• ภาษาไทย
  • English

ระบบเก็บข้อมูลสภาพอากาศและรูปภาพรายวันจากแปลงเกษตรกรรม

ระบบเก็บข้อมูลสภาพอากาศและรูปภาพรายวันจากแปลงเกษตรกรรม

Field Server: ระบบเก็บข้อมูลสภาพอากาศและรูปภาพรายวันจากแปลงเกษตรกรรม 

ประเทศไทยถือเป็นประเทศเกษตรกรรมและแหล่งผลิตอาหารที่สำคัญแห่งหนึ่งของโลกการใช้เทคโนโลยีภูมิสารสนเทศและการรับรู้ระยะไกล เพื่อประโยชน์ในการติดตาม การประเมินผลผลิตหรือแม้กระทั่งการคาดการณ์ผลผลิตล่วงหน้า ถือเป็นสิ่งสำคัญที่ใช้ในการบริหารจัดการระบบเกษตรเพื่อให้เกิดการพัฒนาอย่างมั่นคงและยั่งยืน

ภาพถ่ายดาวเทียมถือเป็นข้อมูลที่มีประโยชน์อย่างยิ่ง เพื่อใช้ติดตามสถานะของแปลงเกษตรกรรมต่างๆในบริเวณกว้าง (ระดับจังหวัดหรือประเทศ) อย่างไรก็ตามกระบวนการอันหนึ่งที่มีความสำคัญ คือการตรวจสอบความถูกต้องของการแปลความหมายข้อมูลภาพถ่ายดาวเทียมซึ่งในปัจจุบันมีทั้งการเดินทางไปสำรวจเพื่อเก็บข้อมูลของกลุ่มตัวอย่าง หรือการใช้ข้อมูลที่ได้จากระบบสนับสนุนอื่นๆ เช่น ภาพถ่ายทางอากาศ ภาพถ่ายจาก UAV (Unmanned Aerial Vehicle) มาช่วยในการตรวจสอบและปรับแก้ความถูกต้องด้วยอีกขั้นหนึ่ง ลองจินตนาการดูนะครับว่าจะดีขนาดไหน ถ้าหากเรามีอุปกรณ์บันทึกข้อมูลที่แปลงเกษตรกรรมแบบอัตโนมัติ ทำหน้าที่แทนเจ้าหน้าที่สำรวจซึ่งอุปกรณ์ดังกล่าว สามารถทำงานอย่างต่อเนื่องได้เป็นระยะเวลานานๆ และรายงานข้อมูลสถานะต่างๆจากแปลงเพาะปลูกได้ใกล้เคียงกับเวลาจริงอีกด้วย

ในปี พ.ศ. 2555 GISTDA เริ่มดำเนินการโครงการติดตั้งอุปกรณ์เก็บข้อมูลจากแปลงเกษตรกรรม ซึ่งอุปกรณ์ดังกล่าว เรียกว่า Field Server** ณ ปัจจุบัน มีจำนวน 24 สถานี ติดตั้งกระจายอยู่ทั่วประเทศ (รูปที่ 1 ซ้าย) บนแปลงพืชเศรษฐกิจและพืชอื่นๆ หลากหลายชนิด เช่น ข้าว อ้อย มันสำปะหลัง หน่อไม้ฝรั่ง ฯลฯ ข้อมูลสามารถแบ่งได้เป็น 2 ส่วน คือ ข้อมูลรูปภาพรายวัน และ ข้อมูลสภาพอากาศที่ตรวจวัดได้ มีการเชื่อมโยงและส่งข้อมูลเหล่านี้มายังเครือข่ายส่วนกลางผ่านระบบสื่อสารโทรศัพท์เคลื่อนที่ (รูปที่ 1 ขวา)

Fig_01

รูปที่ 1 ตำแหน่งติดตั้ง Field Server จำนวน 24 สถานี (ซ้าย) และ ระบบเชื่อมโยงมายังเครือข่ายส่วนกลาง (ขวา) ซึ่งระหว่างปี พ.ศ. 2558-2560

จะมีการขยายสถานี Field Server ให้มีความครอบคลุมมากยิ่งขึ้น อีกจำนวน 72 สถานี รวมทั้งสิ้นเป็น 96 สถานี

Fig_02

รูปที่ 2 อุปกรณ์ Filed Server : ก) หน่วยควบคุม ข) กล้อง และ ค) ตัวตรวจวัดสภาพอากาศ

อุปกรณ์ Filed Server จะประกอบไปด้วยส่วนต่างๆ ดังรูปที่ 2 ได้แก่ ก) หน่วยควบคุม ทำหน้าที่ในการสั่งการให้กล้องและตัวตรวจวัดบันทึกข้อมูลและส่งข้อมูลมายังเครือข่ายส่วนกลาง ข) กล้อง ใช้บันทึกรูปภาพ โดยรูปภาพจะถูกบันทึก 2 ครั้ง/วัน เพื่อเป็นรูปภาพสำรอง กรณีภาพใดภาพหนึ่งไม่อยู่ในเงื่อนไขที่ใช้งานได้ เช่น บันทึกขณะมีฝนตก หมอก ไอน้ำ หรือมีสิ่งบดบังวิสัยทัศน์หน้ากล้อง ตัวอย่างรูปภาพที่บันทึกจากสถานี Field Server ทั้ง 24 สถานี แสดงในรูปที่ 3 และ ค) ตัวตรวจวัดข้อมูลสภาพอากาศ จะถูกสั่งการให้บันทึกข้อมูลทุกๆ 5 นาที ข้อมูลเหล่านี้ ได้แก่ ความชื้นของอากาศและดิน ความเข้มแสง ปริมาณน้ำฝน อุณหภูมิ ความเร็วและทิศทางลม โดยข้อมูลรูปภาพรายวันและเงื่อนไขของสภาพอากาศที่ได้ จะเป็นประโยชน์อย่างยิ่งในการสร้างระบบติดตามสถานะแปลงเกษตรกรรม ระบบคาดการณ์ผลผลิต การลดความเสียหายจากโรคระบาดในพืช ฯลฯ หรือ หากนำข้อมูลรูปภาพรายวันมาเปรียบเทียบกับข้อมูลจาพภาพถ่ายดาวเทียมบริเวณเดียวกัน จะสามารถนำมาใช้ในการตรวจสอบความถูกต้องของการแปลความหมายภาพดาวเทียม รวมทั้งสร้างกระบวนการสอบเทียบ (calibration) ที่มีประสิทธิภาพได้ นอกจากนี้ อุปกรณ์ Field Server จะถูกนำมาใช้สำหรับงานประยุกต์ด้านการเกษตรที่พูดถึงกันอย่างแพร่หลาย คือ ฟาร์มอัจฉริยะ (Smart farming) หรือ เกษตรแบบแม่นยำ (Precision agriculture) ในอนาคตอันใกล้นี้อย่างแน่นอน

Fig_03

รูปที่ 3 ตัวอย่างภาพที่บันทึกได้ด้วยอุปกรณ์ Field Server ทั้ง 24 สถานี

สำหรับในตอนต่อไป เราจะมาติดตามกันว่า ข้อมูลรูปภาพรายวันจาก Field Server สามารถถูกนำมาใช้เพื่อพัฒนาระบบติดตามสถานะแปลงข้าวอัตโนมัติได้อย่างไร ? ซึ่งเราจะได้ทราบถึง ระบบช่วยเหลือเกษตรกรในอนาคต เพื่อเฝ้าดูสถานะต่างๆ ของแปลงข้าว ตั้งแต่ ต้นกล้า ช่วงเจริญเติบโต ออกรวง ไปจนถึงแปลงข้าวนั้นพร้อมที่จะเก็บเกี่ยวผลผลิต … แล้วพบกันครับ …

**อุปกรณ์ Field Server พัฒนาโดย NECTEC ซึ่ง GISTDA รับผิดชอบในส่วนการติดตั้งและนำข้อมูลมาใช้ประมวลผลเพื่องานประยุกต์ด้านเกษตร

 

Field Server อุปกรณ์ที่ใช้ในการบันทึกข้อมูลโดยตรงจากแปลงเกษตรกรรม ซึ่งถูกติดตั้งบนแปลงเกษตรทั่วประเทศเนื่องจากข้าวนับเป็นพืชเศรษฐกิจและเป็นอาหารหลักของคนไทย แปลงข้าวจึงถูกให้ความสำคัญเป็นลำดับต้นๆ  จำนวนทั้งหมดของField Server 24 สถานี ณ ปัจจุบัน จะถูกติดตั้งไว้ที่แปลงข้าวมากถึง10 สถานีa สำหรับตอนที่ 2 นี้ เราจะมาดูกันว่า รูปภาพรายวันจะถูกใช้ในการติดตามและจำแนกสถานะของแปลงข้าวได้อย่างไรหากพิจารณารูปภาพที่บันทึกได้ในปี 2557 ณ แปลงข้าว จ.สุพรรณบุรี ตามรูปที่ 1 จะเห็นว่า สถานะของแปลงข้าว ถูกแบ่งอย่างคร่าวๆออกเป็น 4 สถานะb คือ ต้นกล้า เจริญเติบโต ออกรวง และเก็บเกี่ยว โดยสิ่งที่แตกต่างกันอย่างหนึ่ง ซึ่งสามารถเห็นได้จากรูปภาพในแต่ละสถานะ คือ ระดับการตอบสนองของพืชสีเขียว ดังนี้

1) ต้นกล้า – สีเขียวอ่อน           2) เจริญเติบโต – สีเขียวเข้ม

3) ออกรวง – สีเหลืองทอง         4) เก็บเกี่ยว – สีน้ำตาล (แทบจะไม่มีความเป็นสีเขียว)

Note

aตำแหน่งแปลงข้าวที่มีการติดตั้ง Field Server ทั้ง 10 สถานี แสดงโดย “เลขที่สถานี(จังหวัด)”ได้แก่01 (สุพรรณบุรี),04 (ร้อยเอ็ด),12(น่าน), 13 (เชียงราย), 15 (พัทลุง)19 (อ่างทอง),20 (อ่างทอง), 22 (อุบลราชธานี), 23 (ปทุมธานี),24(ระยอง)
bเป็นสถานะที่ถูกแบ่งอย่างคร่าวๆ (บนพื้นฐานของการแปลความหมายของคนทั่วไป) เพื่อสร้างโปรแกรมประมวลผลรูปภาพรายวันแบบอัตโนมัติสำหรับการจำแนกสถานะบนแปลงข้าว

02_fig_01

รูปที่ 1 รูปภาพที่บันทึกจากField Server ณ แปลงข้าว จ.สุพรรณบุรี ที่เวลาและสถานะที่ต่างกัน

หากกล่าวถึงเทคนิคที่ใช้ในการวิเคราะห์ภาพ การคำนวณระดับการตอบสนองของพืชสีเขียวในแต่ละรูปภาพโดยทั่วไปจะอ้างถึง “Vegetation Index(ดัชนีพืชพรรณ)” ซึ่งเป็นดัชนีหนึ่งที่ใช้บ่งบอกสถานะของแปลงข้าว ณ เวลาที่รูปภาพนั้นถูกบันทึกได้กรณีที่เรามีชุดของรูปภาพในกรอบระยะเวลาหนึ่ง การนำค่า VegetationIndex ที่คำนวณได้แต่ละภาพมาแสดงในแกนเวลาcเรียกว่า Vegetation Phenology (ชีพลักษณ์พืชพรรณ) ดังแสดงในรูปที่ 2ซึ่งวิธีการวิเคราะห์รูปภาพอนุกรมเวลานี้ (Image Time Series) จะทำให้การติดตามและจำแนกสถานะต่างๆ ของแปลงข้าวมีประสิทธิภาพและความถูกต้องสูงกว่าการใช้ Vegetation Index จากรูปภาพเพียงรูปเดียว

Notecปกติในแกนเวลาจะอ้างถึง ค่า Day of Year หากว่าเรากำลังพิจารณาปี 2557 ค่า DoY = 1 จะหมายถึง วันที่ 1 ม.ค. 57 และ ค่า DoY = 365 จะหมายถึง วันที่ 31 ธ.ค. 57

ในรูปที่ 2 นี้ คือ คุณลักษณะของชีพลักษณ์พืชพรรณที่คำนวณได้จากแปลงข้าวนาปรัง ซึ่งมี 2 รอบการเพาะปลูกต่อปีการทราบถึงจำนวนรอบการเพาะปลูกนี้ สามารถสังเกตได้จากการไต่ระดับเพิ่มขึ้นของค่า Vegetation Index จนถึงจุดสูงสุดและค่อยๆ ลดลงไปตามการเปลี่ยนแปลงของเวลา ทำให้เกิดรูปแบบ (Pattern)ของสัญญาณลูกคลื่นขึ้นมา 1 ลูก นั่นหมายถึง จำนวน 1 รอบการเพาะปลูกของแปลงข้าวที่กำลังพิจารณาจาก Vegetation Phenology ในรูปที่ 2 เราสามารถนับสัญญาณลูกคลื่น (หลัก) ได้ 2 ลูก ซึ่งก็คือ 2 รอบการเพาะปลูกนั่นเอง ส่วนรูปคลื่นเล็กๆ ที่เกิดขึ้น มีลักษณะเป็นยอดแหลมในช่วงเวลาสั้นๆ อาจเป็นผลมาจาก วัชพืช ที่ขึ้นมาระหว่างรอการเพาะปลูกรอบใหม่

02_fig_02

รูปที่ 2 ชีพลักษณ์พืชพรรณของแปลงข้าวจ. สุพรรณบุรีในกรอบเวลาปี 2557(นาปรัง 2 รอบการเพาะปลูกต่อปี)

เมื่อเราทราบว่ามีการเพาะปลูกเกิดขึ้นในช่วงเวลาใดแล้ว กราฟ Vegetation Phenology ในแต่ละรอบการเพาะปลูกจะสามารถใช้ในการติดตามและจำแนกสถานะของแปลงข้าวต่อไป โดยตัวอย่างวิธีการวิเคราะห์กราฟที่ใช้ เช่น การคำนวณพื้นที่ใต้กราฟ การวัดค่าระดับของ Vegetation Index ที่เหมาะสมเพื่ออ้างอิงถึงสถานะต่างๆ ของแปลงข้าว เป็นต้น

02_fig_03

รูปที่ 3 ชีพลักษณ์พืชพรรณของแปลงข้าว(จากรูปที่ 2) และ รูปภาพจาก Field Server ที่บันทึกได้ ณ เวลาต่างๆ

ในรูปที่ 3 แสดง Vegetation Phenology และรูปภาพที่บันทึกได้จาก Field Server ณ เวลาต่างๆ ตัวอย่างวิธีการอันหนึ่งที่ใช้จำแนกสถานะแปลงข้าว สามารถอธิบายได้ดังนี้ หากระดับค่า Vegetation Index สูงขึ้นมาจากค่าต่ำสุดเล็กน้อย ในช่วงกราฟขาขึ้นของรอบการเพาะปลูก หมายถึง เวลาดังกล่าวเป็นสถานะ “ต้นกล้า” ค่า Vegetation Index ที่เพิ่มขึ้นไปจนถึงระดับสูงค่าหนึ่ง จะถูกพิจารณาเป็นสถานะ “เจริญเติบโต” เมื่อค่า Vegetation Index ลดระดับลงมาจากค่าสูงสุด ช่วงหนึ่ง จะถูกพิจารณาเป็นสถานะ “ออกรวง” และ ระดับค่า Vegetation Index ที่สูงกว่าค่าต่ำสุดเล็กน้อยในช่วงกราฟขาลง ถูกกำหนดเป็นสถานะ “เก็บเกี่ยว” สมมติฐานเหล่านี้ เราสามารถนำไปใช้สร้างโปรแกรมวิเคราะห์กราฟ Vegetation Phenology แบบอัตโนมัติได้โดยรายละเอียดเชิงเทคนิคนั้น จะขออธิบายในตอนต่อๆ ไปครับ

ในตอนหน้า เราจะมาทำความรู้จักกับ Vegetation Index ซึ่งใช้ในการคำนวณระดับตอบสนองของพืชสีเขียวและ เราจะได้ทราบกันอีกด้วยว่า รูปภาพแปลงข้าวที่ได้จาก Field Server ในแต่ละวัน สามารถคำนวณเป็นค่า Vegetation Index ได้อย่างไร ?…แล้วพบกันครับ …

          ในตอนที่ผ่านมา เราได้พูดถึง การนำค่าดัชนีพืชพรรณ (Vegetation Index) ที่คำนวณได้จากรูปภาพรายวันของ Field Server มาแสดงในแกนเวลา เรียกว่า “Vegetation Phenology” หรือ “ชีพลักษณ์พืชพรรณ”ซึ่งจะมีประโยชน์อย่างยิ่งในการวิเคราะห์เพื่อติดตามและจำแนกสถานะของแปลงข้าว แสดงตัวอย่างในรูปที่ 1สำหรับในตอนนี้ เราจะมาดูกันว่า ค่าดัชนีพืชพรรณที่ใช้กับรูปภาพที่ได้จาก Field Server นั้น สามารถคำนวณได้อย่างไร? หากกล่าวถึง การคำนวณระดับการตอบสนองของพืช (สีเขียว) สำหรับภาพถ่ายดาวเทียม โดยทั่วๆ ไป ค่า NDVI (Normalized Difference Vegetation Index)ถือเป็น ดัชนีพืชพรรณที่รู้จักกันอย่างแพร่หลายซึ่งสามารถคำนวณได้จาก

NDVI = (NIR – R) / (NIR + R)

เมื่อ NIR (Near-infrared) ค่า digital number ในช่วงความยาวคลื่น Near-infrared

R (Red)  ค่า digital number ในช่วงความยาวคลื่นสีแดง

NDVI มีค่าสูง หมายถึง มีความเป็นพืช หรือ สีเขียว อย่างอุดมสมบูรณ์

03_fig_01_VI_sim

รูปที่ 1 แบบจำลองกราฟ Vegetation Phenology ที่คำนวณได้จากรูปภาพอนุกรมเวลา(time-series)เปรียบเทียบกับสถานะต่างๆ ของแปลงข้าว

ซึ่งผู้อ่านคงจะทราบว่า โดยปกติภาพถ่ายดาวเทียมจะประกอบไปด้วยข้อมูลความยาวคลื่นที่หลากหลาย (รวมทั้งช่วงความยาวคลื่น NIR และ สีแดง) จึงสามารถนำมาใช้คำนวณค่า NDVI ได้ แต่สำหรับรูปภาพที่ได้จาก Field Server นั้น จะถูกบันทึกในรูปแบบ “RGBหรือ แดง เขียว น้ำเงิน”(ไม่มีช่วงความยาวคลื่น NIR) ดังนั้น ดัชนีพืชพรรณที่นำมาใช้ จะอ้างถึง “ดัชนีแบบ ExG (Excessive Green)”ซึ่งสามารถใช้ในการบ่งบอกระดับความเป็นสีเขียวจากรูปภาพ RGB ได้เช่นกัน[1]โดยสามารถคำนวณได้จาก

ExG = 2g – r – b

เมื่อ      r         คือ ค่า normalized ของช่วงความยาวคลื่นสีแดง คำนวณได้จาก r = R / (R+G+B)

g        คือ ค่า normalized ของช่วงความยาวคลื่นสีเขียว คำนวณได้จาก g = G / (R+G+B)

b        คือ ค่า normalized ของช่วงความยาวคลื่นสีน้ำเงิน คำนวณได้จาก b = B / (R+G+B)

RGB     คือ ค่า Digital Number ในช่วงความยาวคลื่นสีแดง เขียว น้ำเงิน ตามลำดับ

ExGมีค่าสูง หมายถึง มีความเป็นพืช หรือ สีเขียว อย่างอุดมสมบูรณ์

ผู้อ่านคงจะสงสัยว่า เหตุใดจึงต้องมีการใช้ค่า normalized ของ สีแดง เขียว น้ำเงิน (normalized RGB) ทั้งนี้ เนื่องจากการถ่ายภาพจากแปลงเกษตร สภาพแวดล้อมหรือเงื่อนไขของแสงในแต่ละวัน จะมีการเปลี่ยนแปลงเสมอ เช่น ท้องฟ้าสดใส มีเมฆปกคลุม การใช้ค่า normalized นี้ เพื่อลดผลกระทบของการรบกวนของแสงที่เกิดขึ้น ทำให้การคำนวณค่าดัชนีพืชพรรณมีประสิทธิภาพมากขึ้น [2] หากจะกล่าวว่า การใช้ค่า normalized ดังกล่าว เหมือนกับการพิจารณาเพียงองค์ประกอบของเนื้อสีอย่างเดียว โดยละเลยการพิจารณาการเปลี่ยนแปลงทางแสงไปก็คงจะไม่ผิด ในรูปที่ 2แสดงค่าองค์ประกอบสีเขียวที่ถูกทำการ Normalized และค่าเหล่านี้จะแตกต่างกันเมื่อพิจารณาแบบค่า RGB ปกติ แต่จะเป็นค่าเดียวกันเมื่อพิจารณาแบบค่า Normalized RGB

03_fig_02

รูปที่ 2ตัวอย่าง (ค่าสีเขียว) ค่า Normalized RGB เพื่อลดผลกระทบของการเปลี่ยนแปลงทางแสง

Noteเทคนิคที่ใช้ในการลดผลกระทบจากการเปลี่ยนแปลงทางแสงนี้ เป็นเทคนิคพื้นฐานโดยทั่วไป สามารถใช้ค่า normalized RGB หรือ ใช้ปริภูมิสีที่มีการแบ่งแยกองค์ประกอบทางสีและแสงอย่างชัดเจนก็ได้ เช่น HSI (Hue, Saturation, Intensity) ในการพิจารณาก็จะแยกองค์ประกอบของ Intensity (ความเข้มแสง) ไป ไม่ได้ถูกนำมาพิจารณาร่วมด้วย เป็นต้น

03_fig_03_ExG_compare

รูปที่ 3เปรียบเทียบ Vegetation Phenology ที่ได้จาก ExGโดยใช้ ค่า RGB (ปกติ) และค่า Normalized RGB

เมื่อเราคำนวณค่าดัชนีแบบ ExGจากรูปภาพ Field Server ที่ถ่ายได้ปี 2557ณ แปลงข้าวนาปรัง จ. สุพรรณบุรี“โดย 1 รูปภาพ แทนด้วย 1 ค่าของดัชนีแบบ ExG” และนำมาเรียงลำดับในแกนเวลา จะได้เป็น Vegetation Phenology

ในรูปที่ 3เป็นการเปรียบเทียบระหว่าง Vegetation Phenologyที่คำนวณได้จากค่า RGB ปกติ (รูปที่ 3 บน) และ ค่า normalized RGB (รูปที่ 3 ล่าง)จะเห็นได้ว่ากราฟ Vegetation Phenology ที่ได้จากค่า normalized RGB (รูปที่ 3ล่าง) รูปคลื่นมีการสวิงขึ้น-ลง ที่น้อยกว่า‘Smooth กว่า’กราฟที่ได้จากค่า RGB ปกติ (รูปที่ 3บน)จึงกล่าวได้ว่า การใช้ค่าNormalized RGB มีประสิทธิภาพดีกว่าในการลดผลกระทบจากการเปลี่ยนแปลงของแสงที่เกิดขึ้นเมื่อเปรียบเทียบกับการใช้ค่า RGB ปกติ สำหรับกระบวนการหลังจากนี้ กราฟ Vegetation Phenology ที่ได้ จะถูกนำมา Smooth อีกครั้งด้วยตัวกรองความถี่ (Filter) ซึ่งจะได้กล่าวถึงเทคนิคที่ใช้ต่อไปในภายหลัง

Noteเราได้กล่าวถึง ดัชนีแบบ ExGซึ่งในความเป็นจริงแล้ว ยังมีดัชนีแบบอื่นๆ ที่สามารถใช้ในการคำนวณการตอบสนองของพืชสีเขียว สำหรับช่วงคลื่นที่มองเห็นได้ (Visible wavelength “RGB”) เช่น ExGR (Excessive Green-Red),NGRDI (Normalized Green-Red Difference Index) เป็นต้น [2]

ในตอนหน้า เราจะมาติดตามกระบวนการทำงานในแต่ละขั้นตอนว่า ในภาพถ่ายที่ได้จาก Field Server ภาพหนึ่ง ซึ่งประกอบไปด้วย ท้องฟ้า แนวเขา และ แปลงข้าว จะสามารถแยกส่วนเฉพาะ “แปลงข้าว” ซึ่งเป็นบริเวณที่เราสนใจ (Area of Interest) แบบอัตโนมัติได้อย่างไร ?… แล้วพบกันครับ …

เอกสารอ้างอิง

[1] Woebbecke, D. M., Meyer, G. E., Von Bargen, K., Mortensen, D. A. “Color indices for weed identification under various soil, residue, andlighting conditions”, Trans. ASABE 1995, Vol. 38, 259-269.
[2] N. Soontranon, P. Srestasathiern and P. Rakwatin, “Rice Growing Stage Monitoring in Small-scale Region Using ExG Vegetation Index”, in ECTI-CON 2014, NakhonRatchasima, Thailand.

 

 

บทความโดย : ดร.นรุตม์ สุนทรานนท์