Remote Sensing for Investigation of the Mature Harvested Rice Field by Using Sentinel-2 Satellite : A Case Study in Kantarawichai District, Mahasarakham

Abstract

The population of Thailand consumes rice as a staple food, so cultivation is extremely important for society and economy, with the total output of the country in 2017/2018 of 24.9 million tons and one of the problems affecting the yield is the problem of not being able to harvest in time, resulting in the late harvest being damaged by 0.54 percent per day. Therefore, This thesis aims to study the inspection of ready-to-harvest rice plots in Kantharawichai District Maha Sarakham Province by using remote sensing techniques from satellite data sentinel-2 from August to November 2018, as a guideline for the management of workforce and machine to increase production and reduce losses due to late harvest with machine learning methods from 4 types of algorithms, which are General linear model, Random forest, deep learning and logistic regression. The classification efficiency was evaluated by the Confusion matrix and the Kappa coefficient. The result showed the highest total accuracy with deep learning 95.5% and Kappa coefficient 0.864 and the most accurate classification of harvest rice from the general linear model 98.31%. The researcher hopes that this study procedure and method can be used to detect harvest rice plots to reduce the likelihood of losses due to late harvesting using Remote sensing.

ประชากรของประเทศไทยบริโภคข้าวเป็นอาหารหลักทำให้การเพาะปลูกมีความสำคัญอย่างยิ่งต่อทางด้านสังคมและเศรษฐกิจโดยผลผลิตรวมทั้งประเทศในปี 2560/2561 มีปริมาณ 24.9 ล้านตัน และปัญหาอย่างหนึ่งที่ส่งผลกระทบต่อปริมาณผลผลิตคือปัญหาการเก็บเกี่ยวไม่ทันซึ่งผลผลิตที่เก็บเกี่ยวไม่ทันนั้นเสียหายคิดเป็นร้อยละ 0.54 เปอร์เซ็นต์ต่อวัน ดังนั้นปริญญานิพนธ์ฉบับนี้มีจุดประสงค์เพื่อศึกษาการตรวจแปลงข้าวที่พร้อมเก็บเกี่ยวในอำเภอกันทรวิชัย จังหวัดมหาสารคามโดยใช้เทคนิคการรับรู้ระยะไกลจากข้อมูลดาวเทียม sentinel-2 ตั้งแต่เดือนสิงหาคมถึงเดือนพฤศจิกายน 2561 เพื่อเป็นแนวทางในการบริหารจัดการแรงงานคนและเครื่องจักรเพื่อเพิ่มปริมาณผลผลิตและลดความสูญเสียอันเนื่องมาจากการเก็บเกี่ยวไม่ทันด้วยวิธี machine learning จากอัลกอริทึม 4 ประเภทได้แก่ General linear model, Random forest, deep learning และlogistic regression ทำการประเมินประสิทธิภาพการจำแนกด้วย Confusion matrix และ Kappa coefficient ผลให้ค่าความถูกต้องโดยรวมสูงสุดด้วยวิธี deep learning 95.5% และ Kappa coefficient 0.864 และผลจำแนกแปลงข้าวที่พร้อมเก็บเกี่ยวถูกต้องสูงสุดจากวิธี General linear model 98.31% โดยผู้วิจัยหวังว่าขั้นตอนและวิธีการศึกษานี้จะสามารถนำไปใช้ตรวจจับแปลงข้าวที่พร้อมเก็บเกี่ยวเพื่อลดลดโอกาสความสูญเสียอันเนื่องมาจากการเก็บเกี่ยวไม่ทันด้วยเทคนิคการรับรู้ระยะไกล