jfile_no187_24286

Vol 40. No 3, May-June 2021 Environmental quality monitoring in a project on refuse derived fuel (RDF): 329

A case study of Kaeng Hang Maeo subdistrict administrative...

Table 7 The efficiency of the wastewater treatment system BOD (mg/L) COD (mg/L)
Wet Dry Wet Dry
Influent 144.7 205.9 501.3 720.4
Effluent 267.2 224.5 938.7 857.1
Efficiency (%) -- --
The standard of effluent control from municipal wastewate treatment < 20
system* < 120
The effluent standard from industry and industrial estate 25 125
The permission of secondary treatment plant in the urban wastewater
treatment (U.S. EPA) 50 100
Effluent standards from Environmental Quality Act 1974
(Malaysia Environmental Quality Regulations)
* The announcement of the National Environment Board B.E. 2553

Table 8 The result of regression analysis between BOD and COD from wastewater treatment system

Season Equation of regression R p-value

Wet YBOD = 59.292-0.186XCOD 0.978 0.000

Dry YBOD = 29.155-0.246XCOD 0.912 0.000

All (Wet + Dry) YBOD = 41.317-0.222XCOD 0.950 0.000

อภิปรายผลการวิจยั ลำ�ดับ ในขณะท่ีการดำ�เนินโครงการธนาคารขยะรีไซเคิล ผล
การส�ำ รวจองคป์ ระกอบของมลู ฝอยจากครวั เรอื นทเี่ ปน็ สมาชกิ
การจัดการมูลฝอยขององค์การบริหารส่วน พบขยะรีไซเคิลสูงทส่ี ดุ เทา่ กบั 43.7 รองลงมาคือ ขยะอินทรีย์
ต�ำ บลแก่งหางแมว ขยะท่วั ไป และขยะอันตราย ร้อยละ 28.2, 27.9 และ 0.2 ตาม
การกำ�จัดมูลฝอยด้วยการก่อสร้างโครงการจัดการ ล�ำ ดับ (ปิยะรกั ษ์ ประดบั เพชรรตั น์และคณะ, 2553) แนวคิด
ขยะเพ่ือผลิตเป็นเช้ือเพลิง และการนำ�ขยะอินทรีย์กลับมา จากโครงการธนาคารขยะรีไซเคิลถือเป็นการส่งเสริมให้มีการ
ใช้ประโยชน์ใหม่ภายในชุมชนนั้น เป็นการจัดการมูลฝอย คัดแยกขยะรีไซเคิลออกจากขยะประเภทอื่นอย่างเป็นระบบ
ท่ีปลายทาง ดังนั้น องค์การบริหารส่วนตำ�บลแก่งหางแมว เปน็ การจัดการมูลฝอยทีแ่ หล่งก�ำ เนิด (Source reduction)
ควรกำ�หนดมาตรการกำ�จัดมูลฝอยที่แหล่งกำ�เนิดควบคู่กับ คุณภาพนำ้�เสียและประสิทธิภาพการบำ�บัดน้ำ�
การจัดการท่ีปลายทาง โดยเฉพาะการสร้างวินัยและปลูกจิต ชะขยะจากโครงการจัดการขยะเพ่ือผลิตเป็นเชื้อเพลิง
สำ�นกึ ของภาคประชาสงั คมดว้ ยการขบั เคลอื่ นมาตรการ 3Rs และปุย๋ อนิ ทรีย์
คอื Reduce Reuse และ Recycle ซ่งึ เปน็ แนวคดิ เพอ่ื ควบคุม การบัดน้ำ�เสียจากนำ้�ชะขยะต้องถูกดำ�เนินการด้วย
ปรมิ าณมลู ฝอยจากแหลง่ ก�ำ เนดิ ทม่ี ปี ระสทิ ธภิ าพและสามารถ ระบบบำ�บัดนำ้�เสียท่ีมีประสิทธิภาพเน่ืองจากนำ้�เสียส่วนใหญ่
ปรับให้เหมาะสมกับพฤติกรรมของผู้บริโภคในทุกพื้นที่ มีค่าความสกปรกสูง เช่น น้ำ�ชะขยะจากเทศบางนครภูเก็ต
(สันชยั พรมสิทธ,์ิ 2562) นอกจากนี้ กระบวนการมีส่วนรว่ ม มีคา่ บโี อดีและซีโอดีอยใู่ นช่วงระหวา่ ง 150-200 และ 1,250-
จากทุกภาคส่วนโดยเฉพาะความร่วมมือจากภาคประชาชนมี 1,320 mg/L ตามลำ�ดับ (นฤมล ประดิษฐ์เสรี, 2556) โดย
ส่วนสำ�คัญสูงสุดต่อการลดปริมาณขยะจากแหล่งกำ�เนิดต้อง เฉพาะการศกึ ษาคณุ ภาพน�้ำ เสยี จากหลมุ ฝงั กลบขยะอนั ตราย
ถูกขับเคลื่อนด้วยกลไกจากภาครัฐและการสร้างกิจกรรมหรือ จากเขตนคิ มอตุ สาหกรรมมาบตาพดุ พบคา่ บโี อดแี ละซโี อดสี งู
โครงการจดั การขยะจากแหล่งก�ำ เนดิ ร่วมกบั ชมุ ชนท้องถน่ิ มากอยใู่ นช่วงระหว่าง 18,000-18,720 และ 54,000-56,160
ผลการส�ำ รวจองคป์ ระกอบของมลู ฝอยพบวา่ มลู ฝอย mg/L ตามลำ�ดบั (ปวาฬ สีชมภู, 2554) สอดคลอ้ งกบั ผลการ
สว่ นใหญ่เป็นขยะท่วั ไปรอ้ ยละ 61 รองลงมาคือ ขยะอินทรยี ์ ศึกษาครังน้ีที่พบค่าบีโอดีและซีโอดีเกินเกณฑ์มาตรฐานของ
ขยะรีไซเคิล และขยะอันตราย ร้อยละ 24, 14 และ 1 ตาม

330 Jakkapan Potipat, Pattara Srisrual, Suttinun Sotwitee J Sci Technol MSU

ประเทศไทยและมาตรฐานของต่างประเทศ การบำ�บัดน้ำ� การลดปริมาณขยะ ตัวอย่างของกิจกรรม เช่น กองทุนขยะ
เสียจากนำ้�ชะขยะมีความยุ่งยาก เน่ืองจากอิทธิพลของความ เพ่ือเปล่ียนขยะเป็นทุนและนำ�ทุนไปบริหารจัดการให้เกิดผล
สกปรกที่อยู่ในน้ำ�ชะขยะโดยเฉพาะปริมาณสารอินทรีย์ที่มี ประโยชน์กบั ชมุ ชน เป็นตน้
ความเข้มข้นสูงและท่ีสำ�คัญคือโครงสร้างของสารอินทรีย์ 3. การบำ�บัดน้ำ�ชะยะขยะด้วยระบบบำ�บัด นำ้�เสีย
เหล่านี้มีความซับซ้อนและย่อยสลายยากโดยเฉพาะกรด แบบบ่อผ่ึงเป็นวิธีการท่ีมีต้นทุนการดำ�เนินงานต่ำ�แต่ควร
อนิ ทรยี ์ ได้แก่ กรดฮวิ มิก และกรดฟลูวิก นอกจากน้ี คณุ ภาพ ก�ำ หนดโครงสรา้ งของบอ่ ใหม้ คี วามสอดคลอ้ งกบั ความสกปรก
ของน�ำ้ เสยี ทมี่ คี า่ การน�ำ ไฟฟา้ และปรมิ าณของแขง็ ทลี่ ะลายน�้ำ ของน�้ำ เสยี ตลอดจนการก�ำ หนดมาตรการควบคมุ และเฝา้ ระวงั
สูงจะส่งผลกระทบต่อการทำ�งานของจุลินทรีย์ตามธรรมชาติ เรื่องกลน่ิ รบกวนต่อชมุ ชน
ท่อี ยู่ในระบบบ�ำ บดั น�ำ้ เสียแบบบ่อผงึ่ ประสิทธิภาพของระบบ
บำ�บัดนำ้�เสียจึงลดตำ่�ลง (อรทัย เช้ือวงษ์ และคณะ, 2561) กิตติกรรมประกาศ
แนวทางการลดผลกระทบจากส่ิงสกปรกในน้ำ�เสียท่ีรบกวน
กลไกการย่อยสลายของจุลินทรีย์โดยเฉพาะกระบวนการ โครงการวจิ ยั นไ้ี ดร้ บั ทนุ อดุ หนนุ การวจิ ยั จากกองทนุ
วเิ คราะห์บีโอดที ีต่ ้องอาศยั การทำ�งานของ Aerobic bacteria วิจัย มหาวิทยาลัยราชภัฏรำ�ไพพรรณี ประจำ�ปีงบประมาณ
เป็นหลักและสารอินทรีย์หลายชนิดไม่สามารถย่อยสลายได้ พ.ศ. 2563 ตลอดจนการได้รับการสนับสนุนเครื่องมือและ
ดงั นน้ั การประยกุ ตใ์ ชว้ ธิ วี เิ คราะหก์ ารถดถอยเพอื่ พยากรณห์ า สารเคมีเพ่ือวิเคราะห์ตัวอย่างนำ้�จากคณะวิทยาศาสตร์และ
คา่ บโี อดเี พอ่ื ชว่ ยลดระยะเวลาการวเิ คราะหค์ ณุ ภาพน�้ำ เสยี และ เทคโนโลยี มหาวิทยาลัยราชภัฏรำ�ไพพรรณี คณะผู้วิจัย
สามารถดำ�เนินการติดตามตรวจสอบคุณภาพนำ้�เสียได้อย่าง ขอขอบคณุ มา ณ โอกาสนี้
ต่อเน่อื งทุกวนั (จกั รพันธ์ โพธพิ ฒั น์, 2560) คณะผู้วิจัยขอขอบคุณองค์การบริหารส่วนตำ�บล
แกง่ หางแมว จงั หวดั จนั ทบรุ ี ทช่ี ว่ ยอำ�นวยความสะดวกในชว่ ง
สรปุ ผลการวจิ ัย เวลาของการลงพ้นื ท่เี กบ็ ตวั อยา่ งสิง่ แวดล้อม

องค์การบริหารส่วนตำ�บลแก่งหางแมว อำ�เภอแก่งหางแมว เอกสารอ้างอิง
จงั หวัดจันทบุรี มีระบบการจดั การสง่ิ แวดล้อมดว้ ยการด�ำ เนิน
โครงการจัดขยะเพอื่ ผลติ เปน็ เชื้อเพลิงและป๋ยุ อินทรีย์ ถอื เป็น กรมควบคุมมลพษิ . (2557). หลักเกณฑ์และเอกสารวิชาการ
แนวทางการจัดการมูลฝอยตั้งแต่แหล่งกำ�เนิดจนถึงแหล่ง ที่เกี่ยวข้องกับการจัดการมูลฝอยและของเสียอันตราย.
กำ�จัดเป็นการให้บริการด้านการจัดการมูลฝอยแบบเบ็ดเสร็จ ส�ำ นกั จดั การกากของเสียและสารอันตราย.
ภายในท้องถน่ิ (One local stop service) สามารถลดปญั หา
และข้อขัดแย้งท่ีต้องนำ�มูลฝอยไปกำ�จัดภายนอกพ้ืนที่ ใน กรมควบคุมมลพิษ. (2562). สรุปสถานการณ์มลพิษของ
ขณะที่การบำ�บัดนำ้�เสียท่ีอยู่ในโครงการจัดการขยะเพ่ือผลิต ประเทศไทย ปี 2561.ห้างหุ้นส่วนจำ�กัด ส.มงคลการ
เป็นเช้ือเพลิงและการนำ�ขยะอินทรีย์ถูกดำ�เนินการด้วยระบบ พมิ พ.์
บ่อผึ่งซ่ึงเปน็ ระบบทม่ี ตี ้นทนุ การดำ�เนินงานต่ำ� แต่มีข้อจำ�กดั
ด้านประสิทธิภาพของการเดินระบบเน่ืองจากความสามารถ จกั รพนั ธ์ โพธพิ ฒั น.์ (2560). เคมสี ง่ิ แวดลอ้ ม. คณะวทิ ยาศาสตร์
ในการลดปริมาณสารอินทรีย์มีประสิทธิภาพค่อนข้างต่ำ�กว่า และเทคโนโลยี มหาวิทยาลัยราชภัฏรำ�ไพพรรณ.ี
ระบบบำ�บัดนำ้�เสียประเภทอ่ืนโดยเฉพาะผลการศึกษาครั้งนี้
พบค่าบีโอดแี ละซโี อดเี กนิ เกณฑ์มาตรฐานน้ำ�ทิง้ ตาลิศา เนียมมณ.ี (2554). กระบวนการมสี ่วนร่วมในการแก้
ปัญหาขยะโดยการผลิตอินทรีย์สารเพื่อการเกษตรของ
ข้อเสนอแนะ ชมุ ชนบางนางล่ี จงั หวดั สมทุ รสงคราม. คณะวทิ ยาศาสตร์
และเทคโนโลยี มหาวิทยาลัยราชภัฏสวนสนุ นั ทา.
1. ควรมีการวางแผนบรหิ ารจดั การมลู ฝอยเพ่ือปรบั
เปลี่ยนพฤติกรรมการคัดแยกขยะจากชุมชน เช่น การจัด นฤมล ประดิษฐ์เสร.ี (2556). การบำ�บัดน้ำ�ชะขยะจากหลมุ ฝงั
โครงการธนาคารขยะ การจดั ตง้ั ศนู ยร์ วบรวมขยะอนั ตรายและ กลบด้วยวิธีเฟนตัน [วิทยานิพนธ์ปริญญาวิทยาศาสตร
ซากอเิ ล็กทรอนิกส์เพือ่ นำ�ไปกำ�จัดอยา่ งถูกวิธี เป็นต้น มหาบณั ฑติ ] . มหาวิทยาลัยสงขลานครินทร์.
2. ควรขับเคล่ือนกิจกรรมที่ส่งเสริมกระบวนการมี
ส่วนร่วมเพ่ือกำ�จัดขยะที่ต้นทาง เช่น การใช้แนวคิด “บวร” ปวาฬ สีชมภู. (2554). การกำ�จัดซีโอดีและสีของน้ำ�ชะขยะ
บ หมายถึง บ้านหรือชุมชน ว หมายถึง วัดหรือความเช่อื และ จากหลมุ ฝงั กลบกากของเสยี อนั ตรายโดยวธิ กี ารทางเคมี
ร หมายถึง สว่ นราชการ เพ่อื สร้างความรว่ มมือผา่ นกจิ กรรม และกายภาพ [วทิ ยานพิ นธป์ รญิ ญาวศิ วกรรมศาสตรมหา
บัณฑิต]. จุฬาลงกรณม์ หาวิทยาลัย.

ปยิ ะรักษ์ ประดับเพชรรัตน์, สุชาติ นวกวงษ,์ สยาม อรณุ ศรี
มรกต และไกรชาติ ตนั ตระการอาภา. ศกั ยภาพในการลด
ปรมิ าณขยะชมุ ชนจากโครงการขยะรไี ซเคลิ . วารสารการ
จัดการส่งิ แวดล้อม, 6(2), 54-66.

Vol 40. No 3, May-June 2021 Environmental quality monitoring in a project on refuse derived fuel (RDF): 331

A case study of Kaeng Hang Maeo subdistrict administrative...

ไพโรจน์ ไพบลู ยโ์ รจนร์ งุ่ . (2560). การจดั ทำ�แผนบรหิ ารจดั การ Colmenarejo, M.F., Rubio, A., Sánchez, E., Vicente,
ขยะมลู ฝอยของจงั หวดั จันทบุรี (ระยะ 5 ปี พ.ศ. 2558- J., García, M.G., & Borja, R. (2006). Evaluation of
2562). สำ�นักงานทรัพยากรธรรมชาติและส่ิงแวดล้อม municipal wastewater treatment plants with different
จังหวดั จันทบรุ .ี technologies at Las Rozas, Madrid (Spain). Journal
of Environmental Management, 81, 399-404.
วสนั ต์ ปเิ ตนะ และดวงกมล ดงั โพนทอง. (2559). การผลติ เชอื้
เพลิง RDF-5 จากขยะชมุ ชน: กรณศี กึ ษา มหาวิทยาลัย Daungsavat, M., & Somsiri, J. (n.d.). Water properties
ราชภัฏมหาสารคาม. วารสารวิชาการ คณะเทคโนโลยี and analysis for fisheries research. Department of
อตุ สาหกรรม มหาวิทยาลัยราชภัฏลำ�ปาง, 9(1), 72-86. Fisheries, Ministry of Agriculture and Cooperatives.

สนั ชัย พรมสทิ ธ.์ิ (2562). การจัดการขยะขององคก์ รปกครอง Sudarsan, J.S., Roy, R.L., Baskar, G., Deeptha, V.T., &
สว่ นทอ้ งถนิ่ ขนาดใหญ่ กลาง เลก็ ในภาคตะวนั ออกเฉยี ง Sithiyanantham, S. (2015). Domestic wastewater
เหนือ. วารสารวชิ าการและวจิ ัย มหาวทิ ยาลยั ภาคตะวัน treatment performance using constructed wetland.
ออกเฉยี งเหนอื , 9(1), 67-81. Sustainable Water Resources Management, 1(2),
89-96.
อรทยั เช้อื วงษ,์ ไพบลู ย์ ประพฤติธรรม และอรอนงค์ ผิวนิล.
(2561). บทบาทของอนุภาคดินเหนียวที่มีผลต่อการ Sukumaran, D., Saha, R., & Saxena, R.C. (2015).
ย่อยสลายและการกักเก็บสารอินทรีย์คาร์บอนจากนำ้� Performance evaluation of prevailing biological
ชะขยะในระบบดนิ ประยกุ ต์บ�ำ บัดน้�ำ เสยี .วารสารเกษตร wastewater treatment systems in West Bengal,
พระจอมเกลา้ , 36(1), 50-59. India. Applied Ecology and Environmental Science,
3(1), 1-4.
เอ้ือมพร หลินเจริญ. (2555). เทคนิคการวิเคราะห์ข้อมูล
เชิงคุณภาพ. วารสารวัดผลการศึกษามหาวิทยาลัย Tungkananuruk, N., & Tungkananuruk, K. (2007).
มหาสารคาม, 17(1), 17-29. Principle of chemical water quality analysis. Publisher
of Kasetsart University.
Butler, E., Hung, Y.T., Al Ahmad, S., Yeh, R.Y.L., Liu,
R.L.H., & Fu, Y.P. (2017). Oxidation pond for municipal Wakode, P.N., & Sayyad, S.U. (2014). Performance
wastewater treatment. Applied Water Science, 7(1), evaluation of 25MLD sewage treatment plant
31-51. (STP) at Kalyan. American Journal of Engineering
Research, 3(3), 310-316.

การเปรยี บเทยี บการจ�ำ แนกภาพถา่ ยดาวเทยี มแบบก�ำ กบั ควบคมุ โดยการเลอื กกลมุ่ ตวั อยา่ ง
จากวตั ถภุ าพและจากจดุ ตัวอย่างแบบจุดเวกเตอร:์ กระบวนการจำ�แนกแบบเชงิ วัตถุ
Comparison of the satellite image supervised classification by the selection of
samples from segmented image objects and vector point samples: Object-oriented
classification approach

โสภณวชิ ญ์ คำ�พลิ ัง1*
Sopholwit Khamphilung1*

Received: 24 December 2020 ; Revised: 9 April 2021 ; Accepted: 7 May 2021

บทคัดย่อ
การศกึ ษานมี้ วี ตั ถปุ ระสงคเ์ พอ่ื จ�ำ แนกภาพถา่ ยดาวเทยี มรายละเอยี ดสงู โดยใชก้ ระบวนการวเิ คราะหแ์ บบเชงิ วตั ถโุ ดยการเปรยี บ
เทยี บกระบวนการในการสมุ่ ตวั อยา่ งวัตถุภาพ 2 กระบวนการไดแ้ ก่ (1) การสรา้ งจุดตัวอย่างโดยตรงจากการแปลภาพถา่ ยด้วย
สายตาและ (2) การเลือกกลมุ่ ตัวอยา่ งจากวัตถภุ าพท่ตี ดั วัตถภุ าพแลว้ โดยจำ�แนกแบบ Nearest Neighbor Classifier (NN) จดุ
ตัวอยา่ งจากกระบวนการท่ี (1) ประกอบดว้ ย 46 จุดสมุ่ และวตั ถุภาพทเ่ี ลือกจากใชใ้ นกระบวนการวิเคราะห์ที่ (2) ประกอบดว้ ย
36 วตั ถุภาพ กลุม่ ตวั อย่างท้งั หมดท่ีถกู เลือกใชเ้ ป็นตวั แทนของชั้นส่งิ ปกคลมุ ดินท้ังสนิ้ 5 ช้ันการจำ�แนกไดแ้ ก่ (1) หลงั คาเรอื น
(2) ไมย้ นื ตน้ (3) แหลง่ น�้ำ (4) นาขา้ วและ (5) พชื ไร่ ส�ำ หรบั การจ�ำ แนกแบบท่ี (2) ไดเ้ ลอื กกลมุ่ ตวั อยา่ งจากวตั ถภุ าพทถ่ี กู ตดั แลว้
โดยเลอื กใหต้ รงกบั จดุ ตวั อยา่ งในกระบวนการท่ี 1 นอกจากนย้ี งั ไดใ้ ชเ้ กณฑเ์ งอ่ื นไขเดยี วกนั กบั ทใ่ี ชใ้ นกระบวนการการวเิ คราะห์
ใโนดยกใรนะบกรวะนบกวานรแกรากรนผีพ้ ลบกวาา่รไศมกึ ้ยษนื าตพ้นบมวคี า่ า่ กคาวราจมำ�ถแกู นตก้อแงบสบงู ทสุดี่ (1U)sมeคี rsว’าaมcคcวuาraมcถyูก9ต4้อ%งโแดลยะรมวคีม่ารตอ้ ยำ่�สลดุะไ8ด5แ้ .7ก1่แหKลhaง่t นม�้ำีคคา่ ิดเทเป่าก็นับรอ้ 0ย.8ล2ะ
พ74บวสา่�ำ ไหมรย้ บั ืนกตาน้รจมำ�ีคแ่านคกวแามบถบูกทตี่ (อ้ 2ง)สมงู สคี ดุวาUมsคeวrาsม’ aถcกู cตu้อraงcโดyย8ร7ว%มรแอ้ ลยะลมะคี ่า7ต9.่ำ�1ส9ดุ ไแดล้แะกKน่ hาatขม้าวคี า่ คเดิทเา่ ปก็นับร้อ0ย.7ล3ะ โดยในกระบวนการน้ี
65 ตามล�ำ ดับ

คำ�สำ�คัญ: การจำ�แนกแบบกำ�กับควบคมุ กลุม่ ตัวอย่าง การวเิ คราะห์ภาพเชงิ วตั ถุ การรับรู้จากระยะไกล

Abstract
This study aims at classifying high resolution satellite images by using object-based image analysis by comparing 2
sampling methods, namely (1) point sample-based directly derived from visual interpretation and (2) segmented image
objects sampling utilizing Nearest Neighbor classifier (NN). There were 46 vector point samples used for analytical
scenario 1, and 36 sample image objects were used for process 2. These selected samples represented of 5 land
cover classes, i.e. (1) Roofs, (2) Trees, (3) Waterbodies, (4) Paddy field, and (5) Crops, respectively. For the second
scenario, the sample image objects were directly selected from segmented image objects by visual interpretation at
the same location from the sample points selected from the first scenario. Moreover, the threshold conditions were
the same data set applied to the first scenario. The results indicated that the overall accuracy from the scenario 1
showed 85.71 with awaKsapWpaatesrtbaotisdtiiecs,(Kwhhat)ichofs0h.o8w2.edTh7e4%higohfeussteUrss’earsc’cuarcaccuyr.aFcyorwthaes the Trees class (94%), and
the lowest accuracy PwaitdhdKyhfaite0ld.7(36,5r%es)p. ectively. The second scenario, the overall
accuracy found was 79.19% highest users’ accuracy was Trees (87%), and the lowest
of producers’ accuracy was

Keywords: Nearest neighbor, sample-based, object-based image analysis, remote sensing

1 อาจารย,์ ภาควชิ าภูมสิ ารสนเทศ คณะวิทยาการสารสนเทศ มหาวิทยาลยั มหาสารคาม อ�ำ เภอกนั ทรวิชัย มหาสารคาม 44150
1 Lecturer, Department of Geoinformatics, Faculty of Informatics, Mahasarakham University 44150 Thailand.
* Corresponding author ; Sopholwit Khamphilung, Faculty of Informatics, Mahasarakham University, Maha Sarakham 44150, Thailand.
[email protected]

Vol 40. No 3, May-June 2021 Comparison of the satellite image supervised classification by the selection 333

of samples from segmented image objects and vector point samples:...

บทนำ� แหง่ หนง่ึ ตัง้ อยูใ่ นอำ�เภอ นาดนู จังหวัดมหาสารคามเปน็ พื้นท่ี
ทดสอบกระบวนการจ�ำ แนกภาพโดยใชค้ ณุ สมบตั เิ ชงิ ชว่ งคลนื่
การจำ�แนกภาพถ่ายดาวเทียมด้วยกระบวนการจำ�แนกแบบ และเชิงจุดภาพควบคุมชุดเดียวกันเทียบกับความแปรปรวน
เชงิ วัตถุ (Object-based image analysis) เป็นกระบวนการ ของกลุ่มตัวอย่าง ดังท่ีได้กล่าวมาแล้วข้างต้น เน่ืองจากเป็น
จำ�แนกข้อมูลภาพถ่ายดาวเทียมอีกรูปแบบหน่ึงท่ีได้รับความ ชุมชนที่ต้ังอยู่ในเขตเมืองโบราณ นครจำ�ปาศรีและมีการใช้
นิยมเพ่ิมมากข้ึน (Rozali et al., 2020) เน่ืองจากเป็นกระ ประโยชน์ท่ีดินรอบๆ ชุมชนที่มีการบันทึกไว้ด้วยภาพถ่าย
บวนการวเิ คราะหภ์ าพถา่ ยทพี่ จิ ารณาทง้ั องคป์ ระกอบของราย ดาวเทียมรายละเอียดสูง
ละเอียดต่างๆ ทง้ั คณุ สมบัติช่วงคลนื่ (Spectral information)
(Huang et al., 2020) และคณุ สมบัติเชงิ รปู ร่าง (Shape) ของ วัตถุประสงค์
วัตถุหรอื คณุ ลักษณะทางเรขาคณิต (Geometry information)
(Hegyi et al., 2020) มาใช้ในกระบวนการจำ�แนกเพ่ือเพ่ิม การศกึ ษานม้ี วี ตั ถปุ ระสงคเ์ พอื่ เปรยี บเทยี บความถกู
ความถูกต้องของผลการจำ�แนกข้อมูลภาพถ่ายดาวเทียม ต้องของการจำ�แนกข้อมูลภาพถ่ายดาวเทียมรายละเอียดสูง
โดยเฉพาะอย่างยิ่งดาวเทียมท่ีมีรายละเอียดของจุดภาพสูง โดยใชก้ ระบวนการการจ�ำ แนกแบบก�ำ กบั ควบคมุ (Supervised
(High resolution imagery) (Song et al., 2020) อย่างไร classification: Nearest Neighbor) โดยกระบวนการจำ�แนก
ก็ตามการจำ�แนกขอ้ มลู ภาพถา่ ยดาวเทียมแบบก�ำ กับควบคุม แบบเชิงวัตถุ (Object-based image analysis) ดว้ ยการเลอื ก
(Supervised classification) เปน็ กระบวนการจ�ำ แนกข้อมูลท่ี กลุ่มตัวอย่างจากวัตถุภาพท่ีถูกสร้างข้ึนแล้วเปรียบเทียบกับ
นิยมอย่างแพร่หลายนับต้ังแต่ท่ีเทคโนโลยีอวกาศได้ถูกนำ�มา การเลือกกลุ่มตัวอย่างแบบจุดเวกเตอร์ท่ีได้จากการแปลภาพ
ใชใ้ นเชิงพลเรอื นและพาณชิ ย์ กระบวนการจำ�แนกแบบก�ำ กบั ดว้ ยสายตา
ควบคุมนี้อย่างท่ีทราบกันดีที่ผู้จำ�แนกต้องมีการกำ�หนดกลุ่ม
ตวั อยา่ ง (Samples/ training area) (Papakonstantinou et al., วสั ดุ อปุ กรณ์และวธิ ีการศกึ ษา
2020) เพ่ือใช้เป็นค่าตัวแทนทางสถิติให้กับประชากรจุดภาพ
ท้ังหมดท่ีปรากฏในภาพถ่ายท่ีผู้จำ�แนกต้องการจำ�แนกซ่ึง การศกึ ษานี้ไดใ้ ช้ภาพถา่ ยจากดาวเทียม QuickBird
สอดคลอ้ งกบั สงิ่ ปกคลมุ ดนิ หรอื การใช้ประโยชนท์ ดี่ นิ ณ เวลา ทข่ี ยายความแยกชัดเชงิ พ้ืนที่ (Pansharpened image) แลว้
ท่ีใช้ข้อมูล การเลือกกลุ่มตัวอย่างมีอิทธิพลอย่างยิ่งต่อความ จ�ำ นวน 4 ชว่ งคลน่ื (Blue, Green, Red, NIR และ Panchromatic
ถูกต้องหลังการจำ�แนกซึ่งต้องอาศัยประสบการณ์และองค์ รายละเอยี ด 0.6 ซ.ม.) รายละเอยี ดของจดุ ภาพ 0.6 เซนตเิ มตร
ความรู้ในการตีความภาพถ่ายดาวเทียมจากคุณสมบัติต่างๆ โดยภาพถา่ ยดาวเทยี มนท้ี �ำ การบนั ทกึ เมอื่ ปี พ.ศ. 2548 WGS
เชน่ สี รปู ร่าง รปู ทรง เป็นต้น หากการเลอื กกล่มุ ตัวอย่างไม่ 84 zone 48 ขนาดของภาพ 805x745 จุดภาพ (Figure 1)
ถูกพตอ้เอพงียหงรหือรคือวไมา่ตมรคงลกาับดชเั้นคกลา่ือรนจำ�ทแ่แี นตกกทตี่แ่าทง้จกริงันยไ่อปมตสา่งมผลต่อ
กรภะาบพวรนวมกขารอแงกลาะรจาำ�ยแลนะกเอขยี้อดมใูลนอกยา่ารงเลไรอื กก็ตกาลมุ่มกตารวั กอายร่าจงำ�แนก FcuiFglitguuurraerel 1s1esTTtethhlteetelmesmseeelenenlcte,tt,ceMMtdeaavdhhillaaavgiSlSleaaargloareackahkltahoemacdmaiPnterPoNdvraioninDvcieunNncaecuDltuurnal
ดัขงอ้นมั้นลู แผบู้วบิจเชัยงิ จวตัึงถไมุ ดนี ้ทน้ั นานั้กไาดรน้ ศ�ำ คึกณุ ษสามบเ ปตั ใิรนียกบารเจท�ำ แียนบกแบบ ก ร ะ บ ว น ก า ร ท่ี 1 (Scenario 1: S1) ก า ร
กกรนารneวผกรายะเtิeำ�ู้ะแดคบลiกaบgปูรนวะับlhา.ลวนเ,bะคอภนหจoก2วียาr0ัแ์าบงกพด2รบ(คหา0NจสตบุมรวาNูง้อเม;จแชัดงาWณนงิาCมใมจชแกluีกaดุห้เหภนsาภช&าsมารก่นาiพสกfู่พบZiเโeดำ�โาhไ้าดrีดยหดsaรนย)วnยแ้นคแกgใกใ(ดหาD,ชชันเ่ คห่มค้eง้2กภรรl0หุณับfเอ่ืาืaอ2ปทนงnสพ0เม็ี่่มึลงน)มถอืeืตีกอบซพจt่าากัง้ ตึ่งั�ำ้ืรaนอยกเแเิใปlยช.ชดลนท,น็ูุ่่ใ้งใิมกา่ีทน2กนชแตว0กร่วดอบัว2เะรงาบทสบอ0ะคเบยวีอยNภล;น่วาe่นมบือLกนงauากrebซราsiท่ึsรงt่ี
แลกะรเะชบิงวจนุดกภาราเพลือคกวกบลคุ่มุมตชัวอุดยเด่างียสวากมันารเถททียำ�บไกด้ับ2ควิธาีหมลักๆ วิเคราะห์ภาพถ่ายจากดาวเทียมได้ใช้เทคนิคการ
แปไดร้แปกร่ ว(1น) ขกอารงสกรล้าุ่งมกตลัวุ่มอตัวยอ่ายง่างดจังาทก่ีภไดาย้กนลอ่ากวในมราูปแแลบ้วบเวก วเิ คราะห์ภาพแบบเชงิ วตั ถุ โดยใชเ้ ทคนิคการจาแนก
ขา้เตงตอรน้ ์หเรนือ่ือรงาจสาเตกอเปร็์แนลชะมุ ช(2น)ทกต่ี างั้ รอเยล่ืใูอนกเกขลตุ่มเมตัอวื องโยบ่ารงาโดณยตรง
นทคม่ีกจซาร�ำกึ่งี กหจกาวานรรัตปะบดบถานัโดภุวศทนยารกึ พจแกี ไะลาทวมระถี่ด้ ใีผมูกนว้ ลกีตยกตาัดภา่อรรแาขใจลพชนำ�ว้ ป้าถแจดรน่าาะยกกรโดคปูภยา่าราชว่าพSนงเถทแc์ท่aาลยี ด่ี ยlะมeนิปดรรp้วราอaิมยยrบาลaณ2mะๆเขeกออtชรยีeงะุมrดวบชสัตทวนงูถผ่ีนุภู้แกปาาพลร
น้ีอาจมีความถูกต้องหรือความคลาดเคลื่อนท่ีแตกต่างกันไป

วตั าถมปุ กระะบสวงนคก์ารและรายละเอียดในการเลือกกลุ่มตัวอย่าง

กถูากดจำ�รังตแศน้อนึ้ักนงกษผขโู้ดวาอิจยนงัยใ้ีมกชจี้ภวาึงรัตาไพจดถ้าทถุปแ่าำ�รยกนะดากสารขงวศเค้อึกท์เมษียพูลมา่ือเรภปเาาปยรพีลยระียบถเบ่เอาทียยเียทดดบสียาูงกบวรณเคะทวบียหาวมมมนู่บก้าานร
รายละเอียดสูงโดยใช้กระบวนการการจาแนกแบบ
กำกับควบคุม (Supervised classification: Nearest

334 Sopholwit Khamphilung J Sci Technol MSU

กระบวนการท่ี 1 (Scenario 1: S1) การวิเคราะห์ point samples) (Wang et al., 2020) โดยในกระบวนการน้ี
ภาพถา่ ยจากดาวเทยี มไดใ้ ชเ้ ทคนคิ การวเิ คราะหภ์ าพแบบเชงิ ผู้วิจัยได้ใช้ซอฟต์แวร์ทางด้านสารสนเทศภูมิศาสตร์ในการ
วตั ถุ โดยใชเ้ ทคนคิ การจ�ำ แนกแบบ Nearest neighbor (Cariou สร้างจุด โดยเลือกจุดให้ครอบคลุมทุกชั้นการจำ�แนกโดย
et al., 2020 ; Luo et al., 2020 ; Tang et al., 2020) ซง่ึ เปน็ กระ ก�ำ หนดใหม้ ชี น้ั การจ�ำ แนกสง่ิ ปกคลมุ ดนิ ทงั้ สน้ิ 5 ชน้ั การจ�ำ แนก
บวนการจ�ำ แนกแบบก�ำ กบั ควบคมุ ภายในสง่ิ แวดลอ้ มของการ ไดแ้ ก่ หลงั คาเรอื น (Roofs) นาขา้ ว (A1) พืชไร่ (A2) แหลง่ นำ้�
จ�ำ แนกขอ้ มลู แบบเชงิ วตั ถุ ภาพถา่ ยดาวเทยี ม Pansharpened (Waterbodies)และไมย้ นื ตน้ (Trees)รายละเอยี ดของจดุ ควบคมุ
QuickBird รายละเอียด 0.6 เซนติเมตรถูกแยกดำ�เนินการ หรอื จดุ สมุ่ ตวั อยา่ งของทงั้ 2 กระบวนการวเิ คราะหแ์ สดงไดด้ งั
2 กระบวนการได้แก่ การเลือกกลุ่มตัวอย่างด้วยสายตาแบบ Table 1
สร้างจุดสุ่มตัวอย่างด้วยการจำ�แนกด้วยสายตา (NN with

Table 1 Samples data derived from visual interpretation (S1) and image objects segmentation (S2)

Class Class_id Sample point number (S1) Image object sample
number (S2)

Roofs 1 17 7

Trees 2 10 7

Waterbodies (w1) 3 63

Paddy field (A1) 4 56

Crops 5 9 13

Total 46 36

จากนั้นจุดควบคุมหรือกลุ่มตัวอย่างเหล่าน้ีถูกนำ� พืชไร่ตามลำ�ดับ ภายหลังจากที่ตัดวัตถุภาพแล้วได้ใช้อัลกอ
เข้าสู่ eCognition ในรปู แบบของชัน้ ข้อมูลจ�ำ เพาะ (Thematic ริทึม Assign class เพ่ือจำ�แนกช้ันการจำ�แนกโดยยึดตาม
layer) โดยภาพถา่ ยดาวเทยี ม QuickBird ถกู ตดั วตั ถภุ าพดว้ ย ตารางคุณลักษณะสัมพันธ์ที่สร้างขึ้นจากฟิลด์ช่ือ Class_id
คา่ Scale parameter = 80, Shape = 0.1 และ Compactness โดยก�ำ หนดให้ Threshold condition อ้างอิงไปยัง Thematic
= 0.5 และใหค้ า่ ถว่ งน�้ำ หนกั กบั ทงั้ 4 ชว่ งคลน่ื เทา่ กบั 1 โดยใช้ attribute ดังกล่าว โดยใชเ้ งื่อนไข if Sample.shp (Class_id
อลั กอรทิ มึ Multiresolution segmentation เพอื่ สรา้ งชน้ั จ�ำ แนก = 1) then Classify to roofs และได้ใช้เงอื่ นไขนี้จนครบทัง้
ช่ือ Landcover สำ�หรับเป็นชั้นการจำ�แนกเป้าหมายในการ 5 ชั้นการจ�ำ แนก หลังจากน้ันวตั ถุภาพท่ถี ูกจำ�แนกโดยอาศัย
รองรบั ผลการทดสอบกลมุ่ ตวั อยา่ งดงั กลา่ ว ในการตดั วตั ถภุ าพ จดุ ตวั อยา่ งดงั กลา่ วถกู แปลงใหเ้ ปน็ Sample โดยใชอ้ ลั กอรทิ มึ
และไดใ้ ชจ้ ดุ ตวั อยา่ งทถ่ี กู สรา้ งขนึ้ ดงั กลา่ วรว่ มในกระบวนการ Classified image object to sample เพื่อท่จี ะแปลงค่าตัว
ตัดวัตถุภาพซ่ึงทำ�ให้ได้วัตถุภาพทั้งส้ินจำ�นวน 600 วัตถุ แทนของช้ันการจำ�แนกท่ีได้จากการแปลภาพด้วยสายตา
ภาพ จากจ�ำ นวนจุดภาพทง้ั สน้ิ 808x745 จุดภาพ จ�ำ นวนจดุ เหล่าน้ันให้เป็นกลุ่มตัวอย่างที่ใช้ได้ภายใต้สิ่งแวดล้อมของ
ตัวอย่างสำ�หรับเป็นตัวแทนของการจำ�แนกส่ิงปกคลุมดินท้ัง eCognition developer จากนั้นได้ทำ�การต้ังค่าให้คุณสมบัติ
5 ช้ันการจำ�แนกได้แก่ หลงั คาเรือน ประกอบดว้ ยจดุ ตัวแทน การจ�ำ แนกแบบ Nearest neighbor: NN classification โดยใช้
11 จุด ไมย้ นื ตน้ 10 จุด แหลง่ น้ำ� จำ�นวน 6 จุด พ้ืนทน่ี าขา้ ว เง่ือนไขได้แก่ Mean value, Standard deviation และ
จ�ำ นวน 5 จดุ และพืน้ ท่พี ืชไร่ จำ�นวนจุดตวั แทน 6 จุดซ่งึ รวม Pixel-based จากน้ันได้ทำ�การจำ�แนกจากค่าคุณสมบัติที่
จดุ ตวั อยา่ งทใ่ี ชใ้ นพน้ื ทศี่ กึ ษาขนาดเลก็ นท้ี งั้ สน้ิ จ�ำ นวน 46 จดุ เลือกใช้โดยใช้การจำ�แนกแบบ NN classifier ซ่ึงคุณสมบัติ
ตัวอย่าง โดยในตารางคุณลักษณะสัมพันธ์ ได้สร้างฟิลด์เก็บ เหลา่ นไี้ ดถ้ กู ก�ำ หนดดว้ ยกฎทใ่ี ชใ้ นการจ�ำ แนกใหแ้ ตล่ ะชน้ั การ
ข้อมูลชื่อ Class_id เป็นชนิด Short integer เพื่อใช้รองรับ จำ�แนกด้วย Assign class algorithm โดยเลือก Class filter
รหัสตัวแทนการใช้ที่ดินโดยรหัสของส่ิงปกคลุมดิน Class_id ทุกๆ ช้ันการจำ�แนกพร้อมๆ กันเพียงคร้ังเดียว คุณสมบัติท่ี
= 1 ไดแ้ ก่ roofs Class_id = 2 ไดแ้ ก่ ไม้ยืนต้น Class_id = 3 ใชใ้ นการจ�ำ แนกแสดงไดด้ ัง Table 2
ไดแ้ ก่แหลง่ นำ้� Class_id = 4 นาข้าวและ Class_id = 5 ได้แก่

Vol 40. No 3, May-June 2021 Comparison of the satellite image supervised classification by the selection 335

of samples from segmented image objects and vector point samples:...

Table 2 Threshold condition for image classification

Features types Feature names

Spectral Mean bands: Mean Blue, Mean Green, Mean Red, Mean NIR

แกภตSภTทแ0ไเคภภsปกใpคใผBaคeวกกกตเทใoดนนชดหt.atcbhัตุุรลรนวณรู้aoรล้ับาาณลาาังaรา้5ดย่ีืcอแajr้ะะ้แใeะะgm้่จนพิุ่ืพใเยมสteถพะaะบuสวiบนบlงบปตโหmบสกaใยsัแ.cแ้นินโุตmใทpภrก,จมดนtวต็e่วกลtว่หaมไ้ไวนยลai(Klsอวัล2่มีนาcหieันาบrยดนกดะcนInนราt6ะต้)บtชขamอsก0ก้tiคพใวีy,กซO2พใถ2พเ กภนจณทRเแ ภรไไภภเ=eeจตทภห(ลกท้ใวตgcก้ะัวครe1กรกรpดแนปน1Lชกด้ยดSPัอ/นแเต่ธวxชซดุำิt20ตa0วร�ม็อังืลอัึ่งาวบะ่ัี่าาาraาใวต0ัาิิจจาvุิทาณทงาปา0pl8า(itaยีลป้แื่อ่้ก็วiา้นาะลaชซx0(คpใใตไภกTคแคทoกSB0ทปภsผแกแวaเตกภeกภเใม์1ีมgิคaปรพาทลแพพ้่1งบวพงใทัอ่eกnsึอรSพีคกกาาท=aรP.ถaงวตC็ดร;นา่eีlนนไกบรตวัnชงงะดหวtyรท5ร1b.catคสe7มเะhนบั้วtตุุระใทลนรา่วู้ณรoaiลร้งูrdรรั่าึ8บใานราลลณาัาจงี่ไทัaยลารณุaโllาบ้่5ถใวีัเแั้งdiดนงุrbดปZทำเภ�ดยจ-่aีใกเeะืa.นคะcอ่ถsแัa7วจตjrnป8ก้ะนกะ้แ)ใeาัดพะณณมตดนะทm้gเจ่oะนbพoิุ่ืพ่ถใเีมยบา)สt,aปรeEถm่พโีกะ่อวปกพาชaนoะกา่่แีปบชeบโh็าulิรสt1rวiiนบน้่ีนนาเกันบlg)aไุ่0จงลบดปตโภหาmุกบสก1rดกalใmลรรdยยกs้จถเถัแบaกก.1c่าูยแกจ้นริินโงยุตตmrbใสdั็้กรทโpกาาาภอr้asหrืวาอด2ุก,นดกpข้ืลจมดวนนลใพะักSกะกtวต็กerกาea่าวuมุ่กลอทtายทรtว่ไาหaกอมนไ้ืไว(ุtนุดeภจยราชลภiSตaายjีแi(ัตKโlมุ่ทoiดsอถงัวiาธเ0ิDนรลlเ2กกmม่น้อีeนรeS้าืcหขจนบieมัาภอนSาtพcบrกsยกษพcรดcdนทะารeกบัดะาบcดโนIนะขใปรnนOัรภนหา่ไtาครี้ี6่ะตี้)นลeยบrบแขhtริาชอขอ้a1meอทsีใกุ0าิกตุ้cภทกctiชaกรtใทแกsSใเeค00กทภใคกตaกใตคeใแวภคภpแBกภคเแวตปใแผไoแsกaTภกภoผกBกภTเตไกเSปคทpกภาeรระดาอบกcคพใวี้นyน่ร,่บงมกวลกณท้aใดวตgcกายี่้กอัะวครทณหสaกeตๆ้ดiนื1กรv็นนตณดดุtพเว้ทกaนนรลนmpนนv8นt์ทแอน1ชชงกuิพะทcกใหดดหttl้ยบเeงัeอกจbt.bcc.aar/นแเตตปรวhhัอ้บัับทวธตตัุุุุรราลนรลนรมชซิววรู้ณู้รณoaoa2ดลลรร้mาึsาััiยaeพมsวนบบาา้gาา�งลณณลาาีำพวััาางงัaaาวู่บะราารrปlงต้้ท550ัลน้าจaุทิทาณทอsaงั้วาepวลาดดีใ่ปาดpยยบตl)ทรก่่ีีง8r.ัากืื(างccออาลนnาแแaatjrjrท่้้ดี่เกะะะราทะะ้้แแใใาeeลาeะะร)วลตะะพัลa้ซmm้g้gก0(สมจจ่่์ขaันนีพพรgิิิค(ุุ่่รืืพพจโใใเเรeรtายยมมวโ,ชบบ้ีสสลูเttบงนในทจeeถaอ่ถถึรSพพpะะ’กกวก=aalื่าอrยะะeรัPpไกงiถวรปดบบัตaง�ำวดจuuCว็ขรร;Kสสวายii่ีีขบบเนนจรวโดรaนไบบวll.ขรoทงงบบาปปงตตโโ่ะวหหmmlเแีบบสสวนุ่้แyินรีทกกaaใใ1ดaะtกสeยยม่ีMssมเะมมนอตััั้แแ(ไถงท..าcccุงูaัO่าดแแึ้ใร,e้้นนaลิิดกนน้โโทจทดุุตตัmmกใใลสสอืัaกกดาบททlpp่วใตrีาแัภภ2จraแnดะตงาดะนุrากกา,,ปัZงo้Lคัเภด้จจถมมาดดrวนนนใตhบรรเeะยaiาณ้กนาttsววต็็ตจั้ee7จlต=่่8ปพกววกกลลนttiy่ดพมวว่่ีหหraaมอกรมมทหไไเ้้ไไววิบoีถnนนยุ่ถคcียยภงiตลลา2laaปรlEสaiim((KK่Uรllียxีกกรมุ่มุ่บวว้อวาu0ปกcกssชออาvนสoกัวัวยากใ่ใแb่ี1aีลลaปีช22oปบhส็ม่่มถีีนนยียาาวิccยรtหห1.rถiมiieeัันุล้นนนาากภทบบrr)สยยุ0จtดดนนดถาาผกกแดดะะก1ccนนIItรรdกgลnnนนถ้เารรลบaาู)ศ0กK1ttนใ,ใภร66ุะะ้กตต้ี่แชูืเร้้ต))cวักeจุ่รไั่มิบบl1าttตวrแรbชชวmารัขข0a็aa้jรmmiออททlssอกกนา00วsาอทกก้aบืพว้้าออัทซุุ่ttiiนดกมpลุt้ภวบุคคพพรวใใลสววีีใอyye,,พoกาอiลิทกะลลกกตนreกาทรภาุ่ี้้uปใใววตตggทccกกรนเ1้้ภััะะลทภtาววคคทรรuเ1ทeeตั(11กก(ุบiรมกrาึทbะกพaนา8พกก้ภSกตยเขjิลรรีcท.ppeัลตาวแแ(2อนนทร11ดนoiดกกถงi้้ยยrบธิัันออชรl//นน2กวแแเเตตนววอCeรSบรำืc�ขeธธสััanบกชชซซชิิใ่22าึ1ภื่ตaaแางtะีพววชบsิกดงงcรงราัังพCeาา่่บบเะะ:าrาโ8rrึมตตบeม00ัักการุุิทิทาาณณpททecงงหลัดาา;นไ่พษาี่ีตปปาา่ี่่ีpprแาิพาll้เละนัe88้จี้rบแขhาา้นิ((ปธอนกออ้ลลสั่ยชวงกตtaใีุ่่่ืกกีาิกตาาททกtุc0ภททาาก่นบlลลaaกแซซtคก00((มม์์eรยีีะggิิงคคดไอ(กc1พ่ิรร้าาน’ร้้oบแนบบงงใใททงัิหออ่่วคปด)ณึึรรSSดัคusกกSsกกeคpดl==าพrกรรaๆ้PPaiนืาาถถถวaasงงววงวพนCC็็ทtดแรร;;ัุ่aพาาS่่อปมีีีลนเmานนไไtรKอทcรรใเมงมิอพงงทcะะวว่กบเMเง0ร้tyyeรรททปืาจไ11าวfาrาสสาตัeeมมตปคเเะะนันนKวัเีงงsททมววo)นaดตููงงาึsััาย่่าายrหมึึsrนa้ลลีพ้้ชททััโลลุยณ้ีรaaปlieาาบอบบรกววนห่่1rววนวีี้งิตััจลตัทแแsaรงงดดเนนpุุrrู่าปปZZรกy(ดเเวภภดดดตกทใใง.cั่ีเเeeกaะะaaรางะรขตลแssดลนnราrัั77จจตต71ข88อกกพพใเง่ีtารูo=าeพพมมลร)วตนพ้lเเเ่ลาcลaปัดกรoo(a่่ถถSจีีรโe,aลูเจแปปรรEEจใถuบmm่่ชาทกกีี)’่นวออน่กววaตปปืนaกกัuง/ชนนlยooืืาอ4ลeอc่่บกีีัตกถรปปชชอัeบบ่ดhh็็จะนวรรใกิิKรรtt11crrตว้iiยยเีนนข้้จนนีรหกกรaท.))ขeุุ00ทจจใสดดานmภอพั่cาาlเแียคว11มนด้ี้ะรรดะtนdd่ืMอะpไถถเเtบบ(aaไถc8ก11นนlมแSO้้ครลยดููืืกกานcจจั,eกลิิoทmกtตตrrั้bbือััั็็้้ซนรร่ือืตrาnรผyาาแ2อถอองa้aa่ใืืtววดีะตาาชออนรถศยุุากภุนนังดดศกกLppกลล้rวOuววาวtทกอ้ลลhบใใ;รอiพพาณ้eกกกาะะปมลจกreกerาา้งด=ซาา่่uucาpลผนททพยiia0ี่ดททttีeถกแ5าาๆแิ((ุุแมoยนุะecิาภาาหงi2ภภืSSตตจถยยหอjjลt์ีีทเททaััตตทรrxกนaะวทัu0กooรcกiiกดดถถvงงกiiธธก่ใงิินนีน1ุรร่aกllกึ้oปสrสลนนaภกภออถกeeียุรรSSวืืยขขmวึถมบบึrtวาาภภบuCางงttาาพพงวกสss่อกกtaccรรรรeกlาผee่อเีาาบn้vพโโบเร้tู้รใnfรร่แลงึล้ากวูหหSน)ก0aก่ไ่ไWีีใบใร่่ืน้กีีูeแุc.aerกมไ่กeeลlา1ชูrrบบแแขขhhากิิราออาล0ออ้้iสสใlfใีใีุุ่่าจีีาาาิิ่ตตบlปุุีccนลภภททชกกไอาัิทซพตุ่นกกจaำttรมกาeeรรษุนrtะะธ�,ดดภัออกกccุรวัเสั้้ชนนeาsรระoาiiตอiทลaาววตนณณ.รภดงoถดดบ็าานเบ1ิกกษลละหu้c1เaaๆๆ้้ััตiiนนืืจc(วบixมhrotอนนbปกพttaตัร8พaaดขลกลลนนวท.smm,วน่ttรรเออดดนกงรตยงงิิขุsออัพพททccดตrบบเเงงeeรlจจชื้rrาพเ2อoทเ�ตตปปiีCัั็นำ้บรrัววรสน้anมมกีใค่พraดดกาาึึึss1าาาต่ยยาแมม้ถีssนนบซe้m้้yาีีพพวงiา.งม:riา็ี่้8ปปllfถะaัวeวกก้้จืจจอทท(ยessaatกcิ;ภทppนเ้าาขaะนe่นัแeาตตตพ้ทท้เiลs2ณงงดล้ว..ัักก้น,าางงทอนากแจกตiดดนนnnาาีศ่นแ้อก่ิชว้0lตaาืส2้งTดาาaeeา่นัรร))lววตตพพ้้กoเรaaัยSรรเง((ยnปีtจจพ่ิพรร1โโุ,,eแนณoแบูลลูเเนัถถุuหpิคัธปด)กัดภ’’sึ่งSคyววยกกัlดrแllคาากุบeeีnแวาาltรรgภดดจจววไpรร้ล0แKKุ่พปยยาภอ้ปมีียาขขทกลงำ2รรกถaaพรK..1�ขขาc้ทท:มมาาง่่(tกlllาเเแแีีึกวกคคมุ่าhววนน้้จ้tวีีปจาืาiไาวfKดดะะttหวัMMนg((dไไเถถบesใoลจtaต/OOหรรaน,,็eeีเททกกชinาโืออืยัั้tีรดนื้eRบอรกววa่เ1rวตตrrาาาลแแm22ุาณaaล1าดaะะรตต0งจไุ่าาเัังงiรวyมLLะเ0ด้้แไแrrววกsส8Sใhhบบรชรราสราาณณรั้้eุขกกบลตไาาภาาจจลคr้้ำั==ขอใ่ษtลาลลรตูนนoo�คiiก่่ดดาลั่ีีดกกlยเaaืcุวิิดก้ยยุุดccรอภภหาmงงแii22จg=ตจลaaแา5ดรรนาทlxxข)นวววน่เaรuuต00พืนaัccไกกuกกง:/้vvยcRืPักก้ด7อวกกะใ่่ใtโททีีบ11ัaaนาจ1ooปป้a่สสรยะนถถียียววยยดีถถพลมมมm.ยนตจีรภ้พท2าeสสettnmแภอพาาcผผุณยถออe้้iกืpttสอจลc้ะป่มอถ็;บอืไา้้งาา))ร00ากกั,บใใมใใรรแSคกกดยดccาeetัภไไก่่ัอืตจllcร11mาาใtอ้้;าา00แลซท0อii่กกSllา8dกถาางจบบ่แีr้ออนััททซซศุุ่่กบapศมม่ีเำุุยttทะก)ภภOnuาวtุุทรรกววสส�โ้nบiooาาcออiiลลeวกpตตันนพ�KงดเำtดรรภภซนงงK่่าาุิ่ก(Uนนงเเภ11็ลลยัauuกส11้กััุ5าoอ((าๆแบบภiiiืชขมมมorrกิbbหนกกดพพห88พพsบยจถขข.ลtลลทเ..แมกทWานถสoรร้ัย)2mrrชวาาดยรงRS1nุขชช่ี่ากไึleruaภกCCกบบรกtเ1m(สสึaannนกึตใใr่่tเกกวึึ11าCaพต่่ตาาแแาีีางอบบปกอนเ่ตงงืีักางง่t::เีrrาา้วvพข88a้deeeกกษใกกุ่ne(่งึee1กากaนใม;;aั้sนนาน้วล่่KูeปุแแียาาaพพอSBมแ้เเ้ลละนuทาลaาชู0โตก้้นนi์วมออนนพูกกรลหdุ)วKภมลก่่ชชววตตaaืืาจsก่จr่lนี้ลชไน่่นcllอยนรจaรษนยยacงงตIพพ่ิิ่ัเัชหeานนวooแแบบยแนนาััaKหหายคคกaััpปปดด)).ัดดัuขssSSิคคogถรตellบก็ถtบrrเษอพcaบาาาาadxtุ่มxพัจทแแัตุุ่่พพด1ณวกmดออปปมมlกhแsoตอน,กมั็นน่รเKKาดดนตกccกงตaมมiัมมุขsบยอัsmดทืตกกhีวยทซ้้ttปปlเืืาาไไทาาววffื้้าdาอชััiานนมใรใrันเใในร้.ssีลgooคพaaตตnpoใหห้ถ่ceanemา้msyrสาวl้.ชชอนaโโตมยยi้้cีีรร็feeบบอรรกกววววa11rrวววคืา่งอชรรก7ากรรรyymaว,aนดดetตกกทาsl้2ณด้วนtิ,ำรรทบนนถืาขข’ลลนชกiาท�บลล1ูถชrrนกพกแ้อกoินด&้ถาขขออใใส้tttกาารรููกืvdooยดอตัาเัลลี่=)eะ่ึงlleเเกgeเanccงำดดงิกกaาเ�ูaeะtyทsลุemณจจpจจุาิาาธยกาาภททช))นนานน่่aaตตืืนนaaแััuu4รงง//แยยืืคัั)กออีบบลแวนylััtง่นมg้้่่.ะะeนนนัpลล0ปยย้รยัวจจ2ไีีใรรททuพราeeุ้ชmmงภภออพพ(ccกlวยย่1ุ้ร่มุาีRจุ้วrาiใ้้ะะtหบวใิ2่ออไไีCrวยdlท(gจpมมงSแSแคคยยดดภาาัังกกีงดเmmั้ettนอnา้ันซซนR่่a่าiลุmกกุถถาnงงณม่่sลaาีีaดe0นนจศศุ่กกเืคศศนมนีกอเเ0CแไอxสOOuuาาววttททกะกกรiiสรseeตไeัน้งงดดัซซ่่่่่าาลตคตeั0าั่ดยaก55าาaืสุาาๆๆแแตมมooดeิิรอoหหrดtgจจถถี่ตลลttใลททเเแงิทท’lนนาEเกััรพtาcR้ด7วะำงงcกุุบ�่่าากกจdึึกi1้arrยดaaภภกกายกกt่โดีmmาึึลมท.ึึrrกttววตกCCับแาาาางงากกออoeaoกกกt่่&ถเเีีvvพพก1ื้้อกลcป่ใใnnอถถื่่นาm้ิงงึึiงกกนันนใaaบั,าวSููeeุุaaยีtภมม,อืลลจาชชููยใกกดt;รรรลลลแออrccา8าาจจdร่่จllแีีaลลชช้sขไไนนบจจaaaรร่าิวษษยนนาทนะตตnดsััเเโ้ััtnชชeeตาaบcุาาวกกัว..ทiKเ8ooถถrลุบบก็็Uบบภ็ษษาักccSกุภเุoภiขxxะttหนไ:iจจี้ััดดsวกกชooทแก,,Wานน่่รรpเเดดดดนนยกกtoงงนตต้)Bนุุขข2ssััดดcตตงยmชวาาดยรSn6lltรไนoืื้้าาอออรeiiuทtrrััlนน้้ีีตคคพพเๆั้้ถถอหซee่้้mmร่เyyลาาตววีด..d้มมบเrตปii็็ffaRัววษ่ีเ.ืืออาaกกbsาากาeaa้วaานนeecอnแแนuทssา22ณณดดุว้้วr0โด,,์วททร้พนาาู่จตห1กกiidวมนนลี่้แ้แออกกnิิ้้าาo,คสส้้sกเ่จrนดดอใาากaลััcยeกกงเเจจเเttุุยี;eeณณยาซaุุิิะapธธกกภภaง่ึร้รeรแแวtถแแเคคพกกิพacีีuแแรววfllttjggะxพ1ppลลััน00ตmชบ1ปปณกด้้เยย0sov22ตำนมัพพรร2าาต�g้้กaขiัยชองงe((ืดักกllววุุ่่มมาาีจจวยีววอืยาาiiทf้าtำ�ำ�ชหหกววteไใรใddใใวถบgัจจnpoใืมอ่ทtขานrีีเเnnาาห่ึะง.icนนRRriaa่่าาลลmmุุุาาณณลลาาaaf00iภ7ุุ่่เเZมมmnเเ00oแแไไKถจaกเ(ข∑ สโรถไจOซวKกแEอเอแสส้0aทlรรนวtิสสcบรรนนถืด’ตตแนแช้ไไทบอ1ูถชกัันดน&ถว่่กลลกตตลกืaยคคaอังวาาััf่่ดดิ= ecrยยธgeanaaืืงุุงิ้แาดดะเGyรรออsกอืEกมปggาตตกโ้ลลเแแllกดำ�เเ รรพพ4ดccRR)ว้้ดด77ววะะeกกะจจi11aaci1ยยาุeนานาho่ืดดีีััลลมมดอ้ต..นปููตต ตรhhxaาางนกนBกา่าตัeeชึtุ้cกตดัแ่ถถุ้สbีุeกก้tืืออจีลลccปป่่ซออถถe่ืืาา มีงงััล,,rว ใ็ttภภา rือือxาาจจ อ่aใใาาsน่ื;;ลลcหยออ กงดาา∑ม88 dd7rจจsแแ้้้ขขpeะ=บบaaaหmlยยททaงะะlynn พโโ้้nnๆรวiบบccหภน็sววัถntนน่ัักถถKKตุ่กุดเเกมกถยuูุุกกลUUภภ็็ััdกก.tกกตุุ่าpsภภรiiาขขxึ่รรงรงะหหนนueอแแกกWWาาoo้้)))22)บทmmชชววชตาาาาดด,,ยยรร/SSงnnไไามออtieeัuuวe1ttนปตตเเtาออ่เ่เ ีีุ=ตตุุุ้่aa้n ััeษษอภำ าา=aar ss้าา้้วว งออแแอนนuu ททาาิ00โโ,์์วว้้พพนนร=หหคddววมมลล(ss กกเเน่่จจrr่นนาccาันยยวงงหก่aีค,ี้อยยาาaaaappFรcรรeeพttเเพพิิaaงแRxxพพถััตต11ณณกก ดดาคssooตตนนมมััรตตกกงaaiiัั1ยยชชออวืืSคงีีววยย ททc้้นาาชชก่ใใรรใใใใใใพาgg่tnnนppooาใใร ะ่่าาrriจccล a 77าemmพgค ทททlldนนวผิิรyนนนนถถืื’’ นนชชททบบ 11ููถถชชกกนนดดนน&&ถถกกลลกกืื พวยยออัั อ==eeอggืeeaann งงำงงิิ้้าากเะะyytss + าจิ44วงe))้d3 i≥ หผ ค ส(คเ0ก( แจ ผ ค uม) าา มℎoุุล่่รุุ้้าีีีไุุ้้ท่่ ีียM่Oปvง าขกึาจ ุดrม สนาวาาำ�ล รลคข โ∑ไเKอรวจแกKก(ถEaจถสเOซจี มด+ ถปทิG c นพe รู่ รร่ีรE bไปมอะตvด มดรนaด อาืดภะรถcาุำานวาั ด้อตทา่=ูู รhhxoงก่า ึง้ึกถร0blดrะณยี ส่ดไีรe คuอคง็) มx อ่aนeืวcหวย กหาแ2งด∑ม าว้งณpะ=หูกaางr รวับภหจ่ี.sถteตไeดูบกา1เาr(=eตะp้ใurร�ำมอตวั8ไรถรณนบทาชตพงามtวaมัว,1ปนดตentาำจเ มุ=้ กeว้อภเไจดำ ตนเ=r ั บ้ถา งอ ซาคิถข กร=ูaคน(,lัง น่ากาันวทก่ aีcทคนี้้ภทอ้อaจดlF+ไร0่cาาพางแด้งจnำ้อวถม( R คาคอวรภกงุงึ่ต1วคtง ิcนดทนก่lพา่tงaนยาาีMร ะงร .dจ( ไี่ว้iซโEกเOก)จ รึทล ง ณ งั เ าaeงพgจเเซข(∑KเไแEกaรวไ OKเวจซ(รKอโEถจaโถจ Oถสกแกสถขก∑Kอค8 ทา ำง�วผรyE อม้,าา หพดว)ด ถ ก้จอc กำ∑Eิปกเงง บาEEปมปม +ั นtจจาจ้ดดS ิวงดดึ่กℎร้หงxd3 ะะมaชuccม) าาุุน0นาานาาiััาดด้้ออตตาbูููู พดรรhhxhhx งงกกมℎ่่าาึึงรxกกcลF2ราีbbไoช่ือาทจาคยกร้ คย่ซล r งก า็็นdขกึ็ ะจxx= หออ่่aaำาจะนน ืื pcc หหยย จกกงดงด∑∑มมr ม ้้าน pัน้ะะ==หห= ถล aaงงค pu rจี รรวsววมด+จ0กภภ ssับปนถ ttัiตตทงงeิท c ึนถพนeา่e3งตตRัร่ ppาูถ รัร่แาีuu้ แ์บไoอgะออา2ค ตุดรบบ ททาชชตต Eงง1าามมtterถผััววvำ11ง วนปนป ณกั1กูา่จ=าาo า คก ้ทุุ==ถรดtนกะ้้ ณeทกee ออภภำำส ไงึ่==ด่ีrrต− ไีรau้้rนื ครออง )งงออ=.น จิิากป่รร==Eคคว((าแ2cก นน่่ภ าาณาาัันนq7ววกก่่=aaูกะีีคคr=dีี้้า แดตออับหจaFFวรราลccดูพพ ากาตcเrวางงแแ=(Nจะ่ีทงำ้ไไ∑ใถถ วrัmร วาาtาคควงร้1รรงงพ,น 11นกวรถคคาqงง)u cc ารนนeมกก่่พพ ตาา่่ttรleนนำeาา ราะะ้ำ อรyน้จเii มดจจณ Iำมกหว้เไลล จ�า ต ด.่รั าบาาเeeแaคา พพggข ะคคา ททาคRววผผ รรyyจ u aร น อ− พพววจ,กืท บaัก มิออจd)พ ำำจcคทซนกกเเ=ภฉอ้ด ++ง ร +n0่าาจจาแ้าดิิววงงก2้้ากเงแdd33 งำuu ้มม))ม้ว อนมาา (จaก�ำาาวtอ วมมกℎℎ ไาลลtรราาีีtวไไ 2ำ�ททิภทนd า1∑โยย่่า กถาง1งง iMราางัขขกกยีงร ึึ.จว่งสึ ว้าาจจ ก้) ท rนรัทงน rrมม าc แนนo t ดแงา คค8ดจจแา าีี ดม(มมดด++แ ก ถ่างปป 0ลรiงททิิาห )cc นนพพeeถ−iรก รร่่ห∑Eููเิ รรงรรง่่ Rูทกาีี ไไถ ออังะะxน า oจตต ร้o กℎ nหน แมaงกว=ถถั0 ำำดม ววก น้ขบป ้่่าา==ณกดนขoo1ย ่ ้้รูถถรรเดดดชะะกณณจาา ก−ซสสค aซ่่ดดขลไไีี รร E rคคจตออrงง))มต ิมดn =ำ หจาาแแ22ท1 ททน า ณณ=ก = กููกถ ลงอเ rr็7าrจ ั+บัับtกถอหหจจรน านกังบดดง1ููว ำึถกกนาาeเเาา�ง=((=ะะั าตำ ัiง�้้แใใ่้rrึแ์รรา(oqอ้eท2ทววิ ง ัรรอุoดรนนถดาา Eร1 มมผ)�มแงำทกง ว่ตตัีกูจยี )1ee รำำ างทจจูเเ ก มมททกt นเปEกกทวว ค้้ไเเแไจจ ตตงึคต−ัั บบแrน uc้าา งอน าาจคคจ (ใเี่แีนน กูยจ ภ กกNยงทนqม ก กะccทท นน=คภภโ ออ แต้้ด้ังดดบa ีก ++า00่่ลวาาาาม ผ t ช่นาาจีว่ง้ัตq ่รา aงงีำำ้้งำวออไ∑ + ันmมม ( (าวา ง้วว1กกนง ำ )กถttดIu � ิิ าชบททนนค ข ิงงราlำMMนรรงตงงรรั .. อจจาRน้ห วว้้ค+ะกก)) ้ดาณ ทาuแมกรรหใtท้จทท ู้ แ .า้ร ก เแอ)งง ข 88าา ถถaรว นก iาาอ−หหจ)),ยืทรถถaน ้ันกกพ ่E∑E∑ใิิอซก=งงฉงง าานกก ัง(รนน ้ao จจำ ู้้งมากณ้อมกกℎℎ หหกนแบลมมัaaาร มว00นคงจกดดt)อน ไศ รรเููาแtวชชกก2จจาากกร1∑โคควซซ ลล ก งเต 1อrriแtงัยีnัตา่ง ึ==บ ำำ ้ทก rิ ผว ลจจงนดถ งฉ ้าา หoก แด== วถถาลลi ดrrแแรป +ดม(จจก า่งนน= วบัั0ลiงงดกงงึ ึึถถนนแeeo−งง นััห าาเตต าัับนแแนา้้แแ์์ ooงxส 22า ุุา่ณซ ดดรรห n แEE แท11ัู้งงกว=ัผผี คดงง ก น้ัับูกกูลป ้จจยกหลข 1ม าาย ่กก ดุทท เรรttนนnบษาทท้2 มว−นซึงงึ ขตต−−ร rrนน้้ว)ออดจนนกถมจจ ท น หทแ์กก1ททภภหท น qq ผตะะ ้งัรง==็ล7าปั แแตตั+ียกงอaaรง านาาลลคบภา1คลว ยววแ่่ไแ ีี งงงำำไไ∑∑ ุ่2ึััmmวา(ววดาาว งง ค้้้อ11ติ นกกถถใดง้ั(uuี้รไ าาัง)มแกััว่ ล้ก้มีรรลงอยีll )ำำรงว ้โงร ออรงนนท้้ บ่ ณณ ปูงEมม่หห คนไOนนา ผ นดดา..รรแ เเณแแย ต ขข ดน จ า (aaรรภด หท ิ ออว −−จจ,,ืืโ่ททยงaaท มะ พพ รกวแน้่ซซ ค==กฉฉโง งดบงงา ข กี วพ ผค ่กกี่เq แแรา ว ว้มม้้แววีลด+นนE แนคดจจากกv ้ttผอองั้ีไเเ ไไง าาวด้ttววย 22โใคขล11∑∑่โโีม ท มขาร11า้iiีงงงััยียีัา่งง่ึึจค้า+ะ้อ้้มทท้ rrาฉทuแเกจนนูท้eแวooนด หดแดแ)แราาสดหดดวแแชยrดดมม((กก ่า่างงลว00ลลiiฉคยวร้−−พจ ้่หหใเเ ออกKน ดงง(xxรrร กียa ำ ูมานณ rิยี ำ nnนว แแบาลังงาว ==ัั(ผแา ดดด กก้วลนน้้บบปป ้้ยคกกร)ขขใ11้oวยยน ่่เศ ข (เเเaำาา่ยร−−ีา�ซซ ขง1เ มอจแthมมท 2ทข ผวบนั หหงงปมมนมูค11ททททกททลนน ฉ ย้อตกื ลว iงงะ็็77าาrงแงป+ัั++ร่aกกออัรร าานนวlอบบดก11จแึววงแo) )ำ บงงน่่ซึึlู((�สลt อองณงั้อดดั้วรร ็งนวี))ั้งมมแแคกกวว ่่มมีีลยียยีK ))ห ร รรมงงทท งุดm ร nปปEEษน คค้ไไ วน แแ )แน ด กถง่ึอจจ ((าแท หง มยยงงวททมม่ กกคร คคทโโ ดดยีบบ hีกีกง คภววคล ผผ ย่่ีี่่qq รราา ปกม2++ นนวาaาา ้วน้ีค้าตกลิงง มดดง( ัคคข ัขข่้ามKงาารaงง้ััาา่ีบคค้้++ะะน่้้าาททูuuงแแ่กกOจจูู้้าผนแแาtณ))รยตถงนทะาววทิากผกยยโ่รรr่่วใในอออtกกนนh ((รรขดaaำำ ููพาาณณคะ่ าเนนบบลลััiอาา แ้ีลดแคดกvูa))งั้ีไนนรศศ ี่เเ้xผนัลรรใ่ ีทมงงเเงโออ้กีแแtttจ พ้อผผววคงงคeฉฉ ้้ิวนดกกหงววแรสiiหวแแศชตยปปส++ววดดดกกจจึึจคแแู้ooรจบบKนนอสสกยีทณณมrำูแววาึณง(ผาีีคคดว้ ลลลายยครหหึอ้ใ มม้วกะดุุด(ุ ดรรnnaษษ้้ำูณ ววนนย�1บ))hดดกกถถ2บพันททรมมนมูล่มีกลมอนืหลระงงงา่aียียังงlคคภภคคษลลภยยแ))ดร22lววาามดววtคค้้ตติิ้งงจข((วัักีาอััอ้้งงวรร้้บบูู่่งง่่OOนาาผผนนาาว้ณณายยตตาวนน((ว้ีคาาารททิิอจโโ่่าาน่ววนนใ21ขขพพคคพเเน้้มีีลลดดถยแแคคกกดดยvvจงงัั้้ีไีไ่างงร้้ะใใ่่ีีททมม))้้ีีจจ้้ออeeววดดหหแแรรสส้ีหหววชชยยKKกกยียีมมrrำำววาา((ผผาาดด้้ลลคครรใใ้้วว((aa11hh22บบนนััมมมมนนมมููกกลลออืืลละะงงงงาา่่aaััll))))lltt

ท่ีสุดมีจานวน 7 วัตถุภาพรายละเอียดแสดงได้ดัง
Table 3 และผลการจาแนกแสดงไดด้ งั Figure 3

336 Sopholwit Khamphilung Table 3 Area of classified imageJ SocbijTeecctshnofrloMmSU

scenario 1 (S1)

ผจลากแานรศกึกทษงั้ าสพน้ิ บ3ว,5่า8ก3.า0ร8วิเตครร.ามะ.หพ์ภน้ื าทพน่ีถา่ ขยา้ดว้วถยูกจราะแบนวนกการ
1หพวกพทแ3ทเ8ิ,บรต6เทTTsนสีี่่ลชืื้น5คWfPbRTก7ะc41aaดาัุบงiา่ีไส8ทรeoบerษa,oคมbbรข3เaeาจุ3ดCl่ีnรdnซd่ววdollาา5ลต้ะ.etดุ4eอeถaiaม0ldeนกfเึ่งวeห0าa6รssภงรrmกู8เyr3ีเกจดs,iกท์.sลือป9ไo3ตา0จาบาัesงดรนแ0่ีพ็นต4อ�ำ1ร1นมร5ร้ลถAแรรกวซมตพาบ.ัวชะ์(แ.นูกิเr8าง่ึไมSผคeรแกนบั้นบร0พดจก..a1รลลาจวกมำ�บแ้บ)ตา7รกะำ�า่พแ6าก.จะ635จวรoแพจา13รนว้ืนพุห่ดพ540(.า่าfรานจ,,มs้นืกัต5ผแA5,,,ทท์จนื้กชื�ำก393ใq.cท5ท8นาลถนแ่ีี่นชทrไ044แlพ.51แ3eaั้งก่กแีุนmรน้ัภกาเี่156บ.สsaน.้นืก่6าหมขกพ0ร...กาถบs.้ิน809ษรก8ทะ)า้า8ลไาiืน้พู402กจใfมบแกวตแ่ีร่iงชตทeำ�3จร้ยสจถวทหนร้จdแ5รีน่าืนา�ำกดนูก้สล่ีาุด.น,แแยามต3รงกจดง่ไุคiกนนขรไm4ล้น.นดำ�าCวดมภา้1กรกรแะไ้ำ�้รตaบวอดแl้.วดทาไเนบัga9าคงล6อดงเพัิร้ง้ัมไe2sกกคลุม1ะบัี้รยดสถsFลoารพง,บัจน้ิร้กตด5io่6าiำ�ารมbgfานื้บัก115ายรbด4ะiจแ9j5าuกeรา787ท.eก5หj,ใับาไ6มสer3ภdจรนช47c.าeแ่ีดแท์c6.ด4จ�ำนาั้รtกหซtแนI้8่ีs6แ�ำ3sจmยงเ1กรกลง่ึแปก.น�ำไตนะ0พาง่aพ่พนแนf็นดกบร4รอนrgบนกนoน้ื้ื้จอ้จค.ดวก�้ำมeวmทกำ��ำททตยิดนไัใงา่.แนนดมงั้รเ่ี่กี ปนสว.ร้ราใามบันน้ิ็นนูปกกร.
กาCรจroำ�pแsนกน้อยท่ีส6ุด1ม,5ีจำ5�น5.ว6น8 7 วัตถุภาพร1า3ย3ละเอียดแสดง
ไดTด้ oังCtTalalabslse 3 และ2ผ1ล5Aก,7rาe3รa2จ.�ำ5แ2นกแCสดlaงsไsดi้ดfieัง5d9F7Iigmuarege3
name (sq.m.) objects
Figure 2 Work flow diagram Roofs 35,341.92 187
ผลการศกึ ษา Trees 50,905.80 174

ก า ร ศึ ก ษ า น้ี ไ ด้ ท า ก า ร เ ป รี ย บ เ ที ย บ Water 3,583.08 7
bodies
กระบวนการในการจาแนกแบบเชิงวัตถุโดยทาการ
เปรยี บเทยี บการจาแนกแบบกำกบั ควบคุมโดยนาเข้า Paddy 64,346.04 96

ขอ้ มลู 2 ชุดขอ้ มลู ไดแ้ ก่ การใชจ้ ดุ ตวั อย่างจากการแปล field

ภาพดว้ ยสายตาและกระบวนการในการคดั เลอื กกลุ่ม Crops 61,555.68 133

กตัวาอFรiยศg่าึuกงrษeโด2ายพWตบoรFrงวkigจ่ าfuาlorกกewวา2dตั รWiaถวgoุภิเrrakคาmfพรloาทwะ่ีทdหiาa์กgภrาaารmพตถัด่แาลย้วด้ ผล Total 215,732.52 597
วย
จเจกกภจก คตผแTปาุดราาาบaััวาด็ กลนะรภแพกขเผตภbรอบเบปภจกพลจอน้lรัลาวยาถกeวราาำื�อมะาพพ้อ่ืานก่�ำกายีนยแแบ3กงกลรู ยยดาททบนน จกนชบักวศร่าว้ใ2ก่ีาเอกัาง้กนลคนศันง้5ยทึกการกชแสุ่วมโทก0กึกกสกรAยกีทษบบุดใด้ิตน,ศาาษงาัรrบา้น9า่ีขคบeยาัวยรึสรกระ10ากรรมุอa้ใอเตแ3จตบ้ษนิ5ปู ชานมศโซยป5าราo.วดราแิง8ลูกึ,่งา่ึแแง5ลfกจนนย3วบ0ไเงาจภลcนาั4ตนป้ีไษดกโชบรlาะตแาดa1ดก็ถ�ำแน้าจนักกเ้พานs.้เทรยุวไกโร9ากขsรวกดน.ดกตำม�กว่2แiมะา้าัตกfาย้้วีกแiริเยเข้ไบนรe.าตตถรยคทงบาืนอจ้dดวกรจจพสุอรรภรำ�บมาใตน้ แทiาเาาารกช.mแ้ืนลูาปกน้กกยมบแแะ์ าจ้นพทำaร2าตวไหบนรบุด.กีกกgยรทดัต่ีแเาช์บทตกเบัeปใเบแแ้่ถารีชทหดุ นวปจั่ี ครบลเบัoุภหริง1ขอาลุดทก็ียวะนbบวกอก้ยาเ่ลงผากีบบยพjัตจพeมใป่าาานรังรลบเคชcงบถรลูาครททคะ้ ารกุมกtจจ้จไตบุนsดโวัียี่ไทาายาดโรุดดา่ัดวาเดเบวรดกfำ�ะแ้ ลแคบrรยนจจแ้รกบoกกยนกอืือนวาทกาับเmลาาาวน่ กบนกกกแทารร้ารวนก1ากราคตแถนชsจคกี เ8กยาใรลcผปำ�ัขุดมูนกกัดาิน้7รใาeุ่มบแลลชร้าแกรnนจ้ลใาaนดกุ้วรrio
ก า ร ศึกCษlaาssพnบamวe่ า ก า ร วิเ ค ร า ะ ห์ภ า พAถre่ าa ย(sqด.้mว.ย) 1 bFaiFgsigueurdree(3s3cCCenllaaassrssiiofiifci1act)aiotino(snrceesrnuealstruiforlot1mf)ropmointpsosinatmspslea-bmapseled-
สาหรบั ผลการวเิ คราะหภ์ าพจากกระบวนการ

ท่ี 2 (Scenario 2: S2) พบวา่ พบวา่ จากชนั้ การจาแนก
(S1)

กระบวนกาRรoทo่ีfs1 ซง่ึ เป็นการจาแนกแบบใชจ้ 3ุด5,ค34ว1บ.9ค2ุม Classified Image objects

จากภายนอTกreใeนsรปู แบบเวกเตอรแ์ บบจุดผลก5า0ร,9จ0า5แ.8น0ก 187

ภาพถ่ายWใaนteกr bรoะdบieวs นการวิเคราะห์ท่ี 1 พบว3่า,5จ8า3.ก08ชนั้ 174
การจาแนPaกdทdyงั้ fสie้นิld 5 ชนั้ การจาแนก หลังค6า4เ,ร34ือ6น.0ถ4ูก
จจเปุดา็นภแพนาพ้ืนกททช่ีัง้นั้5CTส0กroo้ิน,tา9paรsl03จ55า.8,แ30น4ต1ก.รไ9.ม2มย้ .ตืนพรต.้ืนน้มทไ.ด่ีแเ้รหปบั ล็ นก่งจานรา้า2จน6ไ1า1ด5ว,แ5,้ร7น5น3ับ52ก.ก6.15ค88า2ดิ7ร Figure 3 Classification resu7lt from points sample-
based (scenario 1) 96

สาหรบั ผลการวเิ ครา1ะ3ห3ภ์ าพจากกระบวนการ
ท่ี 2 (Scenario 2: S2) พบวา่ 5พ97บว่าจากชนั้ การจาแนก

Vol 40. No 3, May-June 2021 Comparison of the satellite image supervised classification by the selection 337

of samples from segmented image objects and vector point samples:...

สำ�หรับผลการวิเคราะห์ภาพจากกระบวนการท่ี 2 ซ่ึงพบว่า ในกระบวนการวิเคราะห์ที่ 2 พ้ืนท่ีพืชไร่ได้รับการ
(Scenario 2: S2) พบวา่ พบว่าจากชนั้ การจ�ำ แนกท้ังส้นิ 5 ชน้ั จ�ำ แนกมากทส่ี ดุ รองลงมาไดแ้ กพ่ นื้ ทนี่ าขา้ วและไมย้ นื ตน้ ตาม
การจำ�แนก หลังคาเรือนถูกจำ�แนกทั้งส้ิน 31,793.76 ตร.ม. ล�ำ ดบั ส�ำ หรบั พน้ื ทท่ี ไ่ี ดร้ บั การจ�ำ แนกนอ้ ยทส่ี ดุ ไดแ้ ก่ แหลง่ น�ำ้
เป็นจ�ำ นวน 160 วตั ถภุ าพ ชั้นการจำ�แนกไมย้ นื ต้นได้รับการ จำ�นวน 6 วตั ถภุ าพซ่ึงสอดคล้องกบั สภาพท่ีแทจ้ รงิ ของพ้ืนท่ี
จำ�แนกคิดเป็นพ้ืนท่ี 51,765.12 ตร.ม. พ้ืนที่แหล่งนำ้�ได้รับ ศึกษารายละเอียดแสดงได้ดัง Table 4 ผลการจำ�แนกแสดง
การจำ�แนกทั้งสิ้น 1,945.80 ตร.ม. พื้นท่ีนาข้าวถูกจำ�แนก ได้ดัง Figure 4
55,955.88 ตร.ม. พชื ไรถ่ กู จ�ำ แนก 73,614.96 ตร.ม. ตามล�ำ ดบั

Table 4 Classification result from image objects sample-based (scenario 2: S2)

Class name Area (sq.m.) Classified Image objects

Roofs 31,793.76 160

Trees 51,765.12 171

Water bodies 1,945.80 6

Paddy field 55,955.88 92

Crops 73,614.96 172

Total 215,075.52 601

กทงั้ สน้ิ การตรวจสอบความถูกต้อง
ชนั้ การ ในการศึกษาน้ีได้ใช้กระบวนการในการตรวจสอบ
น พ้ื น ท่ี ความถกู ต้องแบบ การเปรียบเทยี บผลการจำ�แนก Stratified
นกทงั้ สน้ิ Random Sampling โดยได้เตรียมจุดควบคุมอ้างอิงที่ทราบ
,955.88 แน่ชัดสอดคล้องกับช้ันการจำ�แนกท่ีได้ทำ�การจำ�แนกทั้ง 5
มลาดบั ช้ัน ส�ำ หรบั กระบวนการจ�ำ แนกที่ 1 (S1) ซ่ึงพบวา่ ความถกู
ท่ีพืชไร่ ต้องหลงั การจ�ำ แนกผลการจำ�แนกโดยรวมร้อยละ 85.71 และ
ทน่ี าขา้ ว ค่า Kappa statistic = 0.82 ส�ำ หรับกระบวนการจำ�แนกที่ 2
รับการ (S2) ซ่ึงพบว่าความถูกต้องหลังการจำ�แนกผลการจำ�แนกมี
ถภาพซง่ึ คา่ ความถูกต้องโดยรวม = 79.19% และ Kappa statistic =
่ี ศึ ก ษ า 0.73 ตามลำ�ดับ ผลการตรวจสอบความถูกต้องโดยรวมของ
นกแสดง ท้งั 2 กระบวนการแสดงดัง Table 5

objects Fsaigmuprlee-F4bigaCousberlajeedsc4st(ssiCfcislcaeaasnmtsiaiopfirlcneioa-tbri2oean)sseurdelts(usfrlctoefmnroamriimoim2a)aggee objects

mage Tกabาlรeต5ร วจCAสlcอacsบsuerคsaวcyามasถsกู eตss้อmงent process for each Land cover class from scenario 1 (S1) and 2 (S2)

Users’ accuracy (UA) Producer’s accuracy (PA)

ในการศกึ ษาน้ไี ดใ้ ชก้ ระบวนการในการตSร1วจสอบความ S2 S1 S2
ถกู ตอ้ งแบบRoกoาfsรเปรยี บเทยี บผลการจาแ77น%ก Stratified 74% 88% 77%
ซโสRจทดาา่งึaรแยหพnานรdบรบวoกบัแวมOmทกน่าWvรงัรeP้่คช้อSaraะaวtด5ัยCTadeบllKาdrrrmสลeoaชyhวbมeapcะอtopนfันsc้siถedดul8iliกูrกdenสคa5sาgcตาล.yร7ห้อ้โอจ1รดงงาบหัแยกแกลลไับนดระงั ชกะคกเ้ นทตับ้่าารก่ีวร2Kยีนจาaมารก(pSแจจาp2นาุดรa)แจคก9888าซนsวผ4951แt่งึกบ%%%%aลนพtทคกiกsบุม่ไีาtSทiดวรอc1S่ีจ้่:ทาา้1=18าคง:า5แ00อ(ว.ก7S..น8งิา18า21ทมก2ร%)่ี 87% 89% 83%
81% 74% 85%
83% 79% 65%
69% 88% 73%

S2: 79.19%
S2: 0.73

ถกู ตอ้ งหลงั การจาแนกผลการจาแนกมคี า่ ความถกู ตอ้ ง
โ ด ย ร ว ม = 79.19% แ ล ะ Kappa statistic = 0.73

338 Sopholwit Khamphilung J Sci Technol MSU

วจิ ารณแ์ ละสรปุ ผลการศึกษา กระบวนการซงึ่ นบั เปน็ ทางเลอื กทเี่ หมาะสมในการไดม้ าซงึ่ ผล
การวิเคราะห์ภาพถ่ายดาวเทียมรายละเอียดสูงแบบเชิงวัตถุ
การศึกษานี้มีวัตถุประสงค์เพ่ือเปรียบเทียบความถูกต้องของ น่นั เอง นอกจากน้ีอาจมีการผสมผสานกระบวนการทง้ั 2 ขา้ ง
การจ�ำ แนกขอ้ มลู ภาพถา่ ยดาวเทยี มรายละเอยี ดสงู QuickBird ต้นเข้าด้วยกันกล่าวคือการใช้กลุ่มตัวอย่างทั้งแบบจุดในบาง
รายละเอยี ดเชงิ พน้ื ที่ 0.60 เซนตเิ มตร โดยใชก้ ระบวนการการ ชั้นการจำ�แนกท่ีต้องการความถูกต้องสูงหรืออาจใช้ในกรณี
จำ�แนกแบบ Nearest Neighbor โดยการเลือกกลุ่มตัวอย่าง ทเ่ี กดิ ความลงั เลสงสยั วา่ ลกั ษณะทปี่ รากฏในภาพถา่ ยเปน็ การ
จากวัตถุภาพที่ถูกสร้างขึ้นและเปรียบเทียบกับการเลือกกลุ่ม ใชป้ ระโยชน์ท่ีดินหรอื สงิ่ ปกคลุมดนิ ประเภทใด
ตวั อยา่ งจากขอ้ มลู แบบจดุ เวกเตอรท์ ไี่ ดจ้ ากการแปลภาพดว้ ย
สายตาจากระบบสารสนเทศภูมิศาสตร์ โดยมีช้ันการจำ�แนก กิตติกรรมประกาศ
ท่ีใช้จำ�นวน 5 ช้ันการจำ�แนก ได้แก่ หลังคาเรือน ไม้ยืนต้น
แหล่งนำ้� นาข้าวและพืชไร่ การจำ�แนกพบว่า การเลือกจุด ผวู้ จิ ยั ขอขอบคณุ ส�ำ นกั งานพฒั นาเทคโนโลยอี วกาศ
ตัวอย่าง (S1) ในระบบสารสนเทศภูมิศาสตร์เพ่ือนำ�มาใช้ใน และภมู สิ ารสนเทศ (องคก์ ารมหาชน) ทไี่ ดใ้ หค้ วามอนเุ คราะห์
การสร้างกลุ่มตัวอย่าง พบว่าค่าที่ได้จากการตรวจสอบความ ภาพถ่ายดาวเทียมรายละเอียดสงู QuickBird แบบหลายช่วง
ถูกต้องโดยรวมสูงกว่ากระบวนการวิเคราะห์ท่ี 2 (S2) โดย คลน่ื เพอ่ื ใช้ในการวจิ ยั ในคร้งั นี้
คิดเป็นรอ้ ยละ 85.71 และคา่ Khat มีค่าเท่ากับ 0.82 ในขณะ
ทคี่ วามถกู ตอ้ งโดยรวมของกระบวนการวเิ คราะหแ์ บบที่ 2 มคี า่ เอกสารอา้ งอิง
เทา่ กบั 79.19 และคา่ khat มคี า่ เทา่ กบั 0.73 โดยกระบวนการ
ตรวจสอบความถกู ตอ้ งนี้ผวู้ ิจยั ไดใ้ ช้ตารางความคลาดเคลอ่ื น Cai, L., Shi, W., Miao, Z., & Hao, M. (2018). Accuracy
(Error matrix) ในการคำ�นวณโดยเปรียบเทียบกับจุดท่ีได้ assessment measures for object extraction from
จากการแปลภาพด้วยสายตาและเวกเตอร์ท่ีได้ทำ�การดิจิไทซ์ remote sensing images . Remote Sensing, 10(2),
เพื่อใช้เป็นข้อมูลอ้างอิงในการคำ�นวณเพ่ือเปรียบเทียบผล 303. https://doi.org/10.3390/rs10020303
การศึกษาดังกล่าว อย่างไรก็ตามเมื่อพิจารณาเป็นรายช้ัน
การจำ�แนกของแต่ละกระบวนการวิเคราะห์พบว่า ยังมีความ Cariou, C., Chehdi, K., & Moan, S. L. (2020). Improved
เหลื่อมล้ำ�และค่าความถูกต้องโดยรวมอาจยังไม่ใช่คำ�ตอบ nearest neighbor density-based clustering tech-
ท้ายที่สุดท่ีต้องพิจารณา โดยพบว่ากระบวนการจำ�แนกใน niques with application to hyperspectral images.
วิธีการท่ี 2 มีบางช้ันข้อมูลที่มีความถูกต้องใกล้เคียงกันเช่น ICASSP 2020-2020 IEEE International Confer-
ชัน้ หลงั คาเรือน (Roofs) และนาข้าว (Paddy field) เปน็ ต้น ence on Acoustics, Speech and Signal Processing
ทั้งนี้หากเป็นพื้นที่ศึกษาขนาดเล็กทำ�ให้สะดวกและใช้เวลา (ICASSP), 4127–4131. https://doi.org/10.1109/
ไม่มากนักในการเตรียมจุดตัวอย่างจากภายนอกมาใช้เพ่ือ ICASSP40776.2020.9053489
เป็นพื้นท่ีตัวอย่างหรือตัวแทนในแต่ละช้ันการจำ�แนกแน่นอน
ว่าจากผลการศึกษาผู้วิจัยแนะนำ�ว่าใช้กระบวนการวิเคราะห์ Costa, H., Foody, G. M., & Boyd, D. S. (2018). Supervised
แบบท่ี 1 น่าจะเหมาะสมท่ีสุดเนื่องจากได้ผ่านกระบวนการ methods of image segmentation accuracy
แปลด้วยสายตามาแล้วในระดับหน่ึง แต่หากพ้ืนที่ศึกษามี assessment in land cover mapping. Remote
ขนาดใหญ่ครอบคลุมบริเวณที่กว้างขึ้นอาจต้องใช้เวลาหรือ Sensing of Environment, 205, 338–351. https://doi.
ในการจัดเตรียมข้อมูลหากเป็นเช่นนั้นผู้วิจัยแนะนำ�ว่าควร org/10.1016/j.rse.2017.11.024
ใช้กระบวนการวิเคราะห์ภาพแบบที่ 2 จะเหมาะสมที่สุดแต่
เพ่ือให้ความถูกต้องหลังการจำ�แนกให้ได้ค่าที่พึงพอใจมาก Delfan, E., Naghavi, H., Maleknia, R., & Nouredini, A.
ที่สุดผู้ศึกษาอาจต้องมีการเพิ่มกระบวนการต่างๆ เข้าไปใน (2020). Comparing the capability of sentinel 2 and
กระบวนการวิเคราะห์ เช่น ใช้คุณสมบัติการวิเคราะห์ทั้งใน landsat 8 satellite imagery in land use and land
ส่วนของคุณสมบัติเชิงคล่ืนและเชิงรูปร่างของวัตถุภาพเพิ่ม cover mapping using pixel-based and object-based
เติมเข้าไปในกฎการจำ�แนกร่วมกับการเทียบเคียงกับแหล่ง classification methods . Desert Ecosystem
ข้อมูลจากหน่วยงานอ่ืนๆ เช่น ข้อมูลการใช้ประโยชน์ท่ีดิน Engineering Journal, 8(25), 1–12. https://doi.
จากกรมพฒั นาทด่ี นิ มาใชร้ ว่ มกบั การวเิ คราะหท์ งั้ กอ่ นและหลงั org/10.22052/deej.2018.7.25.25

Hegyi, A., Vernica, M.-M., & Drăguţ, L. (2020). An
object-based approach to support the automatic
delineation of magnetic anomalies. Archaeological
Prospection, 27(1), 3–12. https://doi.org/10.1002/
arp.1752

Vol 40. No 3, May-June 2021 Comparison of the satellite image supervised classification by the selection 339

of samples from segmented image objects and vector point samples:...

Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., & Deng, Radoux, J., & Bogaert, P. (2017). Good practices
J. (2020). Deep learning versus object-based image for object-based accuracy assessment. Remote
analysis (OBIA) in weed mapping of UAV imagery Sensing, 9(7), 646. https://doi.org/10.3390/rs9070646
. International Journal of Remote Sensing, 41(9),
3446–3479. https://doi.org/10.1080/01431161.201 Rozali, S., Latif, Z. A., Adnan, N. A., Hussin, Y.,
9.1706112 Blackburn, A., & Pradhan, B. (2020). Estimating
feature extraction changes of berkelah forest,
Kramm, T., Hoffmeister, D., Curdt, C., Maleki, S., Khormali, malaysia from multisensor remote sensing data
F., & Kehl, M. (2017). Accuracy assessment of using an object-based technique . Geocarto
landform classification approaches on different International, 0(ja), 1–15. https://doi.org/10.1080/10
spatial scales for the iranian loess plateau . ISPRS 106049.2020.1852610
International Journal of Geo-Information, 6(11), 366.
https://doi.org/10.3390/ijgi6110366 Song, A., Kim, Y., & Han, Y. (2020). Uncertainty
Analysis for object-based change detection in very
Laliberte, A. S., Rango, A., Herrick, J. E., Fredrickson, high-resolution satellite images using deep learning
E. L., & Burkett, L. (2007). An object-based image network . Remote Sensing, 12(15), 2345. https://doi.
analysis approach for determining fractional cover org/10.3390/rs12152345
of senescent and green vegetation with digital plot
photography. Journal of Arid Environments, 69(1), Tang, Z., Wang, H., Li, X., Li, X., Cai, W., & Han, C.
1–14. https://doi.org/10.1016/j.jaridenv.2006.08.016 (2020). An object-based approach for mapping
crop coverage using multiscale weighted and
Lubis, A. R., Lubis, M., & Khowarizmi, A.-. (2020). machine learning methods . IEEE Journal of Selected
Optimization of distance formula in k-nearest Topics in Applied Earth Observations and Remote
neighbor method . Bulletin of Electrical Engineering Sensing, 13, 1700–1713. https://doi.org/10.1109/
and Informatics, 9(1), 326–338. https://doi. JSTARS.2020.2983439
org/10.11591/eei.v9i1.1464
Wang, X., Liu, S., Du, P., Liang, H., Xia, J., & Li, Y. (2018).
Luo, S., Miao, D., Zhang, Z., & Wei, Z. (2020). Object-based change detection in urban areas from
Non-numerical nearest neighbor classifiers with high spatial resolution images based on multiple
value-object hierarchical embedding. Expert features and ensemble learning . Remote Sensing,
Systems with Applications, 150, 113206. https://doi. 10(2), 276. https://doi.org/10.3390/rs10020276
org/10.1016/j.eswa.2020.113206
Wang, Z., Li, X., Jin, J., Liu, Z., & Liu, W. (2020).
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., & Liu, Y. (2017). Unsupervised clustering of neighborhood
A review of supervised object-based land-cover associations and image segmentation applications.
image classification. ISPRS Journal of Photogrammetry Algorithms, 13(12), 309. https://doi.org/10.3390/
and Remote Sensing, 130, 277–293. https://doi. a13120309
org/10.1016/j.isprsjprs.2017.06.001
Wu, Y., & Zhang, X. (2020). Object-Based Tree
Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, Species classification using airborne hyperspectral
S., & Weng, Q. (2011). Per-pixel vs. Object-based images and lidar data . Forests, 11(1), 32. https://
classification of urban land cover extraction using doi.org/10.3390/f11010032
high spatial resolution imagery. Remote Sensing
of Environment, 115(5), 1145–1161. https://doi. Zhai, D., Dong, J., Cadisch, G., Wang, M., Kou, W., Xu,
org/10.1016/j.rse.2010.12.017 J., Xiao, X., & Abbas, S. (2018). Comparison of
pixel- and object-based approaches in phenology-
Papakonstantinou, A., Stamati, C., & Topouzelis, K. based rubber plantation mapping in fragmented
(2020). Comparison of true-color and multispectral landscapes . Remote Sensing, 10(1), 44. https://doi.
unmanned aerial systems imagery for marine org/10.3390/rs10010044.
habitat mapping using object-based image analysis.
Remote Sensing, 12(3), 554. https://doi.org/10.3390/
rs12030554

340 J Sci Technol MSU Vol 40. No 3, May-June 2021

คำาแนะนำาสำาหรบั ผนู้ พิ นธ์

วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม กำาหนดพิมพ์ปีละ 6 ฉบับ ฉบับท่ี 1 (มกราคม-กุมภาพันธ์)
ฉบับท่ี 2 (มนี าคม-เมษายน) ฉบับท่ี 3 (พฤษภาคม-มถิ ุนายน) ฉบับที่ 4 (กรกฎาคม-สงิ หาคม) ฉบับที่ 5 (กันยายน-ตลุ าคม)
ฉบับท่ี 6 (พฤศจิกายน-ธันวาคม) ผู้นิพนธ์ทุกท่านสามารถส่งบทความวิจัยเพ่ือรับการพิจารณาลงตีพิมพ์ได้ โดยไม่ต้อง
เป็นสมาชิกและไม่จำาเป็นต้องสังกัดมหาวิทยาลัยมหาสารคาม ผลงานที่ได้รับการพิจารณาในวารสารจะต้องมีสาระท่ีน่าสนใจ
เปน็ งานทที่ บทวนความรูเ้ ดิมหรอื องคค์ วามรใู้ หม่ ทท่ี ันสมัย รวมทัง้ ขอ้ คดิ เห็นทางวิชาการทเี่ ปน็ ประโยชน์ต่อผู้อ่าน และจะตอ้ ง
เปน็ งานทไี่ มเ่ คยตพี มิ พเ์ ผยแพรใ่ นวารสารอน่ื มากอ่ น รวมถงึ ไมอ่ ยรู่ ะหวา่ งพจิ ารณาลงพมิ พใ์ นวารสารใด บทความอาจถกู ดดั แปลง
แก้ไข เนอ้ื หา รปู แบบ และสาำ นวน ตามที่กองบรรณาธิการเหน็ สมควร ทั้งนี้ เพอ่ื ให้วารสารมคี ณุ ภาพในระดับมาตรฐานสากล
และนำาไปอ้างอิงได้

การเตรียมตน้ ฉบับ

1. ตน้ ฉบับพิมพ์เปน็ ภาษาไทยหรอื ภาษาองั กฤษ แต่ละเรอื่ งจะต้องมีบทคดั ยอ่ ท้งั ภาษาไทยและภาษาองั กฤษ การใช้
ภาษาไทยให้ยึดหลักการใช้คำาศัพท์การเขียนทับศัพท์ภาษาอังกฤษตามหลักของราชบัณฑิตยสถาน ให้หลีกเลี่ยงการเขียน
ภาษาองั กฤษรวมกบั ภาษาไทยในขอ้ ความ ยกเวน้ กรณจี าำ เปน็ เชน่ ศพั ทท์ างวชิ าการทไ่ี มม่ ที างแปล หรอื คาำ ทใ่ี ชแ้ ลว้ ทาำ ใหเ้ ขา้ ใจ
ง่ายข้นึ คำาศัพท์ภาษาอังกฤษทเ่ี ขียนเป็นภาษาไทยใหใ้ ชต้ วั เล็กท้งั หมด ยกเว้นช่อื เฉพาะ สาำ หรบั ตน้ ฉบบั ภาษาองั กฤษ ควรได้
รบั การตรวจสอบความถูกต้องของภาษาจากผเู้ ชยี่ วชาญดา้ นภาษาอังกฤษกอ่ น

2. ขนาดของตน้ ฉบบั ใช้กระดาษขนาด A4 (8.5x11 นวิ้ ) และพมิ พโ์ ดยเว้นระยะหา่ งจากขอบกระดาษดา้ นละ 1 นว้ิ
จดั เปน็ 2 คอลมั น์

3. ชนดิ ของขนาดตัวอกั ษร ทัง้ ภาษาไทยและภาษาอังกฤษให้ใช้ตวั อักษร Browallia New
3.1 ช่อื เร่อื งให้ใช้อักษรขนาด 18 pt. ตัวหนา
3.2 ช่ือผ้นู ิพนธใ์ ช้อักษรขนาด 16 pt. ตัวปกติ
3.3 หัวข้อหลักใช้อกั ษรขนาด 16 pt. ตัวหนา
3.4 หัวข้อรองใช้อักษรขนาด 14 pt. ตวั หนา
3.5 บทคัดย่อและเนอ้ื หาใช้ตัวอกั ษรขนาด 14 pt. ตัวบาง
3.6 เชงิ อรรถอย่หู นา้ แรกทเ่ี ป็นรายละเอยี ดช่อื ตาำ แหนง่ ทางวชิ าการ และทอ่ี ยู่ของผ้นู ิพนธใ์ ชอ้ กั ษรขนาด 12 pt.

ตัวบาง และใส่ Corresponding author
4. ผนู้ ิพนธ์จะต้องจัดเตรียมต้นฉบับในรูปแบบของไฟล์ “.doc” (MS Word) และ “.pdf” (Portable Document Format)
5. จำานวนหนา้ ความยาวของบทความไมค่ วรเกิน 12 หนา้ รวมตาราง รปู ภาพ และเอกสารอา้ งอิง
6. รปู แบบการเขยี นต้นฉบับ แบง่ เป็น 2 ประเภท ได้แก่ ประเภทบทความรายงานผลวิจยั หรอื บทความวจิ ัย (research

article) และบทความจากการทบทวนเอกสารวิจยั ท่ีผ้อู นื่ ทำาเอาไว้ หรอื บทความทางวิชาการ หรือบทความทั่วไป หรอื บทความ
ปริทัศน์ (review article)

7. การส่งบทความ ส่ง online ผา่ นระบบ ThaiJo โดยสามารถเขา้ ไปดรู ายละเอยี ดท่ี www.journal.msu.ac.th
8. หากจัดรูปแบบไม่ถูกต้องทางวารสารจะจัดส่งคืนผู้นิพนธ์เพื่อปรับแก้ไข ก่อนเสนอผู้ทรงคุณวุฒิพิจารณา
ซงึ่ อาจทาำ ใหก้ ระบวนการตีพิมพ์ล่าช้า

342 J Sci Technol MSU Vol 40. No 3, May-June 2021

บทความวจิ ยั /บทความวชิ าการ ให้เรียงลำ�ดบั หวั ขอ้ ดังนี้

ชอื่ เรื่อง (Title) ช่ือเรอ่ื งใหม้ ที งั้ ภาษาไทยและภาษาอังกฤษ ควรสนั้ กะชับ และสือ่ เป้าหมายหลักของงานวิจัย ไมใ่ ช้
คำ�ยอ่ ความยาวไม่เกนิ 100 ตวั อักษร
ชือ่ ผู้นพิ นธ์ [Author(s) ] และทีอ่ ยู่ ใหม้ ที ัง้ ภาษาไทยและภาษาอังกฤษ และระบุตำ�แหน่งทางวิชาการ หน่วยงาน หรือ
สถาบนั ทสี่ ังกัด และ E-mail address ของผู้นิพนธไ์ วเ้ ป็นเชิงอรรถของหน้าแรก เพ่อื กองบรรณาธิการสามารถตดิ ตอ่ ได้
บทคดั ยอ่ (Abstract) เปน็ การยอ่ เนอ้ื ความงานวจิ ยั ทง้ั เรอื่ งใหส้ น้ั และมเี นอื้ หา ประกอบดว้ ย วตั ถปุ ระสงค์ ผลการคน้ พบ
ที่สำ�คัญ และสรุป มีทั้งภาษาไทยและภาษาอังกฤษ โดยบทคัดย่อภาษาอังกฤษมีความยาวไม่เกิน 300 คำ� สำ�หรับบทคัดย่อ
ภาษาไทยใหส้ อดคล้องกบั บทคัดยอ่ ภาษาอังกฤษ
ค�ำ สำ�คัญ (Keywords) ทงั้ ภาษาไทยและภาษาอังกฤษ ไมเ่ กิน 5 ค�ำ ให้ระบุไว้ท้ายบทคดั ย่อของแต่ละภาษา
บทนำ� (Introduction) เปน็ ส่วนเริม่ ตน้ ของเน้อื หา ทีบ่ อกความเปน็ มา เหตผุ ล และวตั ถุประสงค์ ทนี่ �ำ ไปสูง่ านวิจยั น้ี
ใหข้ ้อมลู ทางวิชาการท่ีเกยี่ วขอ้ งจากการตรวจสอบเอกสารงานวจิ ัยท่ีเกยี่ วข้องทม่ี ีรายงานการศกึ ษากอ่ นหนา้
วสั ดอุ ปุ กรณแ์ ละวธิ กี ารศกึ ษา (Materials and Methods) ใหร้ ะบรุ ายละเอยี ด วสั ดอุ ปุ กรณ์ สง่ิ ทน่ี �ำ มาศกึ ษา จ�ำ นวน
ลกั ษณะเฉพาะของตวั อยา่ งทศ่ี กึ ษา อธบิ ายวธิ กี ารศกึ ษา แผนการทดลองทางสถติ ิ วธิ กี ารเกบ็ ขอ้ มลู การวเิ คราะหแ์ ละการแปรผล
ผลการศกึ ษา (Results) รายงานผลทค่ี น้ พบ ตามล�ำ ดบั ขน้ั ตอนของการวจิ ยั อยา่ งชดั เจนไดใ้ จความ ถา้ ผลไมซ่ บั ซอ้ น
และมีตัวเลขไม่มากควรใช้คำ�บรรยาย แต่ถ้ามีตัวเลข หรือ ตัวแปรมาก ควรใช้ตารางหรือแผนภูมิประกอบการรายงาน
ผลการศึกษา
วิจารณ์และสรุปผล (Discussion and Conclusion) การอภิปรายผลการศึกษาว่าตรงกับวัตถุประสงค์และ
เปรียบเทียบกับสมมติฐานของการวิจัยท่ีต้ังไว้ หรือแตกต่างไปจากผลงานท่ีมีผู้รายงานไว้ก่อนหรือไม่ อย่างไร เหตุผลใด
จงึ เปน็ เชน่ นน้ั และมพี นื้ ฐานอา้ งองิ ทเ่ี ชอื่ ถอื ได้ ผนู้ พิ นธอ์ าจมขี อ้ เสนอแนะทน่ี �ำ ผลงานวจิ ยั ไปใชป้ ระโยชน์ หรอื ทงิ้ ประเดน็ ค�ำ ถาม
การวิจยั ซง่ึ เปน็ แนวการส�ำ หรบั การวจิ ัยต่อไป
ตาราง รูป ภาพ แผนภูมิ (Table, Figures, and Diagrams) ควรคัดเลือกเฉพาะที่จำ�เป็น แทรกไว้ในเน้ือเร่ือง
โดยเรียงลำ�ดับให้สอดคล้องกับคำ�อธิบายในเน้ือเร่ือง และมีคำ�อธิบายเป็นภาษาอังกฤษ ท่ีส่ือความหมายได้สาระครบถ้วน
กรณที ่เี ปน็ ตาราง ค�ำ อธิบายอยดู่ ้านบน ถา้ เป็นรูป ภาพ แผนภมู ิ ค�ำ อธบิ ายอยูด่ า้ นลา่ ง
กติ ติกรรมประกาศ (Acknowledgements) ระบุวา่ งานวิจัยได้รบั การสนบั สนุนงบประมาณ หรือสนับสนนุ ดา้ นอน่ื ๆ
รวมถงึ ความชว่ ยเหลือจากองค์กรใดหรือผใู้ ดบา้ ง
เอกสารอ้างอิง (References) ระบุรายการเอกสารที่นำ�มาใช้อ้างอิงให้ครบถ้วนไว้ท้ายเรื่อง โดยใช้ APA Style
ดงั ตัวอย่าง สามารถดรู ายละเอยี ดและตัวอยา่ งเพม่ิ เติมไดท้ ี่ www.journal.msu.ac.th

เอกสารอา้ งองิ ใหเ้ ขยี นตามรปู แบบ “Publication Manual of the American Psychilogical Association”
(7th Edition)

1. หนงั สือ (ในรูปแบบรูปเลม่ )
ช่อื -สกลุ . (ปพี ิมพ์). ชือ่ เร่ือง (พิมพค์ รง้ั ที)่ . สำ�นกั พิมพ.์
ตวั อยา่ ง:
วธิ าน ฐานะวุฑฒ.์ (2547). หวั ใจใหม่-ชีวิตใหม.่ ปติ ศิ กึ ษา.

Vol 40. No 3, May-June 2021 J Sci Technol MSU 343

2. บทความในวารสารอิเลก็ ทรอนกิ ส์
ชื่อ-สกลุ . (ปพี มิ พ์). ชื่อบทความ. ช่อื วารสาร, เลขของปีท(ี่ เลขของฉบับท)ี่ , เลขหน้า. /https://doi.org/เลขdoi
ตวั อย่าง:
มานะ สนิ ธวุ งษานนท.์ (2549). ปัจจยั ส่งเสริมการจัดการศกึ ษาท่ีสง่ ผลตอ่ คณุ ภาพนกั เรยี นในภาคตะวันออกเฉยี งเหนือ. วารสาร

ครศุ าสตร,์ 18(2), 115-116.

3. รายงานการประชุมเชงิ วชิ าการ (Proceeding)
ชอ่ื -สกลุ . (ปี). ช่ือบทความ. ใน/ชอ่ื บรรณาธิการ (บ.ก.), ชอ่ื หวั ข้อการประชมุ . ชอื่ การประชมุ (น. เลขหน้า). ฐานข้อมูล.
ตวั อยา่ ง:
พัชราภา ตันติชูเวช. (2553). การศึกษาทั่วไปกับคุณลักษณะบัณฑิตท่ีพึงประสงค์ในประเทศมาเลเซีย และสิงคโปร์ ศึกษา

โดยเปรยี บเทยี บกบั ประเทศไทย. ใน ศริ ชิ ยั กาญจนวาสี (บ.ก.), การขบั เคล่อื นคุณภาพการศกึ ษาไทย. การประชมุ วิชาการ
และเผยแพร่ ผลงานวจิ ยั ระดบั ชาติ (น. 97-102). คณะครศุ าสตร์ จุฬาลงกรณม์ หาวทิ ยาลัย.

4. หนงั สอื พมิ พ์และหนงั สอื พมิ พอ์ อนไลน์
ชอ่ื สกุล. (ปี, /วัน/เดอื น). ชอื่ คอลัมน.์ ชอื่ หนงั สอื พิมพ์, เลขหน้า.
ตัวอย่าง:
พงษ์พรรณ บญุ เลศิ . (2561, 15 สงิ หาคม). เดลินวิ สว์ าไรต:ี้ ‘สือ่ พิพธิ ภัณฑ์’ เช่อื ม ยุคสมยั เข้าถงึ ด้วย ‘มติ ใิ หม’่ อินเทรนด.์

เดลนิ ิวส์, 4.

5. หนังสือ (ในรปู แบบอิเลก็ ทรอนิกส)์
ชื่อ สกุล. (ปีพมิ พ)์ . ช่อื เร่อื ง (พิมพ์ครงั้ ที่). URL
ตัวอย่าง:
กระทรวงศกึ ษาธกิ าร. (2560). หลกั สตู รการศกึ ษาปฐมวยั พทุ ธศกั ราช 2560 สำ�หรบั เดก็ อายุ ต่ำ�กวา่ 3-5 ป.ี http://drive.google.

com/file/d/1HiTwiRh1Er73h VYIMh1cYWzQiaNl_Vc/view

344 J Sci Technol MSU Vol 40. No 3, May-June 2021

Intruction for Authors

Research manuscripts relevant to subject matters outlined in the objectives are accepted from all institutions and private
parties provided they have not been preprinted elsewhere. The context of the papers may be revised as appropriate
to the standard. The manuscript must be interesting topic, review knowledge, modern knowledge, and academic
comments that are beneficial to readers. The journal publishes 6 issues a year. Vol.1 (January-February) Vol.2 (March-
April) Vol.3 (May-June) Vol.4 (July-August) Vol.5 (September-October) Vol.6 (November-December).

Preparation of manuscripts:

1. Manuscripts can be written in either Thai or English with the abstract in both Thai and English. The use
of Thai language adheres to the principles of vocabulary, transliteration in English according to the principles of the
Royal Society of Thailand. Manuscript should be specific, clear, concise, accurate, and consistent. Mixing Thai and
English should be avoided except for the case of necessity, such as academic vocabulary with no translation or mixing
words for easier understanding. English vocabulary written in Thai must use all lowercase except for unique names.
English language manuscripts should be checked by an English language editor prior to submission.

2. Manuscript should be on A4 standard size paper. Each side must have 1” margins with 2 columns.
3. Browallia New font is required with font size as follows:

3.1 Title of the article: 18 pt. Bold
3.2 Name(s) of the authors: 16 pt. Unbold
3.3 Main Heading: 16 pt. Bold
3.4 Sub-heading: 14 pt. Bold
3.5 Body of the text: 14 pt. Unbold
3.6 Footnotes for authors and their affiliations: 12 pt. Unbold, must be cited at the bottom of the first
page. Academic position and corresponding author must be added at footnotes.
4. Manuscripts should be typed in MS word “.doc” and “.pdf” (Portable Document Format)
5. The number of pages are limited to 12 pages, including references, tables, graphs, or pictures.
6. Types of manuscripts: research articles and review articles.
7. Manuscript submission: online submission via www.journal.msu.ac.th
8. Manuscript with uncorrected format will be sent back to the author before review process which can
delay the publication process.

Research article / review article must be in sequence as follows:

Title: denoted in both Thai and English, must be concise and specific to the point, normally less than 100
characters.

Name(s) of the author(s): denoted with affiliation must be in Thai and English, academic position must be
specified, and email address for contact the author.

Abstract: This section of the paper should follow an informative style, concisely covering all the important
of findings. The abstract must include objectives, findings, and conclusion. Thai and English abstract is required. The
English abstract is restricted to 300 words. Thai abstract should be relevant to English version.

Keywords: Give 4-5 concise words to specify your article

Vol 40. No 3, May-June 2021 J Sci Technol MSU 345

Introduction: This section is the initial part of the article, contain information about background, reasons,
purposes, and review section.
Materials and Methods: A discussion of the materials used, and a description clearly detailing how the
experiment was undertaken, e.g., experimental design, data collection and analysis, and interpretation
Results: Present the output. Li the information in complicated, add tables, graphs, diagrams etc., as
necessary.
Discussion and Conclusion: Discuss how the results are relevant/oppose to the objective and hypothesis.
How the result is different/relevant when comparing to the former findings. Give us your reason why result is like that
base on reliable researches. This part should end with suggestions for research utilization or providing questions for
future studies.
Tables, figures, diagrams: Selected only necessary objects to insert in the body of manuscript in accordance
with the description in the text. The short description is required in English with completely meaningful. For figures and
diagrams, the description is below the picture. But, for table, the description is on top of the table.
Acknowledgement: the name of the persons, organization, or funding agencies who helped support the
research are acknowledged in this section.
References: listed and referred in APA.

Reference are written in “Publication Manual of the American Psychilogical Association”
(7th Edition)

1. Book
Mertens, D.M. (2014). Research and evaluation in education and psychology: Integrating diversity with quantitative,

qualitative, and mixed methods (4th ed.). SAGE.

2. Academic Journal
Herbst-Damm, K.L., & Kulik, J.A. (2005). Volunteer support, marital status, and the survival times of terminally ill

patients. Health Psychology, 24, 225-229. https://doi.org/10.1037/0278-6133.24.2.225

3. Conference Proceeding
Katz, I., Gabayan, K., & Aghajan, H. (2007). A multi-touch surface using multiple cameras. In J. Blanc-Talon, W. Philips,

D. Popescu, & P. Scheunders (Eds.), Lecture notes in computer science: Vol. 4678. Advanced concepts for
intelligent vision systems (pp. 97-108). Springer-Verlag. https://doi.org/10.1007/978-3-540-74607-2_9

4. Newspaper / Online Newspaper
Brody, J.E. (2007, December 11). Mental reserves keep brain agile. The New York Times. http://www.nytimes.com

5. E-book
Dahlberg, G., & Moss, P. (2005). Ethics and politics in early childhood education. https://epdf.tips/ethics-and-politics-

in-early-childhoodeducation-contesting-early-childhood.html

Mahasarakham University Journal of Science and Technology

Aim and Scope: Associate Professor Dr.Porntep Tanonkeo
The Journal of Science and Technology aims to disseminate Khon Kaen University
of scientific knowledge in the discipline of Mathematics, Associate Professor Dr.Narumon Sangpradub
Science, Technology, Engineering, Agriculture, Medicine, Khon Kaen University
Health Science, Interdisciplinary in science and tehnology. Associate Professor Dr.Terdsak Khammeng
The journal publishes both research article and review article. Khon Kaen University
MOwahnaesrasrhaikpham University Associate Professor Yuen Poovarawan
Editorial Office Kasetsart University
Division of Research Facilitation and Dissemination, Associate Professor Dr.Orawich Goompol
Khamriang Sub-distict, Kantharawichai District, Mahasarakham University
Maha Sarakham Province 44150 Associate Professor Dr.Sirikasem Sirilak
Tel & Fax: 0 4375 4238 ext. 1754 Naresuan University
Advisors Assistant Professor Dr.Chawalit Boonpok
President of Mahasarakham University Mahasarakham University
Professor Dr. Visut Baimai Assistant Professor Dr.Napparat Buddhakala
Professor Dr. Vichai Boonsaeng Rajamangala University of Technology Thanyaburi
PErdoifteosrs-ionr-CDhr.iPefreecha Prathepha Assistant Professor Dr.Anucha Pranchana
Assistant Editors Ubon Ratchathsni Rajabhat University Assistant
Professor Dr.Pairot Pramual Professor Dr.Seckson Sukhasena
Mahasarakham University Naresuan University
Professor Dr.Sirithon Siriamornpun Assistant Professor Dr.Apinya Wongpiriyayothar
Mahasarakham University Mahasarakham University
Associate Professor Dr.Worapol Aengwanich Assistant Professor Dr.Alongkorn Lamom
Mahasarakham University Mahasarakham University
Associate Professor Dr.Vallaya Sutthikhum Assistant Professor Dr.Natapol Pumipuntu
Mahasarakham University Mahasarakham University
PEdroifteosrsiaolrBDora.Trdhaweesakdi Boonkerd Assistant Professor Dr.Somnuk Puangpronpitag
Chulalongkorn University Mahasarakham University
Professor Dr.La-orsri Sanoamuang Dr.Rakjinda Wattanalai
Khon Kaen University Siam University
Professor Dr.Pranee Anprung Dr.Adrian R. Plant
Chulalongkorn University Professor Mahasarakham University
Professor Dr.Niwat Sonoamuang Secretary
Khon Kaen University Chaweewan Akkasesthang
Professor Dr.Anongrit Kangrang APhsaskiswtailanitRsuencgrewtiasrayi
Mahasarakham University Jirarat Puseerit
Associate Professor Dr.Sunan Saikrasun Six issues per year
Mahasarakham University Number 1 January-February
Associate Professor Dr.Suwanna Boonyaleepun Number 2 March-April
Khon Kaen University Number 3 May-June
Associate Professor Dr.Kwanjai Kanokmedhakul Number 4 July-August
Khon Kaen University Number 5 September-October
Associate Professor Dr.Chantana Aromdee Number 6 November-December
Khon Kaen University
Associate Professor Dr.Boonchong Chawsithiwong National
Institute of Development Administration