estimate the above ground biomass using hybrid machine lerning base on sentinel data imagery

Abstract

Phu Paek National Park features a varied physical landscape with alternating hills and low mountains. It is characterized by a diverse array of tree species, which can aid in greenhouse gas reduction through carbon sequestration in the forest sector. Therefore, the objective of this research is to study the amount of above-ground carbon sequestration through data survey within Phu Paek National Park, Kalasin Province. Additionally, it aims to estimate the above-ground carbon sequestration values using the relationship of vegetation index derived from hybrid machine learning algorithms based on satellite image data. The study involves field data collection through transect surveys to assess vegetation in 50 sample plots, each measuring 40 * 40 meters. Furthermore, carbon sequestration estimates will be analyzed using the algebraic equation. For estimation, machine learning techniques such as Decision Trees (DT), Support Vector Machines (SVM), and k-Nearest Neighbors (k-NN) will be employed.

The survey found a total of 4,602 trees belonging to 121 different species of vegetation in the area. The top 5 most commonly found species, ranked by quantity, are as follows: Wrightia pubescens R. Br. with 446 trees, Pterocarpus indicus Willd. with 316 trees, Xylia xylocarpa with 326 trees, Shorea siamensis Miq. with 246 trees, and Shorea obtusa Wall. ex Blume with 155 trees. The analysis of carbon sequestration quantity using the algebraic equation revealed that the weight of stem (Ws) is 3,457,246.62 kilograms, the weight of branch (Wb) is 784,801.01 kilograms, and the weight of leaves (Wl) is 64,093.83 kilograms. The total carbon sequestration quantity of all trees is 1,882,886.49 kilograms of carbon, or 1,882.88 metric tons of carbon.

The estimated above-ground carbon sequestration values, derived from the relationship of vegetation indices using machine learning methods such as Decision Trees (DT), Support Vector Machine (SVM), and k-Nearest Neighbors (k-NN), have maximum values of 2.542, 0.550, and 1.434 tons of carbon per 10*10 square meters, respectively. For the hybrid method estimation, the Decision Trees with Support Vector Machine (DT_SVM) approach yielded the highest value of 0.389 tons of carbon per area. The Decision Trees with k-Nearest Neighbors (DT_k-NN) hybrid method produced the highest value of 0.420 tons of carbon per area. Finally, the hybrid approach of Decision Trees with Support Vector Machine and k-Nearest Neighbors (DT_SVM_k-NN) also resulted in a maximum value of 0.420 tons of carbon per area.

The results of comparing the performance of the models using correlation coefficient (r), mean absolute error (MAE), root mean square error (RMSE), and mean squared error (MSE) reveal that the highest correlation coefficient value is achieved by the DT_SVM and DT_SVM_k-NN methods, with a value of 0.803. The method with the lowest of MAE value is DT_k-NN, with a value of 0.278. The method with the lowest average root mean square error is DT_SVM, with a value of 0.383, and the method with the lowest mean squared error is also DT_SVM, with a value of 0.147.

วนอุทยานภูแฝกลักษณะทางกายภาพเป็นภูเขาสลับ เนินเขาไม่สูงมาก มีพันธุ์ไม้ชนิดต่าง ๆ จำนวนมาก ซึ่งสามารถช่วยในการลดก๊าซเรือนกระจกได้ด้วยการกักเก็บคาร์บอนในภาคป่าไม้ ดังนั้นวัตถุประสงค์ของการวิจัยนี้ เพื่อศึกษาปริมาณการกักเก็บคาร์บอนเหนือพื้นดินจากการสำรวจข้อมูลในเขตวนอุทยานภูแฝก จังหวัดกาฬสินธุ์ และ เพื่อประมาณค่าการกักเก็บคาร์บอนเหนือพื้นดินจากความสัมพันธ์ของดัชนีพืชพรรณด้วยวิธีการเรียนรู้เครื่องจักรแบบวิธีไฮบริด จากข้อมูลภาพถ่ายดาวเทียม วิธีการศึกษาโดยการสำรวจข้อมูลภาคสนามโดยวิธีการตีแปลงเพื่อสำรวจพรรณไม้จำนวน 50 แปลงตัวอย่าง ขนาด 40 * 40 เมตร และทำการวิเคราะห์ปริมาณการกักเก็บคาร์บอนด้วยสมการอัลโลเมตรี สำหรับการประมาณค่าด้วยวิธีการเรียนรู้เครื่องด้วยวิธีการต้นไม้ตัดสินใจ (DT) ซัพพอร์ทเวกเตอร์แมชชีน (SVM) และวิธีการค้นหาเพื่อนบ้านใกล้ที่สุด (k-NN)

ผลการสำรวจพบพรรณไม้ทั้งหมด 4,602 ต้น 121 ชนิดพรรณไม้ที่พบในพื้นที่สามารถเรียงลำดับตามจำนวนที่พบมากที่สุด 5 อันดับแรก ได้แก่ โมกมัน จำนวน 446 ต้น ประดู่จำนวน 316 ต้น แดงจำนวน 326 ต้น รังจำนวน 246 ต้น และ เต็งจำนวน 155 ต้น ผลการวิเคราะห์ปริมาณการกักเก็บคาร์บอนด้วยสมการอัลโลเมตรีพบว่า น้ำหนักของส่วนลำต้น (Ws) เป็น 3,457,246.62 กิโลกรัม น้ำหนักของส่วนกิ่ง (Wb) เป็น 784,801.01 กิโลกรัม และ น้ำหนักของส่วนใบ(WL) เป็น 64,093.83 กิโลกรัม ปริมาณการกักเก็บคาร์บอนของต้นไม้ ทั้งหมดเป็น 1,882,886.49กิโลกรัมคาร์บอน หรือ 1,882.88 ตันคาร์บอน

ผลการประมาณค่าการกักเก็บคาร์บอนเหนือพื้นดินจากความสัมพันธ์ของดัชนีพืชพรรณด้วยวิธีการเรียนรู้ด้วยวิธีการต้นไม้ตัดสินใจ ซัพพอร์ทเวกเตอร์แมชชีน และวิธีการค้นหาเพื่อนบ้านใกล้ที่สุด ปริมาณค่าการกักเก็บคาร์บอนเหนือพื้นดินมีค่าสูงสุดเป็น 2.542 0.550 และ 1.434 ตันคาร์บอนต่อพื้นที่ 10*10 เมตร ตามลำดับ สำหรับการประมาณค่าด้วยวิธีการไฮบริดด้วย ต้นไม้ตัดสินใจกับซัพพอร์ทเวกเตอร์แมชชีน (DT_SVM) มีค่าสูงสุดเป็น 0.389 ตัน/คาร์บอนต่อพื้นที่ วิธีการไฮบริดด้วย ต้นไม้ตัดสินใจกับการค้นหาเพื่อนบ้านใกล้ที่สุด (DT_k-NN) มีค่าสูงสุดเป็น 0.420 ตัน/คาร์บอนต่อพื้นที่ วิธีการไฮบริดด้วย ต้นไม้ตัดสินใจ ซัพพอร์ทเวกเตอร์แมชชีน และการค้นหาเพื่อนบ้านใกล้ที่สุด (DT_SVM_k-NN) มีค่าสูงสุดเป็น 0.420 ตัน/คาร์บอนต่อพื้นที่

ผลการการเปรียบเทียบประสิทธิภาพโมเดลด้วยค่าสัมประสิทธิ์สหสัมพันธ์ ( r ) ค่าเฉลี่ยของผลต่างสัมบูรณ์ (MAE) ค่าเฉลี่ยค่าความคลาดเคลื่อนกำลังสอง (RMSE) และ ค่าคลาดเคลื่อนเฉลี่ย (MSE) พบว่า ค่าสัมประสิทธิ์สหสัมพันธ์มีค่ามากที่สุดคือ วิธีการ DT_SVM และ DT_SVM_k-NN มีค่าเป็น 0.803 ค่าเฉลี่ยของผลต่างสัมบูรณ์ที่น้อยที่สุดคือวิธีการ DT_k-NN เป็น 0.278 ค่าเฉลี่ยค่าความคลาดเคลื่อนกำลังสองมีค่าน้อยที่สุดคือ DT_SVM เป็น 0.383 และ ค่าคลาดเคลื่อนเฉลี่ยค่าน้อยที่สุดคือ DT_SVM เป็น 0.147