การใช้ภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นเพื่อการวิเคราะห์การเปลี่ยนแปลงของการเจริญเติบโตของข้าวโพดหวานโดยใช้ดัชนีพืชพรรณประเภท Normalized Difference Vegetation Index (NDVI)

บทความจากคณะ กุลภรณ์ กนกทิพย์สถาพร นิสิตภาควิชาวิศวกรรมสำรวจ อาจารย์ ดร. ชัยโชค ไวภาษา อาจารย์ที่ปรึกษา

*งานวิจัยนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาบัณฑิต สาขาวิชาวิศวกรรมสำรวจ ภาควิชาวิศวกรรมสำรวจ คณะวิศวกรรมศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

หัวข้องานวิจัย: การใช้ภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นเพื่อการวิเคราะห์การเปลี่ยนแปลงของการเจริญเติบโตของข้าวโพดหวานโดยใช้ดัชนีพืชพรรณประเภท Normalized Difference Vegetation Index (NDVI)

Abstract

ปัจจุบันได้มีการประยุกต์ใช้ภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นในการช่วยให้การเพาะปลูกมีประสิทธิภาพมากยิ่งขึ้น ซึ่งงานวิจัยนี้ได้ใช้ข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นเพื่อนำไปคํานวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ของต้นข้าวโพดหวานระหว่างการเพาะปลูกเพื่อนำผลการคำนวณนั้นมาติดตามการเปลี่ยนแปลงของต้นข้าวโพดหวาน

งานวิจัยนี้ศึกษาไร่ข้าวโพดหวานบริเวณเชียงดาว อำเภอเชียงดาว จังหวัดเชียงใหม่โดยทำการสุ่มพื้นที่ตัวอย่างทั้งหมด 24 บริเวณ ครอบคลุมทั่วทั้งพื้นที่ศึกษาด้วยโปรแกรม QGIS จากนั้นนำข้อมูลพื้นที่ตัวอย่างแต่ละบริเวณไปคำนวณค่าดัชนีพืชพรรณพรรณ Normalized Difference Vegetation Index (NDVI) ผ่านโปรแกรม Jupyter Notebook ทั้งหมด 18,208 ชุดข้อมูลโดยค่าเฉลี่ยของดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ของต้นข้าวโพดหวานในเดือนมกราคม กุมภาพันธ์ และ มีนาคม เท่ากับ 0.83 0.75 และ 0.18 ตามลำดับ จากนั้นนำไปตรวจสอบความต่างระหว่างข้อมูลต้นข้าวโพดหวานเดือนมกราคมกับเดือนกุมภาพันธ์ และ เดือนกุมภาพันธ์กับเดือนมีนาคม ด้วยการคำนวณทางสถิติ T-Test ปรากฏว่าค่า P-value ที่ได้มีค่าเท่ากับ 0.00
จะเห็นได้ว่าเรามารถประยุกต์ใช้ข้อมูลจากภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นมาช่วยตรวจสอบการเปลี่ยนแปลงระหว่างที่เพาะปลูกและตรวจสอบความเรียบร้อยภายหลังการเก็บเกี่ยวได้ และเราสามารถนำศาสตร์ทางด้าน Precision Agriculture และ Remote Sensing มาช่วยให้การทำเกษตรกรรมเกิดประสิทธิภาพมากขึ้นได้

บทที่1: บทนำ

ความเป็นมาและความสำคัญของปัญหา

พืชเศรษฐกิจเป็นผลผลิตทางการเกษตรที่มนุษย์บริโภคเพื่อดำรงชีวิตอยู่แต่เนื่องจากปัจจุบันการเพาะปลูกพืชเศรษฐกิจยังไม่เพียงพอต่อความต้องการของประชากรโลกและประชากรโลกก็กำลังเพิ่มขึ้นอย่างต่อเนื่อง ส่งผลให้เกิดการขาด Food Security [1] ข้าวโพดหวานเป็นหนึ่งในพืชเศรษฐกิจที่มีการบริโภคมากที่สุดของโลก โดยในปี 2020 มีการบริโภคข้าวโพดหวานมากกว่า 1500 ล้านกิโลกรัม [2] ข้าวโพดหวานประกอบไปด้วยคุณค่าทางโภชนาการที่สำคัญมากมาย เช่น วิตามินซี วิตามินเอ โปรตีน น้ำตาล ไขมัน และกากใยอาหารซึ่งมีส่วนช่วยในการลดคอเรสเตอรอล และ เพิ่มสารต้านอนุมูลอิสระให้กับร่างกายอีกด้วย [3]

ในปัจจุบันมีเทคโนโลยีมากมายที่สามารถช่วยให้การเพาะปลูกข้าวโพดหวานมีประสิทธิภาพมากขึ้นเมื่อเกิดการเพาะปลูกอย่างมีประสิทธิภาพก็จะช่วยให้เกิด Food Security ได้ ซึ่งหนึ่งในวิธีทีเป็นที่นิยมในการดูการเปลี่ยนแปลงของการเจริญเติบโตของข้าวโพดหวานก็คือ การใช้ดัชนีพืชพรรณ หรือ Vegetation Index (VI) ซึ่งปัจจัยสำคัญที่บ่งบอกถึงเปลี่ยนแปลงได้ดีที่สุดคือ Chlorophyll จากการศึกษาที่ผ่านมาได้มีการใช้ดัชนีพืชพรรณ 33 ดัชนีเพื่อหาดัชนีพืชพรรณที่สะท้อนค่าการเปลี่ยนแปลงของต้นข้าวโพดหวานได้ดีที่สุดคือ ดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) [1]

เนื่องจากในงานวิจัยนี้ต้องใช้ข้อมูลในหลายช่วงเวลา และต้องการข้อมูลที่มีความละเอียดสูง จึงใช้การใช้ภาพถ่าย UAV เนื่องจากมีความสะดวกและคล่องตัวในการเก็บข้อมูล รวมไปถึงการประมวลผลข้อมูลที่สามารถทำได้ง่าย รวดเร็ว ทำให้สามารถใช้งานหรือตรวจสอบข้อมูลได้ทันที ในขณะที่ภาพถ่ายจากดาวเทียมยังคงมีข้อจำกัดหลายด้าน ไม่ว่าจะเป็นเรื่องรอบของวงโคจรที่ทำให้ไม่สามารถใช้ข้อมูลได้ทันทีที่เราต้องการ หรือ การได้ภาพที่ไม่สามารถนำไปใช้งานได้เนื่องจากมีเมฆ ฝน หรือสิ่งกีดขวางข้อมูล เป็นต้น ทำให้ปัจจุบันการใช้ข้อมูลภาพถ่าย UAV เป็นที่นิยมในงานด้าน Precision Agriculture[1,5]

ดังนั้น งานวิจัยนี้จะมุ่งเน้นประเด็นการศึกษาไปที่ การคํานวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ของต้นข้าวโพดหวานในข้อมูลหลายช่วงเวลา เพื่อติดตามความเปลี่ยนแปลงของข้าวโพดหวาน ณ พื้นที่บริเวณ ตำบลเชียงดาว อำเภอเชียงดาว จังหวัดเชียงใหม่ โดยใช้ข้อมูลภาพถ่ายทางอากาศ UAV และทำการศึกษาข้อมูลผ่านโปรแกรม Jupyter Notebook (anaconda3) และใช้ library ต่าง ๆ ช่วยในการคำนวณ จากนั้นข้อมูลดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ในแต่ละช่วงเวลาจะถูกนำมาเปรียบเทียบกันเพื่อดูการเปลี่ยนแปลงของดัชนีว่ามีความสัมพันธ์ต่อการเจริญเติบโตต่อต้นข้าวโพดหวานหรือไม่ ด้วยเทคนิควิธีการทางสถิติ T-Test

วัตถุประสงค์

– เพื่อคํานวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ของต้นข้าวโพดหวานในข้อมูลหลายช่วงเวลา
– เพื่อติดตามการเปลี่ยนแปลงของต้นข้าวโพดหวาน

ขอบเขตของงานวิจัย

1.1.ขอบเขตเนื้อหาที่ศึกษา

ในงานวิจัยนี้ทำการศึกษาด้วยข้อมูลจากภาพ Multi-spectral ที่ได้จาก Unmanned aerial vehicle (UAV) มาการคำนวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ณ พื้นที่เดียวกันในสามช่วงเวลา จากนั้นข้อมูลที่ได้จากการคำนวณจะถูกนำมาเปรียบเทียบเพื่อดูว่าการเปลี่ยนแปลงของดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) มีความสัมพันธ์ต่อการเจริญเติบโตของต้นข้าวโพดหวานหรือไม่ โดยใช้ข้อมูลทางสถิติ T-Test

1.2.โปรแกรมที่ใช้ในงานวิจัย

– Pix4D โปรแกรมที่ใช้ในการประมวลผลภาพถ่ายที่ได้จาก UAV
– Anaconda โปรแกรมที่รวบรวมชุดคำสั่งต่าง ๆ ที่ใช้ในงาน Data Virtualization, Machine Learning, Image Processing, Neural Network และอื่น ๆ อีกมากมาย ซึ่งในงานวิจัยนี้จะใช้การโปรแกรมมิ่ง ประกอบกับ library ต่าง ๆที่มีในโปรแกรม

1.3.ประโยชน์ที่คาดว่าจะได้รับ

สามารถใช้วิธีการที่นำเสนอติดตามการเปลี่ยนแปลงการเจริญเติบโตของข้าวโพดหวานได้อย่างมีประสิทธิภาพ

บทที่2: ทฤษฎีที่เกี่ยวข้อง

2.1.คุณลักษณะของข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่น (Multispectral Image)

ภาพถ่ายความละเอียดสูงชนิดหลายช่วงคลื่น หรือ Multispectral image คือภาพที่มีย่านการสะท้อนตั้งแต่ 400-1040 นาโนเมตร ซึ่งช่วยให้การวิเคราะห์ข้อมูลมีประสิทธิภาพมากกว่าการใช้ตาของมนุษย์ โดยการสะท้อนแสงของวัตถุต่าง ๆจะขึ้นอยู่กับชนิดของวัสดุ ลักษณะทางกายภาพและทางเคมีของพื้นผิวนั้น ๆ ซึ่งเราสามารถนำข้อมูล Band ต่าง ๆ จากภาพถ่ายความละเอียดสูงชนิดหลายช่วงคลื่นมาวิเคราะห์รูปแบบการสะท้อนแสงหรือลายเซ็นสเปกตรัมและนำไปใช้ประโยชน์ในงานด้านการเกษตรได้หลายรูปแบบ เช่น การตรวจสอบการเปลี่ยนแปลงการเจริญเติบโตของพืช ระบุศัตรูพืช โรคและวัชพืช เป็นต้น

1.1 Multispectral Imaging Wavebands ภาพถ่ายความละเอียดสูงชนิดหลายช่วงคลื่น หรือ Multispectral image จะสะท้อนค่าพลังงานออกมา 5 ช่วงคลื่น ดังนี้

– Red Band: พลังงานสะท้อนในแถบสเปกตรัม 600-700 นาโนเมตร เนื่องจากมีการดูดซึมคลอโรฟิลล์ที่เข้มข้นในแถบทำให้เกิดการสะท้อนแสงที่ต่ำ ในแถบนี้สามารถให้ความแตกต่างระหว่างพืชกับดินได้อย่างชัดเจน

– Green Band: พลังงานสะท้อนในแถบสเปกตรัมช่วง 500-600 นาโนเมตร ในแถบสีนี้มีการสะท้อนแสงมากที่สุดของพืช จุดสูงสุดของการสะท้อนแสงอยู่ที่ประมาณ 550 นาโนเมตร ซึ่งเป็นแถบที่มีความสัมพันธ์กับปริมาณคลอโรฟิลล์ในพืชอย่างมาก

– Red Edge Band: เป็นแถบที่มีพลังงานสะท้อนในแถบสเปกตรัมในช่วง 700-730 นาโนเมตร แถบนี้ความไวต่อความเครียดของพืชมากและให้ข้อมูลเกี่ยวกับคลอโรฟิลล์

– Near Infrared Band: มีพลังงานสะท้อนในแถบสเปกตรัมในช่วง 700–900 นาโนเมตร เป็นแถบที่มีค่าการสะท้อนแสงมีความสัมพันธ์ต่อปริมาณคลอโรฟิลล์ในพืชและความเครียดของพืช

– RGB Band: เป็นช่วงที่ตามนุษย์สามารถมองเห็นได้ โดยมีพลังงานสะท้อนในแถบสเปกตรัมในช่วง 400–700 นาโนเมตรซึ่งสามารถนำภาพจากแถบช่วงคลื่นนี้มาใช้ในงานด้านเกษตรกรรมประกอบกับ Band อื่น ๆ

2.2.ค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI)

ดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) เป็นดัชนีที่ได้รับการพิสูจน์แล้วว่าเป็นหนึ่งในดัชนีพืชพรรณที่สามารถอธิบายการเจริญเติบโตของต้นข้าวโพดได้อย่างมีประสิทธิภาพ[1] โดยมีรายละเอียดการคำนวณ ดังนี้

2.1 คำนวณค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ได้จาก สมการที่ (2.2.1)

โดย NIR คือค่าการสะท้อนแสงของ Near-Infrared band และ Red band โดยค่าผลลัพธ์ที่ได้จะอยู่ในช่วง -1.0 to 1.0

2.3.การทดสอบที (T-Test)

การใช้ค่าสถิติ T-Test ใช้เพื่อตรวจสอบความแตกต่าง หรือ เปรียบเทียบค่าเฉลี่ยนของกลุ่มตัวอย่าง 2 กลุ่ม ซึ่งข้อมูลที่ใช้ทดสอบต้องเป็นข้อมูลที่มีการแจกแจงแบบปกติ (Normal Distribution) และ ชุดทดสอบต้องมีทั้ง ตัวอย่างอิสระกัน (Independent Samples) และ ตัวอย่างที่สัมพันธ์กัน (Related Samples)

i. ตัวอย่างอิสระกัน (Independent Samples) สามารถแบ่งออกเป็น 2 กรณี
a.เปรียบเทียบค่าเฉลี่ยของผลการทดลองกับค่ามาตรฐาน หรือ ค่าอ้างอิง โดยกำหนดค่าความเชื่อมั่น α = 0.05

b.เปรียบเทียบค่าเฉลี่ยของผลการทดลองจากวิธีการทดลองที่ต่างกันซึ่งแบ่งออกเป็น 2 กรณี
กรณีที่1: ความแปรปรวนมีค่าเท่ากัน แต่ไม่ทราบค่า

กรณีที่2: ความแปรปรวนมีค่าไม่เท่ากัน แต่ไม่ทราบค่า

โดยที่ n1 และ n2 = จำนวนตัวอย่างของวิธีทดสอบที่ 1 และ 2 และ

บทที่3: Material and Methods

3.1 พื้นที่ศึกษา

พื้นที่ศึกษาในงานวิจัยนี้คือไร่ข้าวโพดหวานเชียงดาว อำเภอเชียงดาว จังหวัดเชียงใหม่ (19°24’57.6″N 98°56’54.9″E) บริเวณภาคเหนือของประเทศไทย ซึ่งทำการเพาะปลูกในปี พ.ศ. 2561

3.2 ภาพถ่ายความละเอียดสูงชนิดหลายช่วงคลื่นที่ใช้ในการศึกษา
ภาพถ่ายที่ทำการบันทึกเมื่อวันที่ 28 มกราคม 2561 มีขนาดภาพ เท่ากับ 1328 x 1335 pixels, 21 กุมภาพันธ์ 2561 มีขนาดภาพ เท่ากับ 1211 x 1218 pixels และ 26 มีนาคม 2561 มีขนาดภาพ เท่ากับ 1127 x 1134 pixels โดยอากาศยานไร้คนขับ

3.3 การเก็บข้อมูลภาคสนาม

– เก็บข้อมูลภาคสนามทำการเก็บภาพด้วยอากาศยานไร้คนขับประเภท Fixed-Wing รุ่น eBeeX

– ใช้กล้อง MicaSense RedEdge-Multispectral Camera ที่มีความละเอียดสูงและมีรายละเอียดของกล้องดังนี้
มี Sensor 5 bands ประกอบด้วย Blue (475 nm center, 20 nm bandwidth), Green (560 nm center, 20 nm bandwidth), Red (668 nm center, 10 nm bandwidth), Red edge (717 nm center, 10 nm bandwidth), Near-IR (840 nm center, 40 nm bandwidth)

– มี Focal length เท่ากับ 35 มิลลิเมตร

– Single-band shutter เป็นแบบ Global

– รองรับการทำงาน GPS ในรูปแบบ Real-Time Kinematics (RTK) และ Post-Process Kinematics (PPK)

– ออกแบบ Flight Planning โดยใช้โปรแกรม eMotion โดยมี Ground Sampling Distance (GSD) เท่ากับ 8 เซนติเมตร Side lab 80% และ Over lab 80% โดยรูปแบบของการบินเป็นแบบ Horizontal Mapping Mission Block เนื่องจากเน้นการเก็บข้อมูลให้ครอบคลุมพื้นที่ทั้งแนวกว้างและยาว และใช้การบินแบบ Interlaced flight lines โดยโดรนจะบินข้ามบล้อกในเส้นทางบินอื่นเช่น บินในแถว1,3, …, 9และบินกลับ 10, 8, …, 2 เพื่อช่วยลดระยะทางและเวลาในการบิน

3.4 ขั้นตอนและวิธีการวิเคราะห์ข้อมูล

1.ศึกษาทฤษฎี โปรแกรม และงานวิจัยที่เกี่ยวข้อง
2.ทำการประมวลผลข้อมูลภาคสนามด้วยโปรแกรม Pix4D จะได้ภาพดังนี้

3.เลือกพื้นที่ตัวอย่าง

เนื่องจากทั้งสามภาพ มีขนาดภาพที่ไม่เท่ากันดังนั้นต้องทำการเลือกพื้นที่บริเวณที่ต้องการศึกษาเดียวทั้งสามช่วงเวลาและขนาดภาพเท่ากันทั้งสามภาพด้วยโปรแกรม QGIS โดยมีพื้นที่ตัวอย่างทั้งหมด 24 บริเวณ

4.คำนวณหาค่าดัชนีพืชพรรณ NDVI ของพื้นที่ศึกษาทั้ง 24 จุด ดังหลักการและวิธีการคำนวณที่ได้กล่าวไว้ใน บทที่2: หลักการและทฤษฎี หัวข้อ 2.2 โดยใช้ Jupyter Notebook ดังนี้

5.ทำซ้ำแบบขั้นตอนที่ 4 จนครบทุกบริเวณพื้นที่ศึกษา

6.เปรียบเทียบค่าดัชนีพืชพรรณ NDVI ในสามช่วงเวลาเพื่อดูการเปลี่ยนแปลงโดยใช้ T-Test หลักการการคำนวณได้กล่าวไว้ใน บทที่2: หลักการและทฤษฎี หัวข้อ 2.4 โดยมีสมมติฐานว่าง H0 : µ1 = µ2 และมีสมมติฐานทางเลือก H1 : µ1 ≠ µ2

7.สรุปผลที่ได้

บทที่ 4 ผลการศึกษา

4.1 ผลการศึกษาการหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ด้วยภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่น

ข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นจะถูกนำมาคำนวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ของต้นข้าวโพดหวานในข้อมูลหลายช่วงเวลา เพื่อติดตามการเปลี่ยนแปลงของต้นข้าวโพดหวาน ในพื้นที่ศึกษา

คำนวณค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) จากข้อมูล Near-Infrared band และ Red band โดยมีจำนวณข้องมูลทั้งหมด 18,208 ข้อมูล จากการสุ่มพื้นที่ตัวอย่าง 24 บริเวณ ในข้อมูลสามช่วงเวลาดังนี้ ข้อมูลเดือนมกราคมเป็น NDVI1, ข้อมูลเดือนกุมภาพันธ์เป็น NDVI2 และ ข้อมูลเดือนมีนาคมเป็น NDVI3 ซึ่งผลจากการคำนวณทางสถิติในการหาค่าดัชนีพืชพรรณ NDVI พบว่าค่าดัชนีพืชพรรณ NDVI1 ที่ทำการบันทึกข้อมูลในเดือนมกราคม มีค่าเฉลี่ยสูงที่สุดเท่ากับ 0.83 ในส่วนค่าเฉลี่ยของดัชนีพืชพรรณที่ต่ำที่สุดคือค่าดัชนีพืชพรรณ NDVI3 ที่ทำการบันทึกข้อมูลในเดือนมีนาคม มีค่าเท่ากับ 0.18 ดังตาราง 4.1 และข้อมูลมีการกระจายตัวดังภาพ 4.1

ตารางที่4.1 ข้อมูลทางสถิติของค่าดัชนีพืชพรรณ NDVI ทั้งสามช่วงเวลา

ภาพที่ 4.1 แสดงการกระจายตัวของค่าดัชนีพืชพรรณ NDVI ในรูปแบบ Histogram โดย (a) ข้อมูลเดือนมกราคม (b) ข้อมูลเดือนกุมภาพันธ์ และ (c) ข้อมูลเดือนมีนาคม

ในส่วนของการติดตามการเปลี่ยนแปลงของต้นข้าวโพดหวาน สามารถตรวจสอบโดยนำข้อมูลค่าดัชนีพืชพรรณ NDVI ไปคำนวณหาความแตกต่างกันโดยใช้ข้อมูลทางสถิติ T-Test ซึ่งผลปรากฏว่าค่า P-value ที่ได้มีค่าเท่ากับ 0.00 ที่ความเชื่อมั่น 95%

บทที่ 5 อภิปรายและสรุปผลการศึกษา

จากผลการศึกษาแสดงให้เห็นว่าเราสามารถติดตามการเปลี่ยนแปลงของต้นข้าวโพดหวานได้จากการนำข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นมาคำนวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) และนำผลการคำนวณนั้นมาเปรียบเทียบกันเพื่อดูความแตกต่างของข้อมูลว่าเปลี่ยนไปหรือไม่ด้วยการใช้การคำนวณทางสถิติ T-Test ค่าความแตกต่างของชุดข้อมูลที่เปรียบเทียบกันจะแสดงผ่านค่า P-value โดย หาก P-value มีค่าเข้าใกล้ 0 มากเท่าไหร่ หมายความว่าข้อมูลที่เปรียบเทียบกันนั้นมีความแตกต่างกันมากเท่านั้น ซึ่งในการศึกษาครั้งนี้เราได้ทำการเปรียบเทียบ NDVI1 กับ NDVI2 และ NDVI2 กับ NDVI3 ซึ่งในการเปรียบเทียบทั้งสองคู่ได้ค่า P-value เท่ากับ 0.00 ที่ความเชื่อมั่น 95% นั่นหมายความว่า ทั้งสามภาพมความแตกต่างกกันอย่างมาก โดยต้นข้าวโพดหวานในเดือนมกราคม มีความแตกต่างกับ ต้นข้าวโพดหวานในเดือนกุมภาพันธ์ โดยมีการเจริญเติบโตขึ้นสังเกตได้จากค่าเฉลี่ยของดัชนี Normalized Difference Vegetation Index (NDVI) ที่เพิ่มขึ้น และ ภาพต้นข้าวโพดหวานในเดือนกุมภาพันธ์มีความแตกต่างกับภาพที่บันทึกเดือนมีนาคม สังเกตได้จากค่าเฉลี่ยของดัชนี Normalized Difference Vegetation Index (NDVI) ที่ลดลงอย่างมีนัยสำคัญ กล่าวคือภาพในเดือนมีนาคมคือภาพภายหลังการเก็บเกี่ยวข้าวโพดหวานแล้วนั่นเอง

นอกจากนี้การใช้ดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ที่คำนวณจากข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นยังได้ถูกนำไปประยุกต์ใช้อีกมากมายเพื่อมุ่งเน้นให้การเพาะปลูกนั้นมีประสิทธิภาพมากยิ่งขึ้น เช่น การใช้ข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นมาคำนวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) เพื่อสร้างโมเดลประเมินผลผลิตของต้นข้าวโพด (Marques-Ramos, Ana Paula, et al., 2020), การหาความสัมพันธ์ระหว่างการเจริญเติบโตกับปริมาณน้ำที่ต้องการได้รับของต้นข้าวโพดโดยใช้ดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) จากข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่น (Han, Wenting, et al., 2020) และการใช้ดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ในการตรวจสอบอุณหภูมิของต้นข้าวโพดที่อยู่ภายใต้ Heat Stress ด้วยข้อมูลข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่น (Neiff, Nicolás, et al., 2020) โดยงานวิจัยนี้ได้อ้างอิงจากงานวิจัยของ Marques-Ramos, Ana Paula, et al., 2020 ที่ได้กล่าวว่า ดัชนีที่มีประสิทธิภาพที่สุดในการตรวจสอบการเจริญเติบโตของต้นข้าวโพดคือ Normalized Difference Vegetation Index (NDVI) จากดัชนีทั้งหมด 33 ดัชนีที่เขาใช้ทดสอบ เราจึงนำข้อมูลภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นมาคำนวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) เพื่อตรวจสอบการเปลี่ยนแปลงของการเจริญเติบโตของข้าวโพดหวานโดยทำการทดสอบความแตกต่างกันด้วยการคำนวณทางสถิติ T-Test ซึ่งได้ค่า P-value เท่ากับ 0.00 ที่ความเชื่อมั่น 95% นั่นแสดงว่าราสามารถติดตามการเปลี่ยนแปลงของแปลงข้าวโพดหวานได้ โดยงานวิจัยนี้จะช่วยให้การเพาะปลูกข้าวโพดหวานมีประสิทธิภาพมากขึ้นจากความสามารถในการตรวจสอบความเปลี่ยนแปลงของต้นข้าวโพดหวานและตรวจสอบความเรียบร้อยภายหลังการเก็บเกี่ยว

สิ่งที่น่าสนใจ คือ กราฟ Histogram ที่แสดงข้อมูลของเดือนกุมภาพันธ์นั้นมี Double Peak กล่าวคือมีการกระจายตัวเป็นสองกลุ่มก้อนข้อมูลดังภาพ 5.1 เมื่อตรวจสอบสาเหตุจึงได้พบว่าบริเวณพื้นที่ตัวอย่างที่2ค่าเฉลี่ยของดัชนี มีค่าเท่ากับ 0.83 ในขณะที่ค่าเฉลี่ยของพื้นที่ตัวอย่างบริเวณอื่นมีค่าเท่ากับ 0.75 ดังตารางที่ 5.1 หากวิเคราะห์โดยอ้างอิงจากข้อมูลของดัชนีพืชพรรณนี้ จะสันนิฐานได้ว่าบริเวณพื้นที่ตัวอย่างที่ 2 ดังภาพที่ 5.2 ต้นข้าวโพดมีการเจริญเติบโตมากกว่าปกติแต่ด้วยข้อจำกัดทางด้านข้อมูลภาคสนามทำให้เรายังไม่สามารถพิสูจน์ได้แต่หากอ้างอิงจากหลักการ Bidirectional Reflectance หรือมุมที่แสงอาทิตย์ตกกระทบเท่ากับมุมที่กล้องส่องไปยังวัตถุเดียวกันซึ่งส่งผลให้ภาพที่เก็บข้อมูลมาเพี้ยนไปจากความเป็นจริงและทำให้ข้อมูลบริเวณนี้เกิดเป็น Double-Peak

ตารางที่ 5.1 เปรียบเทียบข้อมูลทางสถิติของค่าดัชนีพืชพรรณ NDVI เดือนกุมภาพันธ์ระหว่างข้อมูลทั้งหมดกับพื้นที่ตัวอย่างบริเวณที่ 2

เนื่องจากข้อจำกัดด้านข้อมูลและงบประมาณทำให้การศึกษาในงานวิจัยนี้เป็นการศึกษาการเปลี่ยนแปลงของต้นข้าวโพดหวาน ณ บริเวณไร่ข้าวโพดหวานเชียงดาว อำเภอเชียงดาว จังหวัดเชียงใหม่เพียงบริเวณเดียว ทำให้มีข้อมูลไม่เพียงพอในการสรุปว่างานวิจัยนี้สามารถใช้ตรวจสอบการเปลี่ยนแปลงของข้าวโพดหวานได้ทุกพื้นที่ที่มีการเพาะปลูก

สิ่งที่เราสามารถต่อยอดได้ในอนาคตคือ การประเมินผลผลิตของข้าวโพดหวานจากภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่น โดยต้องทำการเก็บข้อมูลภาคสนามเพิ่มเติม เช่น การใช้ SPAD-502 ในการบันทึกค่าคลอโรฟิลล์ การบันทึกปริมาณขอลผลผลิตข้าวโพดที่ได้ต่อไร่ การบินเก็บภาพถ่ายให้มีความละเอียดไม่เกิน 10 เซนติเมตร และเก็บข้อมูลทุกช่วงตาม Growth Stage ของต้นข้าวโพด เป็นต้น จากนั้นนำข้อมูลภาพถ่ายที่ได้มาคำนวณหาค่าดัชนีพืชพรรณ Normalized Difference Vegetation Index (NDVI) ร่วมกับข้อมูลค่าคลอโรฟิลล์ และข้อมูลภาคสนามอื่นๆ มาสร้างโมเดลที่เป็นตัวแทนในการประเมินผลผลิตของข้าวโพดหวาน ซึ่งจะช่วยยกระดับการเพาะปลูกข้าวโพดหวานให้เกิดการบริหารจัดการผลผลิตของข้าวโพดหวานได้อย่างมีประสิทธิภาพมากขึ้น และเมื่อ Demand และ Supply มีความสมดุลแล้วก็ยิ่งจะทำให้โลกเราเกิด Food Security

การใช้เทคโนโลยีเข้าภาพถ่ายความละเอียดสูงจากอากาศยานไร้คนขับชนิดหลายช่วงคลื่นมาช่วยในการเพาะปลูกข้าวโพดหวานสามารถทำให้เราตรวจสอบและติดตามการเจริญเติบโตของพืชได้รวมไปถึงสามารถตรวจดูความเรียบร้อยภายหลังจากการเก็บเกี่ยวว่าการเก็บเกี่ยวเรียบร้อยดีหรือไม่ได้เช่นกัน ซึ่งเทคโนโลยีด้าน Precision Agriculture และ Remote Sensing สามารถพัฒนาต่อยอดเพื่อทำให้การเพาะปลูกเกิดประสิทธิภาพสูงสุดได้

---

References

1. Ana Paula Marques Ramos (2020), ‘A random forest ranking approach to predict yield in maize with uav-based vegetation spectral indices’, Science Direct, pp. [Online]. Available at: https://www-sciencedirect-com.chula.idm.oclc.org/science/article/pii/S0168169920319591?via%3Dihub. (Accessed: 14 November 2020).
2. M. Shahbandeh (2020) ‘Corn production worldwide 2019/2020 by country ‘, Statista, pp. [Online]. Available at: https://www.statista.com/statistics/254292/global-corn-production-by-country/ (Accessed: 14 November 2020).
3. Angelina Gerardo, Rachel Murphy (2020) ‘Sweet Corn’, Food Source Information, pp. [Online]. Available at: https://fsi.colostate.edu/sweetcorn/ (Accessed: 14 November 2020).
4. Fintan Corrigan (2020) Multispectral Imaging Camera Drones In Farming Yield Big Benefits, Available at: https://www.dronezon.com/learn-about-drones-quadcopters/multispectral-sensor-drones-in-farming-yield-big-benefits/ (Accessed: 14 November 2020).
5. Alessandro Matese, Piero Toscano, Salvatore Filippo Di Gennaro, Lorenzo Genesio, Francesco Primo Vaccari, Jacopo Primicerio, Belli Claudio, Alessandro Zaldei, Roberto Bianconi, Beniamino Gioli (2015) ‘Intercomparison of UAV, Aircraft and Satellite Remote Sensing Platforms for Precision Viticulture’, Remote Sensing, pp. 1-2.
6. SenseFly (2020) MicaSense RedEdge-MX Multispectral Camera, Available at: https://www.sensefly.com/camera/rededge-mx-multispectral-camera/ (Accessed: 14 November 2020).