60 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture เป็นของ Mn ในสมการที่ (2.1) ซึ่งยากที่จะทำให้ฟังก์ชันที่ประมาณได้เข้าใกล้ฟังก์ชันที่แท้จริง ดังนั้นแนวทาง ที่สามารถประมาณฟังก์ชันที่แท้จริงได้คือวิธีเทียบเคียงกับทฤษฎีขีดจำกัดสู่ส่วนกลางกล่าวคือ พิจารณาการหา แจกแจงของ n n n M b a − เมื่อ an และ bn เป็นค่าคงที่ ซึ่งจะนำไปสู่การหาการแจกแจงของ n M b n n F a n − พบว่าเมื่อ ( ) n→ ไม่ได้ลู่เข้าสู่การแจกแจงหนึ่งเหมือนกรณีทฤษฎีขีดจำกัดกลางที่ (0,1) Xn n N n − → แต่ ( ) n M b n n F G z a n − → เมื่อ a 0 n และ b 0 n เป็นค่าคงที่ ซึ่ง G z( ) ไม่ขึ้นอยู่กับขนาดของ n และได้นำไปสู่ทฤษฎีบทของรูปแบบค่าสุดขีด (Extremely Types Theorem) การแจกแจงค่าสุดขีดวางนัยทั่วไป (The Generalized Extreme Value distribution : GEVD) การแจกแจงค่าสุดขีดวางนัยทั่วไป (Generalized Extreme Value Distribution: GEVD) เหมาะ สำหรับวิเคราะห์ค่าสุดขีดในช่วงคาบเวลา ที่สนใจ เช่น รายปี รายเดือน รายไตรมาส หรือรายสัปดาห์ เป็นต้น ซึ่งค่าสังเกตที่รวบรวมไว้ควรจะมีจำนวนมากกว่า 30 ปีขึ้นไป โดยจะเลือกข้อมูลที่สูงสุดในแต่ละช่วงคาบเวลาที่ ผู้วิเคราะห์สนใจและการทบทวนวรรณกรรม โดยลักษณะการเลือกข้อมูลค่าสุดขีดดังกล่าวเรียกว่า วิธี Block Maxima ดังภาพประกอบที่ 2.1 GEVD ที่มีพารามิเตอร์ 3 ตัว คือ แสดงถึงตำแหน่ง (Location) แสดง ถึงขนาด (Scale) และ ξ แสดงถึงรูปร่าง (Shape) (Gong, 2012) ภาพ 2.4 ลักษณะการเลือกข้อมูลค่าสุดขีดสำหรับแบบจำลอง GEVD (ที่มา : ปิยภัทร บุษบาบดินทร์, 2558)
วิธีดำเนินการวิจัย 61 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ถ้าให้ x เป็นตัวแปรสุ่มที่มีการแจกแจงค่าสุดขีดวางนัยทั่วไปที่เขียนแทนด้วย x GEVD ~ , , ( ) ที่มี ฟังก์ชันการแจกแจงสะสม (Coles & Nadaraja, 2001) ดังนี้ 1 / ( ) exp 1 x F x − − = − + และหาฟังก์ชันความน่าจะเป็น ดังนี้ ( ) 1 1 1 / 1 ( ) 1 exp 1 x x f x − − − − − = + − + เมื่อ 1 0 x − + โดยที่ แทน พารามิเตอร์ตำแหน่ง (Location) แทน พารามิเตอร์ขนาด (Scale) แทนพารามิเตอร์รูปร่าง (Shape) การแจกแจงค่าสุดขีดวางนัยทั่วไป (GEVD) แบ่งตามพารามิเตอร์รูปร่าง (Shape : ) ได้ 3 แบบ สำหรับกรณี =0 เรียกว่า การแจกแจงกัมเบล (Gumbel Distribution) สำหรับ กรณี ξ 0 เรียกว่า การแจกแจงฟรีเซท Fréchet Distribution) และกรณี 0 เรียกว่า การแจกแจงไวล์บูล (Weibull Distribution) ทั้งนี้ สำหรับข้อมูลที่ 0 บางครั้งก็สามารถใช้การแจกแจงกัมเบลได้ ภาพที่ 2.5 กราฟฟังก์ชันความหนาแน่นความน่าจะเป็นของการแจกแจงกัมเบล การแจกแจงฟรีเชท และการแจกแจงไวล์บูล (ที่มา : ปิยภัทร บุษบาบดินทร์, 2558)
62 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture การแจกแจงพาเรโตวางนัยทั่วไป (Generalized Pareto distribution : GPD) ถ้ากำหนดให้ y เป็นตัวแปรสุ่มของการแจกแจงโดยพาเรโตนัยทั่วไป ซึ่งโดยปกติจะเห็นว่าเหตุการณ์ที่ เกิดค่าสุดขีด y ที่มีค่าสูงกว่าค่าเกณฑ์กำหนด (Threshold) หรือ u จะทำให้การแจกแจงสะสมของ y u−มี เงื่อนไข คือ y u เป็นดังสมการที่ (2.5) ( ) 1 1 1 y H y − = − + กำหนดให้ y y y : 0,1 / 0 + จะทำให้ = + − (u u0 ) จากการแจกแจงที่อยู่ในกลุ่มการแจกแจงเดียวกันกับการแจกแจงพาเรโตโดยค่า u เป็นพารามิเตอร์ บ่งขนาด สำหรับค่าที่กำหนด 0 u u พบว่า 0 0 (u u ) u u = + − ดังนั้น ค่าพารามิเตอร์บ่งขนาดจะ เปลี่ยนไป ยกเว้นกรณี = 0 การปรับพารามิเตอร์บ่งขนาดจะปรับโดยสมการ * = − u สำหรับค่า 0 u ถูกเลือกจากค่าต่ำสุดของ u โดยที่ตัวประมาณของ * และ เป็นค่าคงที่และหาฟังก์ชันความน่าจะเป็น ดังนี้ ( ) 1 1 y u h y − − = + เมื่อ 0 และ − การแจกแจงพาเรโตวางนัยทั่วไปแบ่งตามพารามิเตอร์บอกรูปร่าง ( ) ได้ การแจกแจง 3 แบบ เมื่อ → 0 เรียก การแจกแจงพาเรโตวางนัยทั่วไปว่า “การแจกแจงแบบเลขชี้กำลัง” (Exponential distribution : ED) สำหรับกรณี 0 เรียก การแจกแจงพาเรโตทั่วไปว่า “การแจกแจงพา เรโต” (Pareto Distribution : PD) และกรณี 0 เรียก การแจกแจงพาเรโตทั่วไปว่า “การแจกแจง แกมมา” (Gamma Distribution : GMD) (ประภาวรรณ, 2561 : 96)
วิธีดำเนินการวิจัย 63 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ แบบจำลองเชิงกำกับสำหรับข้อมูลที่มีค่าน้อยมาก (Asymptotic Models for Minima) ชุดข้อมูลบางอย่างต้องการแบบจำลองสำหรับข้อมูลที่มีค่าน้อยมากแทนที่จะเป็นการสร้าง แบบจำลองสำหรับข้อมูลที่มีค่าใหญ่มาก กรณีดังกล่าวมักไม่เกิดขึ้นกับปัญหาด้านข้อมูลสิ่งแวดล้อม แต่ แบบจำลองในลักษณะนี้มักจะสร้างขึ้นเพื่อสร้างแบบจำลองสำหรับอายุการใช้งานของระบบเท่ากับอายุขั้นต่ำ ของตัวเลข, n , ของส่วนประกอบแต่ละส่วนทั้งนี้อายุของระบบถูกกำหนดแทนด้วย M X X n n = min ,..., 1 , เมื่อ Xi คือ อายุการใช้งานแต่ละส่วน โดยมีข้อตกลงพื้นฐานว่า Xi มีคุณสมบัติ i.i.d (independent and identically distributed) โดยที่มีอาร์กิวเมนต์ที่คล้ายคลึงกันและนำไปใช้กับ M n และจะถูกนำไปใช้ เหมือนกับ M n , นำไปสู่การจำกัดการกระจายของตัวแปรที่ปรับใหม่(re-scale) อย่างเหมาะสม ผลลัพธ์ที่ได้จะสอดคล้องกัน สำหรับ M n . เมื่อกำหนดให้ Y X i i = − สำหรับ i n =1,..., , ทำ การเปลี่ยนเครื่องหมายของค่าน้อย Xi เพื่อให้สอดคล้องเป็นค่ามากของ Yi . ดังนั้น กำหนดให้ M X X n n = min ,..., 1 และ M Y Y n n = max ,..., 1 แล้ว M M n n = . ดังนั้น สำหรับข้อมูลขนาดใหญ่ n , 1/ 1/ Pr Pr Pr 1 Pr 1 exp 1 1 exp 1 , n n n n M z M z M z M z z z − − = − = − = − − − − − − + − = − − − บนเงื่อนไข z z :1 ( ) / 0 , − − เมื่อ = − . การแจกแจงนี้เป็นการแจกแจงค่าสุดขีดนัยสำหรับ ข้อมูลที่มีค่าน้อยมาก ดังทฤษฎีต่อไปนี้ ทฤษฎี หากมีลำดับของค่าคงที่ an 0 และ bn พบว่า Pr / ( ) (M b a z G z n n n − → ) as n →
64 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture สำหรับฟังก์ชันการแจกแจงแบบ non-degenerate แทนด้วย G ซึ่ง G เป็นสมาชิกของวงศ์การแจกแจง GEV ของการแจกแจงสำหรับข้อมูลที่มีค่าน้อยมาก คือ 1/ ( ) 1 exp 1 , z G z − − = − − − บนเงื่อนไข z z :1 ( ) / 0 , − − โดยที่ − , 0 และ − . ในสถานการณ์ที่เหมาะสมกับแบบจำลองช่วงเวลาสำหรับข้อมูลที่มีค่าน้อยมาก การแจกแจง GEV สำหรับ มินิมาสามารถใช้ได้โดยตรง อีกทางเลือกหนึ่งคือการใช้ประโยชน์จากความเป็นคู่ระหว่างการแจกแจงสำหรับค่า ข้อมูลที่มีค่าน้อยมากและค่าสูงมาก เมื่อกำหนดให้ข้อมูล 1 ,..., m z z ที่มาจากการแจกแจง GEV สำหรับข้อมูลที่ มีค่าน้อยโดยมีพารามิเตอร์ ( , , ,) การปรับการแจกแจง GEV ให้เหมาะสมกับการแจกแจง GEV สำหรับ ข้อมูลที่มีค่าสูงมาก ทำโดย 1 ,..., m − − z z . การประมาณค่าพารามิเตอร์ด้วยวิธีMLE (Maximum likelihood estimation) ของการแจกแจง GEV สำหรับข้อมูลที่มีค่าน้อย โดย ˆ = − ˆ . การประมาณค่าพารามิเตอร์ การประมาณค่าพารามิเตอร์ด้วยวิธีประมาณค่าภาวะน่าจะเป็นสูงสุด (Maximum Likelihood Estimates: MLE) โดยกำหนดให้ ( x x x 1 2 , ,..., n ) เป็นตัวอย่างสุ่ม และ = ( , , ) ขั้นตอนการประมาณค่าพารามิเตอร์ด้วยวิธีประมาณค่าภาวะน่าจะเป็นสูงสุด มีรายละเอียดดังนี้ ขั้นตอนที่ 1 พิจารณาฟังก์ชันความน่าจะเป็นของการแจกแจง ( f x( i ; )) ขั้นตอนที่ 2 สร้างฟังก์ชันภาวะน่าจะเป็นของฟังก์ชันความน่าจะเป็นของการแจกแจก (L x (; )) ขั้นตอนที่ 3 สร้างฟังก์ชันล็อกของฟังก์ชันภาวะน่าจะเป็นของฟังก์ชันความน่าจะเป็นของการ แจกแจงที่ได้จากขั้นตอนที่ 2 มีรูปแบบทั่วไป ดังนี้ ( ) ( ) ( ) 1 ; log ; log ; = = = n i i l x L x f x ขั้นตอนที่ 4 ประมาณค่าพารามิเตอร์ด้วย Partial Derivative จากฟังก์ชันที่ได้ในขั้นตอนที่3 ได้ดังนี้ 0 ( ; ) ˆ = = l x 0 ( ; ) ˆ = = l x ˆ ( ; ) 0 l x = =
วิธีดำเนินการวิจัย 65 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ นำมาแก้สมการเพื่อให้ได้ค่าประมาณของพารามิเตอร์ , และ เมื่อกำหนดให้ ˆ แทนตัวประมาณของ ˆ แทนตัวประมาณของ ˆ แทนตัวประมาณของ ระดับการเกิดซ้ำ ในทางอุทกวิทยาขนาดของเหตุการณ์พิบัติภัยหนึ่งๆ ที่นำไปใช้ในการออกแบบโครงการทาง วิศวกรรมแหล่งน้ำต่างๆ มักเรียกว่า ระดับการเกิดซ้ำ ซึ่งก็คือตำแหน่งของข้อมูล นั่นเอง สำหรับ GPD ซึ่งมี พารามิเตอร์ และ เมื่อมีข้อมูลที่มีค่าสูงกว่าค่า u นั้นแสดงว่า X u ซึ่งสามารถเขียนสมการทั่วไป สำหรับโอกาสที่เกิดเหตุการณ์ดังกล่าวได้ดังนี้ / Pr( ) u x u X u − − = + 1 1 โดยกำหนดให้ Pr( ) u = X u ดังนั้น ระดับการเกิดซ้ำ หมายถึง ค่าเฉลี่ยของค่าที่สูงเกินกว่าค่า u ทุกๆค่าสังเกต ณ คาบเวลา T ที่สนใจ นั้นคือ /ξ u x u ζ ξ ξ T − − + = 1 1 1 และสามารถจัดรูปสมการระดับการเกิดซ้ำสำหรับการแจกแจงพาเรโตวางนัยทั่วไป ( ) GPD xT ได้ดังนี้ (( ) ), GPD x u T T u = + −1 ถ้า 0 สำหรับ T N N = y เมื่อ Ny คือจำนวนค่าสังเกตต่อปีและ N เป็นจำนวนปี (ปิยภัทร บุษบา บดินทร์,2558)
66 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture การวิเคราะห์ความสัมพันธ์ของตัวแปรด้วยฟังก์ชัน Copulas ในปี 1959 Sklar เสนอแนวคิด Skelar’s Theorem ที่สามารถอธิบายการเชื่อมโยงความสัมพันธ์ ของการแจกแจงตามขอบที่มีการแจกแจงที่ต่างกันได้ซึ่งการเชื่อมโยงความสัมพันธ์นี้เรียกว่า “Copula” Copula คือ ฟังก์ชันการแจกแจงร่วมของตัวแปรสุ่ม ที่มีฟังก์ชันการแจกแจงตามขอบ (Marginal Distribution Functions : Fn ) เหมือนหรือแตกต่างกัน ดังนั้นฟังก์ชันการแจกแจงร่วมของหลายตัวแปรผ่านฟังก์ชัน copula นี้สามารถเขียนได้ดังนี้ H x x C F x F x ( ,..., ,..., ) ( ( ) ( )) n n n = 1 1 1 โดยที่ C คือ ฟังก์ชัน Copula ของฟังก์ชันการแจกแจงตามขอบของตัวแปรสุ่ม ตัวแปรและถ้าการ แจกแจงตามขอบมีลักษณะแบบต่อเนื่องดังนั้นฟังก์ชัน Copula คือ ( ) ( ( ) ( )) C u u C F u F u ,..., ,..., n n n − − = 1 1 1 1 1 โดยที่ u มีลักษณะการแจกแจงแบบสะสม (Cumulative Distribution Function : CDF) ที่มีค่าอยู่ระหว่าง [0,1] และฟังก์ชันความหนาแน่นของ Copula (Copula Density Function : c) สามารถเขียนได้ดังสมการ ดังนี้ h x x c F u F u ( ,..., ,..., ) ( ( ) ( )) n n n = 1 1 1 โดยทั่วไปแล้วฟังก์ชัน Copula จะถูกแบ่งออกเป็น 2 กลุ่ม คือ Elliptical Copulas and Archimedean Copulas ซึ่งในแต่ละกลุ่มจะมีรูปแบบฟังก์ชัน (Family) ที่แตกต่างกันออกไป ดังนั้นในการศึกษาครั้งนี้จึงเลือก รูปแบบของฟังก์ชัน Copula ในแต่ละกลุ่ม โดยมีลักษณะของดังต่อไปนี้1) Elliptical Copulas 2) Archimedean Copulas และ 3) ฟังก์ชันคอปูลาสำหรับค่าสุดขีด (Extreme Value Copula) รูปแบบฟังก์ชันความหนาแน่นคอปปูลา (Density of Copula families) โดยทั่วไปแล้วฟังก์ชัน Copula จะถูกแบ่งออกเป็น 2 กลุ่ม คือ Elliptical Copulas and Archimedean Copulas ซึ่งในแต่ละกลุ่มจะมีรูปแบบฟังก์ชัน (Family) ที่แตกต่างกันออกไป ดังนั้นในการศึกษาครั้งนี้จึงเลือก รูปแบบของฟังก์ชัน Copula ในแต่ละกลุ่มดังต่อไปนี้ 1) Elliptical Copulas คือ กลุ่มของฟังก์ชัน Copula ที่จะหาโครงสร้างความสัมพันธ์ของการ แจกแจงสะสมในลักษณะความสัมพันธ์แบบสมมาตร (Symmetric) ซึ่งรูปแบบฟังก์ชัน Copula ในกลุ่มนี้จะ ประกอบไปด้วย Gaussian or Normal Copula และ Student-t Copula 2) Archimedean Copulas คือ กลุ่มของฟังก์ชัน Copula ที่จะหาความสัมพันธ์ของการแจกแจงสะสมใน ลักษณะความสัมพันธ์แบบไม่สมมาตร (Asymmetric) และสามารถหาความสัมพันธ์ร่วมที่ปลายหางของการ แจกแจงสะสมได้ (Tail Dependence) ซึ่งรูปแบบของฟังก์ชันในกลุ่มนี้จะประกอบไปด้วย Frank, Clayton,
วิธีดำเนินการวิจัย 67 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ Gumbel และ Joe Copula. Embrechts, Lindskog, และ McNeil (2001) และ Hofert, Machler, และ McNeil (2012) เสนอรูปแบบฟังก์ชันความหนาแน่นของรูปแบบ Copula ต่างๆ ดังนี้ 3) การวิเคราะห์ความสัมพันธ์ความสัมพันธ์ของตัวแปรค่าสุดขีดด้วยการวิเคราะห์คอปูลา นั้น ผู้วิจัยได้ใช้แบบจำลองของคอปปูลา ทั้งหมด 9 แบบ ซึ่งเป็นฟังก์ชันคอปูลาสำหรับค่าสุดขีด (Extreme Value Copula) โดยในเบื้องต้นถ้าต้องการใช้ฟังก์ชันคอปูลากลุ่มนี้ ข้อมูลที่จะนำมาวิเคราะห์ต้องถูกนำมาวิเคราะห์ การแจกแจง หรือแบบจำลองกรณีตัวแปรเดียวก่อน ว่าข้อมูลนั้นมีการแจกแจงในกลุ่มของทฤษฎีค่าสุดขีด ใน การศึกษานี้สนใจแบบจำลองจากกลุ่มทฤษฎีค่าสุดขีด จึงมีความเหมาะสม ที่จะนำฟังก์ชันคอปปูลาสำหรับค่า สุดขีดมาใช้เพื่อศึกษาความสัมพันธ์ของตัวแปรต่าง ๆ ในรูปแบบไม่เชิงเส้นตรง (Non-linear model) ทั้งนี้ จะ สนใจค่าความสัมพันธ์ที่เกิดขึ้นจากการใช้ฟังก์ชันคอปูลา รายละเอียด ดังนี้ ตารางที่ 2.4 ความสัมพันธ์ของตัวแปรค่าสุดขีดด้วยการวิเคราะห์คอปปูลา (Copula analysis) ลำดับ ชื่อแบบจำลอง ตัวแบบ พารามิเตอร์ 1 bivariate logistic distribution (Log) ( ) ( ) ( ) ( ) / / , exp r r r G z z y y = − + 1 1 1 2 1 2 โดยที่ ( ) ( ) i i i i i i i y y z z − = = + − 1 1 1 i i i r , , , 2 bivariate asymmetric logistic distribution (Alog) ( ) ( ) ( ) ( ) ( ) ( ) / / ( ) , exp r r r t y t y G z z t y t y − − − − = − + 1 1 2 2 1 2 1 1 1 1 2 2 1 1 โดยที่ ( ) ( ) i i i i i i i y y z z − = = + − 1 1 1 i i i r t t 1 2 , , , , , 3 Husler-Reiss distribution (Hr) ( ) ( ) ( ) log , exp log y y r r y G z z y y r r y − − − + = − + 1 1 1 2 1 2 1 2 2 1 2 2 โดยที่ ( ) ( ) i i i i i i i y y z z − = = + − 1 1 1 i i i r , , ,
68 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ลำดับ ชื่อแบบจำลอง ตัวแบบ พารามิเตอร์ 4 bivariate negative logistic distribution (Neglog) ( ) ( ) / , exp r r r G z z y y y y − − − = − − + + 1 1 2 1 2 1 2 โดยที่ ( ) ( ) i i i i i i i y y z z − = = + − 1 1 1 i i i r , , , 5 bivariate asymmetric negative logistic distribution (Aneglog) ( , exp ) ( ) ( ) r r r G z z y y t y t y − − − = − − + + 1 1 2 1 2 1 1 2 2 โดยที่ ( ) ( ) i i i i i i i y y z z − = = + − 1 1 1 i i i r t t 1 2 , , , , , 6 bilogistic distribution (Bilog) ( ) ( ) ( ) ( ) G z z y q y q , exp − − = − − − 1 1 1 2 1 2 1 โดยที่ ( ) ( ) 1 1 1 i i i i i i i y y z z − = = + − i i i r , , , , , 7 negative bilogistic distribution (Negbilog) ( ) ( ) ( ) ( ) G z z y y y q y q , exp + + = − − + + − 1 1 1 1 2 1 2 1 2 โดยที่ ( ) ( ) i i i i i i i y y z z − = = + − 1 1 1 i i i r , , , , , 8 Coles-Tawn distribution (Ct) ( ) ( ) ( ) - - ; , , exp - - ; , y Be q a b G z z y Be q a b + = + 1 1 1 1 2 1 1 2 เมื่อ q y y y = + 2 2 1 ( ) โดยที่ y y z z ( ) ( ) i i i i i i i − = = + − 1 1 1 และ Be q( ; , ) คือ ฟังก์ชันการแจกแจงเบต้า i i i r , , , , , 9 asymmetric mixed distribution (Amis) A t t t t ( )= − + + + ( ) 2 3 1 G z z y y A y y y ( , exp ) ( ) ( ) = − + + 1 2 1 2 1 1 2 i i i , , , ,
วิธีดำเนินการวิจัย 69 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ลำดับ ชื่อแบบจำลอง ตัวแบบ พารามิเตอร์ โดยที่ y y z z ( ) ( ) i i i i i i i − = = + − 1 1 1 10 Gumbel ( ) / exp log u − − 1 1,) 11 Clayton ( ) 1/ max 1, 0 u v − − − + − 1, \ 0 ) 12 Frank ( )( ) 1 1 1 log 1 1 u v e e e − − − − − + − − − , \ 0 ) 13 Joe ( ) ( ) ( ) ( ) 1/ 1 1 1 1 1 u v u v − − + − − − − 1,) การวิเคราะห์ค่าสุดขีดเชิงพื้นที่ (Spatial Extreme Value Analysis) การวิเคราะห์เชิงพื้นที่ (Spatial Analysis) เป็นการวิเคราะห์ที่ข้อมูลเชิงลึกที่สำคัญเนื่องจากในบางครั้ง ผู้วิจัยไม่สามารถระบุได้ว่าค่าสังเกตในแต่ละพื้นที่เป็นอิสระต่อกันหรือมีความใกล้เคียงกันอย่างไรบ้าง ดังนั้น จากปัญหาดังกล่าว การวิเคราะห์เชิงพื้นที่ที่ได้ถูกนำมาใช้เพื่อสร้างแบบจำลองของเหตุการณ์ค่าสุดขีดเชิงพื้นที่ ซึ่งเป็นวิธีที่วิเคราะห์ข้อมูลเชิงพื้นที่และคุณสมบัติค่าสุดขีดไปพร้อมกัน สำหรับทฤษฎีค่าสุดขีดตัวแปรเดียวเป็น ที่รู้จักกันอย่างแพร่หลายสำหรับแบบจำลองค่าสุดขีด (Coles, 2001) โดยเฉพาะการสร้างแบบจำลองค่าสุดขีด ด้วยการแจกแจงค่าสุดขีดวางนัยทั่วไป (GEVD) และการแจกแจงพาเรโตวางนัยทั่วไป (GPD) โดยมีข้อตกลง เบื้องต้นว่าการแจกแจงค่าสุดขีดของข้อมูลในแต่ละสถานีตรวจวัดอากาศเป็นอิสระกัน ดังนั้นเพื่อหลีกเลี่ยง ความผันผวนภายในที่อาจจะถูกนำมาสร้างแบบจำลองของข้อมูลที่เก็บรวบรวมในแต่ละสถานีจึงได้มีนักวิจัยนำ วิธีเชิงพื้นที่มาประยุกต์กับค่าทฤษฎีค่าสุดขีด ดังนั้นวัตถุประสงค์ของการคิดวิเคราะห์เชิงพื้นที่คือการจำลอง ด้วยพื้นที่ที่มีเหตุการณ์รุนแรงเกิดขึ้นและมีการจัดเก็บข้อมูลอย่างต่อเนื่อง (Beirlant et al, 2004) โดยมี นักวิจัยหลายท่านได้ศึกษาและพัฒนาวิธีการวิเคราะห์เชิงพื้นที่ด้วยค่าสุดขีด เช่น Smith (1990), Schlather (2002), Buishandและคณะ (2008) เป็นต้น แบบจำลองการแจกแจงพาเรโตนัยทั่วไปเชิงพื้นที่ (Spatial GPD Model) เมื่อเราจัดการกับค่าสุดขีดด้วยวิธีการดั้งเดิมจะพิจารณาสูงสุดเหนือการจำลองแบบจำนวนหนึ่งโดย ใช้ผลลัพธ์จากทฤษฎีค่าสุดขีด ทฤษฎีนี้ครอบคลุมกรณีที่ไม่มีตัวแปรแฝงและกรณีหลายตัวแปร ( Beirlant et al., 2004) ในกรณีของข้อมูลเชิงพื้นที่ค่าสุดขีดของการสังเกตการณ์ในช่วงเวลาที่กำหนดมักถูกเก็บรวบรวมใน เซตย่อยที่มีขอบเขตจำกัด และจุดมุ่งหมายคือเพื่อกำหนดลักษณะสุ่มพฤติกรรมบนชุดข้อมูลที่ไม่ได้สุ่มตัวอย่าง จำนวนนับไม่ได้ ด้วยเหตุนี้ ตัวแบบสำหรับหลายตัวแปรจึงไม่เหมาะสม และตัวแบบนั้นเป็นกระบวนการเสถียร สูงสุด (de Haan, 1984)
70 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ค่าสุดขีดแบบตัวแปรเดียว (Univariate extreme values) (Pickands, 1975; Davison and Smith, 1990) ให้เหตุผลในการสร้างแบบจำลองการกระจายแบบมีเงื่อนไขของส่วนเกิน Y s u ( ) −ผ่านการแจกแจง Generalized Pareto (GP)] ( ) ( ) / Pr | ( ) , Y s u z Y s u z z u − − − + 1 1 1 0 (2.13) โดยมีเงื่อนไขว่า F D G ( ) ( ) s โดยที่ เป็นพารามิเตอร์รูปร่างจริง และ เป็นพารามิเตอร์ขนาดที่เป็น บวก ซึ่งขึ้นอยู่กับเกณฑ์ u การแจกแจง GP ให้ค่าประมาณของส่วนท้ายของฟังก์ชันการแจกแจงในแง่ที่ว่าสำหรับค่า u ที่มาก เพียงพอ ( ) ( ) / Pr , Y s u z z z u − − − + 1 1 1 0 (2.14) เมื่อ = −1 F u s ( ) ตอนนี้เราพิจารณาตัวแปรสุ่มสองตัวแปร Y s Y s ( i j ), ( ) ที่มีการแจกแจง marginal และ , , ( ) Y D G si sj si sj เหมือนกัน ตามสมการ (2.13) ซึ่งการแปลงอินทิกรัลทำได้ตามสมการ ( ) / ˆ log , , k k u Y s u Y k i j − − − = − − + = 1 1 1 1 มีหน่วยเป็นการแจกแจงฟรีเซท การแจกแจงแบบสองตัวแปร F y y si sj i j , ( , ) สามารถประมาณค่าได้บน ( ) 2 u, ดังสมการ F y y G y y si sj i j si sj i j , , ( , , ) ( ) สมการให้ค่าประมาณของการแจกแจงแบบสองตัวแปรที่ส่วนท้ายเมื่อองค์ประกอบทั้งสองมีค่ามากกว่า ขีดจำกัด u ซึ่งแนวทางอื่น (Beirlant et al., 2004; Rootz´en and Tajvidi, 2006) พิจารณาการกระจาย แบบสองตัวแปรของค่าขนาดใหญ่ เนื่องจากมีส่วนประกอบอย่างน้อยหนึ่งองค์ประกอบที่มีขนาดใหญ่ การแจก
วิธีดำเนินการวิจัย 71 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ แจงนี้เป็นอะนาล็อกสองตัวแปรสำหรับการแจกแจง GP โดยมีเงื่อนไขว่า F D G si sj si sj , , ( , , ) ( ( )) และ 0 0 0 1 Gsi sj , ( , ) , Rootz´en และ Tajvidi (2006) แสดงสำหรับ u ขนาดใหญ่ ( ) ( ) Pr | , , ( ) ( ) , ( ) i j i j i j si sj i j u u Y s u Y s u z z Y s u or Y s u H z z − − เมื่อ ( ) ( ( )) ( ) ( ( ) ( )) , , , log min , ,min , log , , , G x x si sj i j H x x i j G x x G si sj si sj = − 1 0 0 0 0 อันที่จริง ผลลัพธ์ Roozen-Tajvidis ใช้กับมิติที่มีมากกว่าสอง และในภาคต่อ เราอ้างถึงการแจกแจงในสมการ เป็นการแจกแจง GP แบบสองตัวแปร การสร้างแบบจำลององค์ประกอบที่สัมพันธ์กับฟังก์ชันคอปูลา (Copula function) เพื่อจัดการกับองค์ประกอบที่สัมพันธ์ ทำให้สร้างการแจกแจงร่วมกันของ Z s( ) โดยใช้คอปูลา แบบจำลองคอปูลามีการใช้กันอย่างแพร่หลายในทศวรรษที่ผ่านมา ฟังก์ชันคอปูลาเป็นฟังก์ชันการแจกแจง หลายตัวแปร ซึ่งการแจกแจงตามขอบของตัวแปรแต่ละตัวมีการแจกแจงยูนิฟอร์ม คุณสมบัติประการหนึ่งของ คอปูลา คือความยืดหยุ่นสูง เนื่องจากการแจกแจงส่วนเพิ่มและโครงสร้างความสัมพันธ์สามารถจัดการแยกกัน ได้ และบอกได้ว่าสามารถระบุองค์ประกอบที่สัมพันธ์กันได้ทีละตัว นั่นคือ ความสัมพันธ์ระหว่าง 1 { ( ),..., ( )} Z s Z s d สำหรับขนาดที่กำหนด s S และความสัมพันธ์เชิงพื้นที่ส่วนเพิ่ม นั่นคือ 1 { ( ),..., ( )} Z s Z s k k S สำหรับทุกขนาด 1 ,..., S s s S กำหนดองค์ประกอบเฉพาะ k d =1,..., ภายใต้ กรอบนี้ ฟังก์ชันคอปูลากำหนดโครงสร้างองค์ประกอบที่สัมพันธ์ และการกระจายร่วมของ Z s s S ( ), สามารถเขียน 1 1 ( ) 1 1 ( ( ) ( ),...., ( ) ( )) [ ( ( )),..., ( ( ))] P Z s z s Z s z s H G z s G z s = d d s d d โดยที่ ( ) (.) H s เป็นฟังก์ชันคอปปูลา ที่มีพารามิเตอร์ ( ), s และ (.), 1,..., G k d k = คือ ฟังก์ชันการ แจกแจงสะสมของการแจกแจงพาเรโตนัยทั่วไปตามขอบ ที่กำหนดไว้ในสมการที่ (2.17) ความหนาแน่นของ สมการถูกกำหนดโดย
72 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 1 ( ) 1 1 1 ( ( ) ( )) [ ( ( )),..., ( ( ))] ( ( )) d d s d d k k k f z s z s h G z s G z s g z s = = โดยที่ ( ) (.) h s คือความหนาแน่นของคอปปูลาของ ( ) (.) H s โดยมีพารามิเตอร์ ( ), s และ (.) k g คือ ความหนาแน่นของ GPD ที่เขียนเป็น 1 ( ) 1 ( ( ); ( ), ( )) ( ( )) exp[ ( ( ))] ( ) + = − k s k k k k k k g z s s s t z s t z s s โดยที่ 1/ ( ) ( ) 1 ( ) , ( ) 0, ( ) ( ( )) ( ) exp , ( ) 0. ( ) − + = − = k s k k k k k k k k z s s if s s t z s z s if s s มีหลายรูปแบบของ copula ในบทความ ตัวอย่างที่เป็นที่นิยมและใช้กันคือ Gaussian copula, t copula, Clayton copula และ Gumblel copula เป็นต้น 2.2.3 การจัดกระทำกับข้อมูลและการวิเคราะห์ข้อมูล 1) การแปลงข้อมูล แปลงค่าข้อมูลเชิงพื้นที่ด้วยการแปลงเชิงเส้น (linear transformation) ดังนี้ min( ) max( ) min( ) new x x x x x − = − เมื่อ new x แทน ค่าข้อมูลเชิงพื้นที่ที่แปลงเป็นข้อมูลเชิงเส้น x แทน ค่าข้อมูลเชิงพื้นที่ min( x) แทน ค่าข้อมูลเชิงพื้นที่ที่มีค่าต่ำสุด max(x) แทน ค่าข้อมูลเชิงพื้นที่ที่มีค่าสูงสุด
วิธีดำเนินการวิจัย 73 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2) การวิเคราะห์ดัชนีความแห้งแล้ง (Drought Index Analysis) ดัชนีความแห้งแล้งซึ่งสามารถประเมินได้จากข้อมูลตรวจวัดด้านอุตุนิยมวิทยา อุทกวิทยา และทางการเกษตร ได้มีการพัฒนาตั้งแต่อดีตถึงปัจจุบันจำนวนหลายดัชนี ในปี ค.ศ.2011 Byun and Wilhite (2011) ได้รวบรวมดัชนีความแห้งแล้งที่มีการใช้งานจากในอดีตจนถึงปัจจุบัน โดยข้อมูลที่ต้องใช้ใน การประเมินดัชนีภัยแล้งในแต่ละกลุ่มดัชนีสรุปได้ดังภาพที่ 2.6 ภาพที่ 2.6 ดัชนีความแห้งแล้งแบ่งตามหลักวิชาการของ NASA’s Earth Observatory ทั้งนี้ช่วงเวลาของภัยแล้งที่แต่ละดัชนีสามารถประเมินได้รวมทั้งหลักการทั่วไปของแต่ละดัชนี รายละเอียดดังต่อไปนี้ 2.1) ดัชนีความแห้งแล้งจากข้อมูลภาคพื้นดิน แบ่งออกเป็น 3 กลุ่ม ได้แก่ 2.1.1) ดัชนีความแห้งแล้งทางอุตุนิยมวิทยา มีทั้งหมด 2 ดัชนี ดังนี้ 1) ดัชนีปริมาณน้ำฝนมาตรฐาน (The Standardized Precipitation Index: SPI) ได้ พัฒนาขึ้นจากแนวคิดของ Mckee et al (1993) เพื่อเฝ้าดูสภาวะแห้งแล้งในช่วงเวลาต่างๆ ที่กำหนด โดยดู จากปริมาณฝนสะสมในแต่ละช่วงเวลาที่สนใจ ซึ่งอาจมีตั้งแต่ 1 เดือน 2 เดือน 3เดือน จนถึง 72 เดือน ตามปกติปริมาณฝนโดยทั่วไปจะมีการกระจายในรูปแบบฟังก์ชันการแจกแจงแบบแกมมา(Gamma Distribution) แต่เนื่องจากการศึกษาเพื่อหาค่าดัชนี SPI จะต้องใช้ฝนรวมเป็นหลักจึงได้พิจารณาโดยใช้ ฟังก์ชันความน่าจะเป็นสะสม (cumulative probability density function ) ของปริมาณฝนรวมแล้วทำการ แปลง (transform) ให้เป็นค่าปกติมาตรฐาน 2 ซึ่งจะได้ค่า SPI ที่ต้องการแล้วนำมาจัดรูปแบบความรุนแรงที่ บอกถึงระดับความชุ่มชื้น และความแห้งแล้งของปริมาณฝนในแต่ละพื้นที่ฟังก์ชั่นการแจกแจงแบบแกมมาจะ กำหนดโดยฟังก์ชันความหนาแน่นน่าจะเป็น (Probability density function) ดังนี้ 1 1 ( ) ( ) x g x x e − = − เมื่อ x 0 โดยที่ 0 , 0 และ x 0
74 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture คือ shape parameter คือ scale parameter x คือ ปริมาณน้ำฝน 1 0 ( ) y y e dy − − = คือ แกมมาฟังก์ชัน โดยค่าประมาณของ และ คือ 1 4 ˆ 1 1 4 3 A A = + + ˆ ˆ x = และ ln( ) ln( ) x A x n = − เมื่อ n คือ จํานวนข้อมูลฝน ฟังก์ชันความหนาแน่นน่าจะเป็นสะสม (Cumulative probability density function) ดังสมการ ˆ ˆ 1 ˆ 0 0 1 ( ) ( ) ˆ ( )ˆ x x x G x g x dx x e dx − − = = ถ้าให้ ˆ t x = จะได้ ˆ 1 0 1 ( ) ( )ˆ x t G x t e dt − = เนื่องจากแกมมาฟังก์ชันจะหาค่าไม่ได้เมื่อ x = 0 แต่โดยทั่วไปแล้วปริมาณฝนจะมีค่า 0 (ไม่มีรายงานฝนตก) ดังนั้นจึงต้องแปลงฟังก็ชั่นหนาแน่นน่าจะเป็นสะสม ดังนี้ H x q q G x ( ) (1 ) ( ) = + − เมื่อ q คือ ความน่าจะเป็นที่จะไม่มีรายงานฝนตก ซึ่งมีค่าเท่ากับจำนวนวันที่ไม่มีฝนตก ( ) m หารด้วยจำนวนวันที่เราศึกษา ( ) n จากนั้นนำค่า H x( ) มาแปลงเป็นค่าปกติมาตรฐาน (standard normal) ที่มีค่าเฉลี่ยเท่ากับศูนย์และความแปรปรวนมีค่เท่ากับ 1 ซึ่งคือค่า SPI นั่นเอง ซึ่งมีสูตรการประมาณค่า Z หรือ SPI โดย Abramowitz และ Stegun (1965) ดังนี้
วิธีดำเนินการวิจัย 75 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2 0 1 2 2 3 1 2 3 1 c c t c t Z SPI t d t d t d t + + = = − − + + + เมื่อ 0 ( ) 0.5 H x 2 0 1 2 2 3 1 2 3 1 c c t c t Z SPI t d t d t d t + + = = + − + + + เมื่อ 0.5 ( ) 1 H x โดยที่ 2 1 ln ( ( )) t H x = เมื่อ 0 ( ) 0.5 H x 2 1 ln (1.0 ( )) t H x = −เมื่อ 0 ( ) 0.5 H x 0 c = 2.515517 1 c = 0.802853 2 c = 0.010328 1 d =1.432788 2 d = 0.189269 3 d = 0.001308 ตารางที่ 2.5 เกณฑ์การพิจารณาความรุนแรงของดัชนีความแห้งแล้ง SPI ค่าดัชนี SPI ระดับความรุนแรงของความแห้งแล้ง มากกว่า - 0.99 ใกล้เคียงค่าปกติ -1.00 ถึง -1.49 แห้งแล้งปานกลาง -1.50 ถึง -1.99 แห้งแล้งรุนแรง น้อยกว่าหรือเท่ากับ -2 แห้งแล้งรุนแรงที่สุด
76 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2) ด ั ช น ี ก า ร ค า ย ร ะ เ ห ย ฝ น ม า ต ร ฐ า น (Standardized precipitation evapotranspiration index: SPEI) เปนดัชนีสําหรับการแบงระดับความแปรปรวนของสภาพภูมิอากาศที่ เกิดขึ้นจากความแตกตางระหวางปริมาณฝนและปริมาณการคายระเหย ซึ่งมีพื้นฐานมาจากดัชนีฝนมาตรฐาน หรือ standardized precipitation index (SPI) แตจะเพิ่มผลกระทบที่เกิดจากการคายระเหยเพิ่มเขามา ซึ่งใชขอมูลปริมาณฝนรายเดือนและขอมูลอุณหภูมิสูงสุด-ต่ำสุดรายเดือน สําหรับคํานวนคาศักย การคายระเหยรายเดือน (Potential Evapotranspiration, PET) ดวยวิธี Hargreaves มีวิธีการคํานวน เชนเดียวกันกับ SPI แตจะแทนปริมาณฝนดวยผลตางระหวางปริมาณฝนและการคายระเหย ( Di , มิลลิเมตร) ดังสมการ D P ET i i i = − ตารางที่ 2.6 เกณฑ์การพิจารณาความรุนแรงของดัชนีความแห้งแล้ง SPEI ค่าดัชนี SPEI ระดับความรุนแรงของความแห้งแล้ง มากกว่า 2.00 ชื้นมากที่สุด 1.50 ถึง 1.99 ชื้นมาก 1.00 ถึง 1.49 ชื้นปานกลาง -0.99 ถึง 0.99 ปกติ -1.00 ถึง -1.49 แห้งแล้งปานกลาง -1.50 ถึง -1.99 แห้งแล้งรุนแรง น้อยกว่าหรือเท่ากับ -2.00 แห้งแล้งรุนแรงที่สุด
วิธีดำเนินการวิจัย 77 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2.1.2) ดัชนีความแห้งแล้งทางการเกษตร มีรายละเอียดดังนี้ 1) ดัชนีความแห้งแล้งทางด้านเกษตรกรรมตามฤดูกาลมรสุม (Generalized Monsoon Index: GMI) เป็นค่าดัชนีความแห้งแล้งทางด้านการเกษตรที่แสดงถึงผลกระทบที่เกิดแก่พืชที่ กำลังเจริญเติบโต อันมีสาเหตุเนื่องมาจากการขาดแคลนความชื้น โดยแบ่งระยะการเจริญเติบโตของพืชได้ 4 ระยะดังนี้คือ ระยะเริ่มต้นปลูก (Planting) ระยะเติบโตทางลำต้น (Vegetative) ระยะออกดอกและระยะ เจริญเติบโตของผลและเมล็ด (Flowering/Reproductive) และระยะเติบโตเต็มที่ของผลผลิต(Maturity) ซึ่ง ในแต่ละระยะมีความต้องการน้ำไม่เท่ากันหากเปรียบเทียบกันแล้วความต้องการน้ำมากที่สุด คือ ช่วงระยะ ออกดอกและระยะเจริญเติบโตของผลและเมล็ด รองลงมา คือ ช่วงระยะเติบโตเต็มที่ของผลผลิต ส่วนระยะ เริ่มต้นปลูกและระยะเจริญเติบโตทางลำต้นนั้นมีความต้องการน้ำน้อยที่สุด โดยจะกำหนดน้ำหนักของการใช้ น้ำของพืชในอัตราส่วน 1/8: 1/8: 1/2: 1/4 ตามลำดับ ค่า GMI ที่คํานวณได้จะมีหน่วยเป็นมิลลิเมตร เพื่อ ความสะดวกในการกำหนดเกณฑ์มาตรฐานที่ใช้ในการพิจารณาสภาวะพืช GMI จะถูกนำมาวิเคราะห์ให้อยู่ใน รูปของเปอร์เซนต์ไตล์ (percentile rank) ซึ่งมีค่าระหว่าง 0-100 โดยนำค่า GMI มาเรียงลำดับจากน้อยไป มาก และคํานวณค่า percentile rank จากสูตร ( 100) ( 1) GMI r n pct = + โดยที่ GMI pct คือ percentile rank ของ GMI r คือ ลำดับที่ของข้อมูลดิบ n คือ จำนวนปีของข้อมูลของแต่ละสถานี ตารางที่ 2.7 เกณฑ์การพิจารณาเกณฑ์ดัชนีความแห้งแล้ง GMIpct ค่าดัชนีความแห้งแล้ง GMIpct สภาวะของพืช 0-20 แล้งจัด (severe drought impact and possible crop failure) 21-30 แล้ง (drought impact on crop) 31-40 ค่อนข้างแล้ง (moderate drought impact on crop) 41-60 ปกติ(normal crop) 61-90 ความชื้นสูงกว่าปกติ(possible above normal crop) 91-100 ความชื้นเกินความต้องการ (possible excessive moisture)
78 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2) ดัชนีความชื้นในดินมาตรฐาน (Standardized Soil Moisture Index: SSI) ขึ้นอยู่กับแนวคิดของร้อยละปริมาณน้ำฝนปกติและดัชนีปริมาณน้ำฝนมาตรฐาน (SPI) เช่นเดียวกับโครงสร้าง ทางสถิติของ SPI โดยใช้ค่า z-score เป็นหลักเพื่ออธิบายว่าความชื้นในดินเบี่ยงเบนไปจากค่าเฉลี่ยของ ความชื้นในดินในอดีตกี่ส่วนเบี่ยงเบนมาตรฐาน และระบุภัยแล้งว่าเป็นค่าผิดปกติทางสถิติในอนุกรมเวลา (Xu et al., 2018) SMAP NLDAS NLDAS x SSI − = โดยที่ SMAP x คือ ปริมาณความชื้นในดินจากข้อมูล SMAP ระดับ 3 ในหนึ่งวัน NLDAS คือ ค่าเฉลี่ยความชื้นในดินสำหรับวันที่สอดคล้องกันจาก NLDAS NLDAS คือ ค่าเบี่ยงเบนมาตรฐาน ตารางที่ 2.8 เกณฑ์การพิจารณาความรุนแรงของดัชนีความแห้งแล้ง SSI ค่าดัชนี SSI ระดับความรุนแรงของความแห้งแล้ง มากกว่า - 0.99 ใกล้เคียงค่าปกติ -1.00 ถึง -1.49 แห้งแล้งปานกลาง -1.50 ถึง -1.99 แห้งแล้งรุนแรง น้อยกว่าหรือเท่ากับ -2 แห้งแล้งรุนแรงที่สุด
วิธีดำเนินการวิจัย 79 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2.1.3) ดัชนีความแห้งแล้งทางอุทกวิทยา มีรายละเอียดดังนี้ 1) ดัชนีน้ำท่ามาตรฐาน (Standardized Runoff Index : SRI) เพื่อศึกษาความแห้ง แล้งของอุตุนิยมวิทยา มีการพัฒนาตัวชี้วัดหลายตัว ซึ่งดัชนีปริมาณน้ำฝนมาตรฐาน (SPI) ซึ่งพัฒนาขึ้นครั้งแรก โดย McKee และคณะ มีการใช้กันอย่างแพร่หลายโดยเฉพาะ สำหรับความแห้งแล้งทางอุทกวิทยา ดัชนีที่ คล้ายกับ SPI สามารถพัฒนาเป็นดัชนีปริมาณน้ำท่ามาตรฐาน (SRI) ซึ่งอิงตามการไหลของกระแสน้ำเฉลี่ยราย เดือนและเสนอครั้งแรกโดย Shukla และ Wood หลักการคำนวณของในการกำหนดดัชนีปริมาณน้ำท่า มาตรฐาน (SRI) เนื่องจากค่าเบี่ยงเบนปกติมาตรฐานของหน่วยที่เกี่ยวข้องกับเปอร์เซ็นต์ไทล์ของการไหลของ กระแสน้ำของอุทกวิทยาที่สะสมในช่วงเวลาที่กำหนด ระยะเวลาที่แตกต่างกัน (เช่น 1 เดือน 9 เดือน) และการ รวมเชิงพื้นที่ที่แตกต่างกันของดัชนีสามารถคำนวณได้ขึ้นอยู่กับความละเอียดของข้อมูลต้นทางและประยุกต์ใช้ ได้ที่ต้องการ ขั้นตอนการคำนวณ SRI ประกอบด้วยขั้นตอนต่อไปนี้ ขั้นตอนที่ 1 การจำลองอนุกรมเวลาขอประมาณน้ำท่าของเวลาย้อนหลังได้มาจากการจำลอง และการ แจกแจงความน่าจะเป็นจะพอดีกับตัวอย่างที่แสดงโดยค่าอนุกรมเวลา ขั้นตอนที่ 2 การแจกแจงใช้เพื่อประมาณความน่าจะเป็นสะสมของมูลค่าประมาณน้ำท่า (ไม่ว่าจะเป็น การสะสมในปัจจุบันหรือจากวันที่ย้อนหลัง) ขั้นตอนที่ 3 ความน่าจะเป็นสะสมจะถูกแปลงเป็นค่าเบี่ยงเบนปกติมาตรฐาน (โดยมีค่าเฉลี่ยเป็นศูนย์ และความแปรปรวนของหน่วย) ซึ่งสามารถคำนวณได้จากการประมาณตัวเลขเป็นฟังก์ชันการกระจายสะสม ปกติ (CDF) ตารางที่ 2.9 เกณฑ์การพิจารณาความรุนแรงของดัชนีความแห้งแล้ง SRI ค่าดัชนี SRI ระดับความรุนแรงของความแห้งแล้ง มากกว่า - 0.99 ใกล้เคียงค่าปกติ -1.00 ถึง -1.49 แห้งแล้งปานกลาง -1.50 ถึง -1.99 แห้งแล้งรุนแรง น้อยกว่าหรือเท่ากับ -2 แห้งแล้งรุนแรงที่สุด
80 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2.2) ดัชนีความแห้งแล้งจากข้อมูลดาวเทียม ดัชนีความแห้งแล้งพืชพรรณมาตรฐาน (Normalized Differences Vegetation Index (NDVI)) คำนวณได้จากค่าการสะท้อนแสงช่วงคลื่นสีแดง (Red) และช่วงอินฟราเรดใกล้ (NIR) ของพื้นผิวโลก ดังสมการ Re Re NIR d NDVI NIR d − = + ตารางที่ 2.10 เกณฑ์การพิจารณาเกณฑ์ดัชนีความแห้งแล้ง NDVI ค่าดัชนีความแห้งแล้ง NDVI เกณฑ์ที่ใช้วัดความแห้งแล้ง 0.40 ไม่แห้งแล้ง 0.25 - 0.39 แห้งแล้งปานกลาง 0.1 - 0.24 แห้งแล้งรุนแรง < 0.10 แห้งแล้งรุนแรงที่สุด สามารถสรุปการวิเคราะห์ดัชนีความแห้งแล้งทั้ง 3 กลุ่ม ดังภาพที่ 2.7
วิธีดำเนินการวิจัย 81 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 2.7 สรุปวิธีการวิเคราะห์ดัชนีความแห้งแล้งที่ใช้ในงานวิจัยนี้ 3) การวิเคราะห์ข้อมูลปริมาณน้ำฝนสะสมราย 10 วัน 3.1) การวิเคราะห์ค่าต่ำสุดของปริมาณน้ำฝนสะสมราย 10 วัน มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนต่ำสุดของแตละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะหาปริมาณน้ำฝนสะสมราย 10 วัน ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนสะสมราย 10 วัน ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนสะสมราย 10 วัน ที่ได้มาวิเคราะห์ด้วยวิธีการ วิเคราะห์แบบอนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และวิธีการวิเคราะห์ค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ของแต่ละวิธีการ 3.2) การวิเคราะห์ค่าสูงสุดของปริมาณน้ำฝนสะสมราย 10 วัน มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนสูงสุดของแตละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะหาปริมาณน้ำฝนสะสมราย 10 วัน ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนสะสมราย 10 วัน ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนสะสมราย 10 วัน ที่ได้มาวิเคราะห์ด้วยวิธีวิเคราะห์ แบบอนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และวิธีการวิเคราะห์ค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ของแต่ละวิธีการ
82 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 4) การวิเคราะห์ข้อมูลปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน 4.1) การวิเคราะห์ค่าต่ำสุดของปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนต่ำสุดของแตละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะหาปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วันที่ได้มาวิเคราะห์ด้วยวิธีการ วิเคราะห์แบบอนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และวิธีการวิเคราะห์ค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ของแต่ละวิธีการ 4.2) การวิเคราะห์ค่าสูงสุดของปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนสูงสุดของแตละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะหาปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วันที่ได้มาวิเคราะห์ด้วยวิธี วิเคราะห์แบบอนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และทฤษฎีค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ของแต่ละวิธีการ 5) การวิเคราะห์ข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์/รายเดือน/รายปี 5.1) การวิเคราะห์ข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์ 5.1.1) การวิเคราะห์ค่าต่ำสุดของปริมาณน้ำฝนรวมรายสัปดาห์ มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนต่ำสุดของแต่ละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะ หาปริมาณน้ำฝนรวมรายสัปดาห์ ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์ ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์ ที่ได้มาวิเคราะห์ด้วยทฤษฎีค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ 5.1.2) การวิเคราะห์ค่าสูงสุดของปริมาณน้ำฝนรวมรายสัปดาห์ มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนสูงสุดของแต่ละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะ หาปริมาณน้ำฝนรวมรายสัปดาห์ ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์ ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์ ที่ได้วิเคราะห์ด้วยทฤษฎีค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์
วิธีดำเนินการวิจัย 83 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 5.2) การวิเคราะห์ข้อมูลปริมาณน้ำฝนรวมรายเดือน 5.2.1) การวิเคราะห์ค่าต่ำสุดของปริมาณน้ำฝนรวมรายเดือน มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนต่ำสุดของแต่ละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะ หาปริมาณน้ำฝนรวมรายเดือน ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนรวมรายเดือน ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนรวมรายเดือน ที่ได้มาวิเคราะห์ด้วยวิธีวิเคราะห์แบบ อนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และวิธีการวิเคราะห์ค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ของแต่ละวิธีการ 5.2.2) การวิเคราะห์ค่าสูงสุดของปริมาณน้ำฝนรวมรายเดือน มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนสูงสุดของแต่ละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะ หาปริมาณน้ำฝนรวมรายเดือน ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนรวมรายเดือน ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนรวมรายเดือน ที่ได้มาวิเคราะห์ด้วยวิธีวิเคราะห์แบบ อนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และวิธีการวิเคราะห์ค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์สรุปผลการวิเคราะห์ของแต่ละวิธีการ 5.3) การวิเคราะห์ข้อมูลปริมาณน้ำฝนรวมรายปี 5.3.1) การวิเคราะห์ค่าต่ำสุดของปริมาณน้ำฝนรวมรายปี มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนต่ำสุดของแตละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะหาปริมาณน้ำฝนรวมรายปี ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนรวมรายปี ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนรวมรายปี ที่ได้มาวิเคราะห์ด้วยวิธีวิเคราะห์แบบ อนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และทฤษฎีค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์ของแต่ละวิธีการ 5.3.2) การวิเคราะห์ค่าสูงสุดของปริมาณน้ำฝนรวมรายปี มีขั้นตอนดังนี้ ขั้นตอนที่ 1 นำข้อมูลปริมาณน้ำฝนสูงสุดของแตละสถานีซึ่งเป็นข้อมูลรายวัน เพื่อที่จะหาปริมาณน้ำฝนรวมรายปี ขั้นตอนที่ 2 คัดเลือกข้อมูลปริมาณน้ำฝนรวมรายปี ขั้นตอนที่ 3 นำข้อมูลปริมาณน้ำฝนรวมรายปี ที่ได้มาวิเคราะห์ด้วยวิธีวิเคราะห์แบบ อนุกรมเวลา วิธีแบบจำลองเกรย์ วิธีการเรียนรู้ของเครื่อง และทฤษฎีค่าสุดขีด ขั้นตอนที่ 4 สรุปผลการวิเคราะห์สรุปผลการวิเคราะห์ของแต่ละวิธีการ
84 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 6) การวิเคราะห์ข้อมูลความเสียหายในพื้นที่เป้าหมาย ขั้นตอนการวิเคราะห์ข้อมูลความเสียหายที่เกิดจากภัยแล้ง มีดังนี้ ขั้นตอนที่ 1 นำข้อมูลความเสียหายที่เกิดขึ้น ไม่ว่าจะเป็นจำนวนอำเภอที่เสียหาย จำนวน คนหรือเกษตรที่ได้รับความเสียหาย จำนวนพื้นที่ที่ได้รับความเสียหาย และวงเงินที่ได้รับการช่วยเหลือ เป็นต้น มาจัดเรียงตามปีและพื้นที่ในลุ่มน้ำมูล ขั้นตอนที่ 2 วิเคราะห์หาจำนวนความถี่ ค่าเฉลี่ยพื้นที่ที่เสียหายต่อคน ค่าเฉลี่ยเงินที่ ได้รับการช่วยเหลือต่อคน ตามปีและพื้นที่ในลุ่มน้ำมูล ขั้นตอนที่ 3 สรุปข้อมูลความเสียหายในแต่ละพื้นที่ในลุ่มน้ำมูล ภาพที่ 2.8 สรุปวิธีการวิเคราะห์ข้อมูลที่ใช้ในงานวิจัยนี้
วิธีดำเนินการวิจัย 85 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2.3 กรอบแนวคิดการวิจัย ผู้วิจัยสามารถสรุปกรอบแนวคิดการวิจัย และผังการดำเนินการวิจัยนี้ ได้ดังภาพที่ 2.9-2.17 ภาพที่ 2.9 กรอบแนวคิดของการวิจัย ภาพที่ 2.10 ผังการดำเนินการวิจัย(ภาพรวม)
86 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2.4 แผนผังสรุปวิธีการดำเนินการวิจัย ภาพที่ 2.11 สรุปวิธีการดำเนินการวิจัย
วิธีดำเนินการวิจัย 87 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 2.12 ขั้นตอนการวิเคราะห์ดัชนีความแห้งแล้ง
88 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ภาพที่ 2.13 ขั้นตอนการวิเคราะห์แบบจำลองการพยากรณ์ระยะสั้น
วิธีดำเนินการวิจัย 89 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 2.14 ขั้นตอนการสร้างแบบจำลองคาดการณ์จากหนึ่งตัวแปรด้วยทฤษฎีค่าสุดขีด
90 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ภาพที่ 2.15 ขั้นตอนการสร้างแบบจำลองสองตัวแปรด้วยคอปูลา
วิธีดำเนินการวิจัย 91 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 2.16 ขั้นตอนการสร้างแบบจำลองคาดการณ์เชิงพื้นที่ด้วยค่าสุดขีดนัยทั่วไป
92 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ภาพที่ 2.17 ขั้นตอนการวิเคราะห์ความเสี่ยงสูงของพื้นที่
บทที่3 ผลการวิจัย งานวิจัยนี้เป็นการพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ทั้งนี้ผู้วิจัยได้สรุป ผลการวิจัยตามวัตถุประสงค์ที่กำหนดไว้ 6 ส่วนหลัก ประกอบด้วย ส่วนที่ 1 ผลการสังเคราะห์ระบบสารสนเทศภูมิศาสตร์และการออกแบบการพยากรณ์ภัยแล้งสุดขีด เชิงพื้นที่ในลุ่มน้ำมูล(พื้นที่เสี่ยงภัย) 1.1 ผลการสรุปงานวิจัยระบบสารสนเทศภูมิศาสตร์และการออกแบบการพยากรณ์ ภัยแล้ง 1.2 ผลการสรุปเปรียบเทียบระบบสารสนเทศภูมิศาสตร์และการออกแบบการพยากรณ์ ภัยแล้ง ส่วนที่ 2 ผลการวิเคราะห์ข้อมูลพื้นฐานเชิงพื้นที่ที่สำคัญ 2.1 ผลการวิเคราะห์ข้อมูลอุตุนิยมวิทยา 2.2 ผลการวิเคราะห์ข้อมูลอุทกวิทยา 2.3 ข้อมูลความเสียหายของพื้นที่การเกษตรเนื่องจากภัยแล้งในลุ่มน้ำมูล ส่วนที่ 3 ผลการวิเคราะห์ดัชนีความแห้งแล้ง 3.1 ผลการวิเคราะห์ดัชนีความแห้งแล้งภาคพื้นดิน (Ground-based Indicator) 3.2 ผลการวิเคราะห์ดัชนีความแห้งแล้งภาคดาวเทียม (Satellite-based Indicator) 3.3 ผลการวิเคราะห์Composite Drought Index ส่วนที่ 4 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนที่ส่งผลต่อภัยแล้ง แบ่งออกเป็น 4 แบบ ได้แก่ 4.1 ผลการวิเคราะห์จำนวนวันที่ไม่ตกรายเดือน 4.2 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมทุก ๆ 10 วัน 4.3 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 10 วัน 4.4 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 7 วัน 4.5 ผลการวิเคราะห์แบบจำลองตั้งแต่สองตัวแปรขึ้นไป ทั้งนี้การวิเคราะห์ในหัวข้อ 4.3 และ 4.4 จะแบ่งเป็น 3 กลุ่มชุดข้อมูล ได้แก่ รายเดือน ราย ฤดูกาล และ รายปี โดยในแต่ละการวิเคราะห์ ผู้วิจัยจะทำการวิเคราะห์ทั้งรูปแบบการพยากรณ์ระยะสั้น (อนุกรมเวลา เกรย์ และ ML) และ การพยากรณ์ระยะยาว (ทฤษฎีค่าสุดขีด)
94 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ส่วนที่ 5 ผลการวิเคราะห์ความแห้งแล้งซ้ำซากเชิงพื้นที่และความเสียหายทางการเกษตรลุ่มน้ำมูล ส่วนที่ 6 ผลการพัฒนา Website และ Mobile Application สามารถสรุปชื่อชุดข้อมูล และวิธีการวิเคราะห์ ดังตารางที่ 3.1 ตารางที่ 3.1 ชื่อตัวแปร และสรุปวิธีการวิเคราะห์ ที่ใช้ในแต่ละส่วน ลำดับ ตัวแปร วิธีการวิเคราะห์ 1 จำนวนวันที่ฝนไม่ตกรายเดือน การวิเคราะห์สถิติเชิงพรรณนา การวิเคราะห์อนุกรมเวลา การเรียนรู้ด้วยเครื่อง (ML) 2 ปริมาณฝนสะสมทุก ๆ 10 วัน การวิเคราะห์สถิติเชิงพรรณนา การวิเคราะห์ฝนแล้ง (ฝนทิ้งช่วง) การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima และ Threshold 3 ปริมาณฝนสะสมเคลื่อนที่ 10วัน การวิเคราะห์สถิติเชิงพรรณนา การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima และ Threshold ค่าต่ำสุด (ที่มากกว่า 0) และค่าสูงสุด ของ ปริมาณฝนสะสมเคลื่อนที่ 10วัน รายเดือน การวิเคราะห์อนุกรมเวลา การวิเคราะห์ค่าสุดขีดด้วย Block Maxima แบบจำลองเกรย์ การเรียนรู้ด้วยเครื่อง (ML) ค่าต่ำสุด (ที่มากกว่า 0) และค่าสูงสุด ของ ปริมาณฝนสะสมเคลื่อนที่ 10วัน ราย ฤดูกาล การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima ค่าต่ำสุด (ที่มากกว่า 0) และค่าสูงสุด ของ ปริมาณฝนสะสมเคลื่อนที่ 10วัน รายปี การวิเคราะห์ค่าสุดขีดด้วย Block Maxima แบบจำลองเกรย์ การวิเคราะห์คอปูลา การวิเคราะห์ GEV เชิงพื้นที่ 4 ปริมาณฝนสะสมเคลื่อนที่ 7 วัน การวิเคราะห์สถิติเชิงพรรณนา การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima และ Threshold
ผลการวิจัย 95 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ลำดับ ตัวแปร วิธีการวิเคราะห์ ค่าต่ำสุด (ที่มากกว่า 0) และ ค่าสูงสุด ของปริมาณฝนสะสมเคลื่อนที่ 7 วัน ราย เดือน การวิเคราะห์อนุกรมเวลา การวิเคราะห์ค่าสุดขีดด้วย Block Maxima แบบจำลองเกรย์ การเรียนรู้ด้วยเครื่อง (ML) ค่าต่ำสุด (ที่มากกว่า 0) และ ค่าสูงสุด ของ ปริมาณฝนสะสมเคลื่อนที่ 7 วัน ราย ฤดูกาล การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima ค่าต่ำสุด (ที่มากกว่า 0) และ ค่าสูงสุด ของ ปริมาณฝนสะสมเคลื่อนที่ 7 วัน รายปี การวิเคราะห์ค่าสุดขีดด้วย Block Maxima แบบจำลองเกรย์ การวิเคราะห์คอปูลา การวิเคราะห์ GEV เชิงพื้นที่ ทั้งนี้ผู้วิจัยได้เพิ่มการวิเคราะห์ข้อมูลปริมาณน้ำฝนที่น่าสนใจ (ภาคผนวก ก) มีรายละเอียดดังนี้ ลำดับ ตัวแปร วิธีการวิเคราะห์ 1 ปริมาณฝนสะสมรายเดือน การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima 2 ปริมาณฝนสะสมรายฤดูกาล การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima 3 ปริมาณฝนสะสมรายปี การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Block Maxima 4 ปริมาณฝนสูงสุดรายเดือน การวิเคราะห์ค่าสุดขีดด้วย Block Maxima 5 ปริมาณฝนสูงสุดรายฤดูกาล การวิเคราะห์ค่าสุดขีดด้วย Block Maxima 6 ปริมาณฝนสูงสุดรายปี การวิเคราะห์ค่าสุดขีดด้วย Block Maxima การวิเคราะห์คอปูลา การวิเคราะห์ GEV เชิงพื้นที่ 7 ปริมาณฝนสะสมของวันที่ฝนตก ต่อเนื่องกัน การวิเคราะห์ค่าสุดขีดด้วย Threshold การวิเคราะห์คอปูลา 8 ปริมาณฝนสูงสุดรายวัน การเรียนรู้ด้วยเครื่อง (ML) การวิเคราะห์ค่าสุดขีดด้วย Threshold การวิเคราะห์คอปูลา
96 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ส่วนที่ 1 ผลการสังเคราะห์ระบบสารสนเทศภูมิศาสตร์และการออกแบบ การพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล(พื้นที่เสี่ยงภัย) 1.1 ผลการสรุปงานวิจัยระบบสารสนเทศภูมิศาสตร์และการออกแบบการพยากรณ์ภัยแล้ง 1.1.1 การสรุปงานวิจัยระบบสารสนเทศภูมิศาสตร์ การนำระบบสารสนเทศภูมิศาสตร์มาประยุกต์ใช้ในการวิเคราะห์พื้นที่เสี่ยงต่อการเกิดภัยแล้งหรือน้ำ ท่วม เป็นประเด็นการศึกษาวิจัยที่มีการศึกษากันอย่างแพร่หลาย โดยการนำเอาจุดเด่นของระบบสารสนเทศ ภูมิศาสตร์ที่มีศักยภาพในการวิเคราะห์ข้อมูลเชิงพื้นที่กับเวลาด้วยเทคนิคการซ้อนทับ (Overlay Technique) เป็นการวิเคราะห์นำเอาข้อมูลปัจจัยที่มีความเกี่ยวข้องหรือส่งผลต่อการเกิดภัยแล้งหรือน้ำท่วม แต่ละปัจจัยจะ มีปัจจัยย่อยหรือปัจจัยภายในที่ส่งผลต่อการเกิดภัยแล้งหรือน้ำท่วม ดังเช่น งานวิจัยของสุรศักดิ์ วงค์ษาและ จินตนา อมรสงวนสิน (2561) ที่ได้ศึกษาการประเมินศักยภาพเชิงพื้นที่เพื่อสำรวจความเสี่ยงภัยแล้งในจังหวัด ลำปางโดยการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ด้วยเทคนิคการซ้อนทับ (Overlay Technique) ซึ่งมี ปัจจัยที่ใช้ในการศึกษาร่วมด้วย ได้แก่ ปริมาณน้ำฝนเฉลี่ยรายปี พื้นที่ป่าไม้ ระยะห่างจากพื้นที่แหล่งน้ำ ลักษณะของเนื้อดิน การระบายน้ำของดิน พื้นที่เกษตรกรรม พื้นที่อุตสาหกรรม และพื้นที่ชุมชน จากการศึกษา ทำให้สามารถจำแนกพื้นที่เสี่ยงภัยแล้งออกเป็น 5 ระดับ ได้แก่ 1) พื้นที่เสี่ยงภัยแล้งระดับมากที่สุด ร้อยละ 7.75 2) พื้นที่เสี่ยงภัยแล้งระดับมาก ร้อยละ 23.74 3) พื้นที่เสี่ยงภัยแล้งระดับปานกลาง ร้อยละ 48.48 4) พื้นที่เสี่ยงภัยแล้งระดับน้อย ร้อยละ 19.23 และ 5) พื้นที่เสี่ยงภัยแล้งระดับน้อยที่สุด ร้อยละ 0.80 เช่นเดียวกับงานวิจัยของ สุภาพร นากา (2558) ที่ได้ศึกษาการวิเคราะห์พื้นที่เสี่ยงต่อการเกิดน้ำท่วมลุ่มน้ำป่า สักตอนบนอำเภอหล่มสัก จังหวัดเพชรบูรณ์ โดยประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ด้วยการซ้อนทับ (Overlay) เข้ามาช่วยในการศึกษาความสัมพันธ์ของปัจจัยที่มีอิทธิผลทำให้เกิดน้ำท่วม ได้แก่ ปริมาณน้ำฝน ความหนาแน่นลุ่มน้ำป่าสักตอนบน ความหนาแน่นลำห้วย ความลาดชัน ลักษณะพื้นที่และความสูง การใช้ประโยชน์ที่ดินและชุดดิน จากการศึกษาสามารถจำแนกพื้นที่ที่มีความเสี่ยงออกเป็น 5 ระดับ ได้แก่ พื้นที่เสี่ยงต่อการเกิดน้ำท่วมต่ำมาก ต่ำ ปานกลาง สูง และสูงมากซึ่งมีพื้นที่ร้อยละ 3.03, 42.81, 0.07, 3.25 และ 0.14 ตามลำดับ เป็นต้น นอกจากนี้ยังมีการบูรณาการระหว่างระบบสารสนเทศภูมิศาสตร์ร่วมกับเทคนิควิธีการกระบวนการ ตัดสินใจแบบหลายหลักเกณฑ์ (Multi-criteria Decision Analysis: MCDA) ดังเช่นงานวิจัยของกาญจนา มีจริง และคณะ (2562) ได้ศึกษาการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์เพื่อประเมินพื้นที่เสี่ยงน้ำท่วมและ พื้นที่รับน้ำ การวิเคราะห์แบบลำดับชั้นในวิธีการวิเคราะห์การตัดสินใจหลายหลักเกณฑ์สำหรับจำลองพื้นที่ เสี่ยงน้ำท่วมใช้ปัจจัยสำหรับศึกษา 5 ปัจจัย ได้แก่ ปริมาณน้ำฝน การระบายน้ำของดิน ความลาดชัน ระยะห่าง จากแหล่งน้ำ และการใช้ประโยชน์ที่ดิน นอกจากนี้ยังมีการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ร่วมกับ หลักการวิเคราะห์ศักยภาพเชิงพื้นที่ในการกำหนดและจัดทำแผนที่แสดงพื้นที่เสี่ยงอุทกภัย ซึ่งพื้นที่ส่วนใหญ่ เสี่ยงอยู่ในระดับปานกลาง คิดเป็นร้อยละ 44.12 และพื้นที่เสี่ยงสูง คิดเป็นร้อยละ 29.15
ผลการวิจัย 97 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ เช่นเดียวกับงานวิจัยของ ณัฐพล จันทร์แกว และสุเพชร จิรขจรกุล (2552) ได้ศึกษาการวิเคราะห์หาหมู่บ้านที่ ได้รับผลกระทบจากภาวะเสี่ยงต่อความแหงแลงระดับลุ่มน้ำด้วยระบบสารสนเทศภูมิศาสตร์สำหรับการ ตัดสินใจแบบพหุเกณฑ์ในเขตพื้นที่ลุ่มน้ำชี โดยนำแบบจำลอง Index Model และกระบวนการวิเคราะห์แบบ พหุเกณฑ์(Multi Criteria Decision Analysis :MCDA) มาใชในการวิเคราะห์ตัวแปร ซึ่งปัจจัยประกอบด้วย ปริมาณน้ำฝน โอกาสที่เกิดฝนตก ดัชนีความแหงแลง การใชประโยชนที่ดิน เขตชลประทาน การอุมน้ำของดิน และความหนาแน่นของลำน้ำ จากการศึกษาสามารถระบุได้ดังนี้ 1) มีพื้นที่เสี่ยงต่อความแหงแลงมาก คิดเป็นร้อยละ 18.18 2) พื้นที่เสี่ยงต่อความแหงแลงปานกลาง คิดเป็นร้อยละ 47.75 3) พื้นที่เสี่ยงต่อ ความแหงแล้งน้อย คิดเป็นร้อยละ 31.71 และ 4) พื้นที่ไม่เสี่ยงต่อความแหงแลง คิดเป็นร้อยละ 2.36 จากงานวิจัยข้างต้นในการนำระบบสารสนเทศภูมิศาสตร์มาประยุกต์ใช้ในการวิเคราะห์พื้นที่เสี่ยงต่อ การเกิดภัยแล้งและน้ำท่วม จะเห็นว่า ระบบสารสนเทศภูมิศาสตร์เป็นเครื่องมือด้านเทคโนโลยีภูมิสารสนเทศ ที่มีการนำมาวิเคราะห์ด้วยเทคนิคต่างๆ และบูรณาการร่วมกันกับเทคนิควิธีการทางสถิติเพื่อให้มีประสิทธิภาพ ในการวิเคราะห์ได้อย่างแม่นยำ เช่น เทคนิคการซ้อนทับ (Overlay Technique) และเทคนิควิธีการ กระบวนการตัดสินใจแบบหลายหลักเกณฑ์ (Multi-criteria Decision Analysis: MCDA) เป็นต้น 1.1.2 การสรุปงานวิจัยการออกแบบการพยากรณ์ภัยแล้ง ในการออกแบบหรือเลือกเทคนิคการพยากรณ์ภัยแล้งหรือน้ำท่วม แต่ละวิธีมีปัจจัยสําคัญหรือเกณฑ์ ใดนั้น จะพิจารณาจากระยะเวลาที่ใช้ในการทําการพยากรณ์แต่ละครั้งและความถี่ในการพยากรณ์ ลักษณะของข้อมูลที่มีและจํานวนข้อมูลที่มี ดังเช่น งานวิจัยของ Abdoulaye Sy และคณะ (2021) ได้ศึกษา แบบจำลอง Extreme Value Mixture เพื่อประเมินอันตรายจากภัยแล้งในแอฟริกาตะวันตกโดยใช้แบบจำลอง สารผสมที่มีมูลค่าสูงสุดพร้อมการแจกแจงแบบปกติสำหรับปริมาณมาก และการแจกแจงพาเรโตทั่วไปสำหรับ หางด้านบนและด้านล่าง เพื่อประเมินความรุนแรงของภัยแล้งที่รุนแรงและความน่าจะเป็นที่จะเกิดขึ้นแสดงให้ เห็นว่าแบบจำลองส่วนผสมของเรามีความแม่นยำมากกว่าแบบจำลองมาตรฐาน และงานวิจัยของจิระวัฒน กณะสุต และคณะ (2559) ได้ศึกษาการบรูณาการข้อมูลอุตุ-อุทกวิทยาในลุ่มน้ำชี-มูล เพื่อจัดทำระบบช่วย ตัดสินใจในการบริหารจัดการวิกฤติน้ำท่วมโดยใชวิธี Composite radar reflectivity จากข้อมูลเรดาร์พิมาย และเรดาร์สุรินทร และพิจารณาคัดเลือกแนวทางที่เหมาะสมในการพัฒนาแบบจำลองประเมินปริมาณ ณ เวลาปจจุบัน และทำนายฝนลวงหนา 1-3 ชั่วโมง แบบ Real time สามารถทำนายปริมาณฝนและรูปแบบการ กระจายตัวใกลเคียงกับผลการประมาณปริมาณน้ำฝนจากข้อมูลดาวเทียมด้วยเทคนิค ITR นอกจากนี้ยังมีการออกแบบการพยากรณ์ภัยแล้งหรือน้ำท่วมจากการสร้างแบบจำลองเพื่อพยากรณ์ เหตุการณ์ที่จะเกิดขึ้น ดังเช่น งานวิจัยของพัชเรศร์ ชคัตตรัยกุล และคณะ (2557) ศึกษาการประยุกต์ใช้ แบบจำลอง SWAT เพื่อศึกษาปรากฏการณ์เอลนีโญและลานีญาต่อปริมาณน้ำท่าบริเวณพื้นที่ลุ่มน้ำสาขาลำชี จากการประเมินปริมาณน้ำท่าในปีที่เกิดปรากฏการณ์เอลนีโญ มีปริมาณน้ำท่าน้อยที่สุดในเดือนเมษายนและ มากที่สุดในเดือนกันยายน ปีที่เกิดปรากฏการณ์ลานีญา มีปริมาณน้ำท่าน้อยที่สุดในเดือนมีนาคม และมากที่สุด ในเดือนกันยายน และงานวิจัยของ วัชรพงษ์ แสงนิล (2557) ได้ศึกษาการประยุกต์ใช้เทคนิคการสำรวจ
98 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ระยะไกลและแบบจำลองมาร์คอฟเพื่อคาดการณ์การเปลี่ยนแปลงการใช้ที่ดินและผลกระทบจากน้ำท่วมในลุ่ม น้ำมูลจังหวัดศรีสะเกษ จะเห็นว่าการใช้เทคนิคของ Markov model และข้อมูลภาพถ่ายดาวเทียมจะช่วยใน การสนับสนุนการตัดสินใจและการวางแผนการใช้ประโยชน์ที่ดินและผลกระทบต่อภาวะน้ำท่วม ส่วนงานวิจัย ของปิยภัทร บุษบาบดินทร์ และคณะ (2558) ได้สร้างแบบจำลองค่าสุดขีดปริมาณฝนใน ภาคตะวันออกเฉียงเหนือตอนบนของประเทศไทยโดยใช้การแจกแจงค่าสุดขีดวางนัยทั่วไป (GEV) เป็นต้น 1.2 ผลการสรุปเปรียบเทียบระบบสารสนเทศภูมิศาสตร์และการออกแบบการพยากรณ์ภัยแล้ง จากการศึกษาค้นคว้าคณะผู้วิจัยสามารถสรุปเปรียบเทียบระบบสารสนเทศภูมิศาสตร์และการออกแบบการ พยากรณ์ภัยแล้ง ได้ดังนี้ 1) การเปรียบเทียบระบบสารสนเทศภูมิศาสตร์ ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ 2564 ปรียาพร โกษา ศึกษาการบูรณาการระบบ GIS กับแบบจำลอง HEC RAS เพื่อการบริหารจัดการน้ำในพื้นที่ขนาดใหญ่ วัตถุประสงค์ เพื่อจัดทำระบบฐานข้อมูลแม่น้ำสายหลักหน้าตัดแม่น้ำ และอาคารชลศาสตร์ที่สำคัญ ด้วยระบบ Geography Information System (GIS) ศึกษาศักยภาพการระบาย น้ำของลำน้ำสายหลักในเขตจังหวัดนครราชสีมาอีกทั้งเพื่อ กำหนดพื้นที่เสี่ยงภัยน้ำท่วมของลำน้ำสายหลักในเขต จังหวัดนครราชสีมา และจัดทำแบบแผน/แนวนโยบาย/ แนวทางในการบริหารจัดการน้ำและการจัดการพื้นที่เพื่อ ป้องกัน รองรับ และแก้ปัญหาด้านอุทกภัย ด้วย แบบจำลอง HEC RAS การบูรณาการระบบ GIS ก ั บ แ บ บ จ ำ ล อ ง HEC RAS 2564 ธวัชชัย ติงสัญชลี ศึกษาปัญหาภัยแล้งในบริเวณลุ่มน้ำมูล โดยเฉพาะส่วน ของลุ่มน้ำมูลตอนบนบริเวณที่แม่น้ำมูลและแม่น้ำชีมา บรรจบกัน เนื่องจากประสบภัยแล้งกินพื้นที่ภาคอีสาน หลายจังหวัดประกอบด้วย นครราชสีมา บุรีรัมย์ สุรินทร์ และศรีสะเกษ (บางส่วน) ว่า เป็นงานวิจัยที่ประเมินผล กระทบจากความแปรปรวนของสภาพอากาศ การ เปลี่ยนแปลงของการใช้ที่ดิน ตลอดจนการเปลี่ยนแปลง ของสภาวะสูงสุดและต่ำสุดทางอุตุอุทกวิทยาที่ทำให้พื้นที่ ดังกล่าวประสบภัยแล้ง ร ะ บ บ ส า ร ส น เ ท ศ ภ ู ม ิ ศ า ส ต ร ์ ส ำ ห รั บ วิเคราะห์หาพื้นที่เสี่ยง 2562 กาญจนา มีจริง และคณะ ศึกษาการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์เพื่อ ประเมินพื้นที่เสี่ยงน้ำท่วมและพื้นที่รับน้ำ กรณีศึกษาพื้นที่ ทางทิศใต้ของจังหวัดสุพรรณบุรี โดยงานวิจัยนี้มี วัตถุประสงค์เพื่อประเมินพื้นที่เสี่ยงน้ำท่วมและประเมิน การบูรณาการระบบ สารสนเทศภูมิศาสตร์ ร่วมกับการวิเคราะห์
ผลการวิจัย 99 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ พื้นที่รองรับน้ำของ 4 อำเภอตอนล่างของจังหวัด สุพรรณบุรีด้วยระบบสารสนเทศภูมิศาสตร์ การวิเคราะห์ แบบลำดับชั้นในวิธีการวิเคราะห์การตัดสินใจหลาย หลักเกณฑ์สำหรับจำลองพื้นที่เสี่ยงน้ำท่วมใช้ปัจจัยสำหรับ ศึกษา 5 ปัจจัย ได้แก่ ปริมาณน้ำฝน การระบายน้ำของดิน ความลาดชัน ระยะห่างจากแหล่งน้ำ และการใช้ประโยชน์ ที่ดิน ส่วนการประเมินพื้นที่รองรับน้ำใช้3 ปัจจัย ได้แก่ ความลาดชัน ระยะห่างจากแหล่งน้ำและการใช้ประโยชน์ ที่ดิน การตัดสินใจหลาย หลักเกณฑ์ 2561 สุรศักดิ์ วงค์ษา และ จินตนา อมรสงวนสิน ศึกษาการประเมินศักยภาพเชิงพื้นที่เพื่อสำรวจความเสี่ยง ภัยแล้งในจังหวัดลำปางโดยการประยุกต์ใช้ระบบ สารสนเทศภูมิศาสตร์ มีวัตถุประสงค์เพื่อประเมินศักยภาพ เชิงพื้นที่โดยประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์เพื่อ สำรวจความเสี่ยงภัยแล้งในจังหวัดลำปาง ผลการศึกษา ศักยภาพเชิงพื้นที่ด้วยเทคนิคการซ้อนทับ (Overlay Technique) ซึ่งมีปัจจัยที่ใช้ในการศึกษา ได้แก่ ปริมาณ น้ำฝนเฉลี่ยรายปี พื้นที่ป่าไม้ ระยะห่างจากพื้นที่แหล่งน้ำ ลักษณะของเนื้อดิน การระบายน้ำของดิน พื้นที่ เกษตรกรรม พื้นที่อุตสาหกรรม และพื้นที่ชุมชน เทคนิคการซ้อนทับ (Overlay Technique) 2559 สมคิด ภูมิโคกรักษ์ ศึกษาการประยุกต์ระบบสารสนเทศภูมิศาสตร์เพื่อ วิเคราะห์หาพื้นที่เสี่ยงต่อการเกิดอุทกภัยในจังหวัด นครปฐม มีจุดมุ่งหมายเพื่อประยุกต์ระบบสารสนเทศ ภูมิศาสตร์สำหรับวิเคราะห์หาพื้นที่เสี่ยงต่อการเกิด อุทกภัยในจังหวัดนครปฐม โดยการจัดทำแบบจำลอง ลักษณะภูมิประเทศจากโปรแกรมระบบสารสนเทศ ภูมิศาสตร์ ซึ่งประกอบด้วยแบบจำลองความสูงของภูมิ ประเทศและแบบจำลองระดับน้ำ ข้อมูลที่ใช้ในการสร้าง แบบจำลอง ได้แก่ แผนที่ภูมิประเทศ (L7017) ข้อมูล ดาวเทียมรายละเอียดสูง และข้อมูลจากการวัดระดับของ พื้นที่ ระบบสารสนเทศ ภูมิศาสตร์สำหรับ วิเคราะห์หาพื้นที่เสี่ยง 2558 ลิขิต น้อยจ่ายสิน ศึกษาการประยุกต์ระบบสารสนเทศทางภูมิศาสตร์เพื่อ ประเมินพื้นที่เสี่ยงภัยน้ำท่วมในจังหวัดสระแก้ว มี วัตถุประสงค์เพื่อประเมินพื้นที่เสี่ยงภัยนำท่วมในจังหวัด สระแก้ว โดยมีปัจจัยที่ใช้ในการศึกษา ได้แก่ ปริมาณน้ำฝน เฉลี่ย (30 ปี ) ระยะห่างจากแหล่งน้ำผิวดิน สภาพการ ระบบสารสนเทศ ภูมิศาสตร์สำหรับ วิเคราะห์หาพื้นที่เสี่ยง
100 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ ระบายน้ำของดินความลาดชันของพื้นที่และการใช้ ประโยชน์ที่ดิน โดยกำหนดให้ผู้เชี่ยวชาญจากหน่วยงาน ภาครัฐที่เกี่ยวข้องจำนวน 10 คน ให้คะแนนความสำคัญ ( Weighting) และค่าน้ำหนักระดับปัจจัย (Rating) 2558 สุภาพร นากา ศึกษาการวิเคราะห์พื้นที่เสี่ยงต่อการเกิดน้ำท่วมลุ่มน้ำป่า สักตอนบนอำเภอหล่มสัก จังหวัดเพชรบูรณ์ มีจุดมุ่งหมาย เพื่อวิเคราะห์พื้นที่เสี่ยงต่อการเกิดน้ำท่วมลุ่มน้ำป่าสัก ตอนบน อำเภอหล่มสัก จังหวัดเพชรบูรณ์ โดยประยุกต์ใช้ ระบบสารสนเทศภูมิศาสตร์ โดยการซ้อนทับ (Overlay) เข้ามาช่วยในการศึกษาความสัมพันธ์ของปัจจัยที่มีอิทธิผล ทำให้เกิดน้ำท่วม เทคนิคการซ้อนทับ (Overlay Technique) 2553 สุพิชฌาย์ ธนารุณ และ จินตนา อมรสงวนสิน ศึกษาการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ในการ กำหนดพื้นที่เสี่ยงอุทกภัยจังหวัดอ่างทอง มีวัตถุประสงค์ เพื่อศึกษาสาเหตุและปัจจัยที่มีผลต่อการ เกิดอุทกภัยใน พื้นที่จังหวัดอ่างทอง ประยุกต์ใช้ระบบสารสนเทศ ภูมิศาสตร์ร่วมกับหลักการวิเคราะห์ศักยภาพเชิง พื้นที่ใน การกำหนดและจัดทำแผนที่แสดงพื้นที่เสี่ยงอุทกภัย จังหวัดอ่างทอง และเสนอแนะแนวทางในการป้องกันและ บรรเทาผลกระทบจากอุทกภัยที่เหมาะสม ระบบสารสนเทศ ภูมิศาสตร์สำหรับ วิเคราะห์หาพื้นที่เสี่ยง 2552 ณัฐพล จันทร์แกว และ สุเพชร จิรขจรกุล ศึกษาการวิเคราะห์หาหมู่บ้านที่ได้รับผลกระทบจากภาวะ เสี่ยงต่อความแห งแลงระดับลุ่มน้ำด้วยระบบภูมิ สารสนเทศสำหรับการตัดสินใจแบบพหุเกณฑ์ในเขตพื้นที่ ลุ่มน้ำชี การศึกษาวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ (1) วิเคราะห์หาพื้นที่เสี่ยงต่อความแหงแลงระดับลุ่มน้ำด้วย ระบบภูมิสารสนเทศสำหรับการตัดสินใจแบบพหุเกณฑ์ใน เขตพื้นที่ลุ่มน้ำชี (2) วิเคราะห์หาหมู่บ้านที่ได้รับผลกระทบ จากภาวะเสี่ยงต่อความแห้งแล้งดับลุ่มน้ำในเขตพื้นที่ลุ่มน้ำ ชี โดยนำแบบจำลอง Index Model และกระบวนการ วิเคราะห์แบบพหุเกณฑ (MultiCriteria Decision Analysis :MCDA) มาใชในการวิเคราะห์ตัวแปร การบูรณาการระบบ สารสนเทศภูมิศาสตร์ ร่วมกับกระบวนการ วิเคราะห์แบบพหุเกณฑ
ผลการวิจัย 101 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2) การเปรียบเทียบการออกแบบการพยากรณ์ภัยแล้ง ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ 2565 อารียา ฤทธิมา ศึกษาการประยุกต์เทคโนโลยีด้านปัญญาประดิษฐ์ในการ พัฒนางานบริหารเขื่อน-อ่างเก็บน้ำแบบอัจฉริยะเพื่อการ แก้ปัญหาอุทกภัยและภัยแล้งระยะยาวในลุ่มน้ำมูลตอนบน ถูกพัฒนาขึ้นเพื่อเป็นผลักดันให้เกิดนวัตกรรมในการ บริหารจัดการน้ำจากอ่างเก็บน้ำในลักษณะของปฏิบัติการ อ่างเก็บน้ำร่วมกันแบบหลายอ่าง (Multiple Reservoir Re–operation System) รูปแบบใหม่อย่างเป็นระบบโดย ใช้เทคนิคด้านปัญญาประดิษฐ์ (Artificial Intelligence, AI) ในการบริหารเขื่อน–อ่างเก็บน้ำแบบอัจฉริยะเพื่อการ แก้ปัญหาอุทกภัยและภัยแล้งทั้งในระยะสั้นและระยะยาว ในลุ่มน้ำมูลตอนบน ยิ่งไปกว่านั้น โครงการวิจัยนี้ยัง นับเป็นการพัฒนางานวิจัยให้สอดรับกับแผนแม่บทการ บริหารจัดการทรัพยากรน้ำ 20 ปี (พ.ศ. 2561–2580) ใน ด้านการสร้างความมั่นคงของน้ำในภาคการผลิตภายใต้ ยุทธศาสตร์ชาติ 20 ปี (พ.ศ. 2561–2580) และเป็นการ เสริมสร้างความมั่นคงด้านทรัพยากรน้ำในพื้นที่ลุ่มน้ำมูล ตอนบนซึ่งมีความสำคัญต่อการพัฒนาทางเศรษฐกิจและ สังคมของประเทศผ่านแนวคิดการพัฒนาเครื่องมือในการ บริหารจัดการน้ำต้นทุนระยะยาวด้วยเทคนิค ปัญญาประดิษฐ์ เพื่อเพิ่มศักยภาพของน้ำต้นทุนตลอดจน บรรเทาปัญหาอุทกภัยและภัยแล้งในอนาคต เ ท ค น ิ ค ด ้ า น ป ั ญ ญ า ป ร ะ ด ิ ษ ฐ์ (Artificial Intelligence : AI) 2564 สุภัทรา วิเศษศรี ศึกษาข้อมูลในพื้นที่ลุ่มน้ำปิงในภาคเหนือ แม้ว่าพื้นที่ ดังกล่าวจะยังไม่ถูกประกาศเป็นพื้นที่ภัยพิบัติภัยแล้ง แต่ก็ ถือเป็นพื้นที่ที่มี “น้ำต้นทุน” น้อยกว่า 30% จนทำให้มี โอกาสเกิดวิกฤตภัยแล้งได้เหมือนในปี พ.ศ. 2558 ที่ผ่าน มา ปัจจุบันทุกภาคส่วนที่เกี่ยวข้องอาทิ กรมชลประทาน ได้ทำงานเชิงรุกอย่างมีศักยภาพ โดยมีการวางแผนการ จัดสรรน้ำที่เป็นระบบ ตลอดจนมีเครือข่ายด้านการสื่อสาร การให้ข้อมูลของคนในลุ่มน้ำที่เข้มแข็งอยู่แล้ว แต่ทีมวิจัย มุ่งหวังว่าโครงการนี้จะเข้าไปช่วยหนุนเสริมให้การทำงาน ของทุกภาคส่วนมีประสิทธิภาพมากขึ้น ทั้งนี้ในเฟสแรกทีม วิจัยได้จัดทำ “ตัวบ่งชี้ภัยแล้ง” เครื่องมือที่เป็นมาตรวัดว่า พื้นที่ดังกล่าวกำลังประสบภาวะ วิฤตภัยแล้ง ผ่าน การศึกษาข้อมูลทางอุทกศาสตร์และด้านอื่นๆ ซึ่งเครื่องมือ ดัชนีภัยแล้ง
102 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ ดังกล่าวสามารถนำไปใช้ได้กับทุกลุ่มน้ำของประเทศ ปัจจุบันทีมวิจัยกำลังดำเนินงานในขั้นตอนของการ รวบรวมผลกระทบจากภัยแล้งในพื้นที่ โดยการลงพื้นที่ เพื่อสัมภาษณ์และเก็บข้อมูลจากเกษตรกรและชุมชน แผนการทำงานต่อจากนี้จะเป็นการจัดทำแพลตฟอร์มการ สื่อสารข้อมูลด้านภัยแล้งในรูปแบบต่างๆ เพื่อให้ได้ข้อมูลที่ ตอบโจทย์ผู้มีส่วนได้ส่วนเสียทั้งในส่วนของหน่วยงานด้าน น้ำและเกษตรกร อันเป็นการนำผลงานวิจัยไปใช้ประโยชน์ อย่างเต็มศักยภาพ 2559 ปรียาพร โกษา ศึกษาดัชนีชี้วัดปริมาณน้ำท่าเพื่อการบริหารจัดการน้ำ สำหรับลุ่มน้ำมูล โดยมีวัตถุประสงค์เพื่อหาดัชนีวัดผล กระทบจากความผันแปรของปริมาณน้ำฝนและการใช้ ประโยชน์ที่ดินที่มีต่อปริมาณน้ำท่าด้วยแบบจำลอง SWAT ซึ่งเป็นแบบจำลองลุ่มน้ำ แม่น้ำ เพื่อใช้ในการประเมินผล กระทบของความผันแปรของปริมาณน้ำฝนและการ เปลี่ยนแปลงการใช้ประโยชน์ที่ดินต่อปริมาณน้ำท่าในพื้นที่ ลุ่มน้ำ และการจัดการพื้นที่ในลุ่มน้ำที่มีขนาดใหญ่ที่มีความ ซับซ้อน โดยมีการเปลี่ยนแปลงการใช้ประโยชน์ที่ดินและ การเปลี่ยนแปลงสภาพอากาศในช่วง 30 ปี จากการศึกษา พบว่า เดือนกันยายนเกิดปริมาณน้ำฝนสูงสุด และเกิด ปริมาณน้ำท่าสูงสุด ดังนั้น ในเดือนกันยายนจึงควรที่จะมี การเฝ้าระวังในการเกิดน้ำท่วม นอกจากนี้ค่าดัชนีวัดผล กระทบจากการเปลี่ยนแปลงปริมาณน้ำและการใช้ ประโยชน์ที่ดินที่มีต่อปริมาณน้ำท่า ประกอบด้วยปริมาณ น้ำฝน พื้นที่ป่าดิบ พื้นที่นาข้าว พื้นที่ไร่ และพื้นที่ชุมชน เมือง โดยพื้นที่ที่ประกอบด้วยชุมชนเมืองมีผลต่อการเกิด ปริมาณน้ำท่าที่สูงมาก ดังนั้น เมื่อเกิดฝนตกหนักพื้นที่ ชุมชนเมืองจะต้องมีมาตรการป้องกันน้ำท่วมและระบบ ระบายน้ำที่มีความเหมาะสมกับพื้นที่ แบบจำลอง SWAT 2558 ปิยภัทร บุษบาบดินทร์ และคณะ ส ร ้ า ง แ บ บ จ ำ ลอ งค ่า ส ุ ด ขี ด ป ริ มา ณ ฝ น ในภาค ตะวันออกเฉียงเหนือตอนบนของประเทศ ไทย โดยใช้การ แจกแจงค่าสุดขีดวางนัยทั่วไป (GEV) พบว่าการแจกแจง ฟรีเชทเป็นการแจกแจงที่เหมาะสมกับข้อมูลปริมาณน้าฝน สูงสุดราย เดือน และการแจกแจงเอ็กโพเนนเชียลเป็นการ แจกแจงที่เหมาะสมกับข้อมูลปริมาณน้ำฝนสูง สุดรายวัน การสร้างแบบจำลอง ด้วยทฤษฎีค่าสุดขีด
ผลการวิจัย 103 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ 2558 อรุณ แก้วมั่น และคณะ สร้างแบบจำลองค่าสุดขีดปริมาณฝนรายเดือนในภาค ตะวันออกเฉียงเหนือตอนกลางของประเทศไทย โดยใช้ การแจกแจงค่าสุดขีดวางนัยทั่วไปพบว่าการแจกแจงฟรี เชทเป็นการแจกแจงที่เหมาะสมกับข้อมูลปริมาณน้ำฝน รายเดือน พร้อมทั้งหาระดับการเกิดซ้ำของปริมาณน้ำฝน สูงสุดในรอบปีการเกิดซ้ำต่าง ๆ การสร้างแบบจำลอง ด้วยทฤษฎีค่าสุดขีด 2557 พัชเรศร์ ชคัตตรัยกุล และคณะ ศึกษาการประยุกต์ใช้แบบจำลอง SWAT เพื่อศึกษา ปรากฏการณ์เอลนีโญและลานีญาต่อปริมาณน้ำท่า บริเวณพื้นที่ลุ่มน้ำสาขาลำชีการวิจัยครั้งนี้มีวัตถุประสงค์ เพื่อประเมินปริมาณน้ำท่าในปีเอลนีโญ (El Nino) ปี ลานีญา (La Nina) และปีปกติ (Normal) โดยใช้ แบบจำลอง SWAT ในพื้นที่ลุ่มน้ำสาขาลำชี และจำลอง สถานการณ์น้ำท่าในปีที่เกิดปรากฏการณ์เอลนีโญ และ ลานีญารุนแรง พบว่า จากการประเมินปริมาณน้ำท่าในปีที่ เกิดปรากฏการณ์เอลนีโญ มีปริมาณน้ำท่าน้อยที่สุดใน เดือนเมษายนและมากที่สุดในเดือนกันยายน ปีที่เกิด ปรากฏการณ์ลานีญา มีปริมาณน้ำท่าน้อยที่สุดในเดือน มีนาคม และมากที่สุดในเดือนกันยายน การจำลอง สถานการณ์น้ำท่าพบว่า ปีที่เกิดปรากฏการณ์เอลนีโญ รุนแรง มีปริมาณน้ำท่ารายปีลดลงจากปริมาณน้ำท่าปีปกติ 220.17 ล้านลูกบาศก์เมตร (MCM) ซึ่งอาจส่งผลให้เกิด ปัญหาภัยแล้งได้ และปีที่เกิดปรากฏการณ์ลานีญารุนแรง มีปริมาณน้ำท่าเพิ่มขึ้นจากปริมาณน้ำท่าปีปกติ 341.17 ล้านลูกบาศก์เมตร (MCM)ซึ่งอาจส่งผลให้เกิดปัญหาน้ำ ท่วมได้ ทั้งนี้ขึ้นอยู่กับความสามารถในการรองรับน้ำของ พื้นที่ด้วย แบบจำลอง SWAT 2556 พัณณิ์ภาริษา ของทิพย์ และคณะ ศึกษาแบบจำลองที่เหมาะสมกับข้อมูลปริมาณน้ำฝนสูงสุด ของภาคเหนือตอนบนของประเทศไทย โดยใช้การแจก แจงค่าสุดขีดวางนัยทั่วไป พร้อมทั้งหาระดับการเกิดซ้ำ ของปริมาณน้ำฝนสูงสุดในรอบปีการเกิดซ้ำต่างๆ พบว่ามี เพียง 1 สถานีคือสถานีที่ 17 สถานี อ.เชียงของ จ.เชียงราย ที่มีการแจกแจงค่าสุดขีดวางนัยทั่วไปที่พารามิเตอร์ มีการ เปลี่ยนแปลงซึ่งขึ้นอยู่กับเวลาในเชิงเส้นตรง มี 2 สถานีที่มี การแจกแจงค่าสุดขีดวางนัยทั่วไปที่พารามิเตอร์ มีการ เปลี่ยนแปลงซึ่งขึ้นอยู่กับเวลาในเชิงกำลังสองคือสถานีที่ การสร้างแบบจำลอง ด้วยทฤษฎีค่าสุดขีด
104 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ 14 สถานี อ.ลี้ จ.ลำพูนและสถานีที่ 20 สถานี อ.เมือง จ. เชียงราย ส่วนอีก 23 สถานีมีการแจกแจงค่าสุดขีดวางนัย ทั่วไปที่กระบวนการคงที่ และเมื่อพิจารณาระดับการเกิด ซ้ำและรอบปีการเกิดซ้ำสามารถกล่าวได้ว่าสถานีที่ 23 สถานี อ.แม่สาย จ.เชียงราย มีระดับการเกิดซ้ำสูงกว่า สถานีอื่น ดังนั้นในการพิจารณาป้องกันอุทกภัยควรให้ ความสำคัญกับสถานีดังกล่าวมากกว่าสถานีอื่น 2555 สุภักดิ์ กุลโท ศึกษาประมาณปริมาณน้ำท่าจากข้อมูลการคาดการณ์การ ใช้ประโยชน์ที่ดินที่อาศัยแบบจำลอง CA-Markov โดย แบบจำลอง SWAT: กรณีศึกษาลุ่มน้ำย่อยห้วยตุงลุงในลุ่ม น้ำมูลเพื่อประเมินการใช้ประโยชน์ที่ดิน สำหรับใช้ในการ คาดการณ์การใช้ประโยชน์ที่ดิน เพื่อประเมินหา พารามิเตอร์ที่เหมาะสมสำหรับใชในการประมาณ ประมาณน้ำท่าโดยแบบจำลอง SWAT และเพื่อคาดการณ์ ปริมาณน้ำท่าของทัศนภาพ 3 แบบรูป แบบจำลอง SWAT 2554 วิษุวัฒก์ แต้สมบัติและ กิติพงศ์ ทองเชื้อ ศึกษาการประยุกต์ใช้แบบจำลองคณิตศาสตร์ MIKE11- Data Assimilation เพื่อการพยากรณ์นํ้าท่วมในลุ่มนํ้าชี ตอนบน การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนา แบบจำลองพยากรณ์นํ้าในลุ่มนํ้าชีตอนบนด้วยการ ประยุกต์ใช้ชุดของแบบจำลอง MIKE11-NAM/HD/DA โดยแบบจำลอง NAM/HD จะถูกใช้ในจำลองลักษณะ ทางด้านอุทกวิทยาและอุทกพลศาสตรของลุ่มนํ้า ส่วน แบบจำลอง DA จะใช้ในการพยากรณ์นํ้าสำหรับการ ปรับเทียบและตรวจพิสูจน์แบบจำลอง NAM/HD เลือกใช้ เหตุการณ์อุทกภัยในอดีตช่วงระหว่างปี พ.ศ. 2547-2550 ส่วนแบบจำลองพยากรณ์นํ้า DA ได้ถูกทดสอบ ประสิทธิภาพโดยเลือกเหตุการณ์อุทกภัยครั้งใหญ่ที่สุดที่ เคยเกิดขึ้นในช่วงเดือนตุลาคม ปี พ.ศ. 2549 โดยตั้งค่า ช่วง Hindcast Period เท่ากับ 3 วันย้อนหลัง และค่าช่วง Forecast Period เท่ากับ 3 วันล่วงหน้า และทำการ พยากรณ์ระดับนํ้าต่อเนื่องทุกๆ 2 วัน โดยเริ่มต้นพยากรณ์ ในวันที่ 2 จนถึงวันที่ 30 ตุลาคม 2549 ผลการศึกษา พบว่า แบบจำลอง DA ให้ผลการพยากรณ์กราฟของ ระดับนํ้าได้ใกล้เคียงกับค่าระดับนํ้าที่ตรวจวัดได้จากสถานี วัดนํ้าท่าทั้งสามแห่งในแม่นํ้าชีได้แก่ สถานี E.23 สถานี แบบจำลองคณิตศาสตร์ MIKE11-Data Assimilation
ผลการวิจัย 105 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ปี พ.ศ. ผู้วิจัย ประเด็นสำคัญ เทคนิค/วิธีการที่ นำมาใช้ E.21และสถานี E.9อย่างมีประสิทธิภาพ โดยผลการ พยากรณ์ระดับนํ้าในช่วงหนึ่งวันล่วงหน้า, ช่วงสองวัน ล่วงหน้า และช่วงสามวันล่วงหน้า จะมีค่าความแม่นยํา เฉลี่ยร้อยละ 98.85, 97.68, และ 96.34 ตามลําดับ 2553 ธวัชชัย ติงสัญชลี ศึกษาวิจัยประกอบด้วยองค์ประกอบหลายส่วนด้วยกัน ได้แก่ การศึกษาด้านการบริหารจัดการน้ำหลากด้วย แบบจำลอง MIKE 11 สำหรับน้ำฝน-น้ำท่าและการไหล โดยใช้ข้อมูล ณ เวลาจริงจากระบบโทรมาตรร่วมกับเกณฑ์ ในการบริหารจัดการน้ำที่ได้ผลจากการวิเคราะห์ด้วย แบบจำลอง Genetic Algorithm (GA) แบบจำลอง MIKE 11 ใช้ข้อมูลการพยากรณ์ฝนซึ่งคำนวณจากกราฟหนึ่ง หน่วยน้ำฝน ซึ่งพัฒนาขึ้นจากข้อมูลฝนที่จัดเก็บไว้โดย ระบบโทรมาตร ระบบการพยากรณ์ที่พัฒนาขึ้นได้ถูก ตรวจสอบโดยทำการจำลองสถานการณ์น้ำท่วมใหญ่ช่วง เดือนสิงหาคม พ.ศ.2549 ผลการพยากรณ์ปริมาณน้ำทุก 3 ชั่วโมง ตลอดช่วงเวลาดังกล่าวที่สถานีบ้านวังครก ปตร. สามแก้ว และสะพานเทศบาลตัวเมืองชุมพร ได้ผลอยู่ใน ระดับที่มีความแม่นยำเป็นที่ยอมรับได้ ใช้จัดทำแผนปฏิบัติ การแจ้งข้อมูลเตือนภัยน้ำท่วมให้กับหน่วยงานที่เกี่ยวข้อง ได้ทันท่วงทีได้อย่างชัดเจน นอกจากนี้ยังได้พัฒนาระบบ การพยากรณ์น้ำรายวันที่สถานี X.180 ที่สะพานเทศบาล 2 ซึ่งตั้งอยู่ในตัวเมืองจังหวัดชุมพร โดยใช้ Artificial Neural Network model (ANN) ผ ล ก า ร พ ย า ก ร ณ์ ปริมาณน้ำ 1 วันล่วงหน้า อยู่ในเกณฑ์ที่มีค่าความถูกต้อง เป็นที่ยอมรับได้ แบบจำลอง MIKE 11 ร่วมกับเทคนิค Artificial Neural Network model (ANN)
106 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ส่วนที่ 2 ผลการวิเคราะห์ข้อมูลพื้นฐานเชิงพื้นที่ที่สำคัญ 2.1 ผลการวิเคราะห์ข้อมูลพื้นฐานเชิงพื้นที่ที่สำคัญ 2.1.1 ผลการวิเคราะห์ข้อมูลอุตุนิยมวิทยา ผู้วิจัยได้วิเคราะห์ข้อมูลพื้นฐานข้อมูลอุตุนิยมวิทยา ซึ่งจะแสดงรายละเอียดของค่าสถิติพื้นฐานของ ข้อมูล จำแนกตามสถานีอุตุนิยมวิทยา จำนวน 17 แห่ง ที่อยู่ในพื้นที่ลุ่มน้ำมูล แบ่งออกเป็น 2 กลุ่ม คือ กลุ่ม สถานีที่อยู่ในบริเวณลุ่มน้ำ จำนวน 11 สถานี และ กลุ่มที่อยู่นอกบริเวณลุ่มน้ำแต่ส่งผลต่อปริมาณน้ำฝนที่ เกิดขึ้นในลุ่มน้ำ 6 สถานี โดยข้อมูลถูกเก็บรวบรวมตั้งแต่ วันที่ 1 มกราคม 2535 - วันที่ 30 กันยายน 2565 ยกเว้น สถานีบุรีรัมย์ จะมีข้อมูลระหว่างวันที่ 1 มกราคม 2550 - 30 กันยายน 2565 แสดงแผนที่ตั้งของสถานี แต่ละกลุ่ม ดังตารางที่ 3.2 และภาพที่ 3.1 ตารางที่3.2 สถานีอุตุนิยมวิทยา 17 แห่ง ครอบคลุมพื้นที่ลุ่มน้ำมูล รหัสเรียก รหัสสถานี ชื่อสถานี อุตุนิยมวิทยา จังหวัด ผลกระทบต่อ ลุ่มน้ำมูล ระยะเวลาใน การรวบรวมข้อมูล (ปี) ST1 48431 ปากช่อง สกษ. นครราชสีมา ทางตรง 39 ST2 48434 โชคชัย นครราชสีมา ทางตรง 39 ST3 48435 นครราชสีมา นครราชสีมา ทางตรง 39 ST4 48437 นางรอง บุรีรัมย์ ทางตรง 39 ST5 48436 บุรีรัมย์ บุรีรัมย์ ทางตรง 39 ST6 48416 ท่าตูม สุรินทร์ ทางตรง 39 ST7 48432 สุรินทร์ สุรินทร์ ทางตรง 39 ST8 48433 สุรินทร์สกษ. สุรินทร์ ทางตรง 39 ST9 48409 ศรีสะเกษ ศรีสะเกษ ทางตรง 39 ST10 48407 อุบลราชธานี(ศูนย์ฯ) อุบลราชธานี ทางตรง 39 ST11 48408 อุบลราชธานีสกษ. อุบลราชธานี ทางตรง 39 ST12 48403 ชัยภูมิ ชัยภูมิ ทางอ้อม 39 ST13 48381 ขอนแก่น ขอนแก่น ทางอ้อม 39 ST14 48384 ท่าพระ สกษ. ขอนแก่น ทางอ้อม 39 ST15 48382 มหาสารคาม มหาสารคาม ทางอ้อม 39 ST16 48404 ร้อยเอ็ด สกษ. ร้อยเอ็ด ทางอ้อม 39 ST17 48405 ร้อยเอ็ด ร้อยเอ็ด ทางอ้อม 39
ผลการวิจัย 107 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 3.1 แผนที่ตั้งของสถานีอุตุนิยมวิทยาที่อยู่ในบริเวณลุ่มน้ำ และ อยู่นอกบริเวณลุ่มน้ำแต่ส่งผลต่อ ปริมาณน้ำฝนที่เกิดขึ้นในลุ่มน้ำ
108 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture และการวิเคราะห์ข้อมูลเบื้องต้นแสดงดังตารางที่ 3.3 – 3.8 ดังนี้ 1) ปริมาณน้ำฝนรายวัน ตารางที่3.3 ค่าสถิติพื้นฐานของปริมาณน้ำฝนรายวัน จำแนกตามสถานี รหัสเรียก Q(0.25) Q(0.50) ค่าเฉลี่ย Q(0.75) ค่าสูงสุด ส่วนเบี่ยงเบน มาตรฐาน ค่าความเบ้ ค่าความโด่ง ST1 0.80 3.80 10.48 13.50 170.70 16.09 2.94 15.13 ST2 0.90 3.70 9.60 11.90 147.50 14.58 3.02 15.56 ST3 1.00 3.90 9.41 12.20 116.40 13.77 2.84 13.53 ST4 4.00 7.70 11.42 14.70 166.80 12.67 3.52 24.72 ST5 1.15 4.30 10.54 13.50 130.50 15.56 2.96 14.91 ST6 1.50 5.70 12.58 16.30 174.00 17.76 2.76 13.55 ST7 1.20 5.10 12.21 15.88 279.50 18.18 3.27 22.33 ST8 1.30 5.40 12.54 16.10 241.60 18.50 3.25 21.19 ST9 1.50 5.80 13.43 17.43 263.40 20.05 3.49 22.81 ST10 1.60 6.20 13.99 18.30 185.50 20.07 2.89 14.72 ST11 1.30 5.60 13.32 17.28 254.30 19.67 3.30 21.26 ST12 1.10 4.60 11.40 14.60 183.70 16.76 2.99 17.29 ST13 1.10 4.60 11.26 14.80 196.30 16.51 3.06 18.12 ST14 1.20 4.70 11.54 15.00 200.40 16.96 3.03 17.09 ST15 1.50 5.50 12.75 17.20 183.70 18.35 3.04 16.92 ST16 1.30 5.30 12.79 16.70 193.00 18.77 3.01 16.41 ST17 1.20 5.20 12.35 16.00 198.60 18.09 2.93 15.46 จากตาราง 3.3 พบว่า ปริมาณน้ำฝนรายวันทั้ง 17 สถานีใกล้เคียงกัน ขณะที่ข้อมูลปริมาณน้ำฝน รายวันสูงสุด พบที่ ST7 (สถานี 48432) รองลงมา คือ ST9 (สถานี 48409) และ ST11 (สถานี 48408) มีค่า เท่ากับ 279.50 263.40 และ 254.30 มิลลิเมตร ตามลำดับ ทั้งนี้ข้อสังเกตสำคัญพบว่า ปริมาณน้ำฝนรายวัน ของทุกสถานีมีส่วนเบี่ยงเบนมาตรฐานค่อนข้างสูงอยู่ระหว่าง 12.67 – 20.05 มิลลิเมตร และข้อมูลมีลักษณะ โด่งค่อนข้างสูง พร้อมทั้งมีลักษณะเบ้ขวา จากข้อมูลสรุปข้างต้น สรุปได้ว่า การแจกแจงของปริมาณน้ำฝนรายวันของทั้ง 17 สถานีในลุ่มน้ำมูล เป็นการแจกแจงที่มีลักษณะหางหนักด้านขวา (Right heavy-tailed distribution) ซึ่งสามารถดูสารสนเทศ ของข้อมูลนี้เพิ่มเติมได้ดังแสดงในภาพ 3.2
ผลการวิจัย 109 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ (ก) บ็อกพลอตปริมาณน้ำฝนต่ำสุดรายเดือน (ข) กราฟการแจกแจงความน่าจะเป็น ปริมาณน้ำฝนต่ำสุดรายเดือน (ค) บ็อกพลอตปริมาณน้ำฝนสูงสุดรายเดือน (ง) กราฟการแจกแจงความน่าจะเป็น ปริมาณน้ำฝนสูงสุดรายเดือน ภาพที่ 3.2 บ็อกพลอตและกราฟการแจกแจงความน่าจะเป็นปริมาณน้ำฝนรายเดือน จำแนกรายสถานี