• กองส่งเสริมการวิจัยและบริการวิชาการ มหาวิทยาลัยมหาสารคาม
  • 04-3754-416 (1756)

วิธีการใหม่สำหรับตารางอัตราการเรียนรู้บนวิธีการรวมกลุ่มของโครงข่ายคอนโวลูชันแบบสแนปช็อตสำหรับการจำแนกการใช้ประโยชน์ที่ดินในภาพถ่ายทางอากาศ
A new learning rate schedule on snapshot ensemble convolutional neural network for land use classification in aerial images

  • ปีงบประมาณ : 2565 | ประเภททุน : ทุน นิสิต ป.เอก
  • ผู้ร่วมโครงการ : แสงดาว นพพิทักษ์
  • งบประมาณที่ขอสุทธิ : 60,000 บาท

ความสำคัญ/ ที่มา :

การใช้ประโยชน์ที่ดิน (Land use) และสิ่งปกคลุมดิน (Land cover) เป็นประเด็นที่ได้รับความสนใจจากนักวิจัยเป็นจำนวนมาก [1] เนื่องจากการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดินเกิดการเปลี่ยนแปลงอยู่ตลอดเวลาจากกิจกรรมการใช้ประโยชน์ที่ดิน ดังนั้นหากทราบถึงข้อมูลการเปลี่ยนแปลงการใช้ประโยชน์ที่ดินที่มีความถูกต้องและเป็นข้อมูลที่ทันสมัย ทำให้สามารถนำข้อมูลดังกล่าวไปประยุกต์ใช้งานด้านต่าง ๆ ได้ เช่น การวางผังเมือง การตรวจสอบและการประเมินด้านสิ่งแวดล้อม การกำหนดนโยบายแห่งชาติ [2] การศึกษาด้านความหลากหลายทางชีวภาพ การเปลี่ยนแปลงสภาพภูมิอากาศ การสร้างแบบจำลองด้านสิ่งแวดล้อม การออกแบบและตรวจสอบนโยบายการใช้ที่ดิน [3] อีกทั้งการวิเคราะห์การใช้ประโยชน์ที่ดินและสิ่งปกคลุมดินยังถูกนำไปใช้ประโยชน์ในการพัฒนาวางแผน และการจัดการด้านคุณภาพชีวิต [4] เช่น จากจำนวนประชากรที่เพิ่มขึ้นอย่างรวดเร็ว ทำให้เกิดปัญหาด้านสิ่งแวดล้อม สภาวะอุณหภูมิที่เพิ่มสูงขึ้นในเขตเมือง มลพิษทางอากาศ และน้ำท่วมในเมืองโฮจิมินห์ประเทศเวียดนาม จึงทำการประเมินการเปลี่ยนแปลงสิ่งปกคลุมดินและพื้นที่เการเกษตร โดยใช้ระบบสารสนเทศภูมิศาสตร์ (Geographic Information System : GIS) และการรับรู้จากระยะไกล (Remote Sensing : RS) เพื่อให้นักวางแผนนำไปใช้ในการสนับสนุนการตัดสินใจ สำหรับการจัดการการใช้ประโยชน์ที่ดินในอนาคต [5]

ในช่วงระยะเวลาที่ผ่านมางานวิจัยทางด้านการเรียนรู้เชิงลึก (Deep learning) ถูกนำมาใช้อย่างแพร่หลาย ซึ่งรวมไปถึงงานวิจัยทางด้านการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดิน เช่น การใช้การเรียนรู้เชิงลึกมาช่วยวิเคราะห์ภาพถ่ายจากดาวเทียม Landsat 5/7 เพื่อแสดงแผนที่สิ่งปกคลุมดินพื้นที่เกษตรกรรม ได้แก่ พื้นที่เพาะปลูก แหล่งน้ำ พื้นที่ทุ่งหญ้า และไม้ผสม [6] อีกทั้งเทคนิคการเรียนรู้เชิงลึกยังสามารถปรับปรุงความถูกต้องในการจำแนกข้อมูลได้ โดยใช้วิธีการเรียนรู้แบบรวมกลุ่มเพื่อเพิ่มประสิทธิภาพผลการจำแนกที่ได้จากการะบวนการ RS [7] รวมถึงความสามารถการจำแนกข้อมูลจากชนิดข้อมูลที่แตกต่างกันได้ เช่น ข้อมูลภาพจากอากาศยานไร้คนขับหรือยูเอวี (Unmanned aerial vehicle: UAV) ข้อมูลแบบจำลองพื้นผิวเชิงเลข (Digital surface model : DSM) โดยใช้สถาปัตยกรรมแบบ CNNs ในการวิเคราะห์ [8] และยังสร้างเป็นกรอบการเรียนรู้เชิงลึกด้วยการรวมหลายเทคนิคเข้าด้วยกัน ได้แก่ โครงข่ายประสาทเทียมเพอร์เซฟตรอนแบบหลายชั้น (Multilayer perceptron : MLP) โครงข่ายประสาทแบบคอนโวลูชัน, และ Markov ที่มีความสามารถในการจำแนกการใช้ประโยชน์ที่ดินได้ [9]  และยังมีการประยุกต์ใช้การเรียนรู้เชิงลึกในงานด้านอื่นๆ อย่างหลากหลายนอกเหนือจากงานด้านการจำแนกการใช้ประโยชน์ที่ดิน เช่น ปรับปรุงเทคนิคการเรียนรู้เชิงลึกเพื่อตรวจจับความรุนแรงใน Wikipedia [10] ทางด้านการแพทย์ Vogado และคณะ [11] ทำการวินิจฉัยโรคมะเร็งเม็ดเลือดขาวจากสไลด์เลือดด้วย CNN หรือแบ่งกลุ่มผู้ป่วยที่เป็นมะเร็งในปอดจากภาพ CT Scan ปอดของผู้ป่วย [12] และยังนำการเรียนรู้เชิงลึกไปประยุกต์ใช้งานด้านการเกษตร เช่น งานของ Apolo-Apolo และคณะ [13] หรือนำการเรียนรู้เชิงลึกประมาณการผลและขนาดของผลไม้จากข้อมูลจาก UAV และนำ การเรียนรู้เชิงลึกทำการแบ่งส่วนภาพเพื่อตรวจหาและนับผลมะม่วงในสวนผลไม้ [14] รวมทั้งความสามารถด้านการตรวจจับเครื่องบินจากภาพถ่ายดาวเทียม [15]

ประเทศไทยยังเป็นประเทศที่ส่งออกสินค้าเกษตรเป็นจำนวนมาก โดยสินค้าเกษตรที่ส่งออกเป็นลำดับต้นๆ ได้แก่ ข้าว ข้าวโพดเลี้ยงสัตว์ มันสำปะหลัง น้ำตาล ยางพารา น้ำมันปาล์ม สำปะรด และลำไย เป็นต้น  [16]  จึงจำเป็นต้องทำการวิเคราะห์และประมาณการแนวโน้มภาวะเศรษฐกิจการเกษตร โดยใช้ทั้งปัจจัยจากเศรษฐกิจภายนอก เช่น เศรษฐกิจโลก เศรษฐกิจการเกษตรโลก และราคาน้ำมันดิบดูไบ และปัจจัยภายใน เช่น ปริมาณน้ำในอ่าง ปริมาณน้ำฝน และการใช้ประโยชน์ที่ดิน [17]

จากความสำคัญข้างต้น หากวิธีการเรียนรู้แบบรวมกลุ่มสามารถช่วยเพิ่มประสิทธิภาพในการจำแนกการใช้ประโยชน์ที่ดินเพื่อเพาะปลูกพืชเศรษฐกิจจากภาพถ่ายทางอากาศ ทั้งนี้ วิธีการเรียนรู้แบบรวมกลุ่มสามารถแบ่งออกเป็นหลายวิธี เช่น Bagging ensemble, Boosting ensemble, Stacked ensemble และการรวมกลุ่มแบบสแนปช็อต (Snapshot ensemble) [18] [19] [20] ทั้งนี้ วิธีการรวมกลุ่มแบบสแนปช็อต [21] จะเหมาะสมกับการเพิ่มประสิทธิภาพในการใช้ประโยชน์ที่ดินเพื่อเพาะปลูกพืชเศรษฐกิจในประเทศไทย ได้หรือไม่ เนื่องจากวิธีการรวมกลุ่มแบบสแนปช็อต มีกระบวนการสำหรับปรับลดค่าเรียนรู้ (Learning rate) ด้วยวิธี Cyclic cosine annealing [30] ทำให้ในแต่ละรอบ (Epoch) ที่เรียนรู้ (Learning) สามารถค้นหาโมเดล (Model) ที่ดีที่สุดของโครงข่ายประสาทแบบคอนโวลูชัน และนำโมเดลที่ดีที่สุดนั้นมาผ่านขั้นตอนการรวมกลุ่มแบบเฉลี่ย (Average ensemble) เพื่อจำแนกการใช้ประโยชน์ที่ดินเพื่อเพาะปลูกพืชเศรษฐกิจ และเป็นไปได้หรือไม่ที่จะเปลี่ยนแปลงกระบวนการปรับลดค่าเรียนรู้ของวิธีการรวมกลุ่มแบบสแนปช็อต และหากเปลี่ยนแปลงขั้นตอนการรวมกลุ่มแบบเฉลี่ยเป็นวิธีรวมกลุ่มแบบเฉลี่ยค่าน้ำหนัก (Weighted average Ensemble) จะทำให้วิธีการรวมกลุ่มแบบสแนปช็อต มีประสิทธิภาพเพิ่มขึ้นหรือไม่

วัตถุประสงค์ :

เพื่อพัฒนาวิธีการใหม่สำหรับตารางอัตราการเรียนรู้บนวิธีการรวมกลุ่มของโครงข่ายคอนโวลูชันแบบ สแนปช็อตสำหรับการจำแนกการใช้ประโยชน์ที่ดินในภาพถ่ายทางอากาศ