Page 1
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]
Page 2
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)
Page 3
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
Page 4
Vol31,No4,July-August2012 MaximumLikelihoodRatioandParallelepipedClassifierAccuracyAssessmentofLandUseClassifi-
cationUsingLandsatImagery,ComparisonofMaximumLikelihoodRatioandParallelepipedClassifier
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)
Page 5
404 J Sci Technol MSUKhamphilungS.
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
Page 6
Vol31,No4,July-August2012 MaximumLikelihoodRatioandParallelepipedClassifierAccuracyAssessmentofLandUseClassifi-
cationUsingLandsatImagery,ComparisonofMaximumLikelihoodRatioandParallelepipedClassifier
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
Page 7
406 J Sci Technol MSUKhamphilungS.
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
Page 8
Vol31,No4,July-August2012 MaximumLikelihoodRatioandParallelepipedClassifierAccuracyAssessmentofLandUseClassifi-
cationUsingLandsatImagery,ComparisonofMaximumLikelihoodRatioandParallelepipedClassifier
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.