Page 10 - การประเมินปริมาณโพแทสเซียมในดิน ด้วยเทคนิคเนียร์อินฟราเรด (NIR) The evaluation of Potassium content in soil by Near Infrared.
P. 10
ห้องสมุดกรมพัฒนาที่ดิน
10
1. ขั้นตอนการสร้างสมการ (Calibration equation)
การสร้างสมการทำนาย เป็นการหาตัวแปรอิสระ (ตัวแปร X ซึ่งในการศึกษาครั้งนี้คือ ความยาวคลื่น)
ที่น่าจะมีความสัมพันธ์กับค่าตัวแปรตาม (ตัวแปร Y ซึ่งในการศึกษาครั้งนี้คือ ค่าปริมาณโพแทสเซียมในดิน) ที่
ต้องการทำนาย ในการคัดเลือกตัวแปรอิสระสามารถแบ่งออกได้เป็น 2 วิธีหลัก ได้แก่
1.1 วิธีคัดเลือกความยาวคลื่น (wavelength selection methods) เป็นวิธีการคัดเลือกตัวแปร
อิสระเฉพาะความยาวคลื่นที่น่าจะมีความสัมพันธ์กับตัวแปรตาม โดยอาจคัดเลือกจากเอกสารอ้างอิง หรือใช้
เทคนิคทางสถิติ เช่น การวิเคราะห์การถดถอยพหุคูณ (multiple regression analysis) หลังจากนั้นสร้างสมการ
ทำนายโดยอาศัยหลักและวิธีการทางสถิติ เช่นการถดถอยเชิงเส้นอย่างง่าย (simple linear regression; SLR) ซึ่ง
เป็นการเลือกพิจารณาความสัมพันธ์เชิงปริมาณของตัวอย่างที่มีความยาวคลื่นพียงความยาวคลื่นเดียว และการ
ถดถอยเชิงเส้นพหุคูณ (multiple linear regression; MLR) โดยใช้ตัวแปรอิสระที่ได้จากการเลือกความยาวคลื่น
มากกว่าหนึ่งความยาวคลื่นมาหาความสัมพันธ์กับตัวแปรตาม เป็นต้น แต่การเลือกความยาวคลื่นที่เหมาะสมจาก
ความยาวคลื่นทั้งหมดอาจเกิดข้อผิดพลาด ทำให้ได้สมการที่มีประสิทธิภาพในการทำนายต่ำ เนื่องจากในการ
คัดเลือกตัวแปรอิสระหรือความยาวคลื่นที่เหมาะสมจากความยาวคลื่นทั้งหมดมาสร้างสมการอาจได้ข้อมูลที่ไม่
ครอบคลุมมากพอ ทำให้ค่าที่ทำนายได้จากวิธีนี้มีค่าต่ำกว่าหรือสูงกว่าค่าที่แท้จริง หรือเกิดจากจำนวนตัวอย่างที่
นำมาใช้ในการสร้างสมการน้อยเกินไป ทำให้ได้สมการที่มีตัวแปรอิสระมากเกินไปส่งผลให้ข้อมูลที่ได้ไม่น่าเชื่อถือ
(ธงชัยและปิติพร, 2552)
1.2 วิธีการใช้ความยาวคลื่นตลอดช่วง (full spectrum methods) เป็นวิธีการคัดเลือกหาช่วงความ
ยาวคลื่นที่เหมาะสม (selective wavelength) จากความยาวคลื่นทั้งหมดที่มีในสเปกตรัม หรือความยาวคลื่น
ตลอดช่วงทั้งหมด (full spectrum) มาใช้ในการสร้างสมการทำนายโดยใช้วิธีการทางสถิติในการจัดกลุ่มตัวแปร
อิสระหรือความยาวคลื่นที่มีความเกี่ยวข้องกันให้อยู่ในกลุ่มเดียวกัน หรือทำการสร้างตัวแปรใหม่จากตัวแปรเดิม ซึ่ง
เป็นวิธีที่สามารถช่วยแก้ปัญหาการเกิด multicollinearity วิธีการทางสถิติที่นิยมใช้ ได้แก่ การถดถอยโดยใช้
องค์ประกอบหลัก (principal components regression; PCR) และการถดถอยกำลังสองน้อยที่สุดบางส่วน
(partial least squares regression; PLSR) (ธงชัยและปิติพร, 2552)
1.2.1 การถดถอยโดยใช้องค์ประกอบหลัก (PCR)
การทำ PCR จะเริ่มจากการวิเคราะห์องค์ประกอบหลัก (principal
component analysis; PCA) กับข้อมูลที่เป็นตัวแปรอิสระ (X) ที่ได้มาจากข้อมูลสเปกตรัมเพื่อลดจำนวนตัวแปร
i
เดิมลงโดยสร้างองค์ประกอบหรือตัวแปรใหม่ ที่เรียกว่า องค์ประกอบหลัก (principal component; PC) หรือ
แฟกเตอร์ (factor) ก่อนแล้วจึงนำค่าของตัวแปรใหม่ที่สร้างขึ้นมาหาความสัมพันธ์กับตัวแปรตาม (Y) ที่ได้มาจาก
การวิเคราะห์ด้วยวิธีมาตรฐาน (reference method) เพื่อสร้างสมการโดยใช้หลักการของการวิเคราะห์การ
ถดถอยพหุคูณ (multiple regression analysis) (ธงชัยและปิติพร, 2552)
