แบบจำลองพยากรณ์ · 08
โมเดล LSTM พยากรณ์โรคและแมลง 8 รายการ ทำงานอย่างไร
ทุกเช้า ระบบให้คะแนนความเสี่ยงโรคและแมลง 8 รายการกับแปลงของคุณ ตัวเลขเหล่านั้นมาจากไหน บทความนี้เปิดกลไกทั้งหมด — ข้อมูลที่โมเดลอ่าน วิธีที่มันจับรูปแบบล่วงหน้า และข้อจำกัดที่เราเลือกจะบอกตรง ๆ
โรคและแมลง 8 รายการที่ระบบเฝ้าระวัง
หัวใจของการพยากรณ์ความเสี่ยงใน AgriPluse คือแบบจำลอง machine learning จำนวน 8 ตัว — หนึ่งตัวต่อหนึ่งโรคหรือแมลง แต่ละตัวถูกฝึกแยกกันด้วยข้อมูลของปัญหานั้นโดยเฉพาะ:
| # | รายการ | ประเภท | ตัวแปรเด่นที่โมเดลใช้ |
|---|---|---|---|
| 1 | แอนแทรคโนสที่ใบ | โรครา | อัตราเปลี่ยนแปลงของ NDRE, LAI, PSRI (delta) |
| 2 | แอนแทรคโนสที่ฝัก | โรครา | NDRE, LAI, EVI, อายุพืช, อุณหภูมิย้อนหลัง 3 วัน |
| 3 | ต้นตายจากแอนแทรคโนส | โรครา | NDRE, LAI, PSRI, อุณหภูมิ×ความชื้น |
| 4 | โรคใบจุดนูน | โรค | NDRE, LAI, PSRI, อุณหภูมิ×ความชื้น, อายุพืช |
| 5 | โรครากเน่าโคนเน่า | โรครา | LAI, NDRE, อายุพืช×ความชื้น, NDWI |
| 6 | แมลงหวี่ขาว | แมลง | เมฆปกคลุม, ลมสูงสุด, RVI, NDVI |
| 7 | หนอนกินใบ | แมลง | NDVI, GNDVI, NDWI, ลมสูงสุด, ความชื้น 3 วัน |
| 8 | มวนถั่ว | แมลง | NDVI, GNDVI, NDWI, ลมสูงสุด, อุณหภูมิ×ความชื้น |
ทำไมต้องเป็น LSTM
โรคพืชไม่ได้เกิดจากสภาพของ "วันเดียว" แต่เกิดจากลำดับเหตุการณ์: ฝนตกติดกัน ความชื้นค้างสูงสามวัน แล้วอุณหภูมิเข้าช่วงพอเหมาะ — สปอร์จึงงอก โมเดลตระกูล LSTM (Long Short-Term Memory) ถูกออกแบบมาอ่านข้อมูลแบบลำดับเวลาโดยเฉพาะ มันมี "หน่วยความจำ" ที่จดจำว่าหลายวันก่อนเกิดอะไรขึ้น และเชื่อมโยงเข้ากับสิ่งที่กำลังเกิดวันนี้ ระบบใช้สถาปัตยกรรมแบบ Bidirectional LSTM (BiLSTM) ซึ่งอ่านลำดับข้อมูลทั้งไปข้างหน้าและย้อนกลับ จับรูปแบบได้ครบถ้วนขึ้น
ขั้นตอนการทำงานจริงในแต่ละรอบพยากรณ์:
- รวบรวมข้อมูล 7 วันล่าสุด ของแปลง — ดัชนีดาวเทียม (NDVI, EVI, GNDVI, LAI, NDWI, PSRI, NDRE จากรัศมีรอบจุดกึ่งกลางแปลง) รวมกับตัวแปรอากาศรายวัน และข้อมูลอายุพืชจากวันที่ปลูกที่คุณระบุ
- สร้างตัวแปรผสม — อัตราเปลี่ยนแปลงรายวันของดัชนี (delta), ค่าเฉลี่ยเคลื่อนที่ 3 วัน, ตัวแปรไขว้อย่างอุณหภูมิ×ความชื้น และอายุพืช×ความชื้น
- คัดเฉพาะตัวแปรของโมเดลนั้น — แต่ละโมเดลใช้ตัวแปร 10 ตัว ที่ถูกคัดเลือกจากขั้นตอนฝึกว่าทำนายโรคนั้นได้ดีที่สุด (ดูคอลัมน์ขวาของตาราง)
- ให้คะแนนความน่าจะเป็น — โมเดลอ่านลำดับ 7 วันแล้วให้ค่า 0–1
- เทียบเกณฑ์ตัดสินเฉพาะโรค — ค่าเกิน threshold ของโมเดลนั้น สถานะเป็น "เฝ้าระวัง" พร้อมคำแนะนำการจัดการเบื้องต้น ต่ำกว่าเกณฑ์คือ "ปลอดภัย"
เกณฑ์ตัดสิน (threshold) ของแต่ละโมเดลถูกจูนแยกกันจากข้อมูลฝึก เพื่อสมดุลระหว่าง "เตือนพลาด" กับ "เตือนไม่ทัน" ของโรคนั้น ๆ — โรคที่ลุกลามเร็วยอมเตือนไวไว้ก่อน โรคที่เตือนบ่อยเกินจนคนเลิกเชื่อก็ปรับเกณฑ์ให้เข้มขึ้น
โมเดลเรียนรู้ต่อได้จากแปลงจริง
คำพยากรณ์ไม่ใช่จุดจบของวงจร — เมื่อคุณบันทึกการระบาดจริงในแปลง (พบโรคจริง หรือระบบเตือนแต่ไม่พบ) ข้อมูลเหล่านี้กลายเป็น "เฉลย" ที่ทีมงานใช้ฝึกโมเดลรอบใหม่ได้ ระบบเก็บโมเดลเป็นเวอร์ชัน เทียบผลก่อน-หลังได้ และถอยกลับเวอร์ชันเดิมได้ถ้ารอบใหม่แย่ลง ยิ่งมีผู้ใช้บันทึกผลตรวจแปลงจริงมาก โมเดลยิ่งแม่นขึ้นกับสภาพแปลงจริงในไทย
ข้อจำกัดที่ต้องพูดตรง ๆ
ผลพยากรณ์คือ "ระดับความเสี่ยง" ไม่ใช่การยืนยันว่าเกิดโรคแล้ว ใช้มันจัดลำดับว่าควรลงไปตรวจแปลงไหนก่อน แล้วยืนยันด้วยตาจริงเสมอ อย่าตัดสินใจพ่นสารเคมีจากคำเตือนเพียงอย่างเดียว
- พัฒนาบนถั่วแระญี่ปุ่นเป็นหลัก — โมเดลทั้ง 8 ฝึกและตรวจสอบกับข้อมูล ถั่วแระญี่ปุ่น พืชอื่นใช้ได้เฉพาะดัชนีสุขภาพและแผนที่ดาวเทียม
- คุณภาพขึ้นกับข้อมูลนำเข้า — ช่วงเมฆบังต่อเนื่อง ดัชนีดาวเทียมเป็นค่าประมาณมากขึ้น ความมั่นใจของคำพยากรณ์ลดลงตาม
- ต้องระบุวันปลูกให้ตรง — อายุพืชเป็นตัวแปรสำคัญของหลายโมเดล วันปลูกที่กรอกคลาดเคลื่อนมากจะทำให้การประเมินระยะเสี่ยงเพี้ยน
- เหตุการณ์นอกรูปแบบ — การระบาดจากปัจจัยที่โมเดลไม่เคยเห็น เช่น เชื้อสายพันธุ์ใหม่ หรือการลามจากแปลงข้างเคียง อยู่นอกวิสัยของการพยากรณ์
สรุป
เบื้องหลังป้าย "ความเสี่ยง 7 วัน" ของแต่ละแปลง คือโมเดล BiLSTM จำนวน 8 ตัว ที่อ่านลำดับข้อมูลดาวเทียมและอากาศ 7 วันล่าสุดของแปลงคุณทุกวัน มันไม่ใช่หมอดู แต่เป็นเครื่องจับรูปแบบที่ไม่เคยหลับ — หน้าที่ของมันคือบอกว่า "สัปดาห์นี้ควรเดินไปดูแปลงไหนก่อน" และหน้าที่ตัดสินใจสุดท้ายยังเป็นของคนที่ยืนอยู่หน้าแปลงเสมอ