160 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture SSI9 (ก) ค่าต่ำสุดของ SSI9 (ข) ค่ามัธยฐานของ SSI9 (ค) ค่าเฉลี่ยของ SSI9 (ง) ค่าสูงสุดของ SSI9 ภาพที่ 3.30 ดัชนีความแห้งแล้ง SSI9 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.30 พบว่าจาก (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SSI9ของลุ่มน้ำมูลมีค่าอยู่ระหว่าง -0.8 ถึง - 1.6 ซึ่งเมื่อเปรียบเทียบจากเกณฑ์ความรุนแรงของดัชนีความแห้งแล้ง SSI9 แล้วหมายถึง พื้นที่ลุ่มน้ำมูลมีโอกาสที่ จะเกิดความแห้งแล้งระดับรุนแรงถึงรุนแรงปานกลาง โดยเฉพาะพื้นที่ในจังหวัดอุบลราชธานีและนครราชสีมา ถ้าพิจารณา (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของ SSI9 มีค่าอยู่ระหว่าง -0.02 ถึง 0.1 ซึ่งเมื่อเปรียบเทียบจาก เกณฑ์ความรุนแรงของดัชนีความแห้งแล้ง SSI9 แล้ว หมายถึง พื้นที่ลุ่มน้ำมูลมีโอกาสที่จะเกิดความแห้งแล้งใน ระดับปกติโดยเฉพาะพื้นที่ในจังหวัดศรีสะเกษ และสุรินทร์ และเมื่อพิจารณา (ง) ค่าสูงสุดของ SSI9 มีค่าอยู่ ระหว่าง 1.6 –4.0 หมายถึง พื้นที่ลุ่มน้ำมูลมีโอกาสจะเกิดความแห้งแล้งในระดับปกติ
ผลการวิจัย 161 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ SSI12 (ก) ค่าต่ำสุดของ SSI12 (ข) ค่ามัธยฐานของ SSI12 (ค) ค่าเฉลี่ยของ SSI12 (ง) ค่าสูงสุดของ SSI12 ภาพที่ 3.31 ดัชนีความแห้งแล้ง SSI12 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.31 พบว่าจาก (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SSI12 ของลุ่มน้ำมูลมีค่าอยู่ระหว่าง -0.8 ถึง -2.4 ซึ่งเมื่อเปรียบเทียบจากเกณฑ์ความรุนแรงของดัชนีความแห้งแล้ง SSI12 แล้วหมายถึง พื้นที่ลุ่มน้ำมูลมีโอกาส ที่จะเกิดความแห้งแล้งระดับรุนแรงถึงรุนแรงที่สุด โดยเฉพาะพื้นที่ในจังหวัดยโสธร และอำนาจเจริญ ถ้าพิจารณา (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของ SSI12 มีค่าอยู่ระหว่าง -0.1 ถึง 1.6ซึ่งเมื่อเปรียบเทียบจากเกณฑ์ความ รุนแรงของดัชนีความแห้งแล้ง SSI12 แล้ว หมายถึง พื้นที่ลุ่มน้ำมูลมีโอกาสที่จะเกิดความแห้งแล้งระดับแรง ปานกลางถึงปกติโดยเฉพาะพื้นที่ในจังหวัดนครราชสีมา บุรีรัมย์ และสุรินทร์ และเมื่อพิจารณา (ง) ค่าสูงสุดของ SSI12 มีค่าอยู่ระหว่าง -0.8 ถึง2.4 หมายถึง พื้นที่ลุ่มน้ำมูลมีโอกาสจะเกิดความแห้งแล้งในระดับปกติ
162 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 3.2) ดัชนีความแห้งแล้งทางด้านเกษตรกรรมตามฤดูกาลมรสุม (Generalized Monsoon Index: GMI) เป็นค่าดัชนีความแห้งแล้งทางด้านการเกษตรที่แสดงถึงผลกระทบที่เกิดแก่พืชที่กำลังเจริญเติบโต อันมี สาเหตุเนื่องมาจากการขาดแคลนความชื้น โดยแบ่งระยะการเจริญเติบโตของพืชได้ 4 ระยะดังนี้คือ ระยะ เริ่มต้นปลูก (Planting) ระยะเติบโตทางลําต้น (Vegetative) ระยะออกดอกและระยะเจริญเติบโตของผลและ เมล็ด (Flowering/Reproductive) และระยะเติบโตเต็มที่ของผลผลิต (Maturity) ซึ่งในแต่ละระยะมีความ ต้องการน้ำไม่เท่ากันหากเปรียบเทียบกันแล้วความต้องการน้ำมากที่สุด คือ ช่วงระยะออกดอกและระยะ เจริญเติบโตของผลและเมล็ด รองลงมา คือ ช่วงระยะเติบโตเต็มที่ของผลผลิต ส่วนระยะเริ่มต้นปลูกและระยะ เจริญเติบโตทางลําต้นนั้นมีความต้องการน้ำน้อยที่สุด โดยจะกําหนดน้ำหนักของการใช้น้ำของพืชในอัตราส่วน 1/8: 1/8: 1/2: 1/4 ตามลําดับ ค่า GMI ที่คํานวณได้จะมีหน่วยเป็นมิลลิเมตร เพื่อความสะดวกในการกําหนด เกณฑ์มาตรฐานที่ใช้ในการพิจารณาสภาวะพืช GMI จะถูกนํามาวิเคราะห์ให้อยู่ในรูปของเปอร์เซนต์ไทล์ (percentile rank) ซึ่งมีค่าระหว่าง 0 - 100 โดยนําค่า GMI มาเรียงลําดับจากน้อยไปมาก ผลการวิเคราะห์ GMI สำหรับลุ่มน้ำมูลตั้งแต่ปี พ.ศ.2553 (ค.ศ.2010) ถึง ปี พ.ศ.2564 (ค.ศ.2021) เป็นดังภาพที่ 3.32 GMI(pct) 2553 GMI(pct) 2554 GMI(pct) 2555 GMI(pct) 2556
ผลการวิจัย 163 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ GMI(pct) 2557 GMI(pct) 2558 GMI(pct) 2559 GMI(pct) 2560 GMI(pct) 2561 GMI(pct) 2562
164 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture GMI(pct) 2563 GMI(pct) 2564 GMI(pct) 2565 ภาพที่ 3.32 ดัชนีความแห้งแล้ง GMI(pct) ปี พ.ศ..2553 – 2565 ของลุ่มน้ำมูล จากภาพ 3.32 พบว่าในปี พ.ศ. 2553 และ ปี พ.ศ.2561 ลุ่มน้ำมูลมีดัชนีความแห้งแล้ง GMI(pct) น้อยกว่า เปอร์เซ็นต์ไทล์ที่ 40 นั้นแสดงว่าเกณฑ์มาตรฐานที่ใช้ในการพิจารณาสภาวะพืชน้อยกว่าเปอร์เซ็นต์ ไทล์ที่ 40 สำหรับในปี พ.ศ. 2562 และ 2563 พบว่า ลุ่มน้ำมูลมีดัชนีความแห้งแล้ง GMI(pct) อยู่ระหว่าง เปอร์เซ็นต์ไทล์ที่ 50 ถึง เปอร์เซ็นต์ไทล์ที่ 80 ทั้งนี้บริเวณที่พบเปอร์เซ็นไทล์ที่น้อยกว่า 50 เป็นพื้นที่ของ จังหวัดมหาสารคาม ร้อยเอ็ด ยโสธร และ อุบลราชธานี(ตอนเหนือ) นั้นแสดงว่าเกณฑ์มาตรฐานที่ใช้ในการ พิจารณาสภาวะพืชน้อยกว่าเปอร์เซ็นต์ไทล์ที่ 40 ในขณะที่ในปี พ.ศ.2564 พบว่า ในพื้นที่ลุ่มน้ำมูลของจังหวัด อุบลราชธานี ยโสธร ศรีสะเกษ และ นครราชสีมา มีดัชนีความแห้งแล้ง GMI(pct) น้อยกว่า เปอร์เซ็นต์ไทล์ที่ 40 สำหรับปี พ.ศ.2565 พบว่า ในลุ่มน้ำมูลมีดัชนีความแห้งแล้ง GMI(pct) อยู่ระหว่าง เปอร์เซ็นต์ไทล์ที่ 50 ถึง เปอร์เซ็นต์ไทล์ที่ 90
ผลการวิจัย 165 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 3) ดัชนีความแห้งแล้งทางอุทกวิทยา 3.1) ดัชนีน้ำท่ามาตรฐาน (Standardized Runoff Index : SRI) เพื่อศึกษาความแห้งแล้งของ อุตุนิยมวิทยา มีการพัฒนาตัวชี้วัดหลายตัว ซึ่งดัชนีปริมาณน้ำฝนมาตรฐาน (SPI) ซึ่งพัฒนาขึ้นครั้งแรกโดย McKee และคณะ มีการใช้กันอย่างแพร่หลายโดยเฉพาะ สำหรับความแห้งแล้งทางอุทกวิทยา ดัชนีที่คล้ายกับ SPI สามารถพัฒนาเป็นดัชนีปริมาณน้ำท่ามาตรฐาน (SRI) ซึ่งอิงตามการไหลของกระแสน้ำเฉลี่ยรายเดือนและ เสนอครั้งแรกโดย Shukla และ Wood หลักการคำนวณของในการกำหนดดัชนีปริมาณน้ำท่ามาตรฐาน (SRI) เนื่องจากค่าเบี่ยงเบนปกติมาตรฐานของหน่วยที่เกี่ยวข้องกับเปอร์เซ็นต์ไทล์ของการไหลของกระแสน้ำของอุทก วิทยาที่สะสมในช่วงเวลาที่กำหนด ระยะเวลาที่แตกต่างกัน (เช่น 1 เดือน 9 เดือน) และการรวมเชิงพื้นที่ที่ แตกต่างกันของดัชนีสามารถคำนวณได้ขึ้นอยู่กับความละเอียดของข้อมูลต้นทางและประยุกต์ใช้ได้ที่ต้องการ ขั้นตอนการคำนวณ SRI ประกอบด้วยขั้นตอนต่อไปนี้ ขั้นตอนที่ 1 การจำลองอนุกรมเวลาขอประมาณน้ำท่าของเวลาย้อนหลังได้มาจากการจำลอง และการ แจกแจงความน่าจะเป็นจะพอดีกับตัวอย่างที่แสดงโดยค่าอนุกรมเวลา ขั้นตอนที่ 2 การแจกแจงใช้เพื่อประมาณความน่าจะเป็นสะสมของมูลค่าประมาณน้ำท่า (ไม่ว่าจะเป็น การสะสมในปัจจุบันหรือจากวันที่ย้อนหลัง) ขั้นตอนที่ 3 ความน่าจะเป็นสะสมจะถูกแปลงเป็นค่าเบี่ยงเบนปกติมาตรฐาน (โดยมีค่าเฉลี่ยเป็นศูนย์ และความแปรปรวนของหน่วย) ซึ่งสามารถคำนวณได้จากการประมาณตัวเลขเป็นฟังก์ชันการกระจายสะสม ปกติ (CDF) ตารางที่ 3.23 เกณฑ์การพิจารณาความรุนแรงของดัชนีความแห้งแล้ง SRI ค่าดัชนี SRI ระดับความรุนแรงของความแห้งแล้ง มากกว่า - 0.99 ใกล้เคียงค่าปกติ -1.00 ถึง -1.49 แห้งแล้งปานกลาง -1.50 ถึง -1.99 แห้งแล้งรุนแรง น้อยกว่าหรือเท่ากับ -2 แห้งแล้งรุนแรงที่สุด
166 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture SRI1 (ก) ค่าต่ำสุดของ SRI1 (ข) ค่ามัธยฐานของ SRI1 (ค) ค่าเฉลี่ยของ SRI1 (ง) ค่าสูงสุดของ SRI1 ภาพที่ 3.33 ดัชนีความแห้งแล้ง SRI1 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.33 พบว่า (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SRI1 มีค่าอยู่ระหว่าง 0.00 ถึง -3.20 ซึ่ง หมายถึงพื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงที่สุด โดยเฉพาะพื้นที่จังหวัดศรีสะเกษ (สถานีน้ำ M.5) และ จังหวัดอุบลราชธานี(สถานีน้ำ M.7) ในขณะที่ (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของดัชนีความแห้งแล้ง SRI1 อยู่ระหว่าง 0.1 ถึง 1.0 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งปานกลางโดยเฉพาะพื้นที่จังหวัด นครราชสีมา บุรีรัมย์ สุรินทร์ ศรีสะเกษ และอุบลราชธานี และ (ง) ค่าสูงสุดของดัชนีความแห้งแล้ง SRI1 อยู่ ระหว่าง 1.6 ถึง 3.2 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งค่อนไปทางปกติเกือบทุกพื้นที่
ผลการวิจัย 167 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ SRI3 (ก) ค่าต่ำสุดของ SRI (ข) ค่ามัธยฐานของ SRI (ค) ค่าเฉลี่ยของ SRI (ง) ค่าสูงสุดของ SRI ภาพที่ 3.34 ดัชนีความแห้งแล้ง SRI3 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.34 พบว่า (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SRI3 มีค่าอยู่ระหว่าง -0.80 ถึง -3.20 ซึ่ง หมายถึงพื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงที่สุด โดยเฉพาะพื้นที่จังหวัดศรีสะเกษ (สถานีน้ำ M.5) และ จังหวัดอุบลราชธานี (สถานีน้ำ M.7) ในขณะที่ (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของดัชนีความแห้งแล้ง SRI3 อยู่ระหว่าง 0.0 ถึง 0.9 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงโดยเฉพาะพื้นที่จังหวัด นครราชสีมา บุรีรัมย์ สุรินทร์ ศรีสะเกษ และอุบลราชธานี และ (ง) ค่าสูงสุดของดัชนีความแห้งแล้ง SRI3 อยู่ ระหว่าง 1.6 ถึง 3.2 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งค่อนไปทางปกติเกือบทุกพื้นที่
168 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture SRI6 (ก) ค่าต่ำสุดของ SRI (ข) ค่ามัธยฐานของ SRI (ค) ค่าเฉลี่ยของ SRI (ง) ค่าสูงสุดของ SRI ภาพที่ 3.35 ดัชนีความแห้งแล้ง SRI6 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.35 พบว่า (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SRI6 มีค่าอยู่ระหว่าง -0.80 ถึง -2.40 ซึ่งหมายถึงพื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงที่สุด โดยเฉพาะพื้นที่จังหวัดศรีสะเกษ (สถานีน้ำ M.5) ในขณะที่ (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของดัชนีความแห้งแล้ง SRI6 อยู่ระหว่าง 0.0 ถึง 0.5 ซึ่ง หมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงโดยเฉพาะพื้นที่จังหวัดนครราชสีมา บุรีรัมย์ สุรินทร์ ศรีสะ เกษ และอุบลราชธานี และ (ง) ค่าสูงสุดของดัชนีความแห้งแล้ง SRI6 อยู่ระหว่าง 1.60 ถึง 3.20 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งค่อนไปทางปกติเกือบทุกพื้นที่
ผลการวิจัย 169 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ SRI9 (ก) ค่าต่ำสุดของ SRI (ข) ค่ามัธยฐานของ SRI (ค) ค่าเฉลี่ยของ SRI (ง) ค่าสูงสุดของ SRI ภาพที่ 3.36 ดัชนีความแห้งแล้ง SRI9 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.36 พบว่า (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SRI9 มีค่าอยู่ระหว่าง 0.00 ถึง -2.40 ซึ่งหมายถึงพื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงที่สุด โดยเฉพาะพื้นที่จังหวัดศรีสะเกษ (สถานีน้ำ M.5) ในขณะที่ (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของดัชนีความแห้งแล้ง SRI9 อยู่ระหว่าง 0.0 ถึง 0.5 ซึ่ง หมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงโดยเฉพาะพื้นที่จังหวัดนครราชสีมา บุรีรัมย์ สุรินทร์ ศรีสะเกษ และอุบลราชธานี และ (ง) ค่าสูงสุดของดัชนีความแห้งแล้ง SRI9 อยู่ระหว่าง 1.60 ถึง 2.40 ซึ่ง หมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งค่อนไปทางปกติเกือบทุกพื้นที่
170 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture SRI12 (ก) ค่าต่ำสุดของ SRI (ข) ค่ามัธยฐานของ SRI (ค) ค่าเฉลี่ยของ SRI (ง) ค่าสูงสุดของ SRI ภาพที่ 3.37 ดัชนีความแห้งแล้ง SRI12 แสดงค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุด ของลุ่มน้ำมูล จากภาพ 3.37 พบว่า (ก) ค่าต่ำสุดของดัชนีความแห้งแล้ง SRI12 มีค่าอยู่ระหว่าง 0.00 ถึง -2.40 ซึ่งหมายถึงพื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงที่สุด โดยเฉพาะพื้นที่จังหวัดศรีสะเกษ (สถานีน้ำ M.42) และจังหวัดบุรีรัมย์ (สถานีน้ำ M.6A) ในขณะที่ (ข) และ (ค) ค่ามัธยฐานและค่าเฉลี่ยของดัชนีความแห้งแล้ง SRI12 อยู่ระหว่าง 0.0 ถึง 0.5 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งรุนแรงโดยเฉพาะพื้นที่จังหวัด นครราชสีมา บุรีรัมย์ สุรินทร์ ศรีสะเกษ และอุบลราชธานี และ (ง) ค่าสูงสุดของดัชนีความแห้งแล้ง SRI12 อยู่ระหว่าง 1.60 ถึง 2.40 ซึ่งหมายถึง พื้นที่ลุ่มน้ำมูลมีระดับความแห้งแล้งค่อนไปทางปกติเกือบทุกพื้นที่
ผลการวิจัย 171 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 3.1.2 ผลการวิเคราะห์ดัชนีความแห้งแล้งภาคดาวเทียม (Satellite-based Indicator) 1) ดัชนีความแห้งแล้งทางเกษตร ดัชนีพืชพรรณ (Vegetation Index) คือค่าที่บอกถึงสัดส่วนของพืชพรรณที่ปกคลุมพื้นผิวโดยคำนวณจากการ นำช่วงคลื่นที่เกี่ยวข้องข้องกับพืชพรรณมาทำสัดส่วนต่อกัน วิธีการที่นิยมใช้มากอย่างหนึ่งเรียกว่า Normalized Difference Vegetation Index (NDVI) เป็นการนำค่าสะท้อนของพื้นผิวระหว่างช่วงคลื่นใกล้อินฟราเรดกับช่วงคลื่นตา มองเห็นสีแดงมาทำสัดส่วนกับค่าผลบวกของทั้งสองช่วงคลื่นเพื่อปรับให้เป็นลักษณะการกระจายแบบปกติ ทำให้ค่า NDVI มีค่าอยู่ระหว่าง -1 ถึง 1 ซึ่งจะช่วยในการแปลผลได้ง่ายขึ้น โดยที่ค่า 0 หมายถึง ไม่มีพืชพรรณใบเขียวอยู่ในพื้นที่ สำรวจ ในขณะที่ค่า 0.8 หรือ 0.9 หมายถึงพืชพรรณใบเขียวหนาแน่นมากในพื้นที่ดังกล่าว กรณีที่พื้นผิวมีพืชพรรณปก คลุมจะมีค่าการสะท้อนในช่วงคลื่นอินฟราเรดสูงกว่าช่วงคลื่นตามองเห็นสีแดงทำให้ NDVI มีค่าเป็นบวก ในขณะที่ พื้นผิวดินจะมีค่าการสะท้อนระหว่างสองช่วงคลื่นใกล้เคียงกันทำให้ NDVI มีค่าใกล้เคียง 0 ส่วนกรณีที่พื้นผิวเป็นน้ำจะ มีค่าการสะท้อนในช่วงคลื่นใกล้อินฟราเรดต่ำกว่าช่วงคลื่นตามองเห็นสีแดงทำให้ NDVI มีค่าติดลบทั้งนี้โดยปกติค่านี้จะ มีค่าอยู่ระหว่าง 0.1 ถึง 0.7 1.1 ผลการวิเคราะห์ NDVI รายปีตั้งแต่ ปี พ.ศ. 2554 – 2565 (ค.ศ.2011 – 2022) ของลุ่มน้ำมูล NDVI ปี2011 NDVI ปี2012 NDVI ปี2013 NDVI ปี2014
172 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture NDVI ปี2015 NDVI ปี2016 NDVI ปี2017 NDVI ปี2018 NDVI ปี2019 NDVI ปี2020
ผลการวิจัย 173 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ NDVI ปี2021 NDVI ปี2022 ภาพที่ 3.38 ดัชนีความแห้งแล้ง NVDI ปี ค.ศ.2011-2022 ของลุ่มน้ำมูล จากภาพ 3.38 ดัชนี NVDI รายปีในพื้นที่ลุ่มน้ำมูล แสดงถึงความระดับความหนาแน่นของพืชพรรณซึ่ง สามารถบอกถึงระดับความแห้งแล้งเชิงพื้นที่ได้ และพบว่า ตั้งแต่ปี พ.ศ.2554 – 2565 (ค.ศ.2011 – 2022) พื้นที่ ในลุ่มน้ำมูลประสบปัญหาภัยแล้งเกือบทุกปีโดยสามารถสรุปได้จากแผนที่ ดัชนีความแห้งแล้ง NVDI ที่แสดงถึงความ ระดับความหนาแน่นของพืชพรรณและ พบว่า เกิดภัยแล้งหนักสุดในปี พ.ศ. 2556 2558 2559 2562และ 2563 โดยมีค่าดัชนีความแห้งแล้ง NVDI อยู่ระหว่าง 0-0.5 ซึ่งสอดคล้องกับสภาวะภัยแล้งที่ได้ศึกษา 1.2 ผลการวิเคราะห์ NDVI รายเดือน ตั้งแต่เดือนมกราคม พ.ศ.2564 ถึง ตุลาคม พ.ศ.2565 ของ ลุ่มน้ำมูล มกราคม พ.ศ.2565 กุมภาพันธ์ พ.ศ.2565
174 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture มีนาคม พ.ศ.2565 เมษายน พ.ศ.2565 พฤษภาคม พ.ศ.2565 มิถุนายน พ.ศ.2565 กรกฎาคม พ.ศ.2565 สิงหาคม พ.ศ.2565
ผลการวิจัย 175 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ กันยายน พ.ศ.2565 ตุลาคม พ.ศ.2565 ภาพที่ 3.39 ดัชนีความแห้งแล้ง NVDI รายเดือน พ.ศ.2564 ของลุ่มน้ำมูล จากภาพ 3.39 พบว่าดัชนี NVDI รายเดือนในพื้นที่ลุ่มน้ำมูล แสดงถึงความระดับความหนาแน่นของพืชพรรณ ซึ่งสามารถบอกถึงระดับความแห้งแล้งเชิงพื้นที่ได้ และพบว่า ดัชนี NVDI มีความสัมพันธ์กับปริมาณน้ำฝน คือ ฤดูร้อน เริ่มต้นประมาณกลางเดือนกุมภาพันธ์ถึงกลางเดือนพฤษภาคมจะเป็นช่วงที่มีค่าดัชนี NDVI เข้าใกล้ค่า 0 หมายถึงมีพืชพรรณน้อยมาก ฤดูฝน เริ่มต้นประมาณกลางเดือนพฤษภาคมถึงกลางเดือนตุลาคม มีค่าดัชนี NDVI อยู่ ระหว่าง 0.7-0.9 หมายถึงมีพืชพรรณหนาแน่นมากและฤดูหนาว เริ่มต้นประมาณกลางเดือนตุลาคมถึงกลางเดือน กุมภาพันธ์มีค่าดัชนี NDVI อยู่ระหว่าง 0.3-0.6 ซึ่งสอดคล้องกับสภาวะภัยแล้งที่ได้ศึกษา
176 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 3.2 ผลการวิเคราะห์Composite Drought Index พัฒนาขึ้นจากแนวคิดของ ปิยภัทร และคณะ (2023) เพื่อเฝ้าดูสภาวะแห้งแล้งในช่วงเวลาต่าง ๆ ที่กำหนด หรืออาจจะเรียกว่า Multivariate Standardized Composite Drought Index (MSCDI) สำหรับลุ่มน้ำมูล ผู้วิจัยได้พิจารณาตามความเหมาะสมและความเป็นไปได้ของข้อมูลที่มีความสอดคล้องกับลุ่มน้ำมูลและมีความ ถูกต้องและครอบคลุมพื้นที่และเวลาที่เหมาะสม ประกอบด้วย 1) ข้อมูลปริมาณน้ำฝนเพื่อคำนวณ Standardized Precipitation Index (SPI) 2) ข้อมูลการไหลของน้ำเพื่อคำนวณ Standardized Runoff Index (SRI) 3) ข้อมูลความชื้นในดินเพื่อคำนวณ Standardized Soil Moisture Index (SSI) 4) ข้อมูลการระเหยน้ำเพื่อคำนวณ Standardized Evapotranspiration Index (sETI) 5) ค่าความสัมพันธ์ของดัชนีแต่ละชนิดด้วยวิธีคอปูลา 6) พิจารณาค่าน้ำหนักของแต่ละดัชนีเพื่อสร้าง Multivariate Standardized Composite Drought Index (MSCDI) หรือ Composite Drought Index (CDI) 7) พิจารณาตัวแปรอื่น ๆ ที่ควรเป็นตัวแปรเสริมเพิ่มเติม เช่น การพยากรณ์อากาศ เพื่อช่วยในการ ประเมินสภาพแล้งในลุ่มน้ำมูล ทั้งนี้ผู้วิจัยมีกระบวนการพัฒนา MSCDI ดังต่อไปนี้ 1) เตรียมข้อมูล: นำเข้าข้อมูลปริมาณน้ำฝน ข้อมูลการไหลของน้ำ ข้อมูลความชื้นในดิน และข้อมูล การระเหยน้ำ และตรวจสอบคุณภาพของข้อมูล 2) คำนวณดัชนี: ใช้ข้อมูลที่ได้จากขั้นตอนที่ 1 เพื่อคำนวณดัชนีแต่ละอันที่เหมาะสม ประกอบด้วย SPI SRI SSI และ sETI เป็นต้น 3) สร้าง Copula Function: นำค่าดัชนีแต่ละอันที่ได้จากขั้นตอนที่ 2 มาสร้าง Copula Function เพื่อคำนวณค่าความสัมพันธ์ระหว่างดัชนีแต่ละอัน 4) ปรับปรุงและสร้าง MSCDI: นำค่าความสัมพันธ์ที่ได้จากขั้นตอนที่ 3 มาปรับปรุงและสร้าง MSCDI โดยใช้น้ำหนักของแต่ละดัชนี และปรับปรุงตามความเหมาะสม 5) ทดสอบและประเมินผล: ใช้ MSCDI ที่ได้จากขั้นตอนที่ 4 ในการประเมินสภาพแล้งของลุ่มน้ำมูล และทดสอบความแม่นยำและประสิทธิภาพของ MSCDI โดยเปรียบเทียบกับผลการตรวจวัดจาก ดัชนีแต่ละอันที่นำมาผสมกันใน MSCDI ทั้งนี้ MWDI สามารถคำนวณได้ในแต่ละช่วงเวลาที่สนใจ ซึ่งอาจมีตั้งแต่ 1 เดือน 2 เดือน 3เดือน จนถึง 12 เดือน ซึ่งจะได้ค่าดัชนีที่ต้องการแล้วนำมาจัดรูปแบบความรุนแรงที่บอกถึงระดับความชุ่มชื้น และความแห้ง แล้งของแต่ละพื้นที่จากผลการวิเคราะห์ในการศึกษานี้ โดยใช้เกณฑ์การพิจารณาดังในตารางที่ 3.23 จากการศึกษางานวิจัยและดัชนีความแห้งแล้งที่เหมาะสมกับบริบทประเทศไทย คณะผู้วิจัยจึงต้องการ พัฒนาดัชนีความแห้งแล้งลุ่มน้ำมูล (Mun Watershed Drought Index: MWDI) ที่พัฒนาจาก Composite Drought Index โดยมีรายละเอียด ดังภาพ 3.35
ผลการวิจัย 177 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 3.40 ผังการคำนวณการพัฒนาดัชนีความแห้งแล้งลุ่มน้ำมูล (Mun Watershed Drought Index: MWDI) ทังนี้ผู้วิจัยได้ทำการสรุปผลการวิเคราะห์จำแนกโดยดูจาก ปริมาณน้ำฝนสะสมรวม 1 เดือน (SPI1) 3 เดือน (SPI3) 6 เดือน (SPI6) 9 เดือน (SPI9) และ 12 เดือน (SPI12) โดยแสดงรายละเอียดของแต่ละส่วนแบ่ง ออกเป็น 4 ประเด็น ได้แก่ พิจารณาค่าต่ำสุด ค่ามัธยฐาน ค่าเฉลี่ย และค่าสูงสุดของ MWDI ต่าง ๆ เช่นเดียวกับดัชนีอื่น ๆ ดังภาพ 3.36 ตารางที่ 3.24 ดัชนีความแห้งแล้งลุ่มน้ำมูล (Mun Watershed Drought Index: MWDI) ค่าดัชนี SRI ระดับความรุนแรงของความแห้งแล้ง มากกว่า - 0.99 ใกล้เคียงค่าปกติ -1.00 ถึง -1.49 แห้งแล้งปานกลาง -1.50 ถึง -1.99 แห้งแล้งรุนแรง น้อยกว่าหรือเท่ากับ -2 แห้งแล้งรุนแรงที่สุด
178 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture (ก) ค่าต่ำสุดของ MWDI-1 (ข) ค่ามัธยฐานของ MWDI-1 (ค) ค่าเฉลี่ยของ MWDI-1 (ง) ค่าสูงสุดของ MWDI-1 ภาพที่ 3.41 ดัชนีความแห้งแล้งลุ่มน้ำมูล
ผลการวิจัย 179 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ส่วนที่ 4 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนที่ส่งผลต่อภัยแล้ง ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนที่ส่งผลต่อภัยแล้ง แบ่งออกเป็น 4 แบบ ได้แก่ 4.1 ผลการวิเคราะห์จำนวนวันที่ฝนไม่ตกรายเดือน ทั้งนี้ผู้วิจัยได้วิเคราะห์ข้อมูลนี้ ด้วย 1) ผลการวิเคราะห์ด้วยสถิติเชิงพรรณนา 2) ผลการวิเคราะห์ด้วยอนุกรมเวลา (Analysis’s Result of Time Series) 4.2 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ทั้งนี้ผู้วิจัยได้วิเคราะห์ข้อมูลนี้ ด้วย 1) ผลการวิเคราะห์ด้วยสถิติเชิงพรรณนา 2) ผลการวิเคราะห์ฝนแล้ง(ฝนทิ้งช่วง) 3) ผลการวิเคราะห์ด้วยการเรียนรู้ของเครื่อง (Analysis’s Result of Machine Learning) 4) ผลการวิเคราะห์ด้วยทฤษฎีค่าสุดขีด (Analysis’s Result of Extreme Value Theory) 4.3 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 10 วัน 4.3.1 ผลการวิเคราะห์ปริมาณน้ำฝนสะสมเคลื่อนที่ 10 วัน 4.3.2 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 10 วัน รายเดือน 4.3.3 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 10 วัน รายฤดูกาล 4.3.4 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 10 วัน รายปี ทั้งนี้ผู้วิจัยได้วิเคราะห์ข้อมูลเหล่านี้ ด้วย 1) การวิเคราะห์ด้วยสถิติเชิงพรรณนา 2) การวิเคราะห์ด้วยอนุกรมเวลา (Analysis’s Result of Time Series) 3) การวิเคราะห์ด้วยแบบจำลองเกรย์ (Analysis’s Result of Grey Model) 4) การวิเคราะห์ด้วยการเรียนรู้ของเครื่อง (Analysis’s Result of Machine Learning) 5) การวิเคราะห์ด้วยทฤษฎีค่าสุดขีด (Analysis’s Result of Extreme Value Theory) สรุปได้ดังภาพ
180 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 4.4 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 7 วัน 4.4.1 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 7 วัน รายเดือน 4.4.2 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 7 วัน รายฤดูกาล 4.4.3 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมเคลื่อนที่ 7 วัน รายปี ทั้งนี้ผู้วิจัยได้วิเคราะห์ข้อมูลเหล่านี้ ด้วย 1) การวิเคราะห์ด้วยสถิติเชิงพรรณนา 2) การวิเคราะห์ด้วยอนุกรมเวลา (Analysis’s Result of Time Series) 3) การวิเคราะห์ด้วยแบบจำลองเกรย์ (Analysis’s Result of Grey Model) 4) การวิเคราะห์ด้วยการเรียนรู้ของเครื่อง (Analysis’s Result of Machine Learning) 5) การวิเคราะห์ด้วยทฤษฎีค่าสุดขีด (Analysis’s Result of Extreme Value Theory) สรุปได้ดังภาพ 4.5 ผลการวิเคราะห์แบบจำลองสำหรับสองตัวแปร 4.5.1 ผลการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรที่ศึกษา 4.5.2 ผลการวิเคราะห์ด้วยคอปูลา 4.5.3 ผลการวิเคราะห์ค่าสุดขีดเชิงพื้นที่
ผลการวิจัย 181 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 4.1 ผลการวิเคราะห์จำนวนวันที่ไม่ตกรายเดือน 4.1.1 ผลการวิเคราะห์จำนวนวันที่ไม่ตกรายเดือนด้วยสถิติเชิงพรรณนา ตารางที่ 3.25 จำนวนข้อมูล จำนวนวันฝนไม่ตกต่อเนื่อง ค่าเฉลี่ยปริมาณน้ำฝน และจำนวนวันฝนไม่ตก ต่อเนื่องกันสูงสุด จำแนกรายสถานี ระหว่างปี พ.ศ.2527 - 2565 รหัสเรียก จำนวน ข้อมูล (ปี) นับวันฝนไม่ตกต่อเนื่อง อย่างน้อย 10 วัน (ครั้ง) ค่าเฉลี่ยปริมาณน้ำฝน เฉพาะวันที่ฝนตก (มม.) จำนวนวันฝนไม่ตก ต่อเนื่องสูงสุด(วัน) ST1 39 181 9.4 112 ST2 39 195 9.538 100 ST3 39 192 10.451 110 ST4 39 183 10.522 118 ST5 39 88 12.591 115 ST6 39 184 12.588 172 ST7 39 188 12.206 130 ST8 39 199 12.547 149 ST9 39 174 13.384 208 ST10 39 185 14.001 118 ST11 39 173 13.212 143 ST12 39 201 11.38 133 ST13 39 195 11.251 129 ST14 39 203 11.523 132 ST15 39 195 12.724 141 ST16 39 191 12.708 136 ST17 39 185 12.322 130 จากตารางที่ 3.25 พบว่า จำนวนวันฝนไม่ตกต่อเนื่องอย่างน้อย 10 วันมากที่สุด คือ สถานี ST14 จำนวน 203 ครั้ง รองลงมา คือ ST12 จำนวน 201 ครั้ง ทั้งนี้ข้อสังเกตสำคัญ พบว่า ค่าเฉลี่ยปริมาณน้ำฝนเฉพาะ วันที่ฝนตก อยู่ระหว่าง 9.4 - 14.001 มิลลิเมตร และจำนวนวันฝนไม่ตกต่อเนื่องสูงสุด เท่ากับ 208 วัน สถานี ST9 (48409) รองลงมา 172 วัน สถานี ST6 (48416)
182 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ตารางที่ 3.26 จำนวนวันที่ฝนไม่ตกต่อเนื่อง ระหว่างปี พ.ศ.2527 - 2565 จำแนกตามรหัสเรียก รหัสเรียก จำนวนวันที่ฝนกไม่ตกต่อเนื่อง (วัน) รวม 1 - 15 16 - 30 31 - 60 61 - 90 91 - 120 121 - 150 151 - 180 มากกว่า 180 ST1 1,828 52 38 11 5 0 0 0 1,934 ST2 1,809 63 35 18 4 0 0 0 1,929 ST3 1,748 64 31 14 9 0 0 0 1,866 ST4 1,912 53 27 14 8 0 0 0 2,014 ST5 700 19 15 6 3 0 0 0 743 ST6 1,661 44 31 17 10 3 1 0 1,767 ST7 1,747 60 28 14 9 1 0 0 1,859 ST8 1,700 56 32 16 8 2 0 0 1,814 ST9 1,576 45 34 14 9 4 1 1 1,684 ST10 1,595 61 22 16 15 0 0 0 1,709 ST11 1,591 48 30 23 7 2 0 0 1,701 ST12 1,557 55 35 14 11 2 0 0 1,674 ST13 1,654 58 25 16 12 1 0 0 1,766 ST14 1,590 58 33 14 13 1 0 0 1,709 ST15 1,630 45 36 15 9 3 0 0 1,738 ST16 1,618 53 33 19 6 3 0 0 1,732 ST17 1,599 55 30 17 10 3 0 0 1,714 จากตารางที่ 3.26 พบว่า จำนวนวันฝนไม่ตกต่อเนื่อง 1-15 วันมากที่สุด คือ สถานี ST1 และ ST2 จำนวน 1,828 และ 1,809 ครั้ง ตามลำดับ ในขณะที่ จำนวนวันที่ฝนไม่ตกต่อเนื่อง 16-30 วัน มากที่สุด คือ สถานี ST3 จำนวน 64 ครั้ง จำนวนวันที่ฝนไม่ตกต่อเนื่อง 31-60 วัน มากที่สุด คือ สถานี ST1 และ ST15 จำนวน 38 และ 36 ครั้ง ตามลำดับ จำนวนวันที่ฝนไม่ตกต่อเนื่อง 61-90 วัน มากที่สุด คือ สถานี ST11 จำนวน 23 ครั้ง จำนวนวันที่ฝนไม่ตกต่อเนื่อง 91-120 วัน มากที่สุด คือ สถานี ST10 จำนวน 15 ครั้ง และ จำนวนวันที่ฝนไม่ตกต่อเนื่อง ตั้งแต่ 121 วันขึ้นไป มากที่สุด คือ สถานี ST6 และ ST9 ตามลำดับ
ผลการวิจัย 183 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ตารางที่ 3.27 จำนวนวันที่ฝนไม่ตกต่อเนื่องในปี พ.ศ.2564 จำแนกตามรหัสเรียก รหัสเรียก จำนวนวันที่ฝนกไม่ตกต่อเนื่อง (วัน) รวม 1 - 15 16 - 30 31 - 60 61 - 90 91 - 120 121 - 150 151 - 180 มากกว่า 180 ST1 47 1 0 1 0 0 0 0 49 ST2 52 1 1 1 0 0 0 0 55 ST3 47 2 0 1 0 0 0 0 50 ST4 49 1 1 0 0 0 0 0 51 ST5 48 2 0 1 0 0 0 0 51 ST6 36 0 2 0 0 0 0 0 38 ST7 44 2 2 0 0 0 0 0 48 ST8 37 1 0 1 0 0 0 0 39 ST9 32 3 1 1 0 0 0 0 37 ST10 40 3 0 1 0 0 0 0 44 ST11 37 2 1 1 0 0 0 0 41 ST12 27 2 1 1 0 0 0 0 31 ST13 43 1 0 1 0 0 0 0 45 ST14 33 2 0 1 0 0 0 0 36 ST15 41 1 0 1 0 0 0 0 43 ST16 42 2 0 1 0 0 0 0 45 ST17 44 1 0 1 0 0 0 0 46 จากตารางที่ 3.27 พบว่า จำนวนวันฝนไม่ตกต่อเนื่อง 1-15 วันมากที่สุด คือ สถานี ST2 ST4 และ ST5 จำนวน 52 49 และ 48 ครั้ง ตามลำดับ ในขณะที่ จำนวนวันที่ฝนไม่ตกต่อเนื่อง 16-30 วัน มากที่สุด คือ สถานี ST9 และ ST10 จำนวน 3 ครั้ง จำนวนวันที่ฝนไม่ตกต่อเนื่อง 31-60 วัน มากที่สุด คือ สถานี ST6 และ ST7 จำนวน 2 ครั้ง
184 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 4.1.2 ผลการวิเคราะห์ด้วยอนุกรมเวลา (Analysis’s Result of Time Series) สำหรับการวิเคราะห์อนุกรมเวลาในงานวิจัยนี้ ผู้วิจัยได้วิเคราะห์จำนวนวันที่ฝนไม่ตกรายเดือน จำนวน วันฝนไม่ตกรายปี เพื่อสะท้อนให้เห็นปริมาณน้ำฝนที่ส่งผลต่อการเกิดความแห้งแลง ตามลำดับ โดยผู้วิจัยได้ ออกแบบการนำเสนอผลการวิเคราะห์ในส่วนนี้ เป็น 2 ส่วน ได้แก่ ผลการวิเคราะห์แบบสรุปภาพรวม และผล การวิเคราะห์รายสถานี ซึ่งเทคนิคที่ผู้วิจัยได้นำมาใช้ในการวิเคราะห์อนุกรมเวลาคือ เทคนิค Box-Jenkins (ทรงศักดิ์ แต้ศิริ (2549)) ที่เรียกว่า ARIMA(p,d,q)(p,d,q) และ ARIMA(p,d,q)(p,d,q)[12] 1) ผลการวิเคราะห์แบบสรุปภาพรวม ตารางที่ 3.28 สัดส่วนความเหมาะสมของระยะเวลาเก็บข้อมูล(ปี) ต่อการสร้างตัวแบบการพยากรณ์จำนวน วันที่ฝนไม่ตกรายเดือน ระยะเวลาเก็บข้อมูล(ปี) จำนวนสถานี(แห่ง) ร้อยละ 10 14 82.00 20 3 18.00 30 0 0 รวม 17 100.00 จากตาราง 3.28 พบว่า ระยะเวลาเก็บข้อมูล(ปี) ที่เหมาะสมที่จะนำมาสร้างตัวแบบการพยากรณ์ จำนวนวันที่ฝนไม่ตกรายเดือน คือ ระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล(รายเดือน) คิดเป็นร้อย ละ 82 รองลงมาได้แก่ ระยะเวลา 20 ปี หรือใช้ข้อมูลจำนวน 360 ข้อมูล(รายเดือน) คิดเป็นร้อยละ 18 ตามลำดับ นั่นหมายถึง ถ้านักวิจัยต้องการวิเคราะห์ข้อมูลนี้นักวิจัยสามารถใช้ข้อมูลที่เก็บรวบรวมเพียง ระยะเวลา 10 ปี ก็สามารถทำการวิเคราะห์ได้อย่างแม่นยำ ทั้งนี้ผลการวิเคราะห์ข้อมูล ซึ่งประกอบด้วย ระยะเวลาเก็บข้อมูล(ปี) ตัวแบบที่เหมาะสม จำแนกรายสถานี แสดงดังตาราง 3.29
ผลการวิจัย 185 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ตารางที่ 3.29 ตัวแบบการพยากรณ์ที่เหมาะสมจำนวนวันที่ฝนไม่ตกรายเดือน สถานี ระยะเวลาเก็บข้อมูล(ปี) ตัวแบบ ST1 10 SARIMA(0,0,1)(1,1,2) ST2 10 SARIMA(1,0,0)(0,1,1) ST3 10 SARIMA(0,0,0)(0,1,1) ST4 10 SARIMA(1,0,1)(0,1,2) ST5 10 SARIMA(1,0,0)(0,1,1) ST6 10 SARIMA(1,0,0)(0,1,1) ST7 10 SARIMA(1,0,1)(1,1,2) ST8 10 SARIMA(0,0,0)(0,1,1) ST9 10 SARIMA(0,0,0)(2,1,0) ST10 20 SARIMA(0,0,0)(1,1,0) ST11 10 SARIMA(0,0,0)(2,1,0) ST12 20 SARIMA(0,0,0)(0,1,1) ST13 10 SARIMA(1,0,1)(2,1,0) ST14 10 SARIMA(0,0,0)(2,1,1) ST15 20 SARIMA(2,0,1)(2,1,2) ST16 10 SARIMA(1,0,0)(2,1,0) ST17 10 SARIMA(0,0,0)(2,1,1) สำหรับลำดับต่อไปเป็นผลการวิเคราะห์จำแนกรายสถานี 17 สถานีครอบคลุมพื้นที่ศึกษา รายละเอียด ดังต่อไปนี้
186 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 1) สถานีอุตุนิยมวิทยาปากช่อง สกษ. จังหวัดนครราชสีมา (ST1) ตารางที่ 3.30 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST1 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,1)(1,1,2) 3.4446 20 SARIMA(0,0,1)(1,1,0) 4.3077 30 SARIMA(1,0,0)(1,1,0) 4.3403 จากตารางที่ 3.30 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาปากช่อง สกษ. จังหวัดนครราชสีมา ได้แก่ SARIMA(0,0,1)(1,1,2) ซึ่งมีข้อมูลที่ใช้ในการ สร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.4446 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.42 ภาพที่ 3.42 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาปากช่อง สกษ. จังหวัดนครราชสีม
ผลการวิจัย 187 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2) สถานีอุตุนิยมวิทยาโชคชัย จังหวัดนครราชสีมา (ST2) ตารางที่ 3.31 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST2 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,0)(0,1,1) 3.1066 20 SARIMA(0,0,1)(0,1,1) 3.1297 30 SARIMA(0,0,1)(1,1,0) 3.7929 จากตารางที่ 3.31 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาโชคชัย จังหวัดนครราชสีมา ได้แก่ SARIMA(1,0,0)(0,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.1066 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.43 ภาพที่3.43 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาโชคชัย จังหวัดนครราชสีมา
188 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 3) สถานีอุตุนิยมวิทยานครราชสีมา จังหวัดนครราชสีมา (ST3) ตารางที่ 3.32 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST3 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(0,1,1) 3.5419 20 SARIMA(0,0,1)(1,1,0) 3.6109 30 SARIMA(1,0,0)(1,1,0) 3.8324 จากตารางที่ 3.32 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยานครราชสีมา จังหวัดนครราชสีมา ได้แก่ SARIMA(0,0,0)(0,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 20 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.5419 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.44 ภาพที่3.44 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยานครราชสีมา จังหวัดนครราชสีมา
ผลการวิจัย 189 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 4) สถานีอุตุนิยมวิทยานางรอง จังหวัดบุรีรัมย์ (ST4) ตารางที่ 3.33 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST4 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,1)(0,1,2) 2.7257 20 SARIMA(1,0,0)(1,1,0) 3.3273 30 SARIMA(1,0,0)(1,1,0) 3.7091 จากตารางที่ 3.33 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยานางรอง จังหวัดบุรีรัมย์ ได้แก่ SARIMA(1,0,1)(0,1,2) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 2.7257 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.45 ภาพที่3.45 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยานางรอง จังหวัดบุรีรัมย์
190 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 5) สถานีอุตุนิยมวิทยาบุรีรัมย์ จังหวัดบุรีรัมย์ (ST5) ตารางที่ 3.34 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST5 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,0)(0,1,1) 3.1218 20 SARIMA(0,0,1)(0,1,1) 3.1696 30 SARIMA(1,0,2)(1,1,1) 3.1374 จากตารางที่ 3.34 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาบุรีรัมย์ จังหวัดบุรีรัมย์ ได้แก่ ARIMA(1,0,0)(0,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อ เทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.1218 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.46 ภาพที่3.46 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาบุรีรัมย์ จังหวัดบุรีรัมย์
ผลการวิจัย 191 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 6) สถานีอุตุนิยมวิทยาท่าตูม จังหวัดสุรินทร์ (ST6) ตารางที่ 3.35 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST6 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,0)(0,1,1) 2.9665 20 SARIMA(0,0,2)(1,1,0) 3.5178 30 SARIMA(2,0,2)(1,1,0) 3.6801 จากตารางที่ 3.35 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาท่าตูม จังหวัดสุรินทร์ ได้แก่ SARIMA(1,0,0)(0,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อ เทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 2.9665 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.47 ภาพที่3.47 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาท่าตูม จังหวัดสุรินทร์
192 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 7) สถานีอุตุนิยมวิทยาสุรินทร์ จังหวัดสุรินทร์ (ST7) ตารางที่ 3.36 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST7 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,1)(1,1,2) 2.9921 20 SARIMA(1,0,0)(1,1,0) 3.3791 30 SARIMA(1,0,0)(1,1,0) 3.5058 จากตารางที่ 3.36 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี อุตุนิยมวิทยาสุรินทร์ จังหวัดสุรินทร์ได้แก่ SARIMA(1,0,1)(1,1,2) ซึ่งมีข้อมูลที่ใช้ในการสร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบ กับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 2.9921 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.48 ภาพที่3.48 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาสุรินทร์ จังหวัดสุรินทร์
ผลการวิจัย 193 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 8) สถานีอุตุนิยมวิทยาสุรินทร์ สกษ จังหวัดสุรินทร์ (ST8) ตารางที่ 3.37 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST8 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(0,1,1) 3.1599 20 SARIMA(0,0,1)(1,1,0) 3.8747 30 SARIMA(1,0,0)(1,1,0) 3.9663 จากตารางที่ 3.37 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาสุรินทร์ สกษ จังหวัดสุรินทร์ ได้แก่ SARIMA(0,0,0)(0,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.1599 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.49 ภาพที่3.49 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาสุรินทร์ สกษ จังหวัดสุรินทร์
194 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 9) สถานีอุตุนิยมวิทยาศรีสะเกษ จังหวัดศรีสะเกษ (ST9) ตารางที่ 3.38 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST9 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,0) 3.4538 20 SARIMA(0,0,1)(0,1,1) 3.6937 30 SARIMA(0,0,1)(2,1,0) 3.7277 จากตารางที่ 3.38 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาศรีสะเกษ จังหวัดศรีสะเกษ ได้แก่ SARIMA(0,0,0)(2,1,0) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.1580 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.50 ภาพที่3.50 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาศรีสะเกษ จังหวัดศรีสะเกษ
ผลการวิจัย 195 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 10) สถานีอุตุนิยมวิทยาอุบลราชธานี จังหวัดอุบลราชธานี (ST10) ตารางที่ 3.39 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST10 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,0) 3.4111 20 SARIMA(0,0,0)(1,1,0) 3.2889 30 SARIMA(0,0,0)(1,1,0) 3.5078 จากตารางที่ 3.39 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาอุบลราชธานี จังหวัดอุบลราชธานีได้แก่ SARIMA(0,0,0)(1,1,0) ซึ่งมีข้อมูลที่ใช้ในการ สร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 20 ปี หรือใช้ข้อมูลจำนวน 240 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.2889 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.51 ภาพที่3.51 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาอุบลราชธานี จังหวัดอุบลราชธานี
196 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 11) สถานีอุตุนิยมวิทยาอุบลราชธานี สกษ. จังหวัดอุบลราชธานี (ST11) ตารางที่ 3.40 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST11 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,0) 3.6999 20 SARIMA(1,0,0)(1,1,0) 4.3997 30 SARIMA(0,0,1)(2,1,0) 4.0348 จากตารางที่ 3.40 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาอุบลราชธานี สกษ. จังหวัดอุบลราชธานีได้แก่ SARIMA(0,0,0)(2,1,0) ซึ่งมีข้อมูลที่ใช้ใน การสร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (ราย เดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.6999 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.52 ภาพที่3.52 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาอุบลราชธานี สกษ. จังหวัดอุบลราชธานี
ผลการวิจัย 197 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 12) สถานีอุตุนิยมวิทยาชัยภูมิ จังหวัดชัยภูมิ (ST12) ตารางที่ 3.41 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST12 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,1) 3.0966 20 SARIMA(0,0,0)(0,1,1) 3.0106 30 SARIMA(1,0,0)(1,1,0) 3.5316 จากตารางที่ 3.41 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาชัยภูมิ จังหวัดชัยภูมิได้แก่ SARIMA(0,0,0)(0,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 20 ปี หรือใช้ข้อมูลจำนวน 240 ข้อมูล (รายเดือน) เนื่องจากเมื่อ เทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.0106 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.53 ภาพที่3.53 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาชัยภูมิ จังหวัดชัยภูมิ
198 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 13) สถานีอุตุนิยมวิทยาขอนแก่น จังหวัดขอนแก่น (ST13) ตารางที่ 3.42 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST13 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,1)(2,1,0) 3.4933 20 SARIMA(0,0,1)(1,1,0) 3.9226 30 SARIMA(1,0,0)(1,1,0) 3.9522 จากตารางที่ 3.42 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาขอนแก่น จังหวัดขอนแก่น ได้แก่ SARIMA(1,0,0)(2,1,0) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.4123 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.54 ภาพที่3.54 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาขอนแก่น จังหวัดขอนแก่น
ผลการวิจัย 199 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 14) สถานีอุตุนิยมวิทยาท่าพระ สกษ. จังหวัดขอนแก่น (ST14) ตารางที่ 3.43 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST14 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,1) 2.9479 20 SARIMA(1,0,0)(1,1,0) 3.9658 30 SARIMA(3,0,0)(2,1,0) 3.7615 จากตารางที่ 3.43 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาท่าพระ สกษ. จังหวัดขอนแก่น ได้แก่ SARIMA(0,0,0)(2,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 2.9479 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.55 ภาพที่3.55 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาท่าพระ สกษ. จังหวัดขอนแก่น
200 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 15) สถานีอุตุนิยมวิทยามหาสารคาม จังหวัดมหาสารคาม (ST15) ตารางที่ 3.44 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST15 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,0) 3.3028 20 SARIMA(2,0,1)(2,1,2) 2.7807 30 SARIMA(0,0,1)(2,1,0) 3.6401 จากตารางที่ 3.44 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยามหาสารคาม จังหวัดมหาสารคาม ได้แก่ SARIMA(2,0,1)(2,1,2) ซึ่งมีข้อมูลที่ใช้ในการ สร้างแบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 20 ปี หรือใช้ข้อมูลจำนวน 240 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 2.7807 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.56 ภาพที่3.56 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยามหาสารคาม จังหวัดมหาสารคาม
ผลการวิจัย 201 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 16) สถานีอุตุนิยมวิทยาร้อยเอ็ด สกษ. จังหวัดร้อยเอ็ด (ST16) ตารางที่ 3.45 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST16 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(1,0,0)(2,1,0) 3.3106 20 SARIMA(1,0,0)(1,1,0) 3.8029 30 SARIMA(0,0,0)(1,1,0) 3.7312 จากตารางที่ 3.45 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาร้อยเอ็ด สกษ. จังหวัดร้อยเอ็ด ได้แก่ SARIMA(1,0,0)(2,1,0) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.3106 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.57 ภาพที่3.57 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาร้อยเอ็ด สกษ. จังหวัดร้อยเอ็ด
202 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture 17) สถานีอุตุนิยมวิทยาร้อยเอ็ด จังหวัดร้อยเอ็ด (ST17) ตารางที่ 3.46 ตัวแบบพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือนของสถานี ST17 ระยะเวลาเก็บข้อมูล (ปี) สมการพยากรณ์ที่เหมาะสม ค่า RMSE 10 SARIMA(0,0,0)(2,1,1) 3.0203 20 SARIMA(0,0,0)(0,1,2) 3.1167 30 SARIMA(1,0,0)(1,1,0) 3.7639 จากตารางที่ 3.46 พบว่า สมการพยากรณ์ที่เหมาะสมสำหรับวันที่ฝนไม่ตกรายเดือนของสถานี สถานีอุตุนิยมวิทยาร้อยเอ็ด จังหวัดร้อยเอ็ด ได้แก่ SARIMA(0,0,0)(2,1,1) ซึ่งมีข้อมูลที่ใช้ในการสร้าง แบบจำลอง คือ ข้อมูลที่เก็บรวบรวมมาเป็นระยะเวลา 10 ปี หรือใช้ข้อมูลจำนวน 120 ข้อมูล (รายเดือน) เนื่องจากเมื่อเทียบกับระยะเวลาการเก็บอื่น ๆ มีค่า RMSE น้อยที่สุด คือ 3.0203 ซึ่งสามารถเปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี ได้ดังภาพที่ 3.58 ภาพที่3.58 เปรียบเทียบระหว่างค่าพยากรณ์ที่เหมาะสมสำหรับจำนวนวันที่ฝนไม่ตกรายเดือน สำหรับ 10 ปี 20 ปี และ 30 ปี สถานีอุตุนิยมวิทยาร้อยเอ็ด จังหวัดร้อยเอ็ด
ผลการวิจัย 203 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 4.2 ผลการวิเคราะห์แบบจำลองปริมาณน้ำฝนสะสมทุก ๆ 10 วัน 4.2.1 ผลการวิเคราะห์ด้วยสถิติเชิงพรรณนาของปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ตารางที่3.47 สถิติเชิงพรรณนาของปริมาณน้ำฝนสะสมทุก ๆ 10 วัน และจำแนกรายปี สถานี ปี เดือน วัน วันที่มีปริมาณ น้ำฝนสะสม ทุก ๆ 10 วัน วันที่ไม่มี ปริมาณน้ำฝน สะสม ทุก ๆ 10 วัน ค่าเฉลี่ย ปริมาณน้ำฝน สะสม ทุก ๆ 10 วัน ค่าสูงสุด 48381 39 465 14,153 9,964 4,180 48 335 48384 39 465 14,153 9,886 4,258 46 603 48382 39 465 14,153 9,902 4,242 51 534 48403 39 465 14,153 9,848 4,296 45 534 48405 39 465 14,153 9,877 4,267 53 335 48404 39 465 14,153 9,893 4,251 53 702 48408 39 465 14,153 9,981 4,163 62 708 48407 39 465 14,153 10,013 4,131 64 471 48409 39 465 14,153 9,669 4,475 58 573 48435 39 465 14,153 10,381 3,763 42 441 48431 39 465 14,153 10,835 3,309 41 324 48434 39 465 14,153 10,517 3,627 39 292 48432 39 465 14,153 10,374 3,770 54 410 48433 39 465 14,153 10,212 3,932 54 451 48416 39 465 14,153 9,812 4,332 52 373 48436 16 189 5,752 4,196 9,948 52 306 48437 39 465 14,153 10,629 3,515 44 295
204 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture จากตารางพบว่า สถานี 48408 และ 48384 พบปริมาณน้ำฝนสะสมสูงสุดทก ๆ 10 วัน สูงสุด เป็นสอง ลำดับแรก เท่ากับ 708 มม. และ 603 มม. ตามลำดับ โดยมีค่าเฉลี่ยอยู่ระหวาง 62 มม. และ 46 มม. ตามลำดับ และสถานีที่มีปริมาณน้ำฝนสะสมทุกๆ 10 วันแต่ละสถานี จำแนกรายปีต่ำสุดคือ ST9และ ST5 รายละเอียดดังตารางด้านล่าง ปีค.ศ. จ ำนวนวนั ST1 ST2 ST3 ST4 ST5 ST6 ST7 ST8 ST9 ST10 ST11 ST12 ST13 ST14 ST15 ST16 ST17 รวมทั้งหมด 1984 366 264 267 264 268 0 249 269 253 243 253 239 246 246 239 241 239 261 4,041 1985 365 272 288 285 288 0 295 278 276 262 275 276 272 255 250 251 273 282 4,378 1986 365 254 242 250 250 0 234 241 241 243 251 251 233 249 231 234 245 232 3,881 1987 365 266 277 273 280 0 270 266 239 268 252 253 271 293 280 262 260 268 4,278 1988 366 239 254 233 234 0 224 234 226 236 227 215 226 229 237 234 220 221 3,689 1989 365 281 268 261 262 0 235 257 243 229 238 242 255 258 248 249 228 247 4,001 1990 365 287 297 281 299 0 271 288 282 284 288 282 250 266 267 260 274 274 4,450 1991 365 290 248 232 231 0 224 232 226 210 220 216 239 235 235 236 220 215 3,709 1992 366 267 261 253 290 0 251 271 270 278 277 288 238 240 250 236 270 266 4,206 1993 365 262 267 280 259 0 256 284 262 268 238 256 243 266 253 258 225 236 4,113 1994 365 270 255 257 256 0 242 243 239 251 253 268 258 263 246 237 242 237 4,017 1995 365 280 257 247 265 0 258 253 236 235 243 262 264 245 256 239 257 257 4,054 1996 366 267 284 256 268 0 249 277 278 267 270 268 257 265 260 276 270 262 4,274 1997 365 246 248 249 245 0 258 258 269 238 249 249 234 261 243 264 263 256 4,030 1998 365 279 267 260 285 0 270 274 271 244 257 273 233 257 264 267 268 281 4,250 1999 365 279 264 276 0 277 236 272 268 231 266 272 252 236 228 248 224 227 4,043 2000 366 280 280 285 0 254 252 266 272 235 235 235 257 251 251 262 248 237 4,107 2001 365 273 272 272 0 258 274 281 269 260 281 292 236 252 260 258 250 249 4,275 2002 365 315 287 301 0 257 277 288 291 247 261 258 291 280 200 299 279 284 4,541 2003 365 259 255 241 0 266 247 235 211 242 263 261 237 244 243 253 250 234 3,915 2004 366 236 238 232 0 247 239 264 239 189 256 109 234 239 230 247 205 228 3,720 2005 365 289 286 298 0 247 252 271 259 245 264 253 258 255 239 249 247 248 4,183 2006 365 302 284 269 0 248 230 252 254 257 245 248 259 259 247 251 256 251 4,148 2007 365 264 249 254 258 264 256 254 262 254 261 282 254 238 258 263 265 259 4,408 2008 366 280 252 263 262 261 258 268 265 251 249 259 250 247 252 247 246 242 4,345 2009 365 319 278 278 304 292 254 262 269 253 243 244 279 250 269 270 270 266 4,566 2010 365 276 284 270 258 289 242 270 281 225 225 223 244 256 236 258 242 234 4.281 2011 365 302 268 263 288 240 284 281 283 244 270 265 242 250 261 255 265 283 4,570 2012 366 308 267 261 270 245 242 279 257 279 261 281 248 266 238 253 254 245 4,456 2013 365 278 265 262 276 270 267 250 256 240 230 253 258 257 245 266 262 4,366 2014 365 311 289 272 284 284 253 278 284 238 267 243 248 246 241 237 249 230 4,418 2015 365 261 253 249 257 245 244 243 236 233 247 267 229 252 253 253 263 272 4,257 2016 366 293 289 294 322 282 251 302 299 276 295 256 267 287 289 273 280 268 4,823 2017 365 298 293 298 322 286 255 306 303 280 299 260 272 282 285 277 276 264 4,856 2018 365 314 321 298 311 275 238 295 301 300 279 271 281 276 292 275 284 287 4,898 2019 365 266 246 252 268 262 254 252 275 202 238 252 255 253 222 215 245 244 4,201 2020 366 268 282 273 291 278 257 274 269 251 271 276 284 259 281 271 279 263 4,627 2021 365 292 288 288 286 267 230 274 268 254 274 257 251 257 247 256 246 264 4,499 2022 273 248 247 251 247 247 234 232 230 227 242 236 247 243 250 243 250 241 4,115 รวม 14,153 10,835 10,517 10,381 8,484 6,341 9,812 10,374 10,212 9,669 10,013 9,891 9,594 9,964 9,788 9,902 9,893 9,877 161,712
ผลการวิจัย 205 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 4.2.3 ผลการวิเคราะห์ด้วยการเรียนรู้ของเครื่อง (Analysis’s Result of Machine Learning) ผู้วิจัยได้วิเคราะห์ปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ด้วยการเรียนรู้ของเครื่อง หรือ Machine Learning โดยแบ่งข้อมูลออกเป็น 3 กลุ่ม ตามลักษณะลุ่มน้ำ ได้แก่ ลุ่มน้ำมูลส่วนที่ 1 ลุ่มน้ำมูลส่วนที่ 2 และ ลุ่มน้ำมูลส่วนที่ 3 รายละเอียดดังต่อไปนี้ ลุ่มน้ำมูลส่วนที่ 1 คำอธิบาย ภาพที่ 3.59 ค่าคาดการณ์การคาดการณ์ปริมาณน้ำฝนสะสมทุก ๆ 10วัน ของลุ่มน้ำมูลส่วนที่ 1 ด้วย ML จากภาพ พบว่า สถานี ST01 ST02 มีค่าคาดการณ์ปริมาณ น้ำฝนสะสมทุก ๆ 10 วัน ในช่วง เดือนกุมภาพันธ์ ปี พ.ศ. 2566 และในช่วงเดือนพฤศจิกายน ปี พ . ศ. 2 5 66 จน ถ ึ ง เ ด ื อ น กุมภาพันธ์ ปี พ.ศ.2567 ต่ำกว่า สถานีอื่น ๆ ทั้งนี้การแจกแจงของปริมาณ น้ำฝนต่ำสุดสะสมทุก ๆ 10 วัน ของแต่ละสถานีในลุ่มน้ำมูลส่วน ที่ 1 ส่วนใหญ่เป็นการแจกแจง ที่มีลักษณะหางหนักด้านขวา ( Right heavy-tailed distribution) แ ล ะ ม ี ส ถ า นี ST12 ที่มีลักษณะเป็นการแจก แ จ ง ท ี ่ ม ี ล ั ก ษ ณ ะ Mixed distribution
206 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture ลุ่มน้ำมูลส่วนที่ 2 คำอธิบาย ภาพที่ 3.60 ค่าคาดการณ์การคาดการณ์ปริมาณน้ำฝนสะสมทุก ๆ 10วัน ลุ่มน้ำมูลส่วนที่ 2 ด้วย ML จากภาพ พบว่า สถานี ST08 และ ST13 มีค่าคาดการณ์ ปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ในช่วงเดือนกุมภาพันธ์ ปี พ.ศ. 2566 และในช่วงเดือน พฤศจิกายน ปี พ.ศ. 2566 จนถึง เดือนกุมภาพันธ์ ปี พ.ศ. 2567 ต่ำกว่าสถานีอื่น ๆ ทั้งนี้การแจกแจงของปริมาณ น้ำฝนต่ำสุดสะสมทุก ๆ 10 วัน ของแต่ละสถานีในลุ่มน้ำมูลส่วน ที่ 2 ส่วนใหญ่เป็นการแจกแจง ที่มีลักษณะหางหนักด้านขวา ( Right heavy-tailed distribution) แ ล ะ ม ี ส ถ า นี ST06 และ ST07 ที่มีลักษณะ เป็นการแจกแจงที่มีลักษณะ Mixed distribution ลุ่มน้ำมูลส่วนที่ 3 คำอธิบาย
ผลการวิจัย 207 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 3.61 ค่าคาดการณ์การคาดการณ์ปริมาณน้ำฝนสะสมทุก ๆ 10วัน รายเดือน ลุ่มน้ำมูลส่วนที่ 3 ด้วย ML จากภาพ พบว่า สถานี ST11 มีค่าคาดการณ์ปริมาณน้ำฝน สะสมทุก ๆ 10 วัน ในช่วงเดือน พฤศจิกายน ปี พ.ศ. 2567 และ 2570 ต่ำกว่าสถานีอื่น ๆ ทั้งนี้การแจกแจงของปริมาณ น้ำฝนต่ำสุดสะสมทุก ๆ 10 วัน ของแต่ละสถานีในลุ่มน้ำมูลส่วน ที่ 2 ส่วนใหญ่เป็นการแจกแจง ที่มีลักษณะหางหนักด้านขวา ( Right heavy-tailed distribution) แ ล ะ ม ี ส ถ า นี ST06 และ ST11 ที่มีลักษณะ เป็นการแจกแจงที่มีลักษณะ Mixed distribution 4.2.4 ผลการวิเคราะห์ด้วยทฤษฎีค่าสุดขีด (Analysis’s Result of Extreme Value Theory)
208 ผลการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun-River Basin for Water management of Precision Agriculture แบบจำลองการคาดการณ์หนึ่งตัวแปรด้วยวิธีBlock Maxima 1. รูปแบบของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการคงที่ วิเคราะห์ข้อมูลที่มีค่าสุดขีดวิธีหนึ่ง ซึ่งเหมาะสำหรับการวิเคราะห์คำสุดขีดในช่วงเวลาที่มีคาบ เท่าๆ กัน เช่น รายสัปดาห์ รายเตือน รายสามเดือน หรือรายปี ซึ่งวิธีการเลือกข้อมูลที่นำมาใช้ในการวิเคราะห์ คือ เลือกข้อมูลที่มีค่าสูงสุดในแต่ละช่วงคาบเวลา โดยมีรูปแบบสมการของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการคงที่ ดังตาราง 3.48 ตารางที่3.48 รูปแบบของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการคงที่ ชื่อแบบจำลอง สมการของแบบจำลอง GEV00 = 0 , เป็นค่าคง , เป็นค่าคงที่ หรือ 0 2. รูปแบบของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการไม่คงที่ การวิเคราะห์ค่าสุดขีดที่ได้รับอิทธิพล จากตัวแปรอื่น ๆ เช่น ข้อมูลมีการเปลี่ยนแปลงเมื่อเวลา เปลี่ยนไป หรือข้อมูลมีแนวโน้ม ซึ่งทำให้ข้อมูลที่นำมาวิเคราะห์เป็นข้อมูลที่อยู่ภายใต้กระบวนการไม่คงที่ การ วิเคราะห์ข้อมูลลักษณะนี้จะแตกต่างจากการวิเคราะห์ข้อมูลที่อยู่ภายใต้กระบวนการคงที่ โดยลักษณะข้อมูลที่ อยู่ภายใต้กระบวนการไม่คงที่ โดยมีรูปแบบสมการของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการไม่ คงที่ ดังตาราง 3.49 ตารางที่3.49 รูปแบบของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการไม่คงที่ ชื่อแบบจำลอง สมการของแบบจำลอง GEV01 0 1 0 = + − + ( 1) Year t , เป็นค่าคง , เป็นค่าคงที่ หรือ 0 GEV02 2 0 1 0 2 0 = + − + + − + ( 1) ( 1) Year t Year t , เป็นค่าคง , เป็นค่าคงที่ หรือ 0 GEV03 2 0 ( 1) 0 1 Year t e − − + = + , เป็นค่าคง , เป็นค่าคงที่ หรือ 0 GEV04 = 0 0 1 0 = + − + exp( ( 1)) Year t , เป็นค่าคงที่ หรือ 0 GEV05 0 1 0 = + − + ( 1) Year t 0 1 0 = + − + exp( ( 1)) Year t , เป็นค่าคงที่ หรือ 0 GEV06 2 0 1 0 2 0 = + − + + − + ( 1) ( 1) Year t Year t 0 1 0 = + − + exp( ( 1)) Year t , เป็นค่าคงที่ หรือ 0 GEV07 2 0 ( 1) 0 1 Year t e − − + = + 0 1 0 = + − + exp( ( 1)) Year t , เป็นค่าคงที่ หรือ 0
ผลการวิจัย 209 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ในการวิจัยครั้งนี้ผู้วิจัยได้นำข้อมูลปริมาณน้ำฝนสะสมทุก ๆ 10 วัน โดยจำแนกข้อมูลออกเป็น 2 แบบ ได้แก่ ค่าต่ำสุด และค่าสูงสุด โดยจำแนกเป็นรายปี รายฤดูกาล รายเดือน โดยรายละเอียดผลการวิเคราะห์ ดังนี้ 2.1 การคาดการณ์ปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ต่ำสุด รายปี รูปแบบของแบบจำลองการแจกแจง GEV ภายใต้กระบวนการไม่คงที่ โดยแสดงค่าประมาณ พารามิเตอร์ ของตัวแบบที่เหมาะสมจากค่า AIC และการทดสอบภาวะสารูปสนิทดี จากสถิติทดสอบ KS-test ของแบบจำลองปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ต่ำสุด รายปี ดังตาราง 3.50 ตารางที่ 3.50 รูปแบบของแบบจำลองที่เหมาะสม และค่าประมาณพารามิเตอร์ ค่า AIC และค่า BIC ภายใต้ กระบวนการไม่คงที่ สำหรับข้อมูลปริมาณน้ำฝนสะสมทุก ๆ 10 วัน ต่ำสุด รายปี รหัส สถานี รูปแบบของ แบบจำลอง ที่เหมาะสม ค่าประมาณพารามิเตอร์ AIC BIC KS-test (p-value) ST1 GEV06 0 ˆ = 0.10, 1 ˆ = -2.32*10-6 , 2 ˆ = 2.82*10-8 , 0 ˆ =-2.67, 1 ˆ =-0.27, ˆ = 4.00 -169.86 -159.88 0.43 ST2 GEV00 ˆ = 0.13, ˆ = 0.23, ˆ = 9.04 -343.90 -338.91 0.43 ST3 GEV04 ˆ = 0.10, 0 ˆ =-2.51, 1 ˆ =-0.22, ˆ = 4.76 -109.41 -102.76 0.43 ST4 GEV03 0 ˆ = 0.20, 1 ˆ = 1.86, 2 ˆ = 0.0004, ˆ = 0.15, ˆ = 0.94 25.42 33.74 0.13 ST5 GEV01 0 ˆ = 0.34, 1 ˆ = -0.002, ˆ = 0.30, ˆ = 1.24 88.36 95.02 0.14 ST6 GEV03 0 ˆ = 0.11, 1 ˆ = 1.94, 2 ˆ = 3.78*10-5 , ˆ = 0.03, ˆ = 1.80 11.71 20.03 0.38 ST7 GEV06 0 ˆ = 0.70, 1 ˆ = -0.02, 2 ˆ = 2.65*10-4 , 0 ˆ = 0.09, 1 ˆ =-0.06, ˆ = 1.16 82.40 92.38 0.11 ST8 GEV05 0 ˆ = 0.47, 1 ˆ = -0.01, 0 ˆ =-0.50, 1 ˆ =-0.50, ˆ = 0.85 60.20 68.52 0.17 ST9 GEV05 0 ˆ = 0.44, 1 ˆ = -0.01, 0 ˆ =-0.60, 1 ˆ =-0.04, ˆ = 1.02 69.68 78.00 0.12 ST10 GEV01 0 ˆ = 0.10, 1 ˆ = -1.53*10-18 , ˆ = 2.08*10-14 , ˆ = 3.68 -156.07 -149.41 0.14 ST11 GEV02 0 ˆ = 0.13, 1 ˆ = 0.002, 2 ˆ = 3.51*10-5 , ˆ = 0.09, ˆ = 1.75 15.10 23.42 0.74 ST12 GEV00 ˆ = 0.10, ˆ = 0.02, ˆ = 8.88 15.06 25.04 0.47