สศก. ถอดบทเรียนปัญหาพื้นที่เพาะปลูกทับซ้อน เตรียมใช้ Machine Learning หนุนการจัดทำแผนที่เกษตรกรรม

นางธัญธิตา บุญญมณีกุล รองเลขาธิการสำนักงานเศรษฐกิจการเกษตร (สศก.) กระทรวงเกษตรและสหกรณ์ เปิดเผยว่า จากที่ สศก. มีภารกิจในการจัดทำและบริหารจัดการข้อมูลสารสนเทศการเกษตร ที่ผ่านมา ศูนย์สารสนเทศการเกษตร ได้ดำเนินการจัดทำแผนที่แหล่งเพาะปลูกจากข้อมูลภาพถ่ายดาวเทียมในพืชเศรษฐกิจหลักของประเทศจำนวน 5 ชนิด ได้แก่ ข้าว  มันสำปะหลังโรงงาน สับปะรด ปาล์มน้ำมัน และยางพารา โดยอาศัยการแปลวิเคราะห์ด้วยสายตาจากข้อมูลภาพถ่ายดาวเทียมรายละเอียดปานกลาง (Medium Resolution Satellite Image) จากกลุ่มดาวเทียม Sentinel-2 และ Landsat 8-9 OLI/TIRS เพื่อสร้างฐานข้อมูลเชิงพื้นที่ที่มีความแม่นยำสูง สำหรับนำมาจัดทำแผนที่แหล่งเพาะปลูกที่มีความเป็นเอกภาพ สอดคล้องกัน

อย่างไรก็ตาม ที่ผ่านมา สศก. ได้ดำเนินการแปลวิเคราะห์พื้นที่เพาะปลูกเป็นการดำเนินงานแยกรายสินค้าพืช เพื่อให้ทราบขนาดเนื้อที่เพาะปลูก เนื้อที่ยืนต้นของพืชแต่ละชนิด ซึ่งจากการรายงานผลการวิเคราะห์ข้อมูลพื้นที่เพาะปลูกพืชเศรษฐกิจ 5 ชนิด โดยใช้ภาพถ่ายดาวเทียมในปี 2567 พบว่า ผลการแปลและวิเคราะห์ภาพถ่ายดาวเทียมในพืชแต่ละชนิด มีการแปลพื้นที่เพาะปลูกของพืชเหล่านี้ที่ซ้อนทับกันมากกว่า 1 ล้านไร่ อันเนื่องมาจากข้อจำกัดทางด้านรายละเอียดเชิงพื้นที่และรายละเอียดเชิงคลื่นของภาพถ่ายดาวเทียม จึงทำให้เกิดความคลาดเคลื่อนของผลการแปล ทาง สศก. จึงจำเป็นต้องลงพื้นที่ตรวจสอบและสำรวจจริง เพื่อนำข้อมูลที่ได้มาปรับปรุงให้ถูกต้อง ชัดเจน และไม่ซ้ำซ้อนกัน และจะนำข้อผิดพลาดนี้มาถอดบทเรียน (Lesson learned) ในกระบวนการจัดทำข้อมูลพื้นที่เพาะปลูกพืชเศรษฐกิจ โดยมีเป้าหมายว่าจะใช้แบบจำลอง Machine Learning (ML) มาช่วยวิเคราะห์และจำแนกประเภทการใช้ประโยชน์ที่ดินอย่างเป็นระบบ

ล่าสุด เจ้าหน้าที่ศูนย์สารสนเทศการเกษตร ได้ลงพื้นที่สำรวจในจังหวัดฉะเชิงเทรา ปราจีนบุรี และสระแก้ว ระหว่างวันที่ 19 - 23 พฤษภาคม 2568 เก็บตัวอย่างแปลงเพาะปลูกจำนวน 300 แปลง โดยมุ่งเก็บข้อมูลในพื้นที่ที่มีผลการแปลวิเคราะห์เนื้อที่เพาะปลูกทับซ้อนกัน และนำข้อมูลมาวิเคราะห์ร่วมกับเทคโนโลยีดัชนีพืชพรรณ (Vegetation Index) 4 วิธี ได้แก่ ดัชนีความแตกต่างของพืชพรรณแบบนอร์มอลไลซ์ (Normalized Difference Vegetation Index: NDVI), ดัชนีพืชพรรณปรับแก้หน้าดิน (Soil-Adjusted Vegetation Index: SAVI), ดัชนีความแตกต่างในช่วงขอบความยาวคลื่นสีแดงแบบนอร์มอลไลซ์ (Normalized Difference Red Edge: NDRE) และดัชนีปริมาณคลอโรฟิลด์ (Chlorophyll Index: CHI) ซึ่งใช้วัดปริมาณคลอโรฟิลล์ในใบพืชและคุณลักษณะการสะท้อนแสงเชิงคลื่นของใบ เพื่อดูว่าแปลงนั้นปลูกพืชอะไรอยู่ จากนั้นจึงนำข้อมูลที่สำรวจได้ มาแบ่งเป็นชุดข้อมูลฝึกหัดและทดสอบ เพื่อฝึกแบบจำลองปัญญาประดิษฐ์ (AI) ที่เรียกว่า XGBoost ให้สามารถวิเคราะห์และแยกประเภทการใช้ประโยชน์พื้นที่ได้อัตโนมัติ ซึ่งจะช่วยแก้ปัญหาการแปลและวิเคราะห์ภาพถ่ายดาวเทียมผิดพลาด อันเป็นสาเหตุสำคัญของการเกิดพื้นที่ทับซ้อนของเนื้อที่เพาะปลูกพืชแต่ละชนิดได้

ผลการทดลองพบว่า แบบจำลองดังกล่าวสามารถทำนายประเภทการใช้ประโยชน์ที่ดิน  ได้ถูกต้องประมาณร้อยละ 55 ตัวอย่าง กล่าวคือ หากเกิดปัญหาผลการแปลพื้นที่เพาะปลูกของพืชทับซ้อนกันจำนวน 100 แปลง แบบจำลองนี้ จะสามารถทำนายการใช้ประโยชน์ที่ดินที่แท้จริงของบริเวณดังกล่าวได้ถูกต้องถึง 55 แปลง  ซึ่งแม้ยังไม่แม่นยำมาก แต่ก็ถือเป็นจุดเริ่มต้นที่ดีในการพัฒนาต่อไป อย่างไรก็ตาม ความคลาดเคลื่อนที่เกิดขึ้น ส่วนหนึ่งมาจากการเก็บตัวอย่างในแปลงที่เพิ่งเริ่มปลูก ซึ่งต้นพืช   ยังเล็ก มีจำนวนใบน้อย ทำให้การสะท้อนแสงเชิงคลื่นจากพื้นดินรบกวนการประมวลผล ดังนั้น สศก. จะมีการปรับปรุงและคัดเลือกแปลงที่ต้นพืชเติบโตเต็มที่ เพื่อให้การวิเคราะห์จากภาพถ่ายดาวเทียมมีความแม่นยำมากขึ้น และนำไปใช้ประกอบการวางแผนด้านการเกษตรของประเทศได้อย่างมีประสิทธิภาพต่อไป