment using GIS and remote sensing in mountain area of Bali, Indonesia. IOP Conference Series: Earth and Environmental Science, 478(1), 012028. form https://doi.org/10.1088/1755-1315/478/1/012028.
United Nations. (n.d.). The UN Decade on Ecosystem Restoration. Retrieved from https://www.decadeonrestoration.org/.
Vrieling, A., Sterk, G., & de Jong, S. M. (2011). Satellite-based assessment of ecosystem degradation in the Ethiopian Highlands. Land Degradation & Development, 22(3), 263-276. form https://doi.org/10.1002/ldr.1017.
