ร่าง_รายงานฉบับสมบูรณ์_ARDA65-P1

10 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2. นำข้อมูลที่ได้จากการออกสำรวจภาคสนามและการจัดเตรียมข้อมูลแผนที่เป็นการ รวบรวมข้อมูลในพื้นที่เป้าหมาย โดยการออกพื้นที่สำรวจข้อมูลทำการเก็บพิกัดตำแหน่ง ซึ่งจำนวนหมู่บ้าน ตำบล อำเภอ และจังหวัดที่อยู่ในลุ่มน้ำมูล แสดงดังภาพที่ 1.10 เพื่อนำข้อมูลที่ได้ไปแสดงไว้ในแผนที่ต่อไป ภาพที่ 1.10 พิกัดตำแหน่งหมู่บ้าน ตำบล อำเภอ และจังหวัดที่อยู่ในลุ่มน้ำมูล 3. เตรียมข้อมูลเบื้องต้นโดยทำการปรับขนาดความละเอียดของข้อมูลความสูงภูมิประเทศ เชิงเลข (DEM) ที่มีความละเอียดอยู่ที่ 20 เมตร เป็น 1 เมตร โดยการใช้เครื่องมือ Interpolate ด้วยวิธี Natural Neighbor เพื่อให้ได้ข้อมูลความสูงภูมิประเทศเชิงเลขที่มีความละเอียดมากขึ้น 5.2 การวิเคราะห์ค่าสุดขีดประกอบไปด้วย 2 การแจกแจงดังนี้ 1. การแจกแจงค่าสุดขีดนัยทั่วไป (Generalized Extreme Value Distribution: GEV) เหมาะสำหรับวิเคราะห์ค่าสุดขีดในช่วงคาบเวลา ที่สนใจ เช่น รายปี รายเดือน รายไตรมาส หรือรายสัปดาห์ เป็นต้น ซึ่งค่าสังเกตที่รวบรวมไว้ควรจะมีจำนวนมากกว่า 30 ปีขึ้นไป โดยจะเลือกข้อมูลที่สูงสุดในแต่ละช่วง คาบเวลาที่ผู้วิเคราะห์สนใจและการทบทวนวรรณกรรม โดยลักษณะการเลือกข้อมูลค่าสุดขีดดังกล่าวเรียกว่า วิธี Block Maxima 2. การแจกแจงพาเรโตวางนัยทั่วไป (Generalized Pareto distribution: GPD) เหมาะ สำหรับการวิเคราะห์ค่าสุดขีดที่มีลักษณะเป็นข้อมูลเป็นรายวัน ซึ่งจะเลือกข้อมูลที่นำมาวิเคราะห์จากข้อมูลที่มี ค่าที่มากกว่าค่าเกณฑ์ (Threshold) โดยลักษณะการเลือกข้อมูลค่าสุดขีดดังกล่าวเรียกว่า วิธี Peak Over Threshold และเสนอวิธีการตาม Machine Learning เพื่อให้ได้การวิเคราะห์ค่าสุดขีดที่เหมาะสมที่สุด 5.3 แบบจำลองเชิงพื้นที่ค่าสุดขีดวางนัยทั่วไป (Spatial GEV Model) เป็นการประมาณ ค่าพารามิเตอร์ของแบบจำลองเชิงพื้นที่ค่าสุดวางนัยทั่วไปด้วยวิธีภาวะน่าจะเป็นสูงสุด (Maximum

บทนำ 11 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ Likelihood Estimation: MLE) โดยปัจจัยหรือตัวแปรที่ใช้ในการหาแบบจำลองเชิงพื้นที่ค่าสุดขีดวางนัยทั่วไป จะต้องมีความสัมพันธ์กัน โดยวิเคราะห์ความสัมพันธ์จะใช้วิธีการวิเคราะห์คอปูลา ซึ่งมีแนวคิดดังต่อไปนี้ ในปี 1959 Sklar ได้เสนอแนวคิด Skalar’s Theorem ที่สามารถอธิบายการเชื่อมโยงความสัมพันธ์ของมาร์จินัล (marginal) ที่มีการแจกแจงที่ต่างกันได้ซึ่งการเชื่อมโยงความสัมพันธ์นี้เรียกว่า “คอปูลา (Copula)” อีกอาจจะ กล่าวได้ว่า Copula คือ ฟังก์ชันการแจกแจงร่วมของตัวแปรสุ่มที่มีฟังก์ชันการแจกแจงมาร์จินัล (Marginal Distribution Functions: F) ที่อาจจะเหมือนหรือแตกต่างกันก็ได้ดังนั้นฟังก์ชันการแจกแจงร่วมของหลายตัว แปรผ่านฟังก์ชัน copula นี้สามารถเขียนได้ดังนี้ โดยที่ C คือ ฟังก์ชัน Copula ของฟังก์ชันการแจกแจงมาร์จินัลของตัวแปรสุ่ม xi คือ ตัวแปรสุ่ม เมื่อ i = 1, 2, …, n ถ้าการแจกแจงของมาร์จินัลมีลักษณะแบบต่อเนื่อง จะได้ฟังก์ชัน Copula คือ โดยที่ ui มีลักษณะการแจกแจงแบบสะสม (Cumulative Distribution Function) ที่มีค่าอยู่ ระหว่าง [0,1] และฟังก์ชันความหนาแน่นของ Copula (Copula Density Function) สามารถเขียนได้ดังนี้ 6. เกณฑ์การเปรียบเทียบประสิทธิภาพวิธีการพยากรณ์ ในการวัดความแม่นยำในการพยากรณ์ใช้ค่าเฉลี่ยของค่าสัมบูรณ์ของเปอร์เซนต์ของความ คลาดเคลื่อน (Mean absolute percent error, MAPE) 1 1 100 n t t t t y y MAPE n y = − = เมื่อ t y แทนค่าจริงของข้อมูล ณ เวลา t t y แทนค่าพยากรณ์ของข้อมูลในช่วงเวลา t n แทนจำนวนข้อมูลทั้งหมด ( ) ( ( ) ( )) 1 n 1 1 F n x n H x ,...,x =C F x ,... ( ) ( ( ) ( )) n 1 1 n 1 C u1 ,...,u n C F1 u ,...,F u − − = ( ) ( ( ) ( )) 1 n 1 1 F n u n h x ,...,x = c F u ,...,

12 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 7. พัฒนาฐานข้อมูลระบบสารสนเทศภูมิศาสตร์สุดขีดเชิงพื้นที่ โดยฐานข้อมูลที่ได้ในขั้นตอนนี้จะเป็น ฐานข้อมูลระบบสารสนเทศภูมิศาสตร์สุดขีดเชิงพื้นที่ที่ตรงกับบริบทของพื้นที่เป้าหมายมากที่สุด เพื่อให้การ บริหารจัดการน้ำในพื้นที่แล้งซ้ำซากลุ่มแม่น้ำมูลมีประสิทธิภาพสูงที่สุด ภาพที่ 1.11 ผังการพัฒนาฐานข้อมูลระบบสารสนเทศภูมิศาสตร์สุดขีดเชิงพื้นที่แบบใหม่ 8. พัฒนาแอพพลิเคชันระบบการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล สำหรับสนับสนุนการ บริหารจัดการน้ำ ทั้งระบบแอนดรอยด์และ IOS โดยเป็นแอพพลิเคชันนี้จะแสดง 8. 1 การแจกแจงของข้อมูลปริมาณน้ำฝนพื้นที่ลุ่มน้ำมูล และพฤติกรรมการแจกแจงปริมาณน้ำฝน 8.2 การพยากรณ์ความแห้งแล้งเชิงพื้นที่ระยะสั้นในลุ่มน้ำมูลรายวัน ราย 10 วัน รายเดือน และรายปี เพื่อพยากรณ์ความแห้งแล้งรายฤดูกาล คือ ฤดูร้อน ฤดูฝน และฤดูหนาว 8.3 การพยากรณ์ความแห้งแล้งเชิงสุดขีดพื้นที่ระยะยาวในลุ่มน้ำมูล 2 ปี 5 ปี 10 ปี 25 ปี50 ปี และ 100 ปี 9. สร้าง website ของระบบสารสนเทศภูมิศาสตร์สุดขีดเชิงพื้นที่เพื่อการบริหารจัดการน้ำอย่าง แม่นยำในพื้นที่แล้งซ้ำซากลุ่มแม่น้ำมูล โดยเป็น website นี้จะแสดง ระดับความเสี่ยงของการเกิดพื้นที่เสี่ยงภัย แล้ง เช่น พื้นที่เสี่ยงภัยแล้งน้อย พื้นที่เสี่ยงภัยแล้งปานกลาง และพื้นที่เสี่ยงภัยแล้งมาก ซึ่งจะนำเสนอในรูป แผนที่ 2 มิติ สามารถสรุปกระบวนการดำเนินการวิจัย และ กรอบแนวคิดงานวิจัย ดังภาพที่ 1.12 และ 1.13 ตามลำดับ

บทนำ 13 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 1.12 กระบวนการดำเนินงานวิจัย ภาพที่ 1.13 กรอบแนวคิดของการวิจัย

14 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2. ขอบเขตด้านตัวแปรที่ใช้ศึกษา ตัวแปรอิสระ ได้แก่ ปริมาณน้ำฝนสูงสุดรายวัน (หน่วย : มิลลิเมตร) ตัวแปรตาม ได้แก่ อุณหภูมิสูงสุดรายวัน ความเร็วลมสูงสุดรายวัน ความกดอากาศจาก ระดับน้ำทะเลสูงสุดรายเดือน ความชื้นสัมพัทธ์สูงสุดรายวัน ปริมาณน้ำท่า ปริมาณน้ำในเขื่อนหรืออ่างเก็บน้ำ ปริมาณน้ำ รายละเอียดของตัวแปรที่ใช้ในการศึกษาจำแนกตามประเภทของตัวแปรเป็นดังตารางที่ 1.2 และ ภาพที่ 1.14 ตารางที่ 1.2 รายละเอียดตัวแปรที่นำมาวิเคราะห์และที่มาของข้อมูล จำแนกตามประเภทของข้อมูล ลำดับ ประเภท รายละเอียด ที่มา 1 ด้านอุตุนิยมวิทยา ปริมาณน้ำฝนสูงสุดรายวัน ปริมาณน้ำฝนสะสมรายเดือน ปริมาณน้ำฝนสะสมรายปี ปริมาณน้ำฝนสะสม 10 วัน อุณหภูมิต่ำสุด อุณหภูมิสูงสุด ความชื้นสัมพัทธ์ ความเร็วลมสูงสุดรายวัน จำนวนพายุหมุนรายปี ความกดอากาศ กรมอุตุนิยมวิทยา 2 ด้านอุทกวิทยา ปริมาณน้ำท่า(Runoff) อัตราการไหลของกระแสน้ำ (Stream flow) ระดับน้ำหน้าเขื่อน ปริมาณน้ำระบาย ระดับน้ำเก็บกัก ระดับตลิ่ง ความจุอ่างเก็บน้ำ กรมชลประทาน 3 ด้านความเสียหาย ในเขตพื้นที่ศึกษา จำนวนตำบล จำนวนหมู่บ้าน ครัวเรือน/คน พื้นที่เกษตร วงเงินที่ใช้จ่ายเงินชดเชย กระทรวงเกษตร และสหกรณ์ กรมบรรเทา สาธารณภัย

บทนำ 15 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ภาพที่ 1.14 รายละเอียดของตัวแปรที่ใช้ในการศึกษาจำแนกตามประเภทของตัวแปร 3) ข้อมูลที่ใช้ ข้อมูลที่ใช้คือปริมาณน้ำฝนสะสมสูงสุดกับตัวแปรสภาพภูมิอากาศ ที่เก็บรวบรวมโดยสถานีตรวจวัด อากาศของกรมอุตุนิยมวิทยาจำนวน 17 สถานีโดยมีระยะเวลาของการจัดเก็บข้อมูลจำนวน 39 ปี ตั้งแต่เดือน มกราคม พ.ศ. 2527 ถึง เดือนธันวาคม พ.ศ. 2565 แสดงดังตารางที่ 1.3 และผู้วิจัยได้นำข้อมูลจากสถานี ตรวจวัดน้ำฝนรายอำเภอที่อยู่ในพื้นที่ลุ่มน้ำมูลมาประกอบการวิเคราะห์โดยระยะเวลาของการจัดเก็บข้อมูล ตั้งแต่เดือนมกราคม พ.ศ. 2527 ถึง เดือนกันยายน พ.ศ. 2565 จำนวนทั้งหมด 149 สถานี และครอบคุลม

16 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture พื้นที่ที่ทำการศึกษา แสดงดังตารางที่ 1.4 โดยผู้วิจัยได้แบ่งออกเป็น 3 กลุ่มพื้นที่ ได้แก่ ลำน้ำมูลตอนบน ลำ น้ำมูลตอนกลาง และลำน้ำมูลตอนล่าง แสดงดังภาพที่ 1.15 ภาพที่ 1.15 แผนที่ลุ่มน้ำมูลแสดงพิกัดที่ตั้งสถานีตรวจวัดปริมาณน้ำฝนที่ใช้ในงานวิจัยทั้ง 165 แห่ง ตารางที่ 1.3 สถานที่ตรวจวัดอากาศของกรมอุตุนิยมวิทยาที่ครอบคุลมพื้นที่ที่ทำการศึกษา รหัสเรียก และ กลุ่มพื้นที่ รหัสเรียก สถานี สถานีอุตุนิยมวิทยา จังหวัด ผลกระทบต่อลุ่มน้ำมูล ST1 48431 ปากช่อง สกษ. นครราชสีมา ทางตรง ST2 48434 โชคชัย นครราชสีมา ทางตรง ST3 48435 นครราชสีมา นครราชสีมา ทางตรง ST4 48437 นางรอง บุรีรัมย์ ทางตรง ST5 48436 บุรีรัมย์ บุรีรัมย์ ทางตรง ST6 48416 ท่าตูม สุรินทร์ ทางตรง ST7 48432 สุรินทร์ สุรินทร์ ทางตรง ST8 48433 สุรินทร์สกษ. สุรินทร์ ทางตรง ST9 48409 ศรีสะเกษ ศรีสะเกษ ทางตรง ST10 48407 อุบลราชธานี(ศูนย์ฯ) อุบลราชธานี ทางตรง

บทนำ 17 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ รหัสเรียก สถานี สถานีอุตุนิยมวิทยา จังหวัด ผลกระทบต่อลุ่มน้ำมูล ST11 48408 อุบลราชธานีสกษ. อุบลราชธานี ทางตรง ST12 48403 ชัยภูมิ ชัยภูมิ ทางอ้อม ST13 48381 ขอนแก่น ขอนแก่น ทางอ้อม ST14 48384 ท่าพระ สกษ. ขอนแก่น ทางอ้อม ST15 48382 มหาสารคาม มหาสารคาม ทางอ้อม ST16 48404 ร้อยเอ็ด สกษ. ร้อยเอ็ด ทางอ้อม ST17 48405 ร้อยเอ็ด ร้อยเอ็ด ทางอ้อม ตาราง 1.4 รายชื่อสถานีตรวจวัดปริมาณน้ำฝนรายอำเภอ 149 แห่ง ที่อยู่ในพื้นที่ลุ่มน้ำมูล รหัสเรียก ละติจูด ลองติจูด อำเภอ/จังหวัด SST1 103.259 14.772 อ.กระสัง จ.บุรีรัมย์ SST2 104.782 14.451 อ.กันทรลักษ์ จ.ศรีสะเกษ SST3 104.506 14.97 อ.กันทรารมย์ จ.ศรีสะเกษ SST4 103.44 14.447 อ.กาบเชิง จ.สุรินทร์ SST5 104.975 15.735 อ.กุดข้าวปุ้น จ.อุบลราชธานี SST6 104.375 15.906 อ.กุดชุม จ.ยโสธร SST7 102.938 15.915 อ.กุดรัง จ.มหาสารคาม SST8 103.536 15.442 อ.เกษตรวิสัย จ.ร้อยเอ็ด SST9 101.908 14.936 อ.ขามทะเลสอ จ.นครราชสีมา SST10 102.153 15.288 อ.ขามสะแกแสง จ.นครราชสีมา SST11 104.267 14.549 อ.ขุขันธ์ จ.ศรีสะเกษ SST12 104.343 14.484 อ.ขุนหาญ จ.ศรีสะเกษ SST13 103.599 14.943 อ.เขวาสินรินทร์ จ.สุรินทร์ SST14 104.663 15.3 อ.เขื่องใน จ.อุบลราชธานี SST15 105.453 15.284 อ.โขงเจียม จ.อุบลราชธานี SST16 102.385 15.28 อ.โนนสูง จ.นครราชสีมา SST17 102.342 14.333 อ.ครบุรี จ.นครราชสีมา SST18 104.476 15.542 อ.คำเขื่อนแก้ว จ.ยโสธร SST19 103.017 15.129 อ.คูเมือง จ.บุรีรัมย์ SST20 103.184 15.246 อ.แคนดง จ.บุรีรัมย์

18 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture รหัสเรียก ละติจูด ลองติจูด อำเภอ/จังหวัด SST21 103.44 15.73 อ.จตุรพักตรพิมาน จ.ร้อยเอ็ด SST22 103.674 15.055 อ.จอมพระ จ.สุรินทร์ SST23 102.486 14.822 อ.จักราช จ.นครราชสีมา SST24 101.927 15.451 อ.จัตุรัส จ.ชัยภูมิ SST25 102.925 14.477 อ.เฉลิมพระเกียรติ จ.บุรีรัมย์ SST26 102.865 14.723 อ.นางรอง จ.บุรีรัมย์ SST27 103.539 15.306 อ.ชุมพลบุรี จ.สุรินทร์ SST28 102.76 15.097 อ.ชุมพวง จ.นครราชสีมา SST29 102.179 14.607 อ.โชคชัย จ.นครราชสีมา SST30 105.029 15.303 อ.ดอนมดแดง จ.อุบลราชธานี SST31 101.736 15.078 อ.ด่านขุนทด จ.นครราชสีมา SST32 105.109 14.642 อ.เดชอุดม จ.อุบลราชธานี SST33 105.06 15.429 อ.ตระการพืชผล จ.อุบลราชธานี SST34 105.135 15.308 อ.ตาลสุม จ.อุบลราชธานี SST35 104.307 15.889 อ.ทรายมูล จ.ยโสธร SST36 103.697 15.17 อ.ท่าตูม จ.สุรินทร์ SST37 104.917 14.657 อ.ทุ่งศรีอุดม จ.อุบลราชธานี SST38 101.536 15.214 อ.เทพารักษ์ จ.นครราชสีมา SST39 104.499 15.989 อ.ไทยเจริญ จ.ยโสธร SST40 102.767 14.467 อ.นางรอง จ.บุรีรัมย์ SST41 105.2 14.438 อ.นาจะหลวย จ.อุบลราชธานี SST42 103.104 15.708 อ.นาเชือก จ.มหาสารคาม SST43 103.242 15.657 อ.นาดูน จ.มหาสารคาม SST44 102.967 15.612 อ.นาโพธิ์ จ.บุรีรัมย์ SST45 105.089 14.977 อ.นาเยีย จ.อุบลราชธานี SST46 104.602 14.82 อ.น้ำเกลี้ยง จ.ศรีสะเกษ SST47 104.879 14.468 อ.น้ำขุ่น จ.อุบลราชธานี SST48 105.11 14.413 อ.น้ำยืน จ.อุบลราชธานี SST49 104.577 16.266 อ.นิคมคำสร้อย จ.มุกดาหาร SST50 104.773 14.832 อ.โนนคูณ จ.ศรีสะเกษ

บทนำ 19 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ รหัสเรียก ละติจูด ลองติจูด อำเภอ/จังหวัด SST51 102.689 14.189 อ.โนนดินแดง จ.บุรีรัมย์ SST52 102.539 15.38 อ.โนนแดง จ.นครราชสีมา SST53 102.062 15.073 อ.โนนไทย จ.นครราชสีมา SST54 103.893 15.114 อ.โนนนารายณ์ จ.สุรินทร์ SST55 102.489 14.51 อ.โนนสุวรรณ จ.บุรีรัมย์ SST56 102.256 15.056 อ.โนนสูง จ.นครราชสีมา SST57 103.089 15.865 อ.บรบือ จ.มหาสารคาม SST58 103.963 14.426 อ.บัวเชด จ.สุรินทร์ SST59 102.514 15.617 อ.สีดา จ.นครราชสีมา SST60 102.47 15.468 อ.บัวใหญ่ จ.นครราชสีมา SST61 103.146 14.37 อ.บ้านกรวด จ.บุรีรัมย์ SST62 103.199 15.06 อ.บ้านด่าน จ.บุรีรัมย์ SST63 102.785 15.885 อ.บ้านไผ่ จ.ขอนแก่น SST64 102.843 15.522 อ.บ้านใหม่ไชยพจน์ จ.บุรีรัมย์ SST65 104.061 15.273 อ.บึงบูรพ์ จ.ศรีสะเกษ SST66 105.339 14.558 อ.บุณฑริก จ.อุบลราชธานี SST67 104.744 14.726 อ.เบญจลักษ์ จ.ศรีสะเกษ SST68 103.405 15.54 อ.ปทุมรัตต์ จ.ร้อยเอ็ด SST69 104.872 15.767 อ.ปทุมราชวงศา จ.อำนาจเจริญ SST70 103.015 14.419 อ.ประโคนชัย จ.บุรีรัมย์ SST71 102.754 15.435 อ.ประทาย จ.นครราชสีมา SST72 104.003 14.748 อ.ปรางค์กู่ จ.ศรีสะเกษ SST73 103.386 14.497 อ.ปราสาท จ.สุรินทร์ SST74 102.693 14.358 อ.ปะคำ จ.บุรีรัมย์ SST75 101.826 14.507 อ.ปักธงชัย จ.นครราชสีมา SST76 101.385 14.436 อ.ปากช่อง จ.นครราชสีมา SST77 104.366 15.755 อ.ป่าติ้ว จ.ยโสธร SST78 102.911 15.819 อ.เปือยน้อย จ.ขอนแก่น SST79 103.233 14.376 อ.พนมดงรัก จ.สุรินทร์ SST80 104.091 15.554 อ.พนมไพร จ.ร้อยเอ็ด

20 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture รหัสเรียก ละติจูด ลองติจูด อำเภอ/จังหวัด SST81 104.884 15.554 อ.พนา จ.อำนาจเจริญ SST82 103.318 15.424 อ.พยัคฆภูมิพิสัย จ.มหาสารคาม SST83 104.434 14.831 อ.พยุห์ จ.ศรีสะเกษ SST84 101.975 15.235 อ.พระทองคำ จ.นครราชสีมา SST85 102.55 15.712 อ.พล จ.ขอนแก่น SST86 103.142 14.632 อ.พลับพลาชัย จ.บุรีรัมย์ SST87 105.283 14.961 อ.พิบูลมังสาหาร จ.อุบลราชธานี SST88 102.473 15.085 อ.พิมาย จ.นครราชสีมา SST89 103.089 15.444 อ.พุทไธสง จ.บุรีรัมย์ SST90 104.089 15.179 อ.โพธิ์ศรีสุวรรณ จ.ศรีสะเกษ SST91 103.986 15.423 อ.โพนทราย จ.ร้อยเอ็ด SST92 104.315 14.663 อ.ไพรบึง จ.ศรีสะเกษ SST93 104.065 14.436 อ.ภูสิงห์ จ.ศรีสะเกษ SST94 104.76 15.374 อ.ม่วงสามสิบ จ.อุบลราชธานี SST95 104.204 15.478 อ.มหาชนะชัย จ.ยโสธร SST96 102.096 14.801 อ.เมืองนครราชสีมา จ.นครราชสีมา SST97 104.062 15.132 อ.เมืองจันทร์ จ.ศรีสะเกษ SST98 102.949 14.77 อ.เมืองบุรีรัมย์ จ.บุรีรัมย์ SST99 104.238 15.751 อ.เมืองยโสธร จ.ยโสธร SST100 102.903 15.382 อ.เมืองยาง จ.นครราชสีมา SST101 104.348 14.956 อ.เมืองศรีสะเกษ จ.ศรีสะเกษ SST102 103.739 15.733 อ.เมืองสรวง จ.ร้อยเอ็ด SST103 103.6 14.692 อ.เมืองสุรินทร์ จ.สุรินทร์ SST104 104.776 15.744 อ.เมืองอำนาจเจริญ จ.อำนาจเจริญ SST105 104.813 15.209 อ.เมืองอุบลราชธานี จ.อุบลราชธานี SST106 104.411 15.17 อ.ยางชุมน้อย จ.ศรีสะเกษ SST107 103.047 15.593 อ.ยางสีสุราช จ.มหาสารคาม SST108 103.82 15.207 อ.รัตนบุรี จ.สุรินทร์ SST109 104.204 15.243 อ.ราษีไศล จ.ศรีสะเกษ SST110 102.934 14.25 อ.ละหานทราย จ.บุรีรัมย์

บทนำ 21 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ รหัสเรียก ละติจูด ลองติจูด อำเภอ/จังหวัด SST111 103.633 14.645 อ.ลำดวน จ.สุรินทร์ SST112 102.929 15.189 อ.ลำทะเมนชัย จ.นครราชสีมา SST113 102.913 14.823 อ.ลำปลายมาศ จ.บุรีรัมย์ SST114 104.799 15.604 อ.ลืออำนาจ จ.อำนาจเจริญ SST115 104.541 16.077 อ.เลิงนกทา จ.ยโสธร SST116 101.919 14.362 อ.วังน้ำเขียว จ.นครราชสีมา SST117 104.293 14.89 อ.วังหิน จ.ศรีสะเกษ SST118 103.398 15.714 อ.วาปีปทุม จ.มหาสารคาม SST119 104.912 14.953 อ.วารินชำราบ จ.อุบลราชธานี SST120 103.861 14.706 อ.ศรีณรงค์ จ.สุรินทร์ SST121 105.358 15.376 อ.ศรีเมืองใหม่ จ.อุบลราชธานี SST122 104.501 14.722 ต.ศรีรัตนะ จ.ศรีสะเกษ SST123 104.052 15.427 อ.ศิลาลาด จ.ศรีสะเกษ SST124 103.766 14.78 อ.ศีขรภูมิ จ.สุรินทร์ SST125 103.345 15.113 อ.สตึก จ.บุรีรัมย์ SST126 103.8 15.107 อ.สนม จ.สุรินทร์ SST127 105.122 15.167 อ.พิบูลมังสาหาร จ.อุบลราชธานี SST128 103.841 14.423 อ.สังขะ จ.สุรินทร์ SST129 104.836 14.85 อ.สำโรง จ.อุบลราชธานี SST130 103.926 14.911 อ.สำโรงทาบ จ.สุรินทร์ SST131 105.435 14.922 อ.สิรินธร จ.อุบลราชธานี SST132 101.648 14.739 อ.สีคิ้ว จ.นครราชสีมา SST133 102.514 15.489 อ.สีดา จ.นครราชสีมา SST134 103.772 15.441 อ.สุวรรณภูมิ จ.ร้อยเอ็ด SST135 101.698 14.698 อ.สูงเนิน จ.นครราชสีมา SST136 104.793 15.984 อ.เสนางคนิคม จ.อำนาจเจริญ SST137 102.383 14.285 อ.เสิงสาง จ.นครราชสีมา SST138 102.487 14.588 อ.หนองกี่ จ.บุรีรัมย์ SST139 102.438 14.61 อ.หนองบุญมาก จ.นครราชสีมา SST140 102.786 15.635 อ.หนองสองห้อง จ.ขอนแก่น

22 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture รหัสเรียก ละติจูด ลองติจูด อำเภอ/จังหวัด SST141 102.614 14.801 อ.หนองหงส์ จ.บุรีรัมย์ SST142 104.064 15.53 อ.หนองฮี จ.ร้อยเอ็ด SST143 102.61 14.942 อ.ห้วยแถลง จ.นครราชสีมา SST144 104.039 14.926 อ.ห้วยทับทัน จ.ศรีสะเกษ SST145 103.178 14.909 อ.ห้วยราช จ.บุรีรัมย์ SST146 104.541 15.56 อ.หัวตะพาน จ.อำนาจเจริญ SST147 104.932 15.345 อ.เหล่าเสือโก้ก จ.อุบลราชธานี SST148 103.985 15.748 อ.อาจสามารถ จ.ร้อยเอ็ด SST149 104.109 14.956 อ.อุทุมพรพิสัย จ.ศรีสะเกษ 1.4 ประโยชน์ที่คาดว่าจะได้รับ 1. หน่วยงานที่เกี่ยวข้องสามารถนำสารสนเทศที่ได้จากผลการวิจัยนี้ไปใช้เพื่อวางแผนการจัดการ บริหารน้ำได้อย่างแม่นยำสำหรับการเกษตรในพื้นที่แล้งซ้ำซากลุ่มน้ำมูล 2. หน่วยงานที่เกี่ยวข้อง เช่น กรมชลประทาน กรมอุตุนิยมวิทยา กระทรวงเกษตรและสหกรณ์ สามารถนำแบบจำลองเชิงพื้นที่ค่าสุดขีดสำหรับปริมาณน้ำฝนสะสมสูงสุดในวันที่ฝนตกต่อเนื่องกันในภาคะวัน ออกเฉียงเหนือ ไปประยุกต์ใช้กับสถานการณ์จริง 3. หน่วยงานที่เกี่ยวข้องสามารถนำผลการวิจัยเกี่ยวกับปริมาณน้ำที่เป็นไปได้จากปริมาณน้ำฝนสะสม สูงสุดในวันที่ฝนตกต่อเนื่องกันไปเป็นสารสนเทศเบื้องต้นในการกำหนดเกณฑ์การกักเก็บน้ำ 4. ได้องค์ความรู้ใหม่เพื่อพัฒนาไปสู่ความเป็นเลิศทางวิชาการและติดตามผล การวิจัยทางวิทยาศาสตร์ วิศวกรรมศาสตร์ เทคโนโลยีระดับสูงทางด้านการคำนวณด้วยเครื่องคอมพิวเตอร์และเพื่อการแข่งขัน สู่ความ เป็นเลิศทางวิชาการซึ่งประเทศไทยยังขาดอยู่อย่างมาก 5. ได้ต้นแบบและรูปแบบการบริหารจัดการน้ำเพื่อการเกษตรในพื้นที่สุ่มเสี่ยงต่อการเกิดภัยแล้งซ้ำซาก ลุ่มน้ำมูล 6. เกษตรกรและประชาชนสามารถเข้าถึงข้อมูลภัยแล้งได้อย่างรวดเร็ว

บทนำ 23 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 1.5 นิยามศัพท์เฉพาะ ปริมาณน้ำฝน (Rainfall) หมายถึง ระดับความลึกของน้ำฝนในภาชนะที่รองรับน้ำฝน ทั้งนี้ภาชนะที่ รองรับน้ำฝนจะต้องตั้งอยู่ในแนวระดับ และวัดในช่วงเวลาที่กำหนด หน่วยที่ใช้วัดปริมาณน้ำฝนนิยมใช้ใน หน่วยของมิลลิเมตร การวัดปริมาณน้ำฝนจะใช้เครื่องมือที่เรียกว่า "เครื่องวัดปริมาณน้ำฝน (Rain gauge) " ซึ่ง จะตั้งไว้กลางแจ้งเพื่อรับน้ำฝนที่ตกลงมา ปริมาณน้ำฝนที่ตกมากสุดส่วนใหญ่จะเป็นช่วง เดือน พฤษภาคม, มิถุนายน, กรกฎคม, สิงหาคม, กันยายน ซึ่งเป็นช่วงฤดูฝนของประเทศไทย อุณหภูมิ(Temperature) หมายถึง การวัดค่าเฉลี่ยของพลังงานจลน์ซึ่งเกิดขึ้นจากอะตอมแต่ละตัว หรือแต่ละโมเลกุลของสสาร เมื่อเราใส่พลังงานความร้อนให้กับสสาร อะตอมของมันจะเคลื่อนที่เร็วขึ้น ทำให้ อุณหภูมิสูงขึ้น แต่เมื่อเราลดพลังงานความร้อน อะตอมของสสารจะเคลื่อนที่ช้าลง ทำให้อุณหภูมิลดต่ำลง ความชื้นสัมพัทธ์ (Relative Humidity) หมายถึง อัตราส่วน ของปริมาณไอน้ำที่มีในอากาศ ณ ขณะนั้น เทียบกับปริมาณไอน้ำที่อากาศจะรองรับได้หากระดับไอน้ำ ณ ขณะนั้นมากเกินกว่า (> 100%) ความสามารถของอากาศจะรองรับได้ไอน้ำจะควบแน่น (Condensation) และกลายเป็นหยดน้ำในที่สุด แรงดันไอน้ำ และความสามารถในการรองรับปริมาณไอน้ำ ณ อุณหภูมิที่สูงกว่า จะมีมากกว่าแรงดันไอน้ำ และ ความสามารถ ในการรองรับปริมาณไอน้ำ ณ อุณหภูมิที่ต่ำกว่า โดยเหตุนี้การเปลี่ยนแปลงของอุณหภูมิ จะมี ผลโดยตรงต่อแรงดันไอน้ำ และความสามารถดังกล่าว ระดับอุณหภูมิที่ทำให้ไอน้ำเกิดการอิ่มตัว (Saturation) และควบแน่น เรียกว่า จุดน้ำค้าง (Dew Point) ความเร็วลม (Wind Speed) คือ อัตราเร็วของการเคลื่อนที่ของอากาศที่ทำให้เกิดแรงหรือความกดที่ ผ่านจุดที่กำหนดให้บนพื้นผิวโลก และแรงหรือความกดเป็นสัดส่วนกับกำลัง 2 ของความเร็วลม ความเร็วลมมี ผลกระทบต่อการการพยากรณ์อากาศ เครื่องบิน การเดินทางทางทะเล โครงการก่อสร้าง และการเจริญเติบโต และอัตราการเผาผลาญของพืชหลายชนิด และผลกระทบอื่นๆอีกมากมาย วัดด้วยเครื่องวัดความเร็วลม (Anemometer) ซึ่งอาจจะมีหน่วยเป็น เมตรต่อวินาที กิโลเมตรต่อชั่วโมง ไมล์ต่อชั่วโมง หรือ น็อต เป็นต้น แต่ยังสามารถจำแนกได้โดยใช้โบฟอร์ตสเกล (Beaufort scale) ปัจจัยที่มีผลกระทบต่อความเร็วลม คือ การ กระจายของความกดอากาศ คลื่นในทะเล และสภาพอากาศท้องถิ่น ความกดอากาศ(Air Pressure) หมายถึง แรงที่กระทำต่อพื้นโลกอันเนื่องจากน้ำหนักของอากาศ ณ จุดใดจุดหนึ่งเป็นลำของบรรยากาศตั้งแต่พื้นโลกขึ้นไป จนถึงเขตสูงสุดของบรรยากาศ สามารถตรวจวัดความ กดอากาศ ได้โดยเครื่องมือที่เรียกว่า " บาโรมิเตอร์ " (Barometer) มีหน่วยของการตรวจวัดเป็น มิลลิบาร์ หรือ ปอนด์ต่อตารางนิ้ว

24 บทนำ Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture น้ำท่า (Runoff) หมายถึง น้ำฝนส่วนที่ตกลงบนผิวดินแล้วไหลไปตามผิวดินลงสู่ลำน้ำหลังจากที่ บางส่วนได้ระเหยและรั่วซึมลงไปในดินแล้ว ในระหว่างที่น้ำไหลไปตามผิวดินเรียกว่า Overland Flow เมื่อ ไหลลงลำน้ำแล้วเรียกว่า Stream Flow ตามปกติปริมาณน้ำส่วนที่ไหลลงลำน้ำจะมีค่าประมาณ 15%-35% ของปริมาณฝนที่วัดได้ ทั้งนี้ขึ้นอยู่กับสภาพภูมิอากาศ ดิน ทางน้ำ ลักษณะของลุ่มน้ำ สภาพพื้นที่ และสภาพ ป่าไม้ในเขตลุ่มน้ำ ฯลฯ ความจุอ่างเก็บน้ำ (gross capacity reservoir) หมายถึง ความจุรวมของอ่างเก็บน้ำคิดตั้งแต่ท้องลำ น้ำจนถึงระดับกักเก็บ เรียกอีกอย่างว่า gross storage, reservoir capacity หรือ storage capacity ระดับน้ำกักเก็บ (storage level) หมายถึง ระดับน้ำกักเก็บในอ่างเก็บน้ำหรือเขื่อนโดยไม่ล้นตลิ่ง อัตราการไหลของกระแสน้ำ (Stream flow) หมายถึง ปริมาณน้ำที่ไหลในลำน้ำที่ไหลเข้ามาในลุ่มน้ำ และไหลออกจากลุ่มน้ำ ระดับการเกิดซ้ำ (Return Level) หมายถึง การวิเคราะห์ความถี่ของการเกิดเหตุการณ์ในรูปแบบของ ความน่าจะเป็น หรือโอกาสที่จะเกิดเหตุการณ์นั้น ๆ โดยเฉลี่ยอย่างน้อย 1 ครั้ง ในรอบปีการเกิดซ้ำ (T) นั้น ๆ รอบปีการเกิดซ้ำ (Return Period) หมายถึง จำนวนปีโดยเฉลี่ยระหว่างอุณหภูมิสูงสุดซึ่งมีจำนวน เท่ากับหรือมากกว่าจำนวนอุณหภูมิสูงสุดที่กำหนดหรือพิจารณา โดยเฉลี่ยอย่างน้อย 1 ครั้ง ซึ่งอาจจะเกิดขึ้น ในปีใดก็ได้ โดยที่รอบปีการเกิดซ้ำผกผันกับความน่าจะเป็น หรือโอกาสที่จะเกิดเหตุการณ์ (P)

บทที่ 2 วิธีดำเนินการวิจัย งานวิจัยนี้เป็นการพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ใน ลุ่มน้ำมูลเพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ทั้งนี้ผู้วิจัยได้ กำหนดวิธีการดำเนินการวิจัยตามวัตถุประสงค์ที่กำหนดไว้ โดยในบทนี้ผู้วิจัยอธิบายการดำเนินการวิจัยตาม หัวข้อ รายละเอียดดังนี้ 2.1 การทบทวนวรรณกรรม/สารสนเทศที่เกี่ยวข้อง 2.2 วิธีการดำเนินการวิจัย 2.2.1 ข้อมูลที่ใช้ในการศึกษา 2.2.2 สถิติที่ใช้ในการวิเคราะห์ 1) อนุกรมเวลา 2) ทฤษฎีเกรย์ 3) การเรียนรู้ของเครื่องคอมพิวเตอร์ (Machine Learning) 4) ทฤษฎีค่าสุดขีด 2.2.3 การจัดกระทำกับข้อมูลและการวิเคราะห์ข้อมูล 1) การแปลงข้อมูล 2) การวิเคราะห์ดัชนีความแห้งแล้ง (Drought Index) 3) การวิเคราะห์ข้อมูลปริมาณน้ำฝนสะสมราย 10 วัน 4) การวิเคราะห์ข้อมูลปริมาณน้ำฝนสะสมเคลื่อนที่ราย 10 วัน 5) การวิเคราะห์ข้อมูลปริมาณน้ำฝนรวมรายสัปดาห์/รายเดือน/รายปี 6) การวิเคราะห์ข้อมูลความเสียหายในพื้นที่เป้าหมาย 2.3 กรอบแนวคิดการวิจัย 2.4 แผนผังสรุปวิธีดำเนินการวิจัย รายละเอียดดังต่อไปนี้

26 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2.1 การทบทวนวรรณกรรม/สารสนเทศที่เกี่ยวข้อง ความหมายของภัยแล้ง (Drought) ด้านอุตุนิยมวิทยา : ฝนแล้ง หมายถึง สภาวะที่มีฝนน้อยหรือไม่มีฝนเลยในช่วงเวลาหนึ่ง ซึ่ง ตามปกติควรจะต้องมีฝน โดยขึ้นอยู่กับสถานที่และฤดูกาล ณ ที่นั้น ๆ ด้วย ด้านการเกษตร : ฝนแล้ง หมายถึง สภาวะการขาดแคลนน้ำของพืช ด้านอุทกวิทยา : ฝนแล้ง หมายถึง สภาวะที่ระดับน้ำผิวดินและใต้ดินลดลงหรือน้ำในแม่น้ำ ลำคลองลดลง ด้านเศรษฐศาสตร์ : ฝนแล้ง หมายถึง สภาวะการขาดแคลนน้ำซึ่งมีผลกระทบต่อสภาพเศรษฐกิจ ในภูมิภาค ภัยแล้งในประเทศไทยจะเกิดใน 2 ช่วง ได้แก่ 1. ช่วงฤดูหนาวต่อเนื่องถึงฤดูร้อน ซึ่งเริ่มจากครึ่งหลังของเดือนตุลาคมเป็นต้นไป บริเวณ ประเทศไทยตอนบน (ภาคเหนือ ภาคตะวันออกเฉียงเหนือ ภาคกลางและภาคตะวันออก) จะมีปริมาณฝน ลดลงเป็นลำดับ จนกระทั่งเข้าสู่ฤดูฝนในช่วงกลางเดือนพฤษภาคมของ ปีถัดไป ซึ่งภัยแล้งลักษณะนี้จะเกิดขึ้น เป็นประจำทุกปี 2. ช่วงกลางฤดูฝน ประมาณปลายเดือนมิถุนายนถึงเดือนกรกฎาคม จะมีฝนทิ้งช่วงเกิดขึ้น ภัยแล้งลักษณะนี้จะเกิดขึ้นเฉพาะท้องถิ่นหรือบางบริเวณ บางครั้งอาจครอบคลุมพื้นที่เป็นบริเวณกว้างเกือบทั่ว ประเทศ 2.1.1 ระบบสารสนเทศภูมิศาสตร์เพื่อประเมินพื้นที่เสี่ยงภัย กาญจนา มีจริง และคณะ (2562) ศึกษาการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์เพื่อประเมิน พื้นที่เสี่ยงน้ำท่วมและพื้นที่รับน้ำ กรณีศึกษาพื้นที่ทางทิศใต้ของจังหวัดสุพรรณบุรี โดยงานวิจัยนี้มีวัตถุประสงค์ เพื่อประเมินพื้นที่เสี่ยงน้ำท่วมและประเมินพื้นที่รองรับน้ำของ 4 อำเภอตอนล่างของจังหวัดสุพรรณบุรีด้วย ระบบสารสนเทศภูมิศาสตร์ การวิเคราะห์แบบลำดับชั้นในวิธีการวิเคราะห์การตัดสินใจหลายหลักเกณฑ์ สำหรับจำลองพื้นที่เสี่ยงน้ำท่วมใช้ปัจจัยสำหรับศึกษา 5 ปัจจัย ได้แก่ ปริมาณน้ำฝน การระบายน้ำของดิน ความลาดชัน ระยะห่างจากแหล่งน้ำ และการใช้ประโยชน์ที่ดิน ส่วนการประเมินพื้นที่รองรับน้ำใช้ 3 ปัจจัย ได้แก่ ความลาดชัน ระยะห่างจากแหล่งน้ำและการใช้ประโยชน์ที่ดิน ผลการศึกษาพบว่า พื้นที่ส่วนใหญ่เสี่ยง อยู่ในระดับปานกลาง คิดเป็นร้อยละ 44.12 และพื้นที่เสี่ยงสูงคิดเป็นร้อยละ 29.15 พื้นที่เสี่ยงเกิดน้ำท่วมมาก ได้แก่ พื้นที่อำเภอบางปลาม้าและอำเภอสองพี่น้อง ในส่วนของพื้นที่เหมาะสมมากสำหรับพัฒนาเป็นพื้นที่ รองรับน้ำมีพื้นที่เท่ากับ 849 ตร.กม. คิดเป็นร้อยละ 22.19 ของพื้นที่ทั้งหมด จากการเปรียบเทียบแบบจำลอง พื้นที่เสี่ยงน้ำท่วมและพื้นที่รองรับน้ำ พบว่ามี 4 พื้นที่เหมาะสมนำมาพัฒนาเป็นพื้นที่รองรับน้ำ คือ พื้นที่ตำบล จระเข้สามพันในอำเภออู่ทอง พื้นที่ตำบลบางตะเคียนในอำเภอสองพี่น้อง พื้นที่ตำบลตลิ่งชันในอำเภอเมือง และพื้นที่รอยต่อระหว่างตำบลโคโคเฒ่าอำเภอเมืองและตำบลโคกครามอำเภอบางปลาม้า

วิธีดำเนินการวิจัย 27 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ สุรศักดิ์ วงค์ษา และจินตนา อมรสงวนสิน (2561) ศึกษาการประเมินศักยภาพเชิงพื้นที่เพื่อ สำรวจความเสี่ยงภัยแล้งในจังหวัดลำปางโดยการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ ้มีวัตถุประสงค์เพื่อ ประเมินศักยภาพเชิงพื้นที่โดยประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์เพื่อสำรวจความเสี่ยงภัยแล้งในจังหวัด ลำปาง ผลการศึกษาศักยภาพเชิงพื้นที่ด้วยเทคนิคการซ้อนทับ (Overlay Technique) ซึ่งมีปัจจัยที่ใช้ใน การศึกษา ได้แก่ ปริมาณน้ำฝนเฉลี่ยรายปี พื้นที่ป่าไม้ ระยะห่างจากพื้นที่แหล่งน้ำ ลักษณะของเนื้อดิน การระบายน้ำของดิน พื้นที่เกษตรกรรม พื้นที่อุตสาหกรรม และพื้นที่ชุมชน ซึ่งได้ค่าถ่วงน้ำหนักจากการ รวบรวมข้อมูลผ่านแบบสอบถามผู้เชี่ยวชาญ จำนวน 26 คน ทำให้สามารถจำแนกพื้นที่เสี่ยงภัยแล้งออกเป็น 5 ระดับ ได้แก่ พื้นที่เสี่ยงภัยแล้งระดับมากที่สุดมีพื้นที่ 941.45 ตร.กม. (ร้อยละ 7.75) พบในตำบลล้อมแรด อำเภอเถินรุนแรงที่สุด ในขณะที่พื้นที่เสี่ยงภัยแล้งระดับมากมีพื้นที่ 2,975.60 ตร.กม. (ร้อยละ 23.74) พบใน ตำบลเวียงมอก อำเภอเถินสูงที่สุด ส่วนพื้นที่เสี่ยงภัยแล้งระดับปานกลางมีพื้นที่ 6,076.61 ตร.กม. (ร้อยละ 48.48) พบในตำบลจางเหนือ อำเภอแม่เมาะมากที่สุด เช่นเดียวกับพื้นที่เสี่ยงภัยแล้งระดับน้อยมีพื้นที่ 2,410.19 ตร.กม. (ร้อยละ 19.23) พบในตำบลบ้านร้อง อำเภองาวเป็นส่วนใหญ่และพื้นที่เสี่ยงภัยแล้งระดับ น้อยที่สุดมีพื้นที่ 100.11 (ร้อยละ 0.80) พบในตำบลเวียงมอก อำเภอเถินเป็นบริเวณกว้างที่สุด รวมพื้นที่ทั้งสิ้น 12,533.96 ตร.กม. ของจังหวัดลำปาง ประภาวรรณ เสนาเพ็ง (2560) ทำการศึกษาแบบจำลองเชิงพื้นที่ด้วยค่าสุดขีดสำหรับอุณหภูมิ สูงสุดในภาคตะวันออกเฉียงเหนือของประเทศไทย ด้วยการแจกแจงค่าสุดขีดวางนัยทั่วไป (GEV) และ แบบจำลองเชิงพื้นที่ด้วยทฤษฎีค่าสุดขีดวางนัยทั่วไป (Spatial GEV model) โดยใช้กระบวนการที่มีความ เสถียร จากผลการศึกษาพบว่า การแจกแจงไวล์บูล (WD) และการแจกแจงกัมเบล (GBD) เป็นการแจกแจงที่ เหมาะสม และเมื่อรอบปีการเกิดซ้ำเพิ่มขึ้นอุณหภูมิสูงสุดมีค่าเพิ่มสูงขึ้น ประภาวรรณ เสนาเพ็ง และปิยภัทร บุษบาบดินทร์ (2560) ได้สร้างแบบจำลองอุณหภูมิสูงสุดใน ภาคตะวันออกเฉียงเหนือของประเทศไทย โดยใช้การแจกแจงค่าสุดขีดวางนัยทั่วไป จากการศึกษาด้วย GEV พบว่า การแจกแจงไวบูล (Weibull distribution: WD) และการแจกแจงกัมเบล (Gumbel distribution: GBD) เป็นการแจกแจงที่เหมาะสมสำหรับข้อมูลอุณหภูมิสูงสุดของสถานีจำนวน 15 และ 10 สถานี ตามลำดับ และการแจกแจงที่เหมาะสมเมื่อศึกษาด้วย GPD ได้แก่ การแจกแจงแกมมา (Gamma Distribution : GMD) จำนวน 24 สถานี และการแจกแจงเอกซ์โพเนนเชียล (Exponential distribution : ED) จำนวน 1 สถานี และเมื่อพิจารณาระดับการเกิดซ้ำในรอบปีการเกิดซ้ำ 5 ปี 10 ปี 25 ปี 50 ปี และ 100 ปี ของอุณหภูมิในภาค ตะวันออกเฉียงเหนือของประเทศไทย พบว่า ระดับการเกิดซ้ำของทุกสถานีมีค่าสูงขึ้นเมื่อจำนวนรอบปีการ เกิดซ้ำเพิ่มขึ้นสำหรับทั้ง 2 วิธี โดยเฉพาะสถานีตรวจวัดอากาศจังหวัดหนองคาย มีระดับการเกิดซ้ำสูงกว่า สถานีอื่น จิระวัฒน์กณะสุต และคณะ (2559) ทำารศึกษาการบรูณาการข้อมูลอุตุ-อุทกวิทยาในลุ่มน้ำชี- มูล เพื่อจัดทำระบบช่วยตัดสินใจในการบริหารจัดการวิกฤติน้ำท่วม มีวัตถุประสงคในการบูรณาการ ข้อมูลอุตุ- อุทกวิทยาในลุ่มน้ำชี-มูลจากหน่วยงานรัฐต่างๆ ประกอบด้วย กรมอุตุนิยมวิทยา กรมชลประทาน

28 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture กรมทรัพยากรน้ำ การไฟฟ้าฝ่ายผลิตแห่งประเทศไทย กรมทรัพยากรธรณีกรมพัฒนาที่ดิน กรมป้องกันและ บรรเทาสาธารณภัย และมหาวิทยาลัยเกษตรศาสตร์เพื่อจัดทำระบบช่วยตัดสินใจในการบริหารจัดการวิกฤติ น้ำท่วมและดินถล่มที่มีประสิทธิภาพ และสามารถนำมาประยุกต์ใช้งานได้รวมกันระหว่างหน่วยงานต่างๆ เพื่อให้เกิดประโยชน์สูงสุดในการแก้ไขปัญหาน้ำท่วมและดินถลม โครงการวิจัยนี้ได้ครอบคลุมพื้นที่ทั้งหมด 16 จังหวัดในลุ่มน้ำชี-มูล โดยมีพื้นที่เป้าหมายหลัก 3 จังหวัด คือ จังหวัดนครราชสีมา จังหวัดชัยภูมิและจังหวัด อุบลราชธานีสามารถสรุปได้ดังต่อไปนี้แบบจำลองอุตุนิยมวิทยาประกอบด้วย 3 แบบจำลองย่อย ได้แก่ แบบจำลองประเมินปริมาณน้ำฝนจากข้อมูลเรดาร์ได้ประเมินปริมาณน้ำฝนรายชั่วโมงโดยทดสอบ 3 แนวทาง ได้แก่ ใช้ข้อมูลเรดาร์พิมาย ใช้ข้อมูลเรดาร์สุรินทร์และใช้วิธีComposite radar reflectivity จากข้อมูล เรดาร์พิมายและเรดาร์สุรินทร์และพิจารณาคัดเลือกแนวทางที่เหมาะสมในการพัฒนาแบบจำลองประเมิน ปริมาณ ณ เวลาปัจจุบัน และทำนายฝนล่วงหน้า 1-3 ชั่วโมง แบบ Real time แบบจำลองประเมินปริมาณ น้ำฝนจากข้อมูลดาวเทียมได้ใช้ข้อมูลนำเข้ารายชั่วโมงที่ตรวจจับได้จากอุปกรณ์รับรู้ระยะไกลบนดาวเทียม อุตุนิยมวิทยา FY-2C/E โดยวิธีInfrared Threshold Rainfall with Probability Matching (ITR_PM) ซึ่ง ปริมาณฝนตกเพิ่มขึ้นเมื่ออุณหภูมิยอดเมฆต่ำลง โดยมีค่า Threshold ที่อุณหภูมิ253 K และแบบจำลอง ทำนายน้ำฝนรายวันล่วงหน้าจากข้อมูลดาวเทียม ซึ่งสามารถทำนายฝนรายวันล่วงหน้าในระยะเวลา 1 ถึง 5 วัน (24 ถึง 120 ชั่วโมง) พบว่า สามารถทำนายปริมาณฝนและรูปแบบการกระจายตัวใกล้เคียงกับผลการ ประมาณปริมาณน้ำฝนจากข้อมูลดาวเทียมด้วยเทคนิค ITR ยกเว้นในกรณีฝนตกหนักมากจะให้ผลการ ประมาณปริมาณต่ำกว่าผลจากข้อมูลดาวเทียมด้วยเทคนิค ITR สำหรับแบบจำลองพยากรณ์น้ำท่วมจะ ประกอบด้วยแบบจำลองย่อย 3 แบบจำลอง ได้แก่แบบจำลองน้ำฝน-น้ำท่า แบบจำลองสภาพการไหล และ แบบจำลองพยากรณ์น้ำท่วม จากผลลัพธ์พบวา สามารถนำไปใช้ไปใชในการประเมินขอบเขตพื้นที่น้ำท่วม ระดับน้ำในลำน้ำ และสามารถพยากรณ์ปริมาณน้ำและระดับน้ำลวงหนาได้ผลเป็นที่นาพอใจ และแบบจำลอง สุดทาย คือ แบบจำลองคาดการณ์พื้นที่ออนไหวต่อดินถลมได้ประยุกตใชปริมาณน้ำฝนจากแบบจำลองข้อมูล เรดาร์หรือข้อมูลดาวเทียม เพื่อการเตือนภัยดินถลมแบบใกลเวลาจริงหรือแจงเตือนลวงหนาตามข้อมูล คาด การณปริมาณน้ำฝนลวงหนาได้โดยใชข้อมูลแผนที่ DEM ขนาดความละเอียด 30x30 เมตร และใช 2 ทฤษฎี หลักในการพัฒนา คือทฤษฎีวิเคราะห์การไหลซึมของน้ำผ่านมวลดินที่ไม่อิ่มตัวด้วยน้ำและทฤษฎี การ วิเคราะห์เสถียรภาพของลาดดินแบบลาดอนันต์ สมคิด ภูมิโคกรักษ์ (2559) ศึกษาการประยุกต์ระบบสารสนเทศภูมิศาสตร์เพื่อวิเคราะห์หาพื้นที่ เสี่ยงต่อการเกิดอุทกภัยในจังหวัดนครปฐม มีจุดมุ่งหมายเพื่อประยุกต์ระบบสารสนเทศภูมิศาสตร์สำหรับ วิเคราะห์หาพื้นที่เสี่ยงต่อการเกิดอุทกภัยในจังหวัดนครปฐม โดยการจัดทำแบบจำลองลักษณะภูมิประเทศจาก โปรแกรมระบบสารสนเทศภูมิศาสตร์ ซึ่งประกอบด้วยแบบจำลองความสูงของภูมิประเทศและแบบจำลอง ระดับน้ำ ข้อมูลที่ใช้ในการสร้างแบบจำลอง ได้แก่ แผนที่ภูมิประเทศ (L7017) ข้อมูลดาวเทียมรายละเอียดสูง และข้อมูลจากการวัดระดับของพื้นที่ ผลการวิจัย พบว่า จังหวัดนครปฐมมีความแตกต่างความสูงของพื้นที่อยู่ ระหว่าง 1-15 เมตร จากระดับทะเลปานกลาง สภาพพื้นที่โดยทั่วไปมีความลาดเอียงจากทิศเหนือลงสู่ทิศใต้

วิธีดำเนินการวิจัย 29 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ และจากทิศตะวันตกลงสู่ทิศตะวันออก มีแม่น้ำท่าจีนไหลผ่านทางตอนกลางค่อนไปทางตะวันออกของพื้นที่ โดยมีพื้นที่สูงสุดบริเวณอำเภอกำแพงแสนและพื้นที่ต่ำสุดบริเวณอำเภอพุทธมณฑล จากการจำลองระดับน้ำ ในแต่ละระดับความสูงจากระดับทะเลปานกลาง พบว่า เมื่อระดับน้ำสูง 1 เมตร จะมีพื้นที่ที่เสียงต่อการเกิด อุทกภัยส่วนใหญ่อยู่ในบางส่วนของอำเภอพุทธมณฑล พื้นที่ 1 ใน 3 ของทั้งจังหวัดรวมถึงพื้นที่บริเวณทั้งสอง ฝั่งของแม่น้ำท่าจีนจะมีความเสี่ยงจากอุทกภัยเมื่อมีระดับน้ำสูง 3.9 เมตร เมื่อจำลองระดับน้ำสูง 4.0 เมตร จะมีพื้นที่เสี่ยงครอบคลุมครึ่งหนึ่งของพื้นที่ทั้งจังหวัดและมีความเสี่ยงในบริเวณด้านตะวันออกของพื้นที่ เทศบาลนครนครปฐม ที่ความสูงของระดับน้ำ 4.3 เมตร น้ำจะเริ่มเข้าสู่พื้นที่บางส่วนของอำเภอเมืองนครปฐม เมื่อจำลองระดับน้ำสูง 5 เมตร น้ำจะท่วมตัวเมืองของจังหวัดนครปฐมทั้งหมด และเมื่อจำลองระดับน้ำสูง 15 เมตร จะทำให้จังหวัดนครปฐมถูกน้ำท่วมทั้งจังหวัด ปิยภัทร บุษบาบดินทร์ และคณะ (2558) ได้สร้างแบบจำลองค่าสุดขีดปริมาณฝนในภาค ตะวันออกเฉียงเหนือตอนบนของประเทศ ไทย โดยใช้การแจกแจงค่าสุดขีดวางนัยทั่วไป (GEV) พบว่าการแจก แจงฟรีเชทเป็นการแจกแจงที่เหมาะสมกับข้อมูลปริมาณน้าฝนสูงสุดราย เดือน และการแจกแจงเอ็กโพเนน เชียลเป็นการแจกแจงที่เหมาะสมกับข้อมูลปริมาณน้ำฝนสูง สุดรายวัน ลิขิต น้อยจ่ายสิน (2558) ศึกษาการประยุกต์ระบบสารสนเทศทางภูมิศาสตร์เพื่อประเมินพื้นที่ เสี่ยงภัยน้ำท่วมในจังหวัดสระแก้ว มีวัตถุประสงค์เพื่อประเมินพื้นที่เสี่ยงภัยนำท่วมในจังหวัดสระแก้ว โดยมี ปัจจัยที่ใช้ในการศึกษา ได้แก่ ปริมาณน้ำฝนเฉลี่ย (30 ปี ) ระยะห่างจากแหล่งน้ำผิวดิน สภาพการระบายน้ำ ของดินความลาดชันของพื้นที่และการใช้ประโยชน์ที่ดิน โดยกำหนดให้ผู้เชี่ยวชาญจากหน่วยงานภาครัฐที่ เกี่ยวข้องจำนวน 10 คน ให้คะแนนความสำคัญ ( Weighting) และค่าน้ำหนักระดับปัจจัย (Rating) ผลการศึกษาจากการประยุกต์ระบบสารสนเทศภูมิศาสตร์ในการประเมินพื้นที่เสี่ยงภัยน้ำท่วมพบว่าจังหวัด สระแก้วมีพื้นที่เสี่ยงภัยน้ำท่วมน้อย 1,685.73 ตร.กม. พื้นที่เสี่ยงภัยน้ำท่วมปานกลาง 3,959.19 ตร.กม. และ พื้นที่เสี่ยงภัยน้ำท่วมมาก 1,550.52 ตร.กม. มาตรการที่ควรนำมาใช้ในการป้องกัน และบรรเทาผลกระทบ ได้แก่ การปรับปรุงสภาพลำน้ำและขยายลำน้ำเพื่อให้สามารถรองรับปริมาณน้ำฝนได้มากขึ้น การปรับปรุง ระบบระบายน้ำบริเวณพื้นที่ชุมชนเมืองที่เป็นพื้นที่เขตเศรษฐกิจอย่างเป็นระบบ และการเตรียมความพร้อมใน ระดับชุมชนที่มีความเสี่ยงจากภัยน้ำท่วมมาก สุภาพร นากา (2558) ศึกษาการวิเคราะห์พื้นที่เสี่ยงต่อการเกิดน้ำท่วมลุ่มน้ำป่าสักตอนบน อำเภอหล่มสัก จังหวัดเพชรบูรณ์ มีจุดมุ่งหมายเพื่อวิเคราะห์พื้นที่เสี่ยงต่อการเกิดน้ำท่วมลุ่มน้ำป่าสักตอนบน อำเภอหล่มสัก จังหวัดเพชรบูรณ์ โดยประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ โดยการซ้อนทับ (Overlay) เข้ามาช่วยในการศึกษาความสัมพันธ์ของปัจจัยที่มีอิทธิผลทำให้เกิดน้ำท่วม ผลการศึกษา พบว่า มี 7 ปัจจัย ที่เกี่ยวข้องได้แก่ ปริมาณน้ำฝน ความหนาแน่นลุ่มน้ำป่าสักตอนบน ความหนาแน่นลำห้วย ความลาดชัน ลักษณะพื้นที่และความสูง การใช้ประโยชน์ที่ดินและชุดดิน ซึ่งจำแนกพื้นที่ที่มีความเสี่ยงออกเป็น 5 ระดับ ได้แก่ พื้นที่เสี่ยงต่อการเกิดน้ำท่วมต่ำมาก ต่ำ ปานกลาง สูง และสูงมากซึ่งมีพื้นที่ร้อยละ 3.03, 42.81, 0.07, 3.25 และ0.14 พบว่าบริเวณแม่น้ำป่าสักตอนบนเป็นพื้นที่ที่มีความเสี่ยงต่อการเกิดน้ำท่วมสูงมาก โดยจะเกิด

30 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ในช่วงเดือนกันยายนถึงตุลาคม ระยะในการเกิดประมาณ 3-7 วัน จากการประเมินลกระทบและการหา แนวทางในการป้องกันจากการเกิดน้ำท่วม โดยการใช้แบบสอบถาม 90 ตัวอย่างจากประชาชนใน 3 ตำบล ที่ ได้รับผลกระทบจากน้ำท่วม ได้แก่ ตำบลบุ่งคล้า ตำบลบ้านไร่ และตำบลลานบ่า พบว่า พื้นที่เสี่ยงต่อการเกิด น้ำท่วมมีผลกระทบในเรื่องเกษตรกรรมมากที่สุด เนื่องจากบริเวณพื้นที่ส่วนใหญ่ประกอบอาชีพเกษตรกรรม หลัก ในการป้องกันจากการเกิดน้ำท่วมประชาชนจะมีการป้องกัน โดยสร้างกำแพงข้างลำน้ำซึ่งจะช่วยให้น้ำ ไม่เอ่อล้นมาท่วมที่อยู่อาศัย พื้นที่เกษตรกรรมและอื่นๆ อรุณ แก้วมั่น และคณะ (2558) ได้สร้างแบบจำลองค่าสุดขีดปริมาณฝนรายเดือนในภาค ตะวันออกเฉียงเหนือตอนกลางของประเทศไทย โดยใช้การแจกแจงค่าสุดขีดวางนัยทั่วไปพบว่าการแจกแจงฟรี เชทเป็นการแจกแจงที่เหมาะสมกับข้อมูลปริมาณน้ำฝนรายเดือน พร้อมทั้งหาระดับการเกิดซ้ำของปริมาณ น้ำฝนสูงสุดในรอบปีการเกิดซ้ำต่าง ๆ เบญจวรรณ ชารินทร์ (2557) ได้สร้างแบบจำลองค่าสุดขีดของอุณหภูมิในภาค ตะวันออกเฉียงเหนือตอนกลางของประเทศไทย พบว่า แบบจำลองค่าสุดขีดของอุณหภูมิสูงสุดของทุกสถานี คือ การแจกแจงแกมมา สำหรับรูปแบบ ของพารามิเตอร์ที่เหมาะสม รูปแบบของพารามิเตอร์ที่เหมาะสมกับ อุณหภูมิสูงสุดของสถานีอุตุนิยมวิทยาขอนแก่น อยู่ภายใต้กระบวนการคงที่ และอีก 5 สถานี อยู่ภายใต้ กระบวนการไม่คงที่ แบบจำลองค่าสุดขีดของอุณหภูมิต่ำสุดของทุกสถานี คือ การแจกแจงแกมมา สำหรับ รูปแบบของพารามิเตอร์ที่เหมาะสม รูปแบบของพารามิเตอร์ที่เหมาะสมกับอุณหภูมิต่ำสุดของสถานีอุทกวิทยา กมลาไสย อยู่ภายใต้กระบวนการไม่คงที่ และอีก 5 สถานี อยู่ภายใต้กระบวนการคงที่ และเมื่อพิจารณาถึง ระดับการเกิดซ้ำ สำหรับระดับการเกิดซ้ำของอุณหภูมิสูงสุด พบว่า สถานีอุตุนิยมวิทยาขอนแก่น มีระดับการ เกิดซ้ำสูงที่สุด ส่วนระดับการเกิดซ้ำของอุณหภูมิต่ำสุด พบว่า สถานีอากาศเกษตรร้อยเอ็ด มีระดับการเกิดซ้ำ สูงที่สุด รองลงมาคือ สถานีอากาศเกษตรท่าพระ สถานีอุทกวิทยาโกสุมพิสัย และสถานีอุตุนิยมวิทยาขอนแก่น ตามลำดับ ดังนั้น หากหน่วยงานที่เกี่ยวข้องจะทำการป้องกันหรือแก้ไขปัญหาเกี่ยวกับการเพิ่มสูงขึ้นของ อุณหภูมิควรจะให้ความสำคัญกับสถานีอุตุนิยมวิทยาขอนแก่นมากกว่าสถานีอื่น และในทางกลับกัน หากจะทำ การแก้ปัญหาความหนาวเย็นควรจะให้ความสำคัญกับสถานีอากาศเกษตรร้อยเอ็ด มาเป็นอันดับแรก รองลงมา คือ สถานีอุตุนิยมวิทยาร้อยเอ็ด สถานีอากาศเกษตรท่าพระ สถานีอุทกวิทยาโกสุมพิสัย และสถานี อุตุนิยมวิทยาขอนแก่น พัชเรศร์ ชคัตตรัยกุล และคณะ (2557) ศึกษาการประยุกต์ใช้แบบจำลอง SWAT เพื่อศึกษา ปรากฏการณ์เอลนีโญและลานีญาต่อปริมาณน้ำท่า บริเวณพื้นที่ลุ่มน้ำสาขาลำชี การวิจัยครั้งนี้มีวัตถุประสงค์ เพื่อประเมินปริมาณน้ำท่าในปีเอลนีโญ (El Nino) ปีลานีญา (La Nina) และปีปกติ (Normal) โดยใช้ แบบจำลอง SWAT ในพื้นที่ลุ่มน้ำสาขาลำชี และจำลองสถานการณ์น้ำท่าในปีที่เกิดปรากฏการณ์เอลนีโญ และ ลานีญารุนแรง พบว่า จากการประเมินปริมาณน้ำท่าในปีที่เกิดปรากฏการณ์เอลนีโญ มีปริมาณน้ำท่าน้อยที่สุด ในเดือนเมษายนและมากที่สุดในเดือนกันยายน ปีที่เกิดปรากฏการณ์ลานีญา มีปริมาณน้ำท่าน้อยที่สุดในเดือน มีนาคม และมากที่สุดในเดือนกันยายน การจำลองสถานการณ์น้ำท่าพบว่า ปีที่เกิดปรากฏการณ์เอลนีโญ

วิธีดำเนินการวิจัย 31 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ รุนแรง มีปริมาณน้ำท่ารายปีลดลงจากปริมาณน้ำท่าปีปกติ 220.17 ล้านลูกบาศก์เมตร (MCM) ซึ่งอาจส่งผลให้ เกิดปัญหาภัยแล้งได้ และปีที่เกิดปรากฏการณ์ลานีญารุนแรง มีปริมาณน้ำท่าเพิ่มขึ้นจากปริมาณน้ำท่าปีปกติ 341.17 ล้านลูกบาศก์เมตร (MCM)ซึ่งอาจส่งผลให้เกิดปัญหาน้ำท่วมได้ ทั้งนี้ขึ้นอยู่กับความสามารถในการ รองรับน้ำของพื้นที่ด้วย วัชรพงษ์ แสงนิล (2557) ศึกษาการประยุกต์ใช้เทคนิคการสำรวจระยะไกลและแบบจำลอง มาร์คอฟ เพื่อคาดการณ์การเปลี่ยนแปลงการใช้ที่ดิน และผลกระทบจากน้ำท่วม ในลุ่มน้ำมูล จังหวัดศรีสะเกษ รวบรวมภาพถ่ายดาวเทียม Landsat 5 TM พ.ศ. 2550, 2552 และภาพถ่ายดาวเทียม Landsat 8 OLI พ.ศ. 2557 ทำการวิเคราะห์ด้วยเทคนิคแบบกำกับดูแล (Supervised Classification) ด้วยวิธี Maximum Likelihood จำแนกพื้นที่เป็น 7 รูปแบบ วิเคราะห์คาดการณ์การใช้ที่ดินในพื้นที่ศึกษา ด้วยแบบจำลอง มาร์คอฟ (Markov Model) ในอนาคตอีก 5 ปี (ระหว่าง ปี พ.ศ. 2557-2562) ประเมินการใช้ที่ดินที่ได้รับ ผลกระทบจากน้ำท่วมในปี พ.ศ. 2549-2556 จากนั้นทำการซ้อนทับข้อมูล (Overlay) ด้วยโปรแกรม ARCGIS 9.1 ได้พื้นที่น้ำท่วมบริเวณลุ่มน้ำมูล จังหวัดศรีสะเกษ ย้อนหลัง 8 ปี ทำการซ้อนทับข้อมูล (Overlay) กับแผน ที่การใช้ประโยชน์ที่ดินในปี พ.ศ. 2562 เพื่อคาดการณ์ผลกระทบจากน้ำท่วมในแต่ละประเภทการใช้ที่ดิน ผล การศึกษาพบว่าในปี พ.ศ. 2562 คาดการณ์การใช้ประโยชน์ที่ดินส่วนใหญ่เป็นพื้นที่นาข้าว 514.33 ตาราง กิโลเมตร (45.29%) รองลงมาคือ พืชสวน 281.61 ตารางกิโลเมตร (24.80%) และพืชไร่ 116.30 ตาราง กิโลเมตร (10.24%) ตามลำดับ การประเมินผลกระทบจากพื้นที่น้ำท่วมจากการคาดการณ์ใช้ประโยชน์ที่ดินใน ปี พ.ศ. 2562 พบว่าพื้นที่นาข้าวได้รับผลกระทบจำนวน 148.15 ตารางกิโลเมตร (41.53%) พืชสวน จำนวน 50.37 ตารางกิโลเมตร (14.12%) และพืชไร่ จำนวน 49.22 ตารางกิโลเมตร (13.80%) ดังนั้นการใช้เทคนิค ของ Markov model และข้อมูลภาพถ่ายดาวเทียมจะช่วยในการสนับสนุนการตัดสินใจ และการวางแผนการ ใช้ประโยชน์ที่ดินและผลกระทบต่อภาวะน้ำท่วม แต่ควรจะต้องศึกษาปัจจัยด้านสังคม เศรษฐกิจ และ ภูมิอากาศเพิ่มเติม พัณณิ์ภาริษา ของทิพย์ และคณะ (2556) ในการศึกษาแบบจำลองที่เหมาะสมกับข้อมูลปริมาณ น้ำฝนสูงสุดของภาคเหนือตอนบนของประเทศไทย โดยใช้การแจกแจงค่าสุดขีดวางนัยทั่วไป พร้อมทั้งหาระดับ การเกิดซ้ำของปริมาณน้ำฝนสูงสุดในรอบปีการเกิดซ้ำต่างๆ พบว่ามีเพียง 1 สถานีคือสถานีที่ 17 สถานี อ.เชียง ของ จ.เชียงราย ที่มีการแจกแจงค่าสุดขีดวางนัยทั่วไปที่พารามิเตอร์ มีการเปลี่ยนแปลงซึ่งขึ้นอยู่กับเวลาในเชิง เส้นตรง มี 2 สถานีที่มีการแจกแจงค่าสุดขีดวางนัยทั่วไปที่พารามิเตอร์ มีการเปลี่ยนแปลงซึ่งขึ้นอยู่กับเวลาใน เชิงกำลังสองคือสถานีที่ 14 สถานี อ.ลี้ จ.ลำพูนและสถานีที่ 20 สถานี อ.เมือง จ.เชียงราย ส่วนอีก 23 สถานีมี การแจกแจงค่าสุดขีดวางนัยทั่วไปที่กระบวนการคงที่ และเมื่อพิจารณาระดับการเกิดซ้ำและรอบปีการเกิดซ้ำ สามารถกล่าวได้ว่าสถานีที่ 23 สถานี อ.แม่สาย จ.เชียงราย มีระดับการเกิดซ้ำสูงกว่าสถานีอื่น ดังนั้นในการ พิจารณาป้องกันอุทกภัยควรให้ ความสำคัญกับสถานีดังกล่าวมากกว่าสถานีอื่น สุภักดิ์ กุลโท (2555) ได้ศึกษาประมาณปริมาณน้ำท่าจากข้อมูลการคาดการณ์การใช้ประโยชน์ ที่ดินที่อาศัยแบบจำลอง CA-Markov โดยแบบจำลอง SWAT: กรณีศึกษาลุ่มน้ำย่อยห้วยตุงลุงในลุ่มน้ำมูลเพื่อ

32 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ประเมินการใช้ประโยชน์ที่ดิน สำหรับใช้ในการคาดการณ์การใช้ประโยชน์ที่ดิน เพื่อประเมินหาพารามิเตอร์ที่ เหมาะสมสำหรับใชในการประมาณประมาณน้ำท่าโดยแบบจำลอง SWATและ เพื่อคาดการณ์ปริมาณน้ำท่า ของทัศนภาพ 3 แบบรูปใน พ.ศ. 2559 วิษุวัฒก์ แต้สมบัติและกิติพงศ์ ทองเชื้อ (2554) ทำการศึกษาการประยุกต์ใช้แบบจำลอง คณิตศาสตร์ MIKE11-Data Assimilation เพื่อการพยากรณ์นํ้าท่วมในลุ่มนํ้าชีตอนบน การศึกษาครั้งนี้มี วัตถุประสงค์เพื่อพัฒนาแบบจำลองพยากรณ์นํ้าในลุ่มนํ้าชีตอนบนด้วยการประยุกต์ใช้ชุดของแบบจำลอง MIKE11-NAM/HD/DA โดยแบบจำลอง NAM/HD จะถูกใช้ในจำลองลักษณะทางด้านอุทกวิทยาและอุทก พลศาสตรของลุ่มนํ้า ส่วนแบบจำลอง DA จะใช้ในการพยากรณ์นํ้าสำหรับการปรับเทียบและตรวจพิสูจน์ แบบจำลอง NAM/HD เลือกใช้เหตุการณ์อุทกภัยในอดีตช่วงระหว่างปี พ.ศ. 2547-2550 ส่วนแบบจำลอง พยากรณ์นํ้า DA ได้ถูกทดสอบประสิทธิภาพโดยเลือกเหตุการณ์อุทกภัยครั้งใหญ่ที่สุดที่เคยเกิดขึ้นในช่วงเดือน ตุลาคม ปี พ.ศ. 2549 โดยตั้งค่าช่วง Hindcast Period เท่ากับ 3 วันย้อนหลัง และค่าช่วง Forecast Period เท่ากับ 3 วันล่วงหน้า และทำการพยากรณ์ระดับนํ้าต่อเนื่องทุกๆ 2 วัน โดยเริ่มต้นพยากรณ์ในวันที่ 2 จนถึง วันที่ 30 ตุลาคม 2549 ผลการศึกษาพบว่า แบบจำลอง DA ให้ผลการพยากรณ์กราฟของระดับนํ้าได้ ใกล้เคียงกับค่าระดับนํ้าที่ตรวจวัดได้จากสถานีวัดนํ้าท่าทั้งสามแห่งในแม่นํ้าชีได้แก่ สถานี E.23 สถานี E.21 และสถานี E.9อย่างมีประสิทธิภาพ โดยผลการพยากรณ์ระดับนํ้าในช่วงหนึ่งวันล่วงหน้า, ช่วงสองวันล่วงหน้า และช่วงสามวันล่วงหน้า จะมีค่าความแม่นยําเฉลี่ยร้อยละ 98.85, 97.68, และ 96.34 ตามลําดับ สุพิชฌาย์ ธนารุณ และจินตนา อมรสงวนสิน (2553) ศึกษาการประยุกต์ใช้ระบบสารสนเทศ ภูมิศาสตร์ในการกำหนดพื้นที่เสี่ยงอุทกภัยจังหวัดอ่างทอง มีวัตถุประสงค์เพื่อศึกษาสาเหตุและปัจจัยที่มีผลต่อ การ เกิดอุทกภัยในพื้นที่จังหวัดอ่างทอง ประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ร่วมกับหลักการวิเคราะห์ ศักยภาพเชิง พื้นที่ในการกำหนดและจัดทำแผนที่แสดงพื้นที่เสี่ยงอุทกภัยจังหวัดอ่างทอง และเสนอแนะ แนวทางในการป้องกันและบรรเทาผลกระทบจากอุทกภัยที่เหมาะสม ผลการศึกษาพบว่า สาเหตุสำคัญที่ทำให้ เกิดอุทกภัยในจังหวัดอ่างทอง ได้แก่ ปริมาณน้ำในแม่น้ำเจ้าพระยาที่ไหลผ่านจังหวัดอ่างทองมีมากจนเกิน ความจุของลำ น้ำ ระดับน้ำสูงขึ้นจนล้นตลิ่งเข้าท่วมพื้นที่บริเวณสองฝั่งลำน้ำ และการที่มีฝนตกหนักในพื้นที่ นอกจากนี้ ลักษณะทางกายภาพของจังหวัดยังเอื้ออำนวยต่อการเกิดอุทกภัย เนื่องจากตั้งอยู่บริเวณลุ่มน้ำ เจ้าพระยาตอนกลาง จึงเป็นพื้นที่รองรับน้ำหลากจากลุ่มน้ำเจ้าพระยาตอนบน สำหรับการกำหนดและจัดทำ แผนที่แสดงพื้นที่เสี่ยงอุทกภัยจังหวัดอ่างทอง โดยประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ร่วมกับการวิเคราะห์ ศักยภาพเชิง พื้นที่ พบว่า จังหวัดอ่างทองมีพื้นที่เสี่ยงอุทกภัยสูง เป็นพื้นที่ 952.01 ตร.กม. คิดเป็นสัดส่วนร้อย ละ 99.23 ของพื้นที่ทั้งหมด และพื้นที่เสี่ยงอุทกภัยปานกลาง เป็นพื้นที่ 7.37 ตร.กม. คิดเป็นสัดส่วนร้อยละ 0.77 ของพื้นที่ทั้งหมด ดังนั้น เพื่อลดความรุนแรงและความเสียหายที่จะเกิดขึ้น แนวทางในการป้องกันและ บรรเทาผลกระทบจากอุทกภัยจึงควรบูรณาการมาตรการต่างๆ เข้าด้วยกัน ทั้งมาตรการที่ใช้โครงสร้างทาง วิศวกรรม มาตรการที่ไม่ใช้โครงสร้างทางวิศวกรรม และมาตรการพยากรณ์และเตือนภัยน้ำท่วม

วิธีดำเนินการวิจัย 33 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ณัฐพล จันทร์แกว และสุเพชร จิรขจรกุล (2552) ศึกษาการวิเคราะห์หาหมู่บ้านที่ได้รับ ผลกระทบจากภาวะเสี่ยงต่อความแหงแลงระดับลุ่มน้ำด้วยระบบภูมิสารสนเทศสำหรับการตัดสินใจแบบพหุ เกณฑ์ในเขตพื้นที่ลุ่มน้ำชีการศึกษาวิจัยครั้งนี้มีวัตถุประสงคเพื่อ(1) วิเคราะห์หาพื้นที่เสี่ยงต่อความแหงแล งระดับลุ่มน้ำด้วยระบบภูมิสารสนเทศสำหรับการตัดสินใจแบบพหุเกณฑในเขตพื้นที่ลุ่มน้ำชี(2) วิเคราะห์หา หมู่บ้านที่ได้รับผลกระทบจากภาวะเสี่ยงต่อความแหงแลงระดับลุ่มน้ำในเขตพื้นที่ลุ่มน้ำชีโดยนำแบบจำลอง Index Model และกระบวนการวิเคราะห์แบบพหุเกณฑ (MultiCriteria Decision Analysis :MCDA) มาใช ในการวิเคราะห์ตัวแปร ในแบบจำลองสมการด้วยวิธีการถวงน้ำหนักแบบง่าย (Simple Additive Weighting : SAW) ตามเกณฑการใหคะแนนของสำนักงานนโยบายและแผนสิ่งแวดลอม ซึ่งประกอบด้วยปัจจัยดังนี้ ปริมาณน้ำฝน โอกาสที่เกิดฝนตก ดัชนีความแหงแลง การใชประโยชนที่ดิน เขตชลประทาน การอุมน้ำของดิน และความหนาแน่นของลำน้ำ ขนาดลุ่มน้ำย่อยและแผนที่ขอบเขตการปกครอง มาตราสวน 1: 50,000 ผล การศึกษาพบวา (1) พื้นที่ครอบคลุมลุ่มน้ำชีมีพื้นที่เสี่ยงต่อ ความแหงแลงมาก มีเนื้อที่8,952.99 ตร.กม. คิด เป็นร้อยละ 18.18 ของพื้นที่ พื้นที่เสี่ยงต่อความแหงแลง ปานกลาง มีเนื้อที่ 23,521 ตร.กม. คิดเป็นร้อยละ 47.75 ของพื้นที่ พื้นที่เสี่ยงต่อความแหงแล้งน้อย มีเนื้อที่ 15,620 ตร.กม. คิดเป็นร้อยละ 31.71 ของพื้นที่ และพื้นที่ไม่เสี่ยงต่อความแหงแลง มีเนื้อที่1,163.55 ตร.กม. คิดเป็นร้อยละ 2.36 ของพื้นที่ (2) พบวา หมู่บ้าน ที่ได้รับผลกระทบจากภาวะเสี่ยงต่อความแหงแลงในเขตพื้นที่ลุ่มน้ำชีที่เสี่ยงต่อความแหงแลงมาก 1,755 หมู่บ้าน คิดเป็นร้อยละ 21.69 เสี่ยงต่อความแหงแลงปานกลาง 4,294 หมู่บ้าน คิดเป็นร้อยละ 53.07 เสี่ยงต่อ ความแห้งแล้งน้อย 1,764 หมู่บ้าน คิดเป็นร้อยละ 21.80 ไม่เสี่ยงต่อความแห้งแลง 278 หมู่บ้าน คิดเป็นร้อย ละ 3.44 ของหมู่บ้านทั้งหมด โดยเฉพาะจังหวัดขอนแกนมีหมู่บ้านที่เสี่ยงภัยแลงมากที่สุดถึง 489 หมู่บ้าน Yoon และคณะ (2015) โดยศึกษาเกี่ยวกับปริมาณน้ำฝนสูงสุดในภาคตะวันออกเฉียงเหนือ ของ ประเทศไทย ด้วยตัวแบบจำลองเชิงพื้นที่ด้วยค่าสุดขีดวางนัยทั่วไป ถูกสร้างขึ้นภายใต้ค่าสังเกตที่สมมติว่าตัว แปรอิสระเป็นอิสระต่อกัน เพราะไม่มีพื้นที่ต่อกันระหว่างสถานี นอกจากนี้ได้แบ่งภูมิภาคออกเป็น 2 ภูมิภาค สำหรับตัวแบบที่ดีกว่าที่เหมาะสมและตัวแบบที่เหมาะสมสำหรับแต่ละภูมิภาค การแสดงตัวแบบจำลองเชิง พื้นที่ด้วยค่าสุดขีดวางนัยทั่วไปแบบแบ่งพื้นที่ สะท้อนให้เห็นรูปแบบที่ดีกว่า GEV ตัวแบบจำลองเชิงพื้นที่ด้วย ค่าสุดขีดวางนัยทั่วไปแบบแบ่งพื้นที่ มีความแกร่งของระดับการเกิดซ้ำและมีดัชนีบางตัวชองปริมาณน้ำฝนสุด ขีดได้มาจากค่าสังเกตของสถานีตลอดจนพื้นที่ที่ไม่มีข้อมูลการสังเกตดังนั้น ตัวแบบดังกล่าวจะช่วยในการ กำหนดผลและประเมินความเปราะบางอันเนื่องจากมีปริมาณน้ำฝนที่ตกหนักในภาคตะวันออกเฉียงเหนือ Mani และคณะ (2014) ได้ศึกษาการวิเคราะห์ความน่าจะเป็นสำหรับปริมาณน้ำฝนสูงสุดที่ตก ติดต่อกันเป็นรายวัน ของเมืองทิรูชิราพพาลี ประเทศอินเดียใต้ ในทวีปเอเชีย การศึกษาในครั้งนี้เป็นการ วิเคราะห์ค่าสุดขีดของปริมาณน้ำฝน โดยใช้ข้อมูลปริมาณน้ำฝนทั้งหมด ๑๐๐ ปี ด้วยวิธีการทางสถิติ เป็นการ คำนวณโดยใช้ตำแหน่งกราฟไวท์บลู และนำไปประยุกต์ใช้กับข้อมูลปริมาณน้ำฝนด้วยฟังก์ชันการแจกแจง ความน่าจะเป็นที่ต่อเนื่องกัน เช่น การแจกแจงล็อกนอร์มอล (Log-normal distribution) การแจกแจงเพียร์ สันประเภทที่ 3 (P3) การแจกแจงล็อก-เพียร์สันประเภทที่ 3 (LP3) และการแจกแจงค่าสุดขีด (Extreme

34 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture Value Distribution) เพื่อหาการแจกแจงความน่าจะเป็นที่เหมาะสำหรับปริมาณน้ำฝนสูงสุดที่ตกติดต่อกัน ผล การศึกษาพบว่าวิธีการล็อกเพียร์สันประเภทที่ 3 เป็นการแจกแจงความน่าจะเป็นที่สุดเหมาะสำหรับปริมาณ น้ำฝนสูงสุดที่ตกติดต่อกันรายวัน เพื่อเพิ่มความน่าเชื่อถือของผลการวิเคราะห์ผู้วิจัยจึงได้พยากรณ์ปริมาณ น้ำฝนสูงสุดสำหรับรอบปีการเกิดซ้ำต่างๆ ในการออกแบบระบบการระบายน้ำในพื้นที่ทำการศึกษา เมื่อทำการ พิจารณารอบปีการเกิดซ้ำของเหตุการณ์ปริมาณน้ำฝนสุดขีด ความเสี่ยงและปัจจัยที่เกี่ยวข้อง คือค่าใช้จ่าย แบบจำลองที่ใช้เป็นประโยชน์ และเป็นแนวทางในการสร้างระบบระบายน้ำใหม่ และการทำงานที่มี ประสิทธิภาพของท่อระบายน้ำที่มี และพบว่าระบบการระบายน้ำที่ไม่ดีเป็นหนึ่งในปัจจัยสำคัญที่ทำให้เกิดน้ำ ท่วมในพื้นที่นั้นๆ Davison และคณะ (2012) ได้ศึกษาแบบจำลองเชิงพื้นที่ค่าสุดขีดโดยศึกษาเกี่ยวกับความ คืบหน้าล่าสุดในการสร้างแบบจำลองทางสถิติของสุดขีดเชิงพื้นที่ เริ่มต้นด้วยภาพร่างขององค์ประกอบที่จำเป็น ของสถิติค่ามากและการใช้ธรณีสถิติ ประเภทหลักของรูปแบบสถิติ จึงเสนอให้ห่างไกล ขึ้นอยู่กับตัวแปรแฝงใน copulas และเกี่ยวกับแบบจำลองเชิงพื้นที่กระบวนการที่มีความเสถียรสูงสุด ได้อธิบายไว้จะเปรียบเทียบโดย การประยุกต์ใช้ในข้อมูลปริมาณน้ำฝนในประเทศสวิสเซอร์แลนด์ ในขณะที่สร้างแบบจำลองตัวแปรแฝงช่วยให้ เป็นแบบที่ดีกว่าการแจกแจงตามขอบ เพื่อให้เหมาะสมเลือก copulas หรือรูปแบบที่มีความเสถียรสูงสุด เหมือนสิ่งจำเป็นสำหรับการสร้างแบบจำลองเชิงพื้นที่ที่ประสบความสำเร็จของค่าสุดขีดเพื่อให้เหมาะสมเลือก copulas หรือรูปแบบที่มีความเสถียรสูงสุดจะดูเหมือนเป็นสิ่งจำเป็นสำหรับการสร้างแบบจำลองเชิงพื้นที่ของ ค่าสุดขีด Lee และคณะ (2012) โดยศึกษาเกี่ยวกับอุณหภูมิสูงสุดรายปีที่สูงที่สุดในรายวัน ในเกาหลีโดยใช้ ข้อมูลจาก 56 สถานีสภาพอากาศและใช้แบบจำลองเชิงพื้นที่ด้วยค่าสุดขีดวางนัยทั่วไป ด้วยกระบวนการที่มี ความเสถียรสูงสุด ด้วยวิธีของ SCHLATTER โดยแบ่งประเทศออกเป็น 4 พื้นที่สำหรับรูปแบบที่ดีขึ้นและระบุ รูปแบบที่ดีที่สุดสำหรับแต่ละพื้นที่ พบว่า การสร้างแบบจำลองเชิงพื้นที่ด้วยกระบวนการที่มีความเสถียรสูงสุด แบบแบ่งพื้นที่ จะเหมาะสมกว่าการสร้างแบบจำลองเชิงพื้นที่ด้วยกระบวนการที่มีความเสถียรสูงสุดสำหรับทั้ง ประเทศ ประโยชน์จากการสร้างแบบจำลองเชิงพื้นที่มากก็คือระดับการเกิดซ้ำในระดับที่แม่นยำยิ่งขึ้นและมี ประสิทธิภาพและดัชนีบางส่วนของอุณหภูมิที่สูงที่สุดจะได้รับสำหรับสถานีสังเกตและช่วยในการกำหนด ผลกระทบและการประเมินผลของความเสี่ยงเหตุการณ์รุนแรงสำหรับสถานีที่ไม่มีข้อมูลที่สังเกตได้ 2.1.2 การวิเคราะห์ภัยแล้งและดัชนีความแห้งแล้ง (Drought Index) สุภัทรา วิเศษศรี และคณะ (2564) ศึกษาการพัฒนาศักยภาพของประเทศไทยต่อการรับรู้ ปรับตัว และฟื้นคืนกลับจากภัยแล้งด้านการเกษตร ซึ่งเป็นทำการศึกษาข้อมูลในพื้นที่ลุ่มน้ำปิงในภาคเหนือ แม้ว่าพื้นที่ดังกล่าวจะยังไม่ถูกประกาศเป็นพื้นที่ภัยพิบัติภัยแล้ง แต่ก็ถือเป็นพื้นที่ที่มี “น้ำต้นทุน” น้อยกว่า 30% จนทำให้มีโอกาสเกิดวิกฤตภัยแล้งได้เหมือนในปี พ.ศ. 2558 ที่ผ่านมา ปัจจุบันทุกภาคส่วนที่เกี่ยวข้อง อาทิ กรมชลประทาน ได้ทำงานเชิงรุกอย่างมีศักยภาพ โดยมีการวางแผนการจัดสรรน้ำที่เป็นระบบ ตลอดจนมี

วิธีดำเนินการวิจัย 35 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ เครือข่ายด้านการสื่อสารการให้ข้อมูลของคนในลุ่มน้ำที่เข้มแข็งอยู่แล้ว แต่ทีมวิจัยมุ่งหวังว่าโครงการนี้จะเข้าไป ช่วยหนุนเสริมให้การทำงานของทุกภาคส่วนมีประสิทธิภาพมากขึ้น ทั้งนี้ในเฟสแรกทีมวิจัยได้จัดทำ“ตัวบ่งชี้ภัย แล้ง” เครื่องมือที่เป็นมาตรวัดว่าพื้นที่ดังกล่าวกำลังประสบภาวะวิฤตภัยแล้ง ผ่านการศึกษาข้อมูลทางอุทก ศาสตร์และด้านอื่นๆ ซึ่งเครื่องมือดังกล่าวสามารถนำไปใช้ได้กับทุกลุ่มน้ำของประเทศ ปัจจุบันทีมวิจัยกำลัง ดำเนินงานในขั้นตอนของการรวบรวมผลกระทบจากภัยแล้งในพื้นที่ โดยการลงพื้นที่เพื่อสัมภาษณ์และเก็บ ข้อมูลจากเกษตรกรและชุมชน แผนการทำงานต่อจากนี้จะเป็นการจัดทำแพลตฟอร์มการสื่อสารข้อมูลด้านภัย แล้งในรูปแบบต่างๆ เพื่อให้ได้ข้อมูลที่ตอบโจทย์ผู้มีส่วนได้ส่วนเสียทั้งในส่วนของหน่วยงานด้านน้ำและ เกษตรกร อันเป็นการนำผลงานวิจัยไปใช้ประโยชน์อย่างเต็มศักยภาพ ธนัทเดช โรจนกุศล และคณะ (2562) ได้ศึกษาภัยแล้งซึ่งเป็นปรากฏการณ์ทางธรรมชาติที่มัก เกิดขึ้นในพื้นที่ต่างๆ ของภาคตะวันออกเฉียงเหนือของประเทศไทยและส่งผลกระทบอย่างมากต่อการเกษตร วัตถุประสงค์หลักของการศึกษานี้คือการประยุกต์ใช้เทคโนโลยีการสำรวจระยะไกลและ Standardized Vegetation Index (SVI) สำหรับการประเมินภัยแล้งในพื้นที่ดังกล่าว สำหรับการดำเนินการใช้ข้อมูลของ Normalized Difference Vegetation Index (NDVI) จากดาวเทียม Terra / MODIS เพื่อการวิเคราะห์เพื่อ ตรวจสอบพื้นที่แห้งแล้งอันเนื่องมาจากการเปลี่ยนแปลงของสภาพพืชโดย SVI ภายในระยะเวลาสามปี: 2557, 2558, 2106 จากการศึกษาพบว่าภัยแล้งที่เลวร้ายที่สุดคือในปี 2559 รองลงมาคือปี 2557 และ 2558 ตามลำดับ นอกจากนี้เพื่อความน่าเชื่อถือของเทคนิคนี้ผลการวิเคราะห์จาก SVI เพื่อหาความสัมพันธ์ทางสถิติ กับปริมาณน้ำฝนในพื้นที่เป้าหมายเสร็จสมบูรณ์ผลของข้อมูลทั้งสองชุดมีความสัมพันธ์กันสูงในทั้งสามปี (2014, R2 = 0.83; 2015, R2 = 0.88 และ 2016, R2 = 0.97) ดังนั้นจึงสรุปได้ว่าการตรวจสอบสถานการณ์ ภัยแล้งด้วยเทคโนโลยีการสำรวจระยะไกลและ SVI ในช่วงเวลาต่างๆในพื้นที่ภาคตะวันออกเฉียงเหนือตอนล่าง ของประเทศไทยสามารถระบุรูปแบบของภัยแล้งได้อย่างมีประสิทธิภาพ ธัญญารัตน์ สีตื้อ (2562) ศึกษาการทดสอบดัชนีชี้ภัยแล้งด้วยข้อมูลผลิตภัณฑ์ฝนดาวเทียม TRMM ในพื้นที่ภาคเหนือตอนล่าง ซึ่งงานวิจัยนี้มุ่งที่จะศึกษาความถูกต้องของดัชนีชี้วัดภัยแล้งในพื้นที่ ภาคเหนือตอนล่างของประเทศไทยโดยใช้ข้อมูลผลิตภัณฑ์น้ำฝนประมาณค่าจากดาวเทียม Tropical Rainfall Measuring Mission (TRMM) 3B42 V.7 โดยเลือกดัชนีภัยแล้งที่นิยมใช้กันทั่วไปจำนวน 4 ดัชนี คือ ดัชนี Average ดัชนี Decile Range ดัชนี Standardize Precipitation Index (SPI) และดัชนี Generalized Monsoon Index (GMI) จากข้อมูลฝนที่สกัดได้ในแต่ละสถานีตรวจวัดฝนได้นำมาผ่านการประมาณค่าเชิง พื้นที่ด้วยวิธีการ Inverse Distance Weighted (IDW) โดยระยะเวลาที่ใช้ในการศึกษาคือ ปี พ.ศ. 2552 2553 2557 และ 2559 ผลที่ได้ พบว่า เมื่อพิจารณาร้อยละของความสอดคล้องกับรายงานภัยแล้งกับข้อมูลรายงาน ของกรมป้องกันและบรรเทาสาธารณภัยพบว่า ดัชนี SPI ให้ค่าความถูกต้องที่สูงกว่าดัชนีอื่น ภิยะพรรณีวัฒนายากร อมรวิชช นาครทรรพ และ รอยบุญ รัศมีเทศ (2562) ศึกษาการจัดการ ความรูในการอนุรักษและพัฒนาน้ำของชุมชนชนบทในภาคตะวันออกเฉียงเหนือ และวิเคราะห์ปัจจัยและ เงื่อนไขที่เกี่ยวของในการจัดการความรูในการอนุรักษและพัฒนาน้ำของชุมชน โดยศึกษาชุมชนตนแบบที่

36 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ประสบปญหาขาดแคลนน้ำมากอน 2 พื้นที่ คือ ชุมชนบ้านลิ่มทอง จังหวัดบุรีรัมย์ พื้นที่ลุมน้ำมูล และกลุมเกษตรทฤษฎีใหม่ฮักแพงแบ่งปัน จังหวัดกาฬสินธุ พื้นที่ลุมน้ำชีพบวาการจัดการความรูของชุมชนต นแบบ มีองคประกอบ 3 ส่วน คือ คน กระบวนการจัดการความรูและเทคโนโลยีสารสนเทศ ในสวนของคน เกิดโครงสรางทางสังคมที่กำหนดบทบาทหน้าที่ชัดเจน กระบวนการจัดการความรู7 ขั้นตอน ขั้นตอนที่ 1 กา รบงชี้ความรูมีความสำคัญที่สุดโดยชุมชนร่วมกันบงชี้ปญหาที่ตองได้รับการแกไขอย่างเร่งดวนคือปญหาน้ำแล งกระบวนเรียนรูซึ่งเป็นผลลัพธ์หรือปลายทางของการจัดการความรูคือการเรียนรูทำใหชุมชน มีการอนุรักษ และพัฒนาน้ำแบบครบวงจร ประกอบด้วยการบริหารจัดการน้ำ การทำสมดุลน้ำ และองคความรูต่อยอด ความสำเร็จในการอนุรักษและพัฒนาน้ำ ในส่วนของเทคโนโลยีสารสนเทศผลการวิจัยพบวามีการใชเอกสาร กระดาษ และอินเตอร์เน็ต ซึ่งชุมชนสามารถใชอินเตอร์แบบง่ายเกิดประโยชนสูง ในส่วนปัจจัยและเงื่อนไขที่ เกี่ยวของในการจัดการความรูของชุมชนตนแบบพบวาการศึกษามีเป็นปัจจัยความสำคัญที่สุดที่ทำใหเกิดการ เปลี่ยนแปลงต่อชุมชน ปัจจัยวัฒนธรรมความเชื่อทองถิ่นมีสวนสำคัญที่ทำใหเกิดขวัญกําลังใจในการทำ การเกษตร และนําเอกลักษณวัฒนธรรมของชุมชนมาประยุกตในการสร้างสรรคผลิตภัณฑ์ทางการเกษตร อภิรัฐ ปิ่นทอง และบัญชา ขวัญยืน (2561) ศึกษาการทดสอบใช้ดัชนีความแห้งแล้งรวมเพื่อ ติดตามความแห้งแล้งทางการเกษตร ที่พัฒนามาจากดัชนี 5 ชนิด ได้แก่ ดัชนี Palmer Drought Severity Index ดัชนี Standardized Precipitation Index ดัชนี Moisture Availability Index ดัชนี Weekly Stream flow และดัชนี Normalized Differences Vegetation Index ในรูปแบบแผนที่รายสัปดาห์ ซึ่งดัชนี สามารถแบ่งแยกระดับความแห้งแล้งทางด้านการเกษตรได้ถูกต้องคิดเป็นร้อยละ 60-80 เมื่อตรวจสอบทาง ภาคสนามในช่วงเวลาเดือนเมษายนถึงมิถุนายน ปี พ.ศ. 2556 ถึง 2559 พบว่า ระดับความแห้งแล้งน้อย (D1) พืชมีการเจริญเติบโตไม่เป็นปกติ พื้นที่เกษตรขาดน้ำเพื่อการเพาะปลูกพืช ดินมีความชื้นน้อย แหล่งน้ำผิวดิน เริ่มแห้งขอดระดับความแห้งแล้งมาก (D2) พืซแสดงอาการใบเหลืองแห้ง เริ่มมีบางส่วนยืนต้นตายจากสภาวะ การขาดน้ำ ดินขาดความชื้น แหล่งน้ำผิวดินแห้งขอด ส่วนระดับความแห้งแล้งมากที่สุด (D3) ในการศึกษาครั้ง นี้ยังไม่สามารถตรวจพบทางภาคสนามได้ เมื่อเปรียบเทียบจากรายงานของกรมป้องกันและบรรเทาสาธารณภัย ในระดับหมู่บ้าน มีความสอดคล้องกับพื้นที่ที่การเกิดความแห้งแล้ง ดังนั้นผลการศึกษาสามารถสรุปได้ว่า ดัชนี ความแห้งแล้งรวมสามารถนำมาใช้ติดตามและวางแผน รับมือความแห้งแล้งทางด้านการเกษตรที่จะเกิดขึ้นใน อนาคตได้ พัฒนา วิจิตรพงษ์สกุล และคณะ (2559) ศึกษาการวิเคราะห์ระดับความแห้งแล้งทาง อุตุนิยมวิทยาในพื้นที่ลุ่มน้ำสะแกกรังด้วยดัชนีน้ำฝนมาตรฐานและดัชนีความแห้งแล้งทางอุตุนิยมวิทยา การ วิจัยนี้มีวัตถุประสงค์เพื่อ 1 ) ศึกษาและบ่งชี้ระดับความรุนแรงของความแห้งแล้งทางอุตุนิยมวิทยาในพื้นที่ลุ่ม น้ำสาขาของลุ่มน้ำสะแกกรัง ด้วยการใช้ดัชนีน้ำฝนมาตรฐาน (SPI) และดัชนีความแห้งแล้งทงอุตุนิยมวิทยา (D) โดยใช้ข้อมูลปริมาณน้ำฝนระหว่างปี พ.ศ. 2528-2557 จากสถนีตรวจวัดน้ำฝน จำนวน 8 สถานีตรวจวัดทั้งใน และนอกพื้นที่ลุ่มน้ำ 2) เปรียบเทียบผลการศึกษากับผลการวิเคราะห์ความแห้งแล้งของกรมทรัพยากรน้ำ ผล การศึกษาพบว่า พื้นที่ลุ่มน้ำสะแกกรังประสบสภาวะความแห้งแล้งในระดับน้อยถึงปานกลาง โดยมีค่าดัชนีSPI

วิธีดำเนินการวิจัย 37 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ อยู่ระหว่าง -0.45 ถึง - 1.41 และดัชนี D อยู่ระหว่าง - 1 1.7 5 ถึง - 26.62 เมื่อเปรียบเทียบผลการศึกษากับ ผลการวิเคราะห์ความแห้งแล้งของกรมทรัพยากรน้ำ พบว่าการบ่งชี้ระดับความรุนแรงของความแห้งแล้งด้วย ดัชนี SPI มีค่าที่สอดคล้องกับผลการวิเคราะห์ความแห้งแล้งของกรมทรัพยากรน้ำมากกว่าการบ่งชี้ด้วยคำดัชนี D โดยดัชนี SPI มีค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์ (Mean Absolute Percentage Enror : MAPE) เท่ากับ 20.83 % และดัชนี D มีค่า MAPE เท่ากับ 29.1 7 * ซึ่งจากผลการศึกษานี้บ่งชี้ว่า ค่าดัชนี SPI มีความ เหมาะสมเพื่อใช้ในการวิเคราะห์ระดับความรุนแรของความแห้งแล้งในระดับพื้นที่ ลุ่มน้ำ รวมทั้งเพื่อใช้ในการ คาดการณ์ระดับความรุนแรงของความแห้งแล้ง กรณีที่มีการพยากรณ์ปริมาณน้ำฝนที่แม่นยำ อานันต์ คำภีระ (2559) ศึกษาการวิเคราะห์พื้นที่แห้งแล้งบริเวณพรุควนเคร็งสำหรับการจัดการ ไฟไหม้พรุโดยใช้เทคโนโลยีภูมิสารสนเทศ วัตถุประสงค์ของการทำวิจัยนี้มี 3 ประเต็น คือ (1) ศึกษาความแห้ง แล้งบริเวณพรุควนเคร็งและจัดทำแผนที่พื้นที่ที่มีโอกาสเกิดความแห้งแล้งโดยใช้เทคโนโลยีภูมิสารสนเทศ 2) ประเมินเขตพื้นที่เปราะบางต่อการเกิดไฟไหมับริเวณพรุควนเคร็งในช่วงแล้ง และ (3) เพื่อเสนอแนวทาง สำคัญเบื้องต้นในการจัดการการเกิดไฟไหม้บริเวณพรุควนเคร็ง โดยมีวิธีการศึกษาความแห้งแล้งบริเวณพรุควน เคร็งด้วยการใช้ดัชนีความแห้งแล้ง 3 ปัจจัย จำนวน 6 ดัชนี คือ ความแห้งแล้งต้านอุตุนิยมวิทยา ได้แก่ ดัชนี ความแห้งแล้งของฝนที่ต่างจากค่าปกติ (SPI) และดัชนีชี้วัดความแห้งแล้งทางอุตุนิยมวิทยา (DI) ด้านความแห้ง แล้งของพืชพรรณที่ประเมิจากภาพถ่ายดาวเทียม ได้แก่ ดัชนีผลต่างความแห้งแล้งแบบนอมัลไลซ์ (NDDI) และ ดัชนีความอุดมสมบูรณ์ของพืชพรรณ (VHI) ด้านความแห้งแล้งทางอุทกวิทยา ได้แก่ ความแห้งแล้งจากข้อมูล ระดับน้ำ(WIL) และความแห้งแล้งจากดัชนีระดับน้ำใต้ดิน (SWI) ส่วนการศึกษา พื้นที่ที่มีโอกาสเกิดความแห้ง แล้งบริเวณพรูควนเคร็ง และการศึกษาการประเมินเขตพื้นที่เปราะบางต่อการเกิดไฟไหม้บริเวณพรุควนเคร็ง ในช่วงแล้ง ใช้วิธีการประยุกต์การตัดสินใจวิธีการวิเคราะห์ตามลำดับชั้นเอเอชพี(AHP) และวิธีการวิเคราะห์ ตามลำดับชั้นฟัซซีเอเอซพี (FAHP) มาทำการศึกษาวิเคราะห์ปัจจัยความแห้งแล้งและปัจจัยที่เกี่ยวข้องต่อการ เกิดไฟไหม้ของพื้นที่ศึกษาร่วมกับระบบสารสนเทศภูมิศาสตร์ (G1S) เพื่อสร้างเป็นแผนที่แสดงพื้นที่ที่มีโอกาส เกิดความแห้งแล้งบริเวณพรุควนเคร็งและแผนที่แสดงเขตพื้นที่ที่เปราะบางต่อการเกิดไฟใหม้บริเวณพรูควน เคร็งตามลำดับ ผลการศึกษาความแห้งแล้งบริเวณพรุควนเคร็งโดยแสดงผลเป็นแผนที่รายเดือนจำนวน 2 ช่วง ปี คือ ปี พ.ศ. 2553 (ปีเกิดปรากฎการณ์เอลนีโญระดับปานกลาง) และ ปี พ.ศ.2556 (ปีถดูกาลปกติ) พบว่า ดัชนีความแห้งแล้งทั้ง 3 ปัจจัยนั้น โดยเฉพาะ ดัชนี SPI (อุตุนิยมวิทยา) ดัชนี NDDI (พืชพรรณ) ดัชนี SWI และ WTL (อุทกวิทยา) มีความสัมพันธ์กับฤดูกาล ปริมาณฝน สภาพการใช้ที่ดิน และการเกิดไฟไหมัพรุในพื้นที่ ศึกษา ทั้งนี้ช่วงเวลาที่เกิดความแห้งแล้งพร้อมกันทั้ง 3 ปัจจัยดังกล่าวที่อาจจะเป็นสาเหตุก่อให้เกิดไฟไหมับริ เวณพรุควนเคร็ง คือ ปีที่มีฤดูกาลปกติมักเกิดในช่วงเดือนเมษายนถึงเดือนกันยายน ส่วนปีที่เกิดปรากฏการณ์ เอลนีโญ จะเริ่มเกิดความแห้งแล้งพร้อม ๆ กัน ตั้งแต่เดือนกุมภาพันธ์ถึงเดือนกันยายน ดังนั้นสามารถนำดัชนี SPI ดัชนี NDDI ดัชนี SWI และ ดัชนี WIL มาติดตามตรวจสอบความแห้งแล้งที่เป็นสาเหตุทำให้เสี่ยงต่อการ เกิดไฟไหม้ป่าพรุควนเคร็งได้อย่างมีประสิทธิภาพ นอกจากนี้ยังพบว่า ค่าดัชนีNDDI มากกว่า 0.6 ขึ้นไป สามารถนำมาตรวจสอบบริเวณพื้นที่พรุที่เคยเกิดไฟไหม้มาก่อน ส่วนการศึกษาพื้นที่ที่มีโอกาสเกิดความแห้ง

38 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture แล้งบริเวณพรุควนเคร็ง พบว่า เกณฑ์ปัจจัยความแห้งแล้งทางอุทกวิทยามีความสำคัญสูงสุด เนื่องจากระดับน้ำ ในพรุมีอิทธิพลอย่างมากต่อความแห้งแล้งในพื้นที่พรุ สำหรับช่วงเวลาที่เกิดความแห้งแล้งรุนแรงมากที่สุด บริเวณพรุควนเคร็งอยู่ในช่วงเตือนมิถุนายนถึงเดือนกรกฎาคม บริเวณที่ประสบความแห้งแล้งส่วนใหญ่ พบ พื้นที่ที่มีการใช้ประโยชน์ที่ดินประเภทปาล์ม ในเขตอำเภอหัวไทรและอำเภอร่อนพิบูลย์ โดยเฉพาะน้ำมันที่ ตั้งอยู่บริเวณรอบ 1 ขอบพรุ และบริเวณป่าพรุเสื่อมโทรมที่ปัจจุบันได้แปรสภาพเป็นพื้นที่ปลูกปาล์มน้ำมันแล้ว สำหรับผลการศึกษาการประเมินเขตพื้นที่เปราะบางต่อการเกิดไฟไหมับริเวณพรุควนเคร็งในช่วงแล้ง พบว่า เกณฑ์ปัจจัยความแห้งแล้งของพื้นที่ป่าพรุมีความสำคัญสูงสุดเนื่องจากความแห้งแล้งจะทำให้พรุแห้งแ ละทรุด ตัว ทำให้มีความเสี่ยงในการเกิดไฟไหม้พรุในช่วงแล้ง สำหรับเขตพื้นที่เปราะบางต่อการเกิดไฟไหม้พบมากใน เขตห้ามล่าสัตว์ป่าทะเล น้อยตอนบนและเขตห้ามล่าสัตว์ป่าบ่อล้อตอนบน ซึ่งจะกระจายอยู่ทั่วไปโดยเฉพาะ บริเวณรอบ ๆ ขอบพรุทั้งด้านทิศตะวันออกและทิศตะวันตก มักพบในบริเวณพื้นที่สวนปาล์มน้ำมัน ทุ่งหญ้า และพื้นที่ป่าพรุบริเวณที่ตอนข้อเสนอแนะแนวทางการจัดการเบื้องต้นในเขตพื้นที่พรุที่เปราะบางต่อการเกิดไฟ ไหม้ คือ การใช้ทคโนโลยีภูมิสารสนเทศติดตามและเฝ้าระวังความแห้งแล้งบริเวณพรุควนเคร็งโดยเฉพาะ ดัชนี SPI สามารถประเมินถึงความแห้งแล้งที่เกิดจากฝนที่ผิดปกติไปจากฤดูกาลได้ผลดีและดัชนี TL และ SWI สามารถนำมาพิจารณาระดับน้ำที่มีอยู่ในพื้นที่พรุ ซึ่งจะสามารถประเมินถึงความแห้งของพรุที่อาจจะก่อให้เกิด ไฟไหมับริเวณพรุขึ้นได้ ดัชนี NDDI จากภาพถ่ายดาวเทียมสามารถนำมาตรวจสอบความแห้งแล้งของพืชที่เกิด จากความเหี่ยวเฉาหรือการขาดน้ำของพืชได้รวมทั้งแผนที่ที่มีโอกาสเกิดภัยแล้งและแผนที่พื้นที่เปราะบางต่อ การเกิดไฟไหม้พรุควนเคร็งสามารถใช้ข้อมูลเหล่านี้เป็นแนวทางในการวางแผนการบริหารจัดการพื้นที่พรุควน เคร็งอย่างยั่งยืนต่อไป ทองเปลว กองจันทร์ และ วราวุธ วุฒิวณิชย์ (2544) ศึกษาและวิเคราะห์คุณลักษณะของสภาวะ การขาดน้ำเพื่อหามาตรการและกลยุทธ์ในการบริหารจัดการทรัพยากรน้ำในลุ่มน้ำให้มีประสิทธิภาพ ยุติธรรม และเกิดประโยชน์สูงสุด ในการศึกมานี้มีจุดประสงค์เพื่อศึกษาสภาวะการขาดน้ำของลุ่มน้ำมูลตอนบนใน ปัจจุบันโดยใช้การจำลองระบบแหล่งน้ำด้วย HEC-3 วิเคราะห์สภาวะการขาดน้ำด้วย Shortage Index ผล การศึกษาพบว่า ในลุ่มน้ำมูลตอนบนเกิดการขาดน้ำในแต่ละปีเฉลี่ยดังนี้ การเกษตร 6.27% การอุปโภคบริโภคและอุดสาหกรรม 0.33% การรักษาระบบนิเวศน์ 0.94% โดยเกิดในช่วงฝนทิ้งช่วง (กรกฎาคมถึง สิงหาคม) และในช่วงฤดูแล้ง (มกราคมถึงพฤษภาคม) ซึ่งถือว่ามีระดับการขาดน้ำเล็กน้อยผลกระทบไม่มาก แต่ ในลุ่มน้ำย่อยลำตะคองมีสกาวะการขาดน้ำมากที่สุดทางเลือก เพื่อบรรเทาปัญหาการขาดน้ำในอนาคตได้ศึกษา ไว้ 2 ทางคือ (1)เพิ่มการเก็บน้ำในอ่างเก็บน้ำลำตะคองจากระดับเก็บกักอีก 1 เมตร และ 2 เมตร ทำให้การ ขาดน้ำจากเกษตรในลำตะคองลดลง 4.9% - 14.3% และ(2)ผันน้ำจากอ่างเก็บน้ำสำแซะในปริมาณปีละ 30 ล้าน ลบ.ม. ซึ่งจะทำให้เกิดการขาดน้ำในลุ่มน้ำย่อยลำแซะ 12% และความจุเฉลี่ยของน้ำในอ่างเก็บน้ำลดลง 23.8% จากปัจจุบัน อนึ่งตัวแปรที่มีความไวตัวต่อสภาวะการขาดน้ำคือกำหนดการปลูกพืชและความต้องการ น้ำที่ทางออก (Outlet) ของลุ่มน้ำ

วิธีดำเนินการวิจัย 39 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ Abdoulaye Sy และคณะ (2021) ศึกษาแบบจำลอง Extreme Value Mixture เพื่อประเมิน อันตรายจากภัยแล้งในแอฟริกาตะวันตก ขั้นตอนที่สำคัญในการประเมินอันตรายจากภัยแล้งคือคำจำกัดความ ของเหตุการณ์ภัยแล้งและการวัดความรุนแรง อันที่จริง วิธีการแบบคลาสสิกกำหนดขอบเขตชุดเดียวกันสำหรับ การแบ่งประเภทความรุนแรงของภัยแล้งให้กับทุกภูมิอากาศ ดังนั้นจึงส่งผลให้สูญเสียข้อมูลเกี่ยวกับเหตุการณ์ ที่เกิดขึ้นได้ยากในส่วนท้ายของการกระจาย ซึ่งเป็นสิ่งสำคัญที่สุดในการวิเคราะห์ความเสี่ยงอย่างแม่นยำ เพื่อ ประเมินเหตุการณ์สุดโต่งได้ดียิ่งขึ้น โดยใช้แบบจำลองสารผสมที่มีมูลค่าสูงสุดพร้อมการแจกแจงแบบปกติ สำหรับปริมาณมาก และการแจกแจงพาเรโตทั่วไปสำหรับหางด้านบนและด้านล่าง เพื่อประเมินความรุนแรง ของภัยแล้งที่รุนแรงและความน่าจะเป็นที่จะเกิดขึ้น เปรียบเทียบกับแนวทางมาตรฐานสำหรับภัยแล้งซึ่งอาศัย มาตรฐานดัชนีปริมาณน้ำฝนและการจำแนกความเข้มของภัยแล้งที่กำหนดจากฟังก์ชันการกระจายแบบปกติ มาตรฐานสะสม วิธีการของเราอนุญาตให้เกณฑ์ความแห้งแล้งและความน่าจะเป็นของการเกิดภัยแล้งขึ้นอยู่กับ ลักษณะเฉพาะของการกระจายหยาดน้ำฟ้าแต่ละครั้ง การใช้งานในภูมิภาคแอฟริกาตะวันตกแสดงให้เห็นว่า แบบจำลองส่วนผสมของเรามีความแม่นยำมากกว่าแบบจำลองมาตรฐาน ส่วนผสมนี้ทำงานได้ดีกว่าในการ สร้างแบบจำลองเปอร์เซ็นไทล์ต่ำสุด และโดยเฉพาะอย่างยิ่งระดับผลตอบแทนของภัยแล้งครบรอบร้อยปี ซึ่ง โดยทั่วไปมักประเมินค่าสูงเกินไปในแนวทางมาตรฐาน Jingcai Wang และคณะ (2020) ศึกษาแนวโน้มภัยแล้งและความถี่และลักษณะภัยแล้งที่รุนแรง ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศตาม SPI และ HI ในตอนบนและกลางของลุ่มน้ำฮุ่ย ประเทศจีน ซึ่งลุ่มน้ำฮุ่ย (HRB) เป็นพื้นที่การผลิตธัญพืชและอุตสาหกรรมที่สำคัญในภาคตะวันออกของจีนและเกิดภัยแล้ง บ่อยครั้ง ภายใต้ภูมิหลังของการเปลี่ยนแปลงสภาพภูมิอากาศในปัจจุบัน ลักษณะทางอุทกวิทยาและ อุตุนิยมวิทยาของลุ่มน้ำอาจเปลี่ยนแปลงไป ซึ่งอาจนำไปสู่การเปลี่ยนแปลงลักษณะภัยแล้งในภูมิภาค ควรให้ ความสำคัญกับการวิจัยภัยแล้งภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศและความแตกต่างระหว่างดัชนี ความแห้งแล้งต่างๆ การเปรียบเทียบระหว่างแบบจำลองคู่ระยะที่ 5 (CMIP5) เป็นเครื่องมือสำคัญสำหรับ การวิจัยการเปลี่ยนแปลงสภาพภูมิอากาศได้ถูกนำมาใช้ในการศึกษานี้ และการศึกษาได้เลือกแบบจำลองการ หมุนเวียนทั่วโลก (GCM) สามแบบ เช่น CNRM-CM5 (CNR), HadGEM2-ES (Had) และ MIROC5 (MIR) เพื่อ รวบรวมแบบจำลองทั้งมวล (EnM) เพื่อให้ข้อมูลสภาพอากาศในอนาคต ดัชนีปริมาณน้ำฝนมาตรฐาน (SPI) และดัชนีความชื้น (HI) ใช้ในการประเมินและเปรียบเทียบสถานการณ์ภัยแล้งในอดีตและช่วงอนาคตด้วย สถานการณ์จำลองเส้นทางความเข้มข้นสองแบบ (RCP4.5 & RCP8.5) วิธีการทางสถิติตามลำดับบางอย่าง เช่น การทดสอบและทฤษฎีการวิ่งของ Mann-Kendall ถูกนำมาใช้เพื่อวิเคราะห์แนวโน้มและการเปลี่ยนแปลง ของความถี่และค่าคุณลักษณะของความแห้งแล้งที่รุนแรง การวิจัยพบว่าความแม่นยำในการจำลองของ EnM จะดีกว่า SPI และ HI นับปัจจัยที่แตกต่างกัน ดังนั้น จึงนำไปสู่ความแตกต่างในการอธิบายแนวโน้มภัยแล้ง ความถี่ของภัยแล้งที่รุนแรง และค่าลักษณะเฉพาะ เช่น ความรุนแรงของภัยแล้ง ระยะเวลาภัยแล้ง ความรุนแรงของภัยแล้งเฉลี่ย และความรุนแรงของภัยแล้งสูงสุด การวิจัยพบว่าทั้ง SPI และ HI มีแนวโน้มการ ทำให้เปียกหรือแห้งเหมือนกันในช่วงเวลาเดียวกัน (ยกเว้นฤดูหนาว) เช่นเดียวกับในข้อมูลในอดีต อย่างไรก็

40 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ตาม แนวโน้มความแห้งแล้งประจำปีและฤดูกาลในอนาคตที่สะท้อนโดย SPI แสดงให้เห็นแนวโน้มการทำให้ เปียก ในขณะที่ HI แสดงแนวโน้มการทำให้แห้ง ทั้งในอดีตและในอนาคต ความถี่ภัยแล้งที่รุนแรงและค่า คุณลักษณะที่สะท้อนโดย HI นั้นสูงกว่า SPI แนวโน้มความแห้งแล้งมีมากขึ้น และความถี่และลักษณะภัยแล้งที่ รุนแรงมีแนวโน้มที่จะแข็งแกร่งขึ้นภายใต้ RCP8.5 ปริมาณน้ำฝนต่ำและการคายระเหยที่มีศักยภาพสูง (PET) โดยเฉพาะ PET ที่เกิดจากอุณหภูมิที่สูงขึ้นเป็นปัจจัยหลักที่มีอิทธิพลต่อภัยแล้งในอนาคต ดังนั้น ไม่ควร มองข้ามอิทธิพลของ PET ในการวิเคราะห์ภัยแล้ง และเราควรเสริมสร้างการศึกษาเปรียบเทียบของดัชนีความ แห้งแล้งที่แตกต่างกันในการวิเคราะห์ภัยแล้งในอนาคตภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศ-น้ำท่า โดยใช้ ดัชนีพืชพรรณ (NDVI) และดัชนีการเชื่อมต่อ ( IC:ดัชนีการเชื่อมต่อทางอุทกวิทยาประเภทหนึ่ง) นอกเหนือจาก ปัจจัยด้านภูมิอากาศและอุทกวิทยา ปัจจัยการผลิตที่เลือกใช้ในการพัฒนาโครงข่ายประสาทเทียม (ANN) ใน อ่างเก็บน้ำ Haughton และที่กักเก็บน้ำ Calliope River รัฐควีนส์แลนด์ประเทศออสเตรเลีย ผลการศึกษา แสดงให้เห็นว่าการรวม IC เป็นพารามิเตอร์ไฮโดร-ธรณีสัณฐานและ NDVI การตรวจจับระยะไกลเป็น พารามิเตอร์ทางชีวฟิสิกส์ร่วมกับปริมาณน้ำฝนและการไหลบ่าเป็นพารามิเตอร์ทางภูมิอากาศสามารถปรับปรุง ประสิทธิภาพของโมเดล ANN เมื่อเทียบกับโมเดล ANN โดยใช้พารามิเตอร์ภูมิอากาศแบบไฮโดรลิกเท่านั้น การเปรียบเทียบระหว่างรูปแบบการป้อนข้อมูลที่แตกต่างกันแสดงให้เห็นว่าดัชนี IC มีประสิทธิภาพของโมเดล ดีกว่าดัชนี NDVI โดยรวมแล้วการจำลองแบบจำลองของ ANN แสดงให้เห็นว่าการใช้ IC ร่วมกับปัจจัยที่มี สภาพภูมิอากาศดีขึ้นอย่างเห็นได้ชัดในการปรับปรุงประสิทธิภาพของโมเดลโดยเฉพาะอย่างยิ่งในลุ่มน้ำ Calliope การปรับปรุงนี้บ่งชี้โดยการเพิ่มขึ้นเล็กน้อย (9.77% และ 11.25%) ในประสิทธิภาพของ NashSutcliffe และการลดลงอย่างเห็นได้ชัด (24.43% และ 37.89%) ในค่าเฉลี่ยความผิดพลาดกำลังสองของลุ่ม น้ำ Haughton และลุ่มน้ำ Calliope ตามลำดับ ที่นี่เราแสดงให้เห็นถึงผลกระทบที่สำคัญของอินพุตอนุกรม เวลาไฮโดร - ธรณีฟิสิกส์และอนุกรมเวลาทางชีวฟิสิกส์สำหรับการประมาณปริมาณน้ำท่ารายเดือนโดยใช้ แบบจำลองที่ขับเคลื่อนด้วยข้อมูล ANN ซึ่งมีค่าสำหรับการวางแผนและการจัดการทรัพยากรน้ำ Tayyebeh Mesbahzadeh และคณะ (2018) ศึกษาการวิเคราะห์ความแห้งแล้งทาง อุตุนิยมวิทยาในบริบทของการเปลี่ยนแปลงภูมิอากาศโดยใช้ทฤษฎี COPULA และดัชนีความแห้งแล้ง การศึกษาได้ดำเนินการเพื่อประเมินความแห้งแล้งจากอุตุนิยมวิทยาบนพื้นฐานของดัชนีปริมาณน้ำฝน มาตรฐาน (SPI) และดัชนีการคายระเหยของฝนมาตรฐาน (SPEI) ที่ประเมินในสถานการณ์สภาพอากาศใน อนาคต จังหวัดยาซด์ ซึ่งตั้งอยู่ในพื้นที่แห้งแล้งในใจกลางของอิหร่าน ได้รับเลือกให้ทำการวิเคราะห์ พื้นที่ศึกษา มีสถานีสรุปเพียงแห่งเดียวที่มีประวัติยาวนาน (56 ปี) ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศต่อภัย แล้งในอนาคตได้รับการตรวจสอบโดยใช้ CanESM2 ของแบบจำลอง CMIP5 ภายใต้สามสถานการณ์คือ ตัวแทนเส้นทางความเข้มข้น RCP2.6, RCP4.5 และ RCP8.5 เนื่องจากความแห้งแล้งถูกกำหนดโดยตัวแปร ตามหลายตัวแปร การประเมินปรากฏการณ์นี้ควรอยู่บนพื้นฐานของการวิเคราะห์หลายตัวแปร เพื่อ จุดประสงค์นี้ ลักษณะสำคัญสองประการของความแห้งแล้ง (ความรุนแรงและระยะเวลา) ถูกดึงออกมาโดย ทฤษฎีการวิ่งในอดีต (พ.ศ. 2504-2559) และระยะเวลาในอนาคต (พ.ศ. 2560–2100) ตาม SPI และ SPEI

วิธีดำเนินการวิจัย 41 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ และศึกษาโดยใช้ทฤษฎีคอปูลา หน้าที่ 3 คือ แฟรงค์ เกาส์เซียน และ Gumbel copula ได้รับการคัดเลือกให้ เหมาะสมกับความรุนแรงและระยะเวลาของภัยแล้ง ผลการวิเคราะห์แบบสองตัวแปรโดยใช้ copula พบว่า ตามตัวบ่งชี้ทั้งสอง พื้นที่ศึกษาจะประสบกับภัยแล้งที่รุนแรงและระยะเวลายาวนานกว่าในอนาคตเมื่อเทียบกับ ช่วงเวลาในอดีต และภัยแล้งที่ SPEI เป็นตัวแทนจะรุนแรงกว่าที่เกี่ยวข้อง เอสพีไอ นอกจากนี้ การจำลอง สถานการณ์ภัยแล้งโดยใช้สถานการณ์จำลอง RCP8.5 นั้นรุนแรงกว่าเมื่อใช้สถานการณ์จำลองอีกสอง สถานการณ์ ในที่สุด ภัยแล้งที่มีระยะเวลาคืนกลับนานขึ้นจะกลายเป็นบ่อยขึ้นในอนาคต Hugo Carrao และคณะ (2016) ศึกษาการทำแผนที่รูปแบบความเสี่ยงจากภัยแล้ง ทั่ว โลก: กรอบการทำงานเชิงประจักษ์ที่อิงจากการประมาณการอันตราย การเปิดรับ และความเปราะบาง ในระดับย่อย แผนที่ความเสี่ยงภัยแล้งระดับโลกได้รับการอธิบายอย่างละเอียดในระดับบริหารส่วนภูมิภาค การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อสังเกตว่าการวิจัยเพียงเล็กน้อยและไม่มีความพยายามร่วมกันในระดับโลก เพื่อให้มีกรอบการจัดการความเสี่ยงภัยแล้งที่สม่ำเสมอและเท่าเทียมกันในหลายภูมิภาค กลุ่มประชากร และ ภาคเศรษฐกิจ ความเสี่ยงจากภัยแล้งได้รับการประเมินในช่วงปี 2543-2557 และพิจารณาจากผลคูณของ ปัจจัยอิสระสามตัว ได้แก่ อันตราย การรับสัมผัส และความเปราะบาง อันตรายจากภัยแล้งได้มาจากการ วิเคราะห์แบบไม่อิงพารามิเตอร์ของการขาดดุลปริมาณน้ำฝนในอดีต ที่ 0.58 การสัมผัสกับความแห้งแล้งขึ้นอยู่ กับการรวมตัวแบบไม่อิงพารามิเตอร์ของตัวชี้วัดแบบกริดของความหนาแน่นของประชากรและปศุสัตว์ การ คลุมพืชผล และความเครียดจากน้ำ และความเปราะบางของภัยแล้งคำนวณเป็นองค์ประกอบทางคณิตศาสตร์ ของปัจจัยระดับสูงของตัวชี้วัดทางสังคม เศรษฐกิจ และโครงสร้างพื้นฐาน ซึ่งรวบรวมทั้งในระดับชาติและ ระดับย่อย การประเมินประสิทธิภาพของแบบจำลองที่เสนอจะเน้นย้ำความแข็งแกร่งทางสถิติและเน้นความ คล้ายคลึงเชิงประจักษ์ระหว่างรูปแบบทางภูมิศาสตร์ของผลกระทบจากภัยแล้งที่อาจเกิดขึ้นกับผลลัพธ์ก่อน หน้าที่นำเสนอในเอกสาร การค้นพบของเราสนับสนุนแนวคิดที่ว่าความเสี่ยงจากภัยแล้งเกิดจากการเติบโต แบบทวีคูณของความเสี่ยงในภูมิภาค ในขณะที่อันตรายและความเปราะบางแสดงความสัมพันธ์ที่อ่อนแอกว่า กับการกระจายค่าความเสี่ยงตามภูมิศาสตร์ ความเสี่ยงภัยแล้งจะลดลงสำหรับพื้นที่ห่างไกล เช่น ทุ่งทุนดรา และป่าเขตร้อน และสูงกว่าสำหรับพื้นที่ที่มีประชากรและภูมิภาคที่ใช้ประโยชน์อย่างกว้างขวางสำหรับการ ผลิตพืชผลและการทำฟาร์มปศุสัตว์ เช่น เอเชียใต้-กลาง ตะวันออกเฉียงใต้ของอเมริกาใต้ ยุโรปกลาง และ ตะวันออกเฉียงใต้ของสหรัฐอเมริกา เนื่องจากการคาดการณ์เกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศ คาดการณ์ว่าจะมีความถี่และความรุนแรงของภัยแล้งเพิ่มขึ้นในภูมิภาคเหล่านี้ ความเสี่ยงที่ทวีความรุนแรงขึ้น ต่อความมั่นคงด้านอาหารของโลกและศักยภาพสำหรับความขัดแย้งทางแพ่งในระยะกลางถึงระยะยาว เนื่องจากพื้นที่เกษตรกรรมส่วนใหญ่มีความเปราะบางด้านโครงสร้างพื้นฐานสูงต่อภัยแล้ง การปรับตัวในระดับ ภูมิภาคให้เข้ากับการเปลี่ยนแปลงสภาพภูมิอากาศอาจเริ่มต้นจากการดำเนินการและส่งเสริมการใช้ระบบ ชลประทานและการเก็บน้ำฝนอย่างแพร่หลาย ในการนี้การลดความเสี่ยงจากภัยแล้งยังอาจได้รับประโยชน์จาก การกระจายของเศรษฐกิจในภูมิภาคในภาคต่างๆของกิจกรรมและลดการพึ่งพา GDP ในภาคเกษตรกรรม

42 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture C A R R Ã O และคณะ (2014) ศึกษาระบบที่เหมาะสมที่สุดสำหรับการจำแนกภัยแล้ง อุตุนิยมวิทยาความเข้มข้นกับการใช้งานในการวิเคราะห์ความถี่ภัยแล้ง ความเพียงพอของระดับเกณฑ์ความ รุนแรงของความแห้งแล้งจากอุตุนิยมวิทยาโดยพิจารณาจากความเบี่ยงเบนของปริมาณหยาดน้ำฟ้าทุกเดือน จากสภาพอากาศปกติจะได้รับการพิจารณาใหม่ การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อสังเกตว่าระบบการจัด หมวดหมู่อ้างอิงสำหรับพื้นที่ภูมิอากาศทั้งหมดจะคงที่และระดับเกณฑ์ที่เสนอไม่ได้คำนึงถึงการกระจายทาง สถิติของปริมาณฝนสะสมในอวกาศและเวลา ข้อผิดพลาดที่อธิบายถึงการเปลี่ยนแปลงของปริมาณน้ำฝนอาจ ทำให้เกิดข้อผิดพลาดในการประเมินภัยแล้งทางอุตุนิยมวิทยาในพื้นที่ที่เฉพาะเจาะจง ในงานวิจัยนี้ได้เสนอ ระบบการจำแนกที่เหมาะสมใหม่ซึ่งขึ้นอยู่กับพารามิเตอร์ฟิชเชอร์เจนส์ขั้นตอนวิธีที่ใช้ในการประเมินระดับ ความเข้มของความแห้งแล้งทางอุตุนิยมวิทยาจากปริมาณฝนรายเดือน ระบบการจำแนกประเภทที่ปรับให้ เหมาะสมที่สุดจะถูกเปรียบเทียบโดยใช้ดัชนีความแม่นยำแบบตาราง (TAI) กับระบบการจำแนกประเภทคงที่ สามระบบที่เสนอในเอกสารประกอบและนำไปใช้อย่างกว้างขวางในการตั้งค่าการปฏิบัติงาน การประเมินการ จำแนกประเภทความรุนแรงของความแห้งแล้งด้วยระดับเกณฑ์ที่เหมาะสมและคงที่แสดงให้เห็นว่า 1) หมวดหมู่ที่เหมาะสมที่สุด 6 หมวดหมู่แบ่งปริมาณน้ำฝนทั้งหมดออกเป็นความรุนแรงของภัยแล้งที่เหมาะสม ที่สุดได้อย่างแม่นยำ 2) เกณฑ์ที่ปรับให้เหมาะสมจะให้การจัดสรรหมวดหมู่ความรุนแรงของภัยแล้งที่ปรับปรุง ให้ดีขึ้นมากเหนือเกณฑ์คงที่ที่มีจำนวนเท่ากันของประเภท และ 3) เกณฑ์คงที่ประเมินการเกิดความแห้งแล้ง การวิเคราะห์ความถี่ภัยแล้งรายเดือนและระยะยาวสำหรับละตินอเมริกาได้ดำเนินการเพื่อประเมินความ เชื่อมโยงเชิงพื้นที่ระหว่างหมวดหมู่ความรุนแรงของความแห้งแล้งจากอุตุนิยมวิทยาที่คำนวณ ด้วยอัลกอริธึม Fisher-Jenks และการจำแนกสภาพอากาศที่แตกต่างกัน ผลการศึกษา พบว่า มีการจับคู่อย่าง เป็นระบบระหว่างการเปลี่ยนแปลงภูมิอากาศและรูปแบบเชิงพื้นที่ของความเข้มของภัยแล้งทางอุตุนิยมวิทยา Gabriel Constantino Blain (2014) ศึกษาทฤษฎีค่าสุดขีดที่ใช้กับดัชนีหยาดน้ำฟ้ามาตรฐาน เป็นขั้นตอนวิธีทางคณิตศาสตร์ที่พัฒนาขึ้นเพื่อวัตถุประสงค์ดังต่อไปนี้การเปลี่ยนแปลงของปริมาณน้ำฝนที่ ตรวจพบและอธิบายตามคาดภูมิอากาศภูมิภาค ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อศึกษาความเป็นไปได้ใน การสร้างแบบจำลองความน่าจะเป็นไปได้ของ SPI สูงสุดประจำปี SPI ที่ได้จากสถานีอุตุนิยมวิทยา Campinas รัฐเซาเปาลูบราซิลยังประเมินแนวโน้มของทั้งสองข้อมูลความเข้มข้นระยะเวลาและส่วนประกอบเป็นระยะๆ ในงานวิจัยนี้ได้ใช้วิธีการทดสอบความเหมาะสมเพื่อหาความสอดคล้องระหว่างการสะสมประสบการณ์และ ฟังก์ชัน GEV สะสม ผลที่ได้แสดงให้เห็นว่าฟังก์ชันพารามิเตอร์นี้สามารถใช้ในการประเมิน ความน่าจะเป็นที่ค่า spimin spimax จะปรากฏขึ้น ไม่มีเด่นลำดับความสัมพันธ์หรือแนวโน้มที่ตรวจพบในทั้งสองชุด สำหรับ spim การวิเคราะห์เวฟเล็ตได้ตรวจพบรูปแบบเด่นของ 4-8 ปีวงดนตรีการวิจัยในอนาคตควรมุ่งเน้นการพัฒนา แบบจำลอง GEV ที่สามารถอธิบายลักษณะดังกล่าว รูปแบบเด่นของ SPI สูงสุดรายเดือนประจำปีไม่พบ Michael J. Hayes และคณะ (2014) ศึกษาการลดความเสี่ยงภัยแล้ง: ทฤษฎีและการปฏิบัติที่ เชื่อมโยงกัน ภัยแล้งที่เกิดขึ้นทั่วสหรัฐอเมริกาตั้งแต่ 1995 แสดงให้เห็นว่าประเทศยังคงเสี่ยงต่อภัยแล้ง เจ้าหน้าที่เริ่มตระหนักถึงความจำเป็นในการดำเนินการบรรเทาผลกระทบที่เพิ่มขึ้นเพื่อลดผลกระทบทาง

วิธีดำเนินการวิจัย 43 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ เศรษฐกิจ สิ่งแวดล้อม และสังคมที่เพิ่มขึ้นจากภัยแล้ง วิธีหนึ่งในการทำความเข้าใจความเปราะบางของความ แห้งแล้งในภูมิภาคและระบุการดำเนินการบรรเทาทุกข์ที่เหมาะสมที่จะดำเนินการคือการวิเคราะห์ความเสี่ยง ภัยแล้ง อย่างไรก็ตามความเสี่ยงจากภัยแล้งอาจเป็นแนวคิดที่สับสนสำหรับนักวางแผนหลายคนด้วยเหตุนี้ จึงนำเสนอกรอบการทำงานที่เรียบง่ายและยืดหยุ่นสำหรับการดำเนินการวิเคราะห์ความเสี่ยงภัยแล้ง กรอบ การทำงานนี้มีพื้นฐานมาจากการผสมผสานระหว่างทฤษฎีภัยธรรมชาติและการมีปฏิสัมพันธ์กับนักวางแผนภัย แล้งที่หลากหลายในสาขานี้ และมีวัตถุประสงค์เพื่อเป็นแบบจำลองเชิงปฏิบัติที่มุ่งเน้นการดำเนินการเพื่อช่วย นักวางแผนภัยแล้งในระดับการเมืองและภูมิศาสตร์ที่หลากหลาย นอกจากนี้ยังมีการหารือกรณีศึกษาหลาย กรณีเพื่อแสดงให้เห็นถึงการประยุกต์ใช้แบบจำลอง Raymond P. Motha (2011) ศึกษาภัยแล้งทางการเกษตร: มุมมอง USDA ภัยแล้งส่งผลกระทบ อย่างมีนัยสำคัญต่อการเกษตรของอเมริกา ในทศวรรษที่ 1930 ประสบกับภาวะเศรษฐกิจตกต่ำอย่างรุนแรง ก่อให้เกิดผลกระทบร้ายแรงทางเศรษฐกิจและสังคม กระทรวงเกษตรของสหรัฐอเมริกา (USDA) ได้จัดตั้ง หน่วยงานและโครงการต่างๆ เพื่อช่วยให้เกษตรกรชาวอเมริกันรับมือกับภัยแล้งและผลกระทบในวงกว้าง ใน การตัดสินใจกรณีฉุกเฉินภัยแล้ง USDA ใช้เครื่องมือตรวจสอบความแห้งแล้งที่มีอยู่อย่างแข็งขัน ดัชนีความรุนแรงภัยแล้งของพาลเมอร์ (PDSI) ถูกใช้มานานกว่า 30 ปี โดยเริ่มใช้ตัวบ่งชี้ภาวะภัยแล้งในปี 2503 เครื่องวัดภัยแล้ง ซึ่งเป็นดัชนีคอมโพสิตที่ได้รับการปรับปรุงให้ดีขึ้นมาก ในปี2542 และถูกใช้เป็นเหตุให้ เกิดภัยแล้งของ USDA หลังจากนั้นไม่นานมีการนำเสนอการทบทวนโปรแกรมและกิจกรรมเหล่านี้ Sanabria L.A. and R. P. Cechet (2010) ศึกษาการวิเคราะห์ค่าสุดขีดสำหรับข้อมูลแบบกริด กลุ่มวิเคราะห์ความเสี่ยงและผลกระทบของธรณีศาสตร์ออสเตรเลียได้พัฒนาแบบจำลองเพื่อประเมินอันตราย และความเสี่ยงที่เกิดจากปรากฏการณ์ทางธรรมชาติจำนวนหนึ่ง เอกสารนี้อธิบายแบบจำลองเพื่อประเมิน อันตรายจากลมแรงทั่วบริเวณมากกว่าที่สถานีบันทึก โมเดลนี้รวมโมเดลย่อยสามโมเดล: โมเดลทางสถิติที่ คำนวณระยะเวลาส่งคืนสำหรับเหตุการณ์โดยใช้การแจกแจงค่าสุดขีด แบบจำลองเพื่อแยกและประมวลผล ความเร็วลมจากแบบจำลองสภาพอากาศที่มีความละเอียดสูง (ระดับภูมิภาค) และแบบจำลองมอนติคาร์โลเพื่อ สร้างความเร็วลมกระโชกจากความเร็วลมเฉลี่ย ข้อมูลกริดที่มีความละเอียดสูงขนาดใหญ่ต้องการวิธีที่รวดเร็ว และมีประสิทธิภาพในการคำนวณอันตรายจากลม เอกสารนี้นำเสนออัลกอริทึมที่ใช้คอมพิวเตอร์เพื่อให้บรรลุ เป้าหมายนี้

44 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2.2 วิธีดำเนินการวิจัย การดำเนินการวิจัยของการพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ใน ลุ่มน้ำมูลเพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ผู้วิจัยอธิบาย วิธีการดำเนินการวิจัยมีรายละเอียดดังนี้ 2.2.1 ข้อมูลที่ใช้ในการศึกษา ตารางที่ 2.1 รายละเอียดของข้อมูลที่นำมาวิเคราะห์ จำแนกตามประเภทของข้อมูล ลำดับที่ ประเภท รายละเอียด 1 ด้านอุทกวิทยา ● ปริมาณน้ำท่า ● อัตราการไหลของน้ำ ● ระดับน้ำหน้าเขื่อน ● ปริมาณน้ำระบาย ● ระดับน้ำเก็บกัก ● ระดับตลิ่ง ● ความจุอ่างเก็บน้ำ 2 ด้านอุตุนิยมวิทยา ● ปริมาณน้ำฝนสูงสุดรายวัน ● ปริมาณน้ำฝนสะสมรายเดือน ● ปริมาณน้ำฝนสะสมรายปี ● ปริมาณน้ำฝนสะสม 10 วัน ● อุณหภูมิต่ำสุด ● อุณหภูมิสูงสุด ● ความชื้นสัมพัทธ์ ● ความเร็วลมสูงสุดรายวัน ● จำนวนพายุหมุนรายปี ● ความกดอากาศ 3 ด้านความเสียหายทางการ เกษตร ● ความเสียหายในเขตพื้นที่ศึกษา : จำนวนตำบล จำนวนหมู่บ้าน ครัวเรือน/คน พื้นที่เกษตร

วิธีดำเนินการวิจัย 45 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ลำดับที่ ประเภท รายละเอียด ● วงเงินที่ใช้จ่ายเงินชดเชย 4 ด้านระบบสารสนเทศ ภูมิศาสตร์ (GIS) ● เส้นทางคมนาคม ● ตำแหน่งหมู่บ้าน ● ขอบเขตเทศบาล ● ตำบล ● อำเภอ ● จังหวัด ● แหล่งชุมชน ● แหล่งน้ำ ● ภูเขา ● แหล่งน้ำขนาดเล็ก ● เส้นทางน้ำ ● อ่างเก็บน้ำขนาดใหญ่ ● อ่างเก็บน้ำขนาดกลาง 5 ภาพถ่ายดาวเทียม ● MODIS ● LANDSAT7 ● LANDSAT8

46 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture 2.2.2 สถิติที่ใช้ในการวิเคราะห์ 1) การวิเคราะห์ด้วยอนุกรมเวลา (Time Series Analysis) ตัวแบบอนุกรมเวลาโดยวิธี Box–Jenkins เป็นวิธีการที่สามารถใช้ได้กับข้อมูลที่มีการเคลื่อนไหว ทุกประเภท และมีความแม่นยำในการพยากรณ์ที่ค่อนข้างสูง เหมาะสำหรับการพยากรณ์ ทุกช่วงเวลาและ จำนวนข้อมูลที่นำมาวิเคราะห์ควรมีอย่างน้อย 50 ค่าสังเกต วิธีการพยากรณ์ของ Box – Jenkins มีขั้นตอนดังนี้ 1. คำนวณหาค่าอัตตสัมพันธ์ในตนเอง (Autocorrelation : ACF) และอัตตสัมพันธ์ในตนเอง เชิงส่วน (Partial autocorrelation: PACF) เพื่อใช้ในการพิจารณาเลือกตัวแบบ (Model) 2. ประมาณค่าพารามิเตอร์ในตัวแบบ 3. ตรวจสอบความเหมาะสมของตัวแบบ โดยการวิเคราะห์ค่าคงเหลือ (Residual analysis) นั่นคือหาค่าความคลาดเคลื่อนของการพยากรณ์แล้วนำมาตรวจสอบ ACF ของความคลาดเคลื่อน ถ้า ACF มี ค่าน้อยและมีรูปแบบเป็นไปอย่างสุ่ม นั้นคือตัวแบบที่เลือกสามารถนำไปใช้ในการพยากรณ์ได้ แต่ถ้า ACF มีค่า มากกว่าศูนย์อย่างมีนัยสำคัญ และรูปแบบที่แน่นอนแสดงว่าตัวแบบที่เลือกมาไม่เหมาะสม ควรทำการเลือกตัว แบบใหม่ โดยแต่ละขั้นตอนมีรายละเอียดดังนี้ 1. การกำหนดตัวแบบ โดยพิจารณาสหสัมพันธ์ในตนเองและสหสัมพันธ์ในตัวเองส่วนย่อย (Autocorrelation and partial autocorrelation) สหสัมพันธ์ในตนเอง (Autocorrelation) จากกระบวนการ Stationary ซึ่งมีสมบัติคือ ค่าเฉลี่ยและความแปรปรวนของกระบวนการ เป็นค่าคงที่ทุกหน่วยใด ๆ และความแปรปรวนร่วมของค่าสังเกตใด ๆ ในอนุกรมเวลานั้นจะขึ้นอยู่กับ ช่วงเวลา ที่ห่าง k หน่วยเวลา ถ้าพิจารณาสหสัมพันธ์ระหว่าง Y t และ Y t k + จะได้สหสัมพันธ์ที่มีค่า ขึ้นกับช่วงเวลาที่ k หน่วยเท่านั้น ซึ่งจะเรียกสหสัมพันธ์ระหว่างตัวแปรสุ่มที่หน่วยเวลาห่างกัน ของกระบวนการเดียวกันว่า สหสัมพันธ์ในตัวเอง (Autocorrelation: k ) ( )( ) ( ) 2 t t k k t E Y Y E Y − − − = − เมื่อ r Y Y Y k t t k t = = − COV E ( , − ) ( ) ( ) ( ) ( ) ( ) 2 2 r Y Y Y Y 0 = = = = E E Var Var t t k − − − t t k −

วิธีดำเนินการวิจัย 47 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ดังนั้น 0 k k r r = เมื่อพิจารณา k ในลักษณะที่เป็นฟังก์ชันของเวลาที่ห่างกัน K หน่วยจะเรียกว่า k ว่าเป็น ฟังก์ชัน สหสัมพันธ์ในตนเองหรือคอเรลโลแกรม (Autocorrelation Function: ACF or Correlogram) โดย ที่ k เป็นพารามิเตอร์ที่ไม่ทราบค่า จะทำการประมาณค่า k จากอนุกรมเวลาที่มีจำนวนจำกัด n ค่าสังเกต 1 2 y y y , ,..., n ซึ่งเรียกว่าสหสัมพันธ์ในตัวเองในช่วงเวลาที่ห่างกัน k หน่วย จากตัวอย่าง(Sample Autocorrelation Function at lag k : r k ) โดยที่ ( )( ) ( ) 1 2 1 n t t k t k k n t t Y Y Y Y r Y Y − = + = − − = − 1 n t t Y Y n = = ความแปรปรวนของตัวประมาณสหสัมพันธ์ในตัวเองของตัวย่อยตัวแปร (SACF) สำหรับ กระบวนการซึ่งทุกในสหสัมพันธ์ในตัวเอง r k = 0 เมื่อ k > q ประมาณได้โดยถ้าอนุกรมเวลามีความสุ่ม สัมบูรณ์ k = 0 สามารถประมาณค่าความแปรปรวน r k ได้ดังนี้ ( ) 1 ; Var k r k n โดยทั่วไปการทดสอบสมมติฐาน 0 H : 0 k = แย้งกับ k > q เมื่อ 1 H : 0 k จะทำการสรุปว่า k = 0 สำหรับ k > q เมื่อ ( ) 1 2 2 1 2 1 2 n k f f r r n = + และสรุปว่า k 0 เมื่อ ( ) 1 2 2 1 2 1 2 n k f f r r n = + นั่นคือ ถ้า 2 k rk r s สำหรับ k q +1 และ 2 k rk r s สำหรับ k > q

48 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture สหสัมพันธ์ในตนเองส่วนย่อย (Partial Autocorrelation) ในการพิจารณาสหสัมพันธ์ระหว่างตัวแปร Y t และ Yt k −อาจมีผลเนื่องจากสหสัมพันธ์ ระหว่างสองตัวแปรนี้กับ 1 1 ,..., t Y Y − t k − −ด้วยดังนั้นจึงทำการปรับค่าสหสัมพันธ์ในตนเองส่วนย่อย ระหว่าง Y t และ Yt k − สัมประสิทธิ์สหสัมพันธ์ส่วนย่อยระหว่างตัวแปรสุ่ม x และ Y เมื่อกำหนด ตัวแปร W คือ สัมประสิทธิ์สหสัมพันธ์ซึ่งหาจากฟังก์ชันความน่าจะเป็นแบบมีเงื่อนไข (Conditional probability density function : f (x | y) ) ดังนี้ ( )( ) . . 2 2 1 1 xy w wx wy xy w wx yw − = − − ถ้ากำหนด 2 1 , , X X W = = = Y Y Y t t t − −สหสัมพันธ์ส่วนย่อยของเวลาที่ห่างกันเท่ากับ ( ) 22 2 หาได้จาก ( )( ) 2 1 2 1 1 2 1 2 2 1 1 t t t t t t t t t t t kk Y Y Y Y Y Y Y Y Y Y Y − − − − − − − − = − − และสหสัมพันธ์ในตนเองส่วนย่อยของช่วงเวลาห่างกัน K หน่วยใดๆ คือ ( 1 1 1 1 ) ( ) 22 / ,..., , ,..., = − − corr E E Y Y Y Y Y Y Y Y t t t t k t k t k t k t k − − + − + − − − + 1 2 1 1 3 2 1 2 1 1 3 2 1 4 2 1 2 1 1 1 . . . . . . . . 1 1 . . . . . . . . 1 k k k k k kk k k k k k − − − − − − − − − = ในอีกแนวคิดหนึ่ง kk คือสัมประสิทธิ์ของสมการถดถอยในรูป 1 1 2 2 ... Z Z Z Z a t k t k t kk t p t = + + + + − − −

วิธีดำเนินการวิจัย 49 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ จากสมการนี้เราอาจแสดงได้ว่า kk อาจหาได้จากสมการซึ่งมีชื่อเรียกว่า Yule-Walker equation ดังนี้ 1 1 1 1 1 1 2 2 1 2 3 1 1 1 k k k k k k k k − − − − = อย่างไรก็ตามในการประยุกต์เราไม่ทราบ , 1, 2,..., j j k = จึงต้องประมาณด้วย , 1, 2,..., j r j k = ฉะนั้นใน การประยุกต์เราทราบเพียงค่าประมาณของ kk ซึ่งจะแทนด้วย ˆ kk โดยได้จากการแทนค่า , 1, 2,..., j r j k = นำตำแหน่งของ , 1, 2,..., j j k = นอกจากวิธีนี้เราอาจหา ˆ kk จากสูตรสำเร็จในรูปสมการที่แสดง ความสัมพันธ์ระหว่าง ˆ kk สำหรับ k ค่าที่ติดต่อกันดังนี้ 1 1 1, 1 1 1, 1 ˆ ˆ , 2,3 ˆ 1 k k k j k j kk j k k j j j r r r k r − − − = − − = − = = − โดยที่ 1 1, ˆ ˆ ˆ ˆ , 1,..., 1 kj k kk k k j j k = − = − − − − เรียก ˆ kk ว่าสหสัมพันธ์ในตัวเองบางส่วนเมื่อช่วงเวลาห่างกัน k หน่วยของตัวอย่าง (Sample partial autocorrelation) ลดลงเข้าสู่ศูนย์อย่างรวดเร็วแสดงว่าอนุกรมเวลาชุดนี้เป็นกระบวนการ Stationary การกำหนดตัวแบบมีขั้นตอนเป็นไปตามลำดับขั้นตอนการตรวจสอบคุณสมบัติของ กระบวนการโดยใช้ ค่าสังเกตของกระบวนการในอดีต ดังนี้ ขั้นที่ 1 การแปลงให้เป็นกระบวนการที่มีความแปรปรวนคงที่โดยใช้เทคนิค Transformation ขันที่ 2 การแปลงให้เป็นกระบวนการค่าเฉลี่ยคงที่ กระบวนการ Y t ซึ่งมีความแปรปรวนคงที่ แต่ยังมีค่าเฉลี่ยที่ไม่คงที่ ซึ่งอาจจะดูได้จากกราฟ ของอนุกรมเวลามีระดับเปลี่ยนไปตามเวลา ACF มีลักษณะลดลงเข้าสู่ศูนย์ช้า การแปลงให้กระบวนการเป็น Stationary ได้โดยหาผลต่างครั้งที่ d ได้เป็นอนุกรมผลต่างซึ่งโดยทั่วไปนิยมใช้ d ไม่ เกิน 2 ขั้นที่ 3 การกำหนดรูปแบบที่เหมาะสมให้กับอนุกรมเวลาเดิมที่ไม่เป็น Stationary ให้เป็น อนุกรมเวลาใหม่ที่เป็น Stationary 2. เลือกตัวแบบ ARIMA (p,d,q) ที่เป็นไปได้

50 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ตารางที่ 2.2 แสดงลักษณะของ k และ kk สำหรับรูปแบบ ARIMA (p,d,q) กระบวนการ ARIMA(p, d, q) ACF ( k ) PACF ( kk ) เงื่อนไข Stationary หมายเหตุ 1,d,0 ลดลงแบบเอ็กโปเนน เซียล เฉพาะ kk 0 ส่วนค่าอื่นเป็นศูนย์ 1 1 ARIMA (1, 0, 0) คือ AR (1) 0,d,1 เฉพาะ 1 0 ค่า อื่นเป็น 0 และ -0.05< <0.05 ลดลงในกรอบ ลดลงเอ็กโปเนน เซียล ARIMA (0, 0, 1) คือ MA (1) 2,d,0 ลักษณะผสมของการ ลดลงแบบเอ็กโปเนน เซียลหรือลดลง เฉพาะ 11 22 , 0 ส่วนค่าอื่นเป็นศูนย์ -1 1 1 2 + 1 1 2 − 1 ARIMA (2, 0, 0) คือ AR (2) 1,d,1 ลดลงจาก 1 แบบเอ็ก โปเนนเซียล ลดลงจาก kk ในกรอบ การลดลงเอกโปเนน เซียล 1 1 ARIMA (0, 0, 2) คือ MA (2) ที่มา: ทรงศิริ แต้สมบัติ : 2549

วิธีดำเนินการวิจัย 51 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 3. เลือกตัวแบบ SARIMA (p,d,q) ที่เป็นไปได้ ตารางที่ 2.3 แสดงลักษณะของ k และ kk สำหรับรูปแบบ SARIMA (p,d,q) กระบวนการ SARIMA(p,d,q) ACF ( k ) PACF ( kk ) หมายเหตุ 1,d,0 12 24 , ,... มีค่าลดลง เร็วเข้าใกล้ศูนย์ kk = 0 สำหรับ k = 24,36,… SARIMA (1,0,0) คือ AR (1) 0,d,1 k = 0 สำหรับ k = 24,36,… 12,12 24,24 , ,... มีค่า ลดลงเร็วเข้าใกล้ศูนย์ SARIMA (0,0,1) คือ MA (1) 2,d,0 12 24 , ,... มีค่าลดลง เร็วเข้าใกล้ศูนย์ kk = 0 สำหรับ k = 36,48,… SARIMA (2,0,0) คือ AR (2) 1,d,1 k = 0 สำหรับ k = 36,48,… 12,12 24,24 , ,... มีค่า ลดลงเร็วเข้าใกล้ศูนย์ SARIMA (0,020) คือ MA (2) ที่มา : ทรงศิริ แต้สมบัติ, 2549 หรือพิจารณาตัวแบบได้จากภาพ ดังต่อไปนี้ ภาพที่ 2.1 ฟังชันก์อัตตสัมพันธ์และอัตตสัมพันธ์เชิงส่วนของตัวแบบ SAR (1)12

52 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ภาพที่ 2.2 ฟังชันก์อัตตสัมพันธ์และอัตตสัมพันธ์เชิงส่านของตัวแบบ SMA (1)12 ที่มา : ทรงศิริ แต้สมบัติ, 2549 การตรวจสอบ ACF และ PACF แตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่นั้น ทำได้โดยการทดสอบ สมมติฐาน ดังนี้ 0 H : 0 k = และ H 0 : kk = 0 0 H : 0 k = และ H 0 : kk 0 และสามารถสรุปได้ว่า 1. 2 ; r k q n และ 2 2 ; r k k q n n − ตัวแบบที่เป็นไปได้คือ MA (q) 2. 2 ; kk k p n และ 2 2 ; kk k q n n − ตัวแบบที่เป็นไปได้คือ AR (p) 3. ถ้าทั้ง , r k kk ไม่มีค่าใดยอมรับได้ว่าเป็นศูนย์ ตัวแบบที่เป็นไปได้คือ ARMA (p,q) 4. ตัวแบบ (Model) ในการวิเคราะห์อนุกรมเวลาบอกซ์-เจนกินส์ ในการหาตัวแบบนั้นมีข้อกำหนดที่สำคัญคือชุดข้อมูลอนุกรมเวลาที่นำมาวิเคราะห์นั้นจะต้องมี คุณสมบัติ Stationary ซึ่งตัวแบบที่เกิดขึ้นในวิธีการพยากรณ์มีดังนี้ 1. ตัวแบบอัตตถดถอย (Autoregression Model : AR (p))

วิธีดำเนินการวิจัย 53 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 2. ตัวแบบค่าเฉลี่ยเคลื่อนที่ (Moving Average Model : MA (q)) 3. ตัวแบบอัตตถดถอยผสมตัวแบบค่าเฉลี่ยเคลื่อนที่ (Autoregression Moving Average Model : ARMA (p,q)) ในกรณีที่อนุกรมเวลาไม่มีคุณสมบัติ Stationary จะต้องทำให้เป็น Stationary ก่อน และตัว แบบที่เป็นไปได้ดังต่อไปนี้ 4. ตัวแบบ Autoregression Integrate Moving Average Model : ARIMA (p,d,q) 5. ตัวแบบ Seasonal Autoregression Moving Average Model: SARIMA (p,d,q) ซึ่งตัว แบบที่ 5 มีลักษณะต่างๆ ดังนี้ ตัวแบบอัตตถดถอย (Autoregression Model : AR (p)) ข้อมูล ณ เวลาปัจจุบันสัมพันธ์เชิงถดถอยกับข้อมูลเดียวในเวลาอดีต ดังนี้ 0 1 2 1 2 ... Y Y Y Y t t t t p = + + + + + − − − p t เมื่อ Y t เป็นข้อมูล ณ เวลา t 1 ,..., Y Y t t p − − เป็นข้อมูลตัวแปรอิสระของข้อมูลตัวแปรตาม ณ เวลาในอดีต p ช่วงเวลา 0 เป็นค่าคงที่ 1 ,..., p เป็นสัมประสิทธิ์ความถดถอย t แทนความคลาดเคลื่อน ตัวแบบค่าเฉลี่ยเคลื่อนที่ (Moving Average Model : MA (q)) ข้อมูล ณ เวลาปัจจุบันสัมพันธ์ความคลาดเคลื่อนที่เกิดขึ้นในเวลาอดีต ดังนี้ 1 1 2 2 0 ... Y t = + − − − + e e e e t t t q t p − − − เมื่อ Yt เป็นข้อมูล ณ เวลา t 1 ,..., e e t t q − − เป็นข้อมูลตัวแปรอิสระของข้อมูลตัวแปรตาม ณ เวลาในอดีต q ช่วงเวลา 0 เป็นค่าคงที่ ,..., e e t p เป็นสัมประสิทธิ์ความถดถอย et แทนความคลาดเคลื่อน ณ เวลา t

54 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ตัวแบบอัตตถดถอยผสมตัวแบบค่าเฉลี่ยเคลื่อนที่ (Autoregression Moving Average Model: ARMA (p,q)) ข้อมูล ณ เวลาปัจจุบันสัมพันธ์กับข้อมูลในอดีตและความคลาดเคลื่อนจากการพยากรณ์ในเวลาอดีต ดังนี้ 0 1 2 1 2 1 1 2 2 ... ... Y Y Y Y t t t t p = + + + + + + − − − − − − p e e e e t t t q t q − − − ตัวแบบ Autoregression Integrate Moving Average Model : ARIMA (p,d,q) เป็นตัวแบบที่ข้อมูลไม่เป็น Stationary ถ้ากำหนด d W t = Y ดังนั้นตัวแบบ ARIMA (p,d,q) คือ 1 2 2 ... W W W W e t t d t d t pd t − − − p = + + + + − 1 2 2 ... e e e t d t d q t qd − − − − − − ตัวแบบ ARIMA (p,1,q) 1 2 2 3 1 1 2 1 1 1 ( ) ( ) ... ( ) t t t t t t p t p p t t t Y Y Y Y Y Y Y − = − + − + + − + − − − − − − − − Y − e e − 2 2 ... − − − e e t q t q − − ตัวแบบ (Seasonal Autoregression Integrated Moving Average Model of order : SARIMA (p,d,q) x SARIMA(P,D,Q)s ( ) ( ) ( ) ( ) 1 1 1 1 (1 ... )(1 ... ) 1 1 1 ... 1 ... d D p s ps s p p t q s Qs Q t B B L B B B B Y B B B − − − − − − − − = − − − − − − โดยที่ Y t คือ ข้อมูล ณ เวลาที่ t B คือ backshift operator t คือ ความคลาดเคลื่อนสุ่ม (random errors) ณ เวลาที่ t, 2 (0, ) t Nid 1 2 , ,..., P คือ พารามิเตอร์แสดงค่าของ nonseasonal autoregressive process อันดับที่ 1,2,…,p 1 2 , ,..., q คือ พารามิเตอร์แสดงค่าของ nonseasonal moving average process อันดับที่ 1,2,…,q

วิธีดำเนินการวิจัย 55 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ 1 2 , ,..., p คือ พารามิเตอร์แสดงค่าของ seasonal autoregressive process อันดับที่ 1,2,…,P ตามลำดับ 1 2 , ,..., Q คือ พารามิเตอร์แสดงค่าของ seasonal moving average process อันดับที่ 1,2,…,Q p คือ อันดับที่ p ของกระบวนการ autoregressive แบบ nonseasonal d คือ อันดับที่ d ของการหาผลต่างแบบ nonseasonal q คือ อันดับที่ q ของกระบวนการ moving average แบบ nonseasonal P คือ อันดับที่ P ของกระบวนการ autoregressive แบบ seasonal D คือ อันดับที่ D ของการหาผลต่างแบบ seasonal Q คือ อันดับที่ Q ของกระบวนการ moving average แบบ Seasonal 2) แบบจำลองเกรย์ (Grey Model) วิธีการพยากรณ์แบ่งออกเป็น 2 ประเภท คือ การพยากรณ์เชิงปริมาณ และการพยากรณ์เชิง คุณภาพ ในส่วนของการพยากรณ์เชิงปริมาณนั้น แบ่งออกเป็น 2 ประเภท คือ การพยากรณ์แบบอนุกรมเวลา (Time Series) ที่มีแนวคิดว่า ข้อมูลในอนาคตจะสะท้อนจากข้อมูลในอดีตและปัจจุบันของตัวเอง เช่น ตัวแบบ ARIMA เป็นต้น อีกประเภทหนึ่งของการพยากรณ์เชิงปริมาณ คือ การพยากรณ์แบบ Causal ซึ่งมีแนวคิดว่า ข้อมูลในปัจจุบันเกิดจากปัจจัยต่างๆ หลายปัจจัยทั้งในอดีตและปัจจุบัน ตัวอย่างเช่น ตัวแบบ Multiple Regression และตัวแบบ Arbitrage Pricing Theory : APT เป็นต้น โดยในปัจุบันมีวิธีการพยากรณ์มากกว่า 300 วิธี (Chen. 2008) ตัวแบบการพยากรณ์เกรย์ เป็นตัวแบบที่พัฒนามาจากทฤษฎีระบบเกรย์ (Grey System Theory) คิดค้นโดยศาสตราจารย์ Julong Deng เมื่อปี ค.ศ. 1982 โดยมีแนวคิดว่า ข้อมูลทุก ประเภทประกอบไปด้วยข้อมูลที่มีความครบถ้วนสมบูรณ์ และข้อมูลที่ไม่ครบสมบูรณ์ ข้อมูลจึงมีแนวโน้มจะ เป็นแบบเอ็กโปเนนเชียล ตัวแบบเกรย์ถูกนำไปใช้พยากรณ์ในหลายอุตสาหกรรม เช่น พยากรณ์ความต้องการ สินค้าเกษตร (Yong. 1995) พยากรณ์ความต้องการใช้พลังงานของเครื่องทำความเย็น (Jiang, Yao, Deng and Ma. 2004) พยากรณ์การเกิดแผ่นดินไหว (Lee. 1986) พยากรณ์ยอดขายเครื่องดื่มประเภทไม่มี แอลกอฮอล์ในประเทศไต้หวัน (Lin and Hsu. 2002) พยากรณ์จำนวนผู้โดยสารในสนามบินนานาชาติ (Xu and Wen.1997) พยากรณ์ดัชนีคาราตลาดหลักทรัพย์แห่งประเทศไทย (ศิริณา พวงนาคและนภนนท์ หอม สุด.2550)

56 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ตัวแบบการพยากรณ์เกรย์สามารถปรับปรุงได้หลายรูปแบบ โดยปรับปรุง คือ การใช้ตัวแบบการ พยากรณ์เกรย์เบอร์นูลลี ซึ่งถูกนำเสนอในหนังสือของ K.L. Wen (2004) แต่มีการวิจัยเชิงประจักษ์พบได้เพียง สองงานวิจัย คือ Chen (2008) ซึ่งใช้ตัวแบบดังกล่าวพยากรณ์อัตราแลกเปลี่ยน และใช้พยากรณ์อัตราการ ว่างงานของประเทสไต้หวัน นภนนท์ หอมสุดและกรกาญจน์ จิตต์ชัยวิสุทธิ์ (2552) ได้ใช้ข้อมูลรายวันในการ พยากรณ์อัตราการแลกเปลี่ยนเพื่อคำนวณหาจำนวนข้อมูลและค่าพารามิเตอร์ที่เหมาะสม ซึ่งในงานวิจัยนี้มี ผู้วิจัยได้ทดลองใช้ตัวแบบพยากรณ์เกรย์เบอร์นูลลีในการพยากรณ์แล้ว พบว่า ได้ค่าที่ไม่ต่างจากตัวแบบเกรย์ ตัวแบบจำลอง GM (1,1) สำหรับขั้นตอนการสร้างแบบจำลอง GM (1,1) คือ การกำหนดข้อมูลเริ่มต้น (Original Data) (0) (0) (0) (0) x x x x m = (1), (2),..., ( ) ตามลำดับของจำนวนข้อมูลจากนั้นหาค่าผลรวมสะสมข้อมูลดั้งเดิม (1) (0) 1 ( ) ( ) , 1, 2,..., k i x k x i k m = = = และตั้งเป็นตัวแปรใหม่ (1) (1) (0) (1) x x x x m = (1), (2),..., ( ) เรียก (1) x k = ( ) ว่า ผลรวมสะสมของข้อมูลดั้งเดิม (0) x k = ( ) (Accumulated Generating Operation of (0) x k = ( ) ) หา Background Value โดยใช้ลำดับของค่ากลางและการหาอนุพันธ์ของลำดับข้อมูล การหาสมการอนุพันธ์ของแบบจำลอง GM (1,1) ดังนี้ (1) dx (1) ax b dt + = ผลของการหาอนุพันธ์ของฟังก์ชัน จะได้ (0) (1) x k az k b ( ) ( ) + = เมื่อ a และ b เป็นค่าพารามิเตอร์ของ แบบจำลอง โดยเรียก a ว่าค่าสัมประสิทธิ์การปรับปรุง (Developing Coefficient) และ k เป็นลำดับ ของข้อมูล การประมาณค่าพารามิเตอร์ทั้งสองตัวด้วยวิธีกำลังสองน้อยที่สุด (Least Square Method) ดังนี้ 1 , ( ) T T T m a b B B B Y − = เมื่อ (0) (0) (0) (2), (3),..., ( ) Y x x x m m = และ (1) (1) (1) (2) 1 (3) 1 ( ) 1 z z B z m − − = −

วิธีดำเนินการวิจัย 57 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ สามารถคำนวณค่าใหม่ได้ดังนี้ (1) (1) (1) 1 ( 1) ( ( ) ( 1)) , 1, 2,..., 1 2 z k x k x k k m + = + + = − การหาค่าพยากรณ์ของแบบจำลอง GM (1,1) นั่นคือ (1) (0) ˆ ( 1) (1) b b ak x k x e a a − + = − + และปรับสมการใหม่ได้ดังนี้ (1) (1) (0) ˆ ( 1) ( 1) (1 ) (1) , 1, 2,..., 1 a ak b x k x k e x e k m a − + = + = − − = − 3) การเรียนรู้ของเครื่อง (Machine Learning) องค์ประกอบหนึ่งของ ปัญญาประดิษฐ์ หรือ (AI) ที่เป็นองค์ประกอบที่สำคัญในการช่วย พัฒนาและสร้างความฉลาดให้แก่ ปัญญาประดิษฐ์ หรือ (AI) ที่จะไม่พูดถึงมิได้คือ การเรียนรู้ของเครื่อง ซึ่งถือ เป็น ส่วนการเรียนรู้ของปัญญาประดิษฐ์ หรือ (AI) โดยหากเปรียบ การเรียนรู้ของเครื่อง เป็นอวัยวะส่วนหนึ่ง ของมนุษย์ ก็คงจะสามารถเปรียบ การเรียนรู้ของเครื่อง เป็นสมอง เพราะหน้าที่หลักของ การเรียนรู้ของเครื่อง คือการสร้างความฉลาด โดย การเรียนรู้ของเครื่อง จะเรียนรู้จากสิ่งที่มนุษย์ส่งข้อมูลเข้าไปกระตุ้น แล้วจดจำ เอาไว้เป็นมันสมอง และทำการวิเคราะห์ข้อมูลแล้วส่งผลลัพธ์ออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปยังส่วน แสดงผล หรือให้ AI นำไปแสดงการกระทำ หากพิจารณา การเรียนรู้ของเครื่อง เทียบกับการเขียนโปรแกรมในสมัยก่อนจะค้นพบว่า Machine Learning นั้นมีความแตกต่างจากการเขียนโปรแกรมในสมัยก่อนเป็นอย่างมาก โดยการเขียน โปรแกรมในสมัยก่อนนั้นคำสั่งโปรแกรมทั้งหมดจะต้องถูกกำหนดแนวทางไว้ชัดเจนจากผู้เชี่ยวชาญที่ต้องการ จะพัฒนาซอฟต์แวร์นั้น ๆ โดยความซับซ้อนของแต่ละชุดคำสั่งนั้นขึ้นอยู่กับความรู้ความสามารถของผู้พัฒนา ระบบ และเมื่อระบบเริ่มซับซ้อนมากขึ้น ยิ่งจำเป็นต้องมีชุดคำสั่งที่ถูกเขียนเพิ่มขึ้น ทำให้การบำรุงรักษาระบบ จะไม่เสถียร โดย Machine Learning จะเรียนรู้ว่าข้อมูลขาเข้าและข้อมูลขาออกที่ได้รับมามีความเกี่ยวข้องกัน อย่างไร และระบบจะทำการวิเคราะห์ถึงความสัมพันธ์ของข้อมูล เพื่อเขียนชุดคำสั่งขึ้นมาใหม่โดยที่ โปรแกรมเมอร์ไม่จำเป็นต้องเขียนกฎใหม่ทุกครั้งที่มีข้อมูลใหม่

58 วิธีการดำเนินการวิจัย Development of an Information System for Forecasting Spatial Extremely Drought in Mun Watershed for Water management of Precision Agriculture ภาพที่ 2.3 ประเภทของ Machine Learning ที่มา: https://towardsdatascience.com/machine-learning-types-2-c1291d4f04b1 โดย Machine Learning นั้นจำแนกออกได้เป็น 3 รูปแบบคือ 1. การเรียนรู้โดยมีผู้สอน (Supervised Learning) เป็นการเรียนรู้ที่เครื่องจักรจะต้อง อาศัยข้อมูลใน การฝึกฝน เปรียบเสมือนกับการเรียนการสอนของเด็กเล็ก โดยจำเป็นจะต้องอาศัยชุดข้อมูลต่าง ๆ ซึ่งประกอบไปด้วยชุดของข้อมูลและชุดผลลัพธ์ของข้อมูลที่ต้องการ โดยผลที่ได้จากการเรียนรู้คือ การเรียนรู้ ของเครื่อง สามารถคาดคะเนผลลัพธ์ที่เกิดขึ้นจากการได้รับข้อมูล ตัวอย่างที่เห็นได้ชัดของ การเรียนรู้ ของเครื่อง ในกลุ่ม Supervised Learning ที่ถูกนำมาประยุกต์ใช้งานในเชิงธุรกิจ คือ การคำนวนราคาบ้าน, หรือการวิเคราะห์ผลฟุตบอล 2. การเรียนรู้โดยไม่มีผู้สอน (Unsupervised Learning) เป็นการเรียนรู้ที่ให้เครื่องจักร นั้นสามารถเรียนรู้ได้ด้วยตนเอง โดยไม่ต้องมีค่าเป้าหมายของแต่ละข้อมูล ซึ่งวิธีการคือมนุษย์จะเป็นผู้ใส่ข้อมูล ต่าง ๆ และกำหนดสิ่งที่ต้องการจากข้อมูลเหล่านั้น โดยให้เครื่องจักรวิเคราะห์จากการจำแนกและสร้างแบบ แผนจากข้อมูลที่ได้รับมา โดยตัวอย่างที่เห็นได้ชัดของ การเรียนรู้ของเครื่อง ในกลุ่ม Unsupervised Learning ที่ถูกนำมาประยุกต์ใช้งานในเชิงธุรกิจ คือ ระบบแนะนำผลิตภัณฑ์ ยกตัวอย่างเช่นการแนะนำคลิปวิดีโอใน YouTube ที่ทำการแบ่งหมวดหมู่ของคลิปวีดีโอต่าง ๆ 3. การเรียนแบบเสริมกำลัง (Reinforcement Learning) เป็นการเรียนรู้สิ่งต่าง ๆ จาก การลองผิดลองถูก ภายใต้แนวคิดที่ว่าจะเลือกกระทำสิ่งที่ทำให้ได้ผลลัพธ์มากที่สุด โดยทำการเรียนรู้จากการ ลองผิดลองถูกในสถานการณ์ในอดีตหรือระบบจำลองและพยายามที่จะพัฒนาระบบการตัดสินใจของตัวเองให้ ดีขึ้นเรื่อย ๆ โดยที่อาจจะพัฒนาด้วยการพยายามสร้างแบบจำลองสถานการณ์ต่าง ๆ โดยตัวอย่างที่เห็นได้ชัด ของ Machine Learning ในกลุ่ม Reinforcement Learning ที่ถูกนำมาประยุกต์ใช้งานในเชิงธุรกิจ คือ AlphaGo ที่สามารถเล่นเกมโกะให้ชนะผู้เล่นระดับโลก ระบบการจัดการ portfolio ให้ตัดสินใจเลือก อัตราส่วนของสินทรัพย์

วิธีดำเนินการวิจัย 59 การพัฒนาระบบสารสนเทศภูมิศาสตร์สำหรับการพยากรณ์ภัยแล้งสุดขีดเชิงพื้นที่ในลุ่มน้ำมูล เพื่อการบริหารจัดการน้ำพื้นที่ในและนอกเขตชลประทานสำหรับการเกษตรแม่นยำ ทั้งนี้ในการศึกษานี้คณะผู้วิจัยได้ออกแบบการสร้างกระบวนการดำเนินงานของการแบบจำลองด้วย ML ดังนี้ 4) ทฤษฎีค่าสุดขีด (Extreme Value Theory) ทฤษฎีขีดจำกัดสู่ส่วนกลาง (Central Limit Theory) ถ้า X เป็นค่าเฉลี่ยของอย่างสุ่ม , ,..., X X X 1 2 n ที่มีขนาด n และมาจากการแจกแจงใด ๆ ซึ่งมีค่าเฉลี่ยเป็น และมีความ แปรปรวนเป็น 2 แล้วการแจกแจงของ X n − จะลู่เข้าสู่การแจกแจงปกติมาตรฐาน (N(0 1, )) เมื่อขนาดตัวอย่างสุ่มมีขนาดใหญ่ (n →) การศึกษาทฤษฎีค่าสุดขีด เราใช้ค่าสูงสุดของตัวแปรที่สนใจนั้นคือ Xn โดยกำหนดให้ Mn แทน ค่าสูงสุด (Coles & Nadaraja, 2001) คือ M X X X n n = max( , ,..., ) 1 2 โดยสามารถหาค่าความน่าจะเป็นและฟังก์ชันการแจกแจงสะสมของตัวแปรสุ่มได้ดังนี้ Pr{ } Pr{ ,..., } M z X z X z n n = 1 Pr{ } ... Pr{ } { ( )} 1 n = = X z X z F z n ซึ่งในความเป็นจริงแล้วฟังก์ชัน F z( ) เป็นฟังก์ชันที่ไม่ทราบค่าที่แท้จริงได้ แต่ในทางปฏิบัติเราพยายามใช้ เทคนิคพื้นฐานในการประมาณค่าจากข้อมูลที่เก็บรวบรวมได้เพื่อนำไปสู่การประมาณค่าฟังก์ชันหนาแน่นน่าจะ