การประยุกต์ Google Earth Engine เพื่อติดตามการเปลี่ยนแปลงของป่าชายเลนในจังหวัดสตูล
คำสำคัญ:
กูเกิลเอิร์ธเอนจิน , ป่าชายเลน , การจำแนกแบบป่าไม้สุ่ม , การสำรวจระยะไกล , ข้อมูลดาวเทียม Sentinel-2บทคัดย่อ
วัตถุประสงค์และที่มา : จังหวัดสตูลมีพื้นที่ป่าชายเลนที่สมบูรณ์ มีความสำคัญต่อระบบนิเวศและระบบเศรษฐกิจ แต่พื้นที่ป่าชายเลนลดลง และขาดการติดตามอย่างต่อเนื่อง ซึ่งอาจเกิดจากข้อจำกัดด้านบุคลากรและเทคนิคสำรวจระยะไกลทที่ต้องใช้ฮาร์ดแวร์ ซอฟต์แวร์และการประมวลผลเฉพาะ ส่งผลให้บางหน่วยงานขาดประสิทธิภาพในการจัดการพื้นที่ การศึกษาครั้งนี้ มุ่งใช้ Google Earth Engine (GEE) วิเคราะห์ภาพถ่ายดาวเทียมออนไลน์ ติดตามการเปลี่ยนแปลงป่าชายเลน ครอบคลุมอำเภอทุ่งหว้า ละงู ท่าแพ และเมืองสตูล ตั้งแต่ พ.ศ. 2561-2566 เพื่อลดปัญหาความขัดแย้งจากการบุกรุก ลดต้นทุนฮาร์ดแวร์และซอฟต์แวร์ และแก้ไขปัญหาการลดลงของป่าชายเลนอันเนื่องมาจากการบุกรุกและการเปลี่ยนแปลงการใช้ที่ดิน
วิธีดำเนินการวิจัย : งานวิจัยนี้ใช้ภาพถ่ายดาวเทียม Sentinel-2 MSI Level-1C และ Level-2A ที่มีเมฆปกคลุมน้อยที่สุดในแต่ละปี ดำเนินการคลาวด์มาสก์เพื่อลดผลกระทบจากเมฆ วิเคราะห์ดัชนีพืชพรรณ NDVI, SAVI และ EVI เพื่อสร้างพื้นที่ฝึกหัดสำหรับจำแนกการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดินด้วยวิธีแบบกำกับดูแลร่วมกับแบบจำลองป่าไม้สุ่ม (RF) กำหนดการวนซ้ำ 30 รอบ ผ่าน Earth Engine Code Editor บน GEE และประเมินความถูกต้องของการจำแนกโดยใช้ข้อมูลจากการสำรวจภาคสนามและ Google Earth เพื่อวิเคราะห์การเปลี่ยนแปลงการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดินครอบคลุม พ.ศ. 2561-2566 ผลการจำแนกแบ่งออกเป็น 6 ประเภท ได้แก่ แหล่งน้ำธรรมชาติ (W1) ป่าชายเลน (F3) พื้นที่เพาะเลี้ยงสัตว์น้ำ (A9) สิ่งปลูกสร้าง (U2) พื้นที่เกษตรกรรม (A0) และพื้นที่เบ็ดเตล็ด (M4) และสรุปการเปลี่ยนแปลงในรูปแบบอนุกรมเวลา
ผลการวิจัย : การใช้ GEE ร่วมกับแบบจำลอง RF ช่วยเพิ่มประสิทธิภาพการวิเคราะห์การเปลี่ยนแปลงป่าชายเลนอย่างมีนัยสำคัญ ด้วยข้อมูลดาวเทียม Sentinel-2 จาก Earth Engine Data Catalog และประมวลผลผ่านระบบคลาวด์ ที่สามารถวิเคราะห์ข้อมูลขนาดใหญ่ได้อย่างรวดเร็วและมีประสิทธิภาพ ผลการจำแนกมีความถูกต้องโดยรวมกว่าร้อยละ 80 และค่าสัมประสิทธิ์แคปปาอยู่ระหว่าง 0.6–0.8 โดยอิงจากจุดตรวจสอบอิสระ 256 จุดที่กระจายอย่างเหมาะสม ตามทฤษฎีความน่าจะเป็นแบบทวินาม แสดงถึงความน่าเชื่อถือในระดับยอมรับได้ และสามารถใช้บริหารจัดการทรัพยากรป่าชายเลนอย่างมีประสิทธิภาพ ผลการจำแนกการใช้ประโยชน์ที่ดินและสิ่งปกคลุมดินพบว่า ในปี พ.ศ. 2561 พื้นที่ป่าชายเลนคิดเป็นร้อยละ 73.406 พื้นที่เกษตรกรรมร้อยละ 12.360 พื้นที่แหล่งน้ำธรรมชาติร้อยละ 1.803 พื้นที่เพาะเลี้ยงสัตว์น้ำร้อยละ 7.278 พื้นที่ สิ่งปลูกสร้างร้อยละ 0.873 และพื้นที่เบ็ดเตล็ดร้อยละ 4.280 ต่อมาในปี พ.ศ. 2563 พื้นที่ป่าชายเลนลดลงเหลือร้อยละ 71.033 และเพิ่มขึ้นเป็นร้อยละ 72.300 ในปี พ.ศ. 2566 โดยระหว่างปี พ.ศ. 2561 ถึง 2563 พื้นที่ป่าชายเลนลดลงร้อยละ 2.373 ซึ่งส่วนใหญ่เปลี่ยนไปเป็นพื้นที่เกษตรกรรม ในขณะที่ปี พ.ศ. 2563 ถึง 2566 พื้นที่ป่าชายเลนเพิ่มขึ้นร้อยละ 1.267 โดยส่วนใหญ่เป็นการเปลี่ยนแปลงจากพื้นที่เกษตรกรรมกลับมาเป็นป่าชายเลน
สรุปผลการวิจัย : การใช้ GEE ช่วยประมวลผลภาพถ่ายดาวเทียมออนไลน์ได้รวดเร็ว ลดข้อจำกัดด้านฮาร์ดแวร์ แต่การประมวลผลข้อมูลขนาดใหญ่อาจต้องแบ่งข้อมูลย่อย สำหรับพื้นที่อื่น ควรกำหนดพารามิเตอร์และดัชนีพืชพรรณที่เหมาะสมเพื่อเพิ่มความแม่นยำในการจำแนก ผลการศึกษาชี้ว่า GEE มีประสิทธิภาพในการติดตามการเปลี่ยนแปลงป่าชายเลน ช่วง พ.ศ. 2561-2566 โดยพื้นที่ป่าชายเลนเพิ่มขึ้นระหว่าง พ.ศ. 2563–2566 จากมาตรการควบคุมการบุกรุกที่เข้มงวดของภาครัฐ การศึกษานี้เป็นความก้าวหน้าสำคัญในการใช้เทคโนโลยีดาวเทียม และระบบสารสนเทศภูมิศาสตร์เพื่ออนุรักษ์ป่าชายเลน ช่วยลดต้นทุนและเพิ่มประสิทธิภาพเมื่อเทียบกับการสำรวจภาคสนามแบบดั้งเดิม พร้อมสนับสนุนการบริหารจัดการทรัพยากรอย่างมีประสิทธิภาพ ทั้งยังมีศักยภาพเป็นข้อมูลพื้นฐานสำหรับประเมินการกักเก็บคาร์บอนของป่าชายเลนในอนาคต
References
Chen, B., Xiao, X., Li, X., Pan, L., Doughty, R., Ma, J., Dong, J., Qin, Y., Zhao, B., Wu, Z., Sun, R., Lan, G., Xie, G., Clinton, N.,& Giri. (2017) C. A mangrove forest map of China in 2015: Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform, ISPRS Journal of Photogrammetry and Remote Sensing, 131, 104-120. doi.org/10.1016/j.isprsjprs.2017.07.011.
Department of Marine and Coastal Resources. (2018). Marine and Coastal Resources Data of Satun Province. Retrieved January 10, 2023, from https://www.dmcr.go.th/detailLib/3747.
Department of Marine and Coastal Resources. (2021). Assessment of Mangrove Forest Areas in Encroached Sites. Retrieved December 19, 2023, from https://www.dmcr.go.th/detailAll/52950/nws/22.
Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment,83, (1–2), 195-213. doi.org/10.1016/S0034-4257(02)00096-2.
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25 (3), 295-309 . doi.org/10.1016/0034-4257(88)90106-X.
Kingsley, K, & Bhuiyan A. (2024). Assessing changes in land cover, NDVI, and LST in the Sundarbans mangrove forest in Bangladesh and India: A GIS and remote sensing approach, Remote Sensing Applications: Society and Environment, 36, 101289. doi.org/10.1016/j.rsase.2024.101289.
Li, S., Zhu, Z., Deng, W., Zhu, Q., Xu, Z., Peng, B., Guo, F., Zhang, Y.,& Yang, Z. (2024). Estimation of aboveground biomass of different vegetation types in mangrove forests based on UAV remote sensing. Sustainable Horizons, 3(11), 100100 .doi.org/10.1016/j.horiz.2024.100100.
Lu, C., Liu, J., Jia, M., Liu, M., Man, W., Fu, W., Zhong, L., Lin, X., Su, Y.,& Gao, Y. (2018). Dynamic Analysis of Mangrove Forests Based on an Optimal Segmentation Scale Model and Multi-Seasonal Images in Quanzhou Bay, China. Remote Sensing, 10(12), 2020. doi.org/10.3390/rs10122020.
Mangrove Resources Promotion and Development Subdivision. (2016). Thai Mangrove Forest. Retrieved January 8, 2023, from https://dmcrth.dmcr.go.th/manpro.
Megha, B., Nophea, S., Takuji W., Manjunatha ,V., Issei .A,& Rajendra, P.(2024), Assessing changes in mangrove forest cover and carbon stocks in the Lower Mekong Region using Google Earth Engine, Innovation and Green Development, 3 (3), 100140. doi.org/10.1016/j.igd.2024.100140.
Nasiri, V., Deljouei, A., Moradi, F., Sadeghi, S.M.M., & Borz, S.A. (2022), Land Use and Land Cover Mapping Using Sentinel-2, Landsat-8 Satellite Images, and Google Earth Engine: A Comparison of Two Composition Methods. Remote Sens, 14 (9), 1977. doi.org/10.3390/rs14091977.
Pimple, U., Simonetti, D., Sitthi, A., Pungkul, S., Leadprathom, K., Skupek, H., Som-ard, J., Gond, V., & Towprayoon, S. (2017). Google Earth Engine Based Three Decadal Landsat Imagery Analysis for Mapping of Mangrove Forests and Its Surroundings in the Trat Province of Thailand. Journal of Computer and Communications, 6, 247-264. doi.org/10.4236/jcc.2018.61025.
Rouse, J.W., Haas, R.H., Schell, J.A.,& Deering, D.W., (1973). Monitoring vegetation systems in the great plains with ERTS. In: Proceedings of 3rd Earth Resources Technology Satellite-1 Symposium, Greenbelt, NASA SP-351, pp. 3010–3017.
Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A.,& Skakun, S. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Sec. Environmental Informatics and Remote Sensing, 5 – 2017. doi.org/10.3389/feart.2017.00017.
Winarso, G., Rosid, M., Kamal, M., Asriningrum, W., Margules, C.,& Supriatna, J. (2023). Comparison of Mangrove Index (MI) and Normalized Difference Vegetation Index (NDVI) for the detection of degraded mangroves in Alas Purwo Banyuwangi and Segara Anakan Cilacap, Indonesia. Ecological Engineering, 197, 107119. doi.org/10.1016/j.ecoleng.2023.107119.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2025 คณะวิทยาศาสตร์ มหาวิทยาลัยบูรพา
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Burapha Science Journal is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information
