|
|
ข้อมูลการเผยแพร่ผลงาน
|
| ชื่อบทความ |
Assessment of Machine Learning on Sugarcane Classifications Using Landsat-8 and Sentinel-2 Satellite Emagery |
| วัน/เดือน/ปี ที่ได้ตอบรับ |
10 พฤษภาคม 2564 |
| วารสาร |
| ชื่อวารสาร |
Asia- Pacific Journal of Science and Technology |
| มาตรฐานของวารสาร |
ISI |
| หน่วยงานเจ้าของวารสาร |
Khon Kaen University |
| ISBN/ISSN |
|
| ปีที่ |
2021 |
| ฉบับที่ |
26 |
| เดือน |
October-December |
| ปี พ.ศ. ที่พิมพ์ |
2564 |
| หน้า |
|
| บทคัดย่อ |
Agriculture and agricultural product development are important aspects of a country's economic development. Sugarcane is one of the key industrial crops in Thailand, Brazil, China, and India. Therefore, monitoring sugarcane growth and harvest is important for evaluating yield, optimizing logistic operations, and forecasting crop productivity. To monitor sugarcane growth more effectively and efficiently, this study aimed to classify the sugarcane cultivation regions in Chuenchom District, Maha Sarakham Province, Thailand, using Landsat-8 and Sentinel-2 satellite images. To this end, three algorithms were used for classification: support vector machine (SVM), random forest (RF), and maximum likelihood (ML). A combination of parameter sets using four bands (red, green, blue, and NIR) and two vegetation indices: normalized difference vegetation index (NDVI) and enhanced vegetation index (EVI) was set up for the classification. The overall accuracy and kappa coefficient values were computed to validate the classification results with visual interpretation of high-resolution images. Results from the study showed that RF outperformed the SVM and ML classification techniques with overall accuracy and kappa coefficient values of 75.93 and 0.616, respectively, for Landsat-8 images and 78.60 and 0.656, respectively, for Sentinel-2 images. Specifically, RF classification with red, green, blue, and NIR provided the highest accuracy for the Landsat-8 images, while RF classification with red, green, blue, and NDVI proved to be the most accurate for the Sentinel-2 images. In summary, both Landsat-8 and Sentinel-2 satellite images have great potential for sugarcane mapping using remote sensing.
|
| คำสำคัญ |
Keywords: Sugarcane, Machine Learning, Support Vector Machine, Random Forest, Maximum Likelihood |
| ผู้เขียน |
|
| การประเมินบทความ |
มีผู้ประเมินอิสระ |
| สถานภาพการเผยแพร่ |
ได้รับการตอบรับให้ตีพิมพ์ |
| วารสารมีการเผยแพร่ในระดับ |
นานาชาติ |
| citation |
ไม่มี |
| เป็นส่วนหนึ่งของวิทยานิพนธ์ |
เป็น |
| แนบไฟล์ |
|
| Citation |
0
|
|
|
|
|
|
|
|
|
การเผยแพร่ในรูปของบทความวารสารทางวิชาการ
English