การใช้วิศวกรรมข้อความร่วมกับปัญญาประดิษฐ์เชิงสร้างสรรค์เพื่อการวิเคราะห์ข้อมูลภาพดาวเทียมเซนทิเนล-2 บนแพลตฟอร์มกูเกิลเอิร์ธเอนจิน
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาวิจัยนี้มีวัตถุประสงค์เพื่อประเมินศักยภาพของวิศวกรรมข้อความ (Prompt Engineering) ร่วมกับปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) ในการแปลงภาษาธรรมชาติให้เป็นซอร์สโค้ดภาษาจาวาสคริปต์ (JavaScript) สำหรับใช้งานกูเกิลเอิร์ธเอนจิน (Google Earth Engine: GEE) เพื่อวิเคราะห์ข้อมูลภาพเซนทิเนล-2 (Sentinel-2) สำหรับการจำแนกประเภทการใช้ที่ดินในพื้นที่อำเภอเมืองขอนแก่น โดยใช้ตัวจำแนกแบบซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine: SVM) ซึ่งผลลัพธ์จากการศึกษาครั้งนี้พบว่า ซอร์สโค้ดที่ได้จากการทำงานร่วมกันระหว่างวิศวกรรมข้อความร่วมกับ Generative AI นั้นสามารถนำมาใช้งานประมวลผลข้อมูลภูมิสารสนเทศขนาดใหญ่บน GEE ได้เป็นอย่างดี โดยมีค่าความถูกต้องโดยรวม (Overall Accuracy) ร้อยละ 87 และค่าสัมประสิทธิ์แคปป้า (Kappa Coefficient) เป็น 0.84 จากการศึกษาวิจัยนี้พบว่า ประสิทธิภาพของผลลัพธ์จะออกมาดีได้นั้นส่วนหนึ่งขึ้นอยู่กับคุณภาพข้อมูลที่สำหรับใช้สอนตัวจำแนกแบบ SVM และอีกส่วนหนึ่งขึ้นอยู่กับคุณภาพของข้อความ (Prompt) ที่จัดเป็นภาษาธรรมชาติที่ใช้ในการทำงานร่วมกับจาก Generative AI ในการผลิตซอร์สโค้ดภาษา JavaScript และองค์ความรู้ของผู้ใช้ในด้านภูมิสารสนเทศ ซึ่งมีความสำคัญอย่างยิ่งในการออกแบบคำสั่ง การเลือกดัชนี การเลือกตัวอย่างซอร์สโค้ด และการตีความผลลัพธ์ ดังนั้น การวิจัยครั้งนี้แสดงศักยภาพของ Generative AI ร่วมกับเทคนิค Prompt Engineering เป็นเครื่องมือสนับสนุนการสร้างซอร์สโค้ดสำหรับวิเคราะห์ข้อมูลเชิงพื้นที่บน GEE ทำให้ลดภาระด้านเทคนิคและขยายโอกาสในการเข้าถึงเทคโนโลยีการวิเคราะห์ข้อมูลเชิงพื้นที่ให้แก่ผู้ใช้งานทั่วไปผ่านการใช้ภาษาธรรมชาติได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Biswas, J., Jobaer, M.A., Haque, S.F., Islam Shozib, M.S. and Limon, Z.A. (2023). Mapping and Monitoring Land use Land Cover Dynamics Employing Google Earth Engine and Machine Learning Algorithms on Chattogram, Bangladesh. Heliyon, 9(11), 1-23. https://doi.org/10.1016/j.heliyon.2023.e21245
Brown, T.B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D.M., Wu, J., Winter, C., ... Amodei, D. (2020). Language Models are Few-Shot Learners [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2005.14165
Denny, P., Leinonen, J., Prather, J., Luxton-Reilly, A., Amarouche, T., Becker, B.A. and Reeves, B. N. (2024). Prompt Problems: A New Programming Exercise for the Generative AI Era. In Ben Stephenson & Jeffrey A. (Eds.), The 55th ACM Technical Symposium on Computer Science Education (pp. 296-302). https://doi.org/10.1145/3626252.3630909
Garg, A., Nisumba Soodhani, K. and Rajendran, R. (2025). Enhancing Data Analysis and Programming Skills Through Structured Prompt Training: The Impact of Generative AI in Engineering Education. Computers and Education: Artificial Intelligence, 8. https://doi.org/10.1016/j.caeai.2025.100380
Hochmair, H.H., Juhász, L. and Kemp, T. (2024). Correctness Comparison of ChatGPT-4, Gemini, Claude-3, and Copilot for Spatial Tasks. Transactions in GIS, 28(7), 2219-2231. https://doi.org/10.1111/tgis.13233
Hou, S., Shen, Z., Zhao, A., Liang, J., Gui, Z., Guan, X., Li, R. and Wu, H. (2025). GeoCode-GPT: A Large Language Model for Geospatial Code Generation. International Journal of Applied Earth Observation and Geoinformation, 138. https://doi.org/10.1016/j.jag.2025.104456
Jhonnerie, R., Oktorini, Y., Volcherina Darlis, V., Pebriandi, P., Prianto, E., Fatmawati, R., Nofrizal, N., Ramses, R., Miswadi, M. and Rahmatdillah, R. (2024). Integration of Generative Artificial Intelligence and Google Earth Engine for Mangrove Land Cover Mapping. BIO Web of Conferences, 136. https://doi.org/10.1051/bioconf/202413603002
Li, Z. and Ning, H. (2023). Autonomous GIS: The Next-Generation AI-Powered GIS. International Journal of Digital Earth, 16(2), 4668-4686. https://doi.org/10.1080/17538947.2023.2278895
Osco, L.P., Lemos, E.L., Gonçalves, W.N., Ramos, A.P.M. and Junior, J.M. (2023). The Potential of Visual ChatGPT for Remote Sensing. Remote Sensing, 15(13). https://doi.org/10.3390/rs15133232
Sainarmtip, R., Wetchayont, P. and Chenrai, P. (2021). Development of Geothermal Potential Resources Map using Land Surface Temperature from MODIS in Northern Thailand. RMUTI Journal of Science and Technology, 14(1), 68-82. https://ph01.tci-thaijo.org/index.php/rmutijo/article/view/241847/166073 (in Thai)
Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S. and Brisco, B. (2020). Google Earth Engine for Geospatial Big Data Applications: A Meta-Analysis and Systematic Review. ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152-170. https://doi.org/10.1016/j.isprsjprs.2020.04.001
Tao, R. and Xu, J. (2023). Mapping with ChatGPT. ISPRS International Journal of Geo-Information, 12(7). https://doi.org/10.3390/ijgi12070284
Van Ninh, T. and Waisurasingha, C. (2018). Land Use/Cover Change and Landscape Fragmentation Analyses in Khon Kaen City, Northeastern Thailand. International Journal of GEOMATE, 15(47), 201-208. https://doi.org/10.21660/2018.47.SGI174
