นิพนธ์ต้นฉบับ ดาวเทียม landsat...

นพนธตนฉบบ

การประเมนความถกตองของการจำาแนกการใชประโยชนทดนโดยใชภาพถายจาก

ดาวเทยม LANDSAT ดวยการเปรยบเทยบกฎในการตดสนใจแบบ Maximum Likelihood

Ratio และ Parallelepiped Classifier

Accuracy Assessment of Land Use Classification Using Landsat Imagery, Comparison

of Maximum Likelihood Ratio and Parallelepiped Classifier

โสภณวชญคำาพลง1

SopholwitKhamphilung1

Received:12September2011;Accepted:14December2011

บทคดยอการประเมนความถกตองของการจำาแนกการใชประโยชนทดนโดยใชภาพถายจากดาวเทยม LANDSAT 5 ระบบ TM

เปนการเปรยบเทยบวธการจำาแนกขอมลภาพถายจากดาวเทยมแบบ Supervised Classification ซงเครองมอทใชใน

การจำาแนกมอยหลายประเภทในการศกษาครงนผศกษาไดใชกฎในการตดสนใจแบบParametricและNon-parametric

(MaximumLikelihoodRatiomethodจดเปนกฎการตดสนใจแบบParametricและParallelepipedclassifierจดเปนกฎ

การตดสนใจแบบNon-parametric)การจำาแนกการใชประโยชนทดนเปนแบงได5ประเภทไดแก(1)Uพนทชมชนและ

สงปลกสราง(2)A1นาขาว(3)A2พชไร(4)Fพนทปาไมและ(5)Wแหลงนำาซงจากการศกษาพบวากฎการตดสน

ใจแบบMaximum Likelihood ความถกตองรวมของการจำาแนกขอมลเฉลยรอยละ 85 และแบบ Parallelepiped มคา

ความถกตองรวมของการจำาแนกขอมลเฉลยรอยละ80กฎการตดสนใจแบบMaximumLikelihoodมคาสถตKappaมากกวา

รอยละ 80 ซงสงกวากฎการตดสนใจแบบ Parallelepiped และพบวาการจำาแนกการใชประโยชนทดนประเภทประเภท

นาขาว(A1)พชไร(A2)พนทปาไม(F)และแหลงนำา (W)มความถกตองสงสวนกฎการตดสนใจแบบParallelepiped

ซงแสดงคาสถตKappaนอยกวารอยละ80แสดงถงความถกตองโดยรวมอยในระดบพอใชแตมประสทธภาพเหมาะแก

การนำามาใชในการจำาแนกการใชประโยชนทดนประเภทพนทชมชนและสงปลกสรางมากกวาการใชกฎการตดสนใจแบบ

Maximum Likelihood

คำาสญคญ : การจำาแนกภาพ การรบรจากระยะไกลการแปลภาพถายจากดาวเทยม

AbstractThepurposeofthestudyistoevaluatetheaccuracyofLanduseclassificationbycomparingParametricand

Non-parametricdecisionrules(MaximumLikelihoodRatioisbasedonParametricandParallelepipedisbased

onNon-parametricdecisionrules).Landuseclassesconsistof5categories:(1)U:urbanandbuiltuparea,

(2)A1:paddyfield,(3)A2:andcrops,(4)F:forestand(5)W:waterbody.TheresultsindicatedthatMaximum

Likelihoodshowntheoverallaccuracybyanaverage85percentwithKappacoefficient0.81;Parallelepiped

shown80ofoverallaccuracywithKappacoefficient0.75,respectively.However,inthecaseofLanduseTypes

A1:Paddyfield,A2:crops,F:forestandW:water;theMaximumLikelihoodclassifiershownhigheraccurate

1อาจารย,หลกสตรภมสารสนเทศคณะวทยาการสารสนเทศมหาวทยาลยมหาสารคามอำาเภอกนทรวชยจงหวดมหาสารคาม441501Lecturer,Geoinformatics,FacultyofInformatics,MahasarakhamUniversity,Kantarawichaidistrict,Mahasarakham,44150,

Thailand,E-mail:[email protected]

Vol31,No4,July-August2012 MaximumLikelihoodRatioandParallelepipedClassifierAccuracyAssessmentofLandUseClassifi-

cationUsingLandsatImagery,ComparisonofMaximumLikelihoodRatioandParallelepipedClassifier

401

resultsthanParallelepiped.TheParallelepipedclassifiershownthatKappastatisticislessthan80percent,the

accuracylevelwasfair.AlthoughtheoverallaccuracywaslowerthanMaximumLikelihood,thereforeitsindicated

thatmoreaccurateresultsforsomelandusetype,suchascommunityandbuildupareas.

Keywords:satelliteimageclassification,MaximumLikelihood,Parallelepiped

บทนำาการจำาแนกภาพถายจากดาวเทยมทนยมใชในปจจบนม

2ประเภทไดแกการจำาแนกเชงจดภาพ(Pixel-based)

และการจำาแนกเชงวตถ(Object-based)ซงการจำาแนกใน

วธการแรกนนไดอาศยหลกการทางสถตทพจารณาคาการ

สะทอนของจดภาพทมคณลกษณะทางสถตตางๆ ทใกล

เคยงกนและสอดคลองกบวธการสมตวอยางทผวเคราะห

ตองการเลอกใชเชนคาเฉลยคาเบยงเบนมาตรฐานและ

คามธยฐาน เปนตน ซงกระบวนการดงกลาวเกดจากผ

วเคราะหเปนผกำาหนดเลอกพนทตวแทน(Arainingarea)1

ของแตละชนการใชประโยชนทดนเพอนำาคาของจดหลาย

จดภาพทถกเลอกนนเขาสกระบวนการคำานวณภายใต

ซอฟตแวรการประมวลผลภาพถายจากดาวเทยมเพอให

ไดมาซงแผนทชนปกคลมดน (Land cover) และแผนท

การใชประโยชนทดน(Landuse)

การวเคราะหขอมลเชงจดภาพดวยคอมพวเตอร

นนไดนำาหลกการการรบรเชงชวงคลน(Spectralpattern

recognition) มาใชในการเปนคาตวแทนทางสถตโดย

พจารณาเลอกใชอลกอรทม(Algorithm)ทตรงตามความ

ตองการของผวเคราะหโดยในแตละอลกอรทมยอมมขอด

และขอเสยแตกตางกนออกไปทงนในการเลอกใชอลกอรทม

ทเหมาะสมนนจำาเปนตองมการศกษาเปรยบเทยบใหเหน

ถงคณลกษณะขอเดนและขอดอยตางๆ ของอลกอรทม

แตและประเภทซงจะชวยใหผวเคราะหสามารถใชประกอบ

การตดสนใจในการเลอกใชไดตรงกบความตองการของ

ตนซงจะสงผลใหผลการจำาแนกมความถกตองสงและ

สอดคลองกบสงปกคลมดนประเภทตางๆทปรากฎใน

พนทจรงกระบวนการในการวเคราะหขอมลภาพถายจาก

ดาวเทยมแบบเชงจดภาพทนยมใชกนม2ประเภทไดแก

การจำาแนกแบบกำากบดแล (Supervised classification)

และแบบไมกำากบดแล(Unsupervisedclassification)ใน

การจำาแนกภาพถายจากดาวเทยมนนเปนกระบวนการท

อาจสรางความสบสนแกผวเคราะหวาจะเลอกกฎการตดสน

ใจแบบใดถงจะเหมาะสมกบลกษณะของสงปกคลมดนและ

ภมประเทศทปรากฎในภาพถายจากดาวเทยมตลอดจน

ความผนแปรของการไดมาซงขอมลตามความแยกชด

เชงเวลา(Temporalresolution)อาจจะสงผลตอประสทธผล

ของการจำาแนกเนองจากวตถตางๆบนพนผวโลกทำาปฏ

กรยาตอพลงงานสนามแมเหลกไฟฟา(Electromagnetic

wave)ซงถอวาเปนแหลงพลงงานสำาคญทใชในการสำารวจ

ขอมลจากระยะไกลแบบไรพลงงานในตนเอง (Passive

remotesensing)3โดยในงานวจยนกไดใชภาพถายจาก

ดาวเทยมLandsat5ระบบTMซงถอเปนดาวเทยมใน

ลกษณะดงกลาว ในงานวจยนไดทำาการเปรยบเทยบกฎ

การตดสนใจเพอจำาแนกขอมลภาพถายจากดาวเทยมดวย

วธการจำาแนกแบบกำากบดแล(Supervisedclassification)

ทอาศยกฎการตดสนใจอย2ประเภทไดแกParallelepiped

Classifier(Non-parametricrule)และMaximumLikelihood

Classification (Parametric rule) โดยใชกลมตวอยาง

(Trainingarea)ชดเดยวกน

วตถประสงค เพอประเมนความถกตองของการจำาแนกการใช

ประโยชนทดนโดยใชภาพถายจากดาวเทยมLANDSAT

ดวยการเปรยบเทยบกฎในการตดสนใจแบบMaximum

LikelihoodRatiomethodและParallelepiped classifier

พนทศกษา

การวจยนใชจงหวดชยภมเปนพนทศกษา

มเนอท380ตร.กม.ซงครอบคลมพนทบางสวนของอำาเภอ

หนองบวระเหวอำาเภอจตรสอำาเภอบำาเหนจณรงคและ

อำาเภอเทพสถต(Figure1)

402 J Sci Technol MSUKhamphilungS.

Figure 1Studyarea

วธการศกษา

วรรณกรรมและงานวจยทเกยวของ

ในการจำาแนกขอมลภาพถายจากดาวเทยมม

เครองมอใหเลอกใชอยหลายประเภทสำาหรบงานวจยนได

เลอกใชวธการจำาแนกแบบรจำา(Supervisedclassification)

ดงมรายละเอยดดงน

Parallelepiped classifier จดเปน

เครองมอทใชจำาแนกประเภทNon-parametricruleซงใน

กระบวนการจำาแนกภาพดวยวธการนจะเลอกพจารณากลม

ของจดภาพตามคาThresholdของแตละชนขอมลโดยการ

จำาแนกจะอาศยคาเฉลยและคาเบยงเบนมาตรฐานของชน

ขอมลกลมตวอยางมาใชเพอการกำาหนดและกำาหนดวาจด

ภาพนนควรจะระบใหอยในกลมชนขอมลใดการทจดภาพ

Xแบนดiจะถกกำาหนดใหอยในชนขอมลjกตอเมอ

ประเทศ ทปรากฎในภาพถายจากดาวเทยม ตลอดจนความผนแปรของการไดมาซงขอมลตามความแยกชดเชงเวลา (Temporal resolution) อาจจะสงผลตอประสทธผลของการจาแนกเนองจากวตถตางๆบนพนผวโลกทาปฏกรยาตอพลงงานสนามแมเหลกไฟฟา (Electromagnetic wave) ซงถอวาเปนแหลงพลงงานสาคญทใชในการสารวจขอมลจากระยะไกลแบบไรพลงงานในตนเอง (Passive remote sensing)3 โดยในงานวจยนกไดใชภาพถายจากดาวเทยม Landsat 5 ระบบ TM ซงถอเปนดาวเทยมในลกษณะดงกลาว ในงานวจยนไดทาการเปรยบเทยบกฎการตดสนใจเพอจาแนกขอมลภาพถายจากดาวเทยมดวยวธการจาแนกแบบกากบดแล (Supervised classification) ทอาศยกฎการตดสนใจอย 2 ประเภทไดแก Parallelepiped Classifier ( Non-parametric rule) แ ล ะ Maximum Likelihood Classification (Parametric rule) โดยใชกลมตวอยาง (Training area) ชดเดยวกน

2. วตถประสงค

เพอประเมนความถกตองของการจาแนกการใชประโยชน ทดนโดยใชภาพถายจากดาวเทยม LANDSAT ดวยการเปรยบเทยบกฎในการตดสนใจแบบ Maximum Likelihood Ratio method และ Parallelepiped classifier

3. พนทศกษา

การวจยนใชจงหวดชยภมเปนพนทศกษา มเนอท 380 ตร.กม. ซงครอบคลมพนทบางสวนของ อาเภอหนองบวระเหว อาเภอจตรส อาเภอบาเหนจณรงค และอาเภอเทพสถต (Figure 1)

Figure 1. Study area

4. วธการศกษา

4.1 วรรณกรรมและงานวจยทเกยวของ

ในการจาแนกขอมลภาพถายจากดาวเทยมมเครองมอใหเลอกใชอยหลายประเภทสาหรบงานวจยนไ ด เ ล อก ใช ว ธ ก า ร จ า แนกแบบร จ า (Supervised classification) ดงมรายละเอยดดงน

4.1.1 Parallelepiped classifier จดเปนเครองมอทใชจาแนกประเภท Non-parametric rule ซงในกระบวนการจาแนกภาพดวยวธการนจะเลอกพจารณากลมของจดภาพตามคา Threshold ของแตละชนขอมลโดยการจาแนกจะอาศยคาเฉลยและคาเบยงเบนมาตรฐานของชนขอมลกลมตวอยางมาใชเพอการกาหนดและกาหนดวาจดภาพนนควรจะระบใหอยในกลมชนขอมลใด การทจดภาพ X แบนด i จะถกกาหนดใหอยในชนขอมล j กตอเมอ

- 1

เมอ i มคา = 1 จนถง n เมอ n คอจานวนของแบนด K เปนคาคงท คอ คาเฉลยของชนขอมล j ทอยใน

เมอiมคา=1จนถงnเมอnคอจำานวนของแบนดK

เปนคาคงทคอคาเฉลยของชนขอมล jทอยในแบนด i

และคอคาเบยงเบนมาตรฐานของชนขอมล jในแบนด

i จะเหนวามโอกาสทจะเกดกรณทจดภาพหนงอาจเกด

การซอนทบและตกอยในชวงชนขอมลทมากกวาหนง

ชนขอมลดงนน Parallelepiped classifier สามารถทจะ

กำาหนดวาจะพจารณาการซำาซอนของชนขอมล (Class

overlap)4หรอไม

Maximum likelihood classifier จด

เปนเครองมอทใชจำาแนกประเภทParametricruleซงตง

อยบนสมมตฐานและความนาจะเปนทวาหนงจดภาพหนง

(Pixel)จะตองถกกำาหนดใหอยในชนการใชประโยชนทดน

ชนดใดชนดหนง ทกๆแบนดทนำาเขาสกระบวนการแปล

ภาพนนมความนาจะเปนเทากนและขอมลมการกระจาย

แบบปกต (Normaldistribution)เทานนถงจะเหมาะกบ

กฎการตดสนใจประเภทนซงสงผลตอความถกตองโดย

รวมของการจำาแนกตามไปดวย กฎการตดสนใจแบบ

Maximum Likelihood เรยกอกอยางหนงวา Bayesian

Classifier จดภาพใดจะถกกำาหนดใหเปนชนขอมล c ก

ตอเมอDมคาตำาสด

D=ln(ac)-[0.5ln(|Covc|)]-[0.5(X-Mc)T(Covc-

1)(X-Mc)]-2

เมอ

D=คาถวงนำาหนกของระยะทาง(likelihood)c

=ชนขอมลใดๆX=การวดระยะหางของจดภาพทตองการ

ทราบคาMc=คาเฉลยของชนขอมลcac=รอยละของ

ความนาจะเปนทจดภาพใดๆจะถกจดใหอยในชนcCovc

=thecovariancematrixของจดภาพทสดตวอยางมาจาก

ชนc|Covc|=determinantของCovc(matrixalgebra)

ln=ลอการทมธรรมชาตและT=เมทรกซสลบเปลยน

(matrixalgebra)

การเตรยมขอมลขอมลทใชในการศกษาขอมล

ภาพถาดาวเทยมLANDSAT5TMพนทจงหวดชยภม

จำานวน3ชวงคลนไดแกชวงคลน4,5,3R,G,Bบนทก

เมอวนท5มนาคมพ.ศ.2552ความแยกชดเชงพนท30

x30เมตร

ขอมลเปรยบเทยบขอมลแผนทการใชประโยชน

ทดนจากกรมพฒนาทดนไดถกนำาใชเพอเปรยบเทยบและ

ตรวจสอบทงในกระบวนการกอนและหลงการจำาแนกภาพ

การเตรยมขอมลภาพถายดาวเทยมกอนการ

วเคราะหดวยคอมพวเตอร(Preprocessing) ทำาการ

ตดขอมลภาพถายจากดาวเทยม (Subset Image)ให

อยในเฉพาะขอบเขตพนทศกษาทตองการวเคราะหโดย

กำาหนดพกดมมบนซาย(UpperLeft)X,Y=761515,

1740558 และพกดมมลางขวา (Lower Right ) X,Y =

780423,1719553

การกรองภาพ (Filtering)คอการนำาภาพไป

ผานตวกรองเปนการเนนจดภาพใหมความคมชดเพอให

งายตอการเลอกพนทตวอยาง สำาหรบการกรองเลอกใช

วธConvolutionหนาตางขนาด3x3Highpassfilter



403

การกำาหนดพนทตวอยาง (Training Area)

เพอจำาแนกประเภทของขอมลดงทไดอธบายไปแลวนนชน

ขอมล5ชนการใชประโยชนทดถกกำาหนดขนสอดคลอง

กบลกษณะภมประเทศ ไดแก พนทชมชน (U) พนท

เกษตรกรรม(A)พนทปาไม(F)และพนทแหลงนำา(W)

(Figure2-9)การศกษานไดใชวธBailly5และKloer6และ

ตามรายงานในวธของAbouและTanton7และCortijo8

นอกจากนErbekและคณะ9กไดศกษาเปรยบเทยบการ

จำาแนกภาพเชนเดยวกน

Figure 2. Training area of Urban area

Figure 3.TrainingareaofPaddyfield(A1)

Figure 4. TrainingareaofFieldcrops(A2)

Figure 5. Training area of Dense Forest

Figure 6.TrainingareaofHighlandforest

Figure 7. Training area of Meadows

Figure 8.Trainingareaoflargewaterbody

Figure 9. Training area of ponds

การประเมนความถกตองของการใชประโยชน

ทดน และการสำารวจภาคสนาม (Field survey)ผศกษา

ไดกำาหนดจดสำารวจภาคสนามทงสน100จดซงสอดคลอง

กบลกษณะสงปกคลมดนทงทปรากฎในภาพถายและแผนท

การใชประโยชนทดนทใชเปนเครองมอยนยนความถกตอง

ทงกอนและหลงการจำาแนก(Figure10)


Figure 10. Workflow diagram

5. ผลการศกษา

จากขนการศกษาสามารถแสดงผลการวเคราะหแบบ Maximum Likelihood (Figure 12) และ (Table 2) สาหรบผลการจาแนกภาพและแสดงความถกตองของการประเมนผลดวยวธ Parallelepiped (Figure 13) และ (Table 3)

5.1 สาหรบการจาแนกดวยกฎการตดสนใจแบบ Maximum Likelihood พบวา พนทแหลงปลกสรางและชมชนจาแนกได 29,951.25 ไร สวนกฎการตด สนใจแบบ Parallelepiped สามารถจาแนกได 14,886.88 ไร (Table 1)

Table 1. Sum areas of classification results

Maximum Likelihood

(ไร)

Parallelepiped (ไร)

ชมชน 29,951.25 14,886.88 นาขาว 15,825.75 15,750.62 พชไร 93,376.87 86,326.88 ปาไม 99,204.38 106,025.62

แหลงนา 15,101.88 13,228.75

5.2 การประเมนความถกตองของการจาแนก โดยพจารณาตารางแสดงความคลาดเคลอน (Error matrix) เปนหลก การประเมนความถกตองของการจาแนกใชวธของ Campbell10 และรายงานในงานของ Bradley11 (Figure 11) ความคลาดเคลอนประกอบ 2 ประเภท ไดแก Error of omission และ Error of commission สวนความเทยงตรงของการจาแนกม 2 ประเภทไดแก ความถกตอง Producer 's Accuracy และ Consumer 's accuracy ซงทงหมดทกลาวมาจะถกนามาคานวณเพอหาความเทยงตรงของการจาแนกโดยรวม (Overall accuracy) การศกษานไดสมตวอยางพนทโดยการออกสารวจภาคสนามในพนทศกษา โดยสม เ ลอกจดอ างอ งจาก 5 ชนการใชประโยชนทดนชนดละ 20 จด (Reff. total) (Table 2) (Table 3) รวมทงสน 100 จดเพอนาเขาสกระบวนการคานวณหาคาความถกตองของการจาแนกภาพถายจากดาวเทยมดวยคอมพวเตอรดงทไดอธบายไปแลวนน โดยใชเครองระบพกดบนพนโลก (Global positioning system : GPS) ทาการเกบพกด X และ Y ในระบบพกดภมศาสตรแบบยนเวอรแซลทรานเวอรสเมอรเคเตอร (UTM) ของการใชประโยชนทดนแตละประเภทจากพนทจรง

Yes

No

Pre-processing

- Subset - Filtering - Geometric Correction - Image enhancement

Classification Results

Parametric Rule

Post Classification /Accuracy

Non - Parametric

Compared to

Land Use Map/Field

Training Area

LANDSAT 5 TM

Classified images

Supervised classification

Figure 10 Workflowdiagram

ผลการศกษา

จากขนการศกษาสามารถแสดงผลการวเคราะห

แบบMaximumLikelihood(Figure12)และ(Table2)

สำาหรบผลการจำาแนกภาพและแสดงความถกตองของ

การประเมนผลดวยวธParallelepiped(Figure13)และ

(Table3)

5.1 สำาหรบการจำาแนกดวยกฎการตดสนใจ

แบบMaximumLikelihoodพบวาพนทแหลงปลกสราง

และชมชนจำาแนกได29,951.25ไรสวนกฎการตดสนใจ

แบบParallelepiped สามารถจำาแนกได 14,886.88 ไร

(Table1)

Table 1Sumareasofclassificationresults

Maximum

Likelihood

(ไร)

Parallelepiped

(ไร)

ชมชน 29,951.25 14,886.88

นาขาว 15,825.75 15,750.62

พชไร 93,376.87 86,326.88

ปาไม 99,204.38 106,025.62

แหลงนำา 15,101.88 13,228.75

5.2 การประเมนความถกตองของการจำาแนก

โดยพจารณาตารางแสดงความคลาดเคลอน(Errormatrix)

เปนหลก การประเมนความถกตองของการจำาแนกใชวธ

ของCampbell10และรายงานในงานของBradley11

(Figure11)ความคลาดเคลอนประกอบ2ประเภทไดแก

ErrorofomissionและErrorofcommissionสวนความ

เทยงตรงของการจำาแนกม2ประเภทไดแกความถกตอง

Producer‘sAccuracyและConsumer‘saccuracyซง

ทงหมดทกลาวมาจะถกนำามาคำานวณเพอหาความเทยงตรง

ของการจำาแนกโดยรวม(Overallaccuracy)การศกษาน

ไดสมตวอยางพนทโดยการออกสำารวจภาคสนามในพนท

ศกษาโดยสมเลอกจดอางองจาก5ชนการใชประโยชน

ทดนชนดละ20จด (Reff. total) (Table2) (Table3)

รวมทงสน 100 จดเพอนำาเขาสกระบวนการคำานวณหา

คาความถกตองของการจำาแนกภาพถายจากดาวเทยม

ดวยคอมพวเตอรดงทไดอธบายไปแลวนน โดยใชเครอง

ระบพกดบนพนโลก(Globalpositioningsystem:GPS)

ทำาการเกบพกดXและYในระบบพกดภมศาสตรแบบ

ยนเวอรแซลทรานเวอรสเมอรเคเตอร(UTM)ของการใช

ประโยชนทดนแตละประเภทจากพนทจรง

Figure 11 Example of an error matrix



405

สถตแบบ Kappa ไดถกนำามาใชเพอคำานวณ

หาความถกตองโดยรวมทงหมดซงเปนกระบวนการเปรยบ

เทยบกบตารางความคลาดเคลอนดงสมการท3

Figure 11. Example of an error matrix

สถตแบบ Kappa ไดถกนามาใชเพอคานวณหาความถ กต อ ง โ ด ย ร วมท ง หมดซ ง เ ป น ก ร ะบวนก า รเปรยบเทยบกบตารางความคลาดเคลอนดงสมการท 3

K - 3

โดย observed accuracy หาไดจากความเทยงตรงแนวเฉยงในตารางความคลาดเคลอน สวน chance agreement หาไดจากผลรวมของทงแถวและสดมถของทกชนการใชประโยชน ทดน ทอย ในตารางความคลาดเคลอนโดยทวไปคาทยอมรบได K หรอคดเปนรอยละ 100 ตวอยางเชน หากมคาเทากบ 0.81 หมายถงมคาความถกตองของการจาแนกรอยละ 81 ซงมคาความถกตองเชงภาพรวมสง ผลของการว เคราะหและเปรยบเทยบการจาแนกภาพถายดาวเทยมตามกระบวนการขางตน โดยวธการแบบ Supervised โดยใชกฎการตดสนใจแบบ Maximum Likelihood (Table 2) (Figure 12) พบวามคาความถกตองโดยรวมรอยละ 85 และสถต Kappa มคาความถกต อ ง ร อ ยล ะ 8 1 ส วนกฎการต ด ส น ใ จแบบ Parallelepiped นนพบวามความถกตองตองโดยรวมคดเปนรอยละ 80 และสถต Kappa มคาความถกตองรอยละ 70 (Table 2) (Figure 13)

Figure 12. Maximum Likelihood Classification

Figure 13. Parallelepiped Classification

โดยobservedaccuracyหาไดจากความเทยงตรงแนว

เฉยงในตารางความคลาดเคลอนสวนchanceagreement

หาไดจากผลรวมของทงแถวและสดมถของทกชนการ

ใชประโยชนทดนทอยในตารางความคลาดเคลอนโดย

ทวไปคาทยอมรบไดK หรอคดเปนรอยละ100ตวอยาง

เชน หากมคาเทากบ 0.81 หมายถงมคาความถกตอง

ของการจำาแนกรอยละ 81 ซงมคาความถกตองเชงภาพ

รวมสงผลของการวเคราะหและเปรยบเทยบการจำาแนก

ภาพถายดาวเทยมตามกระบวนการขางตน โดยวธการ

แบบSupervisedโดยใชกฎการตดสนใจแบบMaximum

Likelihood(Table2)(Figure12)พบวามคาความถกตอง

โดยรวมรอยละ85และสถตKappaมคาความถกตองรอย

ละ81สวนกฎการตดสนใจแบบParallelepipedนนพบ

วามความถกตองตองโดยรวมคดเปนรอยละ80และสถต

Kappaมคาความถกตองรอยละ70(Table2)(Figure13)

Figure 12 MaximumLikelihoodClassification

Figure 13ParallelepipedClassification


Table 2OverallAccuracyofMaximumLikelihoodclassifiercClassification

Class

Name

Reff.

Total

Classified

Total

Number

Correct

Producers

Accuracy

Users

Accuracy

Err. Of

Omission

Err. Of

Commission

W 20 18 18 90% 100% 10% 0%

F 20 18 17 85% 94.44% 15% 5.56%

A2 20 24 18 90% 75% 10% 25%

U 20 25 19 95% 76% 5% 24%

A1 20 15 13 65% 86.67% 35% 13.33%

Totals 100 100 85

Overall Classification Accuracy = 85%

Overall Kappa Statistics = 0.8125

Table 3.OverallAccuracyofParallelepipedClassifier

Class

Name

Reff.

Total

Classified

Total

Number

Correct

Producers

Accuracy

Users

Accuracy

Err.Of

Omission

Err.of

Commission

W 20 18 18 90% 100% 10% 0%

F 20 21 18 90% 85.71% 10% 14.29%

A2 20 29 17 85% 85.62% 15% 14.38%

U 20 21 18 90% 85.71% 10% 14.29%

A1 20 11 9 45% 81.82% 55% 18.18%

Totals 100 100 80

OverallClassificationAccuracy=80%

OverallKappaStatistics=0.75

สรปผลการศกษาจากการศกษานไดเปรยบเทยบการวเคราะหขอมลภาพถาย

จากดาวเทยมLandsat5ระบบTMโดยทำาการศกษาท

จงหวดชยภมผลการศกษาทไดจากการเปรยบเทยบกฎ

การตดสนใจแบบParametricและNon-parametricโดยใช

กลมตวอยางเดยวกนแตใชกฎในการตดสนใจตางกนพบวา

การจำาแนกขอมลแบบMaximumLikelihoodใหคาความ

ถกตองโดยรวม(Overallaccuracy)รอยละ85และสถต

Kappaเทากบ0.81ซงผลการจำาแนกสงกวาการจำาแนก

ดวยแบบParallelepipedซงอาศยกฎการตดสนใจแบบ

Non-parametricสำาหรบการจำาแนกดวยวธParallelepiped

มคาความถกตองโดยรวมคดเปนรอยละ80และมคาสถต

Kappaเทากบ0.75แตเมอแยกพจารณาแตละชนการใช

ประโยชนทดนภายใตสภาวะแวดลอมและชดขอมลเดยวกน

แลวพบวาวธการจำาแนกแบบ Parallelepiped แสดงผล

การจำาแนกในบรเวณชมชนและสงปลกสรางไดสงกวาการ

จำาแนกแบบMaximumLikelihoodขอดของการจำาแนก

แบบParallelepipedคอใชเวลาในการคำานวณนอยกวาวธ

MaximumLikelihoodและสามารถกำาหนดการตรวจสอบ

หรอเพกเฉยตอคณสมบตการซอนทบของชนขอมล(Class

overlapoptions)ไดโดยกำาหนดคณสมบตการซอนทบให

> 1 หากตองการคำานวณการซอนทบของจดภาพและ

กำาหนดใหมคา=0หากไมตองการพจารณาคณสมบตดง

กลาวทงนการเลอกพจารณาการซอนทบยงสามารถเลอก

ไดอกวาจะใชวธการแบบสถตมพารามเตอร(Parametric

statistics)หรอแบบลำาดบทใกลทสด(Classorder)กได



407

จากการศกษานชใหเหนวาหากผวเคราะหม

ความประสงคทจะทำาการวเคราะหขอมลภาพถายจาก

ดาวเทยม จำาเปนตองบรณาการวธการจำาแนกใหหลาก

หลายวธเนองจากเครองมอในการจำาแนกในปจจบนยง

ไมสามารถทจะตอบสนองความตองการของผใชไดอยาง

ครอบคลมทงหมดภายในวธการเดยวดงนนการตดสนใจ

เลอกเครองมอจำาแนกจงมบทบาทและความสำาคญซงจะสง

ผลตอความถกตองเทยงตรงของผลลพธในกระบวนการ

แปลภาพถาย นอกจากนการคดเลอกพนทตวอยางหรอ

การสมตวอยางทใชเปนตวแทนทางสถต(Traningarea)

กเปนอกปจจยหนงทมความสำาคญควบคไปกบฤดการของ

การบนทกภาพเชนเดยวกน

เอกสารอางอง1. สรภองคากล.การวเคราะหขอมลระยะไกล.กรงเทพฯ:

คณะวทยาศาสตรจฬาลงกรณมหาวทยาลย.2548.

2. วนตาเผานาค.หลกการวเคราะหขอมลจากดาวเทยม.

มหาวทยาลยรามคำาแหง.2531.

3. JohnR.Jensen.Remotesensingoftheenvironment.

PearsoneducationInc.UnitedstatesofAmerica.

2007.

4. ERDASInc.ERDASFieldGuide.Version2011.

ERDASInc.AtlantaGeorgia.2011.

5. Bailly JS, Arnaud M, Puech C. Boosting: a

classification method for remote sensing.

InternationalJournalofRemoteSensing.2007;

28(7):1687-710.

6. KloerBR.Hybridparametric/non-parametricimage

classification.ErdasInc.1994;307-316.

7. AbouEl-MagdI,TantonTW.Improvementsin

land use mapping for irrigated agriculture from

satellitesensordatausingamulti-stagemaximum

likelihoodclassification.InternationalJournalof

RemoteSensing.2003;24(21):4197-206.

8. Cortijo FJ, De La Blanca NP. A comparative

studyofsomenon-parametricspectralclassifiers.

Applicationstoproblemswithhigh-overlapping

training sets. International Journal of Remote

Sensing.1997;18(6):1259-75.

9. ErbekFS,ÖzkanC,TabernerM.Comparison

ofmaximumlikelihoodclassificationmethodwith

supervised artificial neural network algorithms

for landuseactivities. International Journalof

RemoteSensing.2004;25(9):1733-48.

10.CampbellJB.Introductiontoremotesensing.3rd

ed.NewYork.London.2002.

11. BradleyBA.Accuracyassessmentofmixedland

coverusingaGIS‐designedsamplingscheme.InternationalJournalofRemoteSensing.2009;

30(13):3515-29.

นิพนธ์ต้นฉบับ ดาวเทียม landsat...

Documents