FREL/FRLแก้ไขล่าสุด10.01.2021

การวดั ข้อมลู ท่หี อ้ งปฏบิ ตั ิการ (Laboratory measurements)

ตัวแทนของตวั อยา่ ง (Aliquots) ของชนิ้ สว่ นทง้ั 4 ประเภท จะถกู นามาวัดความหนาแนน่ ไม้ (wood
density) (สมการ (17)) และอัตราสว่ นของนา้ หนกั สดตอ่ นา้ หนักแหง้

with the wood density of the aliquot in g/cm3, its dry weight in g and its
fresh volume in cm3.

with the fresh-to-dry ratio, unitless, and the dry and fresh mass respectively, in g.

มวลชวี มวลคือมวลแห้ง B ของช้นิ สว่ นต้นไม้ยืนคานวณเปน็ ผลรวมของการวดั ปรมิ าตรคูณด้วยความ
หนาแนน่ ไม้เฉลีย่ ของกง่ิ กา้ นใหญส่ าหรบั ลาต้นและกงิ่ ใหญแ่ ละก่ิงเล็กอย่างอืน่

∑∑ ∑

with the biomass in kg, , and the fresh volume of the stem

segment , big branch segment and small branch in m3, the wood density of the

compartment in g/cm3.

The biomass of the fell branches was calculated as the sum of fresh masses multiplied by
the average fresh-to-dry ratio of their compartment.

∑ ∑∑

with , and the fresh mass of the big branch the small branch and
the leaf respectively, in kg, and the fresh-to-dry ratio of the compartment .

101

ตน้ ไม้ทดี่ าเนนิ การศกึ ษามขี นาดเส้นผ่านศูนยก์ ลางตงั้ แต่ 5.1 ถงึ 124 ซม. และความสูงตั้งแต่ 6.8 ถึง
45 เมตร (ตารางที่ 18) จานวนท้ังหมด 35 ชนิด โดยชนิดพันธุ์เด่นได้แก่ Parashorea stellata, Xylia
xylocarpa, Pterocarus macrocarpus และ Lagerstroemia duperreana ซึ่งเป็นกลุ่มไม้ใหญ่
(big trees) (รปู ท่ี 13 A) มวลชีวภาพของตน้ ไม้ทกุ ต้นคานวณจาก ลาตน้ ก่งิ ใหญ่และก่ิงเล็ก ซ่ึงขนาดแตกต่าง
กนั ไปสาหรบั ต้นไม้แตล่ ะต้น ต้น Parashorea stellata มีปริมาณกิ่งก้านเล็กมากกว่ากิ่งใหญ่ในการคานวณ
มวลชีวภาพรวม ในขณะที่สายพันธ์ุอ่ืน ๆ เช่น ต้นแดง (Xylia xylocarpa) ช้อมูลมีลักษณะตรงกันข้าม
(มีปริมาณกง่ิ ก้านใหญ่มากกว่ากิง่ เล็ก)

Table 18 Measured tree characteristics.

ID Park Species DBH H WD
1 KK Sterculia scaphigera 35.00 20.0 0.89
2 KK Aglaia elliptica 12.70 15.0 0.53
3 KK Parashorea stellata 90.00 40.0 0.73
4 KK Xerospermum noronhianum 12.60 16.7 0.83
5 KK Pterospermum lanceifolium 32.20 27.0 0.57
6 KK Adinandra integerrina 65.41 32.0 0.67
7 KK Nephelium meliiferum 42.00 32.0 0.89
8 KK Xerospermum noronhianum 28.40 17.0 0.91
9 KK Alseodaphne obovata 45.90 27.0 0.60
10 KK Parashorea stellata 107.00 42.0 0.63
11 KK Parashorea stellata 60.20 38.0 0.60
12 KK Parashorea stellata 67.40 43.0 0.61
13 KK Heritiera javanica 37.20 33.0 0.58
14 KK Aglaia aspers 45.00 27.0 0.77
15 KK Brownlowia helferiana 47.70 26.0 0.46
16 KK Parashorea stellata 124.00 45.0 0.65
17 KK Aglaia erythrosperma 66.30 34.0 0.76
18 KK Alphonsea elliptica 50.30 33.0 0.67
19 KK Parashorea stellata 71.60 40.0 0.65

102

20 KK Brownlowia helferiana 57.90 27.0 0.48
21 PP Pterocarpus macrocarpus 70.00 28.0 0.69
22 PP Erythrina subumbrans 57.00 24.0 0.36
23 PP Lagerstroemia duperreana 72.00 26.0 0.66
24 PP Millettia leucantha var. buteoides 76.00 28.0 0.73
25 PP Sindora siamensis var. siamensis 44.00 23.0 0.68
26 PP Terminalia nigrovenulosa 57.00 29.0 0.76
27 PP Lagerstroemia duperreana 93.00 23.0 0.58
28 PP Cratoxylum formosum subsp. pruniflorum 30.00 24.0 0.65
29 PP Rothmannia wittii 16.00 15.0 0.69
30 PP Symplocos macrophylla 34.00 15.0 0.61
31 PP Hymenodictyon orixense 12.00 15.0 0.48
32 PP Cratoxylum formosum subsp. pruniflorum 63.00 28.0 0.59
33 PP Dialium cochinchinense 44.00 21.0 0.85
34 PP Canarium subulatum 60.40 24.0 0.53
35 PP Adina dissimilis 26.00 22.0 0.64
36 PP Dialium cochinchinense 33.00 26.0 0.85
37 PP Xylia xylocarpa 66.00 34.0 0.90
38 PP Xylia xylocarpa 89.00 29.0 0.92
39 PP Adina dissimilis 84.00 38.0 0.62
40 PP Pterocarpus macrocarpus 77.00 38.0 0.61
41 TSL Spondias pinnata 70.20 29.0 0.39
42 TSL Mangifera pentandra 27.00 17.0 0.60
43 TSL Pterocarpus macrocarpus 60.40 28.0 0.75
44 TSL Lagerstroemia duperreana 76.40 29.0 0.66
45 TSL Lagerstroemia duperreana 76.00 25.0 0.65
46 TSL Terminalia belliraca 38.50 27.0 0.59
47 TSL Xylia xylocarpa 79.50 29.0 0.90
48 TSL Terminalia nigrovenulosa 52.00 29.0 0.69

103

49 TSL Hymenodictyon orixense 16.00 12.0 0.45
50 TSL Vitex pinnata 45.00 23.0 0.72
51 TSL Pterocarpus macrocarpus 66.00 28.0 0.74
52 TSL Pterocarpus macrocarpus 87.00 25.0 0.78
53 TSL Microcos paniculate 5.10 6.8 0.46
54 TSL Carallia brachata 61.00 23.0 0.63
55 TSL Hopea odorata 105.00 36.0 0.82
56 TSL Lagerstroemia duperreana 37.20 24.0 0.64
57 TSL Dipterocarpus turbinatus 55.00 29.0 0.67
58 TSL Terminalia nigrovenulosa 28.00 27.0 0.59
59 TSL Mangifera pentandra 57.00 22.0 0.65
60 TSL Xylia xylocarpa 41.00 28.0 0.84

Figure 13: Measured tree compartments’ biomass (stem, big branches, small branches plus
leaves) (A), Measured and estimated tree aboveground biomass in Kaeng Krung (B), Thung
Salaeng Luang (C) and Phu Phan (D) national parks.

104

สมการ Chave โดยท่วั ไปจะประเมินค่ามวลชวี ภาพของต้นไม้มากกวา่ ความเปน็ จริง ในขณะที่สมการ
ของประเทศไทยสว่ นมากจะประเมนิ ค่ามวลชวี ภาพตา่ กวา่ ความเป็นจริง (รปู ท่ี 13 B, C, D) ขอ้ มลู ดงั กลา่ วเหน็
ไดอ้ ย่างชดั เจนกับการศกึ ษาที่อทุ ยานแห่งชาติแกร่งกรุง (KK) และอุทยานแห่งชาตภิ พู าน (PP) ในขณะท่สี มการ
Chave ที่ใชค้ านวณข้อมูลของอทุ ยานแห่งชาตทิ งุ่ แสลงหลวง (TSL) นัน้ ให้ขอ้ มูลที่ใกล้เคียงกับการวัดมากกว่า
สมการอืน่ ๆ สว่ นสมการ Ogawa เมื่อใช้กับปุาผลัดใบ (Deciduous forest) ให้ผลข้อมูลมวลชีวภาพต่ากว่า
ความเป็นจรงิ และแมแ้ ต่ปุาเบญจพรรณกใ็ หผ้ ลแบบน้ีเช่นกัน

ต่อไปน้ีจะแสดงใหเ้ ห็นเรือ่ งของความเบ่ยี งเบน (bias) ของการคานวณ (ตารางที่ 19) สมการ Ogawa
(สมการปุาผลัดใบ-dec ) และสมการ Chave มีความเบ่ียงเบนโดยรวมมากที่สุด ความเบี่ยงเบนโดยรวมของ
สมการ Chave ใหค้ ่าท่ีใกลเ้ คียงกบั สมการท่ดี ที สี่ ดุ (best equation) สืบเน่ืองมาจากมีต้นไม้ใหญ่มากต้นหน่ึง
ในอุทยานแห่งชาติทุ่งแสลงหลวง (TSL) ทาให้มีมวลชีวภาพจากประมาณที่ใกลเ้ คียงกบั การวดั มาก สมการของ
ปุาไม่ผลัดใบจากสมการ Ogawa (สมการปุาดิบชื้นเขตร้อน-trop) และสมการ Tsutsumi มีความเบ่ียงเบน
โดยรวมนอ้ ยทส่ี ุด สมการนใี้ ห้ผลลพั ธท์ ี่ดมี ากกบั ปาุ ดิบเขตรอ้ น เนอ่ื งจากสมการออกแบบมาสาหรับปุาชนิดน้ี
แต่ท่ีน่าแปลกคือ ผลลัพธ์จากสมการ Tsutsumi ทาได้ดีกว่าสมการ Ogawa (สมการปุาผลัดใบ-dec.)
ที่คานวณกบั ปาุ เบญจพรรณ

หลังจากปรกึ ษาหารอื กบั ผ้เู ชีย่ วชาญของกรมอุทยานแหง่ ชาติ สตั ว์ปุา และพันธ์ุพืช (DNP) ทีมงานได้
สรุปผลว่าเปน็ ผลมาจากการเนน้ การศึกษากับตน้ ไมใ้ หญ่มากเกินไป เป็นการเลือกพ้ืนท่ีท่ีมีสภาพใกล้เคียงกับ
ปาุ ไมผ่ ลัดใบ ถึงแม้วา่ สภาพของพนื้ ทีศ่ กึ ษาสว่ นใหญ่เป็นปาุ เบญจพรรณกต็ าม การศึกษานี้ไม่มสี มการใดทีต่ อบ
โจทย์ได้ครบถ้วน สมการของไทยดูเหมือนจะสะท้อนได้ดีถึงมวลชีวภาพท่ีเพ่ิมขึ้นจากปุาผลัดใบ (สมการ
Ogawa ปุาผลัดใบ) ไปยังปุาดิบแล้ง (Dry Evergreen forest) และปุาดิบเขา (Hill Evergreen forest)
(สมการ Tsutsumi) และเปล่ียนเป็นปุาดิบชื้น (Tropical Evergreen forest) (สมการ Ogawa ปุาดิบช้ืน)
สมการเหล่านี้ยงั อาจจะประเมินมวลชวี ภาพต่ากว่าปกตสิ าหรับไมท้ ่ีมีความหนาแน่นมากๆ แต่สมการ Chave
จะประเมินได้ดีกว่าเนื่องจากความหนาแน่นของไม้เป็นตัวแปรหน่ึงในการสร้างสมการ จากการศึกษาน้ีจึง
แนะนาให้ใชส้ มการของไทยต่อไป เนื่องจากเป็นที่นิยมมากในประเทศไทยอยู่แล้ว และไม่ได้มีประสิทธิภาพ
ดอ้ ยไปกวา่ สมการเขตร้อนช้นื

Table 19 Bias of the Chave and Thailand based allometric equations in percent.

National Chave 2014 Ogawa 1965 trop. Ogawa 1965 dec. Tsutsumi 1982
park 21.5 -4.8 -17.9 -5.3
7.2 -22.7 -33.0 -22.1
KK 17.8 -13.2 -24.7 -12.4
TSL 15.5 -13.6 -25.2 -13.3
PP
Total

105

ปริมาณกักเก็บคาร์บอนปุาไม้ โดยทั่วไปประคานวณจากข้อมูลการสารวจและสมการอัลโลเมทรี
(allometric equations) เพ่ือแปลงลักษณะของต้นไม้ท่ีวัดได้ง่ายให้เป็นข้อมูลมวลชีวภาพระดับต้นไม้
ระดับแปลง และทั้งพนื้ ที่ปาุ ไม้ การเลือกสมการอัลโลเมทรีมีผลกระทบอย่างมากต่อความน่าเชื่อถือของการ
ประเมินขอ้ มลู การกกั เกบ็ คารบ์ อน เนอื่ งจากสมการทใ่ี ช้ไมอ่ ยชู่ ่วงเสน้ ผา่ นศนู ย์กลางของต้นไม้ หรืออยนู่ อกเขต
นเิ วศ (biomes) ซึง่ นาไปสูก่ ารประมาณการกกั เก็บคาร์บอนท่ีมีความเอนเอยี งสงู

เน่ืองจากกฎหมายในประเทศไทยห้ามการตัดต้นไม้ ถึงแม้เพื่อวัตถุประสงค์ในการวิจัย ดังน้ัน
การศึกษาปริมาณกักเก็บคาร์บอนในปุาตามธรรมชาติ จึงใช้ชุดสมการอัลโลเมทรีท่ีพัฒนาขึ้นในช่วงยุค 60
(1960s) และยคุ 80 (1980s) มีขอ้ มูลรายละเอียดที่เกี่ยวกับการพัฒนาสมการนี้น้อยมาก และสมการเหล่านี้
ค่อนข้างเก่า ซง่ึ การใชส้ มการเหล่าน้อี าจเกิดความเอนเอียงได้

การศึกษามวลชวี ภาพเหนือพ้ืนดนิ ของตน้ ไม้จานวน 60 ต้น ทาโดยการวัดลักษณะของต้นไม้แบบตัด
ตัวอย่างบางส่วน (semi-destructive measurement) และการวิเคราะห์ตัวในห้องปฏิบัติการของ
ลาตน้ และอตั ราส่วนมวลสดตอ่ มวลแหง้ ของกิ่ง และความหนาแน่นของไม้ การศึกษาแสดงให้เห็นว่าผลลัพธ์
จากสมการจาก Ogawa (1965) และ Tsutsumi (1983) มีความเบี่ยงเบน 5 ถึง 33 % ข้ึนอยู่กับสภาพปุา
สมการที่พฒั นาสาหรบั ข้นึ ของปุาผลัดใบมปี ระสิทธิภาพที่ไม่ดีมากนัก แต่โดยพ้ืนฐานแล้วพื้นที่ศึกษาจะเลือก
พ้ืนท่ีปาุ ไม่ผลัดใบเปน็ หลกั ในเง่ือนไขเหล่าน้ีพบว่าสมการของไทยจะสะท้อนถึงสภาพปุาไม้ของประเทศไทย
ได้อย่างดี และไม่ได้มีประสิทธิภาพด้อยไปกว่าสมการแถบเขตร้อน (pan-tropical equations) เน่ืองจาก
ความนยิ มของการใช้สมการในประเทศไทย และการใหผ้ ลที่คอ่ นข้างดีต่อกระบวนการตรวจสอบความถูกต้อง
จึงสนับสนุนในการใช้สมการ Ogawa (1965) และ Tsutsumi (1983) เพ่ือคานวณปริมาณกักเก็บคาร์บอน
ปาุ ไมใ้ นประเทศไทย

106

Chaiyo, Ubonwan, Savitri Garivait, and Kobsak Wanthongchai. 2012. “Structure and Carbon Storage
in Aboveground Biomass of Mixed Deciduous Forest in Western Region, Thailand.” GMSARN
Internaltional Journal 6 (December): 143–50.

Chang, Winston. 2019. Webshot: Take Screenshots of Web Pages. https://CRAN.R-
project.org/package=webshot.

Chave, Jerome, David Coomes, Steven Jansen, Simon L. Lewis, Nathan G. Swenson, and Amy E.
Zanne. 2009. “Towards a Worldwide Wood Economics Spectrum.” Ecology Letters 12 (4): 351–66.
https://doi.org/10.1111/j.1461-0248.2009.01285.x.

Chave, Jérôme, Maxime Réjou-Méchain, Alberto Búrquez, Emmanuel Chidumayo, Matthew S.
Colgan, Welington B.C. Delitti, Alvaro Duque, et al. 2014. “Improved Allometric Models to Estimate
the Aboveground Biomass of Tropical Trees.” Global Change Biology 20 (10): 3177–90.
https://doi.org/10.1111/gcb.12629.

Cochran, William G. 1977. Sampling Techniques, 3rd Edition. John Wiley.

Harrell Jr, Frank E, with contributions from Charles Dupont, and many others. 2020. Hmisc: Harrell
Miscellaneous. https://CRAN.R-project.org/package=Hmisc.

Henry, M., A. Besnard, W.A. Asante, J. Eshun, S. Adu-Bredu, R. Valentini, M. Bernoux, and L. Saint-
André. 2010. “Wood Density, Phytomass Variations Within and Among Trees, and Allometric
Equations in a Tropical Rainforest of Africa.” Forest Ecology and Management 260 (8): 1375–88.
https://doi.org/https://doi.org/10.1016/j.foreco.2010.07.040.

IPCC. 2006. 2006 Ipcc Guidelines for National Greenhouse Gas Inventories. https://www.ipcc-
nggip.iges.or.jp/public/2006gl/.

———. 2013. 2013 Supplement to the 2006 Ipcc Guidelines for National Greenhouse Gas Inventories:
Wetlands. https://www.ipcc-nggip.iges.or.jp/public/2006gl/.

Jha, N., N. K. Tripathi, W. Chanthorn, W. Brockelman, A. Nathalang, R. Pélissier, S. Pimmasarn, et al.
2020. “Forest Aboveground Biomass Stock and Resilience in a Tropical Landscape of Thailand.”
Biogeosciences 17 (1): 121–34. https://doi.org/10.5194/bg-17-121-2020.

Kassambara, Alboukadel. 2020. Ggpubr: ’Ggplot2’ Based Publication Ready Plots. https://CRAN.R-
project.org/package=ggpubr.

Momo Takoudjou, Stéphane, Pierre Ploton, Bonaventure Sonké, Jan Hackenberg, Sébastien Griffon,
Francois de Coligny, Narcisse Guy Kamdem, et al. 2018. “Using Terrestrial Laser Scanning Data to
Estimate Large Tropical Trees Biomass and Calibrate Allometric Models: A Comparison with
Traditional Destructive Approach.” Methods in Ecology and Evolution 9 (4): 905–16.
https://doi.org/10.1111/2041-210X.12933.

107

Ogawa, H., K. Yoda, K. Ogino, and T. Kira. 1965. “Comparative Ecological Studies on Three Main
Types of Forest Vegetation in Thailand Ii Plant Biomass.” Nature and Life in Southeast Asia 4: 49–80.

Ounban, Waraporn, Ladawan Puangchit, and Sapit Diloksumpun. 2016. “Development of General
Biomass Allometric Equations for Tectona Grandis Linn.f. And Eucalyptus Camaldulensis Dehnh.
Plantations in Thailand.” Agriculture and Natural Resources 50 (1): 48–53.
https://doi.org/https://doi.org/10.1016/j.anres.2015.08.001.

Pebesma, Edzer. 2020. Sf: Simple Features for R. https://CRAN.R-project.org/package=sf.

Picard, Nicolas, Faustin Boyemba Bosela, and Vivien Rossi. 2015. “Reducing the error in biomass
estimates strongly depends on model selection.” Annals of Forest Science 72 (6). Springer
Verlag/EDP Sciences: 811–23. https://doi.org/10.1007/s13595-014-0434-9.

Picard, N., L. Saint-André, and M. Henry. 2012. Manual for Building Tree Volumeand Biomass
Allometric Equations: From Field Measurement to Prediction. Food; Agriculture Organization of the
United Nations, Rome,; Centre de Coopération Internationale en Recherche Agronomique pour le
Développement, Montpellier, 215 pp. http://www.fao.org/3/i3058e/i3058e.pdf.

R Core Team. 2019. R: A Language and Environment for Statistical Computing. Vienna, Austria: R
Foundation for Statistical Computing. https://www.R-project.org/.

Reyes, Gisel, Sandra Brown, Jonathan Chapman, and Ariel E. Lugo. 1992. “Wood Densities of Tropical
Tree Species.” Technical Report. SO-88. New Orleans, LA: U.S. Dept of Agriculture, Forest Service,
Southern Forest Experiment Station. https://doi.org/10.2737/SO-GTR-88.

RStudio Team. 2015. RStudio: Integrated Development Environment for R. Boston, MA: RStudio, Inc.
http://www.rstudio.com/.

Tennekes, Martijn. 2020. Tmap: Thematic Maps. https://CRAN.R-project.org/package=tmap.

Terakunpisut, J. 2007. “Carbon Sequestration Potential in Aboveground Biomass of Thong Pha Phum
National Forest, Thailand.” Applied Ecology and Environmental Research 5 (2): 93–102.
https://kukr.lib.ku.ac.th:443/db/kukr/search_detail/exportBibTex/336301.

Tobin, Ciaran. 2020. Ggthemr: Themes for Ggplot2.

Tsutsumi, T., K. Yoda, P. Sahunalu, P. Dhanmanonda, and B. Prachaiyo. 1983. Forest: Felling, Burning
and Regeneration. Kyuma, K.; Pairitra, C., Eds., Shifting cultivation. Tokyo.

Warner, Andrew J., Monton Jamroenprucksa, and Ladawan Puangchit. 2016. “Development and
Evaluation of Teak (Tectona Grandis L.f.) Taper Equations in Northern Thailand.” Agriculture and
Natural Resources 50 (5): 362–67. https://doi.org/https://doi.org/10.1016/j.anres.2016.04.005.

Wickham, Hadley. 2019. Tidyverse: Easily Install and Load the ’Tidyverse’. https://CRAN.R-
project.org/package=tidyverse.

108

Wickham, Hadley, Winston Chang, Lionel Henry, Thomas Lin Pedersen, Kohske Takahashi, Claus
Wilke, Kara Woo, Hiroaki Yutani, and Dewey Dunnington. 2020. Ggplot2: Create Elegant Data
Visualisations Using the Grammar of Graphics. https://CRAN.R-project.org/package=ggplot2.
Xie, Yihui. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman;
Hall/CRC. http://yihui.name/knitr/.
———. 2020a. Bookdown: Authoring Books and Technical Documents with R Markdown.
https://CRAN.R-project.org/package=bookdown.
———. 2020b. Knitr: A General-Purpose Package for Dynamic Report Generation in R.
https://CRAN.R-project.org/package=knitr.
Zanne, A.E., G. Lopez-Gonzalez, D.A. Coomes, J. Ilic, S. Jansen, S.L. Lewis, R.B. Miller, N.G. Swenson,
M.C. Wiemann, and J Chave. 2009. “Global Wood Density Database.” Dryad Digit. Repos.
https://datadryad.org/stash/dataset/doi:10.5061/dryad.234.

109

ภาคผนวก II (ANNEX II)
ขอ้ มลู กจิ กรรม (Activity Data)

110

ภาคผนวก II.1: แผนที่การเปลยี่ นแปลงชนดิ ป่าไม้; การเพมิ่ จานวนตวั อยา่ ง

การเร่ิมการจดั ทาระดับชัน้ ข้อมูลตัวอย่างเพื่อใช้ในการประมาณพื้นท่ีแบบแบ่งชั้น (Stratified Area
Estimates: SAEs) โดยการนาข้อมูลพื้นท่ีปุาไม้ช่วงปีอ้างอิง ปี พ.ศ. 2549 ถึงปี 2559 ซึ่งระดับชั้นท่ี
ประกอบด้วย 4 ชัน้ ดงั นี้ พนื้ ที่ทไ่ี ม่ใช่ปุาไม้ (Non-Forest: NF) พื้นท่ีปุาไม้ท่ีไม่เปลี่ยนแปลง (forest stable)
พื้นทปี่ าุ ไมท้ ่ลี ดลง (forest loss) และพ้ืนท่ีปุาไมท้ ่ีเพม่ิ ขึน้ (forest gain) ในตอนสดุ ท้ายของการวิเคราะห์และ
จดั ทาขอ้ มูลอ้างอิงรอบแรก (reference data) มีการตรวจสอบชั้นข้อมลู จานวน 2-3 ช้ัน ด้วยจานวนตัวอย่าง
เพยี งเล็กนอ้ ย ซ่ึงพบวา่ ไมเ่ พยี งพอท่จี ะประเมินพ้ืนทแี่ บบ SAEs ดังน้นั จึงตดั สินใจท่จี ะเพม่ิ จานวนตวั อย่างเพื่อ
ตรวจสอบ (intensify the sample assessment) ประเทศไทยประสงค์ที่จะรายงานข้อมูลระดับการปล่อย
อ้างอิงภาคปุาไม้และระดับอ้างอิงภาคปุาไม้ (FREL/FRL) ในระดับพื้นที่ปุาไม้ โดยจะดาเนินการคานวณค่า
สัมประสทิ ธิ์การปล่อยอา้ งอิง (Emission Factors :EFs) ตามรายชนดิ ปาุ ไม้หลกั 3 ชนิด (ปุาไม่ผลัดใบ ปุาผลัดใบ
และปาุ ชายเลน) ซ่ึงข้อมลู กิจกรรม (Activity Data : AD) จะดาเนนิ การอย่างสอดคล้องเพ่ือให้ได้พ้นื ที่และการ
เปลยี่ นแปลงของชนิดปุาไมห้ ลกั ทั้ง 3 ชนดิ ดังกลา่ ว

การเพิ่มจานวนตัวอย่างดาเนินการโดยใช้ข้อมูลจากแผนท่ีการเปล่ียนแปลงปุาไม้ (change map)
รว่ มกบั แผนที่ชนิดปาุ ไมป้ ี พ.ศ. 2549 (2006) และ 2559 (2016) ชนดิ ปุาไมอ้ า้ งองิ จากแผนที่ชนดิ ปุาไม้ปีพ.ศ.
2549 ซ่ึงเป็นผลลัพธ์ท่ี 2 (Output 2) ของโครงการ CS-7 (AGREEMENT FOR PROVISION OF
TECHNICAL ASSISTANCE FOR THE DEVELOPMENT OF A REDD+ FOREST REFERENCE LEVEL
(FRL) AND NATIONAL FOREST MEASUREMENT, MONITORING AND REPORTING SYSTEM IN
THAILAND) ภายใต้โครงการของกองทุนหุ้นส่วนคาร์บอนปุาไม้ (Forest Carbon Partnership Facility:
FCPF) และแผนที่ชนิดปาุ ไม้จากกรมปาุ ไม้ (RFD) เพือ่ อา้ งอิงสาหรบั ปี 2559 ใช้เพ่อื จดั แบ่ง ช้ันข้อมลู ปาุ ไม้ที่ไม่
มกี ารเปลี่ยนแปลง (forest stable) และช้นั ข้อมลู ปาุ ไมท้ ี่เพ่มิ ข้นึ (forest gain) รูปท่ี 1 แสดงแผนทสี่ ามแผนที่
และมมุ มองแบบซูมของแผนท่สี ดุ ท้ายพร้อมคลาสเปูาหมาย ช้ันสุดท้ายอธิบายไว้ในตารางที่ 1 การเพิ่มความ
เข้มขน้ ของตัวอยา่ งทาได้เฉพาะในการสูญเสียที่เขียวชอมุ่ ตลอดปีการได้รับเอเวอร์กรีนปุาชายเลนการสูญเสีย
ผลประโยชนจ์ ากปาุ ชายเลนและชั้นปาุ ชายเลนทม่ี ีเสถียรภาพโดยมตี วั อยา่ งเพม่ิ เตมิ อีก 50 ตัวอยา่ งต่อช้ัน การ
กระจายตวั อย่างแสดงไว้ในตารางท่ี 6 และ 7 ของภาคผนวก II.3 แผนทป่ี ระเภทฟอเรสต์จากปี 2549 ท่ีใช้ที่น่ี
เป็นเวอร์ชันร่าง แต่เหตุผลในการใช้คือเพื่อระบุคลาสฟอเรสต์เปูาหมายสาหรับการเพิ่มความเข้มข้นของ
ตวั อยา่ งซ่งึ ไมม่ ผี ลต่อคลาสการเปลยี่ นแปลงฟอเรสต์โดยรวม แตจ่ ะจัดประเภทตามประเภทฟอเรสตท์ ี่เกย่ี วขอ้ ง
การประมวลผลเสร็จสิ้นใน R studio ด้วยรหัสที่พัฒนาโดย FAO และสามารถเข้าถึงได้โดยลิงค์ในเชิงอรรถ
จากนนั้ แผนที่ประเภทฟอเรสต์ถกู แทรกในแอปพลิเคชนั การออกแบบ SAE และสร้างจานวนตัวอย่างท่ีเท่ากัน
ตอ่ คลาสเปาู หมาย

1 https://drive.google.com/file/d/1xbeI_7SyvORi0_CQ429l_c0oqIFPtPkS/view?usp=sharing

111

Table 2 Change map class’s information

Forest Non Forest Map Forest Type Map Forest Type Change Map
Non Forest stable Non Forest stable Non- Forest stable
Deciduous forest stable
Deciduous Forest (DF) Deciduous forest loss
Deciduous forest gain
Forest Evergreen Forest (EG) Evergreen forest stable
Evergreen forest loss
Mangrove forest (MG) Evergreen forest gain
Mangrove forest stable
Mangrove forest loss
Mangrove forest gain

Figure 1 (a) Forest change map (2006-2016) (b) Forest type 2006 by DNP (c) Forest type map of 2016 from
Royal Forest department (d) Zoomed in view of map created for sample intensification using a ,b and c
map together with a focus to mangrove and evergreen class intensification only (in order to ensure
sample intensification for target classes)

112

ภาคผนวก II.2: การตรวจสอบความถูกต้อง (Annex II.2: Accuracy Assessment)

ทมี งานของ FAO จดั เตรยี มคู่มอื การประมาณพน้ื ท่แี บบแบ่งช้ันแบบเป็นขนั้ เปน็ ตอน (step by step)
คาแนะนาในการแบ่งพนื้ ทโี่ ดยประมาณได้รบั การพฒั นาโดยทมี FAO และสามารถเขา้ ถงึ ไดโ้ ดยลงิ ค์ด้านล่าง ใช้
ข้ันตอนเดียวกันน้ีเพ่ือรับ SAE ในรายงานปัจจุบัน การประเมินความแม่นยา (AA) ทาขึ้นสาหรับผลิตภัณฑ์
ท้ังหมดรวมถึงแผนที่ Forest / Non-Forest (F/NF) ของสองชว่ งเวลาซงึ่ ใชใ้ นการสรา้ งแผนท่ีการเปลยี่ นแปลง
ฟอเรสต์สดุ ท้ายด้วย รูปท่ี 2 แสดงข้ันตอนโดยละเอียดท้ังหมดสาหรับการประเมินความแม่นยาและเพื่อรับ
SAE

Step 1: Map for stratification Step 2: Generate Samples
Forest types/Non-Forest Map 2006/07
Generate stratified samples
Forest types/Non-Forest Map 2016/17 The stratified forest map 2006/07 & 2016/17
Sample size formula of Cochran (1977)
Sample generation: Sepal platform
(http://sepal.io)
Sample survey design
Using survey designed in Open Foris Collect

Step 3: Sample Assessment Step 4: Stratified Estimator Analysis

Sample assessment: Prepare master sample assessment file
Using Collect Earth Tool in Open Foris Collect. By combining all files from different
Interpreters' check every sample for a Forest interpreters
type or Non-Forest cover, using available high-
quality validation datasets in Google Earth and Stratified Estimator - Analysis: Using SEPAL
Google Earth Engine; accessible through platform (http://sepal.io)
Collect Earth system.

Figure 2 Accuracy Assessment process workflow is explained systematically used for forest, non-forest
(FNF) and Forest change maps, however the process is suitable for accuracy assessment of any type of
map data

1 https://github.com/openforis/accuracy-
assessment/blob/30d284322269d694ffd607b5520721c1bfe6feb5/presentations/p_sae_design.pdf

113

การแบง่ ช้นั แผนทด่ี าเนินการสาหรบั แผนท่ี F / NF ของทัง้ สองปแี ละแผนทกี่ ารเปล่ียนแปลงท่ีเป็นผล
มาจากกระบวนการหลังการจาแนกซึง่ ตอ่ มารวมกบั การจาแนกประเภทของปุาเพอื่ ใหไ้ ดม้ าซ่ึงการกระจายของ
ชั้นปุาตามประเภทของปุาไม้ ทีส่ นใจ การประเมนิ ความถูกตอ้ งของแผนที่และการประมาณโดยใช้กลมุ่ ตัวอยา่ ง
ที่เก่ียวข้องไดด้ าเนินการตามแนวทางท่ีพัฒนาโดย Olofsson et.al 2014 วัตถุประสงค์หลักของการประเมิน
ความแม่นยาของแผนที่การเปลี่ยนแปลงคือเพ่ือหาจานวนข้อผิดพลาดในแผนที่และเพ่ือคานวณความ
ไม่แน่นอนรอบ AD (การประมาณพื้นที่) มีการพจิ ารณาพารามเิ ตอร์จานวนหน่งึ สาหรบั การรวบรวมข้อมูลและ
ตามวัตถุประสงค์ของการประเมินแบบสารวจท่ีกาหนดเองได้รับการพัฒนาโดยใช้เครื่องมือ Open Foris
Collect ของ FAO (รปู ที่ 4) ในขณะทีว่ ตั ถปุ ระสงค์ของแผนที่ F / NF AA เพียงเพ่ือคานวณความแม่นยาของ
ผู้ใช้และผู้ผลิตตามช้ันเรียนและเพื่อให้แน่ใจว่าข้อมูลที่ใช้สาหรับการทาแผนที่การเปล่ียนแปลงฟอเรสต์
มคี ุณภาพทย่ี อมรับได้ สาหรบั การออกแบบตัวอยา่ งน้ันใชเ้ ครอื่ งมือ SAE - Design ของ FAO ใน SEPAL และ
ลงิ ก์คาแนะนาทีละขนั้ ตอนจะได้รับในเชงิ อรรถ 2 ของเอกสารภาคผนวกนี้

การออกแบบการสุ่มตัวอย่างหมายถึงวธิ กี ารท่ใี ช้ในการเลือกสถานที่ในการรับข้อมูลอ้างอิงในกรณีน้ี
คือวิธีการสร้างตัวอย่างท้ังหมด 1228 ตัวอย่างสาหรับปี 2549 และ 1214 ตัวอย่างในปี 2559 (รูปท่ี 3)
ตัวอย่างได้มาจากชั้นแผนท่ีของปี 2549 และ 2559 โดยใช้เครื่องมือ SAE - Design ของ SEPAL ตัวอย่าง
ตวั เลขทจี่ ะประเมินคานวณต่อชน้ั ตามสูตร Cochran (1977) (ดูสมการ 1 ด้านลา่ ง) (Olofsson et al., 2014)

Where:
( ̂)

,

√

The same application was used for stratification of the forest change map and for sample
intensification in target classes as explained in Annex I.

1 sepal.io/

114

Figure 3 Distribution of stratified random sampling for forest map (a) Forest map of 2016 (b) Stratified random
sampling point distribution for the year 2016 (c) ) Stratified random sampling point distribution for the year 2006

Figure 4 shows a detailed outlay of the survey used for reference data collection. The
survey includes information about all the map strata. In the first instance, information about
change classes was asked, whereas in case of non-forest class no further information was
collect but, in the case of forest stable, loss and gain forest type information was collected.
The survey card also included information on drivers of deforestation in the case of forest
loss. The drivers assessed include plantation, illegal logging, and agriculture expansion,
shifting agriculture, and buildup area. In the case of plantations, the type of plantation was
also recorded.

Figure 4 Survey design for reference data collection

115

เปูาหมายที่ต้องการของการตรวจสอบน้ีคอื เพ่อื ใหไ้ ด้มาซ่ึงการประเมนิ ความไม่แนน่ อนในเชงิ ปรมิ าณ
และเชงิ สถิตทิ ี่เกยี่ วขอ้ งกับการประมาณการการเปล่ยี นแปลงพื้นทปี่ ุา ปจั จัยหลายประการทีอ่ าจสง่ ผลกระทบ
ต่อคุณภาพของการทาแผนท่ปี าุ ไม้ (GOFC-GOLD, 2016) ไดแ้ ก่

 ความละเอยี ดเชิงพน้ื ทส่ี เปกตรมั และช่วั คราวของภาพ
 การประมวลผลลว่ งหนา้ ทางเรดิโอเมตรกิ และเรขาคณติ ของภาพ
 ขั้นตอนอตั โนมตั ิและคมู่ อื ท่ใี ชใ้ นการตีความหมวดหมแู่ ผนทป่ี ุาไม้
 มาตรฐานเฉพาะเรอ่ื ง (เช่นหนว่ ยการทาแผนท่ีขั้นต่าและคาจากดั ความการใช้ทดี่ ิน)
 ความพร้อมของข้อมลู อา้ งองิ ภาคสนามสาหรบั การประเมินผลลพั ธ์

มีการใช้แนวทางเพ่ือลดแหล่งท่ีมาของข้อผิดพลาดเหล่าน้ีตามแนวทางปฏิบัติที่ดีของ IPCC และ
GOFC-GOLD ตามความเหมาะสม แบบฟอร์มการออกแบบการสารวจรวบรวมได้รับการตั้งค่าสาหรับปูายอ้างอิง
แต่ละรายการเพ่อื ใหร้ ะดับความเชอื่ ม่ันท่รี ะบุโดยลา่ มมีระยะขอบสูงและต่า รปู ท่ี 5 แสดงตวั อยา่ งขอ้ มลู อา้ งอิงทมี่ ี
อยู่ในระบบ Collect Earth ท่ีใช้ Google Earth ซ่ึงใช้ในการตีความตัวอย่างสาหรับข้อมูลกิจกรรม รูปน้ีแสดง
ตวั อย่างทม่ี คี วามละเอียดชวั่ คราวของภาพ Google Earth ซึ่งใชส้ าหรบั การประเมินตัวอย่างในช่วงปี 2549-2559
กฎการออกแบบการตอบสนองที่พัฒนาข้ึนสาหรับการรวบรวมข้อมูลอ้างอิงการเปลี่ยนแปลงฟอเรสต์ คือ

 หากแปลงเป็นปุาในปี 2549 และไม่ใช่ปุาในปี 2559 จะถูกจดั ประเภทเป็นการสูญเสีย
 หากแปลงตวั อย่างใดท่ีไม่ใชป่ ุาในปี 2549 และฟอเรสต์ในปี 2559 จะถกู จดั ประเภทเปน็ กาไร
 หากแปลงตวั อยา่ งเปน็ ปุาในปี 2549 และยงั คงเปน็ ปาุ จนถงึ ปี 2559 จะถกู จดั ประเภทเปน็ ปาุ ไม้ที่มัน่ คง
 หากแปลงตวั อยา่ งไม่ใช่ฟอเรสตใ์ นปี 2549 และยงั คงไม่ใช่ฟอเรสต์ในปี 2559 จะถูกจัดประเภทเป็น

คลาสท่ไี ม่ใช่ฟอเรสต์
 หากในชว่ งเวลา -1 (2549) เปน็ ปาุ และภายในช่วงเวลาอ้างอิง (2549-2559) เปล่ียนจากปุาเป็นสวน

จะถอื ว่าเป็นการสูญเสียและการปลูกจะถกู บนั ทกึ แยกกนั
 หาก time-1 (2006) เป็นปุาไมแ้ ละตน้ ไมป้ กคลุมภายในช่วงเวลาอ้างอิง / เวลา -2 (2016) จะลดลง

แต่ยงั คง> 10% จะถอื ว่าเปน็ ปาุ คงทแ่ี ละการตคี วามจะต้องกลา่ วถึงในส่วนความคดิ เห็นทเี่ ส่อื มโทรม
 ถ้าเวลา -1 (2549) เป็นปุาไม้ที่มีต้นไม้ปกคลุมและมีต้นไม้ปกคลุมสูงในช่วงเวลาอ้างอิง / เวลา -2

(2559) ยงั คง> 10% แต่การใช้ที่ดินโดยรวมเปล่ียนไป (เช่นจากการพัฒนาโครงสร้างพ้ืนฐานแปลง
cropland) จะถอื วา่ เป็นการสญู เสีย
 สาหรบั แปลงที่มคี ลาสการใช้ท่ดี นิ แบบผสมผสาน / ช้นั เรียนที่ครอบคลุมและประเภทปุาผสมจะใชก้ ฎ
ส่วนใหญ่

116

 หากลา่ มไมแ่ น่ใจเก่ียวกับปที ี่เปลย่ี นแปลงเนื่องจากไมม่ ีภาพให้ใชง้ านสามารถเพ่มิ ความคิดเหน็ ในส่วน
ความคิดเหน็ เชน่ "ไม่แน่ใจเกีย่ วกับปีที่เปลยี่ นแปลง" ในขณะท่ีปีของการเปลี่ยนแปลงสามารถบันทึก
ตามวนั แรกท่มี กี ารเปลย่ี นแปลง

 พื้นท่ีเพาะปลูกจะถือว่าเป็นพื้นที่นอกปุายกเว้นปุาสักทางภาคเหนือซึ่งถือว่าเป็นปุาในหน้ากากปุา
เกณฑค์ าจากัดความจะยงั คงเหมือนเดิมเพื่อใหแ้ นใ่ จว่าสอดคล้องกบั ข้อมูลพืน้ ฐาน (มาสกฟ์ อเรสต์)

การออกแบบการตอบสนองในกรณขี อง F / NF AA นัน้ งา่ ยมากเนอ่ื งจากมเี พียงสองคลาสเท่านั้นคือฟอ
เรสตแ์ ละฟอเรสต์และไม่ใชฟ่ อเรสต์และขอ้ มลู อ้างองิ ไดร้ บั การรวบรวมอยา่ งอสิ ระทงั้ สองปี (2549 และ
2559) ผเู้ ขา้ รว่ มหกคนจาก DNP ทางานเก่ียวกบั การรวบรวมข้อมลู อา้ งอิงโดยใช้คาแนะนาท่นี าเสนอใน
"แนวปฏบิ ตั ทิ ีด่ ีสาหรบั การประมาณพื้นท่ีและการประเมินความถกู ตอ้ งของการเปลีย่ นแปลงท่ีดนิ " โดย
Olofsson et al (2014) และ“ การประเมินความแมน่ ยาของแผนทแ่ี ละการประมาณพ้ืนท่ี - คู่มือการ
ปฏบิ ัต”ิ (FAO 2016

Figure 5 Google Earth high resolution image of Mix deciduous forest, Thailand

117

2.4.1. Forest Non-Forest error Matrix

เมทริกซ์ข้อผิดพลาดของแผนที่ F / NF ปี 2549 และ 2559 พร้อมตัวอย่างท่ีประเมินได้สรุปไว้ใน
ตารางที่ 2 และ 3 ชุดข้อมูลอ้างอิงถูกใช้เพ่ือสร้างการประมาณการตามตัวอย่างพร้อมกับช่วงความเช่ือม่ันท่ี
เกี่ยวข้อง ความแม่นยาของผู้ใช้หรือข้อผิดพลาดของค่าคอมมิชชันแสดงถึงการประมาณค่าของคลาสใด ๆ
ในขณะท่ีความแมน่ ยาของผูผ้ ลิตหรือการละเวน้ จะแสดงภายใต้การประมาณของคลาสใด ๆ ตัวอย่างเช่น 47
ตัวอย่างจาก 835 ข้อมูลในปี 2549 ได้รับการประเมินว่าเป็นปุาเมื่อในความเป็นจริงพวกเขาไม่ใช่ซึ่งให้การ
ประมาณพ้นื ทที่ ่ีไม่ใช่ปาุ ไม้มากเกินไป ในท้ังหมดสามตัวอย่างจากข้อมูลการประเมินความแม่นยาในปี 2549
ไม่รวมอยู่ดว้ ยเน่ืองจากความเชื่อม่ันทผี่ ดิ

Table 3 Error Matrix of Forest map 2006

Map Data 2006 Class Reference Data 2006 Non-Forest 2006
Forest 2006 Forest 2006 10
Non-Forest 2006 785
Total sample 383 795
47
430

Table 4 Error Matrix of Forest map 2016

Map Data 2016 Class Name Reference Data 2016 Non-Forest 2016
Forest 2016 Forest 2016 7
Non-Forest 2016 789
Total sample 366 796

52
418

118

การประเมินความแม่นยาของแผนที่ Forest F / NF ดาเนินการโดยใช้วิธีการสุ่มแบบแบ่งช้ัน
ความแม่นยาของผใู้ ช้ของแผนที่ F / NF 2006 และ 2016 คือ 96% และ 98% ตามลาดับ ในขณะท่ีผลลัพธ์ความ
แมน่ ยาของผูผ้ ลิตคอื 89% และ 88% ตามลาดับ ค่าประมาณพน้ื ทแี่ บบแบ่งช้นั สาหรับแผนที่เฉพาะเรื่องแสดงไว้
ในตารางท่ี 4 และ 5 พรอ้ มกบั ความแม่นยาของผใู้ ชแ้ ละผผู้ ลติ และช่วงความเช่ือมั่น

Table 5 Stratified Area Estimates of 2006 Forest map

Forest and Non-Forest Map 2006

Class Weighted Users Stratified Area Confidence
Forest Producers Accuracy Estimates Interval
Non-Forest
Accuracy 3%

89% 97% 18,375,114.45 2%

99% 94% 34,397,195.50

Table 6 Stratified Area Estimates of 2016 Forest map

Forest and Non-Forest Map 2016

Class Weighted Users Stratified Area Confidence
Forest Producers Accuracy Estimates Interval
Non-Forest
Accuracy 4%

87% 98% 18,101,098 2%

99% 94% 34,671,212

119

Annex II.3: Activity Data Results
The error Matrix of the forest change map are given in table 5 and 6. The highlighted cells
with light orange color are indicating the classes where sample intensification was done.

Table 7 Error Matrix of forest change map before Sample Intensification

Table 8 Error Matrix after Sample Intensification

120

Table 26 User and producer accuracies per class along with total Stratified area estimate (SAE) and CI of all Strata

121

Table 9 Stratified Area Estimates by aggregated classes

class PA UA Map Area (ha) SAE (ha) SE (ha) CI (ha) CI%

Non Forest 98% 95% 35,923,462 34,596,393 280,948 550,658 2%
Forest Stable 90% 96% 15,973,409 17,070,382 266,082 521,520 3%
Forest loss 40% 51% 746,816 955,078 144,273 282,774 30%
Forest Gain 32% 37% 128,623 150,456 59,340 116,307 77%

Table 10 Error Matrix of Aggregated classes

Map Data Class Name Reference Data
Non Forest Non Forest Forest Stable Forest loss Forest Gain

Forest Stable 913 39 11 1
Forest loss 11 472 5 2
Forest Gain 85 75 167 0
54 154 2 125

122

20

18 Gain Loss

16

No. of Sample 14

12

10

8

6

4

2

0 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
2006

Year

Figure 6 Annual trend of forest loss and gain

กราฟทแ่ี สดงในรูปท่ี 6 ใหแ้ นวโนม้ ประจาปีของการเปล่ียนแปลงในเชงิ บวกและเชงิ ลบสาหรับปี 2549
ถงึ 2559 ส่งิ สาคญั คือตอ้ งสังเกตว่ามคี วามไมแ่ น่นอนเกิดข้ึนในปีทแ่ี น่นอนเน่ืองจากมขี ้อมลู อา้ งองิ การระบุการ

เปล่ียนแปลงในช่วงเวลาอ้างอิงน้ันง่ายกว่าด้วยภาพความละเอียดสูงสองสามภาพเมื่อเที ยบกับการระบุปีที่
แน่นอนของการเปล่ยี นแปลงในบางกรณีทีม่ เี ฉพาะภาพท่ีมีความละเอยี ดหยาบกว่าเท่านัน้ ในกรณีดังกล่าวปีที่
ใกลท้ ส่ี ุดจากข้อมูลอ้างอิงทีม่ ีให้ถอื เปน็ ปีทเ่ี ปล่ยี นแปลง

123

การขยายตัวทางการเกษตรถอื ได้ว่าเป็นตวั ขบั เคลอ่ื นการตดั ไม้ทาลายปาุ ทีพ่ บมากท่ีสดุ ในประเทศไทย
กอ่ นหนา้ การเปลี่ยนปาุ ธรรมชาตเิ ป็นสวน (รวมทั้งสวนยางพาราและสวนผลไม้) ในขณะท่ีชั้นเรียนที่สังเกตได้
บ่อยเป็นอันดับสามคือกลุ่มอนื่ ซึ่งสว่ นใหญ่รวมถงึ การเลีย้ งกงุ้ และน้าท่วมตามฤดูกาล ในขณะที่การเพาะปลูก
เป็นแหล่งที่มาของการตัดไม้ทาลายปาุ มากเปน็ อันดบั สองในประเทศไทยโดยมกี ารปลกู ยางพาราและตามด้วย
การปลกู ไม้ผล ตัวขับเคลื่อนที่โดดเด่นอื่น ๆ ของตัวขับเคล่ือนการสูญเสียปุาคือน้าท่วมตามฤดูกาลและการ
เลีย้ งกุ้งซง่ึ รวมกล่มุ กันในรปู ด้านล่างเป็น " อน่ื ๆ "

90% 11% 7% 1%
79% 2% Shifting Agriculture

80% BuiltUp other Plantation
70%
60%
50%
40%
30%
20%
10%

0%
Agriculture Expansion

Drivers of Deforestation

Figure 7 Driver of deforestation observed in Thailand based on activity data reference data

124

Annex II.4: Forest Type Mapping Manual using Two Stage Classification Approach
1. Creating optical mosaic (Landsat and Sentinel 2) using SEPAL
First sign up in you do not have an account using https://sepal.io/ and sign in using same
web link if you are already registered.
Once you are signed in you will be on this page of the SEPAL platform

To create a best pixel mosaic of optical data click on

125

This will open a pop up window as shown below

To create optical mosaic choose optical mosaic option as highlighted in above screenshot

พื้นทท่ี ่ีน่าสนใจ (AOI): อนญุ าตใหผ้ ูใ้ ช้เลอื กพน้ื ทที่ ส่ี นใจตามประเทศเพื่อวาด AOI ทส่ี นใจหรือใช้ shapefile ท่ี
กาหนดเอง หากต้องการใช้ shapefile ที่กาหนดเองโปรดใช้ตัวเลือก EE Table ท่ีสามารถอัปโหลดใน
Google Earth Engine (GEE) สาหรบั รายละเอยี ดเพิ่มเติมโปรดตรวจสอบส่วนการอัปโหลดรูปร่างไฟล์เป็น
เน้อื หา

126

DAT: แทบ็ นี้อา้ งถงึ วนั ท่ซี ่ึงสามารถสร้างภาพโมเสคพกิ เซลทด่ี ีทสี่ ุดพรอ้ มวันทเี่ ปูาหมายโดยใชร้ ปู ภาพที่มแี ละ
สามารถปรบั แต่งตามชว่ งวันที่ท่ตี ้องการไดโ้ ดยปรบั เสน้ สเี หลือง

1: เลอื ก Landsat 8 & Sentinel 2 สาหรบั ปี 2016 แยกกนั เพอ่ื เตรียมโมเสคสองชิ้นแยกกัน
2: SCN: เป็นแทบ็ ทส่ี ามารถแก้ไขฉากเพือ่ ปรบั ปรุงคุณภาพของกระเบอื้ งโมเสคได้หากจาเป็นแม้ว่าโดยค่า
เริ่มตน้ แอปพลเิ คชนั จะเลอื กภาพท้ังหมดสาหรับ AOI เพื่อสรา้ งภาพโมเสคพกิ เซลทดี่ ที ส่ี ุดสาหรบั ชว่ งเวลาท่ี
นา่ สนใจซงึ่ เมฆและหมิ ะจะตก ถกู ปดิ บงั
3: CMP: เป็นแท็บท่ใี หผ้ ใู้ ช้ตัง้ ค่าพารามเิ ตอรเ์ พอื่ ปรบั ปรงุ คณุ ภาพของกระเบอ้ื งโมเสค

127

In the case of the 2016 mosaic these parameters were selected

หลงั จากเลอื กพารามเิ ตอร์ทง้ั หมดแลว้ ให้คลกิ ใชแ้ ละรอการแสดงตวั อย่างโมเสคจะมลี กั ษณะดงั ท่แี สดงดา้ นลา่ ง
คณุ สามารถดภู าพในวงดนตรตี า่ งๆได้โดยคลกิ ทแี่ ถบ (สแี ดงสีเขียวและสนี ้าเงนิ )

Example of an Optical best pixel mosaic over Thailand

128

เมื่อภาพโมเสคเป็นทน่ี ่าพอใจแลว้ สามารถดาวน์โหลดไดใ้ น SEPAL และ GEE ขนึ้ อยู่กับขนั้ ตอนการประมวลผล
ที่จาเปน็
หากคุณกาลงั สง่ ออก Landsat ขนาดจะอยทู่ ี่ 30 ม. ในขณะที่มาตราสว่ น Sentinel-2 ควรเปน็ 10 ม. ตาม
ความละเอียดเชงิ พนื้ ทข่ี องเซน็ เซอร์ สาหรบั แบบฝกึ หัดน้ี Sentinel-1 ยังถกู สง่ ออกดว้ ยสเกล 10m

129

2. Create Radar Time scan

ในการสร้างเรดาร์โมเสคใหค้ ลกิ ทเี่ คร่ืองหมายบวกตามทีร่ ะบไุ วด้ า้ นบน (ส่วนข้อมลู ออปตคิ ลั ) ส่ิงนจ้ี ะเปิด
ปอฺ ปอปั เชน่ นี้

Click on Radar mosaic as highlighted in the red box above.

Select AOI

130

Choose the dates (these are the dates used for the Forest type map 2016)
It could be adjusted for different purpose.
Keep the rest of the settings to default and click on done.
It will take a few minutes to show the first preview of the image

131

3. Uploading data as an Asset
To use GEE one needs to sign up first using a Gmail account.
One you are signed in open the web page https://code.earthengine.google.com/
It will open up a page as shown below

Now click on assets

Choose your shapefile and click upload; you can monitor the progress of uploads in the task
section.
For more details of the assets, please check the link https://developers.google.com/earth-
engine/asset_manager
In the same fashion upload the forest mask in the GEE.

132

4. GEE Masking Satellite Images using Forest Mask
GEE code is explained with comments within the code. Basically it is used to mask the
satellite images only over forest areas which were used for the forest type
classification. Code can be accessed via:
https://code.earthengine.google.com/49d82ca2cc8045dfa05dbb30bfbce171
5. Running Classification over Masked Satellite Images
Classification was run over masked satellite images in SEPAL

(a)Forest (green) and non-forest mask (grey) which was used to remove non-forest area from (b)
satellite images to improve the quality of forest type map.

133

6. Running Forest type classification

การจาแนกประเภทใน SEPAL ขึน้ อย่กู บั อลั กอรธิ ึมฟอเรสตส์ ุม่ SEPAL เวอรช์ นั ใหม่ช่วยใหผ้ ใู้ ชส้ ามารถใช้
ข้อมลู เซน็ เซอรห์ ลายตวั ในเวลาเดยี วกันเพ่อื จดั หมวดหม่รู วมถึงขอ้ มลู ระดบั ความสงู ดจิ ิตอล (DEM) สาหรบั การ
ออกกาลงั กายปัจจบุ ันใช้พารามเิ ตอรต์ อ่ ไปนี้

Click on the classification and it will open up the page as shown below

Click add button for images to be classified

134

Once you click on the Add button it will open a window like this, where users can use a GEE
image asset and SEPAL saved recipes for classification
เมอ่ื คุณคลกิ ทป่ี มุ เพิม่ มันจะเปดิ หน้าตา่ งเชน่ นซี้ ง่ึ ผใู้ ชส้ ามารถใช้เนอื้ หารปู ภาพ GEE และสูตรอาหารที่บันทึก
SEPAL สาหรบั การจัดหมวดหมู่
หมายเหต:ุ เมอ่ื ทางานกบั AOI ขนาดใหญ่ขอแนะนาให้ใชส้ นิ ทรัพยเ์ พือ่ ทาใหก้ ระบวนการรวดเรว็

135

For the optical dataset all the bands were selected (you will view here only bands which
were selected at the time of download).

136

ภายใต้ปุม Derived bands คณุ สามารถเพม่ิ การคานวณดชั นีและวงดนตรที แ่ี ตกตา่ งกันลงในรปู ภาพเพื่อ
ปรับปรงุ ผลลัพธ์ ในกรณีนี้ดัชนีถูกใชโ้ ดยท่ี NDVI และ NDMI ถกู เลือกเป็นชดุ ข้อมลู ออปตคิ ัล

137

Classification results will appear like this:

Once classification is finished, download it as in SEPAL workspace to review the classification.
The next chapter will provide more details on how to review the classification.

138

7. Classification Review and iteration

เมอื่ การดาวน์โหลดการจดั หมวดหมเู่ สรจ็ สิน้ สามารถเปิดไดใ้ น QGIS สามารถใชป้ ลั๊กอนิ มมุ มอง G-earth เพอ่ื
วางซ้อนการจดั หมวดหมบู่ นรปู ภาพ Google Earth มกี ารรวบรวมข้อมลู การฝึกอบรมเพม่ิ เตมิ ในพนื้ ทก่ี ารจัด
ประเภททผ่ี ิดพลาดจากนนั้ การจดั ประเภทจะถกู เรยี กใชอ้ ีกครง้ั ด้วยข้อมลู การฝกึ อบรมใหมพ่ รอ้ มจุดฝึกอบรม
เพิม่ เตมิ เพอ่ื ปรบั ปรงุ ผลลพั ธ์

Note: G-earth view (as highlighted above) can be installed from the plugins tab.

139

140