proceeding-ncwre9

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 99 SSP5-8.5 จะมีปริมาณน้ำฝนมากกว่าปริมาณน้ำฝน ภายใต้ภาพฉาย SSP2-4.5 ดังแสดงในรูปที่ 2 รูปที่ 2 แนวโน้มปริมาณน้ำฝนเฉลี่ยรายปีอนาคตภายใต้ ภาพฉาย SSP2-4.5 และ SSP5-8.5 จากแบบจำลอง CMCC-ESM2 3.3 ผลการวิเคราะห์ข้อมูลปริมาณน้ำฝนเฉลี่ยรายปี ผลการวิเคราะห์และเปรียบเทียบข้อมูลปริมาณน้ำฝน เฉลี่ยรายปีของลุ่มน้ำลำปาว โดยแบ่งเป็น 4 ช่วงเวลา ได้แก่ ช่วงปีฐาน (Baseline, BL) ตั้งแต่ปี พ.ศ. 2544 ถึง พ.ศ. 2564 ช่วงอนาคตอันใกล้(Near-future, NF) ตั้งแต่ ปี พ.ศ. 2565 ถึง พ.ศ. 2583 ช่วงอนาคตอันกลาง (Midfuture, MF) ตั้งแต่ปี พ.ศ. 2584 ถึง พ.ศ. 2613 และช่วง อนาคตอันไกล (Far-future, FF) ตั้งแต่ปี พ.ศ. 2614 ถึง พ.ศ. 2643 ภายใต้ภาพฉาย SSP2-4.5 และ SSP5-8.5 ดังแสดงในรูปที่ 3 พบว่าในช่วงอนาคตอันกลาง และช่วง อนาคตอันไกล ปริมาณน้ำฝนเฉลี่ยรายปีมีแนวโน้มว่าจะ สูงกว่าปริมาณน้ำฝนในช่วงปีฐาน จากผลการวิเคราะห์สำหรับปริมาณน้ำฝนเฉลี่ยรายปี ภายใต้ภาพฉาย SSP2-4.5 พบว่าปริมาณน้ำฝนเฉลี่ย เปลี่ยนแปลงจากช่วงปีฐาน ในช่วงอนาคตอันใกล้ลดลง ร้อยละ 3.50 แต่เพิ่มขึ้นร้อยละ 6.10 และ 9.18 ในช่วง อนาคตอันกลางและอันไกล ตามลำดับ ภายใต้ภาพฉาย SSP5-8.5 พบว่าปริมาณน้ำฝนเฉลี่ยเปลี่ยนแปลงจากช่วง ปีฐาน ในช่วงอนาคตอันใกล้ลดลงร้อยละ 0.04 แต่เพิ่มขึ้น ร้อยละ 0.50 และ 14.15 ในช่วงอนาคตอันกลางและ อันไกล ตามลำดับ ที่น่าสนใจคือ ปริมาณน้ำฝนเฉลี่ยในลุ่ม น้ำลำปาวในช่วงอนาคตอันใกล้มีแนวโน้มว่าจะลดลง ผลการวิเคราะห์ปริมาณน้ำฝนนี้เป็นสัญญาณเตือนให้มี การเฝ้าระวังผลกระทบของการเปลี่ยนแปลงสภาพ ภูมิอากาศ และการเพิ่มประสิทธิภาพของการบริหาร จัดการทรัพยากรน้ำในสภาวะที่คาดว่าปริมาณน้ำฝนจะ ลดลงในช่วงอนาคตอันใกล้นี้ รูปที่ 3 ปริมาณน้ำฝนเฉลี่ยรายปีช่วงปีฐาน (BL) และช่วง อนาคตอันใกล้ (NF) อันกลาง (MF) และอันไกล (FF) ภายใต้ภาพฉาย (ก) SSP2-4.5 และ (ข) SSP5-8.5 4. สรุปผลและข้อเสนอแนะ การศึกษานี้ประเมินแนวโน้มของปริมาณน้ำฝนใน อดีตและอนาคต โดยการวิเคราะห์ปริมาณน้ำฝนเฉลี่ย ในลุ่มน้ำลำปาว สำหรับการคาดการณ์ปริมาณน้ำฝน ในอนาคต อาศัยแบบจำลอง CMCC-ESM2 เนื่องจาก ข้อมูลปริมาณน้ำฝนจากแบบจำลองมีความสัมพันธ์ สอดคล้องกันดีมาก กับข้อมูลตรวจวัดปริมาณน้ำฝนของ ลุ่มน้ำลำปาว ซึ่งประเมินด้วยค่าสัมประสิทธิ์สหสัมพันธ์ (r) โดยที่ข้อมูลปริมาณน้ำฝนจากแบบจำลอง CMCC-ESM2 มีค่า r มากกว่าผลการเปรียบเทียบปริมาณน้ำฝนตรวจวัด กับข้อมูลปริมาณน้ำฝนจากแบบจำลอง CNRM-ESM2-1

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 100 GFDL-ESM4 MRI-ESM2-0 แ ล ะ TaiESM1 ผ ลการ คาดการณ์ปริมาณน้ำฝนในอนาคตภายใต้ภาพฉาย SSP2-4.5 และ SSP5-8.5 มีแนวโน้มที่จะเพิ่มขึ้น แต่ใน อนาคตอันใกล้นี้คาดว่าจะมีปริมาณน้ำฝนเฉลี่ยต่ำที่สุด ผลการศึกษานี้ชี้ให้เห็นว่าจำเป็นต้องมีการเฝ้าระวังเรื่อง การขาดแคลนน้ำในพื้นที่ลุ่มน้ำลำปาว ส่วนในช่วงอนาคต ในระยะไกล ควรมีการเฝ้าระวังอุทกภัยที่อาจจะเกิดขึ้น เนื่องจากแนวโน้มปริมาณน้ำฝนเฉลี่ยสูง โดยสรุป การศึกษานี้ช่วยให้สามารถวิเคราะห์สถานการณ์ที่อาจจะ เกิดขึ้นในอนาคต เพื่อพัฒนาการวางแผนและการบริหาร จัดการทรัพยากรน้ำให้เข้ากับการเปลี่ยนแปลงสภาพ ภูมิอากาศในอนาคตต่อไป 5. กิตติกรรมประกาศ คณะผู้แต่ง ขอขอบคุณคณะอาจารย์สาขาวิศวกรรม โยธา คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น สนับสนุนทางด้านวิชาการและขอขอบคุณศูนย์ อุตุนิยมวิทยาภาคตะวันออกเฉียงเหนือตอนบน กรมอุตุนิยมวิทยา และกรมชลประทานที่สนับสนุนข้อมูล สำหรับการศึกษานี้ เอกสารอ้างอิง [1] ศิริรัตน์ สังขรักษ์, พัชชาพันธ์ รัตนพันธ์, อาทิตย์ เพ็ชร์รักษ์ และสุทธิรัตน์ กิตติพงษ์วิเศษ. (2563). ผลกระทบของสภาพภูมิอากาศที่เปลี่ยนแปลงต่อ ทรัพยากรน้ำและการจัดการ. วารสารสิ่งแวดล้อม, ปีที่ 24 (ฉบับที่ 1). [2] สำนักบริหารโครงการ กรมชลประทาน. (2561). รายงานแผนแม่บทการพัฒนาลุ่มน้ำระดับจังหวัด จังหวัดกาฬสินธุ์. [3] Thrasher, B., Wang, W., Michaelis, A. et al. (2022). NASA Global Daily Downscaled Projections, CMIP6. Sci Data 9, 262. DOI: 10.1038/s41597-022-01393-4 [4] สหรัถ อู่เงิน, ธีรภัทร ประถมสกุล, ภานุวัฒน์ โพธิ์ศรี และชูพันธุ์ ชมพูจันทร์. (2565). ผลกระทบของการ เปลี่ยนแปลงสภาพภูมิอากาศภายใต้ภาพเหตุการณ์ CMIP6 ต่อปริมาณฝนใช้การในพื้นที่โครงการส่งน้ำ และบำรุงรักษาแม่กวงอุดมธารา. การประชุมทาง วิชาการทรัพยากรธรรมชาติ สารสนเทศภูมิศาสตร์ และสิ่งแวดล้อม ครั้งที่ 7, 8-9 ธันวาคม 2565, คณะ เกษตรศาสตร์ ทรัพยากรธรรมชาติ และสิ่งแวดล้อม มหาวิทยาลัยนเรศวร. [5] Suchada Kamworapan. (2021). Performance Assessment of Global Climate Models for Thailand and Southeast Asia. A Thesis Submitted in Fulfillment of the Requirements for the Degree of Doctor of Philosophy Program in Earth System Science (International Program) Prince of Songkla University. [6] วินัย เชาวน์วิวัฒน์, จิราวรรณ คำมา และกนกศรี ศรินนภากร. (2564). การศึกษาผลกระทบต่อสภาพ ฝนของประเทศไทยจากการเปลี่ยนแปลงสภาพ ภูมิอากาศโดยใช้เทคนิคปรับแก้ความคลาดเคลื่อน แบบสเกลเชิงเส้น. การประชุมวิชาการวิศวกรรม โยธาแห่งชาติ ครั้งที่ 26, 23-25 มิถุนายน 2564, การประชุมรูปแบบออนไลน์. [7] Pimonsree S. et al. (2023) Evaluation of CMIP6 GCMs performance to simulate precipitation over Southeast Asia. Atmospheric Research, DOI: 10.1016/j.atmosres.2022.106522 [8] ศิระพิสิษฐ์ พัฒนพงศ์อนันต์ และเสรี ศุภราทิตย์. (2565). การประเมินผลกระทบจากการเปลี่ยนแปลง สภาพภูมิอากาศต่อปริมาณน้ำท่า กรณีศึกษาลุ่มน้ำ ห้วยหลวง. การประชุมนำเสนอผลงานวิจัยระดับ บัณฑิตศึกษาครั้งที่ 17. (หน้า 286-294). กรุงเทพฯ: บัณฑิตวิทยาลัย มหาวิทยาลัยหอการค้าไทย.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 101 Estimation of Extreme Rainfall in Chiang Mai by using ACER Method Chana Sinsabvarodom1,*, Pheerawat Plangoen1 , Thanaporn Supriyasilp1 , Wei Chai2 , Phattrawich Namracha1 , Damrongsak Rinchumphu1 , Chinnapat Buachart1 , Oleg Gorbunov1 1Department of Civil Engineering, Faculty of Engineering, Chiang Mai University, Chiang Mai, Thailand 2School of Naval Architecture, Ocean and Energy Power Engineering, Wuhan University of Technology, Wuhan, China *Corresponding author's e-mail: [email protected] ABSTRACT Extreme rainfall is customarily utilized as fundamental data in the design of hydraulic structures. The precision of rainfall estimation corresponding to the return periods is crucial for the economic viability, structural integrity, and safety of such designs. Traditionally, a range of classical extreme value (EV) models are employed to facilitate the estimation of extreme rainfall events. The objective of the present study is to employ the average conditional exceedance rate (ACER) method for the purpose of estimating extreme rainfall patterns in Chiang Mai, Thailand. The ACER method is conventionally applied to derive extreme values from time series data and is typically employed in the field of ocean research. In this research, long-term rainfall data from 1999 to 2022 were collected from rainfall gauge stations managed by the Meteorological Department of Thailand. The results conclusively demonstrate that the ACER method yields highly consistent estimations of extreme rainfall. Consequently, these estimations hold significant relevance for informing the design and construction of hydraulic structures. Keywords: Extreme Rainfall, Extreme Value Analysis, Rainfall Estimation. 1. INTRODUCTION The assessment of extreme values is of significant importance across various domains in water engineering and beyond. Extreme value theory (EVT) constitutes a substantial body of literature that encompasses a wide array of disciplines, theories, and practical applications (Miniussi and Marani, 2020). It has become a primary focus in climatology owning to the potentially hazardous nature (Bruce, 1994; Obasi, 1994). In recent times, there has been a marked increase in focus on extreme events within the realm of climate change. Among the prevailing theories is the widely accepted hypothesis suggesting a forthcoming rise in extreme events due to the escalation of climatic variability (Groisman, 1999; Katz and Brown, 1992). Additionally, extreme value theory (EVT) has been extensively conducted on precipitation extremes, particularly in relation to rainfall, owning to their significant impact on the occurrence of floods. For more detailed information, you can refer to a review of the statistical methods for extreme value analysis in hydrology and climatology by Climate Data and Monitoring (Guidelines on Analysis of Extremes in a changing climate, (2009)), Katz et al. (2002), Papalexiou and Koutsoyiannis (2013) and Papalexiou et al. (2013). Thailand has a history of frequently encountering severe weather conditions, particularly natural disasters resulting from heavy rainfall. These events typically include occurrences like flash floods and landslides, leading to extensive human and property losses (Torsri et al., 2023). The primary triggers for severe flooding in Thailand's central region are the extreme precipitation events in the upper northern region. These events often persist for several consecutive days during the rainy season, which spans from the middle of May to the middle of October each year. The year 2011 marked a particularly devastating period, as Thailand experienced its most severe flood in half a century (Khamkong et al., 2017). Over two-thirds of the central region was affected, with total rainfall during the 2011 rainy season reaching 1,439 mm, equivalent to 143% of the average rainfall between 1982 and 2002 (Komori et al., 2012). This flood inflicted significant damage, resulting in 813 fatalities and 3 people reported missing nationwide. The affected agricultural land area across Thailand reached its peak on November and the estimated total flood volume amounted to billions of cubic meters (Khamkong et al., 2017). The objective of this research is to apply the Average Conditional Exceedance Rate (ACER) method (Naess and Gaidai, 2009; Naess et al., 2013) to estimate extreme rainfall in Chiang Mai, Thailand. The maximum monthly rainfall data is collected by the Meteorological Department of Thailand. Understanding extreme rainfall can improve in structural hydraulic design, thereby enhancing hydrological comprehension. Moreover, it can significantly contribute to the development of more effective early warning systems and disaster preparedness strategies.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 102 2. Measurement Location This research studies extreme rainfall in Chiang Mai recorded at measurement stations from 1999 to 2022. The location is illustrated in figure 1. Figure 1 The location of the rainfall measurement stations The data were collected from rainfall gauge stations managed by the Meteorological Department of Thailand. The equipment is illustrated in figure 2. Figure 2 Rain gauge equipment (Source: http://www.cmmet.tmd.go.th /instrument /instruments.php) 3. ACER Metthod The objective of the extreme value analysis is to provide a prediction of the largest rainfall corresponding to specified probability of exceedance levels (or equivalently return periods). The rainfall observed at each station is then considered to represent an underlying stochastic process. The relevant time interval, for which the rainfall, V , is considered, is taken to be [0, T]. In the present study, prediction of the extreme value of the rainfall is performed by means of the average conditional exceedance rate (ACER) method, which is a numerical approach in order to estimate the extreme values by constructing the corresponding ACER functions (Naess and Gaidai, 2009) of different order, k. It can be applied to analyze time series realizations of a stochastic process for both stationary and non-stationary data sets. The principle and development of extreme value estimation by means of ACER functions is described in more detail by Naess and Gaidai (2009) and Naess et al. (2013). These functions are applied as a basis for developing the function given in equation 1: P N k ( ) − − + exp 1 ( ) ˆ k ( ) (1) where is the empirical ACER function of order, k as given in equation 2. Although increasing accuracy is obtained for increasing order k of the ACER function, the number of data points for calculation of is reduced according to the corresponding numerical scheme. Generally, the ACER functions of level are highly regular in the tail region, assumed to apply for levels beyond a suitably chosen tail marker 0 . ( ) ( ) 0 exp , k c k k k k − − q a b (2) Here k a , k b , k c and k q are parameter constants, that are dependent upon the order, k. The valid range for the values of the ACER coefficients are ak 0 , k 0 b and k c > 0. When the values of ak , k b , k c and qk are obtained, the extrapolation scheme described by Eq. 2 can be applied to provide reasonably accurate estimation of deep tail extreme values needed for obtaining long return period design values. The optimal values of the parameters are obtained by minimizing the mean square error as expressed in equation 3. ( ) ( ( )) ( ) ( ) 2 1 , , , ln ln ˆ M c k k k k j k i i i F a b c q q a b = = − + − (3) where i is a weight factor to enhance the influence from the most reliable data points. i ,i M =1,..., are levels of the ACER function, for which data points are available. The data fitting here is based on ( ) 2 ln ( ) ln ( ) i i i CI n CI n − + + = − where CI + and CI − are the bounds of the 95 percent confidence interval, CI ˆ ( ) k ˆ ( ) k

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 103 . By fixing the values of the k b and k c parameters, obtaining optimal values of the k a and ln k q parameters reduces to a standard weighted linear regression problem in terms of i , ln ˆ ( ) i k i y = and ( ) c j j x b = − . Specifically, the optimal values of ak and ln k q are expressed by equations 4 and 5. ( ) ( ) ( ) ( ) * 1 2 1 , M i i i i k k k M i i i x x y y a b c x x = = − − = − − (4) ( ( )) ( ) * * ln , , k k k k k k q b c y a b c x = + (5) where 1 1 M M i i i i i x x = = = and 1 1 M M i i i i i y y = = = The optimal values of the k b and k c parameters are now found by means of the LevenbergMarquardt method. The final ACER function can be estimated from the fitted curve in order to optimize the confidence interval of the predicted value. The selection of threshold values for prediction of the extreme value is not a very critical issue, however, they should still be chosen with some care. Finally, with the assistance of the efficient extrapolation scheme, which is based on the assumption of regularity of the ACER functions with respect to the deep tail regions, the extreme distribution of rainfall can be obtained 4. RESULTs and discussion Extreme value analysis of rainfall in Chiang Mai is performed in order to estimate the characteristic largest rainfall corresponding to given return periods. Generally, high rainfall is associated with the design of hydraulic structures. extreme value analysis by means of the acer method is based on the empirical acer functions, ˆ ( ) k which are plotted versus the rainfall magnitude, k. ACER functions for the rainfall corresponding to various values of k as illustrated in figure 3. Figure 3. Examples of ACER functions with different orders (k) for rainfall in Chiang Mai. The results from the ACER method for extreme rainfall are 770 mm, 822 mm, and 847 mm, corresponding to the return periods of 25 years, 50 years, and 100 years, respectively, as illustrated in figure 4-6. The extreme rainfall versus the return periods is demonstrated in figure 7. Figure 4. Extreme value prediction for the rainfall based on for a 25 -year return period Figure 5. Extreme value prediction for the rainfall based on for a 50 -year return period 770 mm 822 mm

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 104 Figure 6. Extreme value prediction for the rainfall based on for a 100 -year return period Figure 7. Extreme rainfall versus the return period by using ACER method In hydraulic engineering, the design of hydraulic structures typically incorporates the flow rate as a crucial design factor. However, the amplitude of the flow rate is inherently dependent on the amount of rainfall. Thus, a significant relationship exists between rainfall and flow rate, as the former has the capacity to exert influence on the latter. During periods of heavy rainfall, the volume of water entering a river or stream experiences a notable increase, consequently leading to a corresponding rise in the flow rate. Conversely, in times of low rainfall, the flow rate tends to decrease. Inherently, the flow rate is subject to the influence of various factors, including topography, land use, and drainage systems. Nevertheless, among these factors, rainfall emerges as the primary determinant of flow rate magnitude. Consequently, conducting research on extreme rainfall in the field of hydraulic engineering proves to be highly valuable and informative. 5. CONCLUSIONS This study employed a novel method for extreme value estimation, specifically the Average Conditional Exceedance Rate (ACER) method, to estimate extreme rainfall events in Chiang Mai, Thailand. The results affirm the suitability of the ACER method that can be applied for predicting extreme rainfall. The extreme rainfall can be substantially applied to determine the extreme flow rate, which is significantly utilized for the design of hydraulic structures. The investigation of the extreme rainfall is beneficial for hydraulic engineering purposes. 6. ACKNOWLEDGMENTS The authors would like to thank all individuals and organizations who have made this study possible. Moreover, we would like to thank the Meteorological Department of Thailand for rainfall data. This work is supported by the Department of Civil Engineering, Faculty of Engineering, Chiang Mai University. 7. REFERENCES [1] Bruce, J.P., 1994. Natural disaster reduction and global change, pp. 1831-1835. [2] WCDMP-No. 72, 2009. Guidelines on analysis of extremes in a changing climate in support of informed decisions for adaptation. World Meteorological Organization. [3] Groisman, P.Y., 1999. Changes in the probability of heavy precipitation: Important indicators of climatic change, pp. 243-283. [4] Katz, R.W., Brown, B.G., 1992. Extreme events in a changing climate: Variability is more important than averages, pp. 289-302. [5] Khamkong, M., Bookkamana, P., Shin, Y., Park, J.-S., 2017. Modelling extreme rainfall in northern Thailand with estimated missing values. Chiang Mai Journal of Sciences 44 (4), 1792-1804. [6] Komori, D., Nakamura, S., Kiguchi, M., Nishijima, A., Yamazaki, D., Suzuki, S., Kawasaki, A., Oki, K., Oki, T., 2012. Characteristics of the 2011 Chao Phraya River flood in Central Thailand. Hydrological Research Letters 6, 41-46. [7] Miniussi, A., Marani, M., 2020. Estimation of daily rainfall extremes through the metastatistical extreme value distribution: Uncertainty minimization and implications for trend detection. Water Resources Research 56 (7). 700 750 800 850 900 0 30 60 90 120 Extreme Rainfall [mm] Return Period [Years] 847 mm 822 mm 770 mm 847 mm

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 105 [8] Naess, A., Gaidai, O., 2009. Estimation of extreme values from sampled time series. Structural Safety 31 (4), 325-334. [9] Naess, A., Gaidai, O., Karpa, O., 2013. Estimation of extreme values by the average conditional exceedance rate method. Journal of Probability and Statistics 2013. [10]Obasi, G.O.P., 1994. WMO’s role in the international decade for natural disaster reduction, pp. 1655-1661. [11]Papalexiou, S., Koutsoyiannis, D., Makropoulos, C., 2013. How extreme is extreme? An assessment of daily rainfall distribution tails. Hydrology and Earth System Sciences 17 (2), 851-862. [12] Papalexiou, S.M., Koutsoyiannis, D., 2013. Battle of extreme value distributions: A global survey on extreme daily rainfall. Water Resources Research 49 (1), 187-201. [13]Torsri, K., Faikrua, A., Peangta, P., Sawangwattanaphaibun, R., Akaranee, J., Sarinnapakorn, K., 2023. Simulating Heavy Rainfall Associated with Tropical Cyclones and Atmospheric Disturbances in Thailand Using the Coupled WRF-ROMS Model—Sensitivity Analysis of Microphysics and Cumulus Parameterization Schemes. Atmosphere 14 (10), 1574.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 106 การลดขนาดทางสถิติข้อมูลปริมาณน้ำฝนรายวัน ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศโลก ในพื้นที่ลุ่มน้ำจันทบุรี Statistical Downscaling of Daily Rainfall under Global Climate Change in the Chanthaburi River Basin ยิ่งคุณ มูห์ลฮัน1 , และศรีสุนี วุฒิวงศ์โยธิน* 2 1,2ภาควิชาวิศวกรรมโยธา, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยบูรพา, จังหวัดชลบุรี, ประเทศไทย * อีเมลผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การศึกษาการลดขนาดข้อมูลปริมาณน้ำฝนรายวัน ของผลลัพธ์ตัวแปรสภาพอากาศจากแบบจำลองภูมิอากาศโลกหรือ General Circulation Model (GCM) ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศโลก ในพื้นที่ลุ่มน้ำจันทบุรี ในการศึกษานี้ เลือกใช้ชุดข้อมูลตัวแปรสภาพอากาศจากชุดข้อมูลล่าสุด (CMIP6) ของแบบจำลอง CanESM5 โดยเลือกใช้การลดขนาดด้วย วิธีทางสถิติ (Statistic Downscaling) ด้วยแบบจำลอง Statistical Downscaling Model หรือแบบจำลอง SDSM ในการหา ความสัมพันธ์ระหว่างผลลัพธ์ตัวแปรสภาพอากาศของตัวทำนาย (Predictor) จากชุดข้อมูลการวิเคราะห์ซ้ำ หรือ Reanalysis Data (ในอดีต) และตัวถูกทำนาย (Predictand) ซึ่งเป็นข้อมูลปริมาณน้ำฝนรายวันจากสถานีอุตุนิยมวิทยาและ กรมชลประทาน ในกรอบช่วงเวลาที่มีความสัมพันธ์กัน จำนวน 36 ปี ตั้งแต่ปี ค.ศ. 1979 ถึงปี ค.ศ. 2014 จำนวน 12 สถานี ซึ่งตั้งอยู่ในพื้นที่จังหวัดจันทบุรี โดยมีการปรับเทียบแบบจำลองช่วงปี ค.ศ. 1979 – 2000 และตรวจพิสูจน์แบบจำลองช่วงปี ค.ศ. 2001 – 2014 เพื่อให้ได้ชุดตัวแปรทำนายและค่าพารามิเตอร์ที่เหมาะสมสำหรับลดขนาดข้อมูลปริมาณน้ำฝนรายวัน แต่ละสถานีได้ ผลลัพธ์ที่ได้ คือ ชุดข้อมูลปริมาณน้ำฝนรายวันที่ลดขนาดแล้วจากผลลัพธ์ตัวแปรสภาพอากาศขนาดใหญ่จาก GCM ตั้งแต่ปัจจุบันจนถึงปี ค.ศ. 2100 โดยแบ่งระยะเวลาในการประเมินเป็น 3 ช่วง ช่วงละ 25 ปี ได้แก่ ปี ค.ศ. 2026 – 2050 ค.ศ. 2051 – 2075 และ ค.ศ. 2076 – 2100 ภายใต้ภาพฉายการเปลี่ยนแปลงสภาพภูมิอากาศในอนาคตจำนวน 3 ฉากทัศน์ ได้แก่ SSP2-4.5 SSP3-7.0 และ SSP5-8.5 ผลการศึกษาพบว่า ในอนาคตมีแนวโน้มค่าเฉลี่ยของปริมาณน้ำฝน รายวันลดลงทุกฉากทัศน์ทั้ง 3 ช่วงเวลา เมื่อเทียบกับช่วงเวลาปี ค.ศ. 1979 – 2014 นอกจากนี้พบว่าช่วงเวลาปี ค.ศ. 2076 – 2100 ฉากทัศน์ SSP5-8.5 มีแนวโน้มของปริมาณน้ำฝนสูงสุดรายวันเพิ่มมากขึ้น จำนวน 9 สถานี และสถานีที่มีค่าปริมาณ น้ำฝนสูงสุดรายวันมากที่สุด คือ สถานีสกษ.พลิ้ว สตอ.จันทบุรีและ แหลมสิงห์ตามลำดับ คำสำคัญ: แบบจำลองภูมิอากาศโลก, ปริมาณน้ำฝนรายวัน, แบบจำลอง SDSM, ลุ่มน้ำจันทบุรี, CMIP6 Abstract This study downscaled the daily rainfall data using weather variable results from the General Circulation Model (GCM) under global climate change in the Chanthaburi River Basin. This researchuses climate variable datasets from the latest dataset (CMIP6) of the CanESM5 model. Then Statistic Downscaling technique by using the Statistical Downscaling Model (SDSM) was utilized to find the relationship between weather variables as predictors from the Reanalysis data (past period) and the observed daily rainfall data as predictand 36 years, during 1979 to 2014. The observed daily rainfall data wasobtained from Meteorological

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 107 Department and Royal Irrigation Department with total 12 stations located in Chanthaburi Province. Calibration (1979 - 2000) and Validation (2001 – 2014) were applied to acquire an appropriate set of predictors and parameters for downscaling daily rainfall of each observed station. Results from this study are the downscaled daily rainfall datasets from GCM output from present to the year 2100 under future climate changescenarios, namely SSP2-4.5, SSP3-7.0 and SSP5-8.5.By dividing future data into three period, 2026 - 2050, 2051 - 2075 and 2076 - 2100. From the study result, average daily rainfall will decrease in all three time periods compared to the past period (1979 – 2014). Maximum daily rainfall tend to increase at 9 stationsover the period 2076 – 2100 of the scenario SSP5-8.5. The highest maximum daily rainfall shows at station 480301, 480201 and 480004 respectively. Keywords: GCM, daily rainfall, SDSM model, Chanthaburi River Basin, CMIP6 1. คำนำ ตั้งแต่การปฏิวัติอุตสาหกรรมในประเทศอังกฤษใน กลางศตวรรษที่ 19 จนถึงปัจจุบัน อุณหภูมิเฉลี่ยทั่วโลก เพิ่มสูงขึ้นกว่า 1.1 องศาเซลเซียส จากผลการประชุม Conference of the Parties ครั้งที่ 21 (COP21) ที่เมือง ปารีส ประเทศฝรั่งเศส ในปี ค.ศ. 2015 มีมติที่ประชุมใน การรับรองข้อตกลงปารีส (Paris Agreement) โดยมี วัตถุประสงค์ที่สำคัญ คือ การควบคุมอุณหภูมิโลกไม่ให้ สูงขึ้นไปมากกว่า 1.50 องศาเซลเซียส นับตั้งแต่ยุคก่อน ปฏิวัติอุตสาหกรรม โดยที่การเปลี่ยนแปลงสภาพ ภูมิอากาศโลกนั้น จะทำให้วัฏจักรของน้ำมีความรุนแรง มากขึ้น กล่าวคือ ทั่วโลกจะมีปริมาณน้ำฝนที่เพิ่มสูงขึ้น เช่นเดียวกับความแห้งแล้งที่เพิ่มขึ้นในหลายพื้นที่ [1] ดังนั้น จึงจำเป็นต้องทำการศึกษาวิจัยผลกระทบการ เปลี่ยนแปลงสภาพภูมิอากาศต่อปริมาณน้ำฝนที่อาจมี แนวโน้มเปลี่ยนแปลงไปในอนาคต การทำนาย (Prediction) แนวโน้มความรุนแรงของ ปริมาณน้ำฝนในอนาคตอันเกิดจากการเปลี่ยนแปลง สภาพภูมิอากาศโลกนั้น ทำได้โดยการประยุกต์ใช้ แบบจำลองภูมิอากาศโลก หรือ General Circulation Model (GCM) ซึ่งเป็นแบบจำลองทางคณิตศาสตร์ที่เป็น เครื่องมือที่ทันสมัยที่สุดในปัจจุบันในการจำลอง กระบวนการทางกายภาพของบรรยากาศต่อการเพิ่มขึ้น ของก๊าซเรือนกระจก และใช้ในการสร้างเหตุการณ์จำลอง สภาพภูมิอากาศในอนาคต ขนาดกริดของแบบจำลอง ภูมิอากาศโลกนั้นค่อนข้างใหญ่ เหมาะสำหรับใช้ในการ มองภาพในระดับทวีปหรือประเทศ การนำผลลัพธ์ของ แบบจำลองมาใช้ศึกษาในระดับภูมิภาค หรือระดับลุ่มน้ำ ที่มีขนาดพื้นที่เล็กกว่ามาก จึงต้องทำการลดขนาด (Downscale) ให้มีความละเอียดเพิ่มขึ้น [2] การลดขนาด (Downscale) สามารถแบ่งออกได้เป็น 2 ประเภท คือ ก า รล ด ข น า ดด ้ ว ย ว ิ ธ ี ก า ร พ ล ว ั ต ( Dynamical Downscaling) และการลดขนาดด้วยวิธีทางทางสถิติ (Statistical Downscaling) การลดขนาดด้วยวิธีทางทางสถิติ เป็นวิธีที่นิยมใช้ เนื่องจากความง่ายในการใช้งาน ใช้ทรัพยากรในการ คำนวณไม่มาก และความรวดเร็วในการได้ผลลัพธ์ที่เร็ว กว่าเมื่อเทียบกับวิธีพลวัต [3] อีกทั้งเหมาะสมกับการ นำไปใช้งานจริง โดยการลดขนาดด้วยวิธีทางทางสถิติที่ นำมาใช้ในการศึกษานี้ได้แก่แบบจำลอง Statistical Downscaling Model (SDSM) สามารถดาวน์โหลดได้ฟรี และมีความละเอียดสูง เหมาะสมสำหรับการลดขนาด ปริมาณน้ำฝนรายวัน สามารถคาดการณ์ปริมาณน้ำฝนใน อนาคตที่เกิดจากการเปลี่ยนแปลงของสภาพภูมิอากาศ ดังที่มีการประยุกต์ใช้ในพื้นที่ลุ่มน้ำชีและมูล [4] การ ประเมินปริมาณน้ำฝนรายวันในอนาคต ในเมืองโทรอนโต ประเทศแคนาดา [5] การประยุกต์ใช้ในการลดขนาด ข้อมูลปริมาณน้ำฝนรายวันเพื่อคำนวณหาปริมาณน้ำท่า

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 108 ในพื้นที่ลุ่มน้ำลาซา (Lhasa River Basin) ในทิเบต [6] เป็นต้น ในปัจจุบันเกิดปัญหาอุทกภัยในพื้นที่ต่างๆ ของ ประเทศไทยเป็นประจำทุกปีปัญหาอุทกภัยที่เกิดขึ้นได้ สร้างความเสียหายในหลายภาคส่วน ไม่ว่าจะเป็นความ เสียหายต่อระบบเศรษฐกิจ สังคม และประชากรโดยรวม เป็นต้น [7] ขณะที่ข้อมูลจากสำนักงานเศรษฐกิจการคลัง พบว่าสถานการณ์น้ำท่วมในปี ค.ศ. 2021 ส่งผลกระทบ ต่อเศรษกิจภาคเกษตรกรรมสูงที่สุด หากมองในส่วนของ พืชเศรษฐกิจ ซึ่งมีความเสี่ยงจากปัญหาอุทกภัยที่ส่งผล กระทบต่อเศรษฐกิจภาคเกษตรกรรมสูงที่สุดนั้น โดยเฉพาะทุเรียนซึ่งเป็นพืชเศรษฐกิจและสินค้าส่งออกสูง ที่สุดในหมวดผลไม้ของประเทศไทย จังหวัดจันทบุรีเป็นจังหวัดที่มีพื้นที่เพาะปลูกและมี ปริมาณผลผลิตทุเรียนมากที่สุดในประเทศไทย [8] คิดเป็น สัดส่วน 33 % ของทั้งประเทศ แต่ความเสี่ยงด้านสภาพ ภูมิอากาศโดยเฉพาะปริมาณน้ำฝน เป็นสิ่งสำคัญที่ต้อง คำนึงถึง เห็นได้จากปัญหาอุทกภัยในพื้นที่จังหวัดจันทบุรี ในเดือนตุลาคมปี ค.ศ. 2021 ส่งผลให้พื้นที่การเกษตร ได้รับความเสียหาย สาเหตุมาจากปริมาณน้ำฝนที่สูงในปี ค.ศ. 2021 โดยข้อมูลปริมาณน้ำฝนสะสมรายปีของสถานี ตรวจวัดน้ำฝนอัตโนมัติจังหวัดจันทบุรี พบว่ามีปริมาณ น้ำฝนในปี ค.ศ. 2021 สูงถึง 3,872.60 มิลลิเมตรต่อปีสูง กว่าปริมาณน้ำฝนเฉลี่ยรายปีในอดีตคาบ 30 ปี (ค.ศ. 1991 ถึง ค.ศ. 2020) กว่าร้อยละ 30 การศึกษานี้จึงทำการลดขนาดข้อมูลปริมาณน้ำฝน รายวันในลุ่มน้ำจันทบุรี ครอบคลุมพื้นที่ 8 อำเภอของ จังหวัดจันทบุรี มีแม่น้ำจันทบุรีเป็นลำน้ำสายหลัก ต้นกำเนิดมาจากเขาสอยดาวใต้ในเขตอำเภอโป่งน้ำร้อน เขาสามง่ามและเขาชะอมในเขตอำเภอมะขาม ไหลผ่าน อำเภอเมืองจันทบุรีออกสู่ทะเลอ่าวไทยบริเวณปากแม่น้ำ แหลมสิงห์ โดยในพื้นที่ลุ่มน้ำจันทบุรีมีปัญหาอุทกภัยใน พื้นที่ลุ่มน้ำบ่อยครั้ง เนื่องจากตั้งอยู่ในบริเวณเขตอิทธิพล ของร่องความกดอากาศต่ำของลมมรสุมตะวันตกเฉียงใต้ ซึ่งเป็นพื้นที่ที่มีฝนตกชุกมากที่สุดแห่งหนึ่งในประเทศไทย จึงทำการศึกษาการลดขนาดทางสถิติข้อมูลปริมาณน้ำฝน รายวัน ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศโลก ใน พื้นที่ลุ่มน้ำจันทบุรี 2. ข้อมูลที่ใช้ในการศึกษาและทฤษฎีที่เกี่ยวข้อง 2.1 พื้นที่ศึกษา ลุ่มน้ำจันทบุรีมีพื้นที่ลุ่มน้ำประมาณ 1,593.33 ตารางกิโลเมตร มีแม่น้ำจันทบุรีเป็นแม่น้ำสายหลัก มีต้น กำเนิดจากเทือกเขาในเขตอำเภอท่าใหม่และอำเภอ แก่งหางแมว ไหลผ่านอำเภอเขาคิชฌกูฏ อำเภอมะขาม อำเภอเมืองจันทบุรี แล้วลงสู่ทะเลที่ปากน้ำแหลมสิงห์ อำเภอแหลมสิงห์ มีความยาวลำน้ำประมาณ 123 กิโลเมตร โดยข้อมูลปริมาณน้ำฝนสะสมรายปีของสถานี ตรวจวัดน้ำฝนอัตโนมัติจังหวัดจันทบุรี ของกรม อุตุนิยมวิทยา มีข้อมูลปริมาณน้ำฝนเฉลี่ยรายปีในอดีต คาบ 30 ปี (ค.ศ. 1991 ถึง ค.ศ. 2020) มีปริมาณเท่ากับ 2,982.20 มิลลิเมตรต่อปี 2.2 ข้อมูลปริมาณน้ำฝนรายวัน จากสถานีตรวจวัดน้ำฝน ในพื้นที่ลุ่มน้ำจันทบุรี การศึกษานี้ใช้ข้อมูลปริมาณน้ำฝนตรวจวัดรายวัน จำนวน 36 ปี ตั้งแต่ปี ค.ศ. 1979 ถึงปี ค.ศ. 2014 จาก กรมอุตุนิยมวิทยา และกรมชลประทาน จำนวน 12 สถานี ซึ่งตั้งอยู่ในพื้นที่จังหวัดจันทบุรีโดยมีรายละเอียดของ สถานีตรวจวัดน้ำฝนแสดงดังตารางที่ 1 และรูปที่ 1 ตารางที่ 1 รายละเอียดต่างๆ ของสถานีตรวจวัดน้ำฝน ที่ ชื่อสถานีวัดน้ำฝน รหัสสถานี ที่มา 1 สตอ.จันทบุรี 480201 กรมอุตุนิยมวิทยา 2 สกษ.พลิ้ว 480301 กรมอุตุนิยมวิทยา 3 ท่าใหม่ 480001 กรมอุตุนิยมวิทยา 4 มะขาม 480002 กรมอุตุนิยมวิทยา 5 ขลุง 480003 กรมอุตุนิยมวิทยา 6 แหลมสิงห์ 480004 กรมอุตุนิยมวิทยา

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 109 ตารางที่ 1 (ต่อ) ที่ ชื่อสถานีวัดน้ำฝน รหัสสถานี ที่มา 7 โป่งน้ำร้อน 480005 กรมอุตุนิยมวิทยา 8 สอยดาว 480006 กรมอุตุนิยมวิทยา 9 แก่งหางแมว 480007 กรมอุตุนิยมวิทยา 10 นายายอาม 480008 กรมอุตุนิยมวิทยา 11 คลองหินดาด 60121 กรมชลประทาน 12 คลองโตนด 60131 กรมชลประทาน รูปที่ 1 แสดงที่ตั้งสถานีตรวจวัดน้ำฝน ในพื้นที่ลุ่มน้ำจันทบุรี 2.3 ข้อมูลการวิเคราะห์ซ้ำ ข้อมูลการวิเคราะห์ซ้ำ หรือ Reanalysis Data คือ ชุดข้อมูลสภาพภูมิอากาศประเภทหนึ่งที่สร้างขึ้นโดยการ รวบรวมข้อมูลจากหลายแห่ง เช่น ข้อมูลจากดาวเทียม ข้อมูลสถานีตรวจอวกาศ และแหล่งข้อมูลอื่นๆ โดยใช้ แบบจำลองทางคณิตศาสตร์และระบบภูมิอากาศของโลก นำมาคำนวณใหม่เพื่อผสานข้อมูลให้ครอบคลุมทั่วโลก มีเป้าหมาย คือ การสร้างข้อมูลสภาพภูมิอากาศที่ ครอบคลุมสภาพภูมิอากาศในอดีตหลายทศวรรษ การศึกษานี้ใช้ข้อมูล Reanalysis Data จาก ERA-5 ที่ สร้างขึ้นโดยศูนย์พยากรณ์อากาศระยะกลางแห่งยุโรป หรือ European Centre for Medium-Range Weather Forecasts (ECMWF) ซึ่งเป็นข้อมูลตัวแปรสภาพ ภูมิอากาศรายวัน จำนวน 26 ตัวแปร ทั้งหมด 36 ปี ตั้งแต่ ปี ค.ศ. 1979 ถึงปี ค.ศ. 2014 2.4 ข้อมูลแบบจำลองภูมิอากาศโลก (GCM) แบบจำลองภูมิอากาศโลก (GCM) นั้น มีการพัฒนา ให้มีความแม่นยำ และมีประสิทธิภาพเพิ่มมากขึ้นอย่าง ต่อเนื่อง ในปัจจุบันนี้ สถาบันด้านภูมิอากาศทั่วโลกได้ พัฒนาแบบจำลอง GCM ที่มีชุดข้อมูลตัวแปรสภาพอากาศ จากชุดข้อมูลล่าสุด (CMIP6) โดยแบบจำลอง GCM ที่เป็น ที่นิยมในการใช้งานกันอย่างแพร่หลายในปัจจุบัน ได้แก่ แบบจำลอง CanESM5 จากประเทศแคนาดา แบบจำลอง MPI-ESM1-2- HR จากประเทศเยอรมนี และแบบจำลอง NorESM2-LM จากประเทศนอร์เวย์ เป็นต้น อย่างไร ก็ตามสำหรับการลดขนาดข้อมูลปริมาณน้ำฝนรายวันนั้น แบบจำลอง CanESM5 เป็นที่นิยมถูกนำมาใช้งาน ดังที่มี การประยุกต์ใช้ในการประเมินประสิทธิภาพแบบจำลอง CanESM5 สำหรับการพยากรณ์ปริมาณน้ำฝน ในเมือง ควิเบก (Quebec) ประเทศแคนาดา พบว่าแบบจำลอง CanESM5 มีความแม่นยำในช่วงเวลาการประเมิน ประสิทธิภาพแบบจำลอง [9] นอกจากนี้ในประเทศไทยได้ มีการประยุกต์ใช้แบบจำลอง CanESM5 ในการลดขนาด ข้อมูลทางสถิติ-ข้อมูลฝนรายวันภายใต้การเปลี่ยนแปลง สภาพภูมิอากาศโลกจากชุดข้อมูล CMIP6 ในพื้นที่ลุ่มน้ำ ปิงตอนบน [3] การศึกษานี้ดาวน์โหลดข้อมูลผลลัพธ์จากแบบจำลอง สภาพภูมิอากาศโลกจากแบบจำลอง The Canadian Earth System Model version 5 (CanESM5) จาก ประเทศแคนาดา ประกอบด้วยชุดตัวแปรข้อมูลสภาพ ภูมิอากาศในอนาคตภายใต้การเปลี่ยนแปลงสภาพ ภูมิอากาศโลก จำนวน 3 ฉากทัศน์ ได้แก่ SSP2-4.5 SSP3-7.0 และ SSP5-8.5 ตั้งแต่ปัจจุบันจนถึงปี ค.ศ. 2100

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 110 2.5 แบบจำลอง SDSM แ บ บ จ ำ ล อ ง Statistical Downscaling Model (SDSM) เป็นแบบจำลองทางคณิตศาสตร์ที่เชื่อมโยงตัว แปรสภาพภูมิอากาศขนาดใหญ่ และตัวแปรสภาพอากาศ ตามภูมิภาคเพื่อประมาณค่าพารามิเตอร์ที่ผันแปรตาม เวลา ได้แก่ ปริมาณน้ำฝน และอุณหภูมิ สำหรับการลดขนาดปริมาณน้ำฝนรายวันโดยใช้ แบบจำลอง SDSM นั้น สำหรับวันที่ฝนตก (Wet-day occurrence, Wi ) ในวันที่ i มีความสัมพันธ์เป็นเส้นตรง กับตัวแปรทำนาย xi จำนวน n ข้อมูล ภายใต้ข้อจำกัด 0 < Wi < 1 และวันที่ฝนตกจะเกิดขึ้นเมื่อ r (uniform random number) ≤ Wi [10] ซึ่งช่วยให้สามารถจำลอง วันที่ฝนตกบนพื้นฐานความสัมพันธ์ระหว่างตัวแปรข้อมูล สภาพภูมิอากาศขนาดใหญ่และความน่าจะเป็นของวันที่ ฝนตกได้ในระดับภูมิภาค สามารถแสดงได้ดังสมการที่ 1 Wi = ß0 + ß1x1i + ß2x2i + … + ßnxni (1) โดยที่ Wi คือ ความน่าจะเป็นของวันที่ฝนตกในวันที่ i xi คือ ตัวแปรข้อมูลสภาพถูมิอากาศขนาดใหญ่ จำนวน n ข้อมูล ß0 คือ จุดตัด (Intercept) แกน y ของสมการ ßi คือ ค่าสัมประสิทธิ์การถดถอย ดังนั้น สามารถคำนวณหาปริมาณน้ำฝนที่ผ่านการลด ขนาด (Pi ) ในวันที่ฝนตก (Pi ) ได้ดังสมการที่ 2 Pi = ß0 + ß1x1i + ß2x2i + … + i (2) โดยที่ i คือค่าความคาดเคลื่อน 3. วิธีการศึกษา หลักการทำงานของแบบจำลอง SDSM นั้นใช้ข้อมูล นำเข้าคือ (1) ข้อมูลตัวแปรสภาพภูมิอากาศตรวจวัดใน ท้องถิ่น ได้แก่ ปริมาณน้ำฝนรายวัน (2) ข้อมูลการ วิเคราะห์ซ้ำ หรือ Reanalysis Data ตัวแปรนำเข้าตัวที่ สองนี้จะถูกคัดกรองโดยพิจารณาค่าสัมประสิทธิ์ สหสัมพันธ์แบบแยกส่วน (Partial correlation) กับข้อมูล ตรวจวัด และตัวแปรนำเข้าทั้งสองนี้จะถูกพัฒนา ความสัมพันธ์โดยใช้หลักการ การถดถอยพหุคูณ (Multiple Linear Regression) เพื่อหาความสัมพันธ์ ระหว่างตัวแปรสภาพอากาศจาก Reanalysis Data กับ ปริมาณน้ำฝนตรวจวัดรายวัน (ในอดีต) จากนั้นจึงใช้ตัว แปรที่คัดเลือกจากแบบจำลอง GCM และความสัมพันธ์ ถดถอยพหุคูณที่ได้ไปใช้ในการลดขนาด (Downscale) ข้อมูลปริมาณน้ำฝนรายวันในอนาคตจากตัวแปรสภาพ ภูมิอากาศขนาดใหญ่จากแบบจำลอง GCM ต่อไป ขั้นตอน การศึกษาโดยสรุปแสดงดังรูปที่ 2 รูปที่ 2 ขั้นตอนการดำเนินการศึกษา

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 111 วิธีทางสถิติที่ใช้ในการประเมินความแม่นยำของผล การปรับเทียบแบบจำลองและตรวจพิสูจน์แบบจำลอง ได้แก่ 3.1 ค่าสัมประสิทธิ์การตัดสินใจ (R 2 ) แสดงได้ตามสมการ ที่ 3 R 2 = 1 − ∑ (Oi−Pi ) n 2 i=1 ∑ (Oi−O̅)2 n i=1 (3) เมื่อ Oi คือปริมาณน้ำฝนจากการตรวจวัดและ Pi คือ ปริมาณน้ำฝนจากแบบจำลอง หากค่า R 2 เข้าใกล้ 1 แสดง ว่ากลุ่มข้อมูลทั้งสองเข้ากันได้มาก หากค่า R 2 เข้าใกล้ 0 แสดงว่ากลุ่มข้อมูลทั้งสองมีความสัมพันธ์กันน้อย 3.2 ค่ารากที่สองของความคาดเคลื่อนเฉลี่ยกำลังสอง (RMSE) แสดงได้ตามสมการที่ 4 = √ 1 ∑ ( − ) 2 =1 (4) หากค่า RMSE มีค่าใกล้ 0 แสดงว่าผลลัพธ์จาก แบบจำลองมีค่าใกล้เคียงกับข้อมูลตรวจวัด หากค่า RMSE มีค่ามาก แสดงว่าผลลัพธ์จากแบบจำลองมีค่าที่แตกต่าง กับข้อมูลตรวจวัด 3.3 ค่าคลาดเคลื่อนเฉลี่ย (MBE) แสดงได้ตามสมการที่ 5 = 1 ∑ ( − ) =1 (5) หากค่า MBE มีค่าใกล้ 0 แสดงว่าผลลัพธ์จาก แบบจำลองมีค่าใกล้เคียงกับข้อมูลตรวจวัด หากค่า MBE มีค่ามากกว่า 0 แสดงว่าผลลัพธ์จากแบบจำลองมีค่า มากกว่าข้อมูลตรวจวัด 3.4 ค่าคลาดเคลื่อนเฉลี่ยสมบูรณ์ (MAE) แสดงได้ ตามสมการที่ 6 = 1 ∑ | − | =1 (6) หากค่า MAE มีค่าน้อย แสดงว่าผลลัพธ์จาก แบบจำลองมีค่าใกล้เคียงกับข้อมูลตรวจวัด หากค่า MAE มีค่ามาก แสดงว่าผลลัพธ์จากแบบจำลองมีค่าแตกต่างกับ ข้อมูลตรวจวัด 4. ผลการศึกษา 4.1 ผลการคัดกรองตัวแปร Reanalysis Data ผลการคัดกรองตัวแปร Reanalysis Data จำนวน 26 ตัวแปร และข้อมูลปริมาณน้ำฝนตรวจวัดรายวันในพื้นที่ ศึกษา พบว่า มีตัวแปร Reanalysis Data ที่มีความสัมพันธ์ กับข้อมูลฝนตรวจวัดทั้ง 12 สถานี ได้แก่ ปริมาณน้ำฝน บนพื้นผิวโลก (surface precipitation หรือ prcp) ตัวแปร Reanalysis Data ที่มีความสัมพันธ์กับข้อมูลฝน ตรวจวัดของแต่ละสถานีแสดงดังตารางที่ 2 ตารางที่ 2 ผลการคัดกรองตัวแปร Reanalysis Data ที่มี ความสัมพันธ์กับข้อมูลฝนแต่ละสถานีตรวจวัด ที่ ชื่อสถานีวัดน้ำฝน รหัสสถานี ตัวแปรทำนาย 1 สตอ.จันทบุรี 480201 prcp, p1_v 2 สกษ.พลิ้ว 480301 prcp, p1_u 3 ท่าใหม่ 480001 prcp, p1_u 4 มะขาม 480002 prcp, p5_f 5 ขลุง 480003 prcp, p8_v 6 แหลมสิงห์ 480004 prcp, p5_f 7 โป่งน้ำร้อน 480005 prcp, p1_v 8 สอยดาว 480006 prcp, mslp 9 แก่งหางแมว 480007 prcp, p8_v 10 นายายอาม 480008 prcp, p8_v 11 คลองหินดาด 60121 prcp, p5_v 12 คลองโตนด 60131 prcp, p1_v 4.2 ผลการปรับเทียบแบบจำลองและตรวจพิสูจน์ แบบจำลอง จากผลการปรับเทียบแบบจำลอง (ค.ศ. 1979 – 2000) และตรวจพิสูจน์แบบจำลอง (ค.ศ. 2001 – 2014) พบว่า ข้อมูลตรวจวัดฝนรายวันนั้น ให้ค่าทางสถิติที่ใช้ใน

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 112 การประเมินความแม่นยำที่ดี กล่าวคือ ผลลัพธ์จาก แบบจำลองมีค่าใกล้เคียงกับข้อมูลตรวจวัด รายละเอียด ตามตารางที่ 3 เมื่อพิจารณาจากข้อมูลปริมาณน้ำฝน รายเดือน พบว่า มีค่าสัมประสิทธิ์การตัดสินใจ (R 2 ) ที่สูง โดยมีค่าระหว่าง 0.60 ถึง 0.80 ทั้งในช่วงการปรับเทียบ แบบจำลองและตรวจพิสูจน์แบบจำลอง โดยแสดง รายละเอียดตามรูปที่ 3 ตารางที่ 3 การประเมินความแม่นยำผลการปรับเทียบ แบบจำลองและตรวจพิสูจน์แบบจำลอง (ปริมาณน้ำฝน รายวัน) ที่ รหัส สถานี การปรับเทียบ การตรวจพิสูจน์ RMSE MBE MAE RMSE MBE MAE 1 480201 22.16 -0.09 10.09 23.72 -0.15 10.60 2 480301 25.16 0.01 11.41 23.54 -0.11 11.08 3 480001 22.71 -0.26 9.83 21.09 0.11 9.41 4 480002 19.50 -0.02 9.09 18.50 0.02 8.47 5 480003 24.18 -0.16 10.47 21.48 0.41 9.70 6 480004 24.36 0.03 10.60 26.16 -0.04 11.66 7 480005 14.08 -0.07 6.41 14.52 -0.13 6.40 8 480006 14.56 -0.04 6.44 12.63 0.18 5.87 9 480007 13.68 0.15 6.49 15.39 -0.07 6.93 10 480008 14.51 -0.02 6.98 15.49 -0.14 6.85 11 60121 19.43 -0.29 9.24 20.54 -0.11 9.52 12 60131 14.26 0.02 6.83 14.83 -0.20 6.68 4.3 การประเมินปริมาณน้ำฝนในอนาคตภายใต้การ เปลี่ยนแปลงสภาพภูมิอากาศโลก ในพื้นที่ลุ่มน้ำจันทบุรี เมื่อปรับเทียบแบบจำลอง และตรวจพิสูจน์ แบบจำลองเพื่อให้ได้ชุดตัวแปรทำนายและค่าพารามิเตอร์ ที่เหมาะสมสำหรับลดขนาดข้อมูลปริมาณน้ำฝนรายวัน แต่ละสถานีแล้ว จึงทำการลดขนาดข้อมูลปริมาณน้ำฝน รายวันในพื้นที่ลุ่มน้ำจันทบุรีจากตัวแปรที่คัดกรองและค่า สัมประสิทธิ์ที่ได้จากแบบจำลอง SDSM ด้วยการนำเข้า ข้อมูลผลลัพธ์ GCM กรณีฉากทัศน์ต่างๆ ในอนาคต ผลลัพธ์ที่ได้ คือ ข้อมูลปริมาณน้ำฝนรายวันตั้งแต่ปัจจุบัน จนถึงปี ค.ศ. 2100 จำนวน 12 สถานี สถานีละ 3 ฉาก ทัศน์ ได้แก่ SSP2-4.5 SSP3-7.0 และ SSP5-8.5 โดยแบ่ง ระยะเวลาในการประเมินเป็น 3 ช่วง ช่วงละ 25 ปี ได้แก่ ปี ค.ศ. 2026 – 2050 ค.ศ. 2051 – 2075 และ ค.ศ. 2076 – 2100 เปรียบเทียบกับข้อมูลปริมาณน้ำฝน รายวันช่วงเวลาในอดีตที่ปรับเทียบและตรวจพิสูจน์ ระหว่างปีค.ศ. 1979 - 2014 แสดงดังตารางที่ 4 1) ฉากทัศน์ SSP2-4.5 จากตารางที่ 4 พบว่า ปริมาณน้ำฝนมีแนวโน้มลดลง กล่าวคือ ปริมาณน้ำฝน สูงสุดรายวัน (Max) ลดลงจากในอดีต จำนวนหลายสถานี ตรวจวัดฯ โดยเฉพาะในช่วงปี ค.ศ. 2051 – 2075 และ ค.ศ. 2076 – 2100 โดยสถานี สกษ.พลิ้ว (480301) มีค่า ปริมาณน้ำฝนสูงสุดรายวันมากที่สุด ทั้ง 3 ช่วงเวลา ส่วน ค่าเฉลี่ยของปริมาณน้ำฝนรายวัน (Mean) พบว่ามี แนวโน้มลดลงจากในอดีต ทั้ง 3 ช่วงเวลา โดยสถานี แหลมสิงห์ (480004) มีค่าเฉลี่ย (Mean) สูงที่สุด 2) ฉากทัศน์ SSP3-7.0 จากตารางที่ 4 พบว่ามี แนวโน้มปริมาณน้ำฝนลดลงจากในอดีต โดยพิจารณาจาก ค่าเฉลี่ยของปริมาณน้ำฝนรายวัน (Mean) พบว่ามี แนวโน้มปริมาณน้ำฝนรายวันลดลงจำนวน 9 สถานี ทั้ง 3 ช่วงเวลา โดยสถานี แหลมสิงห์ (480004) มีค่าเฉลี่ย (Mean) สูงที่สุด แต่หากพิจารณาจากค่าปริมาณน้ำฝน สูงสุดรายวัน (Max) พบว่ามีค่าเพิ่มสูงขึ้นกว่าฉากทัศน์ SSP2-4.5 สถานีที่มีค่าสูงสุด (Max) มากที่สุด คือ สถานี สกษ.พลิ้ว (480301) โดยเฉพาะปี ค.ศ. 2026 – 2050 มี มีค่าสูงสุด (Max) สูงถึง 716.29 มิลลิเมตรต่อวัน สูงขึ้น กว่าในอดีตคิดเป็นร้อยละ 162.47 และสถานี สตอ. จันทบุรี (480201) โดยเฉพาะปี ค.ศ. 2076 – 2100 มี ค่าสูงสุด (Max) เท่ากับ 652.15 มิลลิเมตรต่อวัน สูงขึ้น กว่าในอดีตร้อยละ 65.14

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 113 3) ฉากทัศน์ SSP5-8.5 จากตารางที่ 4 พบว่า ปริมาณน้ำฝนสูงสุดรายวัน (Max) มีค่าสูงกว่า 2 ฉากทัศน์ ก่อนหน้านี้ และพบว่ามีค่าสูงกว่าในอดีตค่อนข้างสูง จำนวนหลายสถานี โดยเฉพาะช่วง ค.ศ. 2051 – 2075 สถานี สกษ.พลิ้ว (480301) มีค่าสูงสุด (Max) เท่ากับ 865.00 มิลลิเมตรต่อวัน สูงขึ้นกว่าในอดีตร้อยละ 216.97 และสถานี สตอ.จันทบุรี (480201) มีค่าสูงสุด (Max) เท่ากับ 862.99 มิลลิเมตรต่อวัน สูงขึ้นกว่าในอดีตร้อยละ 118.53 และหากพิจารณาค่าเฉลี่ยของปริมาณน้ำฝน รายวัน (Mean) พบว่ามีแนวโน้มปริมาณน้ำฝนรายวันที่ ลดลง รูปที่ 3 ข้อมูลปริมาณน้ำฝนรายเดือน จากผลการปรับเทียบแบบจำลองและตรวจพิสูจน์แบบจำลอง จำนวน 12 สถานี

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 114 Max Mean Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % 480201 สตอ.จันทบุรี394.90 17.90 478.66 21.21 20.55 14.83 486.80 23.27 19.81 10.66 556.12 40.83 19.34 8.06 480301 สกษ.พลิ ว 272.90 18.40 590.25 116.29 19.85 7.85 716.29 162.47 18.77 2.00 667.21 144.49 18.60 1.07 480001 ท่ำใหม่ 275.33 23.64 190.62 -30.77 16.87 -28.66 207.20 -24.75 15.89 -32.80 193.18 -29.84 16.25 -31.26 480002 มะขำม 188.40 19.83 138.54 -26.47 13.09 -34.02 128.63 -31.73 12.87 -35.12 177.57 -5.75 13.10 -33.97 480003 ขลุง 294.60 21.46 311.86 5.86 15.96 -25.60 212.55 -27.85 16.19 -24.54 558.92 89.72 15.89 -25.93 480004 แหลมสิงห์ 332.60 25.22 470.65 41.51 28.63 13.52 412.97 24.16 26.47 4.96 617.87 85.77 26.48 4.98 480005 โป่งน ้ำร้อน 171.60 17.02 135.68 -20.93 14.99 -11.91 106.08 -38.18 15.45 -9.18 192.68 12.28 15.30 -10.07 480006 สอยดำว 203.00 13.27 144.19 -28.97 9.97 -24.85 211.67 4.27 9.94 -25.09 146.43 -27.87 9.43 -28.94 480007 แก่งหำงแมว 250.00 13.56 144.41 -42.24 10.92 -19.47 248.70 -0.52 10.74 -20.77 169.82 -32.07 10.69 -21.14 480008 นำยำยอำม 185.00 14.21 192.17 3.88 12.73 -10.41 178.43 -3.55 12.41 -12.67 299.54 61.91 12.67 -10.84 60121 คลองหินดำด 228.60 18.29 389.93 70.57 12.15 -33.56 584.42 155.65 12.46 -31.91 293.23 28.27 12.19 -33.35 60131 คลองโตนด 144.40 12.50 140.88 -2.44 9.70 -22.40 170.92 18.37 10.16 -18.69 191.49 32.61 9.65 -22.82 Max Mean Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % 480201 สตอ.จันทบุรี394.90 17.90 364.68 -7.65 19.89 11.13 346.90 -12.16 20.17 12.66 862.99 118.53 20.45 14.27 480301 สกษ.พลิ ว 272.90 18.40 550.24 101.63 18.98 3.14 540.57 98.08 19.20 4.35 865.00 216.97 20.59 11.87 480001 ท่ำใหม่ 275.33 23.64 190.45 -30.83 16.99 -28.15 291.70 5.94 17.06 -27.86 376.88 36.88 16.86 -28.67 480002 มะขำม 188.40 19.83 112.83 -40.11 12.88 -35.05 194.69 3.34 12.82 -35.35 142.40 -24.42 12.48 -37.06 480003 ขลุง 294.60 21.46 299.84 1.78 15.33 -28.57 249.51 -15.31 15.92 -25.82 213.41 -27.56 16.99 -20.79 480004 แหลมสิงห์ 332.60 25.22 414.88 24.74 26.13 3.62 571.51 71.83 26.37 4.57 389.77 17.19 26.07 3.36 480005 โป่งน ้ำร้อน 171.60 17.02 107.58 -37.31 14.60 -14.20 171.27 -0.19 15.10 -11.24 110.98 -35.33 15.20 -10.69 480006 สอยดำว 203.00 13.27 113.32 -44.18 10.10 -23.88 111.47 -45.09 9.46 -28.72 157.61 -22.36 9.93 -25.19 480007 แก่งหำงแมว 250.00 13.56 188.52 -24.59 10.67 -21.35 227.09 -9.16 11.14 -17.81 215.42 -13.83 11.27 -16.88 480008 นำยำยอำม 185.00 14.21 261.54 41.37 12.27 -13.70 209.17 13.06 12.18 -14.29 200.75 8.51 12.89 -9.31 60121 คลองหินดำด 228.60 18.29 166.49 -27.17 12.00 -34.38 311.44 36.24 12.38 -32.35 216.45 -5.31 12.19 -33.35 60131 คลองโตนด 144.40 12.50 127.16 -11.94 9.71 -22.34 227.43 57.50 9.89 -20.84 132.13 -8.50 9.94 -20.44 Max Mean Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % Max เปลี่ยน แปลง % Mean เปลี่ยน แปลง % 480201 สตอ.จันทบุรี394.90 17.90 371.34 -5.97 20.04 11.98 652.15 65.14 21.52 20.25 606.49 53.58 22.66 26.62 480301 สกษ.พลิ ว 272.90 18.40 652.09 138.95 18.97 3.08 652.86 139.23 20.24 9.96 783.79 187.21 19.94 8.34 480001 ท่ำใหม่ 275.33 23.64 214.57 -22.07 16.50 -30.19 171.08 -37.87 6.29 -73.38 185.29 -32.70 16.81 -28.91 480002 มะขำม 188.40 19.83 132.17 -29.84 12.65 -36.23 162.01 -14.01 12.80 -35.44 201.21 6.80 13.08 -34.05 480003 ขลุง 294.60 21.46 178.12 -39.54 16.15 -24.74 391.67 32.95 16.05 -25.17 254.71 -13.54 16.27 -24.16 480004 แหลมสิงห์ 332.60 25.22 317.54 -4.53 26.24 4.06 474.61 42.70 27.84 10.37 648.37 94.94 28.83 14.33 480005 โป่งน ้ำร้อน 171.60 17.02 149.90 -12.64 15.31 -10.00 109.09 -36.43 15.47 -9.05 147.00 -14.34 15.55 -8.59 480006 สอยดำว 203.00 13.27 112.61 -44.53 10.23 -22.95 132.64 -34.66 9.84 -25.86 241.38 18.91 10.26 -22.66 480007 แก่งหำงแมว 250.00 13.56 229.49 -8.20 11.77 -13.17 165.05 -33.98 11.30 -16.69 282.55 13.02 11.61 -14.36 480008 นำยำยอำม 185.00 14.21 236.33 27.75 12.47 -12.28 267.58 44.64 13.12 -7.68 282.55 52.73 13.08 -7.97 60121 คลองหินดำด 228.60 18.29 575.86 151.91 12.43 -32.03 259.35 13.45 12.27 -32.94 617.66 170.19 12.39 -32.27 60131 คลองโตนด 144.40 12.50 198.45 37.43 9.85 -21.21 129.61 -10.24 9.38 -24.98 244.45 69.29 10.05 -19.60 SSP3-7.0 SSP3-7.0 ค.ศ. 2051 ถงึ 2075 SSP5-8.5 ค.ศ. 2026 ถงึ 2050 รหัส สถานี ฝนตรวจวัด SSP2-4.5 ชื่อสถานี วัดน ้าฝน ชื่อสถานี วัดน ้าฝน ค.ศ. 2076 ถงึ 2100 SSP5-8.5 SSP5-8.5 รหัส สถานี ฝนตรวจวัด SSP2-4.5 SSP3-7.0 รหัส สถานี ฝนตรวจวัด SSP2-4.5 ชื่อสถานี วัดน ้าฝน ตารางที่ 4 แสดงค่าทางสถิติ ข้อมูลปริมาณน้ำฝนรายวันที่ลดขนาดแล้วตั้งแต่ปัจจุบันจนถึงปี ค.ศ. 2100 จำนวน 12 สถานี

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 115 จากการพิจารณาปริมาณน้ำฝนรายวันในอนาคตทั้ง 3 ฉากทัศน์ พบว่าฉากทัศน์ SSP3-7.0 และ SSP5-8.5 พบว่ามีค่าปริมาณน้ำฝนสูงสุดรายวัน (Max) สูงกว่าใน อดีต อันเกิดจากในบางช่วง หรือในบางฤดูกาล มีปริมาณ น้ำฝนที่เพิ่มสูงขึ้นกว่าในอดีตอยู่ค่อนข้างมาก ดังนั้น จึง ดำเนินการแบ่งช่วงปริมาณน้ำฝนออกเป็นปริมาณน้ำฝน สะสมรายเดือนในอนาคต เพื่อเปรียบเทียบกับข้อมูล ปริมาณน้ำฝนสะสมรายเดือนในช่วงเวลาปัจจุบัน (ค.ศ. 1979 - 2014) ในที่นี้จะพิจารณาฤดูตามฤดูกาลเพาะปลูก พืชของกรมชลประทาน จำนวน 2 ฤดู กล่าวคือ ฤดูฝน คือ เดือนพฤษภาคมถึงเดือนตุลาคม และฤดูแล้ง คือ เดือนพฤศจิกายนถึงเดือนเมษายน ผลการพิจารณาปริมาณน้ำฝนรายเดือน พบว่า ใน อนาคตเกิดฝนที่ตกไม่ถูกต้องตามฤดูกาล กล่าวคือ ในช่วง ฤดูแล้ง มีปริมาณน้ำฝนที่เพิ่มสูงขึ้นกว่าในอดีตทั้ง 3 ฉากทัศน์ ในเดือนธันวาคมและเดือนมกราคม มีปริมาณ น้ำฝนสูงที่สุด (ในฤดูแล้ง) โดยเฉพาะสถานี สตอ.จันทบุรี (480201) และสถานี สกษ.พลิ้ว (480301) ส่วนในฤดูฝน มีปริมาณน้ำฝนที่ลดลงพอสมควรทั้ง 3 ฉากทัศน์ โดยเฉพาะสถานี สตอ.จันทบุรี(480201) และสถานี สกษ. พลิ้ว (480301) อาจส่งผลในเรื่องการบริหารจัดการน้ำ และความต้องการใช้น้ำเพื่อการเกษตรในฤดูฝนในอนาคต ดังนั้น จากผลการประเมินปริมาณน้ำฝนในอนาคต ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศโลก ในพื้นที่ ลุ่มน้ำจันทบุรีสามารถกล่าวได้ว่า การเปลี่ยนแปลงสภาพ ภูมิอากาศโลกในอนาคต ส่งผลกระทบต่อปริมาณน้ำฝนที่ เกิดขึ้นในอนาคตสำหรับพื้นที่ลุ่มน้ำจันทบุรี จึงมี ข้อเสนอแนะสำหรับการต่อยอดการศึกษาครั้งนี้ ในการศึกษาปริมาณน้ำท่าที่จะเกิดขึ้นในอนาคตจาก ปริมาณน้ำฝนที่เปลี่ยนแปลงไป เพื่อประโยชน์ในการ บริหารจัดการน้ำในพื้นที่ลุ่มน้ำจันทบุรีต่อไป 5. สรุป ผลการศึกษาการลดขนาดทางสถิติข้อมูลปริมาณ น้ำฝนรายวัน ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศโลก ในพื้นที่ลุ่มน้ำจันทบุรีจากผลลัพธ์ตัวแปรสภาพอากาศ ขนาดใหญ่จาก GCM โดยใช้แบบจำลอง CanESM5 นั้น ผลจากการปรับเทียบการปรับเทียบแบบจำลอง (ค.ศ. 1979 – 2000) และตรวจพิสูจน์แบบจำลอง (ค.ศ. 2001 – 2014) ปรากฏว่าผลลัพธ์ระหว่างแบบจำลอง SDSM กับ ข้อมูลปริมาณน้ำฝนรายวันตรวจวัดในพื้นที่ลุ่มน้ำจันทบุรี ทั้ง 12 สถานี ให้ค่าทางสถิติที่ค่อนข้างดี กล่าวคือมีค่าที่ ใกล้เคียงกันทั้งในช่วงปรับเทียบแบบจำลอง และตรวจ พิสูจน์แบบจำลอง เมื่อพิจารณาจากข้อมูลปริมาณน้ำฝน รายเดือน ระหว่างแบบจำลอง SDSM กับข้อมูลปริมาณ น้ำฝนรายเดือนตรวจวัดในพื้นที่ลุ่มน้ำจันทบุรี ทั้ง 12 สถานี พบว่ามีค่า R 2 ที่ค่อนข้างสูง โดยมีค่าระหว่าง 0.60 ถึง 0.80 ดังนั้น จึงสามารถสรุปได้ว่าแบบจำลอง SDSM มี ความเหมาะสมสำหรับการลดขนาดข้อมูลปริมาณน้ำฝน รายวัน ในพื้นที่ลุ่มน้ำจันทบุรี ตั้งแต่ปัจจุบัน ถึงปี ค.ศ. 2100 ต่อไป สำหรับผลการลดขนาดข้อมูลปริมาณน้ำฝนรายวันใน พื้นที่ลุ่มน้ำจันทบุรี ตั้งแต่ปัจจุบันจนถึงปี ค.ศ. 2100 จาก สถานีตรวจวัดน้ำฝนจำนวน 12 สถานี พบว่ามีค่าทางสถิติ (Mean) ที่สอดคล้องกันทั้ง 3 ช่วงเวลา คือ ปี ค.ศ. 2026 – 2050 ค.ศ. 2051 – 2075 และ ค.ศ. 2076 – 2100 โดยสามารถสรุปได้ว่า ค่าเฉลี่ยของปริมาณน้ำฝนรายวัน (Mean) มีแนวโน้มที่ลดลง จำนวน 9 สถานี มีที่ตั้งอยู่ บริเวณตอนบนและตอนกลางของพื้นที่ลุ่มน้ำจันทบุรี ได้แก่ สถานีท่าใหม่ มะขาม ขลุง โป่งน้ำร้อน สอยดาว แก่งหางแมว นายายอาม คลองหินดาด และคลองโตนด เป็นต้น ซึ่งอาจส่งกระทบต่อปริมาณน้ำต้นทุนของแม่น้ำ จันทบุรี รวมถึงอาจมีผลกระทบต่อปริมาณน้ำต้นทุน สำหรับใช้เพื่อการเกษตร จากปริมาณน้ำฝนรายวันที่ลดลง ส่วนสถานีที่มีค่าเฉลี่ย (Mean) เพิ่มขึ้น จำนวน 3 สถานี มีที่ตั้งอยู่บริเวณตอนล่างของพื้นที่ลุ่มน้ำจันทบุรี รวมถึง อำเภอเมือง จังหวัดจันทบุรี ได้แก่ สถานี สตอ.จันทบุรี สกษ.พลิ้ว และ แหลมสิงห์ เป็นต้น อันอาจเป็นสาเหตุให้ เกิดปัญหาอุทกภัยในพื้นที่อำเภอเมืองจันทบุรี ตลอดจน พื้นที่เศรษฐกิจได้

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 116 จากการพิจารณาค่าปริมาณน้ำฝนสูงสุดรายวัน (Max) ตั้งแต่ปัจจุบันจนถึงปี ค.ศ. 2100 จำนวน 12 สถานี พบว่า มีจำนวนของสถานีตรวจวัดที่มีค่าปริมาณน้ำฝน สูงสุดรายวันที่เพิ่มขึ้นและลดลง ใกล้เคียงกัน แต่ในช่วงปี ค.ศ. 2076 – 2100 พบว่าฉากทัศน์ SSP5-8.5 มีสถานี ตรวจวัดที่มีค่าปริมาณน้ำฝนสูงสุดรายวันเพิ่มขึ้นจำนวน 9 สถานี นอกจากนี้ยังพบว่า ที่สถานี สกษ.พลิ้ว และ แหลมสิงห์ มีค่าปริมาณน้ำฝนสูงสุดรายวันที่เพิ่มขึ้น ทั้ง 3 ฉากทัศน์และทั้ง 3 ช่วงเวลา คือ ปี ค.ศ. 2026 – 2050 ค.ศ. 2051 – 2075 และ ค.ศ. 2076 – 2100 ผลการศึกษาในครั้งนี้ สามาถนำไปประยุกต์ใช้ สำหรับการวิเคราะห์ปริมาณน้ำฝน-น้ำท่า ในอนาคต ใน พื้นที่ลุ่มน้ำจันทบุรี ภายใต้การเปลี่ยนแปลงสภาพ ภูมิอากาศโลก รวมถึงการวางแผนการบริหารจัดการน้ำใน อนาคต ตลอดจนสามารถนำไปพิจารณาในการออกแบบ อาคารชลประทานประเภทต่างๆ ได้ 4. กิตติกรรมประกาศ ขอขอบคุณ อาจารย์ที่ปรึกษาหลัก สำหรับการให้ คำแนะนำต่างๆ เพื่อประโยชน์ในการศึกษา และให้ การศึกษาในครั้งนี้ สำเร็จลุล่วงไปได้ด้วยดี เอกสารอ้างอิง [1] Working Group I. (2021). Climate Change 2021 The Physical Science Basis, Sixth Assessment Report. Intergovernmental Panel on Climate Change, 21-30. [2] กัณฑรีย์ บุญประกอบ และคณะ. (2010). การ เปลี่ยนแปลงสภาพภูมิอากาศของไทย. สำนักงาน กองทุนสนับสนุนการวิจัย (สกว)., 15-27. [3] ศรีสุนี วุฒิวงศ์โยธิน, สรวิชญ์ ละอองศิริ และ สุพีรวิทย์ อำพัน. (2022). การลดขนาดข้อมูลทาง สถิติ-ข้อมูลฝนรายวันภายใต้การเปลี่ยนแปลงสภาพ ภูมิอากาศโลกจากชุดข้อมูล CMIP6 ในพื้นที่ลุ่มน้ำปิง ตอนบน. การประชุมวิชาการวิศวกรรมโยธาแห่งชาติ ครั้งที่ 28 จ.ภูเก็ต. [4] อนามิกา แก้วสุริยัน. (2008). แบบจำลอง ลดมาตราส่วนทางสถิติ(SDSM) สำหรับประเมินผล กระทบของการเปลี่ยนแปลงภูมิอากาศต่อฝนของ พื้นที่ลุ่มน้ำชีและมูล. คณะวิศวกรรมศาตร์, มหาวิทยาลัยธรรมศาสตร์. [5] Wilby RL. (2002). SDSM – a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software 17. [6] Xin Xiang, Tianqi Ao, Qintai Xiao ( 2022) . Variation of Runoff and Runoff Components of the Lhasa River Basin in Qinghai-Tibet Plateau under Climate Change. Atmosphere 2022. DOI: 10.3390/atmos13111848 [7] ธวัชชัย ติงสัญชลี และคณะ. (2003). การพัฒนาแผน หลักการจัดการภัยธรรมชาติที่เกี่ยวข้องกับน้ำ : น้ำท่วม น้ำแล้ง และแผ่นดินถล่ม. สำนักงานกองทุน สนับสนุนการวิจัย (สกว)., 1-8. [8] ฐิติมา วงศ์อินตา. (2022). การวิเคราะห์ปัจจัยเสี่ยง ของโซ่อุปทานทุเรียนเพื่อการส่งออกในพื้นที่จังหวัด จันทบุรี. วารสารปัญญาภิวัฒน์ ปีที่ 14. [9] Amirhossein Salimi. (2 023) . Comparison of the Performance of CMIP5 and CMIP6 in the Prediction of Rainfall Trends, Case Study Quebec City. Environmental Sciences Proceedings. [10] Wilby RL, Christian W Dawson. (2007). SDSM 4.2-A decision support tool for the assessment of regional climate change impact. Department of Geography, Lancaster University, UK, 7-59.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 117 การประเมินความแปรปรวนของปริมาณน้ำฝนจากข้อมูลสังเกตการณ์และผลลัพธ์แบบจำลอง CMIP6 ในภาคตะวันออกเฉียงเหนือของประเทศไทย Evaluation of Rainfall Variability from Observation Data and CMIP6 Models Output in Northeast Thailand สุรสิทธิ์ ปัญญวรรณศิริ1* , เลอบุญ อุดมทรัพย์1 , พัชรินทร์ พิมพ์สิงห์1 และ วิภพ ทีมสุวรรณ1 1 สำนักบริหารจัดการน้ำและอุทกวิทยา, กรมชลประทาน, กรุงเทพมหานคร, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ ผลการคาดการณ์ปริมาณน้ำฝนในอนาคตเพื่อใช้ในการวิเคราะห์ด้านทรัพยากรน้ำอาจแตกต่างกันไป ขึ้นอยู่กับข้อมูล สังเกตการณ์, แบบจำลองสภาพภูมิอากาศโลก, เทคนิควิธีการและการปรับแก้ค่าอคติที่ใช้สำหรับการประมวลผลของ แบบจำลองทางอุทกวิทยาทั้งในระดับท้องถิ่นหรือระดับภูมิภาค บทความนี้นำเสนอผลการวิเคราะห์แนวโน้มของค่าปริมาณฝน จากข้อมูลรายวันของสถานีตรวจอากาศของกรมอุตุนิยมวิทยา จำนวน 10 สถานี ที่กระจายครอบคลุมในพื้นที่ศึกษาภาค ตะวันออกเฉียงเหนือของประเทศไทย ในช่วงปี ค.ศ.1961-2014 (ปีพื้นฐานคาบเวลา 54 ปี) ผลการศึกษาด้วยวิธี MannKendall พบว่า เกือบทุกสถานีมีแนวโน้มเพิ่มขึ้น แต่มีเพียงสถานีสุรินทร์ที่มีแนวโน้มค่าปริมาณน้ำฝนที่เพิ่มขึ้นอย่างมีนัยสำคัญ ที่ระดับความเชื่อมั่น 95% และผลการวิเคราะห์จากผลลัพธ์แบบจำลองสภาพอากาศโลก(GCM) ฐานข้อมูล Coupled Model Intercomparison Project Phase 6 (CMIP6) จำนวน 5 แบบจำลอง ได้แก่ ACCESS-ESM1-5 ประเทศออสเตรเลีย, CanESM5 ประเทศแคนาดา, EC-Earth3 ประเทศสวีเดน (สหภาพยุโรป), MIROC6 และ MRI-ESM2-0 ประเทศญี่ปุ่น พบว่า ทุกแบบจำลอง GCMs สามารถสังเคราะห์ข้อมูลปริมาณฝนสะสมรายปีเฉลี่ยได้ดีมากเมื่อเทียบกับค่าข้อมูลปริมาณฝน สังเกตการณ์ในช่วงปีพื้นฐาน ค่าปริมาณน้ำฝนสะสมรายเดือนที่สังเคราะห์ได้ทั้ง 5 แบบจำลองมีความแม่นยำดีมากในช่วงฤดู หนาว ตามด้วยฤดูร้อน และฤดูฝน ตามลำดับ โดยผลลัพธ์ของแบบจำลอง MIROC6 มีรูปแบบการกระจายตัวของค่าปริมาณ น้ำฝนสะสมรายเดือนใกล้เคียงกับค่าปริมาณน้ำฝนสังเกตการณ์มากที่สุดสำหรับการศึกษาพื้นที่ระดับภูมิภาคลุ่มน้ำ อย่างไรก็ ตาม ในกรณีศึกษาพื้นที่ระดับท้องถิ่นของแต่ละสถานี ผลลัพธ์ของแบบจำลอง EC-Earth3 มีค่าความคลาดเคลื่อนโดยเฉลี่ยต่ำ กว่าทุกแบบจำลอง คำสำคัญ: การเปลี่ยนแปลงสภาพภูมิอากาศ, ปริมาณน้ำฝน, Mann-Kendall, MIROC6, EC-Earth3 Abstract Future rainfall projections for water resource analysis might differ depending on observation data, global climate models, techniques, and bias correction procedures employed in local or regional hydrological modeling processes. This paper analyzes rainfall trends from daily data from 10 weather stations by the Thai Meteorological Department, covering the study area in northeast Thailand from 1961to 2014 (the base year of 54 years). The Mann-Kendall method's findings showed that almost every station had an increasing trend. However, only Surin station demonstrated a statistically significant increase in annual rainfall at the 95% confidence level. The results using the GCM output based on the Coupled Model Intercomparison

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 118 Project Phase 6 (CMIP6) for five models comprising ACCESS-ESM1-5(Australia), CanESM5 (Canada), EC-Earth3 (Sweden-EU), MIROC6, and MRI-ESM2-0 (Japan) showed that all GCM models could synthesize average annual cumulative rainfall equivalent to the base year. The accumulated monthly rainfall values synthesized by all five models are highly accurate during winter, summer, and the rainy season, in that order. The results of the MIROC6 model have a distribution pattern of monthly cumulative rainfall values closest to the observed rainfall values for studies of the basin regional area. However, in the case study of the local site for each station, the EC-Earth3 model had a lower average error than all other models. Keywords: Climate Changes, Rainfall, Mann-Kendall, MIROC6, EC-Earth3 1. คำนำ ผลจากการเปลี่ยนแปลงสภาพภูมิอากาศ (Climate Changes) ก่อให้เกิดการแปรปรวนทางกระบวนการ อุตุนิยมวิทยา ซึ่งความแปรปรวนของสภาพภูมิอากาศใน คาบเวลาต่าง ๆ ที่มีความถี่บ่อยครั้งและมีแนวโน้มทวี ความรุนแรง จะเป็นสาเหตุนำไปสู่ภัยธรรมชาติทั้ง อุทกภัยและภัยแล้งล้วนส่งผลกระทบต่อการดำรงชีพและ วิถีชีวิตทางสังคม ซึ่งผลกระทบเนื่องจากความแปรปรวน ภูมิอากาศในแต่ละพื้นที่จะแตกต่างกันไป ขึ้นอยู่กับ สภาพแวดล้อมและความสามารถในการเตรียมความ พร้อมและการปรับตัวต่อการเปลี่ยนแปลงสภาพ ภูมิอากาศ การศึกษาการเปลี่ยนแปลงสภาพภูมิอากาศและ ความสามารถในการประยุกต์ใช้เทคนิคการวิเคราะห์ สำหรับการคาดการณ์การเปลี่ยนแปลงสภาพภูมิอากาศตัว แปรทางอุตุนิยมวิทยา จึงเป็นกระบวนการที่สำคัญสำหรับ การเตรียมความพร้อมต่อการปรับตัวเพื่อลดผลกระทบ จากการเปลี่ยนแปลงสภาพภูมิอากาศ การพยากรณ์สภาพ อากาศทำได้โดยการรวบรวมข้อมูลเชิงปริมาณเกี่ยวกับ ลักษณะของบรรยากาศและใช้กระบวนการทำความเข้าใจ บรรยากาศเพื่อศึกษาว่าบรรยากาศจะเปลี่ยนแปลงต่อไป อย่างไร ซึ่งความรู้ความเข้าใจในปรากฏการณ์และ กระบวนการต่าง ๆ ที่เกิดขึ้นในบรรยากาศ ได้มาจากเฝ้า สังเกตและตรวจวัดบันทึกไว้ซึ่งข้อมูลการสังเกตการณ์ (Observation Data) เป็นข้อมูลจากการตรวจวัดโดยตรง ทำให้สามารถอธิบายถึงสาเหตุของการเกิดลักษณะอากาศ แบบต่าง ๆ ได้ อย่างไรก็ตามความรู้ความเข้าใจเกี่ยวกับ ลมฟ้าอากาศนั้นยังมีอยู่น้อยมาก เมื่อเทียบกับ ปรากฎการณ์ของสภาวะอากาศ เพราะปรากฏการณ์ที่ เกิดขึ้นในบรรยากาศมีการเคลื่อนที่อยู่ตลอดเวลา ยังไม่มี เทคนิคการพยากรณ์ที่แม่นยำโดยไม่มีความคลาดเคลื่อน เลยนั้น ยังไม่สามารถกระทำได้แต่อย่างไรก็ตาม อุตุนิยมวิทยาซึ่งเป็นวิชาที่ศึกษาเกี่ยวกับบรรยากาศและ ปรากฎการณ์ที่เกี่ยวข้องนั้น มีการศึกษาและพัฒนาด้วย วิธีการทางวิทยาศาสตร์อย่างต่อเนื่อง โดยเฉพาะอย่างยิ่ง การศึกษาวิเคราะห์แนวโน้มการเปลี่ยนแปลงของตัวแปร ภูมิอากาศ รวมถึงการศึกษาความสัมพันธ์และกลไกความ เชื่อมโยงระหว่างความแปรปรวนของตัวแปรทาง อุตุนิยมวิทยาอุทก (Hydro-meteorological Variable) กับความผันแปรและปรากฏการณ์ของระบบภูมิอากาศ โลกในโหมดต่าง ๆ นั้น ในช่วงเวลามากกว่าสิบกว่าปีที่ ผ่านมา มีความก้าวหน้าเพิ่มขึ้นอย่างก้าวกระโดด หลาย ประเทศรวมถึงประเทศไทยต่างพยายามศึกษา ปรากฏการณ์ที่สำคัญของการเปลี่ยนแปลงสภาพ ภูมิอากาศ ได้แก่ อุณหภูมิที่สูงขึ้น ความแปรปรวนของฝน ความรุนแรงของพายุหมุนเขตร้อน เป็นต้น นอกจากข้อมูล การสังเกตการณ์หรือข้อมูลการตรวจวัดจากสถานีตรวจวัด อากาศที่ใช้ศึกษาเพื่อการวิเคราะห์การคาดการณ์สภาพ ภูมิอากาศในอนาคตแล้วนั้น ยังต้องการข้อมูลที่สำคัญ คือ ข้อมูลแบบจำลองการหมุนเวียนภูมิอากาศ (General Circulation Model, GCM) หรือแบบจำลองสภาพ ภูมิอากาศโลก (Global Climate Model, GCM) ซึ่ง ปัจจุบันได้รับการยอมรับอย่างกว้างขวางและเป็นที่นิยมใช้ ในการศึกษาเกี่ยวกับการคาดการณ์แนวโน้มตัวแปร

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 119 ภูมิอากาศพื้นฐานในระดับโลก ผลลัพธ์ของแบบจำลอง สามารถอธิบายแนวโน้มลักษณะหลัก ๆ ของการกระจาย ตัวขององค์ประกอบทางภูมิอากาศที่สำคัญ บริเวณพิกัด ต่าง ๆ ของเส้นรุ้ง (Latitude) และเส้นแวง (Longitude) ในระดับโลกได้ดี ปัจจุบันสถาบันอุตุนิยมวิทยาชั้นนำระดับโลก หลากหลายสถาบันได้จัดทำแบบจำลองสภาพภูมิอากาศ โลก โดยทำการประมวลผลข้อมูลที่เกี่ยวข้องกับภูมิอากาศ และปัจจัยที่มีผลกระทบด้วยเครื่องคอมพิวเตอร์ระดับ ซุปเปอร์คอมพิวเตอร์ที่มีสมรรถนะสูง เพื่อสร้างภาพ จำลองการเปลี่ยนแปลงภูมิอากาศในอนาคต แบบจำลอง นี้จะให้ผลลัพธ์ของตัวแปรภูมิอากาศระดับโลกด้วยความ ละเอียดเชิงพื้นที่ (Spatial Resolution) ประมาณ 200- 300 ตารางกิโลเมตร สำหรับประเมินผลกระทบของการ เปลี่ยนแปลงภูมิอากาศกับทุกพื้นที่บนโลก แต่อย่างไรก็ ตาม ผลลัพธ์ที่ได้จากแต่ละแบบจำลองสภาพภูมิอากาศ โลกจะมีรายละเอียดตามพิกัดมาตราส่วนบนแผนที่ทาง เส้นรุ้งและเส้นแวงมากกว่า 2.0 องศา หรือมากกว่า 200 ตารางกิโลเมตร โดยผลลัพธ์จะมีความละเอียดแตกต่างกัน ไป เนื่องจากวิธีการหรือกระบวนการณ์สร้างแบบจำลอง, ความละเอียด มาตราส่วนเชิงพื้นที่-เวลา, กลไกการ ตอบสนองต่อปัจจัยที่แตกต่างกัน (อาทิเช่น การแผ่รังสี เมฆและแสงอาทิตย์ ก๊าซเรือนกระจก การไหลเวียนของ มหาสมุทร ไอน้ำ) ตลอดจนการกำหนดพารามิเตอร์ทาง กายภาพและโครงสร้างแบบจำลอง เป็นสาเหตุของความ ไม่แน่นอนที่นำไปสู่การประมาณค่าสูงเกินไปหรือการ ประเมินค่าของตัวแปรภูมิอากาศที่พิจารณาต่ำไป เมื่อ เปรียบเทียบกับตัวแปรที่สังเกตได้ ซึ่งส่งผลให้เกิดผลลัพธ์ ที่แตกต่างกัน [1][2][3] ดังนั้น ข้อมูลการประมวลตัวแปร ภูมิอากาศในอดีตของแต่ละ GCM จึงจำเป็นต้องถูก ตรวจสอบความสอดคล้องกับข้อมูลการสังเกตการณ์เพื่อ ประกอบการตัดสินใจคัดเลือก GCM ที่สอดคล้องที่สุด สำหรับผลการคาดการณ์ภูมิอากาศในอนาคตที่มีความ แม่นยำสูง บทความนี้ทำการศึกษาความแปรปรวนของ ปริมาณฝนทั้งเชิงปริมาณ, ช่วงเวลา และพื้นที่ ซึ่งเป็น ปัจจัยเสี่ยงสำคัญต่อความมั่นคงทางด้านน้ำและการ บริหารจัดการภัยพิบัติ จากข้อมูลการสังเกตการณ์และ ผลลัพธ์แบบจำลองสภาพภูมิอากาศโลกที่ได้รับการพัฒนา มาอย่างต่อเนื่องในฐานข้อมูลล่าสุด ผลการศึกษาจะทำให้ เกิดข้อมูลสำหรับใช้ตัดสินใจเลือกใช้ GCM ในระดับลุ่มน้ำ หรือระดับท้องถิ ่นรายสถานีด้านอุตุนิยมวิทยาอุทกต่อ สถานการณ์น้ำในอนาคตต่อไป 2. พื้นที่ศึกษา พื้นที่ศึกษาคือภาคตะวันออกเฉียงเหนือของประเทศ ไทย ตั้งอยู่ ระหว่างเส้นรุ้ง 14◦7' ถึง 18◦27' เหนือ และ เส้นแวง 100◦54' ถึง 105◦37' ตะวันออก ครอบคลุม พื้นที่ประมาณ 160,000 ตารางกิโลเมตร ลักษณะภูมิ ประเทศเป็นที่ราบสูง มีความลาดเอียงไปทางตะวันออก มี ลักษณะคล้ายกระทะ แบ่งเป็น 2 เขตใหญ่ ได้แก่ บริเวณ แอ่งที่ราบโคราช อยู่บริเวณที่ราบลุ่มแม่น้ำมูลและชี ลักษณะเป็นที่ราบสูงสลับกับเนินเขา และบริเวณแอ่ง สกลนครอยู่ทางตอนเหนือของภาค ตามที่ได้แสดงรูปที่ 1 รูปที่ 1 ลักษณะภูมิประเทศและที่ตั้งของพื้นที่ศึกษา สภาพภูมิอากาศในพื้นที่ศึกษา มีอากาศร้อนชื้นสลับ กับแล้ง แบ่งเป็น 3 ฤดู คือ ฤดูร้อน ช่วงเดือนกุมภาพันธ์- พฤษภาคม อากาศจะร้อนและแห้งแล้งมาก จังหวัดที่มี อุณหภูมิสูงสุด คือ อุดรธานี ฤดูฝน ช่วงเดือน พฤษภาคมตุลาคม ได้รับอิทธิพลของลมมรสุมตะวันตกเฉียงใต้ ทำให้ มีฝนตกเป็นบริเวณกว้าง แต่มีแนวเทือกเขาดงพญาเย็น และสันกำแพงกั้นลมฝนจากมรสุมตะวันตกเฉียงใต้ ส่งผล

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 120 ให้พื้นที่แอ่งโคราช ซึ่งเป็นเขตเงาฝนจึงมีสภาพแห้งแล้ง กว่าแอ่งสกลนคร จังหวัดที่มีฝนตกมากที่สุด คือ นครพนม ฝนตกน้อยที่สุด คือ นครราชสีมา ฤดูหนาว ช่วงเดือน พฤศจิกายน-กุมภาพันธ์อากาศหนาวเย็น ได้รับอิทธิพล ของลมมรสุม ตะวันออกเฉียงเหนือจากประเทศจีน จังหวัดที่มีอุณหภูมิต่ำสุด คือ จังหวัดเลย 3. ข้อมูลที่ใช้ 3.1 ข้อมูลอุตุนิยมวิทยาในระดับสถานี การศึกษาในครั้งนี้ได้รวบรวมข้อมูลฝนรายวันในช่วง ปี ค.ศ. 1961 – 2014 (คาบเวลา 54 ปี) จากสถานี ตรวจวัดอากาศที่ทำการบันทึกวัดค่าปริมาณน้ำฝนโดย กรมอุตุนิยมวิทยา จำนวน 10 สถานี ที่กระจายครอบคลุม อยู่ในเขตพื้นที่ศึกษาภาคตะวันเฉียงเหนือของประเทศไทย แสดงรายละเอียดของสถานีตามตารางที่ 1 ตารางที่ 1 แสดงรหัสสถานี ชื่อสถานี พิกัดเส้นรุ้ง และ เส้นแวง รหัสสถานี ชื่อสถานี ตรวจอากาศ เส้นรุ้ง เส้นแวง (องศา) (องศา) 353201 เลย 17º27’00” 101º44’00” 354201 อุดรธานี 17º23’00” 102º48’00” 356201 สกลนคร 17º09’00” 104º08’00” 357201 นครพนม 17º23’00” 102º48’00” 381201 ขอนแก่น 16º27’48” 102º47’12” 403201 ชัยภูมิ 15º48’00” 102º02’00” 405201 ร้อยเอ็ด 16º03’00” 103º41’00” 407501 อุบลราชธานี 15º15’00” 104º52’00” 431201 นครราชสีมา 14º57’46” 102º04’36” 432201 สุรินทร์ 14º53’00” 103º30’00” ข้อมูลปริมาณน้ำฝนรายวันที่รวบรวมนำมาใช้ ดังกล่าวข้างต้น ได้พิจารณาจากสถานีที่มีการบันทึกข้อมูล สังเกตการณ์รายวันไม่น้อยกว่า 30 ปี และเป็นสถานีที่มี ข้อมูลที่สมบูรณ์ไม่น้อยกว่า 25 ปี ซึ่งจากการคัดเลือกตาม เกณฑ์ดังกล่าว จะได้ข้อมูลของสถานีน้ำฝนที่ผ่านการ คัดเลือก จำนวน 10 สถานี และกระจายครอบคลุมใน พื้นที่ศึกษา พร้อมได้ผ่านการต่อเติมข้อมูลและตรวจสอบ ความน่าเชื่อถือก่อนแล้วจึงได้นําข้อมูลมาใช้ศึกษาครั้งนี้ [4] 3.2 ข้อมูลแบบจำลองสภาพภูมิอากาศโลก แบบจำลองสภาพภูมิอากาศโลก (GCMs) เป็นการ จำลองกระบวนการทางฟิสิกส์ของชั้นบรรยากาศ มหาสมุทร น้ำแข็งในทะเลหรือน้ำแข็งบริเวณขั้วโลกเหนือ น้ำแข็งบริเวณขั้วโลกใต้และผืนดิน โดยจำลองทาง หลักการคณิตศาสตร์ของการไหลวนของบรรยากาศและ มหาสมุทร โดยอาศัยพื้นฐานของสมการ นาเวียร์ - สโตกส์ (Navier - Stoke Equation) ในแกนวงหมุนของโลกด้วย เงื่อนไขของอุณหพลศาสตร์ (Thermodynamics) ที่ เกี่ยวข้อง เช่น การแผ่รังสี ความร้อนแฝง เป็นต้น แบบจำลองสภาพภูมิอากาศโลกยังใช้หลักการระเบียบวิธี เชิงตัวเลข (Numerical Method) ในการรวบรวมความ หลากหลายของการเคลื่อนของของไหลทางเคมีและ สมการทางชีวภาพความสัมพันธ์ของสมการเหล่านี้เป็น พื้นฐานการจำลองสภาพภูมิอากาศโลกด้วยโปรแกรม คอมพิวเตอร์ที่สลับซับซ้อน ปัจจุบันมี Climate Modeling Groups กว่า 20 สถาบันชั้นนำทั่วโลกที่ได้ทำการพัฒนา GCMs โดยการ จัดทำ Climate Model Experiments ภายใต้โครงการ Coupled Model Intercomparison Project (CMIP) ล่าสุดอยู่ในระยะที่ 6 หรือ CMIP6 มีจุดเด่นกว่าฐานข้อมูล เดิม CMIP5 เนื่องจากประมวลด้วยข้อมูลสภาพภูมิอากาศ ที่ปรังปรุงใหม่ อิงตามข้อมูลเกี่ยวกับสภาวะโลกร้อนและ ก๊าซเรือนกระจกล่าสุด [5] การศึกษานี้ทำการการศึกษาความแปรปรวนปริมาณ น้ำฝน จึงพิจารณาเลือกใช้ GCM ในกลุ่มที่มีข้อมูลผลลัพธ์ การจำลองสภาพภูมิอากาศโลกที่เกี่ยวข้องกับค่าปริมาณ น้ำฝน จำนวน 5 แบบจำลอง (ตารางที่ 2) ซึ่งสามารถ ดาวน์โหลดข้อมูลโดยไม่มีค่าใช้จ่ายได้หลายเว็บไซต์ อาทิ เช่น https://esgf-node.llnl.gov/projects/cmip6/ ซึ่ง แฟ้มชุดข้อมูลปริมาณฝนรายวันที่ทำมาใช้ศึกษานี้ ได้แก่ ชุดข้อมูลอดีต (Historical Data) สำหรับใช้ในการ วิเคราะห์ปริมาณน้ำฝนรายวันในอดีตช่วงเวลาปีพื้นฐาน

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 121 (Baseline) ปี ค.ศ. 1961 – 2014 (คาบเวลา 54 ปี) จาก ผลลัพธ์ของแต่ละแบบจำลอง GCMs ที่เลือกใช้ เพื่อ ตรวจสอบความสอดคล้องกับข้อมูลการสังเกตการณ์ รายวันของสถานีน้ำฝนในช่วงระยะเวลาเดียวกัน ตารางที่ 2 แบบจำลองสภาพภูมิอากาศโลก (GCMs) ที่ ใช้ในการศึกษา แบบจําลอง (Model name) สถาบันที่พัฒนา, ประเทศ (Modeling center) ACCESS-ESM1.5 [6] The Australian Community Climate and Earth System Simulator (ACCESS), ออสเตรเลีย CanESM5 [7] Canadian Centre for Climate Modelling and Analysis, Environment and Climate Change, แคนาดา EC-Earth3 [8] EC- Earth Consortium, สวีเดน MIROC6 [9] National Institute for Environmental Studies, The University of Tokyo, ญี่ปุ่น MRI-ESM2.0 [10] Meteorological Research Institute, ญี่ปุ่น 4. วิธีการศึกษา 4.1 การวิเคราะห์ข้อมูลฝนสังเกตการณ์ในระดับสถานี จากข้อมูลสังเกตการณ์ค่าปริมาณฝนรายวันจาก สถานีน้ำฝน จำนวน 10 สถานีในช่วงเวลาปีพื้นฐาน (Baseline) ปี ค.ศ. 1961 – 2014 (คาบเวลา 54 ปี) ที่ ผ่านการตรวจสอบความน่าเชื่อถือของข้อมูลแล้ว ดำเนินการจัดรูปแบบให้อยู่ในรูปแบบอนุกรมเวลา ทำการ วิเคราะห์ข้อมูลหาค่าพารามิเตอร์ ได้แก่ ค่าเฉลี่ย, ค่า ต่ำสุด, ค่าสูงสุด และค่าเบี่ยงเบนมาตรฐาน (มิลลิเมตร/ปี) รวมทั้งวิเคราะห์แนวโน้ม (Trend Analysis) ของข้อมูล ปริมาณน้ำฝนด้วยวิธี Mann-Kendall ซึ่งเป็นวิธีที่ได้รับ การยอมรับและใช้กันอย่างแพร่หลาย สำหรับวิเคราะห์ สถิติแบบนอนพาราเมตริก (Nonparametric Statistics) [11] [12] สำหรับตัวแปรที่มีข้อมูลเชิงลักษณะหรือข้อมูล เชิงปริมาณแต่มีการแจกแจงอย่างใดก็ได้(Distribution Free) โดยข้อมูลที่นํามาใชในการคํานวณค่าสถิติจะใช อันดับของข้อมูล (Rank) แทนข้อมูล วิธีนี้มีความสามารถ ตรวจสอบแนวโน้มของข้อมูลได้อย่างถูกต้อง ซึ่งค่าทาง สถิติแบบวิธีMann-Kendall S เป็นผลรวมของค่าความ แตกต่างของข้อมูลในแต่ละช่วงเวลา โดยกำหนด S = Mann Kendall Statistic , Tj = ค่าข้อมูลปริมาณฝน ณ วันที่ j , Tk = ค่าข้อมูลปริมาณฝน ณ วันที่ k และ n = จำนวนช่วงข้อมูล (ปี) ตามสมการที่ (1) ดังนี้ = ∑ ∑ ( − ) =+1 −1 =1 (1) ถ้าข้อมูลปริมาณฝนมีการกระจายอย่างอิสระด้วย รูปแบบที่เหมือนกัน ค่าเฉลี่ยของ S จะเท่ากับศูนย์ และ ค่าความแปรปรวน Var(S) จะหาได้จากสมการที่ (2) ดังนี้ () = 1 18 [( − 1)(2 + 5) − ∑ ( − 1)(2 + 5)] (2) โดยที่ n คือ ความยาวของข้อมูล และ t คือ ความ ยาวซึ่งแสดงแนวเป็นของข้อมูล จากนั้นแปลงค่า S ให้เป็น ค่าทางสถิติแบบ Standard Normal (Z) ค่าทางสถิติ Z ที่ คำนวณได้จะถูกใช้ในเกณฑ์การประเมินแนวโน้มของค่า แนวโน้มปริมาณฝนว่ามีนัยสำคัญทางสถิติหรือไม่ กล่าวคือ เครื่องหมายค่า + ของ Z จะแสดงว่าค่าตัวแปรข้อมูล ปริมาณฝน มีแนวโน้มเพิ่มขึ้น ในขณะที่เครื่องหมายค่า – จะหมายถึงแนวโน้มลดลง ส่วนนัยสำคัญของแนวโน้มจะ สรุปผลได้จากการเปรียบเทียบค่า Z ที่ได้กับค่าวิกฤติของ ZC ที่ระดับนัยสำคัญ C ที่พิจารณา ในการศึกษานี้ ดำเนินการวิเคราะห์แนวโน้มที่ความเชื่อมั่นที่ 95 % 4.2 การวิเคราะห์ข้อมูลผลลัพธ์แบบจำลอง GCMs นำผลการวิเคราะห์ปริมาณน้ำฝนช่วงปีพื้นฐาน (Historical Data) ของแต่ละแบบจำลองสภาพภูมิอากาศ โลก โดยการจำลองตัวแปรศึกษาปริมาณน้ำฝนโดยวิธีการ ลดมาตราส่วนเชิงสถิติในช่วงเวลาปีพื้นฐาน (Baseline) คือ ปี ค.ศ. 1961 – 2014 โดยเลือกใช้พารามิเตอร์ในการ วิเคราะห์ 2 พารามิเตอร์ได้แก่ BIAS และ Root Mean

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 122 Square Error (RMSE) มีการคำนวณค่า ดังแสดงใน สมการ (3) และ (4) ดังนี้ = ∑ =1 ∑ =1 (3) = √ ∑ (− )2 =1 (4) โดยที่ PGCM คือปริมาณน้ำฝนรายเดือนเฉลี่ยจาก แบบจำลองสภาพภูมิอากาศโลก, Pobs คือปริมาณน้ำฝน รายเดือนเฉลี่ยจากสถานีตรวจวัดน้ำฝนในช่วงเวลา เดียวกัน คือ ช่วงปี ค.ศ.1961-2014 และ n คือ จำนวน เดือนในคาบ 54 ปี เท่ากับ 648 เดือน ซึ่งค่า BIAS ที่ มากกว่า 1 หมายถึง การสังเคราะห์ปริมาณน้ำฝนมีค่าสูง กว่าค่าสังเกตการณ์ และถ้าค่า BIAS ที่น้อยกว่า 1 หมายถึง การสังเคราะห์ปริมาณน้ำฝนมีค่าต่ำกว่าค่า สังเกตการณ์ ผลการคำนวณค่า RMSE จะแสดงถึงความ คลาดเคลื่อนโดยเฉลี่ยของการสังเคราะห์ปริมาณฝนจาก แบบจำลอง GCM เทียบกับข้อมูลสังเกตการณ์ถ้า RMSE มีค่าสูง แสดงว่าค่า PGCM มีความคลาดเคลื่อนจากค่า Pobs มาก ในทางกลับกัน ถ้าหากมีค่าต่ำ หมายถึง มีความคลาด ที่เคลื่อนน้อย ผลการวิเคราะห์จากค่าจำลองปริมาณน้ำฝน สำหรับทุกสถานีในช่วงชุดข้อมูล ปี ค.ศ. 1961 - 2014 จะ แสดงให้เห็นแนวโน้มของค่าปริมาณน้ำฝนที่สามารถนำไป พัฒนาการสำหรับการพยากรณ์ปริมาณน้ำฝนในช่วง อนาคตต่อไปได้ การประเมินศักยภาพของแบบจำลองสภาพ ภูมิอากาศในการประมวลผลจำลองสภาพภูมิอากาศใน อดีต เป็นหลักการในการพิจารณาเลือกแบบจำลอง GCM ที่เหมาะสมในการศึกษาการเปลี่ยนแปลงตัวแปน ภูมิอากาศที่อาจเกิดขึ้นในอนาคต โดยทั่วไปการจำลอง สภาพภูมิอากาศจะมีความไม่แน่นอนและมีค่าอคติ(Bias) เกิดขึ้น เนื่องจากการคาดการณ์สภาพภูมิอากาศในอนาคต บนพื้นฐานของแต่ละแบบจําลองสภาพภูมิอากาศโลกนั้น เกิดความคลาดเคลื่อนได้เนื่องจากข้อจำกัดของแต่ละ แบบจําลองหลายประการ ดังนั้น การทดสอบความ ถูกต้องของผลลัพธ์จากแบบจำลองเป็นกระบวนการที่ สำคัญ การศึกษานี้ได้ทำการประเมินผลลัพธ์จาก แบบจำลอง GCM ทั้ง 5 แบบจำลอง จากฐานข้อมูล CMIP6 ในช่วงปีพื้นฐานหรือข้อมูลอดีต ช่วงปี ค.ศ.1961- 2014 ซึ่งกำหนดเป็นช่วงเวลาเดียวกันสำหรับการศึกษา ทำการเปรียบเทียบกับข้อมูลฝนรายวันจากการตรวจ บันทึกวัดของสถานีตรวจอากาศของกรมอุตุนิยมวิทยา โดยข้อมูลสังเกตการณ์และผลลัพธ์ของตัวแปรภูมิอากาศ ของแบบจำลองสภาพภูมิอากาศโลกที่ทำการคัดเลือกควร จะต้องมีค่าพารามิเตอร์ที่ดีหรือมีค่าทางสถิติที่สอดคล้อง กัน 5. ผลการศึกษาและการอภิปราย ผลจากการศึกษาแบ่งออกเป็น 2 ส่วน คือผลการ วิเคราะห์จากข้อมูลฝนสังเกตการณ์ในระดับสถานีและ ข้อมูลจากผลลัพธ์แบบจำลอง GCMs ดังนี้ 5.1 ผลการวิเคราะห์ข้อมูลฝนสังเกตการณ์ จากการตรวจสอบและวิเคราะห์ค่าของปริมาณน้ำฝน คาบ 54 ปี ในช่วงปี ค.ศ.1961-2014 ของสถานีน้ำฝน ทั้ง 10 สถานี พบว่า มีค่าเฉลี่ยของปริมาณน้ำฝนรายปีเท่ากับ 1,451.12 มิลลิเมตรต่อปี, ค่าเฉลี่ยปริมาณน้ำฝนรายปี ต่ำสุด 947.37 มิลลิเมตรต่อปีและค่าเฉลี่ยปริมาณน้ำฝน รายปีสูงสุด 2,044.16 มิลลิเมตรต่อปี ตามลำดับ ผล การศึกษาพบว่า สถานีจังหวัดนครพนม (357201) มี ปริมาณน้ำฝนรายปีเฉลี่ยสูงที่สุด 2,322.43 มิลลิเมตรต่อปี และสถานีจังหวัดนครราชสีมา (431201) มีปริมาณน้ำฝน รายปีเฉลี่ยน้อยที่สุด 1,081.57 มิลลิเมตรต่อปีตามที่ได้ แสดงในตารางที่ 3 โดยค่าปริมาณน้ำฝนมีแนวโน้มลดลง มาจากทิศตะวันตกเฉียงใต้เข้าสู่ภาคกลางของประเทศ และมีแนวโน้มปริมาณน้ำฝนตามค่าเส้นรุ้งหรือค่าละติจูด ของที่ตั้งสถานี ยิ่งมีค่าพิกัดละติจูดมาก ส่งผลให้ปริมาณ น้ำฝนรายปีเฉลี่ยมีค่าเฉลี่ยมากตามไปด้วย ตามที่ได้แสดง รูปที่2

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 123 ตารางที่ 3 แสดงค่าข้อมูลสถิติปริมาณน้ำฝนรายปีเฉลี่ย คาบ 54 ปี(ช่วงปี ค.ศ.1961-2014) สถานี ค่าเฉลี่ย (มม./ปี) ค่าต่ำสุด (มม./ปี) ค่าสูงสุด (มม./ปี) เลย 1,259.02 862.30 1,972.22 อุดรธานี 1,444.73 888.53 2,418.70 สกลนคร 1,629.54 1,019.15 2,142.00 นครพนม 2,322.43 1,601.37 2,995.91 ขอนแก่น 1,216.91 778.92 1,780.67 ชัยภูมิ 1,163.08 753.00 1,722.75 ร้อยเอ็ด 1,386.62 957.54 1,866.03 อุบลราชธานี 1,623.53 1,028.76 2,238.31 นครราชสีมา 1,081.57 599.18 1,446.54 สุรินทร์ 1,383.76 984.99 1,858.42 เฉลี่ย 1,451.12 947.37 2,044.16 รูปที่ 2 ปริมาณน้ำฝนรายปีเฉลี่ยเชิงพื้นที่ในช่วงปีพื้นฐาน จากผลการวิเคราะห์ปริมาณน้ำฝนรายเดือนเฉลี่ยใน พื้นที่ศึกษาของคาบเวลา 54 ปี(ช่วงปี ค.ศ.1961-2014) ตามตารางที่ 4 พบว่า มีค่าเฉลี่ยของปริมาณน้ำฝนตกมาก ที่สุดช่วงฤดูฝนในเดือนสิงหาคม 274.23 มิลลิเมตร ตาม ด้วยเดือนกันยายน 261.31 มิลลิเมตร และจะมีค่าเฉลี่ย ของปริมาณน้ำฝนตกน้อยที่สุดช่วงหนาวในเดือนธันวาคม 4.11 มิลลิเมตร ตามด้วยเดือนมกราคม 4.80 มิลลิเมตร ตารางที่ 4 แสดงค่าข้อมูลปริมาณน้ำฝนรายเดือนเฉลี่ย คาบเวลา 54 ปี(ช่วงปี ค.ศ.1961-2014) เดือน ค่าเฉลี่ย (มม./เดือน) ค่าเบี่ยงเบน มาตรฐาน C.V. (%) มกราคม 4.80 11.76 244.89 กุมภาพันธ์ 16.73 24.20 144.68 มีนาคม 40.73 38.66 94.91 เมษายน 88.34 57.08 64.61 พฤษภาคม 196.62 90.83 46.20 มิถุนายน 216.07 137.43 63.60 กรกฎาคม 225.69 144.43 63.99 สิงหาคม 274.23 162.48 59.25 กันยายน 261.31 114.35 43.76 ตุลาคม 105.24 73.80 70.12 พฤศจิกายน 17.26 26.21 151.84 ธันวาคม 4.11 11.52 280.45 รวม 1,451.12 การวิเคราะห์ข้อมูลฝนเพื่อนำมาใช้ในการศึกษาเพียง แค่ค่าเฉลี่ยนั้น ผลการวิเคราะห์จากข้อมูลอาจจะไม่เพียง พอที่จะสรุปผลได้อย่างสมบูรณ์ ดังนั้น การเปรียบเทียบ ข้อมูลจำเป็นต้องพิจารณาค่าการกระจายข้อมูลฝนควบคู่ กับค่าเฉลี่ย ถ้าข้อมูลแต่ละจำนวนมีค่าช่วงห่างกันมาก เรียกว่ามีการกระจายมาก ถ้าชุดข้อมูลแต่ละจำนวนมีค่า ช่วงห่างกันน้อยแสดงว่ามีการกระจายน้อย ซึ่งถ้าชุดข้อมูล ฝนมีค่าการกระจายมาก ผลการวิเคราะห์จะสะท้อนค่า การแจกแจงความน่าจะเป็นของค่าตัวแปรหรือชุดข้อมูล ได้ดีกว่าชุดข้อมูลที่มีการกระจายตัวน้อย ค่าเบี่ยงเบนมาตรฐาน (Standard Deviation: SD) เป็นค่าสถิติค่าหนึ่งที่สามารถนำมาเป็นเกณฑ์วัดค่าการ กระจายของข้อมูลฝนได้โดยใช้อธิบายคู่กับค่าเฉลี่ยเลข คณิต จะช่วยให้อธิบายข้อมูลได้อย่างถูกต้องสมบูรณ์ยิ่งขึ้น ค่าเบี่ยงเบนมาตรฐานเป็นการวัดการกระจายวิธีหนึ่งซึ่งนัก สถิตินิยมใช้กันมาก เมื่อเปรียบเทียบกับการวัดการ กระจายแบบอื่น ทั้งนี้เนื่องจากเป็นวิธีการวัดการกระจาย ของข้อมูลซึ่งใช้ค่าข้อมูลทุกค่ามาคำนวณ รวมทั้งค่า สัมประสิทธิ์ของการแปรผัน (Coefficient of Variation: C.V.) ที่แสดงถึงการกระจายตัวของเหตุการณ์สัมพัทธ์

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 124 หรือค่าปริมาณความลึกของน้ำฝนตกสะสมรายเดือนมีค่า เท่ากับอัตราส่วนระหว่างส่วนเบี่ยงเบนมาตรฐานกับ ค่าเฉลี่ยของข้อมูลปริมาณน้ำฝนรายเดือนเฉลี่ยของช่วงปี พื้นฐานสูงสุดคือในเดือนธันวาคม เท่ากับ 280.45 เปอร์เซ็นต์ตามด้วยเดือนมกราคม เท่ากับ 244.89 เปอร์เซ็นต์ และน้อยที่สุดคือในเดือนกันยายน เท่ากับ 43.76 เปอร์เซ็นต์ความแปรปรวนของค่าข้อมูลปริมาณ น้ำฝนรายวันในพื้นที่ศึกษาจะมีความแปรปรวนมากในช่วง ฤดูหนาว ตามด้วยฤดูร้อน และฤดูฝน ตามลำดับ ตารางที่ 5 แสดงค่าทางสถิติด้วยวิธีMann-Kendall (S) ในช่วงปีพื้นฐาน ค.ศ.1961-2014 ชื่อสถานี Mann Kendall Statistic (S) Normalized Test Statistic (Z) เลย 159.000 1.179 อุดรธานี -133.000 -0.985 สกลนคร 213.000 1.582 นครพนม 41.000 0.298 ขอนแก่น 37.000 0.269 ชัยภูมิ -71.000 -0.522 ร้อยเอ็ด -97.000 -0.716 อุบลราชธานี 31.000 0.224 นครราชสีมา 27.000 0.194 สุรินทร์ 368.000 2.738 หมายเหตุ: ค่าวิกฤติZ95% = 1.960 ผลการวิเคราะห์แนวโน้มของปริมาณฝนในพื้นที่ ศึกษาของภาคตะวันออกเฉียงเหนือของประเทศไทย ตาม วิธี Mann-Kendall ผลปรากฏว่า ปริมาณฝนเฉลี่ยรายปี ในช่วงปี ค.ศ.1961-2014 ส่วนใหญ่จะมีค่าแนวโน้มที่ ใกล้เคียงกัน เพราะเป็นการทดสอบทางสถิติแบบไม่มี พาราเมตริก ซึ่งค่าทดสอบทางสถิติแบบไม่มีพาราเมตริก นั้นจะเหมาะสำหรับการวิเคราะห์ข้อมูลที่มีการแจกแจง แบบไม่ปกติรวมทั้งสามารถทดสอบแนวโน้มที่มีชุดข้อมูล ขาดหายไปในบางช่วงเวลาได้ผลการวิเคราะห์ พบว่ามี เพียงสถานีสุรินทร์(432201) ที่มีแนวโน้มปริมาณน้ำฝน ในช่วงปี ค.ศ.1961-2014 เพิ่มขึ้นอย่างมีนัยสำคัญ เนื่องจากค่าทางสถิติ Normalized Test Statistic (Z) ที่ คำนวณได้มีค่ามากกว่าค่าวิกฤติของ ZC >1.960 ที่ระดับ ความเชื่อมั่น 95 % ดังแสดงในตารางที่ 5 5.2 ผลการวิเคราะห์ข้อมูลผลลัพธ์แบบจำลอง GCMs จากค่าปริมาณฝนโดยวิธีการลดมาตราส่วนเชิงสถิติ ด้วยวิธีเดลต้าในช่วงปีพื้นฐาน ค.ศ.1961- 2014 ของ สถานีน้ำฝนของกรมอุตุนิยมวิทยา ทั้ง 10 สถานี ที่ กระจายครอบคลุมในพื้นที่ศึกษา โดยการศึกษานี้เลือกใช้ แบบจำลองสภาพภูมิอากาศโลกจากฐานข้อมูล CMIP6 จำนวน 5 แบบจำลอง ภายใต้แฟ้มข้อมูล Historical ของ แต่ละแบบจำลองสภาพภูมิอากาศโลก โดยการ เปรียบเทียบกับค่าสังเกตการณ์คือค่าปริมาณฝนที่บันทึก วัดของสถานีตรวจวัดน้ำฝนในช่วงเวลาเดียวกันคือ ปี ค.ศ. 1961-2014 พบว่า แบบจำลองสภาพอากาศโลก ทั้ง 5 แบบจำลอง แสดงค่าข้อมูลปริมาณน้ำฝนช่วงปีพื้นฐานได้ ดีเยี่ยม แต่ปริมาณน้ำฝนรายปีเฉลี่ยจากแบบจำลอง CanESM5 จะแตกต่างกับแบบจำลองอื่น เนื่องจากชุด ข้อมูลทั้ง 4 แบบจำลอง ยกเว้นแบบจำลอง CanESM5 นี้ ลำดับวันเวลาในแบบจำลองได้รับอิทธิพลของปีอธิกสุรทิน (Leap Year) ซึ่งปกติ 1 ปี มี 365 วัน แต่ในปีอธิกสุรทิน ซึ่งเป็นปีที่เดือนกุมภาพันธ์มี 29 วัน โดยปีนั้น 1 ปีจะมี 366 วัน (ปีอธิกสุรทินมีทุก 4 ปี สอดคล้องกับค่าที่บันทึก วัดจริงของสถานีอุตุนิยมวิทยาทั้ง 10 สถานี) และการ กระจายปริมาณน้ำฝนทั้งรายวันและรายเดือนของค่า ข้อมูลปริมาณน้ำฝนที่บันทึกวัดได้ในช่วงปีพื้นฐานของแต่ ละแบบจำลองจะมีความแตกต่างเช่นเดียวกันเมื่อเทียบกับ ค่าข้อมูลของแต่ละสถานีที่ใช้ศึกษา แต่อย่างไรก็ตาม ค่า รวมของปริมาณน้ำฝนสะสมรายปีในระดับสถานีและพื้นที่ ศึกษาที่สงเคราะห์ได้จากแฟ้มข้อมูล historical ของ แบบจำลองสภาพภูมิอากาศโลก ทั้ง 5 แบบจำลองที่ เลือกใช้ในการวิจัยนี้ ได้ผลรวมที่ดี มีค่าแม่นยำมากเมื่อ เทียบกับค่าสังเกตการณ์(Observe data) ดังแสดงใน ตารางที่ 6

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 125 การเปรียบเทียบระหว่างค่าเฉลี่ยปริมาณน้ำฝนรายปี เฉลี่ยในปีพื้นฐานช่วงปี ค.ศ.1961-2014 ของแต่ละ แบบจำลองสภาพภูมิอากาศโลก พบว่า ผลการ เปรียบเทียบค่าฝนสะสมรายปีของแต่ละสถานีอยู่ในเกณฑ์ ดีมาก ดังนั้นการใช้เทคนิคการลดขนาดทางสถิติโดยวิธี เดลต้า สามารถวิเคราะห์ข้อมูลค่าปริมาณน้ำฝนรายปีได้ดี รวมทั้งค่าข้อมูลปริมาณน้ำฝนที่คำนวณได้จากอนุกรม เวลารายวัน ผลจากการทดสอบทางสถิติพบว่า ค่าเฉลี่ย รายปีจากปริมาณน้ำฝนสะสมรายเดือนไม่มีความแตกต่าง กันอย่างมีนัยสำคัญทางสถิติเมื่อเทียบกับค่าสังเกตการณ์ แสดงได้ว่าค่าเฉลี่ยรายปีของค่าปริมาณน้ำฝนสะสมมี แม่นยำดีแต่การกระจายของชุดข้อมูลรายปีมีความ แตกต่างกันกับค่าฝนสังเกตการณ์ขึ้นอยู่กับเทคนิค กระบวนการแต่ละแบบจำลองสภาพภูมิอากาศโลกที่ใช้ วิเคราะห์ประมวลผล [13] อย่างไรก็ตาม เนื่องจากแบบจำลองสภาพภูมิอากาศ โลกอาจมีข้อจำกัดในเรื่องความแม่นยำของผลลัพธ์ โดยเฉพาะข้อมูลปริมาณน้ำฝนรายวัน ที่มีการกระจายตัว ของฝนที่มีรูปแบบขึ้นอยู่กับรายละเอียดเชิงพื้นที่และเวลา โดยปกติจะไม่สามารถนำไปใช้โดยตรงในการประเมินผล กระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ จึงมีความ จำเป็นอย่างยิ่งในการแก้ไขค่าความคลาดเคลื่อนที่เกิดขึ้น โดยใช้เทคนิคการปรับแต่งข้อมูลซึ่งอาศัยข้อมูลสถิติของ ค่าภูมิอากาศ เพื่อให้ค่าข้อมูลฝนมีความสัมพันธ์กับค่า สังเกตการณ์มากขึ้น และมีความสอดคล้องทาง อุตุนิยมวิทยายิ่งขึ้นก่อนที่นำไปประยุกต์ใช้ต่อไป จากรูปที่ 3 แสดงกราฟเปรียบเทียบค่าข้อมูลปริมาณ น้ำฝนรายเดือนเฉลี่ยจากค่าข้อมูลฝนสังเกตการณ์เฉลี่ยทั้ง 10 สถานี และข้อมูลฝนจาก 2 แบบจำลอง คือ EC Earth3 และ MIROC6 จะเห็นได้ชัดว่า แบบจำลอง MIROC6 สามารถแสดงค่าปริมาณน้ำฝนสะสมรายเดือน ในช่วง ปี ค.ศ.1961-2014 มีค่าเฉลี่ยภาพรวมที่ใกล้เคียง กับค่าสังเกตการณ์ดีกว่าแบบจำลอง EC Earth3 โดยมี ความแม่นยำดีในช่วงฤดูหนาว ตามด้วยฤดูร้อน และฤดู ฝน ตามลำดับ หากพิจารณากราฟค่าข้อมูลปริมาณน้ำฝน รายเดือนเฉลี่ยทั้ง 5 แบบจำลอง ผลการวิเคราะห์เมื่อ เปรียบเทียบแล้ว จะได้ผลเช่นเดียวกันคือ แบบจำลอง MIROC6 สามารถแสดงค่าปริมาณน้ำฝนสะสมรายเดือน เฉลี่ยได้ดีกว่าแบบจำลองอื่น ๆ และสอดคล้องกับค่า BIAS และ RMSE ที่คำนวณได้ คือมีค่าเฉลี่ยที่น้อยเมื่อเทียบกับ แบบจำลองอื่น ดังแสดงในตารางที่ 7 และ 8 จากรูปที่ 4 พบว่า ค่าข้อมูลฝนจากทั้ง 2 แบบจำลอง คือ EC Earth3 และ MIROC6 ค่าเฉลี่ยรายปีทั้ง 10 สถานี มีค่าเฉลี่ยแตกต่างกัน ในแต่ละปีมีความแกว่งตัวไม่เท่ากัน เนื่องจากจำนวนวันฝนตกในแต่ละแบบจำลองมีค่า แตกต่างกัน โดย MIROC6 มีค่าเฉลี่ยปริมาณน้ำฝน สอดคล้องกับค่าเฉลี่ยฝนสังเกตการณ์มากที่สุด ซึ่งค่า ปริมาณฝนที่บันทึกวัดจริงในสถานีตรวจวัดน้ำฝนโดยมี อัตราแนวโน้มเพิ่มขึ้นตามระยะเวลา แต่ค่าเฉลี่ยปริมาณ น้ำฝนจากค่าข้อมูลในอดีตจากทุกแบบจำลองมีแนวโน้ม อัตราเฉลี่ยต่ำกว่าค่าเฉลี่ยปริมาณน้ำฝนสังเกตการณ์ผล การศึกษาชี้ชัดได้ว่า ค่าข้อมูลฝนในอดีตของ MIROC6 มี ความสัมพันธ์ที่ดีที่สุดกับชุดค่าข้อมูลปริมาณน้ำฝน สังเกตการณ์ของสถานีอุตุนิยมวิทยาทั้ง 10 สถานี ซึ่งจะ สะท้อนผลการคาดการณ์ค่าปริมาณน้ำฝนในอนาคตที่มี ความสัมพันธ์ต่อค่าข้อมูลฝนที่ทำการวิเคราะห์

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 126 ตารางที่ 6 แสดงค่าข้อมูลอดีตปริมาณน้ำฝนรายปีเฉลี่ยช่วงปี ค.ศ.1961-2014 (มิลลิเมตร) ของแต่ละแบบจำลอง สถานี Observe Data ACCESS-ESM1-5 CanESM5 EC Earth3 MIROC6 MRI-ESM2-0 เลย 1,259.02 1,259.02 1,258.20 1,259.02 1,259.02 1,259.02 อุดรธานี 1,444.73 1,444.73 1,443.80 1,444.73 1,444.73 1,444.73 สกลนคร 1,629.54 1,629.54 1,628.54 1,629.54 1,629.54 1,629.54 นครพนม 2,322.43 2,322.43 2,320.94 2,322.43 2,322.43 2,322.43 ขอนแก่น 1,216.91 1,216.91 1,216.11 1,216.91 1,216.91 1,216.91 ชัยภูมิ 1,163.08 1,163.08 1,162.32 1,163.08 1,163.08 1,163.08 ร้อยเอ็ด 1,386.62 1,386.62 1,385.71 1,386.62 1,386.62 1,386.62 อุบลราชธานี 1,623.53 1,623.53 1,622.46 1,623.53 1,623.53 1,623.53 นครราชสีมา 1,081.57 1,081.57 1,080.86 1,081.57 1,081.57 1,081.57 สุรินทร์ 1,383.76 1,383.76 1,382.84 1,383.76 1,383.76 1,383.76 ตารางที่ 7 แสดงค่า BIAS ของข้อมูลปริมาณน้ำฝนรายเดือนเฉลี่ย (มม./เดือน) ช่วงปีพื้นฐาน สถานี ACCESS-ESM1-5 CanESM5 EC Earth3 MIROC6 MRI-ESM2-0 เลย 1.12 1.74 0.97 1.07 0.98 อุดรธานี 1.00 1.20 0.72 0.88 0.87 สกลนคร 0.80 1.07 0.70 0.78 0.76 นครพนม 0.62 0.75 0.45 0.55 0.54 ขอนแก่น 1.19 1.66 0.89 1.07 0.94 ชัยภูมิ 1.16 1.97 1.12 1.12 0.98 ร้อยเอ็ด 1.05 1.45 0.83 0.92 0.92 อุบลราชธานี 1.14 1.24 0.76 0.95 0.92 นครราชสีมา 1.28 2.12 1.08 1.27 1.16 สุรินทร์ 1.10 1.46 0.85 1.01 1.01 เฉลี่ย 1.05 1.47 0.84 0.96 0.91 ตารางที่ 8 แสดงค่า RMSE ของข้อมูลปริมาณน้ำฝนรายเดือนเฉลี่ย (มม./เดือน) ช่วงปีพื้นฐาน สถานี ACCESS-ESM1-5 CanESM5 EC Earth3 MIROC6 MRI-ESM2-0 เลย 3.67 6.05 2.62 2.84 3.61 อุดรธานี 3.62 4.05 2.94 3.22 3.28 สกลนคร 4.00 4.10 3.41 3.66 3.64 นครพนม 5.95 5.77 6.43 6.50 5.79 ขอนแก่น 3.77 4.68 2.58 2.96 2.98 ชัยภูมิ 3.64 6.01 3.01 3.04 3.24 ร้อยเอ็ด 3.92 4.39 2.78 3.06 3.33 อุบลราชธานี 4.42 4.00 3.37 3.54 3.30 นครราชสีมา 3.68 6.12 2.63 2.88 3.21 สุรินทร์ 3.83 4.44 2.79 3.10 3.21 เฉลี่ย 4.05 4.96 3.25 3.48 3.56

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 127 (ก) EC Earth3 (ข) MIROC6 รูปที่ 3 แสดงข้อมูลปริมาณน้ำฝนรายเดือนเฉลี่ยจากค่าสังเกตการณ์และ CanESM5, MIROC6 ในช่วง ปี ค.ศ.1961-2014 (ก) EC Earth3 (ข) MIROC6 รูปที่ 4 แสดงข้อมูลปริมาณน้ำฝนรายปีเฉลี่ยจากค่าสังเกตการณ์และ CanESM5, MIROC6 ในช่วง ปี ค.ศ.1961-2014 6. สรุปผลการศึกษา ผลการศึกษานี้ พบว่า ปริมาณน้ำฝนในช่วงปี ค.ศ.1961-2014 (คาบเวลา54 ปี) ของสถานีอุตุนิยมวิทยา ทั้ง 10 สถานี ในพื้นที่ศึกษาของภาคตะวันออกเฉียงเหนือ ของประเทศไทย มีค่าเฉลี่ยของปริมาณน้ำฝนรายปีเท่ากับ 1,451.12 มิลลิเมตร/ปี, ค่าเฉลี่ยปริมาณน้ำฝนรายปีต่ำสุด 947.37 มิลลิเมตร/ปีและค่าเฉลี่ยปริมาณน้ำฝนรายปี สูงสุด 2,044.16 มิลลิเมตร/ปี ตามลำดับ สถานีจังหวัด นครพนมมีปริมาณน้ำฝนรายปีเฉลี่ยสูงที่สุด 2,322.43 มิลลิเมตร/ปีและสถานีจังหวัดนครราชสีมามีปริมาณ น้ำฝนรายปีเฉลี่ยน้อยที่สุด 1,081.57 มิลลิเมตร/ปีค่า แนวโน้มของปริมาณฝนเฉลี่ยรายปีในช่วงปี ค.ศ.1961- 2014 ส่วนใหญ่จะมีแนวโน้มที่เพิ่มขึ้นแบบค่อยเป็นค่อย ไป มีเพียงสถานีสุรินทร์ที่มีแนวโน้มค่าปริมาณน้ำฝนที่ เพิ่มขึ้นอย่างมีนัยสำคัญที่ระดับความเชื่อมั่น 95% ในพื้นที่ศึกษามีค่าเฉลี่ยของปริมาณน้ำฝนตก มากที่สุดช่วงฤดูฝนในเดือนสิงหาคม 274.23 มิลลิเมตร ตามด้วยเดือนกันยายน 261.31 มิลลิเมตร และจะมี ค่าเฉลี่ยของปริมาณน้ำฝนตกน้อยที่สุดช่วงฤดูหนาวใน เดือนธันวาคม 4.11 มิลลิเมตร ตามด้วยเดือนมกราคม 4.80 มิลลิเมตร ความแปรปรวนของค่าข้อมูลปริมาณ น้ำฝนรายวันในพื้นที่ศึกษาจะมีความแปรปรวนมากในช่วง ฤดูหนาว ตามด้วยฤดูร้อน และฤดูฝน ตามลำดับ ผลการวิเคราะห์ข้อมูลฝนทั้งพื้นที่ภูมิภาคหรือ ระดับลุ่มน้ำด้วยผลลัพธ์แบบจำลอง GCMs ทั้ง 5 แบบจำลอง พบว่า แบบจำลอง MIROC6 จากประเทศ ญี่ปุ่น มีเกณฑ์ตรวจสอบของค่าสถิติโดยรวมดีที่สุด เนื่องจากการลดมาตราส่วนผลลัพธ์เชิงสถิติมีความ คลาดเคลื่อนน้อยที่สุดและรูปแบบการกระจายตัวของ ปริมาณน้ำฝนรายเดือนใกล้เคียงกับค่าฝนสังเกตการณ์ รองลงมา คือ แบบจำลอง EC Earth3 จากสถาบัน EC-

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 128 Earth Consortium ประเทศสวีเดน (สหภาพยุโรป) หาก พิจารณาผลการวิเคราะห์ข้อมูลฝนพื้นที่ระดับสถานี จะ เห็นได้ว่า ผลลัพธ์ของแบบจำลอง EC Earth3 จะมีค่า ความคลาดเคลื่อนโดยเฉลี่ยต่ำกว่า แบบจำลอง MIROC6 ดังแสดงในตารางที่ 7 และ 8 อย่างไรก็ตาม ผลลัพธ์การ ลดมาตราส่วนเชิงสถิติก่อนการปรับแก้ค่าอคติ(Bias Correction) ถือได้ว่าแบบจำลองทั้งสองมีศักยภาพในการ วิเคราะห์ข้อมูลปริมาณน้ำฝนทั้งเชิงพื้นที่และเวลาได้ เพียงพอสำหรับการคาดการณ์ปริมาณน้ำฝนอนาคตใน พื้นที่ศึกษาภาคตะวันเฉียงเหนือของประเทศไทย จากการศึกษานี้พบว่า ทุกแบบจำลอง GCMs สามารถสังเคราะห์ข้อมูลปริมาณฝนสะสมรายปีเฉลี่ยได้ดี มากเมื่อเทียบกับค่าข้อมูลปริมาณฝนสังเกตการณ์ในช่วงปี พื้นฐาน ค่าปริมาณน้ำฝนสะสมรายเดือนที่สังเคราะห์ได้ทั้ง 5 แบบจำลองมีความแม่นยำดีมากในช่วงฤดูหนาว ตาม ด้วยฤดูร้อน และฤดูฝน ตามลำดับ ซึ่งผลการคาดการณ์จะ ขึ้นกับแบบจำลองสภาพภูมิอากาศโลกที่พิจารณาใช้ ซึ่ง แบบจำลองแต่ละแบบจำลองมีความแม่นยำในการจำลอง ค่าข้อมูลในอดีตแตกต่างตามช่วงระยะเวลาและพื้นที่ ดังนั้น จึงจำเป็นต้องมีการศึกษาการจำลองข้อมูลช่วงอดีต หลายทศวรรษในหลาย ๆ แบบจำลอง เพื่อสุ่มตัวอย่าง ความแปรปรวนของตัวแปรสภาพภูมิอากาศที่ต้องการ ศึกษา ให้ทราบถึงจุดเด่นจุดด้อยของแต่ละแบบจำลองได้ อย่างมีนัยสำคัญ ผลการวิเคราะห์จะแสดงให้เห็นถึงความ แม่นยำระหว่างผลลัพธ์ของแต่ละแบบจำลองสภาพ ภูมิอากาศอย่างมีเหตุผลและน่าเชื่อถือเพื่อนำไปใช้ได้ อย่างมีประสิทธิภาพต่อไป [14] นอกจากนี้ หากสามารถ ประยุกต์ใช้เทคนิคทางคณิตศาสตร์ชั้นสูงนำผลลัพธ์ทุก แบบจำลองมาวิเคราะห์ร่วมกันอาจมีความแม่นยำเพิ่มขึ้น รวมทั้ง การประยุกต์ใช้เทคนิคการวิเคราะห์ข้อมูลชนิดอื่น ๆ มาร่วมวิเคราะห์เช่น ระบบเทคโนโลยีสารสนภูมิศาสตร์ หรือระบบเรดาร์สร้างภาพถ่ายทางอากาศ โดยอาจนำ ผลลัพธ์จากหลากหลายเทคนิคมาวิเคราะห์ร่วมกัน อาจทำ ให้ผลการคาดการณ์มีความแม่นยำเพิ่มขึ้นได้ 7. กิตติกรรมประกาศ คณะผู้วิจัยขอขอบคุณกรมอุตุนิยมวิทยาที่ได้ให้การ สนับสนุนด้านข้อมูลสำหรับการวิจัยและขอขอบคุณกรม ชลประทานที่ให้การสนับสนุนการวิจัยจนการศึกษานี้ สำเร็จตามวัตถุประสงค์ เอกสารอ้างอิง [1] Sood A., Smakhtin V. (2015). Global hydrological models: a review. Hydrological Sciences Journal. 60(4), 549-565. [2] Jain S. , Salunke P. , Mishra S.K. , Sahany S. (2019). Performance of CMIP5 models in the simulation of Indian summer monsoon. Theoretical and Applied Climatology 137, 1429-1447. [3] Komaragiri S.R., Dasika N.K. (2020). Review of approaches for selection and ensembling of GCMs. Journal of Water and Climate Change. 11(3), 577-599. [4] วลัยรัตน์บุญไทย, รัชเวช หาญชูวงศ์, ธนัท นกเอี้ยง ทอง และ ศิริลักษณ์ชุ่มชื่น (2564) การศึกษาวิธีการ ตรวจสอบความนาเชื่อถือของข้อมลฝนที่ตรวจวัดได้ จากสถานีโทรมาตรอัตโนมัติ การประชุมวิชาการ วิศวกรรมโยธาแห่งชาติครั้งที่ 26 วันที่ 23-25 มิถุนายน 2564, การประชุมรูปแบบออนไลน์ [5] Eyring V., Bony S., Meehl G.A., Senior C.A., Stevens B., Stouffer R.J., and Taylor K.E. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization, Geoscientific Model Development. 9, 1937– 1958. [6] Ziehn T., Chamberlain M.A., Law R.M. et al. (2020). The Australian Earth System Model: ACCESS-ESM1.5. Journal of Southern

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 129 Hemisphere Earth Systems Science. 70, 193– 214. [7] Swart N.C., Cole J.N.S., Kharin V.V., Lazare M., Scinocca J.F., Gillett N.P., Anstey J., Arora V., Christian J.R., Hanna S., Jiao Y., Lee W.G., Majaess F., Saenko O.A., Seiler C., Seinen C., Shao A., Sigmond M., Solheim L., von Salzen K., Yang D., and Winter B. (2019). The Canadian Earth System Model version 5 (CanESM5.0.3), Geoscientific Model Development. 12, 4823–4873. [8] Döscher R., Acosta M., Alessandri A., Anthoni P., Arsouze T. et al. (2022). The EC-Earth3 Earth system model for the Coupled Model Intercomparison Project 6, Geoscientific Model Development. 15, 2973–3020. [9] Shiogama H., Tatebe H., Hayashi M., Abe M., Arai M., Koyama H., Imada Y., Kosaka Y., Ogura T., and Watanabe M. (2023). MIROC6 Large Ensemble (MIROC6-LE): experimental design and initial analyses, Earth System Dynamics. [10] Yukimoto S., Kawai H. Koshiro T., Oshima N., Yoshida K., Urakawa S., Tsujino H., Deushi M., Tanaka T., Hosaka M., Yabu S., Yoshimura H., Shindo E., Mizuta Ryo., Obata A., Adachi Y., Ishii M. (2019). The Meteorological Research Institute Earth System Model Version 2.0, MRI-ESM2.0: Description and Basic Evaluation of the Physical Component, Journal of the Meteorological Society of Japan. 97(5), 931– 965. [11] ไชยาพงษ์ เทพประสิทธิ์, พงศธร โสภาพันธ์ และ นิมิต เฉิดฉันท์พิพัฒน์(2561) การวิเคราะห์แนวโน้ม ปริมาณน้ำหลากสูงสุดของลุ่มน้ำหลักในประเทศไทย. วารสารวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิ โรฒ ปีที่ 13 ฉบับที่ 1 เดือนมกราคม - เมษายน 2561 [12] Chen S., Ghadami A., Epureanu B.I. (2022). Practical guide of using Kendall’s τ in the context of forecasting critical transitions. Dryad, Dataset. [13] Mohammad R.E., Ali B. (2022). A comparison of correction factors for the systematic gauge-measurement errors to improve the global land precipitation estimate. Journal of Hydrology. 610, 127884. [14] Jain S., Scaife A.A., Shepherd T.G. et al. (2023). Importance of internal variability for climate model assessment. npj Climate and Atmospheric Science. 6, 68.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 130 แบบจำลองโครงข่ายใยประสาทเทียมของฝนรายชั่วโมง สำหรับการเตือนภัยน้ำท่วมแบบฉับพลัน Artificial neural network model of hourly rainfall for flash flood warning. นพดล เง้าพา1 , และชวลิต ชาลีรักษ์ตระกูล2* 1,2*ภาควิชาวิศวกรรมโยธา, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยธรรมศาสตร์ศูนย์รังสิต, จังหวัดปทุมธานี, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ พื้นที่ลุ่มน้ำคลองบางสะพานใหญ่มีภูมิประเทศเป็นความลาดชันบริเวณพื้นที่ต้นน้ำ และเป็นที่ราบสลับที่ดอนบริเวณพื้นที่ ตอนล่าง เมื่อมีฝนตกหนักต่อเนื่องจะเกิดเป็นพื้นที่น้ำท่วมแบบฉับพลัน บทความนี้จึงมีวัตถุประสงค์เพื่อเสนอแบบจำลอง โครงข่ายใยประสาทเทียม(ANN) สำหรับการพยากรณ์ฝนรายชั่วโมงล่วงหน้าในพื้นที่น้ำท่วมแบบฉับพลัน(พื้นที่ศึกษาลุ่มน้ำ คลองบางสะพานใหญ่) แบบจำลอง ANN ใช้ข้อมูลตัวแปรต้นเป็นค่าเฉลี่ยแบบเคลื่อนที่ของฝนรายชั่วโมงเพื่อลดความผันผวน ของข้อมูลและใช้วิธี K-fold cross validation เพื่อเพิ่มทักษะการพยากรณ์จากการเรียนรู้ข้อมูลทุกๆ ตัวแปรที่มีโดยไม่ได้เสีย ข้อมูลไปในกระบวนการ Validation ข้อมูลในการพิจารณากับแบบจำลอง ได้แก่ ข้อมูลปริมาณน้ำฝนที่เป็นค่าเฉลี่ยแบบ เคลื่อนที่และข้อมูลด้านอุตุนิยมวิทยารายชั่วโมง ระยะเวลา 2 ปี (พ.ศ. 2561-2562) ผลการวิเคราะห์ตัวแปรที่มีความสำคัญ โดยใช้ค่าประสิทธิ์สหสัมพันธ์แบบแยกส่วนพบว่า ข้อมูลปริมาณน้ำฝนเป็นตัวแปรที่สำคัญต่อการพยากรณ์ฝนล่วงหน้า ซึ่งมี ความแตกต่างกับการพยากรณ์ฝนในพื้นที่ลักษณะเป็นที่ราบที่จะมีข้อมูลด้านอุตุนิยมวิทยาเป็นตัวแปรที่สำคัญด้วย ผลลัพธ์ โครงสร้างแบบจำลอง ANN ประกอบด้วย 1 Hidden Layer, 6 Node, Simple multilayer perceptron network และ sigmoid smooth function โครงสร้างดังกล่าวพบว่ามีความแม่นยำมากสำหรับการพยากรณ์ฝนในพื้นที่ศึกษาลุ่มน้ำคลอง บางสะพานใหญ่ 1 และ2 ชั่วโมงล่วงหน้าโดยใช้ข้อมูลตัวแปรต้นที่ใช้ค่าเฉลี่ยแบบเคลื่อนที่(จำนวนช่วงเวลาเท่ากับ 2) มีค่า Normalized RMSE และ R 2 ของการพยากรณ์ฝนล่วงหน้า 1 ชั่วโมงเท่ากับ 0.25% และ 0.95 และ 2 ชั่วโมงเท่ากับ 0.70% และ 0.96 คำสำคัญ: วิธีการทางสถิติ, โครงข่ายใยประสาทเทียม, การพยากรณ์ฝนรายชั่วโมง Abstract The Khlong Bang Saphan Yai Basin area features sloping terrain in the upstream region and alternating upland plains in the lower area. In times of continuous heavy rainfall, the occurrence of flash floods is expected in the area. The primary aim of this research is to employ an artificial neural network (ANN) to forecast hourly rainfall in these flash flood areas. This ANN utilizes moving average parameters for prediction to minimize data fluctuations. The K-fold cross-validation method is employed to enhance forecasting accuracy by leveraging the entirety of the data without losing any during the validation process. The data utilized in the model comprises moving average rainfall and hourly meteorological data spanning a 2-year period (2018-2019). The analysis of crucial variable correlation coefficients revealed that hourly rainfall data stands as a significant variable for forecasting upcoming hourly rainfall. This different from rain forecasts in plain areas, where meteorological information also serves as a crucial variable. The resulting structure of

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 131 the ANN model comprises a single hidden layer, 6 nodes, a simple multilayer perceptron network, and sigmoid smooth function. The structure shownhighly accurate in forecasting rain in the Khlong Bang Saphan Yai Basin study area, 1 and 2 hours ahead. Using moving average data of predictors (number of time periods equal to 2). The Normalized RMSE and R2 values for rainfall forecasts are 0.25% and 0.95 for 1-hour predictions, and 0.70% and 0.96 for 2-hour predictions, respectively. Keywords: Statistical method, Artificial Neural Network (ANN), hourly rainfall forecast 1. คำนำ ลุ่มน้ำคลองบางสะพานใหญ่เป็นพื้นที่น้ำท่วมฉับพลัน สืบเนื่องจากสภาพภูมิประเทศพื้นที่ลุ่มน้ำคลองบาง สะพานใหญ่มีความลาดชันบริเวณพื้นที่ต้นน้ำ และเป็นที่ ราบสลับที่ดอนบริเวณพื้นที่ตอนล่าง เมื่อเกิดภาวะฝนตก หนักและต่อเนื่องหลายวันในช่วงฤดูฝน น้ำจะไหลหลาก เข้าท่วมพื้นที่ตอนล่างก่อนไหลออกสู่ทะเล และที่ผ่านมา สภาวะน้ำท่วมเริ่มรุนแรงขึ้นด้วยสาเหตุปัจจัยหลายอย่าง ร่วมกัน เช่น คลองธรรมชาติแคบ ตื้นเขิน มีการขยายของ ตัวเมือง เส้นทางคมนาคม การเปลี่ยนแปลงการใช้ ประโยชน์ที่ดิน ตลอดจนสิ่งก่อสร้างรุกล้ำทางน้ำทำให้เป็น อุปสรรคและกีดขวางการไหลของน้ำ น้ำไหลระบายไม่ทัน เอ่อล้นตลิ่งไหลท่วมพื้นที่ราบลุ่ม โดยเฉพาะในพื้นที่ชุมชน เมืองบางสะพาน สร้างความเดือดร้อนและก่อให้เกิดความ เสียหายต่อประชาชนอำเภอบางสะพานทั้งชีวิตและ ทรัพย์สินเป็นมูลค่ามหาศาลดัง เช่นอุทกภัยในปี พ.ศ. 2548 ส่งผลให้ประชาชนเสียชีวิต 4 คน ได้รับความ เดือดร้อน 1,416 ครัวเรือน มีผู้ประสบภัย 5,776 คน คิด เป็นมูลค่าความเสียหาย 42,442,000 บาท [1] ปัจจุบันกรมชลประทานได้มีการทำเกณฑ์ระดับน้ำ เตือนภัยน้ำท่วมของอำเภอเมืองบางสะพาน ไว้เป็นเกณฑ์ ในการแจ้งเตือนกับประชาชนในเขตอำเภอเมืองบาง สะพาน ให้มีเวลาเตรียมตัวในการรับมือกับสถานการณ์ ของน้ำที่จะเกิดขึ้น แต่เนื่องจากการเตือนภัยน้ำท่วม ดังกล่าวยังไม่เพียงพอในกรณีที่เกิดน้ำท่วมฉับพลันซึ่งทำ ให้ชาวบ้านไม่สามารถอพยพสิ่งของได้ทันเวลา ดังนั้นการ เพิ่มการพยากรณ์ฝนเป็นส่วนหนึ่งของการช่วยให้ระบบ เตือนภัยในพื้นที่ลุ่มน้ำคลองบางสะพานใหญ่ดีขึ้น เพื่อให้ ประชาชนมีเวลาเตรียมความพร้อมและรับมือกับ สถานการณ์น้ำที่จะเกิดขึ้น จากการศึกษาค้นคว้าวรรณกรรมและงานวิจัยที่ เกี่ยวข้องกับการพยากรณ์ด้วยแบบจำลอง พบว่ามี งานวิจัยที่เปรียบเทียบประสิทธิภาพระหว่างแบบจำลอง ANN และแบบจำลองประเภทอื่นๆและสรุปได้ว่า แบบจำลอง ANN มีประสิทธิภาพดีกว่าแบบจำลอง ประเภทอื่นๆ [2-4] สำหรับการพยากรณ์ปริมาณฝนราย ชั่วโมง มีการทำศึกษาไว้น้อยมากเมื่อเทียบกับการ พยากรณ์ปริมาณฝนรายปี รายเดือน รายสัปดาห์ รายวัน โดยเฉพาะในประเทศไทยมีการศึกษาจำนวนการพยากรณ์ ด้วยแบบจำลอง ANN ด้านงานอุทกภัยในประเทศไทย พบว่า โครงสร้างของแบบจำลอง ANN ที่เหมาะสมสำหรับ งานทางด้านอุทกวิทยาคือโครงสร้างแบบ Feed - forward Multiple Layer Perceptron(MLP) แ ล ะ กระบวนการเรียนรู้แบบ Back propagation Neural networks (BPNN) [5] และการพยากรณ์ด้วยแบบจำลอง ANN ด้านงานอุทกภัยที่มากที่สุดคือ การหาปริมาณน้ำท่า และอัตราการไหล และที่น้อยที่สุดคือ การหาปริมาณ น้ำฝนโดยเฉพาะฝนรายชั่วโมง[6] สำหรับงานวิจัยที่ เกี่ยวข้องกับการพยากรณ์ปริมาณฝนรายชั่วโมงใน ประเทศไทยคือของ [7] ได้ศึกษาแบบจำลอง ANN สำหรับการพยากรณ์ปริมาณฝนรายชั่วโมงในเขตพื้นที่ กรุงเทพมหานคร ประเทศไทย วัตถุประสงค์หลักของ การศึกษานี้คือการพัฒนาแบบจำลองการพยากรณ์ ปริมาณน้ำฝนโดยใช้เทคนิคต่าง ๆ ของแบบจำลอง ANN ที่พัฒนาขึ้นให้สามารถพยากรณ์ได้อย่างมีประสิทธิภาพ และข้อมูลทางอุทกวิทยาต่าง ๆ (ความชื้นสัมพัทธ์, ความ ดันอากาศ, อุณหภูมิกระเปาะเปียกและปริมาณเมฆ) ที่

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 132 นำเข้าแบบจำลองเป็นข้อมูลย้อนหลัง 4 ปี จาก 75 สถานี เพื่อใช้พัฒนาแบบจำลอง ANN สำหรับเขตพื้นที่กรุงเทพฯ โดยการทดสอบใช้โครงสร้างแบบจำลอง 2 แบบ คือ Simple multilayer perceptron แ ล ะ Generalized feed forward และใช้ฟังชั่นการกระตุ้น (Activation function) ได้แก่ Sigmoid และ hyperbolic tangent ผลการทดสอบแสดงให้เห็นโครงสร้างแบบจำลองชนิด Generalized feed forward และฟังชั่นการกระตุ้น hyperbolic tangent ให้ผลรับที่ดีสุด และถ้ามีใช้ข้อมูล ปริมาณน้ำฝนจำนวน 3 สถานีที่อยู่โดยรอบสถานีที่ทดลอง ยิ่งทำการพยากรณ์ฝนได้ผลอย่างแม่นยำมากยิ่งขึ้น ในการ ทดลองจากนี้ยังมีการเรียงลำดับความสำคัญของข้อมูล นำเข้าที่จากค่ามากที่สุดไปน้อยที่สุด(โดยมีข้อมูลปริมาณ ฝนที่สถานีทดลองเป็นหลัก)ดังนี้ อุณหภูมิกระเปาะเปียก, ความชื้นสัมพัทธ์,ความกดอากาศ ,ปริมาณน้ำฝนจำนวน 3 สถานีที่อยู่โดยรอบสถานีที่ทดลอง,ปริมาณเมฆ,และ ปริมาณฝนเฉลี่ยของทุกสถานีมีความสำคัญน้อยที่ที่สุด เนื่องจากนี้ยังมีการประยุกต์ใช้แบบจำลองเพื่อพยากรณ์ ปริมาณฝนล่วงหน้าในพื้นที่กรุงเทพมหานคร ผลปรากฏว่า การพยากรณ์ปริมาณฝนสำหรับ 1 ถึง 3 ชั่วโมงข้างหน้า มี ประสิทธิภาพเป็นที่น่าพอใจเป็นอย่างยิ่งและสำหรับการ พยากรณ์ที่ 4 ถึง 6 ชั่วโมงข้างหน้ายังมีประสิทธิภาพไม่น่า เป็นที่พอใจ อย่างไรก็ตาม แบบจำลองที่มีความแม่นยำใน การทำนายปริมาณฝนในลุ่มน้ำหนึ่งอาจไม่เหมาะสำหรับ การทำนายในอีกลุ่มน้ำอื่นที่มีลักษณะแตกต่างกัน เนื่องจากปัจจัยต่างๆ เช่น การเลือกประเภทข้อมูลอินพุต หรือการกำหนดโครงสร้างแบบจำลองเป็นปัจจัยสำคัญใน การเพิ่มความแม่นยำที่เป็นไปได้ของแบบจำลอง ANN จึง อาจจำเป็นต้องใช้เทคนิคหรือเครื่องมือทางคณิตศาสตร์ใน การเลือกข้อมูลอินพุตหรือกำหนดจำนวนโหนด ขนาดเล เยอร์ที่ซ่อนอยู่ และประเภทการเรียนรู้ของแบบจำลอง ดังนั้นในบทความนี้ จะทำการพัฒนา แบบจำลอง ANN การพยากรณ์ฝนรายชั่วโมงกับพื้นที่ ประสบอุทกภัยแบบฉับพลัน(พื้นที่ศึกษาลุ่มน้ำคลองบาง สะพานใหญ่) ข้อมูลในการพิจารณาใช้กับแบบจำลอง ได้แก่ ข้อมูลปริมาณน้ำฝนและข้อมูลด้านอุตุนิยมวิทยา รายชั่วโมง ระยะเวลา 2 ปี (พ.ศ. 2561-2562) และมีการ ใช้ข้อมูลตัวแปรต้นเป็นค่าเฉลี่ยแบบเคลื่อนที่(Moving Average)ของฝนรายชั่วโมงเพื่อลดความผันผวนของ ข้อมูลและใช้วิธี K-fold cross validation เพิ่มทักษะการ พยากรณ์เพื่อให้แบบจำลอง ANN ได้มีทักษะในการ พยากรณ์สูงขึ้นจากการเรียนรู้ข้อมูลทุกๆ ตัวแปรที่มีโดย ไม่ได้เสียข้อมูลไปในกระบวนการ Validation โครงสร้างที่ ได้ประกอบด้วย 1 Hidden Layer, 6 Node, Simple multilayer perceptron network แ ล ะ sigmoid smooth function (มีค่า Normalized RMSE และ R 2 ของการพยากรณ์ฝนล่วงหน้า 1 ชั่วโมงเท่ากับ 0.25% และ 0.95 และ 2 ชั่วโมงเท่ากับ 0.70% และ 0.96) 2. พื้นที่ศึกษาและข้อมูลที่ใช้ 2.1 พื้นที่ศึกษา พื้นที่ศึกษาครอบคลุมพื้นที่ลุ่มน้ำคลองบางสะพาน ใหญ่ทั้งหมด พื้นที่ลุ่มน้ำ 506 ตร.กม ซึ่งตั้งอยู่ทางทิศใต้ ของจังหวัดประจวบคีรีขันธ์ อยู่ในเขตอำเภอบางสะพาน และอำเภอบางสะพานน้อย โดยตั้งอยู่ระหว่างเส้นละติจูด ที่ 11622 ถึง 112934 และเส้นลองจิจูดที่ 991600 ถึง 993554 ลักษณะสภาพภูมิประเทศ เป็นพื้นที่ลาดชันจากด้านทิศตะวันตก ซึ่งเป็นเขตเทือกเขา ตะนาวศรี และลาดลงสู่ด้านตะวันออกซึ่งเป็นอ่าวไทย มี พื้นที่ราบเรียบหรือค่อนข้างราบเรียบ ซึ่งส่วนใหญ่อยู่ทาง ทิศตะวันออกติดชายทะเล ดังนั้นสภาพพื้นที่ด้านทิศ ตะวันตกและตอนกลางของพื้นที่ จึงมีลักษณะเป็นลูกคลื่น ลอนชันถึงลอนลาดมีระดับความสูงอยู่ในช่วงระหว่างที่ +15.00 ม.รทก. ถึง +874.00 ม.รทก. ส่วนบริเวณด้านทิศ ตะวันออกของพื้นที่ติดชายทะเลเป็นพื้นที่ราบและที่ราบ ลุ่มชายฝั่งทะเล มีระดับความสูงอยู่ในช่วงระหว่าง +0.00 ม.รทก. ถึง +380.00 ม.รทก. ลักษณะลำน้ำส่วนใหญ่เป็น ลำน้ำสายสั้น ๆ ลำน้ำสายหลัก คือ คลองบางสะพานใหญ่ และไหลจากทางทิศตะวันตกและไหลลงทางทิศตะวันออก ผ่านลงสู่อ่าวไทย[1] ดังแสดงตามรูปที่ 1.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 133 2.2 ข้อมูลที่ใช้ในการศึกษา การพยากรณ์ปริมาณฝนรายชั่วโมงด้วยแบบจำลอง ANN โดยการใช้ข้อมูลทางอุตุนิยมวิทยาและอุทกวิทยา รายชั่วโมง ได้แก่ ข้อมูลน้ำฝน (R) ,ข้อมูลความชื้นสัมพัทธ์ (RH) ,ข้อมูลความกดอากาศ(P) ,และข้อมูลอุณหภูมิ (T) เพื่อใช้เป็นข้อมูลให้แบบจำลองใช้ในการเรียนรู้ ทดสอบ และปรับแก้แบบจำลอง โดยใช้สถานีวัดน้ำฝนในพื้นที่ลุ่ม น้ำคลองบางสะพานใหญ่มาการพยากรณ์ปริมาณฝนราย ชั่วโมงจำนวน 5 สถานี ได้แก่ สถานีน้ำตกไทรคู่ (SWR014) สถานีประปาบ้านคลองเพลิน(SWR012) สถานีศาลากลางหมู่บ้านในล็อก(SWR016) สถานีทต. ร่อนทอง(BSVT) และสถานีสะพานบ้านวังยาว(Gt.7) ช่วง ระยะเวลาของข้อมูลตั้งแต่ วันที่ 7/8/2017 ถึง 4/9/2019 รวมประมาณ 2 ปีมีทั้งเหตุการณ์ฝนตกและไม่ฝนตก (แบ่งเป็น เหตุการณ์ฝนตก 2% และเหตุการณ์ไม่ฝนตก 98%) ในบทความจะใช้ข้อมูลทั้งหมดทั้งเหตุการณ์ฝนตก และไม่ฝนตกในการพัฒนาแบบจำลอง ข้อมูลที่ใช้ใน การศึกษานี้รวบรวมจากหน่วยงานสถาบันสารสนเทศ ทรัพยากรน้ำ (องค์การมหาชน) รูปที่ 1 แผนที่แสดงที่ตั้ง เขตพื้นที่ศึกษาและตำแหน่ง สถานีวัดน้ำฝนต่างๆ 3. แบบจำลองที่เสนอ 3.1 แบบจำลองโครงข่ายใยประสาทเทียม ระบบการทำงานของโครงข่ายใยประสาทเทียม เป็น การจำลองในรูปของฟังก์ชั่นทางคณิตศาสตร์ โดยจำลอง การทำงานจากเซลล์ประสาท(Neuron)ในสมองมนุษย์ เซลล์ประสาทรับข้อมูลอินพุตจากเซลล์ประสาทอื่น โดย ผ่านทางจุดเชื่อมโยงระหว่างเซลล์หรือที่เรียกว่า Synapse สัญญาณข้อมูลอินพุตจะได้รับการประมวลผลภายใน จากนั้นสัญญาณข้อมูลเอาท์พุตจากเซลล์ประสาทจะถูก ส่งออกมาทางส่วนของแอกซอน (Axon) ซึ่งจะส่งไปยัง เดนไดรต์(Dendrites) ต่อไป ส่วนวิธีการการประมวลผล ภายในโดยเซลล์ประสาทแต่ละเซลล์จะมีจุดเชื่อมโยง ระหว่างการทำงานใน 2 ลักษณะคือ การกระตุ้น (Excitatory) เป็นการทำให้สัญญาณที่ผ่านมามีความถี่ สูงขึ้นและการยับยั้ง(Inhibitory) ซึ่งเป็นการทำให้ สัญญาณที่ผ่านมามีความถี่ลดลง แบบจำลองของโครงข่าย ใยประสาทเทียมมีอัตราการขยายหรือลดจะถูกกำหนด โดยค่าถ่วงน้ำหนัก(Weight) รูปแบบการจำลองระบบการ ทำงานของเซลล์ประสาทเทียมแสดงดังรูปที่ 2 รูปที่ 2 แผนผังโครงข่ายใยประสาทเทียม จ า ก ร ู ป ( X1 ,X2 ,X3 ,…,Xn ) จ ะ เ ป ็ น Input ที ่ มี ความสัมพันธ์กับ Y ที่เป็น Output แบบไม่เชิงเส้น ดังนั้น จะได้ฟังก์ชั่น ที่เป็นแบบไม่เชิงเส้น(Nonlinear function) ดังสมการ = ∑ + = 11 =1 + 22 + … . + + + (1) โดยที่ เป็นค่าตัวแปรอินพุตของโหนดที่ i เป็นค่าถ่วงเน้ำหนักระหว่างโหนดที่ i และ k เป็นค่าไบแอส (Bias) ของโหนดที่ k

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 134 เป็นค่าผลรวมของตัวแปรอินพุตของ โหนดที่ k สัญญาณ ถูกส่งผ่านฟังก์ชั่นที่เรียกว่า ฟังก์ชั่น กระตุ้น(Activation Function) เพื่อคำนวณค่าตัวแปร เอาท์พุตเป้าหมายที่ออกจากเซลล์ประสาทเทียม(node) = ƒ() (2) ฟังก์ชันกระตุ้น (Activation Function) สำหรับ ข้อมูลส่งออกของแต่ละnode จะมีการใช้ฟังก์ชันกระตุ้น เพื่อทำให้โครงข่ายใยประสาทเทียมมีความซับซ้อนและ สามารถแก้ปัญหาได้หลายหลายมากขึ้น [9] 3.2 ขั้นตอนการศึกษา 3.2.1 รวบรวมข้อมูลที่ได้จากสถานีวัดน้ำฝนราย ชั่วโมงที่อยู่ในพื้นที่ลุ่มน้ำคลองบางสะพานใหญ่จำนวน 5 สถานีได้แก่ สถานีน้ำตกไทรคู่ (SWR014) ,สถานีประปา บ้านคลองเพลิน(SWR012) ,สถานีศาลากลางหมู่บ้าน ในล็อก(SWR016) ,สถานีทต.ร่อนทอง (BSVT) ,และสถานี คลองขนาน (GT.7) และใช้ข้อมูลทั้งหมด 5 สถานีเป็น แบบรายชั่วโมง ได้แก่ ข้อมูลน้ำฝน (R) ,ข้อมูลความชื้น สัมพัทธ์ (RH) ,ข้อมูลความกดอากาศ(P) ,และข้อมูล อุณหภูมิ (T) โดยการคัดเลือกข้อมูลช่วงเวลาตั้งแต่วันที่ 7/8/2561 ถึง 4/9/2562 รวมประมาณ 2 ปีที่มีข้อมูลที่ ต่อเนื่องกัน ไม่มีช่วงขาดหายของข้อมูล (แบ่งออกเป็น 70% สำหรับการเรียนรู้และการสอบเทียบ และอีก 30% สำหรับการทดสอบ) 3.2.2 ข้อมูลปริมาณฝนรายชั่วโมงจะใช้ค่าเฉลี่ย แบบเคลื่อนที่(Moving Average) เป็นค่าปรับลดความผัน ผวนของข้อมูลก่อนนำไปพิจารณาคัดเลือกข้อมูลนำเข้าจะ ใช้ในการสร้างแบบจำลอง ANN ตามสมการ ̅ = 1 ∑ =1 (3) โดยที่ ̅ เป็นค่าพยากรณ์แบบเฉลี่ยเคลื่อนที่สำหรับ จำนวนชั่วโมง n เป็นปริมาณน้ำฝนรายชั่วโมง ช่วงเวลา t N เป็นจำนวนช่วงเวลา (หน่วยชั่วโมง) t เป็นเวลา(ทุกๆ 1 ชั่วโมง) โดยใช้ชุดข้อมูลที่ปัจจุบัน(t) ,ชุดข้อมูลย้อนหลัง 1 ชั่วโมง(t-1)และชุดข้อมูลย้อนหลัง 2 ชั่วโมง(t-2) และการ ทดสอบด้วยจำนวนช่วงชั่วโมงต่างๆ (2 , 3 , 4 , 5) ใช้ค่า สัมประสิทธิ์สหสัมพันธ์แบบแยกส่วน เป็นเกณฑ์ในการ พิจารณา 3.2.3 ข้อมูลที่ใช้ในการสร้างแบบจำลองจะนำมา พิจารณาคัดเลือกข้อมูลนำเข้าที่จะใช้ในการสร้าง แบบจำลอง ANN สำหรับพยากรณ์ปริมาณน้ำฝนราย ชั่วโมงกับพื้นที่ลุ่มน้ำคลองบางสะพานใหญ่นั้น จะใช้ค่า สัมประสิทธิ์สหสัมพันธ์แบบแยกส่วน (Partial correlation coefficient) ซึ่งเป็นวิธีการที่ใช้วัดความ สัมพันธ์ระหว่างตัวแปร หรือข้อมูลมากกว่า 2 ชุด โดยใช้ สมการสัมประสิทธิ์สหสัมพันธ์แบบแยกส่วนลำดับที่หนึ่ง ( first-order partial correlation)ห า ค ว า ม ส ั ม พ ั นธ์ ระหว่างตัวแปร 2 ตัว โดยให้ตัวแปรอีกตัวคงที่ ดังแสดงใน สมการ δxy.= rxy ‐rxzryz √(1‐rxz 2 )(1‐ryz 2 ) (4) = ∑ ( )−(∑ ∑ =1 =1 ) =1 √[ ∑ ( ) 2−(∑ ) 2 =1 ][ ∑ ( ) 2−(∑ ) 2 =1 ] (5) เมื่อ . เป็น ค่าสัมประสิทธิ์สหสัมพันธ์แบบ แยกส่วนลำดับที่หนึ่งของตัวแปร x กับ y เมื่อควบคุม ตัวแปร z r เป็น ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน x,y,z เป็น ค่าตัวแปรใดๆ 3.2.4 การหาโครงสร้างของ ANN เป็นขั้นตอนที่ ยุ่งยาก และต้องลองผิดลองถูกพอสมควรก่อนที่จะได้ โครงสร้างที่มีประสิทธิภาพที่สุด วิธีการพิจารณาหา โครงสร้างของ ANN ของบทความนี้จะใช้วิธีการ K-Fold Cross Validation ซึ่งเป็นวิธีการแบ่งชุดข้อมูลออกเป็น หลาย ๆ ส่วน ( k) เท่ากับ 5-Fold Cross Validation คือ การแบ่งชุดข้อมูลออกเป็น 5 ส่วน โดยข้อมูลส่วนหนึ่งจะ ใช้สำหรับการเรียนรู้ (Train) ของแบบจำลอง และอีกส่วน หนึ่งจะใช้เป็นตัวสอบทาน (Validation) ของแบบจำลอง ทำวนซ้ำไปจนครบจำนวนส่วนที่แบ่งไว้ตามรูปที่ 3 ซึ่ง

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 135 วิธีการ K-Fold Cross Validation จะสามารถทำให้ แบบจำลองได้มีทักษะในการพยากรณ์สูงขึ้นจากการ เรียนรู้ข้อมูลทุกๆ ตัวแปรที่มีโดยไม่ได้เสียข้อมูลไปใน กระบวนการ Validation [8] รูปที่ 3 แสดงขั้นตอนการทำงานของ วิธีการ K-Fold Cross Validation ขั้นตอนการหาโครงสร้างแบบจำลองมีทั้งหมด 4 ขั้นตอนได้แก่การหาจำนวน Hidden Layer, จำนวน Node, Network type และsmooth function โดยใน ขั้นตอนแรกจะพิจารณาจำนวน Hidden Layer โดยการ เพิ่มจำนวน Hidden Layer เพื่อให้โครงสร้างของ แบบจำลองมีความซับซ้อนมากยิ่งขึ้นจนกว่าแบบจำลอง จะไม่ได้มีประสิทธิภาพดีขึ้นอย่างมีนัยสำคัญ ส่วนใน องค์ประกอบอื่น ๆ ของแบบจำลองจะกำหนดให้มีค่าคงที่ ไ ด ้ แ ก ่ 10 Node, Simple multilayer perceptron network และ sigmoid smooth function ขั้นตอนที่ 2 จะพิจารณาจำนวน Node ในชั้น Hidden Layer โดยจะ ใช้วิธีการเพิ่มจำนวน Node เพื่อให้แบบจำลองมีความ ซับซ้อนมากยิ่งขึ้นและพิจารณาเช่นเดียวกันกับขั้นตอนที่ 1 โดยจำนวนที่ Node จะใช้พิจารณาจะใช้ขอบเขต Boundary ของการพิจารณาจำนวน Node ด้วยการ อ้างอิงจากจำนวนข้อมูลนำเข้าของแบบจำลอง โดย Upper Boundary (Node = 2n) และ Lower Boundary (Node = √2n + m โดยที่ n คือจำนวนข้อมูล Input ของแบบจำลอง และ m คือจำนวนข้อมูล Output ของ แบบจำลอง[7] ขั้นตอนที่ 3 จะพิจารณารูปแบบของ โครงสร้าง(Network type)ของแบบจำลองระหว่าง Simple multilayer perceptron network แ ล ะ Generalized feedforward โดยกำหนดให้ใช้จำนวน Hidden Layer และ Node ตามผลที่ได้จาก 2 ขั้นตอน ก่อนหน้านี้ และกำหนด smooth function แบบ sigmoid function ขั้นตอนที่ 4 จะพิจารณา Smooth Function ร ะ ห ว ่ า ง sigmoid smooth function กั บ Hyperbolic Tangent smooth function โดยใช้ผลที่ ได้จาก 3 ขั้นตอนก่อนหน้าจากขั้นตอนการพิจารณา โครงสร้างของแบบจำลองในขั้นตอนที่ 1 และ 2 ด้วย การเพิ่มความซับซ้อนของแบบจำลองจนกว่าแบบ จำลองดังกล่าวจะไม่ได้มีประสิทธิภาพที่เพิ่มขึ้นหรือ มีประสิทธิภาพต่ำลงนั้น จะช่วยให้แบบจำลองไม่เกิดการ Overfitting จากกระบวนการทำนายของแบบจำลอง ANN [2,10] สำหรับการทดสอบความแม่นยำ และประสิทธิภาพ ของแบบจำลอง ในการพิจารณาขั้นตอนต่าง ๆ นั้น จะใช้ ค่าความคลาดเคลื่อน (Root Mean Square Error, RMSE) ควรมีค่าเข้าใกล้ 0 RMSE = √ ∑ (̂−) 2 =1 (6) โดยที่ ̂ คือ ค่าที่ได้จากการพยากรณ์ของแบบจำลอง y คือ ค่าที่วัดได้จริง n คือ จำนวนขนาดของข้อมูลที ่ใช้ในการ พยากรณ์ ค่า Normalized RMSE ควรมีค่าเข้าใกล้ 0 มีหน่วย เป็นร้อยละ Normalized RMSE = [ RMSE M ] x100 (7) โดยที่ M คือค่าปริมาณน้ำฝนรายชั่วโมงสูงสุดใน กระบวนการทดสอบของแบบจำลองและค่าสัมประสิทธิ์ ของการวัดผล (Coefficient of determination, R2 ) ควร มีค่าเข้าใกล้ 1 R 2 = 1 - ∑ (−̂) n 2 i=1 ∑ ( ̂‐ ̅) 2 i=1 (8) โดยที่ ̂ คือ ค่าที่ได้จากการพยากรณ์ของแบบจำลอง y คือ ค่าที่วัดได้จริง n คือ จำนวนขนาดของข้อมูลที ่ใช้ในการ พยากรณ์ มาใช้ในการตรวจสอบ โดยในขั้นตอนการพิจารณา แบบจำลองนั้นจะพิจารณาที ่กระบวนการ Validation ของโครงสร้างที่มีค่าความแม่นยำจาก โครงสร้างที่มีความ ยุ่งยากน้อยไปมากจนประสิทธิภาพของแบบจำลองดีขึ้น จนไม่มีนัยสำคัญ 4. ผลการศึกษา DATA SET TRAINING SET TEST SET Validation Train Train Train Train Train Validation Train Train Train Train Train Validation Train Train Train Train Train Validation Train Train Train Train Train Validation

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 136 4.1 โครงสร้างแบบจำลอง ผลการทดสอบในการหาค่าเฉลี่ยแบบเคลื่อนที่ (Moving Average)ของข้อมูลปริมาณฝนรายชั่วโมงของ ทั้ง 5 สถานี โดยใช้ชุดข้อมูลปัจจุบัน(t) ,ชุดข้อมูลย้อนหลัง 1 ชั่วโมง(t-1)และชุดข้อมูลย้อนหลัง 2 ชั่วโมง(t-2) และ การทดสอบด้วยจำนวนช่วงชั่วโมงต่างๆ(2 ,3 ,4 ,และ 5) แสดงให้เห็นว่า ค่าสัมประสิทธิ์สหสัมพันธ์ แปรผกผันกับ จำนวนชั่วโมง ยิ่งจำนวนชั่วโมงเพิ่มขึ้นค่าสัมประสิทธิ์ สหสัมพันธ์ก็จะลดลง ดังนั้นในการพิจารณาผลของหา ค่าเฉลี่ยแบบเคลื่อนที่(Moving Average)ของข้อมูล ปริมาณฝนรายชั่วโมงของทั้ง 5 สถานี จะใช้ค่าข้อมูลของ ปริมาณฝนรายชั่วโมงที่ชุดข้อมูลปัจจุบัน(t) ,ชุดข้อมูล ย้อนหลัง 1 ชั่วโมง(t-1)และชุดข้อมูลย้อนหลัง 2 ชั่วโมง(t2)ทั้ง 5 สถานีของค่าจำนวนชั่วโมงเท่ากับ 2 ที่มีค่า สัมประสิทธิ์สหสัมพันธ์ดีที่สุด ต่อมาการนำข้อมูลทั้งหมดมาพิจารณาตัวแปรที่ สำคัญโดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์เป็นเกณฑ์ในการ พิจารณาตามตารางที่ 1 ตารางที่ 1 แสดงผลลัพธ์การพิจารณาตัวแปรที่สำคัญโดย ใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบแยกส่วน ชื่อตัวแปร Partial correlation coefficient t t-1 t-2 t-3 R_ทั้ง 5 สถานี 0.77- 0.16 0.77-0.14 0.16-0.1 0.1-0.07 RH_ทั้ง 5 สถานี 0.05-0.04 0.02-0.01 0.02-0.02 0.00 P_ทั้ง 5 สถานี 0.01-0.009 0.00 0.00 0.00 T_ทั้ง 5 สถานี 0.05-0.02 0.00 0.00 0.00 จากผลลัพธ์สรุปได้ว่า ข้อมูลน้ำฝน(R) ณ เวลาต่าง ๆ มีค่าสัมประสิทธิ์สหสัมพันธ์แบบแยกส่วนมากกว่า ตัวแปรอื่นๆ ดังนั้นจะใช้ตัวแปรในการพยากรณ์ ทั้งหมด 15 ตัวแปร ได้แก่ R_GT7(t) ,R_SWR014(t) ,R_SWR012(t) ,R_SWR016(t) ,R_BSVT(t) ,R_GT7(t1),R_SWR014(t-1),R_SWR012(t-1),R_SWR016(t1 ) ,R_BSVT(t-1 ) ,R_GT7 ( t-2 ) ,R_SWR0 1 4 ( t-2 ) ,R_SWR012(t-2) ,R_SWR016(t-2) ,R_BSVT(t-2) ขั้นตอนต่อไปนำตัวแปรที่ได้มาพิจารณาหาโครงสร้าง ของแบบจำลอง ANN พบว่า ผลการพิจารณาขั้นตอน คัดเลือกจำนวน Layer ในชั้น Hidden Layer โดยเมื่อ พิจารณาเพิ่มความซับซ้อนของแบบจำลองขึ้นไปเรื่อย ๆ จะพบว่าประสิทธิภาพของแบบจำลองที่มีจำนวน Hidden Layer เท่ากับ 1 มีประสิทธิภาพสูงที่สุด ดังแสดงตารางที่ 2 ตารางที่ 2 แสดงผลลัพธ์การคัดเลือกจำนวน Layer ใน ชั้น Hidden Layer No. Hidden layer 1 hour ahead Train Validate R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) 1 0.98 0.25 0.95 0.29 2 0.98 0.38 0.93 0.43 3 0.98 0.17 0.92 0.60 4 0.97 0.26 0.89 0.65 เมื่อทำการคัดเลือกจำนวน Hidden Layer พบว่า จำนวน Hidden Layer ที่ดีที่สุดได้แก่ 1 Hidden Layer ดังนั้นจึงนำโครงสร้างดังกล่าวมาใช้ในการคัดเลือกจำนวน Node ที่ให้ผลการพยากรณ์ที่ดีที่สุดของแต่ละการ พยากรณ์ โดยการเพิ่มความซับซ้อนของแบบจำลอง เพิ่มขึ้นดังเช่นเดียวกันกับการพิจารณาจำนวน Hidden Layer พบว่าประสิทธิภาพของแบบจำลองที่มีจำนวน Node เท่ากับ 6 มีประสิทธิภาพสูงที่สุดดังแสดงตารางที่ 3 ตารางที่ 3 แสดงผลลัพธ์การคัดเลือกจำนวน Node No. Node 1 hour ahead Train Validate R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) 5 0.96 0.34 0.94 0.43 6 0.98 0.17 0.98 0.25 10 0.98 0.17 0.93 0.34 30 0.98 0.17 0.93 0.34

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 137 ขั้นตอนต่อมาจะพิจารณา Network type ที่พบว่า แบบจำลอง ANN ที่ใช้ Network type แบบ Simple multilayer perceptron network มีประสิทธิภาพสูง ที่สุดดังแสดงตารางที่ 4 ตารางที่ 4 แสดงผลการพิจารณา Network type ของ กรณีที่ 1 Network type 1 hour ahead Train Validate R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) Simple multilayer perceptron 0.98 0.17 0.92 0.34 Generalized feedforward 0.94 0.43 0.91 0.51 ขั้นตอนสุดท้ายในการพิจารณาโครงสร้างของ แบบจำลองคือการทดสอบ Smooth function ระหว่าง Sigmoid Function แ ล ะ Hyperbolic Tangent Function พบว่า Sigmoid Function ให้ประสิทธิภาพ แบบจำลองดีที่สุดดังแสดงตารางที่ 5 ตารางที่ 5 แสดงผลลัพธ์การพิจารณาSmooth function Smooth function 1 hour ahead Train Validate R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) Sigmoid 0.98 0.17 0.95 0.25 Hyperbolic Tangent 0.96 0.25 0.90 0.35 จากการพิจารณาหาโครงสร้างของแบบจำลอง ANN จะได้โครงสร้างดังนี้ 1 Hidden Layer, 6 Node, Simple multilayer perceptron network แ ล ะ sigmoid smooth function นำโครงสร้างแบบจำลองที่ได้มาทำ การเปรียบเทียบของข้อมูลตัวแปรต้นแบบใช้ Moving Average กับไม่ใช้ Moving Average พบว่า ค่า R 2 และ Normalized RMSE ของตัวแปรต้นที่มีการใช้ Moving Average .ให้ผลการพยากรณ์ที่ดีกว่าตัวแปรต้นที่ไม่ใช้ Moving Average ดังแสดงตารางที่ 6 ตารางที่ 6 แสดงผลลัพธ์การเปรียบเทียบของทั้ง 2 กรณี กรณี 1 hour ahead Train Validate R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) ใช้Moving Average 0.98 0.17 0.95 0.25 ไม่ใช้Moving Average 0.10 1.78 0.07 2.01 4.2 ผลการพยากรณ์ จากผลการหาโครงสร้างข้างต้นนำมาพยากรณ์ ปริมาณฝนรายชั่วโมงในพื้นที่ลุ่มน้ำคลองบางสะพานใหญ่ ที่1 ,2 ,3 ,4 ,5 ,และ 6 ชั่วโมงล่วงหน้าของสถานีวัดน้ำฝน (GT.7) โดยการใช้ข้อมูลนำเข้าเป็นข้อมูลปริมาณน้ำฝน รายชั่วโมงแบบปรับแก้โดยวิธีค่าเฉลี่ยแบบเคลื่อนที่และ กำหนดค่าจำนวนช่วงเวลา(N)ของค่าเฉลี่ยแบบเคลื่อนที่ เท่ากับ 2, 3, 4, และ 5 ชั่วโมง ดังแสดงตารางที่ 6 ตารางที่ 6 แสดงผลลัพธ์พยากรณ์ปริมาณฝนรายชั่วโมงใน พื้นที่ลุ่มน้ำคลองบางสะพานใหญ่ 1 ,2 ,3 ,4 ,5 ,และ 6 ชั่วโมงล่วงหน้าของค่า N ของ ค่าเฉลี่ยแบบเคลื่อนที่ เท่ากับ 2, 3, 4, และ 5 ค่า N 1 hour ahead 2 hour ahead 3 hour ahead Test Test Test R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) 2 0.95 0.25 0.96 0.70 0.05 2.59 3 0.62 1.81 0.77 1.47 0.80 1.35 4 0.35 2.59 0.35 2.24 0.73 1.38 5 0.30 2.93 0.35 3.48 0.29 2.24 ค่า N 4 hour ahead 5 hour ahead 6 hour ahead Test Test Test R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) R 2 Normalized RMSE(%) 2 - - - - - - 3 0.07 2.07 - - - - 4 0.83 0.95 0.01 2.16 - - 5 0.71 1.38 0.82 0.95 0.03 2.59

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 138 จากผลลัพธ์ที่แสดงในตารางที่ 11 พบว่าการ พยากรณ์ฝนรายชั่วโมงในพื้นที่ลุ่มน้ำคลองบางสะพาน ใหญ่ 1 เละ 2 ชั่วโมงล่วงหน้า ที่ค่าเฉลี่ยแบบเคลื่อนที่ค่า N เท่ากับ 2 สามารถพยากรณ์ได้แม่นยำกว่าค่าจำนวน ชั่วโมงของค่าเฉลี่ยแบบเคลื่อนที่อื่น ๆ(แสดงผลตามรูปที่ 2 ) และที่ค่าเฉลี่ยแบบเคลื่อนที่ค่า N เท่ากับ 3 ,4 และ 5 สามารถพยากรณ์ได้ดีเฉพาะบางชั่วโมงเท่านั้น ไม่สามารถ พยากรณ์แบบเนื่องกันได้ ทั้งนี้การพยากรณ์ฝนล่วงหน้าจะ มีความสัมพันธ์แบบแปรผันตรงกับค่า N ของค่าเฉลี่ยแบบ เคลื่อนที่ หากต้องพยากรณ์ฝนล่วงหน้าหลายๆชั่วโมง ก็ จะต้องใช้ค่า N ของค่าเฉลี่ยแบบเคลื่อนที่ที่มากขึ้น เช่นเดียวกัน แต่ยิ่งมีค่า N ของค่าเฉลี่ยแบบเคลื่อนที่ที่มาก ขึ้นก็จะทำให้ค่า R 2 และ Normalized RMSE ของการ พยากรณ์ฝนล่วงหน้าลดลงด้วย ดังนั้น การพยากรณ์ฝน รายชั่วโมงในพื้นที่ลุ่มน้ำคลองบางสะพานใหญ่ จะใช้ 1 เละ 2 ชั่วโมงล่วงหน้า ที่ค่าเฉลี่ยแบบเคลื่อนที่ค่า N เท่ากับ 2 รูปที่ 4 ผลลัพธ์R 2ของการพยากรณ์ปริมาณฝนรายชั่วโมง ในพื้นที่ลุ่มน้ำคลองบางสะพานใหญ่ 1 และ 2 ชั่วโมง ล่วงหน้าของค่าจำนวนชั่วโมงของค่าเฉลี่ยแบบเคลื่อนที่ เท่ากับ 2 5. สรุป การพยากรณ์ฝนรายชั่วโมงในพื้นที่น้ำท่วมแบบ ฉับพลัน(พื้นที่ศึกษาลุ่มน้ำคลองบางสะพานใหญ่)ที่มีความ ลาดชันบริเวณพื้นที่ต้นน้ำและเป็นที่ราบสลับที่ดอน บริเวณพื้นที่ตอนล่างนั้น สามารถสรุปผลได้ดังนี้ 5.1 ตัวแปรที่สำคัญในการนำเข้าข้อมูล ได้แก่ ข้อมูล ปริมาณฝนรายชั่วโมงที่ผ่านการหาค่าเฉลี่ยแบบเคลื่อนที่ (ค่า N เท่ากับ 2) ของแต่ละสถานีวัดฝนในพื้นที่ลุ่มน้ำ คลองบางสะพานใหญ่ มีจำนวนตัวแปรทั้งหมด 15 ตัว แปร ได้แก่ R_GT7(t), ,R_SWR014(t) ,R_SWR012(t) ,R_SWR016(t) ,R_BSVT(t),R_GT7(t-1) ,R_SWR014(t1 ) ,R_SWR012( t-1 ) ,R_SWR016( t-1 ) ,R_BSVT(t1),R_GT7(t-2) ,R_SWR014(t-2) ,R_SWR012(t-2) ,R_SWR016(t-2) ,R_BSVT(t-2) 5.2 โครงสร้างของแบบจำลองโครงข่ายใยประสาท เทียมที่ใช้วิธีการ 5-Fold Cross Validation ในการ พยากรณ์ปริมาณฝนรายชั่วโมงในพื้นที่ลุ่มน้ำคลองบาง สะพานใหญ่ได้แก่ Layer input มี 15 node ,1 Hidden Layer มี6 Node, Simple multilayer perceptron network , sigmoid smooth function แ ล ะ Layer output มี 1 node 5.3 ผลการพยากรณ์ปริมาณฝนรายชั่วโมงในพื้นที่ลุ่ม น้ำคลองบางสะพานใหญ่ 1 และ2 ชั่วโมงล่วงหน้าของ สถานีวัดน้ำฝน(GT.7) พบว่า สามารถทำนายได้อย่าง แม่นยำ (มีค่า Normalized RMSE และ R 2 ของการ พยากรณ์ฝนล่วงหน้า 1 ชั่วโมงเท่ากับ 0.25% และ 0.95 และ 2 ชั่วโมงเท่ากับ 0.70% และ 0.96)ข แนวทางการประยุกต์ใช้ผลการพยากรณ์ปริมาณฝน รายชั่วโมงที่สถานีวัดน้ำฝน(GT.7) กับพื้นที่ลุ่มน้ำคลอง บางสะพานใหญ่ เนื่องจากบริเวณสถานีวัดน้ำฝน(GT.7) เป็นศูนย์รวมของแม่น้ำสายย่อยๆ รวมเป็นแม่น้ำบาง สะพานก่อนจะไหลผ่านตัวอำเภอเมืองบางสะพานแล้ว ไหลลงทะเล และที่สถานีวัดน้ำฝน(GT.7) กรมชลประทาน มีการทำเกณฑ์การเตือนภัยน้ำท่วมของอำเภอเมืองบาง สะพานไว้ ดังนั้น การพยากรณ์ปริมาณฝนรายชั่วโมง ล่วงหน้าที่สถานีวัดน้ำฝน(GT.7) จะเป็นข้อมูลเพิ่มเติมให้ เกณฑ์น้ำเตือนภัยน้ำท่วมของอำเภอเมืองบางสะพานมี ประสิทธิภาพมากยิ่งขึ้น Observe Observe 1 hour ahead 2 hour ahead

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 139 6. กิตติกรรมประกาศ งานวิจัยนี้คณะผู้จัดทำขอขอบคุณหน่วยงานที่ ให้ความอนุเคราะห์ข้อมูลสำหรับทำการศึกษาค้นคว้า ประกอบด้วย สถาบันสารสนเทศทรัพยากรน้ำ (องค์การ มหาชน) และกรมชลประะทาน เอกสารอ้างอิง [1] Royal Irrigation Department (2012). Feasibility Study and Environmental Impact Assessment Flood Relief and Water Management Project in the area of Bang Saphan District Prachuap Khiri Khan Province Thailand. Royal Irrigation Department [2] Srivastava N. , Hinton G. , and Krizhevsky A. (2014). Dropout: a Simple way to Prevent neural Networks form Overfitting. Journal of Machine Learning Research 15, 1929-1958. [3] Puttrawutichai S. (2003). Flood Prediction in Lamphachi River Basin by MIKE 11 Model and Artificial Neural Network. Master of Engineering Thesis, Civil Engineering, Faculty of Engineering, Kasetsart University [4] Saengsaeng S.(2004). Capabilities Comparison of Neural Network Models and a Hydrological Model for Estimating Runoff in The Upper Ping Basin. Master of Engineering Thesis, Civil Engineering, Faculty of Engineering, Kasetsart University [5] Taninpong P. , Manori T. , Minsan W. (2018). Water Level Forecasting at Bang Sai Arts and Crafts Center (C.29A) Gauge Station, Chao Phraya River Basin, Amphoe Bang Sai, PhraNakhon Si Ayuttaya Province Using NARX Network. Journal of applied statistics and Information Technology Vol.3 No.1, 31-41. [6] Chaipimonplin T. (2014). 50 Years with the Applications of Artificial Neural Network for Flood Forecasting in Thailand. Journal of Social Sciences Chiang Mai University 26(2), 171-192. [7] Hung N. Q., M. S. Babel , S. Weesakul , and N. K.Tripathi (2009). An Artificial Neural Network Model for Rainfall Forecasting in Bangkok Thailand. Hydrology and Earth System Sciences 13 ,1413-1425. [8] Srisutiva K.(2020). Water Management In The Lower Chao Phraya Basin for Rainy and Dry Seasons. Master of Engineering Thesis, Civil Engineering, Faculty of Engineering, Thammasat University ,26-30. [9] Sukluan A. (2004). Application Of Artificial Neural Network for Rainfall-Runoff Foreeasting and Estimaition of River Levels ,Master of Engineering Thesis, Civil Engineering, Faculty of Engineering, King Mongkut’s University of Technology Thonburi, 9-10. [10]Adam P. , Jarosaw J. (2013). A Comparison of Methodsto Avoid Overfitting in Neural Networks training in The Case of Catchment Runoff Modelling. Journal of Hydrology Volume 476, 97-111

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 140 การศึกษาลักษณะการเกิดน้ำท่วมบริเวณตลาดสายลมจอย อำเภอแม่สาย จังหวัดเชียงราย The Study of Flood Characteristics in Sailom Joy Market, Mae Sai District, Chiang Rai Province อัจฉริยา ไชยชาติ1* , วาทิน ธนาธารพร1 , ณรงค์ฤทธิ์ เหลืองดิลก1 , อภิมุข มุขตารี1 , และสถิตย์ จันทร์ทิพย์1 1 สถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน), จังหวัดกรุงเทพมหานคร, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ พื้นที่อำเภอแม่สายได้รับผลกระทบจากอุทกภัยเป็นประจำทุกปี โดยเฉพาะในพื้นที่ตลาดสายลมจอยซึ่งเป็นพื้นที่ สำคัญทางเศรษฐกิจบริเวณชายแดนไทย-เมียนมา ด้วยลักษณะภูมิประเทศของตลาดสายลมจอยที่มีแม่น้ำสายไหลผ่านและมี พื้นที่รับน้ำส่วนใหญ่อยู่ในฝั่งประเทศเมียนมา อีกทั้งเป็นพื้นที่ที่ไม่มีข้อมูลตรวจวัดเนื่องจากข้อจำกัดในการติดตั้งสถานีตรวจวัด ซึ่งเป็นอุปสรรคต่อการพัฒนาระบบเตือนภัย ทำให้พื้นที่ตลาดสายลมจอยได้รับผลกระทบจากน้ำท่วมอย่างหนักส่งผลกระทบ ต่อชุมชนเมืองและเศรษฐกิจเป็นอย่างมาก การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาพฤติกรรมน้ำท่วมและความเป็นไปได้ใน การประยุกต์ใช้ข้อมูลฝนดาวเทียม GSMaP NOW เพื่อพัฒนาระบบเตือนภัยน้ำท่วมสำหรับพื้นที่ที่มีข้อจำกัดด้านสถานีตรวจ ทางอุตุนิยมวิทยาและอุทกวิทยาภาคพื้นดิน โดยใช้แบบจำลองการไหลแบบ 2 มิติ Rainfall-Runoff Inundation (RRI) ผลการศึกษาพบว่าลักษณะการเกิดน้ำท่วมบริเวณตลาดสายลมจอยเป็นลักษณะน้ำท่วมฉับพลันที่มีระยะเวลาการเกิดน้ำท่วม อยู่ในช่วง 9-31 ชั่วโมงขึ้นอยู่กับการกระจายตัวของฝนในพื้นที่ และข้อมูลฝนดาวเทียมมีศักยภาพในการนำไปประยุกต์ใช้ พัฒนาเป็นระบบปฏิบัติการเตือนภัยน้ำท่วมได้ คำสำคัญ: กราฟน้ำท่วม, แบบจำลองการไหลแบบ 2 มิติ, ฝนดาวเทียม Abstract Mae Sai District is affected by floods yearly, especially at the Sailom Joy market, an important economic area of the Thailand–Burma border. The topography of the Sailom Joy market is characterized by the Sai River passing through the area and most of the catchment area located on the Burma side. Furthermore, it is an ungauged watershed area due to installation restrictions that difficult to develop the warning systems. therefore, the Sailom Joy market was heavily impacted by floods, which greatly affected the urban area and the economy. This study aims to analyze flood characteristics and the possibility for the Application of GSMaP NOW satellite-based rainfall to developing flood warning systems in areas with limitations on meteorological and hydrological stations using a 2-dimensional flow model Rainfall-RunoffInundation (RRI). The result of the characteristics at Sailom Joy market is flash floods with a lag time within 9-31 hours depend on rainfall distribution and satellite-based rainfall can be applied to the development of operating flood warning systems. Keywords: Flood Hydrograph, Rainfall-Runoff Inundation (RRI model), Satellite-based Rainfall

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 141 1. คำนำ ประเทศไทยได้รับผลกระทบจากอุทกภัย บ่อยครั้งซึ่งส่งผลกระทบต่อการดำเนินชีวิตและเศรษฐกิจ ในพื้นที่ชุมชนเป็นอย่างมาก โดยเฉพาะบริเวณพื้นที่เขต แนวพรมแดนระหว่างประเทศซึ่งเป็นเขตแนวเศรษฐกิจที่ สำคัญ ตลาดสายลมจอย อำเภอแม่สาย จังหวัดเชียงราย เป็นหนึ่งในพื้นที่ได้รับผลกระทบจากน้ำท่วมฉับพลัน ในช่วงฤดูฝนอยู่บ่อยครั้ง โดยที่ไม่สามารถหลีกเลี่ยงได้ เนื่องจากตลาดสายลมจอยตั้งอยู่ในพื้นที่ที่ได้รับผลกระทบ จากปริมาณน้ำในแม่น้ำสายและแม่น้ำรวก เมื่อเกิดฝนตก หนักในพื้นที่ต้นน้ำฝั่งประเทศเมียนมา ประชาชนในพื้นที่ ไม่สามารถเตรียมการรับมือต่อภัยที่อาจจะเกิดขึ้นได้ ทันเวลา ถึงแม้ว่าในพื้นที่ข้างเคียงจะมีสถานีเฝ้าระวัง ระดับน้ำจากระบบเตือนภัยล่วงหน้าน้ำหลากดินถล่ม [1] จากข้อจำกัดด้านการติดตามและเฝ้าระวังจาก น้ำท่วมในพื้นที่ตลาดสายลมจอย การศึกษานี้ได้ทดสอบใช้ ข้อมูลฝนจากดาวเทียม GSMaP NOW ในการศึกษา พฤติกรรมการเกิดน้ำท่วม และประยุกต์ใช้แบบจำลอง Rainfall-Runoff Inundation (RRI) ใ น ก า ร ค ำ น ว ณ ลักษณะการไหลเบื้องต้นในพื้นที่ศึกษา โดยประเมิน พารามิเตอร์ของแบบจำลองตามลักษณะทางกายภาพจาก ข้อมูลดาวเทียม เพื่อประเมินความเป็นไปได้ในการ ประยุกต์ใช้ข้อมูลฝนดาวเทียม GSMaP NOW ในระบบ เตือนภัยน้ำท่วมพื้นที่ตลาดสายลมจอย อย่างไรก็ตาม การศึกษาอยู่ภายใต้ข้อสันนิษฐานดังนี้ (1) ข้อมูลฝน ดาวเทียม GSMaP NOW ที่มีความครอบคลุมเชิงพื้นที่ และมีข้อมูลตรวจวัดสม่ำเสมอ สามารถตรวจวัดเหตุการณ์ ฝนที่เป็นสาเหตุของน้ำท่วมในพื้นที่ตลาดสายลมจอยได้ (2) แบบจำลอง Rainfall-Runoff Inundation (RRI) ซึ่ง เป็นแบบจำลองน้ำฝน-น้ำท่า-น้ำหลากแบบสองมิติ และมี พารามิเตอร์ที่สะท้อนลักษณะทางกายภาพของพื้นที่จริง จะสามารถจำลองลักษณะการไหล เพื่อเตือนภัยในพื้นที่ที่ ไม่มีข้อมูลตรวจวัดได้โดยผลการศึกษาสามารถนำไป ประยุกต์ใช้พัฒนาเป็นระบบปฏิบัติการเตือนภัยน้ำท่วมใน พื้นที่บริเวณตลาดสายลมจอยต่อไปได้ 2. ลักษณะพื้นที่ศึกษา ตลาดสายลมจอยตั้งอยู่ที่ตำบลเวียงพางคำ อำเภอแม่สาย จังหวัดเชียงราย บริเวณเหนือสุดของ ประเทศไทย มีลักษณะภูมิประเทศเป็นที่ราบเชิงเขาที่มี ความลาดชันเล็กน้อยจากทิศตะวันตกไปทิศตะวันออก และมีแม่น้ำสายและแม่น้ำรวกเป็นแนวพรมแดนทาง ธรรมชาติที่กั้นระหว่างประเทศไทย–เมียนมาที่จังหวัดท่าขี้ เหล็กในรัฐชาน ซึ่งแม่น้ำสายมีขนาดพื้นที่ลุ่มน้ำ 1093.33 ตารางกิโลเมตร และมีความยาวลำน้ำประมาณ 30 กิโลเมตร ต้นน้ำของแม่น้ำสายอยู่ที่ประเทศเมียนมาและ ไหลไปตามความลาดชันลำน้ำตามทิศตะวันออกผ่าน ระหว่างสองประเทศที่จังหวัดท่าขี้เหล็กและอำเภอแม่สาย หลังจากนั้นไหลไปรวมกับแม่น้ำรวกที่ตำบลเกาะช้างใน อำเภอแม่สาย และไหลลงแม่น้ำโขงที่อำเภอเชียงแสน ดัง แสดงในรูปที่ 1 บริเวณตลาดสายลมจอยประสบปัญหาน้ำ ท่วมในช่วงฤดูฝนระหว่างเดือนสิงหาคมถึงตุลาคมทุกปี จากเหตุการณ์ฝนตกหนักในพื้นที่และปริมาณน้ำที่เพิ่ม สูงขึ้นจากพื้นที่ต้นน้ำฝั่งประเทศเมียนมาทำให้แม่น้ำสาย ล้นตลิ่งเข้าท่วมพื้นที่ตลาดและได้รับความเสียหาย รูปที่ 1 แผนที่ตำแหน่งตลาดสายลมจอยและแม่น้ำสาย

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 142 3. วิธีการศึกษา เพื่อบรรลุวัตถุประสงค์ การศึกษานี้เริ่มต้นจากการ รวบรวมข้อมูลในพื้นที่ เพื่อใช้วิเคราะห์พฤติกรรมการเกิด น้ำท่วม และทดลองประเมินลักษณะการไหลด้วย แบบจำลอง เพื่อประเมินความเป็นไปได้ในการพัฒนา ระบบเตือนภัยน้ำท่วม ซึ่งสามารถแบ่งได้เป็นข้อ ๆ ดังนี้ 3.1 การรวบรวมข้อมูล เนื่องจากข้อจำกัดด้านข้อมูลตรวจวัดในพื้นที่ศึกษา การศึกษานี้ได้ใช้ข้อมูลตรวจวัดในพื้นที่ร่วมกับข้อมูล ทางเลือกจากแหล่งข้อมูลระดับโลก (Global Scale) ดังต่อไปนี้ 3.1.1 ข้อมูลตรวจวัดระดับน้ำ ข้อมูลตรวจวัดระดับน้ำที่สถานีบ้านแม่สาย (STN0029) จากระบบเตือนภัยล่วงหน้าน้ำหลาก-ดินถล่ม ตั้งอยู่ห่างจากตลาดสายลมจอยประมาณ 700 เมตร ดังที่ แสดงในรูปที่ 1 3.1.2 ข้อมูลฝนดาวเทียม ข้อมูลฝนดาวเทียม GSMaP NOW มีความละเอียด เชิงพื้นที่ขนาด 10x10 กม. ซึ่งเป็นข้อมูลฝนจากดาวเทียม ที่ตรวจวัดฝนที่เกิดขึ้นจริงทุกๆ 30 นาทีตั้งแต่เดือน มกราคมถึงธันวาคมของปี พ.ศ.2565 และข้อมูลฝน ดาวเทียม GSMaP NOW ไม่มีความล่าช้าของข้อมูล [2, 3] สามารถนำไปประยุกต์ใช้ในระบบเตือนภัยแบบปฏิบัติการ ได้ 3.1.3 ข้อมูลทางกายภาพบริเวณพื้นที่ศึกษา การศึกษานี้ใช้ข้อมูลระดับสูงเชิงเลข (Digital Elevation Model) ทิศทางการไหลของลำน้ำ (Flow Direction) และการไหลสะสม (Flow Accumulation) จากฐานข้อมูล HydroSHEDS ที่ความละเอียด 30 arcseconds [4] ดังแสดงในตารางที่ 1 3.1.4 ข้อมูลเหตุการณ์น้ำท่วม ข้อมูลเหตุการณ์น้ำท่วมในพื้นที่ถูกรวบรวมจากข่าวที่ รายงานการเกิดน้ำท่วมในอดีตที่บริเวณตลาดสายลมจอย และพื้นที่ข้างเคียงในอำเภอแม่สายจังหวัดเชียงราย [5-9] ดังแสดงในตารางที่ 2 ตารางที่ 1 รายละเอียดของข้อมูลที่ใช้ในการศึกษา ชนิดข้อมูล แหล่งข้อมูล รายละเอียด ฝนดาวเทียม GSMaP NOW - ความละเอียดเชิง พื้นที่ 10 กม. - ราย 30 นาที - ข้อมูลปี พ.ศ.2565 ข้อมูลระดับสูง เชิงเลข (DEM) HydroSHEDS ความละเอียดเชิงพื้นที่ 30 arc-seconds ทิศทางการไหล ของน้ำ (Flow Direction) การไหลสะสม (Flow Accumulation) ตารางที่ 2 เหตุการณ์น้ำท่วมในอดีตบริเวณพื้นที่ศึกษา 3.2 ทฤษฎีและแบบจำลองที่ใช้ในการศึกษา แบบจำลองการไหลแบบ 2 มิติ Rainfall-Runoff Inundation (RRI) เป็นแบบจำลองทางอุทกศาสตร์แบบ ลำดับ ข่าวเหตุการณ์น้ำท่วม วันที่เกิด น้ำท่วม แหล่งที่มา 1 น้ำสายเอ่อไหลเข้าท่วมที่ ลุ่ม และเกิดน้ำขังรอการ ระบายท่วม โรงเรียน อนุบาล 8 ส.ค. 2565 สยามรัฐ 2 น้ำท่วมแม่สายหนักสุดใน 20 ปีที่ตลาดสายลมจอย และมีปริมาณน้ำสูงกว่า 1 เมตร 13 ส.ค. 2565 สำนักข่าว ไทย 3 แม่สายระทม ไม่ถึง 2 เดือนท่วมแล้ว 3 รอบ 5 ก.ย. 2565 ฐาน เศรษฐกิจ 4 แม่น้ำสายวิกฤติ! ฝนถล่ม น้ำเอ่อล้นตลิ่ง ท่วมตลาด สายลมจอยและชุมชน 11 ก.ย. 2565 เดลินิวส์ 5 อ่วม!! น้ำป่าไหลเข้าท่วม ย่านการค้าชายแดนไทยเมียนมาริมฝั่งแม่น้ำสาย สูงกว่า 50 ซม. 8 ต.ค. 2565 สยามรัฐ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 143 กระจายพื้นที่ (Distributed Model) ที่คำนวณปริมาณ น้ำฝน-น้ำท่า-น้ำหลากในเวลาเดียวกัน [10] โดยจำลอง ระดับความลึกของน้ำท่วม (Inundation Depth) อัตรา การไหลของน้ำท่วม (Flood Discharge) และพื้นที่เกิดน้ำ ท่วม (Inundation Area) จากการแยกคำนวณระหว่าง ลักษณะความชันของภูมิประเทศ (Slope) แบบ 2D Diffusive Wave Model และคำนวณการไหลของน้ำใน ร่องน้ำ (River Channel) แบบ 1D Diffusive Wave Model โดยแบบจำลองสามารถจำลองการไหลของน้ำผิว ดิน (Surface Flow) และการไหลในแนวราบของน้ำใต้ดิน (Lateral Subsurface Flow) ดังแสดงในรูปที่ 2 การ คำนวณน้ำในแม่น้ำแบบ 1 มิติ (1-dimensional River Routing Model) จะพิจารณาสภาพร่องน้ำในรูปแบบ กริดเซลล์รูปสี่เหลี่ยมผืนผ้าโดยให้ W คือความกว้างร่อง น้ำ (เมตร) D คือความลึกร่องน้ำ (เมตร) He คือความสูง ของคันกั้นน้ำหรือตลิ่ง (เมตร) ในกรณีที่ไม่มีข้อมูลหรือ ข้อมูลไม่พียงพอ [11] สามารถคำนวณความกว้างและ ความลึกร่องน้ำได้จากสมการที่ (1) และ (2) ตามลำดับ = (1) = (2) เมื่อ A คือ พื้นที่รับน้ำในช่วงแม่น้ำที่ต้องการคำนวณ ในแต่ละกริดเซลล์ (ตารางกิโลเมตร) Cw Cd Sw Sd คือ พารามิเตอร์ทางเรขาคณิตของ ร่องน้ำ การคำนวณการไหลด้านข้าง (Lateral Flow) บนเซลล์กริดความชันใช้สมการจากสมการสมดุลน้ำ (Mass Balance Equation) และสมการสมดุลโมเมนตัม (Momentum Equation) ส ำ ห ร ั บ กา รไหลไม่คงที่ ที่เปลี่ยนแปลงน้อย [12-14] ดังแสดงในสมการที่ (3) (4) และ (5) ตามลำดับ ℎ + + = − (3) + + = −ℎ − (4) + + = −ℎ − (5) เมื่อ h คือ ความสูงของระดับน้ำจากระดับท้องน้ำ qx, qy คือ ยูนิตความกว้างของอัตราการไหลต่อ ความกว้างในทิศทางแกน x และแกน y u, v คือ ความเร็วการไหลในทิศทางแกน x และแกน y r คือ ความเข้มฝน (rainfall intensity) f คือ อัตราการซึมของน้ำ (infiltration rate) H คือ ความสูงของน้ำจากระดับอ้างอิง คือ ความหนาแน่นของน้ำ, g คือ อัตราเร่งเนื่องจากแรงดึงดูดโลก Tx, Ty คือ ความเค้นเฉือน (Shear stresses) ใน ทิศทางแกน x และแกน y รูปที่ 2 แผนผังแบบจำลองน้ำฝน-น้ำท่า-น้ำหลาก (RRI) 3.3 การประเมินน้ำท่าด้วยแบบจำลอง RRI การศึกษานี้ใช้แบบจำลองการไหลแบบ 2 มิติ RRI ที่ มีความละเอียดเชิงพื้นที่เท่ากับ 1/120 Degree (ประมาณ 1 กม.) ประเมินปริมาณน้ำท่า โดยใช้ข้อมูลฝนดาวเทียม ที่คำนวณเป็นปริมาณฝนรวมในพื้นที่ลุ่มน้ำสาย บริเวณ ตลาดสายลมจอยที่ช่วงระยะเวลาข้อมูลทุก 1 ชั่วโมงของปี พ.ศ.2565 ใช้ข้อมูล Digital Elevation Model จาก ฐานข้อมูล HydroSHEDS ในการกำหนดระดับความสูง

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 144 ของพื้นที่ ทิศทางการไหล และการไหลสะสม ภายใน ขอบเขตของแบบจำลอง ดังแสดงในรูปที่ 3, 4 และ 5 ตามลำดับ นอกจากนี้การศึกษานี้ได้ทำการปรับค่าพารามิเตอร์ การซึมของน้ำลงดินตามการกระจายตัวของชนิดดินใน พื้นที่ศึกษาโดยอ้างอิงค่าที่แนะนำของผู้พัฒนาแบบจำลอง [13] ซึ่งดินในพื้นที่ศึกษามีลักษณะเป็นดินเหนียว จึงเลือกใช้ค่าชนิดดิน (Soil class) ดังแสดงในตารางที่ 3 จากนั้นทำการจำลองปริมาณน้ำท่าและน้ำท่วมด้วย แบบจำลองในพื้นที่ศึกษา ในส่วนของพารามิเตอร์อื่นๆ ของแบบจำลอง การศึกษานี้ใช้ค่าเริ่มต้น (Default) เนื่องจากในพื้นที่ไม่มีข้อมูลตรวจวัดให้เปรียบเทียบ และ การศึกษานี้เลือกใช้แบบจำลอง RRI เพื่อประโยชน์การใช้ ข้อมูลฝนตรวจวัดเชิงพื้นที่ GSMaP NOW สำหรับใช้เป็น แนวทางการเตือนภัยในพื้นที่เท่านั้น ตารางที่ 3 พารามิเตอร์ที่ใช้สำหรับพื้นที่ศึกษา ชนิดดิน Kv (m/s) gammaa Sf (m) ดินเหนียว 1.67E-07 0.475 0.3163 รูปที่ 3 ข้อมูลระดับความสูงในแบบจำลอง รูปที่ 4 ทิศทางการไหลในพื้นที่ลุ่มน้ำ รูปที่ 5 ปริมาณการไหลสะสมในลำน้ำ 4. ผลการศึกษา เพื่อบรรลุจุดประสงค์และตอบข้อสันนิษฐาน ของการศึกษานี้ ผลการศึกษาถูกแบ่งเป็นหัวข้อดังต่อไปนี้ 4.1 เหตุการณ์น้ำท่วมในพื้นที่ เนื่องจากข้อจำกัดด้านข้อมูลตรวจวัดในพื้นที่ ข้อมูลจากสถานี STN0029 ของระบบเตือนภัยเตือนภัย ล่วงหน้าน้ำหลาก-ดินถล่มจึงถูกนำมาใช้เป็นตัวแทน เหตุการณ์น้ำท่วมในพื้นที่ ซึ่งเดิมสถานีมีเกณฑ์เตือนภัย ระดับวิกฤตเท่ากับ 396.874 ม.รทก. แต่เนื่องจากตลาด สายลมจอยตั้งอยู่ในพื้นที่ที่ต่ำกว่าบริเวณสถานี จึง จำเป็นต้องนำข้อมูลระดับน้ำที่สถานี STN0029 มา เปรียบเทียบร่วมกับข้อมูลการเกิดน้ำท่วมจริงจากข่าวที่ รวบรวมได้ในพื้นที่ตลาดสายลมจอย พบว่า จะเกิด เหตุการณ์น้ำท่วมที่ตลาดสายลมจอย (ตารางที่ 2) เมื่อ ระดับน้ำที่สถานีSTN0029 เกินกว่า 396.4 ม.รทก. รูปที่6 เปรียบเทียบเกณฑ์เตือนภัยและเหตุการณ์น้ำท่วม ระหว่างวันที่วันที่ 1 พฤศจิกายน 2564 - 31 ธันวาคม 2565

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 145 4.2 ระยะเวลาการเกิดน้ำท่วมสูงสุด (Lag Time) ในการพัฒนาระบบเตือนภัย การทราบ ระยะเวลาที่ระดับน้ำเพิ่มขึ้นสูงสุดจากปริมาณฝนที่ตก สูงสุดและเหตุการณ์น้ำท่วมในพื้นที่เป็นสิ่งสำคัญ จากการ ประเมินปริมาณฝนที่ตกสูงสุดและระดับน้ำที่สถานี ตรวจวัดบ้านแม่สาย (STN0029) จากเหตุการณ์น้ำท่วมใน อดีต 5 เหตุการณ์ ได้แก่ เหตุการณ์ที่ 1 ระหว่างวันที่ 7-9 สิงหาคม พ.ศ.2565 มีฝนตกหนักอย่างต่อเนื่องบริเวณต้น น้ำของแม่น้ำสายทำให้ปริมาณน้ำเพิ่มสูงขึ้นและเกิด Lag time ที่ 17-29 ชั่วโมง เหตุการณ์ที่ 2 ระหว่างวันที่ 11- 13 สิงหาคม พ.ศ. 2565 เกิดฝนตกหนักบริเวณพื้นที่กลาง น้ำและท้ายน้ำของแม่น้ำสายเนื่องจากอิทธิพลจากพายุมู่ หลานทำให้เกิดน้ำท่วมสูงในหลายพื้นที่ของจังหวัด เชียงรายและเกิด Lag time ที่ 31 ชั่วโมง เหตุการณ์ที่ 3 ระหว่างวันที่ 4-6 กันยายน พ.ศ. 2565 เกิดฝนตกหนัก ต่อเนื่องบริเวณอำเภอแม่สายซึ่งเป็นบริเวณท้ายน้ำของ พื้นที่ศึกษารวมกับปริมาณฝนจากบริเวณกลางน้ำของ แม่น้ำสายทำให้ปริมาณน้ำเพิ่มสูงขึ้นและเกิด Lag time ที่ 30 ชั่วโมง เหตุการณ์ที่ 4 ระหว่างวันที่ 10-12 กันยายน พ.ศ.2565 เกิดฝนตกหนักอย่างต่อเนื่องบริเวณท้ายน้ำทำ ให้ปริมาณน้ำในลำน้ำสายเพิ่มสูงขึ้นจนเอ่อล้นเข้าท่วม พื้นที่ฝั่งอำเภอแม่สายและจังหวัดท่าขี้เหล็กในประเทศ เมียนมาอย่างรวดเร็วและเกิด Lag time ที่ 9 ชั่วโมง เหตุการณ์ที่ 5 ระหว่างวันที่ 7-8 ตุลาคม พ.ศ.2565 เกิด ฝนตกหนักในพื้นที่ชายแดนไทย-เมียนมา ทำให้ระดับน้ำ ในแม่น้ำสายเพิ่มขึ้นอย่างต่อเนื่องและไหลเข้าท่วมพื้นที่ ชุมชนริมแม่น้ำสายซึ่งเกิด Lag time ที่ 12 ชั่วโมง 4.3 การประเมินการไหลเบื้องต้นด้วยแบบจำลอง RRI เนื่องจากระยะเวลาการเกิดน้ำท่วมขึ้นอยู่กับ ลักษณะการกระจายตัวของฝนในพื้นที่ศึกษา ดังที่แสดงใน หัวข้อ 4.2 การศึกษานี้จึงประยุกต์แบบจำลอง RRI ในการ ประเมินลักษณะการไหล ที่สามารถใช้ประโยชน์จากการ กระจายตัวของข้อมูลฝน GSMaP NOW ในพื้นที่และ ระดับความสูงที่มีความแตกต่างกันในเชิงพื้นที่ ซึ่งผลการ จำลองอัตราการไหลบริเวณพื้นที่ตลาดสายลมจอยแสดง ให้เห็นชัดเจนว่าในทุกๆ เหตุการณ์ที่พิจารณาผลจาก แบบจำลองมีการตอบสนองต่อเหตุการณ์น้ำท่วมที่เกิดขึ้น จริง ดังรูปที่ 7 - รูปที่ 11 ซึ่งแสดงให้เห็นว่า (1) ฝน ดาวเทียม GSMaP NOW มีศักยภาพเพียงพอต่อการ ตรวจจับเหตุการณ์ฝนที่ก่อให้เกิดน้ำท่วมในพื้นที่ศึกษา และ (2) ความสามารถในการพัฒนาเป็นระบบเตือนภัยนำ ท่วมในพื้นที่ศึกษาได้ ถึงแม้ว่าแบบจำลองที่นำมาใช้ไม่ถูก ปรับเทียบอย่างละเอียดด้วยข้อมูลตรวจวัดในพื้นที่ รูปที่ 7 (ก) ปริมาณฝนสะสมจาก GSMaP NOW ระหว่างวันที่ 7-11 สิงหาคม พ.ศ.2565 รูปที่ 7 (ข) เปรียบเทียบปริมาณฝนสะสม ระดับน้ำ ตรวจวัดที่สถานี STN0029 และปริมาณน้ำท่าที่ประเมิน ได้จากแบบจำลอง ระหว่างวันที่ 7-11 สิงหาคม พ.ศ. 2565

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 146 รูปที่8 (ก) ปริมาณฝนสะสมจาก GSMaP NOW ระหว่างวันที่ 10-15 สิงหาคม พ.ศ.2565 รูปที่ 8 (ข) เปรียบเทียบปริมาณฝนสะสม ระดับน้ำ ตรวจวัดที่สถานี STN0029 และปริมาณน้ำท่าที่ประเมิน ได้จากแบบจำลอง ระหว่างวันที่ 10-15 สิงหาคม พ.ศ. 2565 รูปที่9 (ก) ปริมาณฝนสะสมจาก GSMaP NOW ระหว่างวันที่ 4-7 กันยายน พ.ศ.2565 รูปที่ 9 (ข) เปรียบเทียบปริมาณฝนสะสม ระดับน้ำ ตรวจวัดที่สถานี STN0029 และปริมาณน้ำท่าที่ประเมิน ได้จากแบบจำลอง ระหว่างวันที่ 4-7 กันยายน พ.ศ.2565 รูปที่ 10 (ก) ปริมาณฝนสะสมจาก GSMaP NOW ระหว่างวันที่ 10-13 กันยายน พ.ศ.2565 รูปที่ 10 (ข) เปรียบเทียบปริมาณฝนสะสม ระดับน้ำ ตรวจวัดที่สถานี STN0029 และปริมาณน้ำท่าที่ประเมิน ได้จากแบบจำลอง ระหว่างวันที่ 10-13 กันยายน พ.ศ. 2565

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 147 รูปที่ 11 (ก) ปริมาณฝนสะสมจาก GSMaP NOW ระหว่างวันที่ 7-8 ตุลาคม พ.ศ.2565 รูปที่ 11 (ข) เปรียบเทียบปริมาณฝนสะสม ระดับน้ำ ตรวจวัดที่สถานี STN0029 และปริมาณน้ำท่าที่ประเมิน ได้จากแบบจำลอง ระหว่างวันที่ 7-8 ตุลาคม พ.ศ.2565 5. สรุป การศึกษานี้ได้ศึกษาลักษณะพฤติกรรมการเกิด น้ำท่วมในพื้นที่ตลาดสายลมจอย โดยการใช้ข้อมูล ตรวจวัดระดับน้ำจากระบบเตือนภัยล่วงหน้าน้ำหลากดิน ถล่ม STN0029 ร่วมกับข้อมูลการเกิดน้ำท่วมในพื้นที่ ศึกษาจากแหล่งข่าวออนไลน์ที่เชื่อถือได้ ซึ่งผลการ เปรียบเทียบระดับน้ำที่สถานีเฝ้าระวังและเหตุการณ์น้ำ ท่วมในตลาดสายลมจอย พบว่า เกิดเหตุการณ์น้ำท่วมที่ ตลาดสายลมจอย เมื่อระดับน้ำที่สถานีเฝ้าระวังมีค่าเกิน กว่า 396.4 ม.รทก. นอกจากนี้ได้ประเมินระยะการเกิดน้ำ ท่วม (Lag Time) โดยการเปรียบเทียบปริมาณฝนที่ตกใน ลุ่มน้ำจาก GSMaP NOW และระดับน้ำที่สถานีเฝ้าระวัง STN0029 ในเหตุการณ์น้ำท่วมที่เกิดขึ้นจำนวน 5 เหตุการณ์ในปี พ.ศ. 2565 พบว่า ระยะการเกิดน้ำท่วมอยู่ ในช่วง 9-31 ชั่วโมง ขึ้นอยู่กับการกระจายตัวของฝนที่ตก ในลุ่มน้ำ และเพื่อที่จะทดสอบความเป็นไปได้ในการใช้ ข้อมูลฝนดาวเทียม GSMaP NOW เพื่อเตือนภัยน้ำท่วม สำหรับพื้นที่ตลาดสายลมจอย โดยการประยุกต์ใช้ แบบจำลอง RRI ในการประเมินการเกิดน้ำท่าในพื้นที่ลุ่ม น้ำ ด้วยข้อมูลลักษณะทางกายภาพจากฐานข้อมูล HydroSHEDS ซึ่งปริมาณน้ำท่าที่ประเมินได้จาก แบบจำลองมีการตอบสนองต่อเหตุการณ์น้ำท่วมที่เกิดขึ้น ที่ตลาดสายลมจอยแสดงให้เห็นว่าข้อมูลฝนดาวเทียม มีศักยภาพเพียงพอในการนำไปใช้พัฒนาเป็นระบบเตือน ภัยน้ำท่วมในพื้นที่ศึกษาได้ ในการศึกษาต่อไป จำเป็นต้องมีการรวบรวม เหตุการณ์ ข้อมูลตรวจวัดในพื้นที่ และปรับเทียบหรือ ปรับแก้แบบจำลองเพิ่มเติม เช่น การประเมินหน้าตัดทาง น้ำจากข้อมูลดาวเทียม การปรับเทียบค่าสัมประสิทธิ์การ ไหล เป็นต้น 6. กิตติกรรมประกาศ ขอขอบคุณกรมทรัพยากรน้ำที่สนับสนุนข้อมูล ทางอุทกวิทยาสำหรับการศึกษาในครั้งนี้ เอกสารอ้างอิง [1] สำนักวิจัย พัฒนาและอุทกวิทยา กรมทรัพยากรน้ำ. 2558. ระบบปฏิบัติการเฝ้าระวัง และเตือนภัย ล ่ ว ง ห น ้ า น ้ ำ ห ล า ก-ด ิ น ถ ล ่ ม . ส ื บ ค ้ น จ า ก http://ews1.dwr.go.th/ews/stn_map.php?ons tn=STN0029. [2] Okamoto K.i., Iguchi T., Takahashi N., Iwanami K. and Ushio T. (2005). The Global Satellite Mapping of Precipitation (GSMaP) project, 25th IGARSS Proceedings, July 29, Seoul, Korea (South). [3] Japan Aerospace Exploration Agency (JAXA). (2021). Data Format Description for Global Rainfall Map Realtime version (GSMaP_NOW)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 148 and Gauge-calibrated Rainfall Product (GSMaP_Gauge_NOW). December 1. [4] Lehner, B., Verdin, K., Jarvis, A. (2008). New globalhydrography derived from spaceborne elevation data. Eos, Transactions, American Geophysical Union, 89(10): 93–94. DOI:10.1029/2008eo100001 [5] สยามรัฐ. 2565. น้ำสายเอ่อไหลเข้าท่วมที่ลุ่ม และ เกิดน้ำขังรอการระบายท่วมโรงเรียนอนุบาล. ข่าวทั่ว ไ ท ย. ส ื บ ค ้ น จ า ก https://siamrath.co.th/n /371847, 19 พฤศจิกายน 2565. [6] สำนักข่าวไทย. 2565. น้ำท่วมแม่สายหนักสุดใน 20 ปีที่ตลาดสายลมจอยและมีปริมาณน้ำสูงกว่า 1 เมตร. ข่าวทั่วไทย. สืบค้นจาก https://tna.mcot.net /region-997103, 19 พฤศจิกายน 2565. [7] ฐานเศรษฐกิจ. 2565. แม่สายระทม ไม่ถึง2เดือนท่วม แล้ว3รอบ. ฐานเศรษฐกิจทั่วไป. สืบค้นจาก https://www.thansettakij.com/economy/gen eral-economy/539974, 19 พฤศจิกายน 2565. [8] เดลินิวส์. 2565. แม่น้ำสายวิกฤติ! ฝนถล่ม น้ำเอ่อล้น ตลิ่งท่วมตลาดสายลมจอยและชุมชน. ทั่วไทย. สืบค้น จาก https://www.dailynews.co.th/news/ 1457531, 20 พฤศจิกายน 2565. [9] สยามรัฐ. 2565. อ่วม!!น้ำป่าไหลเข้าท่วมย่านการค้า ชายแดนไทย-เมียนมาริมฝั่งแม่น้ำสายสูงกว่า 50 ซม. ข่าวทั่วไทย. สืบค้นจาก https://siamrath.co.th/n/ 389302, 20 พฤศจิกายน 2565. [10]Bhagabati S.S., Kawasaki A. (2017). Consideration of the rainfall-runoffinundation (RRI) model for flood mapping in a deltaic area of Myanmar. Hydrological Research Letters 11(3), 155-160. DOI: 10.3178/hrl.11.155 [11]ชิดสุมน ศศิรัตน์, อนุรักษ์ ศรีอริยวัฒน์, บุญโฮม กิมมณี. (2022). การจำลองแผนที่น้ำท่วมในพื้นที่ลุ่ม น้ำเจ้าพระยา ด้วยแบบจำลองน้ำฝน-น้ำท่า-น้ำหลาก (RRI model) ที่คาบการเกิดซ้ำต่างกันของลุ่มน้ำ, การประชุมวิชาการวิศวกรรมโยธาแห่งชาติ ครั้งที่ 27, 24-26 สิงหาคม, เชียงราย [12] ภัทรพล มณีแดง, อดิชัย พรพรหมินทร์, ดนย์ปภพ มะณี (2020). การประยุกต์ใช้แบบจำลองการไหล 2 ม ิ ต ิ Rainfall-Runoff-Inundation (RRI) ใ น ก า ร พยากรณ์น้ำท่าและน้ำท่วม กรณีศึกษาพื้นที่วัง ต ะ ไ ค ร้, ก า ร ป ร ะ ช ุ ม ว ิ ช า ก า ร ข อ ง มหาวิทยาลัยเกษตรศาสตร์ ครั้งที่ 58, 5-7 กุมภาพันธ์, กรุงเทพฯ [13]Sayama T., Ozawa G., Kawakami T., Nabesaka S. and Fukami K. (2012). Rainfall–runoff– inundation analysis of the 2010 Pakistan flood in the Kabul River basin. Hydrological Sciences Journal, 57(2), 298-312. DOI: 10.1080/02626667.2011.644245 [14]Sayama T. (2017). Rainfall-Runoff-Inundation (RRI) Model. International Center for Water Hazard and Risk Management (ICHARM) Public Works Research Institute (PWRI) Disaster Prevention.