ลูกช้างเหล็ก ทีม KTAFF ส่งแบบจำลองจากชุดข้อมูลฝึกสอนด้วยภาพถ่ายจากดาวเทียม Sentinel-2 คว้าแชมป์ AI & Robotics Hackathon 2022 – Enabling AI for Zero Hunger and Climate Action
![](https://eng.cmu.ac.th/wp-content/uploads/2022/07/290478508_5628887407145427_2305348340553026651_n-1024x429.jpg)
ทีม KTAFF สมาชิก ได้แก่ นายวัชนันท์ จันทาภากุล, นายกันต์นภัส ทิพยผลาผลกุล(นักศึกษาเก่าภาควิชาวิศวกรรมคอมพิวเตอร์), นายภิญญวัฒน์ รัตนยรรยง (นักศึกษาปริญญาโท คณะวิศวกรรมศาสตร์ สาขาวิทยาการข้อมูล) และนางสาวอิศราวดี เหมะ (จบการศึกษาปริญญาโท คณะวิศวกรรมศาสตร์ สาขาวิทยาการข้อมูล) ส่งผลงาน Crop Classification Model from Sentinel-2 Satellite Imagery สร้างแบบจำลองจากชุดข้อมูลฝึกสอนโดยใช้ภาพถ่ายดาวเทียม Sentinel-2 ในพื้นที่จังหวัดนครราชสีมา คว้ารางวัลชนะเลิศอันดับ 1 จากการแข่งขัน AI & Robotics Hackathon 2022 – Enabling AI for Zero Hunger and Climate Action จัดโดย AI and Robotics Ventures Co., Ltd เมื่อปลายเดือนมิถุนายนที่ผ่านมา
Crop Classification Model from Sentinel-2 Satellite Imagery คือ แบบจำลองสร้างโดยใช้เทคนิค Machine Learning (ML) จำแนกประเภทพืชผลทางการเกษตร (Crop Classification Model) จำนวน 4 ชนิด ได้แก่ มันสำปะหลัง, ข้าวโพด, ข้าว และอ้อย จากชุดข้อมูลฝึกสอนโดยใช้ภาพถ่ายดาวเทียม Sentinel-2 ในพื้นที่จังหวัดนครราชสีมาที่บันทึกภาพในปี 2564 รวม 71 ภาพ สำหรับประเทศไทย ปกติแล้วปัญหาของการนำภาพถ่ายดังกล่าวมาใช้ประโยชน์ทางธุรกิจด้านการเกษตรมักประสบปัญหาหลายประการ ได้แก่ พื้นที่เกษตรแปลงเล็ก มีการปลูกพืชที่หลากหลาย ปีการผลิตของพืชผลแต่ละชนิดไม่แน่นอน ภาพถ่ายติดเมฆ รวมถึงปรากฏการณ์ธรรมชาติต่างๆ ทำให้มีข้อจำกัดการใช้งานภาพถ่ายดาวเทียม ทีม KTAFF พยายามแก้ปัญหาเรื่อง Cloud Coverage ที่ติดกับรูปภาพด้วยการปรับแก้ความถูกต้องเชิงคลื่อน (Atmospheric Correction) ประยุกต์ใช้วิธี Maximum Value Composite Procedure (MVC) ซึ่งประมวลผลข้อมูลดาวเทียมอ้างอิงทางภูมิศาสตร์แบบหลายช่วงเวลา และจะเก็บเฉพาะค่าสูงสุดสำหรับแต่ละตำแหน่งพิกเซลภาพถ่ายที่คำนวณ Vegetation Indices (VIs) จากนั้นจึงสกัดค่า Pixel แต่ละแปลงในชุดข้อมูลมาคำนวณค่าสถิติ 4 ตัว (Minimum, Maximum, Average, Standard Deviation) เพื่อใช้เป็น Features ของแต่ละแปลงในเดือนต่ง ๆ นอกจากนี้ ยังมีการใช้ประโยชน์จาก Scene Classification Layer (SCL) ข้อมูลการจำแนกพื้นที่บนภาพจากดาวเทียมเบื้องต้นมาใช้เป็น Features พร้อมนำเทคนิค Machine Learning (ML) มาพัฒนาตัวแบบจำลอง โดยการประยุกต์ใช้ Ensemble Method ในการจำแนกพืชผลทางการเกษตร เรียนรู้จากชุดข้อมูลที่จัดเตรียมแล้ว (Features) ถือเป็นก้าวหนึ่งในการนำภาพถ่ายดาวเทียม Sentinel-2 มาวิเคราะห์ให้เกิดประโยชน์เป็น Application เปรียบเสมือน Proof of Concept ที่ยืนยันว่า AI สามารถแก้ปัญหานี้ได้ มีความแม่นยำ 74% จากการทดลองบนข้อมูลชุดทดสอบ ซึ่งถือว่าสูงที่สุดในการแข่งขันครั้งนี้
ประโยชน์ของ Crop Classification จากภาพถ่ายดาวเทียมนับเป็นขั้นตอนชั้นต้นก่อนนำไปเป็นอินพุตแก่ระบบอื่น ๆ เช่น การระบุชนิดพืชของแปลงต่าง ๆ จากข้อมูลแปลงจำนวนมาก เมื่อระบุแปลงที่ต้องการได้แล้ว จึงนำ Drone บินเข้าไปเพื่อปฏิบัติการบางอย่าง เช่น พ่นปุ๋ยในบริเวณพื้นที่เฉพาะที่ต้องการ รวมไปถึงการพัฒนาระบบการคาดการณ์ผลผลิตต่อไร่ หรือผลผลิตโดยรวมให้มีความแม่นยำ เพื่อวางแผนการบริหารจัดการผลผลิตทางการเกษตรอย่างมีประสิทธิภาพมากยิ่งขึ้น
![](https://eng.cmu.ac.th/wp-content/uploads/2022/07/289899527_5628780937156074_5077900806369809226_n-1024x526.jpg)
![](https://eng.cmu.ac.th/wp-content/uploads/2022/07/KTAFF2-1024x693.jpg)
![](https://eng.cmu.ac.th/wp-content/uploads/2022/07/KTAFF3-1024x1024.jpg)