proceeding-ncwre9

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 149 วิศวกรรมชายฝั่ง Coastal Engineering การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติ ครั้งที่ 9 The 9th National Convention on Water Resources Engineering เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม Empowering Water Management through Emerging Technology and Digital Social Engagement

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 150 การศึกษาการเปลี่ยนแปลงลักษณะกระแสน้ำและการไหลเวียนจากเหตุการณ์สึนามิพ.ศ. 2547 ด้วยแบบจำลองเชิงตัวเลขและความสัมพันธ์กับการเปลี่ยนแปลงเส้นชายฝั่ง บริเวณเขาหลัก จังหวัดพังงา Investigation of Changes of Current and Circulation from Tsunami 2004 Event Using Numerical Simulation and relationship with shoreline change at Khao Lak , Phang-Nga Province ธนวัฒน์ ชมสาคร * , ธนัสพงษ์ โภควนิช ภาควิชาวิทยาศาสตร์ทางทะเล, คณะประมง, มหาวิทยาลัยเกษตรศาสตร์, จังหวัดกรุงเทพมหานคร, ประเทศไทย *[email protected] บทคัดย่อ ในปีพ.ศ. 2547 ได้เกิดเหตุการณ์สึนามิในมหาสมุทรอินเดียซึ่งส่งผลกระทบอย่างมากต่อพื้นที่ชายฝั่งภาคใต้ฝั่ง ตะวันตกของประเทศไทย พื้นที่เขาหลัก จังหวัดพังงาเป็นหนึ่งในพื้นที่รับผลกระทบจากเหตุการณ์ในครั้งนั้น เหตุการณ์สึนามิ ทำให้เกิดการเคลื่อนที่ของตะกอนอย่างฉับพลันส่งผลให้เกิดการเปลี่ยนแปลงอย่างรวดเร็วของสัณฐานชายฝั่ง เช่น ความลึกน้ำ ตำแหน่งเส้นชายฝั่ง ฯลฯ ซึ่งอาจเป็นสาเหตุหลักของการเปลี่ยนแปลงของกระบวนการชายฝั่ง การศึกษานี้ใช้แบบจำลองอุทก พลศาสตร์ เพื่อศึกษาลักษณะของกระแสน้ำชายฝั่งตามฤดูมรสุมก่อนและหลังจากการเปลี่ยนแปลงสัณฐานชายฝั่ง โดยใช้ผล ตรวจวัดภาคสนามในช่วงเปลี่ยนฤดูมรสุมจากฤดูมรสุมตะวันออกเฉียงเหนือสู่ฤดูมรสุมตะวันตกเฉียงใต้ ฤดูมรสุมตะวันตกเฉียง ใต้และฤดูมรสุมตะวันออกเฉียงเหนือ และแบบจำลองอุทกพลศาสตร์ ผลของการศึกษาพบว่าลักษณะสัณฐานชายฝั่งมีความลึก ของพื้นทะเลบริเวณใกล้ชายฝั่งตื้นขึ้นในทางตอนเหนือของพื้นที่ศึกษาใกล้แหลมปะการัง และพื้นทะเลตามแนวชายฝั่งทางตอน ใต้ของพื้นที่ศึกษามีความลึกที่เพิ่มขึ้น ส่งผลต่อความชันของชายหาด ซึ่งส่งผลให้กระแสน้ำมีการเปลี่ยนแปลงไปและแตกต่าง กันในแต่ละพื้นที่ จากผลของแบบจำลองแสดงให้เห็นถึงลักษณะของกระแสน้ำมีความเร็วเพิ่มขึ้นสูงสุดในช่วงเปลี่ยนฤดูมรสุม ครั้งที่ 1 โดยกระแสน้ำทิศทางเหนือใต้มีการเปลี่ยนแปลงมากกว่า 100 % และกระแสน้ำทิศทางตะวันออกตะวันตกมีค่าอยู่ที่ 38 % เมื่อเทียบกับก่อนเหตุการณ์สึนามิโดยเฉพาะในช่วงน้ำตาย การเปลี่ยนแปลงของกระบวนการชายฝั่งนี้สอดคล้องกับการ เปลี่ยนแปลงของเส้นชายฝั่งซึ่งพบว่ามีการกัดเซาะและทับถมระหว่างก่อนและหลังเหตุการณ์สึนามิ คำสำคัญ: การเปลี่ยนแปลงความลึก, แบบจำลองอุทกพลศาสตร์, สึนามิ, กระแสน้ำจากลม, กระแสน้ำจากน้ำขึ้นน้ำลง Abstract In 2004, an Indian Ocean tsunami had a significant impact on the southwestern coast of Thailand, particularly the Khao Lak area in Phang Nga Province. Tsunami events can lead to abrupt sediment displacement, resulting in rapid alterations in coastal features, such as water depth and shoreline position. This study employed field observed and hydrodynamic modeling datato investigate the variations in coastal currents resulting from changes in coastal morphology. Data collection occurred during the transition from the northeastern monsoon season to the southwest monsoon season, southwest monsoon season and northeastern monsoon season. The research findings revealed that the coastal morphology exhibited a

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 151 shallower seafloor depth near the northern part of the study area, particularly around Laem Pakarang, while the seafloor depth increased along the southern coast. Consequently, the beach slope was altered causing change in flow velocity field. The model's results indicated that tide characteristics became more intense and turbulent . The peak acceleration in speed was observed during the initial shift of the monsoon season. The north-south current exhibited a surge exceeding 100%, while the east-west current demonstrated a notable increase of 38%. in post-tsunami condition, especially during Neap tides. These changes in coastal processes corresponded to alterations in the coastline, with evidence of erosion and deposition both before and after the tsunami event. Keywords: Bathymetry, Hydrodynamic model, Tsunami, Wind driven current, Tidal driven current

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 152 1. คำนำ ในวันที่ 26 ธันวาคม 2547 ได้เกิดเหตุการณ์ แผ่นดินไหวบริเวณเกาะสุมาตราขนาด 9.3 ริกเตอร์ตาม แนวเขตมุดตัวเปลือกโลกซุนดา ศูนย์กลางแผ่นดินไหวอยู่ ทางทิศตะวันตกของประเทศอินโดนีเซีย ก่อให้เกิดคลื่น ยักษ์สึนามิเคลื่อนตัวเข้าสร้างความเสียหายแก่พื้นที่ชายฝั่ง ในวงกว้างตามแนวมหาสมุทรอินเดียประเทศอินโดนีเซีย ไทย มาเลเซีย เมียนมาร์ อินเดีย มัลดีฟ และกลุ่มประเทศ แถบแอฟริกาตะวันออก จากเหตุการณ์ในครั้งนั้นประเทศ ไทยได้รับผลกระทบบริเวณภาคใต้ฝั่งตะวันตก ได้แก่ จังหวัดระนอง พังงา ภูเก็ต กระบี่ ตรัง และสตูล เหตุการณ์สึนามิทำให้เกิดการเปลี่ยนแปลงอย่างรวดเร็ว ของสัณฐานชายฝั่งและความลึกของพื้นที่หน้าหาดทราย [1] บริเวณเขาหลัก มีการเคลื่อนที่ของตะกอนชายฝั่งทะเล อย่างรวดเร็ว ฉับพลันและปริมาณมาก ส่งผลให้เส้นชายฝั่ง มีการเปลี่ยนแปลงรูปร่างที่ต่างออกไปจากเดิมก่อน เหตุการณ์สึนามิและพื้นทะเลบริเวณใกล้ชายฝั่งมีการ เปลี่ยนแปลงไปทำให้เกิดการเปลี่ยนแปลงสัณฐานของ ชายฝั่งในทันที[2] จากการศึกษาที่ผ่านมามีการสำรวจ ผลกระทบภายหลังจากเหตุการณ์สึนามิ ยังพบการ เปลี่ยนแปลงชายฝั่งอย่างต่อเนื่องแบบค่อยเป็นค่อยไป ตลอดมา[3] ส่งผลให้เป็นการเปลี่ยนแปลงของเส้นชายฝั่ง ในรูปแบบที่แตกต่างกับรูปแบบก่อนเหตุการณ์ โดยการ เปลี่ยนแปลงเกิดขึ้นอย่างต่อเนื่องภายหลังจากเหตุการณ์ ผ่านมาจนถึงปัจจุบันส่งผลกระทบต่อการใช้ประโยชน์ใน พื้นที่บริเวณชายฝั่งและการทำกิจกรรชายฝั่ง [4] ในการศึกษานี้ให้ความสนใจในพื้นที่เขาหลัก อำเภอ ตะกั่วป่า จังหวัดพังงา (รูปที่ 1) เนื่องจากเป็นพื้นที่ที่มีการ ใช้ประโยชน์และทำกิจกรรมบริเวณชายฝั่งและเป็นแหล่ง เศรษฐกิจสำคัญแห่งหนึ่งของภาคใต้[5] ในการศึกษานี้ จัดทำเพื่ออธิบายผลของการเปลี่ยนแปลงของชายฝั่ง ความชันชายหาด ความลึกน้ำ จากเหตุการณ์สึนามิต่อ กระบวนการกระแสน้ำชายฝั่งซึ่งมีอิทธิพลแตกต่างกันใน แต่ละฤดูมรสุม รูปที่ 1 พื้นที่เขาหลัก อำเภอตะกั่วป่า จังหวัดพังงา และ จุดสำรวจข้อมูลภาคสนาม พิกัด 8.685446, 98.232266 แหลมปะการัง

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 153 2. วิธีการศึกษา การศึกษานี้เป็นการศึกษาเปรียบเทียบช่วงก่อน เหตุการณ์สึนามิและหลังเหตุการณ์สินามิโดยใช้ แบบจำลองเชิงตัวเลข Delft3D-FLOW [6] เพื่อจำลอง ลักษณะอุทกพลศาสตร์ ประกอบด้วยระดับน้ำและ ความเร็วกระแสน้ำ โดยใช้ข้อมูลความลึก ก่อนวันที่ 26 ธันวาคม พ.ศ. 2547 เป็นข้อมูลก่อนเหตุการณ์สึนามิและ ข้อมูลหลังวันที่ 26 ธันวาคม พ.ศ. 2547 เป็นข้อมูลหลัง เหตุการณ์สึนามิ โดยมีการใช้ข้อมูลลมแบบ Reanalysis data จาก ECMWF-ERA 5 [7] ซึ่งเป็นข้อมูลรายชั่วโมง ระหว่างวันที่ 1 มกราคม พ.ศ. 2565 ถึง วันที่ 31 มกราคม พ.ศ. 2566, ข้อมูลความลึกน้ำ, เส้นชายฝั่งจากแผนที่ เดินเรือ กรมอุทกศาสตร์กองทัพเรือ ระวางแผนที่ หมายเลข 307 และ 353 รายงานผลการสำรวจเส้นชายฝั่ง จ า ก Deltares [8] น ้ ำ ข ึ ้ น น ้ำ ลงจาก Tide Model Driver[9] ข้อมูล Timeseries รายชั่วโมงระหว่างวันที่ 1 มกราคม พ.ศ. 2565 ถึง วันที่ 31 มกราคม พ.ศ. 2566 เป็นข้อมูลนำเข้าแบบจำลอง และทำการเก็บข้อมูล ภ า ค ส น ามช่ ว งเ ปลี ่ย นฤ ดู มรสุ มจา กฤดูมรสุม ตะวันออกเฉียงเหนือสู่ฤดูมรสุมตะวันตกเฉียงใต้หรือช่วง เปลี่ยนฤดูมรสุมครั้งที่ 1 ในเดือนเมษายน พ.ศ.2565 ช่วง ลมมรสุมตะวันตกเฉียงใต้ในเดือนสิงหาคม พ.ศ.2565 และ ช่วงลมมรสุมตะวันออกเฉียงเหนือในเดือนมกราคม พ.ศ.2566 ซึ่งเป็นตัวแทนช่วงของรูปแบบกระแสน้ำในแต่ ละช่วงฤดูของปีเพื่อนำมาปรับเทียบและตรวจสอบความ ถูกต้องของแบบจำลองรายละเอียดดังแสดงในหัวข้อ ต่อไปนี้ 2.1 การสำรวจภาคสนาม ทำการสำรวจพื้นที่ศึกษาเขาหลัก จังหวัดพังงาตั้งแต่ บริเวณแหลมปะการังทางทิศเหนือ ถึง บริเวณอุทยาน แห่งชาติเขาหลัก-ลำรู่ทางทิศใต้ ระยะทางประมาณ 13 กิโลเมตร ในช่วงเปลี่ยนฤดูมรสุม ฤดูมรสุมตะวันตกเฉียง ใต้ และฤดูมรสุมตะวันออกเฉียงเหนือ ติดตั้งเครื่องมือ ตรวจวัดระดับน้ำ กระแสน้ำราย 30 นาทีพร้อมบันทึก พิกัดด้วยเครื่องมือ Water Level Dataloggers รุ่น Solinst level logger 5 และElectromagnetic current meter รุ่น INFINITY-EM จาก JFE-Advantech ทำการ เก็บข้อมูลภาคสนามทั้งหมด 3 ครั้ง ครั้งที่ 1.ช่วงเปลี่ยน ฤดูมรสุม ในเดือนเมษายน พ.ศ.2565 ระยะเวลาเก็บ ข้อมูล 4 วัน ตั้งแต่วันที่ 5 – 8 เมษายน พ.ศ.2565 2.ช่วง ฤดูมรสุมตะวันตกเฉียงใต้ ในเดือนสิงหาคม พ.ศ.2565 ระยะเวลาเก็บข้อมูล 2 วัน ตั้งแต่วันที่ 16 – 17 สิงหาคม พ.ศ.2565 และครั้งที่ 3. ช่วงฤดูมรสุมตะออกเฉียงเหนือ ในเดือนมกราคม พ.ศ. 2566 ระยะเวลาเก็บข้อมูล 3 วัน ตั้งแต่วันที่ 21 – 23 มกราคม พ.ศ.2566 [10] ทำการ ติดตั้งเครื่องมือตรวจวัดและเก็บข้อมูลด้วยความต่อเนื่อง รายชั่วโมง [11] ที่ตำแหน่งใกล้ชายฝั่งพิกัด 8°41'47.50"N 98°13'50.30"E มีความลึกเฉลี่ย 4 เมตร และที่ตำแหน่ง นอกชายฝั่ง8°41'6.00"N 98°12'53.00"E มีความลึกเฉลี่ย 13 เมตร ทำการติดตั้งเครื่องมือตรวจวัดกระแสน้ำครั้งที่ 1 ในช่วงเปลี่ยนฤดูมรสุมที่ตำแหน่งใกล้ชายฝั่งความลึกเฉลี่ย 4 เมตร และทำการการติดตั้งเครื่องมือตรวจวัดกระแสน้ำ ครั้งที่ 2 และ 3 ที่ตำแหน่งนอกชายฝั่งความลึกเฉลี่ย 13 เมตร และสำรวจวัดความลึกพื้นทะเลและเก็บข้อมูลด้วย Echo Sounder ของ Lowrance 2.2 แบบจำลองอุกพลศาสตร์ (Hydrodynamic Model) ใช้แบบจำลอง Delft3D-FLOW ในการจำลอง กระแสน้ำในพื้นที่ศึกษาบริเวณเขาหลัก จังหวัดพังงา ทำ การสร้างแบบจำลองด้วยการระบุพิกัดและสร้างกริดเพื่อ กำหนดขอบเขตพื้นที่การทำงานของแบบจำลอง โดย หลักการทำงานของ Delft3D-FLOW มีพื้นฐานการ คำนวนโดยใช้ชุดสมการอนุรักษ์โมเมนตัมและอนุรักษ์มวล ในขั้นตอนแรกของการทำแบบจำลอง เนื่องจากพื้นที่ ศึกษาเขาหลักมีขนาดเล็ก จึงจำเป็นต้องสร้างกริดขนาด ใหญ่ (Overall model) ขนาด 45 ตารางกิโลเมตร ครอบ คุลมพื้นที่บางส่วนของจังหวัดระนอง ถึงจังหวัดภูเก็ต สำหรับสร้างกริดในแบบจำลองพื้นที่ศึกษาเขาหลัก (Nested model) ขนาด 0.004 ตารางกิโลเมตร เพื่อ ให้ผลที่ได้จากแบบจำลองมีความละเอียดและใกล้เคียงกับ พื้นที่ศึกษามากขึ้น (รูปที่ 2) ทำการตั้งค่าแบบจำลองโดย ใส่ข้อมูลทุติยภูมิช่วงเวลาที่ต้องการข้อมูลจากแบบจำลอง

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 154 รูปที่ 2 A กริดครอบคลุมพื้นที่ศึกษา (Overall) และ B กริดสำหรับจำลองพื้นที่ศึกษา (Nested) และนำเข้าข้อมูลตัวแปรในการสร้างแบบจำลอง การศึกษานี้พิจารณาการเปลี่ยนแปลงของกระบวนการ กระแสน้ำบริเวณชายฝั่งแบ่งเป็นกรณีศึกษาสัณฐานชายฝั่ง ก่อนเหตุการณ์สึนามิและภายหลังเหตุการณ์สึนามิ โดย ศึกษาในช่วงฤดูมรสุมตะวันตกเฉียงใต้และฤดูมรสุม ตะวันออกเฉียงเหนือโดยทำการจัดเตรียมแบบจำลองตาม ตารางที่ 1 ตารางที่ 1 การตั้งค่าแบบจำลอง Overall model และ Nested model Parameter Overall model Nested model Number of grids 36,692 274,293 Simulation time April 2022 / August 2022 / October 2022 / January 2023 Time step 2 Minute 1 Minute Bottom roughness (chezy) 55 / 65 / 75 m1/2/s Wind drag coefficient 0.00723 / 0.02 / 0.04 Forcing type Time series 3. ผลการศึกษา 3.1 การวิเคราะห์ข้อมูลลม การวิเคราะห์ข้อมูลลมจาก ECMWF-ERA-5 ในพื้นที่ ศึกษาเขาหลักสามารถแบ่งออกเป็น 4 ฤดูมรสุมได้แก่ ช่วง เปลี่ยนฤดูมรสุมครั้งที่ 1 ฤดูมรสุมตะวันตกเฉียงใต้ ช่วง เ ป ล ี ่ ย น ฤ ด ู ม ร ส ุ ม ค ร ั ้ ง ท ี ่ 2 แ ล ะ ฤ ด ู ม ร สุ ม ตะวันออกเฉียงเหนือ ผลจากข้อมูลลมแสดงให้เห็นถึง ทิศทางและความเร็ว ในช่วงเปลี่ยนฤดูมรสุมครั้งที่ 1 ทิศทางลมเฉลี่ยพัดมาจากทิศทางตะวันออกเฉียงเหนือ ความเร็วเฉลี่ย 2.1 เมตรต่อวินาที ในช่วงฤดูมรสุม ตะวันตกเฉียงใต้ทิศทางลมเฉลี่ยพัดมาจากทิศทาง ตะวันตกเฉียงใต้ ความเร็วเฉลี่ย 4 เมตรต่อวินาทีในช่วง เปลี่ยนฤดูมรสุมครั้งที่ 2 ทิศทางลมเฉลี่ยพัดมาจากทิศทาง ตะวันตกเฉียงเหนือและตะวันตกเฉียงใต้ ความเร็วเฉลี่ย 2.6 เ ม ต ร ต ่ อ ว ิ น า ท ี แ ล ะ ใ น ช ่ ว ง ฤ ด ู ม ร สุ ม ตะวันออกเฉียงเหนือ ทิศทางลมเฉลี่ยพัดมาจากทิศทาง ตะวันออกเฉียงเหนือ ความเร็วเฉลี่ย 3.3 เมตรต่อวินาที 3.2 ผลการสำรวจภาคสนาม ระดับน้ำ ความเร็วกระแสน้ำ ระดับน้ำ และความเร็วกระแสน้ำช่วงเปลี่ยนฤดูมรสุม ครั้งที่1 ในเดือนเมษายน พ.ศ.2565 ระดับน้ำมีการขึ้นลง แบบน้ำคู่[12] ความเร็วกระแสน้ำประมาณ 17 เซนติเมตร ต่อวินาที ทิศทางการไหลลงทางทิศใต้ ทิศทางกระแสน้ำ ไม่มีความสัมพันธ์กับอิทธิพลของน้ำขึ้นน้ำลง (รูปที่ 4) ช่วง ฤดูมรสุมตะวันตกเฉียงใต้ในเดือนสิงหาคม พ.ศ.2565 ระดับน้ำมีการขึ้นลงแบบน้ำคู่ ความเร็วกระแสน้ำ ประมาณ 9.6 เซนติเมตรต่อวินาที ทิศทางการไหลสลับกัน ในช่วงน้ำขึ้นและน้ำลง ไหลไปทางทิศตะวันออกเฉียงเหนือ ในช่วงน้ำขึ้นและไหลไปทางทิศตะวันตกเฉียงใต้ในช่วงน้ำ ลงทิศทางกระแสน้ำมีความสัมพันธ์กับอิทธิพลของน้ำขึ้น น ้ ำ ล ง (ร ู ป ที่5) ร ะ ด ั บ น ้ ำ แ ล ะ ช ่ ว ง ฤ ด ู ม ร สุม ตะวันออกเฉียงเหนือในเดือนมกราคม พ.ศ.2566 ระดับ น้ำมีการขึ้นลงแบบน้ำคู่ ความเร็วกระแสน้ำประมาณ 6.9 เซนติเมตรต่อวินาทีทิศทางการไหลสลับกันในช่วงน้ำขึ้น และน้ำลง ไหลไปทางทิศตะวันออกเฉียงเหนือในช่วงน้ำ ขึ้นและไหลไปทางทิศตะวันตกเฉียงใต้ในช่วงน้ำลง ทิศทาง กระแสน้ำมีความสัมพันธ์กับอิทธิพลของน้ำขึ้นน้ำลง (รูปที่ 6) A B

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 155 รูปที่3 Windrose จากการวิเคราะห์ ECMWF-ERA-5 A ข้อมูลลมในช่วงเปลี่ยนฤดูมรสุมครั้งที่ 1 B ข้อมูลลม ในช่วงฤดูมรสุมตะวันตกเฉียงใต้ C ข้อมูลลมในช่วงเปลี่ยน ฤดูมรสุมครั้งที่ 2 และ D ข้อมูลลมช่วงฤดูมรสุม ตะวันออกเฉียงเหนือ รูปที่4 ข้อมูลระดับน้ำ ทิศทางและความเร็วกระแสน้ำ จุดตรวจวัด 4 เมตร ช่วงเปลี่ยนฤดูมรสุมครั้งที่ 1 รูปที่5 ข้อมูลระดับน้ำ ทิศทางและความเร็วกระแสน้ำ จุดตรวจวัด 13 เมตร ช่วงฤดูมรสุมตะวันตกเฉียงใต้ รูปที่ 6 ข้อมูลระดับน้ำ ทิศทางและความเร็วกระแสน้ำที่ จุดตรวจวัด 13 เมตร ช่วงฤดูมรสุมตะวันออกเฉียงเหนือ Water level (m) Flow velocity (cm/s) Water level (m) Flow velocity (cm/s) Water level (m) Flow velocity (cm/s)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 156 3.3 ผลการปรับเทียบและตรวจสอบความถูกต้องของ แบบจำลอง นำข้อมูลจากแบบจำลองมาปรับเทียบว่าแบบจำลอง สามารถจำลองได้เสมือนจริงหรือไม่และตรวจสอบความ ถูกต้องของข้อมูลกับข้อมูลตรวจวัดภาคสนาม ทำการ ปรับเทียบค่าสัมประสิทธิ์ 2 ค่าได้แก่ค่าสัมประสิทธิ์ความ หยาบของพื้นทะเล (Chezy) ที่ 55, 65 และ 75 m1/2/s [13] และค่าสัมประสิทธิ์ของลมต่อกระแสน้ำ(Wind drag coefficient) ที่ 0.00723, 0.02 และ 0.04 m/s โดยค่า สัมประสิทธิ์ความหยาบพื้นทะเลที่ 65 (รูปที่ 7) และค่า สัมประสิทธิ์ของลมต่อกระแสน้ำที่ 0.04 (รูปที่ 8) ให้ผล ของแบบจำลองที่มีค่าความคลาดเคลื่อนน้อยที่สุด โดยค่า RMSE ระหว่างระดับน้ำและความเร็วกระแสน้ำตรวจวัด และแบบจำลองดังแสดงในรูป รูปที่ 7 ผลการปรับเทียบข้อมูลระดับน้ำด้วย Bottom roughness และ Wind drag coefficient รูปที่ 8 ผลการปรับเทียบข้อมูลความเร็วกระแสน้ำด้วย Bottom roughness และ Wind drag coefficient 3.4 ลักษณะน้ำขึ้นน้ำลงและกระแสน้ำ จากแบบจำลองให้ผลของระดับน้ำขึ้นน้ำลงได้ตามผล การตรวจวัดโดยมีลักษณะการขึ้นลงแบบน้ำคู่ มีพิสัยของ น้ำขึ้นน้ำลงในช่วงน้ำเกิด (Spring tide) ประมาณ 2 เมตร มากกว่าช่วงน้ำตาย (Neap tide) ที่มีค่าพิสัยน้ำประมาณ 1 เมตร ในฤดูมรสุมตะวันตกเฉียงใต้กระแสน้ำมีทิศ ทางการไหลไปทางทิศเหนือและตะวันออกเฉียงเหนือใน ช่วงเวลาน้ำขึ้นและไหลไปทางทิศใต้และตะวันตกเฉียงใต้ ในช่วงน้ำลง (รูปที่ 9 ) ช่วงน้ำเกิดความเร็วกระแสน้ำนอก ชายฝั่งสูงสุด 0.17 เมตรต่อวินาทีและช่วงน้ำตายความเร็ว กระแสน้ำนอกชายฝั่งสูงสุด 0.05 เมตรต่อวินาที และใน ฤดูมรสุมตะวันออกเฉียงเหนือ กระแสน้ำมีทิศทางการไหล เข้าหาชายฝั่งทางทิศตะวันออกในช่วงน้ำขึ้นและไหลไป ทางทิศใต้ในช่วงน้ำลง (รูปที่ 10 ) ช่วงน้ำเกิดกระแสน้ำจะ ไหลแรงกว่าช่วงน้ำตายอย่างชัดเจน ช่วงน้ำเกิดความเร็ว กระแสน้ำนอกชายฝั่งสูงสุด 0.19 เมตรต่อวินาทีและช่วง น้ำตายความเร็วกระแสน้ำนอกชายฝั่งสูงสุด 0.06 เมตรต่อ วินาที

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 157 รูปที่ 9 ลักษณะน้ำขึ้นน้ำลงและกระแสน้ำในฤดูมรสุม ตะวันตกเฉียงใต้เดือนสิงหาคม พ.ศ.2565 รูปที่ 10 ลักษณะน้ำขึ้นน้ำลงและกระแสน้ำในฤดูมรสุม ตะวันออกเฉียงเหนือ เดือนมกราคม พ.ศ.2566 3.4 ลักษณะกระแสน้ำเฉลี่ยนรายเดือนหรือการไหลเวียน ตามฤดูมรสุม ลักษณะและทิศทางการไหลของน้ำในช่วงเปลี่ยนฤดู มรสุมครั้งที่ 1 ช่วงฤดูมรสุมตะวันตกเฉียงใต้ ช่วงเปลี่ยน ฤดูมรสุมครั้งที่ 2 และช่วงฤดูมรสุมตะวันออกเฉียงเหนือ โดยในช่วงเปลี่ยนฤดูมรสุมครั้งที่ 1 ทิศทางการไหลของน้ำ เฉลี่ยในพื้นที่ศึกษามีทิศทางไปทางทิศใต้ ความเร็ว กระแสน้ำสูงสุด 0.18 เมตรต่อวินาทีในช่วงฤดูมรสุม ตะวันตกเฉียงใต้ทิศทางการไหลของน้ำในบริเวณใกล้ ชายฝั่งมีทิศทางขึ้นไปทางทิศเหนือและกระแสน้ำบริเวณ นอกชายฝั่งมีทิศทางการไหลไปทางทิศใต้ และพบน้ำวน บริเวณกึ่งกลางพื้นที่ศึกษาและมีความเร็วกระแสน้ำสูงสุด 0.17 เมตรต่อวินาทีในช่วงเปลี่ยนฤดูมรสุมครั้งที่ 2 การ ไหลของน้ำนอกชายฝั่งบริเวณด้านทิศเหนือของพื้นที่ ศึกษามีทิศทางการไหลลงไปยังทิศใต้ และเกิดน้ำวน บริเวณทางด้านล่างของแหลมปะการัง การไหลของน้ำ บริเวณใกล้ชายฝั่งมีความเร็วน้อยกว่านอกชายฝั่ง และมี ความเร็วสูงสุดที่ 0.15 เมตรต่อวินาที และในช่วงฤดูมรสุม ตะวันออกเฉียงเหนือ การไหลของน้ำไปทางทิศใต้และเกิด น้ำวนบริเวณทางตอนเหนือของพื้นที่ศึกษา ความเร็ว กระแสน้ำสูงสุด 0.19 เมตรต่อวินาที (รูปที่ 11) 3.5 การเปลี่ยนแปลงสัณฐานชายฝั่งจากเหตุการณ์สึนามิ ผลเปรียบเทียบความลึกพื้นทะเลก่อนและหลัง เหตุการณ์สึนามิ ในพื้นที่ศึกษาพบว่าความลึกมีการ เปลี่ยนแปลงไป โดยพื้นทะเลมีความลึกลดลงในบริเวณ พื้นที่ทางตอนเหนือใกล้กับแหลมปะการังและพบพื้นที่ที่มี ความลึกเพิ่มขึ้นตลอดแนวชายฝั่งและทางตอนใต้ของพื้นที่ ศึกษาบริเวณเขาหลัก จากการเปรียบเทียบพบว่าความลึก พื้นทะเลมีการเปลี่ยนแปลงที่อาจจะตื้นขึ้นหรือลึกลงไป โดยเฉลี่ยที่ 23 % เมื่อเทียบกับความลึกพื้นทะเลก่อน เหตุการณ์สึนามิ (รูปที่ 12)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 158 รูปที่ 11 การไหลเวียนของน้ำเฉลี่ยตามฤดูมรสุม A ช่วง เปลี่ยนฤดูมรสุม ครั้งที่ 1 B ช่วงฤดูมรสุมตะวันตกเฉียงใต้ C ช่วงเปลี่ยนฤดูมรสุมครั้งที่ 2 และ D ช่วงฤดูมรสุม ตะวันออกเฉียงเหนือ A B C รูปที่ 12 A ความลึกพื้นทะเลก่อนเหตุการณ์สึนามิ B ความลึกพื้นทะเลหลังเหตุการณ์สึนามิ และ C ค่าความ แตกต่างของความลึกพื้นทะเล 3.6 ผลของการเปลี่ยนแปลงสัณฐานต่อกระแสน้ำจากขึ้น น้ำลง กระแสน้ำหลังจากเหตุการณ์สึนามิมีลักษณะ เปลี่ยนแปลงไป โดยบริเวณแหลมปะการังและบริเวณใกล้ ชายฝั่งทางด้านทิศใต้ของเขาหลัก กระแสน้ำมีความเร็ว เพิ่มขึ้นโดยในช่วงน้ำตาย (Neap tide) ความแตกต่างของ กระแสน้ำก่อนและหลังเกิดเหตุการณ์มีความแตกต่าง มากกว่าช่วงน้ำเกิด (Spring tide) (รูปที่13)การ เปลี่ยนแปลงของกระแสน้ำในแกนตะวันออกตะวันตก (X velocity) และแกนเหนือใต้(Y velocity) ในแต่ละ ฤดูกาลที่คำนวณจากค่าสัมบูรณ์ (Absolute) พบว่ามี ความแตกต่างกันในแต่ละฤดูกาลซึ่งตามตารางที่ 2 จาก ผลการคำนวณพบว่ากระแสน้ำในแนวแกนเหนือใต้มีอัตรา การเปลี่ยนแปลงมากกว่ากระแสน้ำในแนวตะวันออก ตะวันตก ตารางที่ 2 ร้อยละการเปลี่ยนแปลงของความเร็ว กระแสน้ำหลังเหตุการณ์สึนามิ Season Y velocity X velocity Transition 1 164 % 38 % SW Monsoon 116 % 30 % Transition 2 52 % 21 % NE Monsoon 38 % 16 % รูปที่ 13 การเปลี่ยนแปลงความเร็วของกระแสน้ำจากน้ำ ขึ้นน้ำลงในช่วงคาบน้ำต่างๆก่อนและหลังเหตุการณ์สึนามิ ในฤดูมรสุมตะวันตกเฉียงใต้โดยลูกศรสีแดงและสีดำ หมายถึงความเร็วของกระแสน้ำก่อนและหลังเหตุการณ์ สึนามิ ตามลำดับ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 159 รูปที่ 13 การเปลี่ยนแปลงความเร็วกระแสน้ำจากน้ำขึ้นน้ำ ลงในช่วงคาบน้ำต่างๆ ก่อนและหลังเหตุการณ์สึนามิ ใน ฤดูมรสุมตะวันตกเฉียงใต้ 3.7 ผลของการเปลี่ยนแปลงสัณฐานต่อกระแสน้ำเฉลี่ย การไหลเวียนของกระแสน้ำหลังจากเหตุการณ์สึนามิ พบว่ากระแสน้ำบริเวณแหลมปะการังมีความเร็วที่เพิ่ม มากขึ้น และบริเวณเขาหลักมีลักษณะการไหลวนของ กระแสน้ำ ในฤดูมรสุมตะวันตกเฉียงใต้กระแสน้ำไหลวน ใ น ท ิ ศ ท า ง ต า ม เ ข ็ ม น า ฬ ิ ก า แ ล ะ ใ น ฤ ด ู ม ร สุ ม ตะวันออกเฉียงเหนือกระแสน้ำไหลวนในทิศทางทวนเข็ม นาฬิกา (รูปที่ 14) รูปที่ 14 ผลต่างของกระแสน้ำเฉลี่ยหลังจากเหตุการ์สึนามิ A ช่วงเปลี่ยนฤดูมรสุมครั้งที่ 1 B ช่วงฤดูมรสุมตะวันตก เฉียงใต้ C ช่วงเปลี่ยนฤดูมรสุมครั้งที่ 2 และ D ช่วงฤดู มรสุมตะวันออกเฉียงเหนือ 3.8 ความเชื่อมโยงระหว่างการเปลี่ยนแปลงของ กระแสน้ำและการไหลเวียนกับการเปลี่ยนแปลงของเส้น ชายฝั่ง จากการศึกษาของ Deltares [8] พบว่าเส้นชายฝั่งมี การเปลี่ยนแปลงไปหลังจากเหตุการณ์สึนามิในปีพ.ศ. 2547 โดยแต่ละพื้นที่จะมีการเปลี่ยนแปลงที่แตกต่างกัน ไป สำหรับพื้นที่บริเวณแหลมปะการังด้านทิศเหนือและ บางส่วนทางตอนใต้ของพื้นที่ศึกษามีแนวโน้มของการ เปลี่ยนแปลงเส้นชายฝั่งในเชิงทับถมพื้นที่เพิ่มเติมไปใน ทะเล แต่ในพื้นที่ตลอดแนวชายฝั่งทางตอนใต้มีแนวโน้ม ของการเปลี่ยนแปลงเส้นชายฝั่งในเชิงกัดเซาะ ลักษณะ ดังกล่าว มีความสอดคล้องกับลักษณะการเปลี่ยนแปลง ของความลึกน้ำ โดยพบว่าพื้นที่ที่มีความลึกน้ำเพิ่มมาก ขึ้นภายหลังจากเหตุการณ์สึนามิ จะมีความชันของ ชายหาดเพิ่มมากขึ้นและเป็นพื้นที่ที่มีการกัดเซาะชายฝั่ง ในทางกลับกันพื้นที่ที่มีความลึกน้ำลดลงจะมีความชันของ ชายหาดลดลง และเป็นบริเวณที่มีการสะสมของทราย บริเวณชายฝั่ง จากการศึกษายังพบว่าในพื้นที่แหลม ปะการังมีการทับถมด้วยอัตราที่สูงสอดคล้องกับพื้นที่ที่มี การเปลี่ยนแปลงของกระแสน้ำและการไหลเวียน เปลี่ยนแปลงสูง กระแสน้ำมีลักษณะไหลวนสนับสนุนการ สะสมของตะกอนและพื้นที่ทางตอนใต้มีกระแสน้ำ เปลี่ยนแปลงสูงและมีลักษณะการไหลเวียนที่สนับสนุน การกัดเซาะชายฝั่งซึ่งเป็นพื้นที่เดียวกับพื้นที่ที่ความลึกน้ำ มากขึ้น (รูปที่ 15) รูปที่ 15 ความสัมพันธ์ระหว่างการเปลี่ยนแปลงของ เส้นชายฝั่งกับการเปลี่ยนแปลงของสัณฐานชายฝั่ง

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 160 4. สรุปผลการศึกษา ผลของแบบจำลองแสดงให้เห็นว่าสึนามิส่งผลต่อควา ลึกน้ำและทำให้เกิดการเปลี่ยนแปลงของกระบวนการ ชายฝั่ง โดยการศึกษานี้แสดงให้เห็นถึงการเปลี่ยนแปลง ของกระบวนการกระแสน้ำในบริเวณพื้นที่เขาหลัก โดย การเปลี่ยนแปลงเกิดขึ้นอย่างชัดเจนทางด้านทิศเหนือ บริเวณแหลมปะการัง และทางชายฝั่งทางทิศใต้ซึ่งบริเวณ ดังกล่าวเป็นบริเวณที่มีการเปลี่ยนแปลงของเส้นชายฝั่ง อย่างรุนแรงภายหลังจากเหตุการณ์สึนามิดังนั้นอิทธิพล ของความเร็วกระแสน้ำ ความลึกน้ำ จึงเป็นสิ่งจำเป็นต่อ การศึกษาการเปลี่ยนแปลงของเส้นชายฝั่งในอนาคต 5. กิตติกรรมประกาศ ขอขอบคุณคุณกัมปนาท ชีวะปรีชา ผู้สนับสนุนข้อมูล สำรวจภาคสนามพื้นที่เขาหลักและให้คำปรึกษาเพื่อ ประกอบจนทำให้งานวิจัยสำเร็จลุล่วงไปได้ด้วยดี เอกสารอ้างอิง [1] Masaya, R., Suppasri, A., Yamashita, K., Imamura, F., Gouramanis, C., and Leelawat, N.: Investigating beach erosion related with tsunami sediment transport at Phra Thong Island, Thailand, caused by the 2004 Indian Ocean tsunami, Nat. Hazards Earth Syst. Sci., 20,2823–2841,2020. [2] Choowong, Montri & Murakoshi, Naomi & Hisada, Kenichiro & Charusiri, Punya & Daorerk, V. & Ch, Thasinee & Chutakositkanon, Vichai & Jankaew, Kruawun & Kanjanapayont, Pitsanupong. (2007). Erosion and Deposition by the 2004 Indian Ocean Tsunami in Phuket and Phang-nga Provinces, Thailand. Journal of Coastal Research - J COASTAL RES. 23. 1270-1276. 10.2112/05-0561.1. [3] Kaiser, G. & Burkhard, Benjamin & Römer, Hannes & Sangkaew, S. & Graterol, R. & Haitook, T. & Sterr, H. & Sakuna, Daroonwan. (2013). Mapping tsunami impacts on land cover and related ecosystem service supply in Phang Nga, Thailand. Natural Hazards and Earth System Sciences. 13. 3095-3111. 10.5194/nhess-13-3095-2013. [4] Birkland, Thomas & Herabat, Pannapa & Little, Richard & Wallace, William. (2006). The Impact of the December 2004 Indian Ocean Tsunami on Tourism in Thailand. Earthquake Spectra - EARTHQ SPECTRA. 22. 10.1193/1.2207471. [5] Langkulsen, U.; Cheewinsiriwat, P.; Rwodzi, D.T.; Lambonmung, A.; Poompongthai, W.; Chamchan, C.; Boonmanunt, S.; Nakhapakorn, K.; Moses, C. Coastal Erosion and Flood Coping Mechanisms in Southern Thailand: A Qualitative Study. Int. J. Environ. Res. Public Health 2022, 19, 12326. [6] Delft3D-FLOW user manual D Hydraulics - Delft, the Netherlands, 2006 [7] Dataset citable as: Copernicus Climate Change Service (C3S) (2017): ERA5: Fifth generation of ECMWF atmospheric reanalyses of the global climate . Copernicus Climate Change Service Climate Data Store (CDS), date of access. [8] Hans de Vroeg,.‘Brief information of the Phang Nga Beach Nourishment Project (2021). [9] Egbert, Gary D., and Svetlana Y. Erofeeva. "Efficient inverse modeling of barotropic ocean tides." Journal of Atmospheric and Oceanic Technology 19.2 (2002): 183-204.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 161 [10]Tomkratoke, S., & Sirisup, S. (2022). Influence and variability of monsoon trough and front on rainfall in Thailand. International Journal of Climatology, 42(1), 619–634. [11] Byun, Do-Seong & Hart, Deirdre. (2015). Predicting Tidal Heights for New Locations Using 25h of in situ Sea Level Observations plus Reference Site Records: A Complete Tidal Species Modulation with Tidal Constant Corrections. Journal of Atmospheric and Oceanic Technology. 32. 350-371. 10.1175/JTECH-D-14-00030.1. [12] Al-Asadi, Khalid; Duan, Jennifer G.; 2017. Assessing methods for estimating roughness coefficient in a vegetated marsh area using Delft3D. Journal of Hydroinformatics, 19, 766–783. 10.2166/hydro.2017.064 [13] Jaroensutasinee, Mullica. (2011). Numerical Study of Principal Tidal Constituents in the Gulf of Thailand and the Andaman Sea.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 162 การศึกษาพฤติกรรมการกัดเซาะหน้ากำแพงกันคลื่น กรณีศึกษา หาดมหาราช Study of Scour Depth in front of Seawalls: Case study of Maharat Beach อิลยาส มามะ1* , และสมฤทัย ทะสดวก2 1 สาขาวิชาวิศวกรรมโยธา, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยนราธิวาสราชนครินทร์, จังหวัดนราธิวาส, ประเทศไทย 2 ภาควิชาวิศวกรรมทรัพยากรน้ำ, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยเกษตรศาสตร์, จังหวัดกรุงเทพมหานคร, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การกัดเซาะหน้ากำแพงกันคลื่นเป็นปัญหาสำคัญที่เกิดขึ้นต่อชายหาดในประเทศไทยที่มีการป้องกันการกัดเซาะชายฝั่ง ด้วยกำแพงกันคลื่น การศึกษาครั้งนี้มุ่งเน้นศึกษาพฤติกรรมการกัดเซาะหน้ากำแพงกันคลื่น โดยการเก็บรวบรวมข้อมูล ภาคสนามมาวิเคราะห์ร่วมกับการวิเคราะห์ทางทฤษฎี ผลการศึกษาพบว่า หาดมหาราชมีจุดแตกตัวของคลื่นซึ่งได้จากการ คำนวณเท่ากับ 0.81 เมตร จากการวิเคราะห์พบว่าหาดมหาราชมีโอกาสเกิดการกัดเซาะหน้ากำแพงกันคลื่นที่ความลึกมาก ที่สุดเท่ากับ 0.58 เมตร เกิดขึ้นห่างจากโครงสร้างเท่ากับ 3.93 เมตร นอกจากนี้ การศึกษายังได้จำแนกการเกิดสันดอน (bar) และสันทราย (berm) โดยใช้หลักการวิเคราะห์ของ Larson (1988) และ Luo (2014) โดยตัวแปรที่พิจารณาประกอบด้วย ความสูงคลื่น ความยาวคลื่น ความเร็วของการตกตะกอน คาบคลื่น และความลาดชันชายหาด จากการศึกษาพบว่า สภาพ คลื่นลมในช่วงฤดูมรสุมตะวันออกเฉียงเหนือและสภาพคลื่นลมในช่วงฤดูมรสุมตะวันตกเฉียงใต้ ทั้ง 2 ฤดูสถานะเป็น สันดอน (bar) ทั้งคู่ แสดงให้เห็นว่า โดยธรรมชาติแล้วลักษณะของชายหาดบริเวณนี้จะมีแนวโน้มกัดเซาะ นั้นหมายความว่า เมื่อทรายมี การเคลื่อนที่ออกนอกชายฝั่งไปแล้ว จะสะสมเป็นสันทรายนอกชายฝั่ง โอกาสที่ทรายจะกลับมาแทบน้อยมาก ลักษณะเช่นนี้ เกิดกับพื้นที่ที่มีลมมรสุมรุนแรง ทั้งนี้ การป้องกันด้วยโครงสร้างแข็งอาจจะเป็นมาตรการที่เหมาะสมในพื้นที่หาดมหาราช คำสำคัญ: การกัดเซาะ, กำแพงกันคลื่น, การแตกตัวของคลื่น, สันดอน, สันทราย Abstract Scouring in front of seawalls is a major problem on beaches in Thailand where coastal erosion is protected with seawalls. This study focuses on the scouring behavior in front of the seawalls by collecting field data and analyzing with theoretical analysis. This paper reports breaking wave of Maharat beach from calculating equal 0.81 meters. The analysis found that Maharat beach has the chance of maximum scouring in front of the seawalls at a depth of 0.58 meters, occurring at a distance of 3.93 meters from the structure. In addition, this study also classified bar and berm formation using the analytical principles of Larson (1988) and Luo (2014). The variables include wave height, wave length, sediment fall velocity, time period, and beach slope. The result show that wind wave conditions during the northeastern monsoon season and wind wave conditions during the southwest monsoon season both have a bar status. Therefore, the nature of the beach in this area tends to scour. When the sand has moved offshore, it will accumulate as sandbars off the coast. The chance that the sand will move back to the beach is less. This behavior occurs in areas with strong monsoon. Protection with structures may be an appropriate measure in the Maharat beach area. Keywords: Scouring, Seawalls, Breaking Wave, Bar, Berm

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 163 1. คำนำ การศึกษาการกัดเซาะหน้ากำแพงกันคลื่นในประเทศ ไทยยังมีการศึกษาค่อยข้างน้อย บทความนี้ได้พัฒนาจาก ผลงานวิจัยที่มีมาก่อนได้แก่ การศึกษาของ Kamphius (1991), Larson (1988), Luo (2014) และ Tsai (2009) โดยมีการเปรียบเทียบกันระหว่างการวิเคราะห์ทางทฤษฎี กับการเก็บสำรวจข้อมูลภาคสนาม ได้แก่ ข้อมูลหน้าตัด ของชายหาด ข้อมูลคลื่น โดยวิเคราะห์หาความสูงคลื่น แตกตัว การจำแนก สันดอน (bar) หรือสันทราย (berm) และการวิเคราะห์ค่าพารามิเตอร์ต่างๆ ของการกัดเซาะ หน้ากำแพงกันคลื่น หาดมหาราชประสบปัญหาการกัดเซาะหน้ากำแพง กันคลื่นส่งผลต่อการวิบัติของโครงสร้างกำแพงกันคลื่น และส่งผลกระทบก่อให้เกิดการกัดเซาะ (Scouring) ลึกลง ไปเกิดการตะกุยทรายหน้ากำแพงกันคลื่น ดังรูปที่ 1 ดังนั้น จึงมีความจำเป็นที่ต้องศึกษาหาดมหาราช โดยวัตถุประสงค์การศึกษาครั้งนี้เพื่อตรวจสอบจุดแตกตัว ของคลื่น เพื่อตรวจสอบแนวโน้มและรูปแบบของหน้าตัด ชายฝั่งที่มีการเปลี่ยนแปลงตามฤดูกาลและที่มีการ เปลี่ยนแปลงในระยะยาว และเพื่อตรวจสอบการ เปลี่ยนแปลงหน้าตัดชายฝั่ง ตามทฤษฎีและการ เปลี่ยนแปลงที่เกิดขึ้นจริงเนื่องจากการก่อสร้างกำแพงกัน คลื่น การศึกษาครั้งนี้ประกอบด้วยการวิเคราะห์จุดแตกตัว ของคลื่นอ้างอิงจาก Miche (1944), McCowan (1894); Munk (1949), Coastal Engineering Research Center (CERC) (1984), Goda (1970), Kamphuis (1991) สำหรับการตรวจสอบการเป็นสันดอน (bar) หรือสันทราย (berm) อ้างอิงจากแนวคิดของ Larson (1988) และ Luo (2014) ส่วนการวิเคราะห์ความลึกของการกัดเซาะและ ระยะห่างจากโครงสร้างอ้างอิงจากการศึกษาของ Tsai (2009) รูปที่ 1 ตำแหน่งที่ตั้งของหาดมหาราช 2. การตรวจสอบจุดแตกตัวของคลื่น (Breaking wave condition) หาดมหาราชมีจุดแตกตัวของคลื่นซึ่งได้จากการ คำนวณเท่ากับ 0.81 เมตร ตัวแปรที่พิจารณา ได้แก่, ความสูงคลื่นที่จุดแตกตัว (wave height at breaking, Hb ), ความยาวคลื่นที่จุดแตกตัว (wave length at breaking, Lb ), ความลึกน้ำที่จุดแตกตัว (water depth at breaking, db ), ความเร่งเข้าสู่ศูนย์กลางของโลก (acceleration of gravity, g), คาบคลื่น (wave period, T), ความลาดชันชายหาด (beach slope, m), และความ ยาวคลื่นที่จุดแตกตัว (breaking wave length, Lbp) ทั้งนี้ สมการในการหาค่า Wave Breaking อ้างอิงจาก Miche (1944), McCowan (1894); Munk (1949), CERC (1984), Goda (1970), Kamphuis (1991) ดังตารางที่ 1 จากการศึกษาครั้งนี้สรุปได้ว่าพื้นที่สำรวจที่กำหนดไว้มี ความพอเพียง ครอบคลุมจุดแตกตัวของคลื่นแล้ว เพราะฉะนั้น ถือว่าเพียงพอที่จะเป็นตัวแทนได้แล้ว เมื่อ สำรวจเพียงพอแล้ว อิทธิพลที่มีการกัดเซาะเพิ่มขึ้นก็ เกิดขึ้นไม่มากนัก

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 164 ตารางที่ 1 สมการในการหาค่า Wave Breaking ที่ ผู้วิจัย สมการ 1 Miche (1944) Hb Lb = 0.14 tanh ( 2πdb Lb ) 2 McCowan (1894); Munk (1949) Hb db = 0.78 3 CERC (1984) Hb db = ( c1 − c2 Hb gT2 ) c1 = 43.75[1 − e −19m]; c2 = 1.56 [1 + e −19.5m] 4 Goda (1970) Hb db = 0.17 Lo db [1 − e −{ 1.5πdb Lo (1+15m413)} ] 5 Kamphuis (1991) Hsb = 0.095 e 4.0mLbp tanh ( 2πdb Lbp ) จากการวิเคราะห์จุดแตกตัวของคลื่นด้วย 5 สมการ ในตารางที่ 1 สรุปได้ว่า หาดมหาราช มีจุดที่คลื่นแตกตัว (wave height at breaking) เฉลี่ยเท่ากับ 0.81 ม. ตาม ตารางที่ 2 ตารางที่ 2 สรุปผลการคำนวณค่า Wave height at breaking (Hb ) ที่ ผู้วิจัย ผลลัพธ์(Hb ) 1 Miche (1944) 0.83 ม. 2 McCowan (1894); Munk (1949) 0.78 ม. 3 CERC (1984) 0.75 ม. 4 Goda (1970) 1.03 ม. 5 Kamphuis (1991) 0.84 ม. 3. การตรวจสอบแนวโน้มและรูปแบบของหน้าตัด ชายฝั ่งที ่มีการเปลี ่ยนแปลงตามฤดูกาลและที ่มีการ เปลี่ยนแปลงในระยะยาว การเคลื่อนตัวของมวลทรายเมื่อมีการก่อสร้าง โครงสร้างป้องกันการกัดเซาะชายฝั่งทะเลแล้วนั้น ผลกระทบที่สำคัญประการหนึ่งคือ การกัดเซาะบริเวณ ฐานของโครงสร้าง ซึ่งส่งผลใน 2 ประเด็น ได้แก่ การ สูญเสียทรายออกจากแนวชายฝั่งบริเวณตีนเขื่อน หรือ อาจจะบอกได้ว่าทรายบริเวณฐานของโครงสร้างถูกตะกุย ออกจนเกิดการสูญเสียมวลทราย ซึ่งจะทำให้ชายฝั่งขาด ความสวยงาม อีกทั้งส่งผลต่อการสูญเสียความมั่นคงของ ฐานของโครงสร้างอีกด้วย ดังนั้น การตรวจสอบว่าการ เคลื่อนที่เข้าและออกของตะกอนทรายมีความสำคัญ กล่าวคือ เมื่อทราบว่าสถานะของชาดหายเป็นเช่นไร จะ สามารถพยากรณ์ได้ว่าชายหาดนั้นมีแนวโน้มจะทับถม หรือกัดเซาะเพื่อการบริหารจัดการชายฝั่งที่ดีขึ้นต่อไป ทั้งนี้การวิเคราะห์ดังกล่าวได้อ้างอิงจากการศึกษาของ Larson (1988) และ Luo (2014) ซึ่งได้พัฒนากราฟเพื่อ แสดงสถานภาพดังกล่าวโดยตัวแปรที่พิจารณา ประกอบด้วย ความสูงคลื่น ความยาวคลื่น ความเร็วของ การตกตะกอน คาบคลื่น และความลาดชันชายหาด โดย วิธีการคือจำแนกสถานะหาดว่าเป็นสันดอน (bar) หรือสัน ทราย (berm) (รูปที่ 2) โดยพิจารณาตัวแปรคลื่น ได้แก่ H0 , L0 , w, T, และ β โดยอ้างอิงการวิเคราะห์ สันดอน (bar) หรือสันทราย (berm) จากการเปิดกราฟในรูปที่ 3 และ 4) หลักการจำแนกสันดอน (bar) หรือสันทราย (berm) ในแต่ละฤดูมีดังนี้ 1) กรณีที่ทั้ง 2 ฤดู มีสถานะเป็น สันดอน (bar) ทั้ง 2 ฤดู แสดงให้เห็นว่า โดยธรรมชาติแล้วลักษณะของ ชายหาดบริเวณนี้จะมีแนวโน้มกัดเซาะ นั้นหมายความว่า เมื่อทรายมีการเคลื่อนที่ออกนอกชายฝั่งไปแล้ว จะสะสม เป็นสันทรายนอกชายฝั่ง โอกาสที่ทรายจะกลับมาน้อย มาก (Kamphuis 2000)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 165 2) ถ้าเป็นสันดอน (bar) ฤดูหนึ่ง และสันทราย (berm) ฤดูหนึ่ง แสดงว่ามีการเคลื่อนตัวของทรายเข้า ออกจากชายฝั่ง รูปที่ 2 การเปลี่ยนแปลงหน้าตัดของชายหาดในรอบปี สัน ดอน (bar) และสันทราย (berm) (Kamphuis 2000) รูปที่ 3 การจำแนกสันดอน (bar) และสันทราย (berm) (Larson 1988) จากรูปที่ 3 กำหนดให้ความสูงคลื่น (wave height, H0 ), ความยาวคลื่นน้ำลึก (wave length in deep sea, L0 ) คาบคลื่น (the wave period, T), ความเร็วการ ตกตะกอน (sediment fall velocity, w) รูปที่ 4 การจำแนก สันดอน (bar) และสันทราย (berm) (Luo 2014) จากรูปที่ 4 กำหนดให้ ความลาดชันชายหาด (the beach slope, β), ความสูงคลื่นที่จุดแตกตัว (the wave height of break wave, Hb ) , ค า บ ค ล ื ่น (the wave period, T), ความยาวคลื่นที่สันดอนหรือสันทราย (wave length in bar/berm, Lb ), ความเร็วการตกตะกอน (sediment fall velocity, w) 3.1 ผลการวิเคราะห์หาดมหาราชด้วยวิธีของ Larson (1988) การศึกษานี้แบ่งการพิจารณาเป็น 2 กรณี ได้แก่ 3.1.1 สภาพคลื่นลมในช่วงฤดูมรสุมตะวันออกเฉียง เหนือ จากการเก็บรวบรวมข้อมูลที่ได้จากการตรวจวัดจริง จากภาคสนาม ดังตารางที่ 3 พบว่า ความสูงคลื่น (wave height, H0 ) เท่ากับ 1 ม. ความยาวคลื่นน้ำลึก (wave length in deep sea, L0 ) เท่ากับ 14.05 ม.คาบคลื่น (the wave period, T) เท่ากับ 3 วินาที ความเร็วการ ต ก ต ะ ก อ น (sediment fall velocity, w) เ ท่ า กั บ 0.02416 ม./วินาที คำนวณค่า H0 /wT เท่ากับ 13.8 คำนวณค่า H0 /L0 เท่ากับ 7.12*10-2 นำค่าทั้ง 2 ไปพล็อต ในกราฟ (รูปที่ 5) จะได้จุดตัดอยู่ในช่วงของสันดอน (bar) สรุปได้ว่า หาดมหาราชมีสถานะเป็นสันดอน bar (สภาพ คลื่นลมในช่วงฤดูมรสุมตะวันออกเฉียงเหนือ) ตารางที่ 3 ข้อมูลที่ใช้ทำการศึกษา ข้อมูล วิธีการเก็บข้อมูล ปีของ ข้อมูล หน่วย ความสูงคลื่น (H0 ) สังเคราะห์ข้อมูลคลื่น โดยใช้ข้อมูลลม 2566 เมตร ความยาวคลื่น น้ำลึก (L0 ) จากการคำนวณ 2566 เมตร คาบคลื่น (T) สังเคราะห์ข้อมูลคลื่น โดยใช้ข้อมูลลม 2566 วินาที ความเร็วการ ตกตะกอน (w) จากการคำนวณ 2566 เมตร/ วินาที

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 166 รูปที่ 5 การจำแนกสันดอน (bar) และสันทราย (berm) (Larson 1988) (สภาพคลื่นลมในช่วงฤดูมรสุม ตะวันออกเฉียงเหนือ) 3.1.2 สภาพคลื่นลมในช่วงฤดูมรสุมตะวันตกเฉียงใต้ จากการเก็บรวบรวมข้อมูลพบว่า ความสูงคลื่น (wave height, H0 ) เท่ากับ 0.5 ม. ความยาวคลื่นน้ำลึก (wave length in deep sea, L0 ) เท่ากับ 9.75 ม.คาบ คลื่น (the wave period, T) เท่ากับ 2.5 วินาที ความเร็ว การตกตะกอน (sediment fall velocity, w) เท่ากับ 0.02416 ม./วินาที คำนวณค่า H0 /wT เท่ากับ 8.28 คำนวณค่า H0 /L0 เท่ากับ 5.13*10-2 นำค่าทั้ง 2 ไปพล็อต ในกราฟ (รูปที่ 6) จะได้จุดตัดอยู่ในช่วงของสันดอน (bar) สรุปได้ว่า หาดมหาราชมีสถานะเป็นสันดอน bar (สภาพ คลื่นลมในช่วงฤดูมรสุมตะวันตกเฉียงใต้) รูปที่ 6 การจำแนกสันดอน (bar) และสันทราย (berm) (Larson 1988) (สภาพคลื่นลมในช่วงฤดูมรสุม ตะวันตกเฉียงใต้) 3.2 ผลการวิเคราะห์หาดมหาราชด้วยวิธีของ Luo (2014) การศึกษานี้แบ่งการพิจารณาเป็น 2 กรณี ได้แก่ 3.2.1 สภาพคลื่นลมในช่วงฤดูมรสุมตะวันออกเฉียง เหนือ จากการเก็บรวบรวมข้อมูลพบว่า ความลาดชัน ชายหาด (the beach slope, β) เท่ากับ 1/10 ความสูง คลื่นที่จุดแตกตัว (the wave height of break wave, Hb ) เท่ากับ 1 ม. คาบคลื่น (the wave period, T) เท่ากับ 3 วินาที ความยาวคลื่นที่สันดอนหรือสันทราย (wave length in bar/berm, Lb ) เท่ากับ14.05 ม. ความเร็วการ ต ก ต ะ ก อ น (sediment fall velocity, w) เ ท่ า กั บ 0.02416 ม./วินาที คำนวณหาค่า tan β/(Hb /Lb )^0.5 เท่ากับ 0.37 คำนวณค่า Hb /wT เท่ากับ 13.80 นำค่าทั้ง 2 ไปพล็อตในกราฟ (รูปที่ 7) จะได้จุดตัดอยู่ในช่วงของสัน ดอน (bar) สรุปได้ว่า หาดมหาราชมีสถานะเป็นสันดอน bar (สภาพคลื่นลมในช่วงฤดูมรสุมตะวันออกเฉียงเหนือ) รูปที่ 7 การจำแนกสันดอน (bar) และสันทราย (berm) (Luo 2014) (สภาพคลื่นลมในช่วงฤดูมรสุม ตะวันออกเฉียงเหนือ) 3.2.2 สภาพคลื่นลมในช่วงฤดูมรสุมตะวันตกเฉียงใต้ จากการเก็บรวบรวมข้อมูลพบว่า ความลาดชัน ชายหาด (the beach slope, β) เท่ากับ 1/10 ความสูง คลื่นที่จุดแตกตัว (the wave height of break wave, Hb ) เท่ากับ 0.5 ม. คาบคลื่น (the wave period, T) เท่ากับ 2.5 วินาที ความยาวคลื่นที่สันดอนหรือสันทราย (wave length in bar/berm, Lb ) เ ท่ า ก ั บ 9.75 ม. ความเร็วการตกตะกอน (sediment fall velocity, w) เท่ากับ 0.02416 ม./วินาที สามารถคำนวณค่า

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 167 tanβ/(Hb /Lb )^0.5 เท่ากับ 0.44 คำนวณค่า Hb /wT เท่ากับ 8.28 นำค่าทั้ง 2 ไปพล็อตในกราฟ (รูปที่ 8) จะได้ จุดตัดอยู่ในช่วงของสันดอน (bar) สรุปได้ว่า หาดมหาราช มีสถานะเป็นสันดอน bar (สภาพคลื่นลมในช่วงฤดูมรสุม ตะวันตกเฉียงใต้) จากการศึกษาพบว่า หาดมหาราชมีสภาพคลื่นลม ในช่วงฤดูมรสุมตะวันออกเฉียงเหนือและสภาพคลื่นลม ในช่วงฤดูมรสุมตะวันตกเฉียงใต้ ทั้ง 2 ฤดู สถานะเป็น สัน ดอน (bar) ทั้ง 2 ฤดู แสดงให้เห็นว่า โดยธรรมชาติแล้ว ลักษณะของชายหาดบริเวณนี้จะมีแนวโน้มกัดเซาะ นั้น หมายความว่า เมื่อทรายมีการเคลื่อนที่ออกนอกชายฝั่งไป แล้ว จะสะสมเป็นสันทรายนอกชายฝั่ง โอกาสที่ทรายจะ กลับมาน้อยมาก รูปที่ 8 การจำแนกสันดอน (bar) และสันทราย (berm) (Luo 2014) (สภาพคลื่นลมในช่วงฤดูมรสุม ตะวันตกเฉียงใต้) 4. ตรวจสอบการเปลี ่ยนแปลงหน้าตัดชายฝั ่ง ตาม ทฤษฎีและการเปลี่ยนแปลงที่เกิดขึ้นจริงเนื่องจากการ ก่อสร้างกำแพงกันคลื่น ผู้ศึกษามีแนวคิดในการตรวจสอบการเปลี่ยนแปลง หน้าตัดชายฝั่งตามทฤษฎีดังแสดงในรูปที่ 9 โดยมี เป้าหมายในการหาค่าระยะทางห่างจากโครงสร้าง (Xmax) ที่ทำให้เกิดการกัดเซาะที่ความลึกมากที่สุด (Smax) รูปที่ 9 แนวคิดในการตรวจสอบการเปลี่ยนแปลง beach profile ตามทฤษฎี จากรูปที่ 9 กำหนดให้ ความสูงคลื่น (incident wave height, H0 ) ความลาดชันของกำแพงกันคลื่น หน่วย องศา (seawall slope in degrees, α) ความลาด ชันชายหาด หน่วย องศา (bed slope in degrees, β) ความลึกน้ำที่ตีนเขื่อน (initial water depth at the toe, d) (ซม.) ขั้นตอนในการวิเคราะห์มีดังนี้ 4.1 หาค่า Xmax โดยสมการของ Tsai (2009) ดังสมการ ที่ 1 Xmax = 0.28L0 (1) โดยที่ ความยาวคลื่น (Wave length, L0 ) แทนค่า ความยาวคลื่น (Wave length, L0 ) เท่ากับ 14.05 ม. จะ ได้ค่า Xmax เท่ากับ 3.93 ม. 4.2 พิจารณาความสัมพันธ์ระหว่าง ระยะทาง x, L0 และ S จากสมการของ Tsai (2009) ดังสมการที่ 2 (2) โดยที่ ระยะทางห่างจากโครงสร้าง (x) ความยาวคลื่น (Wave length, L0 ) ความลึกของการกัดเซาะ (Scour depth, S) แทนค่าความยาวคลื่น (Wave length, L0 ) เท่ากับ 14.05 ม. ค่า Xmax เท่ากับ 3.93 ม. จะได้ค่า Smax เท่ากับ 0.58 ม.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 168 4.3 พิจารณาหน้าตัดสำรวจ หน้าตัดสำรวจแนวที่ 1 แสดงดังรูปที่ 10 โดยมีจุด สำรวจดังภาพและแสดงค่าความสูงหรือความลึก (แกน z) และระยะ Smax ของหน้าตัดสำรวจที่ 1 แสดงดังรูปที่ 11 รูปที่ 10 หน้าตัดสำรวจแนวที่ 1 จากการวิเคราะห์ทางทฤษฎีพบว่าหาดมหาราชมี โอกาสเกิดการกัดเซาะหน้ากำแพงกันคลื่นที่ความลึกมาก ที่สุดเท่ากับ 0.58 เมตร เกิดขึ้นห่างจากโครงสร้างเท่ากับ 3.93 เมตร นอกจากนี้ จากการศึกษาข้อมูลหน้าตัดหาด จากการสำรวจจริงในปัจจุบันของหน้าตัดที่ 1 ซึ่งได้สำรวจ เดือน พฤษภาคม 2566 (ฤดูร้อน) พบว่า หาดมหาราชเกิด การกัดเซาะหน้ากำแพงกันคลื่นที่ความลึกมากที่สุดเท่ากับ 0.25 เมตร เกิดขึ้นห่างจากโครงสร้างเท่ากับ 2.85 เมตร ซึ่งค่าการกัดเซาะจะมีแนวโน้มเข้าใกล้ค่า Smax ดังรูปที่ 11 5. สรุปผลการศึกษาและอภิปรายผล จากการศึกษาสามารถสรุปผลการศึกษาและ อภิปรายผลได้ว่า หาดมหาราชมีจุดแตกตัวของคลื่นซึ่งได้ จากการคำนวณเท่ากับ 0.81 เมตร จากการวิเคราะห์ทาง ทฤษฎีพบว่าหาดมหาราชมีโอกาสเกิดการกัดเซาะหน้า กำแพงกันคลื่นที่ความลึกมากที่สุดเท่ากับ 0.58 เมตร เกิดขึ้นห่างจากโครงสร้างเท่ากับ 3.93 เมตร เมื่อ เปรียบเทียบกับข้อมูลสำรวจจริง พบว่า หาดมหาราชเกิด การกัดเซาะหน้ากำแพงกันคลื่นที่ความลึกมากที่สุดเท่ากับ 0.25 เมตร เกิดขึ้นห่างจากโครงสร้างเท่ากับ 2.85 เมตร ซึ่งแสดงให้เห็นว่าหน้าตัดนี้กำลังเกิดการกัดเซาะเข้าสู่ค่า Smax ทั้งนี้ หน้าตัดดังกล่าวก็อาจจะกัดเซาะเพิ่มขึ้น จน ไปเท่ากับค่าที่ Smax หลังจากนั้นก็ไม่มีการกัดเซาะอีก ใน กรณีที่เป็นหาดตรง มีแนวโน้มที่การกัดเซาะจะมีค่าเข้าสู่ ค่า Smax เพราะว่าสภาพคลื่นมีลักษณะสภาพเดียวกัน รูปที่ 11 ระยะ Smax และระยะ Xmax ของหน้าตัดสำรวจ แนว ที่ 1 สภาพคลื่นลมทั้ง 2 ฤดูให้ค่าเป็นสันดอน (bar) ออกมา แต่อีกฤดูหนึ่งให้ค่าเป็นสันทราย (berm) แสดงว่า หาดบริเวณนี้มีการเคลื่อนตัวของตะกอนเข้าออกฝั่ง (onshore offshore sediment transport) จ ร ิ ง นั่ น หมายความว่า โดยสภาพคลื่นตามธรรมชาติเกิดการกัด เซาะไปเป็น ค่าสันดอน (bar) ในช่วงมรสุมแรง ส่วนในฤดู มรสุมสงบจะกลับมาเป็นสันทราย (berm) แต่สมมติบาง พื้นที่ ทั้ง 2 มรสุม เป็นสันดอน (bar) ทั้งคู่ แสดงให้เห็นว่า มีแนวโน้มที่จะกัดเซาะออกไป โดยผลของการศึกษานี้ เป็นวิธีหนึ่งที่สามารถ นำไปประยุกต์ใช้กับพื้นที่อื่นได้ อย่างไรก็ตาม งานวิจัยนี้ ยังมีช่องว่างในการศึกษาวิจัยที่ยังไม่สามารถจำแนก ลักษณะของกำแพงกันคลื่นชนิดต่างๆ ได้ เช่น เขื่อนหิน ป้องกันตลิ่งริมทะเล กำแพงกันคลื่นประเภทตั้งตรง ดังนั้น จึงจำเป็นต้องมีการศึกษาวิจัยเพิ่มเติม เพื่อประโยชน์ต่อไป ในอนาคต หน้าตัดสำรวจที่ 1

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 169 6. กิตติกรรมประกาศ งานวิจัยนี้สำเร็จลงได้ด้วยความช่วยเหลือของ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยนราธิวาสราช นครินทร์และคณะวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตร ศาสตร์ ขอขอบคุณหน่วยงานต่างๆ ที่ได้ให้การสนับสนุน ข้อมูลต่างๆ ในการวิจัย เอกสารอ้างอิง [1] Kamphuis, J. W. ( 1991) . Incipient Wave Breaking. Co. Eng., Vol 15, 185-203. [2] Magnus Larson. ( 1988) . Quantification of Beach Profile Change. Dept. Water Resources Engineering, University of Lund, Sweden, Report 1008. [3] Edward Ching-Ruey LUO. (2014). Formation of Beach Profile with the Design Criteria of Seawalls. Civil Engineering and Architecture 2(1), 24-32. DOI: 10.13189/cea.2014.020103. [4] Miche, R. (1944). Mouvements Ondulatoires des Mers en Profondeur Constante et Decroisante. Ann. des Ponts et Chaussees, 25-78, 131-164, 270-292, 369-406. [5] McCowan, J. (1894). On the Highest Wave of Permanent Type. Phil. Mag., Ser. 5, 38, 351- 357. [6] Munk, W.H. (1949). The Solitary Wave Theory and its Application to Surf Problems. Ann. New York Acad. of Science, 51, 376-424. [7] CERC. (1984). Shore Protection Manual. Co. Eng. Res. Center, US. Corps of Eng., Vicksburg. [8] Goda Y. (1970) . Numerical Experiments on Wave Statistics with Spectral Simulation. Port and Harbour Res. Inst., Japan, Vol9, No 3. [9] Ching P.Tsai., Hong B.C., Shi S.Y. (2009). Toe Scour of Seawall on a Steep Seabed by Breaking Waves. Journal of Waterway, Port, Coastal, and Ocean Engineering 135(2), 61-68. DOI: 10.1061/(ASCE)0733-950X(2009) 135:2(61). [10]Kamphuis, J. W. ( 2000) . Introduction to Coastal Engineering and Management. World Scientific, New Jersey, NJ, USA, 258. [11] Alexaer F. N. (2023). Design Scour Levels for Dune Revetments and Seawalls. Journal of Waterway, Port, Coastal, and Ocean Engineering 149(3), 1-8. DOI: 10.1061/ JWPED5.WWENG-1963.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 170 เทคโนโลยีสมัยใหม่และการตัดสินใจ Emerging Technology and Decision Support การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติ ครั้งที่ 9 The 9th National Convention on Water Resources Engineering เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม Empowering Water Management through Emerging Technology and Digital Social Engagement

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 171 Irrigation canal monitoring using UAV cameras Thanaroj worraratprasert1 , Kawintida Pinthong2* , and Sriram Reddy3 1National Water Command Center, Office of National Water Resources, Bangkok, Thailand 2 Computer Engineering, Faculty of Engineering, Kasetsart University, Bangkok, Thailand 3 Computer vision engineer, On-farm Solutions, Bangkok, Thailand *Corresponding author's e-mail: [email protected] ABSTRACT The irrigation canal network of Thailand covers an area of approximately 35 million rai and is still expanding while the number of canal officials is declining, making manual inspection of canals increasingly challenging. To address this issue, the research described in this paper explores the utilization of Unmanned Aerial Vehicles (UAVs) equipped with cameras for canal inspection. High-resolution aerial imagery was captured by UAVs flying at an altitude of 10 to 15m above ground level. Subsequently, a deep-learning based object detector was used to identify the targeted areas in two key categories: canal damage and vegetation-covered areas. The initial demonstration of the developed system was conducted on the Ma Kham Tao U-Thong Canal, covering a length from KM. 72+000 to 90+000. UAV footage was captured during two periods: when water was flowing for cultivation and when there was no water in the canal after the cultivation season. The system demonstrates exceptional accuracy in identifying vegetation covered areas, achieving precision exceeding 90%. It also proves to be effective in monitoring the temporal changes in the vegetation coverage, using the UAVs to capture canal videos at various time intervals. The system shows the ability to detect and count visible cracks in canals that are well-lit and occlusion-free to an accuracy of nearly 70% precision. The system is capable of learning, which provides a means to further enhance the accuracy of the identification of various crack patterns as more data becomes available. Furthermore, a spatial database to comprehensively store the canal-related data was developed, and, in addition, a web service to visualize the data on a map. This service also facilitates the generation of reports in summarized table formats, enhancing accessibility and usability. Keywords: Canal inspection, Deep Learning, Unmanned Aerial Vehicles (UAVs), Object detection. 1. INTRODUCTION Irrigation canals are critical for supplying water to crops, especially in areas with limited water resources. These canals are often spread out throughout a region and extend over great distances. To maintain their efficiency and ensure a continuous water supply, it is essential to identify and repair any damages or obstructions in these canals. Maintaining canals involves identifying and repairing damages, which is essential because these damages and obstructions can lead to water leakage. In addition to these challenges, the proliferation of water hyacinth exacerbates the situation. Water hyacinth is a notorious problem in canal maintenance as it tends to clog waterways, significantly increasing both the time and cost of maintenance efforts. Its presence further hinders the smooth flow of water and can compound the problems already associated with canal damage and obstructions. Addressing damages and the issue of water hyacinth is essential for comprehensive and efficient canal maintenance. Traditionally, this process relied on farmers reporting issues or authorities conducting inspections, a method that can be both timeconsuming and challenging, particularly for hard-toreach canals. Although authorities can perform field surveys to inspect canal networks, recording and storing detailed and accurate data is a complex task. This data is crucial for assessing the necessary resources for repairs and preventing the need for repeated visits. Unmanned aerial vehicles (UAVs), commonly known as drones, have gained popularity as a powerful tool for inspecting various infrastructures and environmental elements due to their ability to collect data rapidly and accurately using highresolution optical sensors. Utilizing UAVs for irrigation canal inspection offers numerous advantages compared to traditional inspection methods, including improved accessibility, efficiency, safety, cost-effectiveness, precision, and repeatability. UAVs can access hard-to-reach areas and swiftly cover large canal networks to identify leaks, cracks, blockages, and other issues. However, the vast amount of data collected by UAVs can be overwhelming and challenging to process and analyze. Effective data interpretation is vital for issue identification and maintenance planning, necessitating tools capable of handling this task. With the rapid advancements in computer vision and deep learning, accurately identifying and delineating targets in images has become faster and more precise, facilitating the automation of numerous vision-based tasks. In this context, UAV images can be processed using state-of-the-art deep learning methods to automatically detect canal damages and cracks, addressing a primary challenge in irrigation

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 172 canal inspection. The process of inspecting irrigation canals with UAVs and deep learning involves equipping unmanned aerial vehicles with cameras to capture canal imagery. This collected data is then fed into deep learning algorithms for analysis and the identification of any canal issues or problems. Figure 1 A Canal with Damage - Image Captured with Handheld Camera During Dry Season. The studies on application of automatic detection methods identifying cracks from images have existed from long back [1]. Deep learning based methods have become popular with time for the detection or segmentation of cracks or damages in road and pavement surfaces from images. Several benchmark datasets such as CrackTree260 [2, 3] are widely available for road surface crack segmentation, and diverse architectural approaches were also adopted in this domain using CNN [4, 5, 6, 7] based models to enhance segmentation results. Transformer-based [8, 9] models also have been proposed to enhance detection and segmentation results. Some studies also used Mobile phone cameras to capture images of cracks in the road surface which were used for deep learning based detection. In recent years, UAVs have seen increased use in infrastructure crack detection. Studies have demonstrated that UAVs can efficiently capture high-resolution infrastructure images, which can then be analyzed using deep learning algorithms for crack detection [10, 11]. Remote sensing technologies have also been employed to identify water hyacinth infestations. These methods include satellite imaging [12], vision-based techniques [13], and multispectral imagery [14] for detecting water hyacinths in aquatic environments. Many existing datasets provided for crack detection in infrastructures typically consist of small image chips, primarily designed for classification tasks involving images with and without cracks. In some segmentation-focused datasets, the images are also subdivided into small tiles, often containing only one crack segment per image, limited to the boundaries of the image. This approach simplifies crack annotation but can be time-consuming during inference stages and may not be practical for realtime applications. However, for detecting cracks and damages in irrigation canals, a significant challenge arises is the absence of open-source pre-trained models and datasets tailored for training and testing canal damage and water hyacinth detection/segmentation models suitable for practical conditions poses a noteworthy hurdle. Although some recent studies have delved into canal slope crack identification, their datasets are not readily accessible for reproducing results or testing on images collected in the specific context of Thailand. Our study's main objective is to assess the reliability of UAV data and deep learning methods in identifying canal cracks and water hyacinths. Our primary contributions include the creation of a small dataset that contains fully annotated images with instance-level labels for cracks, damages, and water hyacinths within canal images. To evaluate practical applicability, we have trained and assessed YOLOv8 [15] and RT-DETR [16] models using this dataset, with particular attention to processing time. In summary, our primary goal is to develop a dependable and efficient solution to detect canal damage and water hyacinths, which can significantly support maintenance and repair efforts. 2 DATASET To tackle the issues mentioned above, we have created a new dataset composed of images captured by unmanned aerial vehicles (UAVs) flying over irrigation canals. Our dataset includes images taken at various altitudes, ranging from 5 to 10 meters above the ground. This altitude variation allows us to determine the optimal altitude for achieving both maximum coverage and accurate crack detection. 2.1 Data collection In our research, we employed two UAVs to ensure comprehensive image capture of the canal network. This approach minimized potential biases associated with a single camera and allowed us to cover longer distances of canals simultaneously. Additionally, we meticulously gathered flight log data, including crucial information such as drone IMU, GPS coordinates, and altitude. These details

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 173 are pivotal for geotagging the images and visualizing damage locations on a map during the subsequent stages of the detection process. (a) (b) Figure 2 UAVs used the data collection, (a) DJI Mavic 2 Pro, (b) Autel Evo 2. The study site selected was the Ma Kham Tao U-Thong Canal, spanning from KM. 72+000 to 90+000. Initially, videos were captured during flight and subsequently converted into frames. To ensure the quality of the collected images, we used a custom script to extract frames from the videos and conducted a thorough review of each image. This ensured that each image captured the necessary information and met the required standards. All images were screened to retain only those featuring cracks, damages, or water hyacinths within the canals. We intentionally retained certain images with natural noise to ensure thorough testing for assessing the accuracy of the trained models in practical applications. After completing these pre-processing steps, our dataset consisted of a total of 335 images, each with a resolution of 1920 pixels in width and 1080 pixels in height. Most of these images effectively captured both sides of the canal within the same frame. 2.2 Annotation Annotation is a pivotal step in supervised deep learning, and it holds particular significance in the case of crack detection from UAV images, where narrow cracks must be accurately distinguished from other similar objects. Annotation involves the meticulous labeling of target regions by drawing polygons or bounding boxes around them and assigning category labels, such as 'damage' or 'hyacinth.' In our study, annotation was conducted by drawing polygon shapes at the instance level over all the target regions in the canal and assigning the appropriate labels for 'damage' or 'hyacinth.' This approach ensures that the labels, made at the instance level with polygon shapes, are versatile and can be used in both detection and instance segmentation tasks. The polygon shapes were meticulously drawn to closely align with the boundaries of the regions of interest, guaranteeing precise labeling. The challenge in annotating cracks lies in determining the boundaries of a single 'instance' when dealing with long or complex crack structures, which may include multiple interacting cracks or have varying directions. In previous studies, crack detection tasks were typically treated as classification or semantic segmentation problems. Notably, some studies explored crack detection without specifying how they addressed the challenge of complex crack instances. To simplify this process, we adopted a straightforward approach: we consider a crack as a single instance as long as it remains continuous without any visible breaks or gaps. Whenever a visible break or gap occurs within a crack, we treat it as a separate crack and annotate it with a distinct polygon. The task of labeling water hyacinth is also complex, although not as challenging as labeling cracks. Water hyacinth typically clusters together, floating as large interconnected masses or blobs on the water surface. Occasionally, a few isolated hyacinth plants may float sparsely among these groups. 2.3 Dataset statistics The dataset comprises a total of 330 images, all standardized to the resolution of 1920 x 1080 pixels. Among these, 283 images contain instances of cracks, while 65 images feature water hyacinth instances. The distribution of cracks of varying lengths is depicted in Figure 3, with crack lengths assessed by considering the longest border within the bounding box covering the crack. Although the number of crack instances significantly exceeds that of water hyacinth instances, a contrasting perspective emerges when assessing the total area covered by these instances. Figure 3 Image with Cracks Labeled with Distinctly Colored Polygon Masks.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 174 Figure 4 Image with Water Hyacinths Labeled with Polygon Masks. Table 1 Dataset Statistics Data value No. of Images 330 Image Resolution 1920 x 1080 pixels Images with Cracks 283 No. of Cracks 972 No of images Water Hyacinth blobs 65 No of water Hyacinth blobs 286 Crack length mean = 183.56, std = 197.33 Crack area mean = 941.04, std = 1073.99 Figure 5 Distribution of Cracks by Length 3. TRAINING AND RESULTS Given that our dataset is prepared with images and labels at the instance level, our experiments can encompass both detection and instance segmentation tasks. In this study, we have chosen to conduct experiments with detection and instance segmentation models. It is vital to factor in the speed and computational requirements of the model. For real-world applications, the model must operate in real-time or near real-time and not demand excessive computational resources. Even models with the highest accuracy may prove impractical for real-world use if they are too slow or resourceintensive. In addition to assessing model performance, it's crucial to consider model generalizability. This refers to the model's ability to perform effectively on new, unseen data. As the canal network is subject to constant changes and the possibility of new damage, a model's capacity to generalize to fresh data is of utmost importance. Training directly on high-resolution images can be computationally demanding and may yield suboptimal results, particularly when detecting smaller objects. This is often attributed to information loss during the resizing process when feeding images into the network. Given that many canal cracks are narrow, resizing images could result in a loss of crucial data. To overcome this challenge and preserve the information related to small and thin labels, such as cracks, we adopted an image slicing approach [17]. Each image was sliced into 640 x 640 tiles. For our experiments, we selected YOLOv8 [15], a popular real-time object detection model, and RT-DETR [16]. YOLOv8 offers support for instance segmentation, making it a suitable choice for our study. YOLOv8 is an object detection model and the latest in the series of YOLO which stands for “You Only Look Once”. YOLO models are single stage object detectors and popular for their speed at inference. YOLOs are CNN based and consist of a backbone network and head for final detection and classification. YOLOv8 also consists of a backbone network and head with detections at three levels which are responsible for detecting large, medium and small objects. In earlier versions anchor boxes were used for detection. Anchor boxes are a predefined set of boxes with specific heights and widths, used to detect object classes with the desired scale and aspect ratio. They are chosen based on the size of objects in the training dataset and are tiled across the image during detection. In YOLOv8, anchor-free detection is implemented, so that model directly predicts the center of an object instead of the offset from a known anchor box. RT-DETR, is a transformer-based model for object detection. Transformers have been highly successful in natural language processing and are now being used in computer vision tasks as well. DETR [18] (DEtection TRansformer) applies the transformer architecture to object detection. RealTime Detection Transformer (RT-DETR), developed by Baidu, is a cutting-edge end-to-end object detector that provides real-time performance while maintaining high accuracy. It leverages the power of Vision Transformers (ViT) [19] to efficiently process multiscale features by decoupling

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 175 intra-scale interaction and cross-scale fusion. RTDETR uses an efficient hybrid encoder that processes multiscale features by decoupling intrascale interaction and cross-scale fusion. This unique Vision Transformers-based design reduces computational costs and allows for real-time object detection. RT-DETR improves object query initialization by utilizing IoU-aware query selection. This allows the model to focus on the most relevant objects in the scene, enhancing the detection accuracy. RT-DETR supports flexible adjustments of inference speed by using different decoder layers without the need for retraining. This adaptability facilitates practical application in various real-time object detection scenarios. When assessing the models' performance, it's essential to focus on key metrics. In our evaluation, we chose to adhere to the Microsoft COCO (Common Objects in Context) metrics, which include precision and recall. = + (1) = + (2) - True positives represent valid detections. - False positives denote invalid detections. - False negatives are ground truths that were not detected. Precision measures the proportion of true positive predictions made by the model, as shown in Equation (1). Recall gauges the proportion of true positive instances correctly detected by the model, as expressed in Equation (2). = (3) Figure 6 Intersection over Union (IoU) Calculation In object detection, Intersection over Union (IoU) plays a critical role in assessing the validity of a detection. IoU quantifies the overlap between ground truth labels and model predictions. Equation (3) calculates IoU as the ratio of the area of overlap to the area of the union. The calculation of IoU is illustrated in Figure 4, where the red box represents the ground truth bounding box and the green box represents the predicted bounding box. We conducted training on both YOLOv8 and RT-DETR for 100 epochs, and input image size of 640x640 pixels, and batch size of 16 is used.. For YOLOv8 we opted extra-large size network is opted and AdamW optimizer is used. The initial learning rate selected is 0.0016 and weight decay is 0.0005. For RT-DETR, we opted for the large size version, while YOLOv8 was trained using the extra-large size. We maintained the hyperparameters at their default settings as recommended in their original implementations, aiming to achieve the best possible results. (a) (b) Figure 7: Inference Results - Original Image (a) and Detected Cracks with Instance-Level Segmentation (b)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 176 Figure 8 Inference Results Detected Hyacinths in the Canal. In the assessment of accuracy metrics, we focused on Mean Average Precision at Intersection over Union (IoU) of 50% (mAP50), which provides a valuable measure of the models' precision. The metrics achieved are presented in Table 2, indicating that RT-DETR outperformed YOLOv8 in the detection task, achieving an average precision of 85%. For damage detection, RT-DETR achieved a precision of 79%, and for water hyacinths, a precision of 91%. Table 2 Precision results after training Model YOLOv8 (x) RT-DETR (l) Input size 512 512 mAP50 (Box) 73% 85% mAP50 (Seg) 73% - AP50 (Damage) Box 67% 79% Seg 68% - AP50 (Hyacinth) Box 79% 91% Seg 78% - On the other hand, YOLOv8, which was specifically experimented for instance segmentation, achieved an mAP50 of 73% for box detection and a matching 73% for segmentation. When looking at damage detection, YOLOv8 achieved an average precision of 67% for box detection and 68% for segmentation. For water hyacinth detection, it performed well with an average precision of 79% for box detection and 78% for segmentation. These results highlight the comparative performance of the two models, with RT-DETR excelling in both damage and hyacinth detection, while YOLOv8 demonstrated exceptional proficiency in water hyacinth detection and segmentation. Example inference results with the YOLOv8 model are presented in Figures 7 and 8, showcasing the detection and segmentation of cracks and water hyacinths in the canals, respectively. 4. CONCLUSIONS In this research, we addressed the critical challenge of efficiently inspecting and maintaining irrigation canals in the context of Thailand's extensive canal network. The traditional manual inspection process, which relied on human assessments, has faced significant limitations due to the network's size and the decreasing number of officials. To overcome these challenges, we introduced the concept of utilizing Unmanned Aerial Vehicles (UAVs) equipped with cameras for canal inspection. Our work involved capturing high-resolution imagery of canals using UAVs and developing a deep learning-based object detector to automatically identify canal damages and vegetation-covered areas. The spatial database we created facilitated the storage and visualization of canal-related data, enhancing accessibility and usability. Testing our system on the Ma Kham Tao U-Thong Canal demonstrated its effectiveness in identifying vegetation-covered areas and detecting visible cracks in canal segments. To support the detection efforts, we generated a dataset with annotated images, which is invaluable for training and testing canal damage and water hyacinth detection models. We sliced images to avoid the loss of crucial information associated with resizing, especially for narrow cracks. Our experiments involved training two models, YOLOv8 and RT-DETR, over 100 epochs. RTDETR exhibited superior performance, achieving an average precision of 85%, with 79% precision for damage and 91% precision for hyacinth. YOLOv8, tailored for instance segmentation, achieved a mAP50 of 73% for box detection and segmentation, with varying precision for damage and hyacinth detection and segmentation. In conclusion, our study provides a promising solution for the comprehensive inspection and maintenance of irrigation canals using UAVs and deep learning techniques. The results highlight the significance of selecting the appropriate model for specific detection tasks, where RT-DETR excelled in damage and hyacinth detection, while YOLOv8

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 177 demonstrated proficiency in water hyacinth detection and segmentation. The ability to automate canal inspection using these advanced technologies offers a practical approach to address the maintenance needs of Thailand's extensive canal network and support the agricultural community. REFERENCES [1] Zou, Q., Cao, Y., Li, Q., Mao, Q., & Wang, S. (2012). CrackTree: Automatic crack detection from pavement images. Pattern Recognition Letters, 33(3), 227-238. [2] Zou, Q., Zhang, Z., Li, Q., Qi, X., Wang, Q., & Wang, S. (2018). Deepcrack: Learning hierarchical convolutional features for crack detection. IEEE transactions on image processing, 28(3), 1498-1512. [3] Zhang, L., Yang, F., Zhang, Y. D., & Zhu, Y. J. (2016, September). Road crack detection using deep convolutional neural network. In 2016 IEEE international conference on image processing (ICIP) (pp. 3708-3712). IEEE. [4] Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18(pp. 234-241). Springer International Publishing. [5] Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). Segnet: A deep convolutional encoderdecoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence, 39(12), 2481-2495. [6] Yang, F., Zhang, L., Yu, S., Prokhorov, D., Mei, X., & Ling, H. (2019). Feature pyramid and hierarchical boosting network for pavement crack detection. IEEE Transactions on Intelligent Transportation Systems, 21(4), 1525-1535. [7] Mahmud, M. N., Sabri, N. N. N. A., Osman, M. K., Ismail, A. P., Mohamad, F. A., Idris, M., ... & Rabiain, A. H. (2023, February). Pavement Crack Detection from UAV Images Using YOLOv4. In International Conference on Artificial Intelligence & Industrial Applications (pp. 73-85). Cham: Springer Nature Switzerland. [8] Liu, H., Miao, X., Mertz, C., Xu, C., & Kong, H. (2021). Crackformer: Transformer network for fine-grained crack detection. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 3783-3792). [9] Liu, H., Yang, J., Miao, X., Mertz, C., & Kong, H. (2023). CrackFormer Network for Pavement Crack Segmentation. IEEE Transactions on Intelligent Transportation Systems. [10]Hu, Q., Wang, P., Li, S., Liu, W., Li, Y., Lu, W., ... & Yu, A. (2022). Research on Intelligent Crack Detection in a Deep-Cut Canal Slope in the Chinese South–North Water Transfer Project. Remote Sensing, 14(21), 5384. [11]Liu, K., Han, X., & Chen, B. M. (2019, December). Deep learning based automatic crack detection and segmentation for unmanned aerial vehicle inspections. In 2019 IEEE international conference on robotics and biomimetics (ROBIO)(pp. 381-387). IEEE. [12]Simpson, M. D., Akbari, V., Marino, A., Prabhu, G. N., Bhowmik, D., Rupavatharam, S., ... & Hunter, P. D. (2022). Detecting water hyacinth infestation in kuttanad, india, using dual-pol Sentinel-1 SAR imagery. Remote Sensing, 14(12), 2845. [13]Madake, J., Zope, P., Wargad, I., Bhatlawande, S., & Shilaskar, S. (2022, December). VisionBased Detection of Water Hyacinth. In 2022 5th International Conference on Computational Intelligence and Networks (CINE) (pp. 1-5). IEEE. [14]Pádua, L., Antão-Geraldes, A. M., Sousa, J. J., Rodrigues, M. Â., Oliveira, V., Santos, D., ... & Castro, J. P. (2022). Water hyacinth (Eichhornia crassipes) detection using coarse and high resolution multispectral data. Drones, 6(2), 47. [15]Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLO by Ultralytics. https://github.com/ultralytics/ultralytics. [16]Lv, W., Xu, S., Zhao, Y., Wang, G., Wei, J., Cui, C., ... & Liu, Y. (2023). Detrs beat yolos on real-time object detection. arXiv preprint arXiv:2304.08069. [17]Akyon, F. C., Altinuc, S. O., & Temizel, A. (2022, October). Slicing aided hyper inference and fine-tuning for small object detection. In 2022 IEEE International Conference on Image Processing (ICIP) (pp. 966-970). IEEE. [18] Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020, August). End-to-end object detection with transformers. In European conference on computer vision(pp. 213-229). Cham: Springer International Publishing. [19] Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., ... & Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.119

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 178 การทำนายการไหลในลำน้ำรายชั่วโมงด้วยเทคนิคการเรียนรู้เชิงลึก กรณีศึกษาในลุ่มแม่น้ำเลยตอนล่าง Hourly River Flow Forecasting Using Deep Learning Techniques: Case Study in the Lower Loei River Basin นายกลวัชร หย่ำวิไล1* , วรรณดี ไทยสยาม1 , และพาพิศ วงศ์ชัยสุวัฒน์2 1 ภาควิชาวิศวกรรมทรัพยากรน้ำ, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยเกษตรศาสตร์, กทม., ประเทศไทย 2 ภาควิชาวิศวกรรมอุตสาหการ, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยเกษตรศาสตร์, กทม., ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การพยากรณ์น้ำหลากถือเป็นหนึ่งในความท้าทายของการบริหารจัดการน้ำเพื่อลดผลกระทบเนื่องจากอุทกภัย ของประเทศไทย ในปัจจุบันปัญหาด้านอุทกภัยได้ทวีความรุนแรงมากขึ้น สืบเนื่องจากการเปลี่ยนแปลงด้านต่าง ๆ เช่น สภาพภูมิอากาศ การใช้ประโยชน์ที่ดิน ฯลฯ บทความนี้ ได้ศึกษาและเปรียบเทียบประสิทธิภาพการทำนายการไหลในลำน้ำ ล่วงหน้ารายชั่วโมงจากสถานีวัดตรวจวัด Kh.58A ในพื้นที่ศึกษาลุ่มแม่น้ำเลยตอนล่าง โดยใช้เทคนิคการเรียนรู้เชิงลึก 3 รูปแบบ คือ โครงข่ายประสาทเทียมแบบวนกลับ (recurrent neural network, RNNs) และ โครงข่ายที่ถูกพัฒนาให้มี เสถียรภาพเพิ่มขึ้นและลดข้อบกพร่องลง ได้แก่ long short-term memories (LSTMs) และ gate recurrent units (GRUs) ทั้งในแบบจำลองปกติและแบบจำลองที่ผู้วิจัยได้พัฒนาสถาปัตยกรรมให้มีความซับซ้อนมากขึ้น ในการฝึกสอน ตรวจทาน และ ทดสอบแบบจำลอง โดยใช้ข้อมูลอัตราการไหลในลำน้ำจากสถานีตรวจวัดจำนวน 6 สถานี(Kh.58A, Kh.28, Kh.61, Kh.77A, Kh.78 และ Kh.105) ระยะเวลา 15 ปี ระหว่างปีพ.ศ. 2549 - 2563 เพื่อพยากรณ์อัตราการไหลล่วงหน้า 12 ชั่วโมงของสถานี Kh.58A และนำมาประเมินประสิทธิภาพการพยากรณ์ของแบบจำลอง ด้วยตัวชี้วัด5 ตัวชี้วัด ได้แก่ ค่าสัมประสิทธิ์สหสัมพันธ์ (correlation coefficient, R) ค่าประสิทธิภาพ Nash-Sutcliffe (Nash-Sutcliffe Efficiency, NSE)ค่าเฉลี่ยความผิดพลาดสมบูรณ์ (mean absolute error, MAE) รากที่สองของค่าเฉลี่ยความผิดพลาดกำลังสอง (root mean square error, RMSE) และ ค่าเฉลี่ย ความล่าช้าน้ำท่วมสูงสุด (average flood peak delay, AFPD) ผลที่ได้จากการศึกษาพบว่า แบบจำลอง stacked GRU ให้ผล การทำนายที่มีความแม่นยำสูงสุดใน 4 ตัวชี้วัด ได้แก่ ค่า R = 0.984 ค่า NSE = 0.967 ค่า MAE = 4.3 ลูกบาศก์เมตรต่อ วินาที และค่า RMSE = 12.8 ลูกบาศก์เมตรต่อวินาที โดยให้ค่า AFPD = 4.5 ชั่วโมง ซึ่งต่ำกว่าค่าเฉลี่ยที่ 5.2 ชั่วโมง แบบจำลอง stacked GRU จึงสามารถนำไปทำนายอัตราการไหลในลุ่มน้ำเลยตอนล่างและประยุกต์ใช้กับลุ่มน้ำอื่น ๆ เพื่อการ บริหารจัดการทรัพยากรน้ำได้ คำสำคัญ: การทำนายการไหลในลำน้ำรายชั่วโมง, การเรียนรู้เชิงลึก, โครงข่ายประสาทเทียมแบบวนกลับ, long short-term memory networks, gated recurrent units, ลุ่มแม่น้ำเลยตอนล่าง

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 179 Abstract Flood forecasting is one of the most important challenges for water resource management to reduce the impact of flooding in Thailand. At present, the impacts of floods in Thailand have become more severe due to changes in various fields such as climate and land use, etc. This paper compares the efficiency of hourly river forecasting for station Kh.58A in the lower Loei River basin. Three deep learning models were investigated: recurrent neural networks (RNNs) and their variants which have been improved with increased stability and reduced defects, long-term memory networks (LSTMs), and gated recurrent units (GRUs). Not only ordinary models but also architectural improvements were considered. 15-year hourly river flows (2006–2020) from 6 stations (Kh.58A, Kh.28, Kh.61, Kh.77A, Kh.78, and Kh.105) were used to train, validate, and test models that predict 12-hourly flows from station Kh.58A. These models were evaluated using four performance indicators: correlation coefficient (R), Nash-Sutcliffe efficiency (NSE), mean absolute error (MAE), and root mean square error (RMSE). The result of this study shown stacked GRU model provides the most accurate prediction results in 4 indicators: R = 0.985, NSE = 0.967, MAE = 4.3 m 3 /s, and RMSE = 12.8 m3 /s, although AFPD = 4.5 hours which is not the best value but less than the overall average of AFPD at 5.2 hour. The further application, stacked GRU be applied to develop flood forecasting for water management in the lower Loei River basin. Keywords: hourly river flow forecasting, deep learning, recurrent neural networks, long short-term memory networks, gated recurrent units, lower Loei River Basin

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 180 1. คำนำ ในช่วง 20 ปี (พ.ศ. 2543-2562) จำนวนน้ำท่วมใหญ่ทั่ว โลก เพิ่มขึ้นกว่าสองเท่า จาก 1,389 ครั้ง เป็น 3,254 ครั้ง [1] สะท้อนให้เห็นปัญหาน้ำท่วมได้ทวีความรุนแรงมากขึ้น ผลสืบเนื่องจากการเปลี่ยนแปลงในหลายด้าน เช่น สภาพภูมิอากาศ [2] การใช้ประโยชน์ที่ดิน [3] ฯลฯ การพยากรณ์น้ำหลากให้แม่นยำและทันการณ์ ถือเป็นความ ท้าทายของการบริหารจัดการน้ำ เพราะจะช่วยให้หน่วยงาน ที่รับผิดชอบ มีข้อมูลเพียงพอเพื่อแจ้งเตือนล่วงหน้า รวมทั้ง เฝ้าระวังและเผชิญเหตุ อย่างมีประสิทธิภาพ การเรียนรู้เชิงลึก (Deep learning) ถูกนำเสนอโดย Geoffrey Hinton ในปี พ.ศ.2549 [4] ถือเป็นส่วนหนึ่ง ภายใต้ ปัญญาประดิษฐ์ (Artificial Intelligent) และ การ เรียนรู้ของเครื่อง (Machine Learning) ซึ่งการเรียนรู้เชิง ลึกเป็นแบบจำลองการคำนวณที่ประกอบด้วยเลเยอร์การ ประมวลผลหลายชั้น สามารถเรียนรู้การวิเคราะห์ข้อมูลที่ มีความซับซ้อนได้[5] แบบจำลองดังกล่าวได้ถูกนำมาใช้ อย่างแพร่หลายในปัจจุบัน ทั้ง การแปลงคำพูด [6] การ ตรวจจับและจำแนกวัตถุ [7] รวมไปถึงใช้ในการพยากรณ์ สภาพอากาศ เช่น การพยากรณ์ฝน [8] ค่าระดับน้ำ [9] หรือการทำนายน้ำหลาก [10] แต่ในประเทศไทยยังพบ การศึกษาในลักษณะนี้ไม่มากนัก [11-13] บทความนี้ นำเสนอการประยุกต์ใช้เทคนิคการเรียนรู้เชิง ลึกเพื่อการทำนายน้ำหลากรายชั่วโมงในพื้นที่ลุ่มน้ำตัวอย่าง เพื่อสามารถนำแบบจำลองไปประยุกต์ใช้และพัฒนาเพื่อการ บริหารจัดการทรัพยากรน้ำของประเทศได้ 2. วิธีการ 2.1 พื้นที่ศึกษา สถานี Kh.58A อยู่ในพื้นที่ลุ่มแม่น้ำเลยตอนล่าง มีพื้นที่รับน้ำ 3,093 ตร.กม. ปริมาณน้ำท่ารายปี 1,047 ล้านลบ.ม. แบ่งเป็น ปริมาณน้ำในฤดูฝน 994 ล้านลบ.ม. และ ฤดูแล้ง 53 ล้านลบ.ม. อัตราการไหลในลำน้ำเฉลี่ยอยู่ที่ 34.87 ลบ.ม.ต่อวินาที และ อัตราการไหลที่ระดับตลิ่งอยู่ที่ 490 ลบ.ม.ต่อวินาที รูปที่ 1 แสดงขอบเขตพื้นที่ศึกษาลุ่มน้ำเลยตอนล่าง และ ตำแหน่งที่ตั้งสถานีตรวจวัดระดับน้ำ ทั้ง 6 สถานี 2.2 การเตรียมชุดข้อมูล การศึกษาจะใช้ข้อมูลระดับน้ำจากสถานีตรวจวัด จำนวน 6 สถานี (Kh.58A, Kh.28, Kh.61, Kh.77A, Kh.78 และ Kh.105) ในลุ่มน้ำเลยตอนล่าง ระยะเวลา 15 ปี (พ.ศ. 2549 – 2563) แปลงเป็นอัตราการไหลในลำน้ำด้วย เส้นโค้งความสัมพันธ์ระดับน้ำและอัตราการไหล (Rating Curve) ผ่านการปรับเข้ามาตราฐาน (Standardization) ก่อนจะแบ่งสัดส่วนร้อยละ 75 ต่อ 25 เพื่อใช้เป็นชุดข้อมูลใน การฝึกสอน และทดสอบแบบจำลอง โดยการฝึกสอน แบบจำลองจะใช้ชุดข้อมูลย้อนหลัง 24 ชั่วโมง เพื่อพยากรณ์ อัตราการไหลล่วงหน้า 12 ชั่วโมงของสถานี Kh.58A 2.3 แบบจำลอง แบบจำลองที่ใช้เปรียบเทียบ แบ่งเป็น 9 แบบจำลอง ประกอบด้วยการใช้โครงข่ายประสาทเทียม 3 รูปแบบ คู่ กับ สถาปัตยกรรม 3 รูปแบบ โดยมีรายละเอียด ดังนี้

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 181 2.3.1 โครงข่ายประสาทเทียม แบบจำลองประกอบด้วยโครงข่ายประสาทเทียม 3 รูปแบบ ได้แก่ โครงข่ายประสาทเทียมแบบวนกลับ (recurrent neural network, RNNs) [14] และโครงข่ายที่ ถูกพัฒนาให้มีเสถียรภาพเพิ่มขึ้นและลดข้อบกพร่องลง ได้แก่ long short-term memories (LSTMs) [15] และ gate recurrent units (GRUs) [16] 2.3.2 สถาปัตยกรรมของแบบจำลอง การทดลองกำหนดให้มีการจัดเรียงโครงข่าย แบบจำลอง เป็น 3 แบบ ได้แก่ 1.การจัดเรียงแบบ 1 ชั้น (Single Layer) ประกอบด้วยชั้นนำเข้า (Input) และชั้น ส่งออกหรือผลลัพธ์ (Output) เป็นโครงข่ายแบบง่ายที่สุด และเป็นพื้นฐานของโครงข่ายแบบอื่น 2.การจัดเรียงแบบ ห ล า ย ชั ้น (Stacked Layer ห ร ื อ Multilayer ) เ ป็ น โครงข่ายที่มีความซับซ้อนมากขึ้น โดยการทดลองเลือกใช้ การจัดเรียง 2 ชั้น เป็นตัวแทนของโครงข่ายแบบหลายชั้น เนื่องจากมีความซับซ้อนน้อยที่สุดในกลุ่มโครงข่ายแบบ หลายชั้น ประกอบด้วย ชั้นนำเข้า (Input) ชั้นประมวลผล (Hinden) และชั้นผลลัพธ์ (Output) และ 3.การจัดเรียง แบบ 2 ทิศทาง (Bi-Directional) [17] เพื่อเป็นตัวแทน ของการ โครงข่ายที่มีการป้อนข้อมูลในลักษณะไปกลับ 2 ทิศทาง และด้วยข้อจำกัดของประสิทธิภาพคอมพิวเตอร์ และกำหนดให้การประมวลผลใช้เวลาที่ไม่เกิน 3 ชั่วโมง จึงกำหนดให้ไฮเปอร์พารามิเตอร์ ของแต่ละแบบจำลองมี ค่าเท่ากันได้แก่ 128 network filter, 100 epochs, 200 steps per epoch, RMSProp optimizer และ MAE loss function 2.4 ประเมินประสิทธิภาพการพยากรณ์ของแบบจำลอง ประกอบด้วยตัวชี้วัดทางสถิติ5 ตัวชี้วัด ได้แก่ ค่าสัมประสิทธิ์สหสัมพันธ์ (correlation coefficient, R) ค่า ประสิทธิภาพ Nash-Sutcliffe (Nash-Sutcliffe Efficiency, NSE) ค่าเฉลี่ยความผิดพลาดสมบูรณ์หน่วย ลบ.ม.ต่อวินาที (mean absolute error, MAE) รากที่สองของค่าเฉลี่ยความ ผิดพลาดกำลังสอง หน่วย ลบ.ม.ต่อวินาที (root mean square error, RMSE)และ ค่าเฉลี่ยความล่าช้าน้ำท่วมสูงสุด (average flood peak delay, AFPD) หน่วย ชั่วโมง 3. ผลการศึกษา ผลที่ได้จากการศึกษา แสดงดังตารางที่ 1 พบว่า แบบจำลอง Stacked GRU ให้ผลการพยากรณ์ที่ความ แม่นยำสูงสุดทั้ง 4 ตัวชี้วัดค่า R = 0.984 ค่า NSE = 0.967 ค่า MAE = 4.3 ลบ.ม.ต่อวินาที และค่า RMSE = 12.8 ลบ.ม.ต่อวินาที รองลงมาได้แก่ Bi-Directional GRU ที่ให้ผลเป็นลำดับที่ 2 ทั้ง 4 ตัวชี้วัด สำหรับค่า AFPD จะแตกต่างออกไปโดยแบบจำลอง Stacked RNN ให้ผลการทดสอบที่ดีที่สุดที่ 2.5 ชั่วโมง รองลงมาเป็น Single RNN ที่ 3.4 ชั่วโมง, Stacked LSTM ที่ 3.9 ชั่วโมง และ Stacked GRU ที่ 4.5 ชั่วโมง แม้ Stacked GRU จะไม่ได้ให้ค่าที่ดีที่สุด แต่ผลที่ได้ยังต่ำ กว่าค่าเฉลี่ยของทั้ง 9 แบบจำลองที่5.2 ชั่วโมง ตารางที่ 1 ผลการทดสอบทั้ง 9 แบบจำลอง แบบจำลอง ตัวขี้วัด R NSE MAE1 RMSE1 AFPD2 Single RNN 0.977 0.952 6.0 15.4 3.4 Single LSTM 0.979 0.959 6.1 14.3 7.3 Single GRU 0.979 0.958 5.4 14.4 5.3 Stacked RNN 0.974 0.942 7.1 16.9 2.5 Stacked LSTM 0.977 0.954 6.4 15.1 3.9 Stacked GRU 0.984 0.967 4.3 12.8 4.5 Bi-Directional RNN 0.974 0.948 6.0 16.1 8.4 Bi-Directional LSTM 0.979 0.953 7.1 15.2 5.0 Bi-Directional GRU 0.981 0.961 4.4 14.0 6.9 ค่าเฉลี่ย 0.978 0.955 5.9 14.9 5.2 1 หน่วย ลูกบาศก์เมตรต่อวินาที 2 หน่วย ชั่วโมง รูปที่ 2 ผลการพยากรณ์อัตราการไหล ล่วงหน้า 12 ชั่วโมง สถานี Kh.58A ตั้งแต่ 1ต.ค. 60 เวลา11.00 น. ถึง14ต.ค.60เวลา04.00 น.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 182 รูปที่ 3 ผลการพยากรณ์อัตราการไหล ล่วงหน้า 12 ชั่วโมง สถานี Kh.58A ตั้งแต่ 16ต.ค. 60 เวลา 12.00 น. ถึง26ต.ค.60เวลา 11.00 น. 4. สรุปและข้อเสนอแนะ แบบจำลอง stacked GRU สามารถนำไปทำนาย อัตราการไหลในลุ่มน้ำเลยตอนล่างได้และประยุกต์ใช้กับ ลุ่มน้ำอื่น ๆ เพื่อการบริหารจัดการทรัพยากรน้ำได้ อย่างไรก็ตาม การศึกษายังพบข้อจำกัดที่สามารถนำไป พัฒนาต่อ โดยมีข้อเสนอแนะ ดังนี้ 1. จากการศึกษา ใช้ข้อมูลอัตราการไหลของสถานี เหนือน้ำเป็นข้อมูลในการฝึกสอนแบบจำลอง ซึ่งยังมีชุด ข้อมูลที่น่าสนใจและสามารถนำมาเป็นชุดข้อมูลฝึกสอน เพิ่มเติมได้ เช่น ปริมาณน้ำฝน ปริมาณน้ำใต้ดิน ความชื้น ในดิน การใช้ประโยชน์ที่ดิน 2. จากการศึกษา ได้กำหนดให้ใช้ ไฮเปอร์ พารามิเตอร์เท่ากันทุกแบบจำลอง เพื่อควบคุม Computation time และให้การทดลองเปรียบเทียบบน ข้อจำกัดเดียวกัน อย่างไรก็ตาม สามารถปรับปรุง ไฮเปอร์ พารามิเตอร์ให้มีความหลากหลายมากขึ้น และเพิ่ม จำนวนชั้นของโครงข่าย เพื่อเพิ่มความซับซ้อน และ ทดสอบแบบจำลองขึ้นได้ รวมทั้งการเพิ่มประสิทธิภาพ ของคอมพิเตอร์ประมวลผล ก็สามารถช่วยลด Computation time ลงได้ 3. รูปแบบของแบบจำลองการเรียนรู้เชิงลึกที่ยัง ไม่ได้นำมาใช้ในก ารทดลอ ง ยกตัวอย่า งเ ช่ น Convolutional Neural Network (CNN) หรือเทคนิค อื่น ๆ เช่น Attention, Transformer หรือการใช้ แบบจำลองหลายโมเดลร่วมกัน (Hybrid Model) สามารถ นำมาประยุกต์ใช้เพื่อเพิ่มประสิทธิภาพของแบบจำลองได้ 4. จากการศึกษา แบบจำลอง stacked GRU ให้ค่า AFPD อยู่ที่ 4.5 ชั่วโมง ซึ่งสามารถหาแนวทางในการ ปรับปรุงแบบจำลองเพื่อลดปัญหาดังกล่าวได้ เอกสารอ้างอิง [1] Reduction, U.N.O.D.R. (2020). Human Cost of Disasters: An Overview of the Last 20 Years 2000-2019. UN Office for Disaster Risk Reduction, USA, ISBN- 9789210054478. [2] Hirabayashi, Y., Mahendran, R., Koirala, S., Konoshima, L., Yamazaki, D., Watanabe, S., ... & Kanae, S. (2013). Global flood risk under climate change. Nature climate change, 3(9), 816-821. [3] Brath, A., Montanari, A., & Moretti, G. (2006). Assessing the effect on flood frequency of land use change via hydrological simulation (with uncertainty). Journal of hydrology, 324(1-4), 141-153. [4] Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554. [5] LeCun, Y., Bengio, Y. & Hinton, G. (2015). Deep learning. Nature 521, 436–444 [6] Richardson, F., Reynolds, D., & Dehak, N. (2015). Deep neural network approaches to speaker and language recognition. IEEE signal processing letters, 22(10), 1671-1675. [7] Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11), 3212- 3232. [8] Hernández, E., Sanchez-Anguix, V., Julian, V., Palanca, J., & Duque, N. (2016). Rainfall prediction: A deep learning approach. In

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 183 Hybrid Artificial Intelligent Systems: 11th International Conference, HAIS 2016, Seville, Spain, April 18-20, 2016, Proceedings 11 (pp. 151-162). Springer International Publishing. [9] Pan, M., Zhou, H., Cao, J., Liu, Y., Hao, J., Li, S., & Chen, C. H. (2020). Water level prediction model based on GRU and CNN. Ieee Access, 8, 60090-60100. [10]Liu, D., Jiang, W., Mu, L., & Wang, S. (2020). Streamflow prediction using deep learning neural network: case study of Yangtze River. IEEE access, 8, 90069-90086. [11] Weesakul, U., Kaewprapha, P., Boonyuen, K., & Mark, O. (2018). Deep learning neural network: A machine learning approach for monthly rainfall forecast, case study in eastern region of Thailand. Engineering and Applied Science Research, 45(3), 203-211. [12] Puttinaovarat, S., & Horkaew, P. (2020). Flood forecasting system based on integrated big and crowdsource data by using machine learning techniques. IEEE Access, 8, 5885- 5905. [13]Thaisiam, W., Saelo, W., & Wongchaisuwat, P. (2022). Enhancing a Multi-Step Discharge Prediction with Deep Learning and a Response Time Parameter. Water, 14(18), 2898. [14] Michael I. Jordan. (1986). Serial order: A parallel distributed processing approach. Technical Report 8604, Institute for Cognitive Science, University of California, SanDiego,. [15] Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. [16] Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555. [17]Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE transactions on Signal Processing, 45(11), 2673-2681.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 184 การจัดการน้ำบาดาล Groundwater Management การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติ ครั้งที่ 9 The 9th National Convention on Water Resources Engineering เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม Empowering Water Management through Emerging Technology and Digital Social Engagement

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 185 การประเมินศักยภาพน้ำบาดาล แอ่งน้ำบาดาลปราจีนบุรี - สระแก้ว ประเทศไทย Assessment of groundwater potential mapping in Prachinburi – Sa Kaeo groundwater basin ชวภัณต์ จันทร์โพธิ์1 , ศรีเลิศ โชติพันธรัตน์2 1 สหสาขาวิชาวิทยาศาสตร์สิ่งแวดล้อม, บัณฑิตวิทยาลัย, จุฬาลงกรณ์มหาวิทยาลัย, จังหวัดกรุงเทพมหานคร, ประเทศไทย 2 ภาควิชาธรณีวิทยา คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ถนนพญาไท เขตปทุมวัน กรุงเทพมหานคร 10330 3 ศูนย์เชี่ยวชาญเฉพาะทางด้านนวัตกรรมสิ่งแวดล้อมและการจัดการโลหะ สถาบันวิจัยสภาวะแวดล้อม จุฬาลงกรณ์ มหาวิทยาลัย ถนนพญาไท เขตปทุมวัน กรุงเทพมหานคร 10330 อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การประเมินศักยภาพน้ำบาดาลเป็นส่วนสำคัญของการสำรวจน้ำบาดาลอย่างมีประสิทธิภาพ น้ำบาดาลเป็นทรัพยากรที่ สามารถใช้ประโยชน์ได้ทั้งอุตสาหกรรมและการเกษตรอย่างมีประสิทธิภาพ ปัจจุบันประเทศไทยมีแนวโน้มการใช้น้ำบาดาล เพิ่มสูงขึ้น การศึกษานี้มีการใช้ ระบบสารสนเทศภูมิศาสตร์ (GIS) ด้วยกระบวนการวิเคราะห์ตามลําดับชั้น (Analytic Hierarchy Process, AHP) เป็นเทคนิคที่ใช้ในการวิเคราะห์และสร้างปัจจัยด้านสิ่งแวดล้อมทางภูมิศาสตร์ ที่มีผลต่อศักยภาพ น้ำบาดาล โดยการนำปัจจัยต่างๆ มาแปลงเป็นแผนที่เฉพาะเรื่องเพื่อทำแผนที่ศักยภาพน้ำบาดาล โดยวิธีของ AHP จะมีการให้ คะแนนลำดับความสำคัญของปัจจัยต่างๆ ในการคำนวนความเป็นไปได้ที่จะเกิดน้ำบาดาลในพื้นที่ จากการศึกษาได้แผนที่ ศักยภาพน้ำบาดาลได้มีการตรวจสอบความถูกต้องด้วยพื้นที่ใต้เส้นโค้ง (The Receiver operating characteristic/Area under curve, ROC/AUC) ที่มีค่าความแม่นยำ 0.622 (62.2%) ถือว่ามีค่าความแม่นยำที่ยอมรับได้ คำสำคัญ: ศักยภาพน้ำบาดาล, ระบบสารสนเทศภูมิศาสตร์, กระบวนการวิเคราะห์ตามลําดับชั้น Abstract Assessment of groundwater potential is an important part of effective groundwater exploration. Groundwater is a resource that can effectively provide water for both industry and agriculture. Currently, the trend of groundwater usage in Thailand has been increasing. The current study used by geographic information systems (GIS) analytical hierarchy process (AHP). The technique was used to analyze and generate the geographic environmental factors that affects groundwater potential. Take the factors and convert them into thematic maps to mapping the groundwater potential map. The analytical hierarchy process method is mostly based on various factors to help calculate the possibility of groundwater in the area. From the study, the groundwater potential map was validation with ROC/AUC (The Receiver operating characteristic/Area under curve) with an accuracy value of 0.622 (62.2%), considered to have an accepted value. Keywords: groundwater potential, geographic information systems, analytical hierarchy process

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 186 1. บทนำ 1.1 ความสำคัญของปัญหา น้ำบาดาลเป็นแหล่งน้ำที่อยู่ลึกลงไปใต้พื้นดินซึ่งเกิด จากสภาพทางธรณีวิทยาและอุทกธรณีวิทยาของพื้นที่ ปัจจัยทางกายภาพ ปัจจัยทางภูมิศาสตร์และปัจจัยที่เกิด จากมนุษย์ มีผลต่อคุณภาพและปริมาณน้ำบาดาล ส่งผล ให้เกิดการเปลี่ยนแปลงของสภาวะการเติมน้ำบาดาล คุณภาพ และการใช้น้ำบาดาล ซึ่งน้ำบาดาลเป็นทรัพยากร ที่สามารถใช้ได้ในฤดูแล้ง มีคุณภาพน้ำที่ดี โดยนำไปใช้เพื่อ วัตถุประสงค์ต่าง ๆ เช่น การอุปโภคบริโภค กิจกรรมทาง การเกษตรและอุตสาหกรรมทั่วโลก (UNESCO, 2015) เทคนิคการสำรวจระยะไกล (RS) และระบบสารสนเทศ ภูมิศาสตร์ (GIS) สามารถเพิ่มประสิทธิภาพในการทำนาย ศักยภาพของน้ำบาดาลได้ซึ่งช่วยเพิ่มความแม่นยำของ แผนที่ (Nguyen and Srilert, 2023) จากมุมมองการ สำรวจแหล่งน้ำบาดาลคำว่า "ศักยภาพของน้ำบาดาล" คือ ความเป็นไปได้ที่จะพบน้ำบาดาลในพื้นที่ (Jha et al., 2010) ในการทำแผนที่ศักยภาพน้ำบาดาลได้ใช้การ ผสมผสานระหว่างระบบข้อมูลทางภูมิศาสตร์ การสำรวจ ระยะไกล และเทคนิคการเรียนรู้ของเครื่องจักรเพื่อทำ แผนที่ศักยภาพของน้ำบาดาล (Nguyen et al., 2022) รวมถึงกระบวนการวิเคราะห์ตามลําดับชั้น เป็นที่นิยมใช้ ในการเรียงลำดับปัญหาที่ซับซ้อนในด้านการจัดการ ทรัพยากรธรรมชาติ ร ะ บ บ ส า ร ส น เ ท ศ ภ ู ม ิ ศ า ส ต ร ์ ( Geographic Information System, GIS) คือ กระบวนการทำงาน เกี่ยวกับข้อมูลเชิงพื้นที่ด้วยระบบคอมพิวเตอร์ ที่ใช้ กำหนดข้อมูลและสารสนเทศ ที่มีความสัมพันธ์กับ ตำแหน่งเชิงพื้นที่ เช่น ที่อยู่ บ้านเลขที่ สัมพันธ์กับ ตำแหน่งในแผนที่ตำแหน่ง เส้นรุ้ง เส้นแวง (คณะ วิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย., 2016) กระบวนการวิเคราะห์ตามลําดับชั้น (Analytic Hierarchy Process, AHP) คือ การกำหนดน้ำหนัก สำหรับการทำแผนที่เฉพาะเรื่อง ซึ่งเป็นเทคนิคที่ได้รับ ความนิยมกันอย่างแพร่หลายในด้านการจัดการ ทรัพยากรธรรมชาติและสิ่งแวดล้อม เป็นการตัดสินใจ เลือกหรือเรียงลำดับทางเลือกของปัญหาที่ต้องใช้การ ตัดสินใจที่ซ้ำซ้อนโดยสร้างรูปแบบการตัดสินใจให้เป็น โครงสร้างลำดับชั้นและนำข้อมูลที่ได้จากความคิดเห็นของ ผู้เชี่ยวชาญมาวิเคราะห์สรุปแนวทางเลือกที่เหมาะสม (สมาคมโปรแกรมเมอร์ไทย, 2018) น้ำบาดาลเป็นแหล่งน้ำสำรองที่สำคัญของประเทศ ปัจจุบันประเทศไทยมีการพัฒนาน้ำบาดาลมาใช้ประโยชน์ อย่างกว้างขวาง เพื่อรองรับการขยายตัวของประชากร เศรษฐกิจ และสังคม อันเนื่องมาจากลักษณะเด่นของน้ำ บาดาล คือ คุณภาพและอุณหภูมิค่อนข้างคงที่ ใช้พื้นที่ และการลงทุนต่อหน่วยต่ำกว่าการใช้น้ำประปาและน้ำผิว ดิน ปริมาณไม่ผันแปรตามฤดูกาล (กรมทรัพยากรน้ำ บาดาล, 2020) เนื่องจากในฤดูแล้งเกษตรกรประสบ ปัญหาการขาดแคลนน้ำเนื่องจากอุณหภูมิที่เพิ่มขึ้น ซึ่ง ส่งผลให้อัตราการระเหยสูงและปริมาณน้ำฝนลดลงต่ำ ดังนั้นน้ำบาดาลจึงกลายเป็นแหล่งน้ำจืดเพิ่มเติมที่จำเป็น (Narongsak and Srilert, 2021) นอกจากนี้ ประเทศไทย ยังไม่มีนโยบายสำหรับการจัดการน้ำบาดาลอย่างยั่งยืน จึง ควรมีการปรับปรุงความเข้าใจและการวางแผนทรัพยากร น้ำบาดาลของประเทศเพื่อรับมือกับผลกระทบร้ายแรงที่ คาดการณ์ไว้จากการเปลี่ยนแปลงสภาพภูมิอากาศและ จำนวนประชากรที่เพิ่มขึ้น (Nguyen et al., 2022) การ ประเมินศักยภาพในการเติมน้ำบาดาลจึงเป็นสิ่งสำคัญใน การกำหนดระดับการใช้ทรัพยากรน้ำบาดาลอย่างยั่งยืน (Srilert et al., 2015) แอ่งน้ำบาดาลปราจีนบุรี - สระแก้ว เป็นแอ่งน้ำ บาดาลขนาดใหญ่ ครอบคลุมพื้นที่ 8 จังหวัด ได้แก่ ปราจีนบุรี สระแก้ว จันทบุรี ฉะเชิงเทรา ชลบุรี บุรีรัมย์ นครนายกและนครราชสีมา ครอบคลุมพื้นที่ประมาณ 18,955 ตร.กม. ซึ่งเป็นแอ่งน้ำบาดาลขนาดใหญ่และมี ความต้องการใช้น้ำที่มากขึ้นในทุกๆ ปี ทั้งด้านอุปโภค บริโภค การเกษตร และอุตสาหกรรม

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 187 ในงานวิจัยครั้งนี้กำหนดพื้นที่ศึกษาคือ แอ่งน้ำ บาดาลปราจีนบุรี - สระแก้ว สามารถใช้ประโยชน์ได้อย่าง กว้างขวาง และเป็นส่วนที่เติมน้ำให้กับแอ่งน้ำบาดาล ใกล้เคียงได้ เช่น แอ่งน้ำบาดาลชลบุรี – ระยอง ซึ่งเป็น พื้นที่สำคัญในด้านอุตสาหกรรมที่สำคัญของประเทศ หรือ เรียกว่า เขตพัฒนาพิเศษภาคตะวันออก (Eastern Economic Corridor, EEC) ซึ่งมีความต้องการทรัพยากร น้ำเป็นจำนวนมาก และแอ่งน้ำบาดาลปราจีนบุรี - สระแก้ว ซึ่งเป็นพื้นที่สำคัญในด้านอุตสาหกรรม จึง จำเป็นต้องพึ่งพาทรัพยากรน้ำ และน้ำบาดาลเป็น ทรัพยากรที่สามารถให้น้ำได้อย่างมีประสิทธิภาพทั้งด้าน อุตสาหกรรมและการเกษตร 1.2 วัตถุประสงค์ สร้างแผนที่ศักยภาพน้ำบาดาลในพื้นที่แอ่งน้ำบาดาล ปราจีนบุรี – สระแก้ว 1.3 ขอบเขตของการวิจัย ศึกษาความสามารถในการใช้งาน ระบบสารสนเทศ ภูมิศาสตร์ และการสำรวจข้อมูลระยะไกลร่วมกับเทคนิค กระบวนการวิเคราะห์ตามลําดับชั้น 2. ทฤษฎีและการศึกษาที่เกี่ยวข้อง 2.1 น้ำบาดาล (Groundwater) เป็นน้ำที่อยู่ลึกลงไปใต้ดินถูกกักเก็บและสะสมอยู่ ภายในช่องว่างและรอยแตกของชั้นหินและชั้นดินตะกอน จากการหมุนเวียนของ วัฏจักรน้ำ ในธรรมชาติ ซึ่งมีจุด กำเนิดจากหยาดน้ำฟ้า หรือน้ำในบรรยากาศ ไม่ว่าจะอยู่ ในรูปของน้ำฝน หิมะ เมฆหมอก หรือไอน้ำ ที่ตกลงสู่ผืน ดินจนกลายเป็นน้ำผิวดิน ให้กำเนิดแม่น้ำ ลำคลอง และ มหาสมุทร น้ำผิวดินบางส่วนไหลลงสู่ใต้ดิน ซึมอยู่ภายใน ช่องว่างของเม็ดดินกลายเป็นน้ำในดินที่สามารถระเหย กลับไปเป็นน้ำฟ้าอีกครั้ง เมื่อถูกแสงแดด แต่ยังน้ำ บางส่วนที่ไหลลึกลงไปสู่ชั้นหินและชั้นดินตะกอนด้านล่าง เติมเต็มช่องว่างและรอยแตกของชั้นหินเหล่านั้น จน กลายเป็นจุดกำเนิดของแหล่งน้ำบาดาล หรือน้ำบาดาล (National Geographic ฉบับภาษาไทย, 2020) 2.2 ร ะ บ บ ส า ร ส น เ ทศ ภ ู ม ิ ศ า ส ต ร ์ ( Geographic Information System, GIS) กระบวนการทำงานเกี่ยวกับข้อมูลเชิงพื้นที่ด้วยระบบ คอมพิวเตอร์ ที่ใช้กำหนดข้อมูลและสารสนเทศ ที่มี ความสัมพันธ์กับตำแหน่งเชิงพื้นที่ เช่น ที่อยู่ บ้านเลขที่ สัมพันธ์กับตำแหน่งในแผนที่ตำแหน่ง เส้นรุ้ง เส้นแวง (ศูนย์วิจัยภูมิสารสนเทศเพื่อประเทศไทย, 2015) ข้อมูล และแผนที่ในระบบสารสนเทศภูมิศาสตร์ เป็นระบบข้อมูล สารสนเทศที่อยู่ในรูปของตารางข้อมูล และข้อมูลเชิงพื้นที่ ซึ่งรูปแบบและความสัมพันธ์ของข้อมูลเชิงพื้นที่ทั้งหลาย จะสามารถนำมาวิเคราะห์ด้วยระบบสารสนเทศภูมิศาสตร์ และทำให้สื่อความหมายในเรื่องการเปลี่ยนแปลงที่สัมพันธ์ กับเวลาได้ (คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย, 2016) การจัดทำแผนที่ภูมิศาสตร์ด้วยระบบสารสนเทศ ภูมิศาสตร์นั้นโดยปกติจะต้องใช้เทคโนโลยีอื่นๆ มาใช้ ผสมผสาน เข้าด้วยกันเพื่อให้ได้คำตอบที่ถูกต้องและมี ความแม่นยำมากขึ้น โดยมีเทคโนโลยีที่เกี่ยวข้องกับระบบ สารสนเทศภูมิศาสตร์ ดังนี้ 2.2.1 วิทยาศาสตร์คอมพิวเตอร์ (Computer Science) เป็นระบบคอมพิวเตอร์ประสิทธิภาพสูง สามารถ ทำงานได้รวดเร็ว เกี่ยวข้องกับระบบสารสนเทศภูมิศาสตร์ (พันเอก ผู้ช่วยศาสตราจารย์ ดร.ปรัชญา อารีกุล, 2017) 2.2.2 การสำรวจและการทำแผนที่ (Survey and Mapping) เป็นศาสตร์ในการทำแผนที่โดยการสำรวจภาคสนาม โดยอาศัยความรู้เชิงวิศวกรรมในการใช้เครื่องมือในการ สำรวจ เช่น กล้องวัดมุมในการจัดทำวงรอบของพื้นที่ ศึกษา กล้องวัดระดับในการจัดทำระดับความสูงในพื้นที่ ศึกษา และการคำนวณโครงร่างอิงพิกัดภูมิศาสตร์ การ ถ่ายค่าพิกัดหมุดหลักฐานอ้างอิงไปยังจุดสำรวจต่างๆ และ วาดสัญลักษณ์ เส้น และคำอธิบายชื่อเฉพาะ (พันเอก ผู้ช่วยศาสตราจารย์ ดร.ปรัชญา อารีกุล, 2017)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 188 2.2.3 ร ะ บ บ ก า ร จ ั ด ก า ร ฐ า น ข ้ อ ม ู ล ( Database Management System) เป็นการศึกษาโครงสร้างแลพการจัดการฐานข้อมูลใน รูปแบบต่างๆ ทำให้การนำเข้าข้อมูลและจัดเก็บข้อมูลได้ อย่างเป็นระบบ (พันเอก ผู้ช่วยศาสตราจารย์ ดร.ปรัชญา อารีกุล, 2017) 2.2.4 การสำรวจข้อมูลระยะไกล (Remote sensing, RS) เป็นวิทยาศาสตร์ของการได้มาซึ่งข้อมูลเกี่ยวกับวัตถุ พื้นที่ และปรากฏการณ์บนพื้นโลก จากเครื่องรับรู้ โดย ปราศจากการเข้าไปสัมผัสวัตถุเป้าหมาย โดยใช้พลังงาน คลื่นแม่เหล็กไฟฟ้า เป็นสื่อในการได้มาของข้อมูล (สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ, 2015) 2.2.5 ระบบนำทางด้วยดาวเทียม (Global Navigation Satellite System, GNSS) เป็นอุปกรณ์อิเล็กทรอนิกส์ทำหน้าที่เป็นตัวรับ สัญญาณเพื่อประมวลผลเชิงตำแหน่ง ณ จุดที่อุปกรณ์รับ สัญญาณตั้งอยู่ (สถาบันสารสนเทศทรัพยากรน้ำ, 2019) Global Navigation Satellite System (GNSS) หมายถึง กลุ่มดาวดาวเทียมที่ให้สัญญาณจากอวกาศ ซึ่งส่งข้อมูล ตำแหน่งและเวลาไปยังเครื่องรับ GNSS จากนั้นผู้รับจะใช้ ข้อมูลนี้เพื่อระบุตำแหน่ง (European Union Agency for the Space Programme, 2019) 2.3 การจัดลำดับชั้นในการวิเคราะห์ปัญหา (Analytic Hierarchy Process, AHP) การจัดลำดับชั้นในการวิเคราะห์ปัญหา ใช้เพื่อ กำหนดน้ำหนักของแผนที่เฉพาะเรื่อง (Saaty, 1980) Saaty’s AHP เป็นวิธีที่ใช้กันอย่างแพร่หลายในด้านการ จัดการทรัพยากรธรรมชาติและสิ่งแวดล้อม เป็นเทคนิคใน การตัดสินใจเลือกหรือเรียงลำดับทางเลือกของปัญหาที่ ต้องใช้การตัดสินใจที่ซ้ำซ้อนโดยสร้างรูปแบบการตัดสินใจ ให้เป็นโครงสร้างลำดับชั้น และนำข้อมูลที่ได้จากความ คิดเห็นของผู้เชี่ยวชาญมาวิเคราะห์สรุปแนวทางเลือกที่ เหมาะสม โดยการให้ลำดับคะแนนจากผู้เชี่ยวชาญ ตั้งแต่ ระดับคะแนน 1-9 (Saaty, 1980) ซึ่งค่าความสำคัญของ แต่ละลำดับคะแนน แสดงในตารางที่ 1 ตารางที่ 1 ค่าการเปรียบเทียบแบบคู่ของ Saaty’s scale Intensity of Importance1 Definition2 1 Equal importance 2 Equal to moderate importance 3 Moderate importance 4 Moderate to strong importance 5 Strong importance 6 Strong to very strong importance 7 Very strong importance 8 Very to extremely strong importance 9 Extremely strong importance วิธีการของ AHP ร่วมกับ GIS ใช้สำหรับการวิเคราะห์ ชั้นข้อมูลเฉพาะเรื่องหลายชั้นที่กำหนดด้วยน้ำหนักและ การให้คะแนนตามระดับของศักยภาพของน้ำบาดาล ได้ นำมาใช้ในการประมาณน้ำหนักของความสำคัญของแผน ที่เฉพาะเรื่อง เพื่อทดสอบอัตราส่วนความสอดคล้อง (Consistency ratio, CR) AHP เป็นการพิจารณาชุดของ ปัจจัยเพื่อประกอบการพิจารณา และตัวเลือกที่เป็นไปได้ จำนวนหนึ่งเพื่อการตัดสินใจที่ถูกต้อง ในวิธีการของ Saaty น้ำหนักของปัจจัยถูกกำหนดโดยการเพิ่มเวกเตอร์ (Vector) คือข้อมูลที่จัดเก็บอยู่ในรูปแบบชุดข้อมูลของ จุด พิกัดและความสัมพันธ์ระหว่างพิกัดต่างๆ ลักษณะ เฉพาะที่สำคัญของความสัมพันธ์แบบคู่ของตาราง วิธีการ วิเคราะห์ลำดับชั้นของ Saaty AHP จะประเมินชุดปัจจัย และการประเมินความเป็นไปได้อื่นๆ ซึ่งรวมถึงตัวเลือกที่ดี ที่สุด (Kakoli et al., 2012) 2.4 ก า ร ว ิ เ ค ร า ะ ห ์ ค ว า ม ส อ ด ค ล ้ อ ง ข อ งข ้ อ มู ล (Consistency ration, CR) ในการทำกระบวนการลำดับชั้นเชิงวิเคราะห์ จะให้ ความสำคัญกับความสอดคล้องของข้อมูล ทำได้โดยการ บวกผลลัพธ์จากการคูณกันของค่าน้ำหนักความสำคัญและ ค่าผลบวกจากตารางเมทริกซ์ซึ่งผลลัพธ์ที่ได้จะเป็นค่า Eigen Values สูงสุด ( λ max) ซึ่งต่อมาจะนำมา คำนวณหาค่าดัชนีความสอดคล้อง (Consistency Index, CI) ตามสมการที่ 1.1 และ อัตราส่วนความสอดคล้อง (Consistency Ratio, CR) ตามสมการที่ 1.2 ตามลำดับ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 189 แนะนำว่าอัตราส่วนความสอดคล้อง (Consistency Ratio, CR) ควรน้อยกว่า 0.1 (Saaty, 1980) ซึ่งจะแสดง ถึงระดับความสอดคล้องที่เหมาะสมกับการเปรียบเทียบคู่ ของแผนที่เฉพาะเรื่องที่ให้ค่าความแม่นยำที่ดีในการ ทำนายความน่าจะเป็นของน้ำบาดาลในพื้นที่ ดัชนีความสอดคล้อง (Consistency Index, CI) = (−) (−1) (1.1) อัตราส่วนความสอดคล้อง (Consistency Ratio, CR) = (1.2) ค่า RI (Random Index) คือดัชนีสุ่มที่มีค่าขึ้นอยู่กับลำดับ ของเมทริกซ์ จำนวนของแผนที่เฉพาะเรื่อง (Thematic map) ขึ้นอยู่กับความพร้อมของข้อมูลในพื้นที่ศึกษา หลายสาเหตุ ที่ส่งผลต่อการกระจายและการต่ออายุของน้ำบาดาล สถานการณ์น้ำบาดาลของภูมิภาคใดภูมิภาคหนึ่งอาจ แตกต่างกันอย่างมีนัยสำคัญเนื่องจากปัจจัยต่างๆที่มีผลต่อ การเกิดและการเติมน้ำบาดาล(Mahmoud, 2016) 2.5 การตรวจสอบความถูกต้องของแผนที่ศักยภาพน้ำ บาดาล The Receiver Operating Characteristic (ROC) ใช้เพื่อกำหนดความแม่นยำของพื้นที่ เส้นโค้ง ROC ถือ เป็นการนำเสนอแบบกราฟิกของการแลกเปลี่ยนระหว่าง อัตราค่าลบเท็จ (แกน X) และอัตราเท็จบวก (แกน Y) สำหรับการตัดค่าที่เป็นไปได้ทั้งหมด ในการวิเคราะห์เส้น โค้ง ROC พื้นที่ภายใต้เส้นโค้ง (Area Under Curve, AUC) แสดงให้เห็นถึงความแม่นยำของระบบการ คาดการณ์โดยอธิบายถึงความสามารถของระบบในการ คาดการณ์การเกิดขึ้นที่ถูกต้องหรือการไม่เกิดของ เหตุการณ์ ที่กำหนดไว้ล่วงหน้า ยิ่งพื้นที่ภายใต้เส้นโค้ง มี ค่าเข้าใกล้ 1 แสดงถึงแบบจำลองนั้นมีความแม่นยำมาก และการตรวจสอบความถูกต้องเป็นกระบวนการที่สำคัญ ที่สุดในการสร้างแบบจำลองหากไม่มีการตรวจสอบความ ถูกต้องแบบจำลองจะขาดความน่าเชื่อถือ (Chung and Fabbri, 2003) สำหรับการตรวจสอบความถูกต้องจะใช้ การวิเคราะห์ และสร้างพื้นที่ภายใต้เส้นโค้ง โดยที่ AHP เป็นแบบจำลองฐานความรู้ของผู้เชี่ยวชาญ มีประโยชน์ มากสำหรับการแก้ปัญหาที่ซับซ้อน (Pourghasemi, 2012) เทคนิค GIS, RS ใช้ร่วมกับ AHP เป็นเครื่องมือ บูรณาการที่มีประโยชน์สำหรับการประเมินศักยภาพน้ำ บาดาล (Jha et al., 2010) 2.6 แหล่งที่มาของข้อมูลที่ใช้ในการศึกษาแอ่งน้ำบาดาล ปราจีนบุรี - สระแก้ว การศึกษาครั้งนี้มีการรวบรวมข้อมูลจากหลาย แหล่งข้อมูลเพื่อนำมาจำแนกเป็นปัจจัยต่างๆ ที่เกี่ยวข้อง กับการศึกษาศักยภาพน้ำบาดาลในพื้นที่ศึกษาแอ่งน้ำ บาดาลปราจีนบุรี - สระแก้ว แสดงในตารางที่ 2 ตารางที่ 2 แหล่งที่มาของข้อมูลที่ใช้ในงานวิจัย ข้อมูลที่ใช้ ปี แหล่งที่มาของข้อมูล Drainage Density 2021 Landsat-8 SRTM DEM from https://earthexplorer.usgs.gov/ Geomorphology 2016 Department of Mineral Resources (DMR) Thailand Lineament Density 2021 Landsat-8 SRTM DEM from https://earthexplorer.usgs.gov/ Slope 2021 Landsat-8 SRTM DEM from https://earthexplorer.usgs.gov/ 2.7 งานวิจัยที่เกี่ยวข้อง งานวิจัยส่วนมากจะเป็นงานวิจัยจากประเทศทาง ภูมิภาคเอเชียใต้ - เอเชียตะวันตกเฉียงใต้เป็นส่วนมาก ซึ่ง เป็นพื้นที่ที่มีลักษณะภูมิอากาศใกล้เคียงพื้นที่ศึกษาจึง คัดเลือกงานวิจัยดังกล่าวมาใช้อ้างอิงในการวิจัยครั้งนี้ เนื่องจากมีปัญหาขาดแคลนน้ำในพื้นที่ศึกษา จึงได้มีการ เลือกปัจจัยที่ส่วนมากที่มีผลต่อศักยภาพน้ำบาดาลจาก งานวิจัย 4 ปัจจัย คือ ความหนาแน่นของการระบายน้ำ ธรณีสัณฐาน ความหนาแน่นของโครงสร้างเชิงเส้น และ ความลาดชันของพื้นที่ 3. วิธีดำเนินการวิจัย 3.1 พื้นที่ศึกษา แอ่งน้ำบาดาลปราจีนบุรี - สระแก้ว ครอบคลุมพื้นที่ 8 จังหวัด ได้แก่ ปราจีนบุรี สระแก้ว จันทบุรี ฉะเชิงเทรา ชลบุรี บุรีรัมย์ นครนายกและนครราชสีมา ครอบคลุมพื้นที่ ประมาณ 18,955 ตร.กม. ละติจูด 12 องศา 75 ลิปดา

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 190 เหนือถึง 14 องศา 45 ลิปดาเหนือ และลองจิจูดที่ 100 องศา 95 ลิปดาตะวันออกถึง 102 องศา 94 ลิปดา ตะวันออก พื้นที่ศึกษาแสดงดังรูปที่ 1 พื้นที่ศึกษาอยู่ใน ภาคตะวันออกของประเทศไทยเป็นส่วนใหญ่ ลักษณะภูมิ ประเทศจะเป็นที่ราบลุ่มแม่น้ำทางตอนเหนือของภาค เป็น ทิวเขาและที่ราบลูกฟูกทางตอนกลางของภาค ลักษณะ ภูมิอากาศแบบร้อนชื้นสลับแห้ง หรือ แบบทุ่งหญ้าสะวัน นา (Aw) มีฤดูฝนและฤดูแล้งสลับกันจะแตกต่างกันอย่าง เด่นชัด ในฤดูมรสุมตะวันตกเฉียงใต้จะมีฝนตกตลอดฤดู แต่ในฤดูมรสุมตะวันออกเฉียงเหนือหรือฤดูหนาวอากาศ แห้งแล้ง ครอบคลุมพื้นที่ทางเหนือและตะวันตกของภาค ตะวันออก แอ่งน้ำบาดาลปราจีนบุรี -สระแก้ว เป็นแอ่งน้ำ บาดาลที่มีพื้นที่ขนาดใหญ่ สามารถใช้ประโยชน์ได้อย่าง กว้างขวาง ซึ่งน้ำบาดาลในพื้นที่สามารถนำมาใช้ทั้งด้าน อุตสาหกรรมและการเกษตร เพื่อพัฒนาให้ประชาชนใน พื้นที่มีความเป็นอยู่ที่ดี รูปที่ 1 พื้นที่ศึกษาแอ่งน้ำบาดาลปราจีนบุรี- สระแก้ว 3.2 การเลือกแผนที่เฉพาะเรื่องที่มีผลต่อศักยภาพของน้ำ บาดาล จำนวนของแผนที่เฉพาะเรื่องขึ้นอยู่กับความพร้อม ของข้อมูลในพื้นที่ศึกษา หลายสาเหตุที่ส่งผลต่อการ กระจายและการต่ออายุของน้ำบาดาล สถานการณ์น้ำ บาดาลของภูมิภาคใดภูมิภาคหนึ่งอาจแตกต่างกันอย่างมี นัยสำคัญเนื่องจากปัจจัยต่างๆที่มีผลต่อการเกิดและการ เติมน้ำบาดาล (Huq et al., 2018 และ Alazba., 2016) โดยในการศึกษาครั้งนี้จะใช้แผนที่เฉพาะเรื่อง 4 หัวข้อที่ เป็นปัจจัยที่มีผลต่อการทำแผนที่ศักยภาพน้ำบาดาล หลังจากนั้นแผนที่เฉพาะเรื่องจะถูกสร้างขึ้นจากการ ประยุกต์ใช้ข้อมูล GIS เนื่องจากมีชุดข้อมูลที่หลากหลาย และซับซ้อน ชุดข้อมูลทั้งหมดถูกแปลงให้อยู่ในระบบพิกัด และระบบเส้นโครงแผนที่แบบเดียวกัน คือ WGS 1984 UTM Zone 47N แผนที่เฉพาะเรื่องเหล่านี้เป็นข้อมูลที่ เชื่อถือได้สำหรับการคาดการณ์พื้นที่ศักยภาพน้ำบาดาล 3.3 ขั้นตอนการศึกษา 3.3.1 รวบรวมและวิเคราะห์ข้อมูลที่เกี่ยวข้อง เป็นการศึกษางานวิจัยที่เกี่ยวข้อง (Literature review) การรวบรวมและวิเคราะห์ข้อมูลทุติยภูมิต่างๆ และคัดเลือกปัจจัยที่นิยมใช้ในการศึกษาเกี่ยวกับการทำ แผนที่ศึกยภาพน้ำบาดาลมาใช้ 3.3.2 เตรียมข้อมูลการทำแผนที่เฉพาะเรื่อง นำข้อมูลที่ได้มาทำเป็นแผนที่ในพื้นที่ศึกษา โดย แบ่งเป็นแผนที่เฉพาะเรื่อง 4 ปัจจัย ได้แก่ แผนที่ความ หนาแน่นของการระบายน้ำ แผนที่ธรณีสัณฐาน แผนที่ ความหนาแน่นของโครงสร้างเชิงเส้น และแผนที่ความลาด ชันของพื้นที่ ซึ่งได้แผนที่เฉพาะเรื่องออกมาดังนี้ รูปที่ 2 แผนที่ความหนาแน่นของการระบายน้ำ แผนที่ความหนาแน่นของการระบายน้ำ ขึ้นอยู่กับ สภาพอากาศและลักษณะทางกายภาพของอ่างระบายน้ำ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 191 การซึมผ่านของดินและประเภทของหินที่อยู่เบื้องล่าง ส่งผลต่อการไหลบ่าของแหล่งต้นน้ำ พื้นที่ที่น้ำซึมผ่านยาก หรือพื้นที่หินโล่งจะทำให้เกิดการไหลบ่าของกระแสน้ำ และพื้นที่ที่น้ำซึมผ่านได้ง่ายหรือพื้นที่ขรุขระสูงจะมีความ หนาแน่นของการระบายน้ำที่สูง ซึ่งเป็นพื้นที่ที่เหมาะ สำหรับการพัฒนาแหล่งน้ำบาดาล โดยใช้ข้อมูลแหล่งน้ำ และความลาดเอียงของพื้นที่ (Zhenfeng Shao et al., 2020) มีการจัดระดับทั้งหมด 5 ระดับ ได้แก่ ความ หนาแน่นของการระบายน้ำสูงที่สุด สูง ปานกลาง ต่ำ และ ต่ำที่สุด ซึ่งความหนาแน่นของการระบายน้ำยิ่งสูง ยิ่งมีผล ต่อศักยภาพน้ำบาดาลมาก รูปที่ 3 แผนที่ธรณีสัณฐาน แผนที่ธรณีสัณฐาน กษณะทางกายภาพที่เกิดขึ้นบน แผ่นเปลือกโลก โดยนับเป็นส่วนหนึ่งของภูมิประเทศ เกิด จากการเปลี่ยนแปลงทางธรรมชาติ ทั้งจากการผุพัง การ กัดกร่อนและการกัดเซาะของคลื่นลมและกระแสน้ำ (Weathering) เกี่ยวข้องกับการซึมผ่านและความสามารถ ในการกักเก็บน้ำบาดาล ซึ่งขึ้นอยู่กับภูมิประเทศของ บริเวณนั้น น้ำหนักสูงสุดจะถูกกำหนดให้กับที่ราบน้ำท่วม ถึง ที่ราบสูง และภูเขาตามลำดับ (National Geographic ฉบับภาษาไทย, 2020) รูปที่ 4 แผนที่ความหนาแน่นของโครงสร้างเชิงเส้น แผนที่ความหนาแน่นของโครงสร้างเชิงเส้น แสดงถึง โครงสร้างเชิงยาวและสั้น ซึ่งเป็น รอยเลื่อน (Fault) รอย แตก (Joint) ของภูมิประเทศ ส่งผลให้เพิ่มความพรุนและ การซึมผ่าน ซึ่งมีผลต่อการแทรกซึมของน้ำที่ไหลบ่าลงสู่ใต้ ผิวดิน มีการจัดระดับทั้งหมด 5 ระดับ ได้แก่ พื้นที่มีรอย แตกสูงที่สุด สูง ปานกลาง ต่ำ และต่ำที่สุด ยิ่งมีรอยแตก หรือรอยเลื่อนมาก ยิ่งมีผลต่อศักยภาพน้ำบาดาลมาก รูปที่ 5 แผนที่ความลาดชันของพื้นที่ แผนที่ความลาดชันของพื้นที่ แสดงถึงความลาดชัน ของพื้นผิว เป็นข้อมูลจำเป็นเกี่ยวกับลักษณะของ กระบวนการไหลบ่าของพื้นผิวและอัตราการแทรกซึมที่ ได้รับอิทธิพลจากความลาดชันของพื้นผิวเป็นหลัก และ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 192 ส่งผลต่อกระบวนการเติมน้ำบาดาล มีการจัดระดับ ทั้งหมด 5 ระดับ ได้แก่ พื้นที่มีความชันมากที่สุด มาก ปานกลาง ต่ำ และต่ำที่สุด ซึ่งพื้นที่ความชันต่ำมาก จะมี ผลต่อศักยภาพน้ำบาดาลมาก 3.3.3 วิเคราะห์ข้อมูลการทำ AHP การให้ค่าน้ำหนักของแต่ละปัจจัยที่ใช้ทำเป็นแผนที่ เฉพาะเรื่อง โดยเลือกใช้เทคนิค Analytic Hierarchy Process (AHP) มาถ่วงค่าน้ำหนักให้มีค่า CR ต่ำกว่า 0.1 จากนั้นจึงนำค่าคะแนนของแต่ละปัจจัยมาทำแผนที่ ศักยภาพน้ำบาดาล โดยมีการใช้แบบสอบถามเพื่อ สัมภาษณ์ผู้เชี่ยวชาญในพื้นที่ศึกษา (กรมทรัพยากรน้ำ บาดาล) ในการขอข้อมูลการให้คะแนนระดับความสำคัญ ของแต่ละปัจจัย โดยผู้เชี่ยวชาญให้ค่าความสำคัญของแต่ ละปัจจัย ดังนี้ ความหนาแน่นของการระบายน้ำ ให้ คะแนน 7 ธรณีสัณฐาน ให้คะแนน 9 ความหนาแน่นของ โครงสร้างเชิงเส้น ให้คะแนน 6 และความลาดชันของพื้นที่ ให้คะแนน 5 ส่งผลให้ธรณีสัณฐาน เป็นปัจจัยที่มี ความสำคัญมากที่สุด และความลาดชันของพื้นที่ มีค่า ความสำคัญน้อยที่สุด 3.3.4 ตรวจสอบความถูกต้องของแบบจำลอง ตรวจสอบความถูกต้องของแบบจำลองแผนที่ ศักยภาพน้ำบาดาล ด้วย The Receiver operating characteristic/Area under curve (ROC/AUC) ซึ่งหาก ค่าความแม่ยำเกิน 0.6 เป็นค่าความแม่นยำที่ยอมรับได้ สำหรับการทำนายศักยภาพน้ำบาดาล 4. ผลการวิเคราะห์ข้อมูล จากการศึกษา ได้ศึกษาศักยภาพน้ำบาดาลในพื้นที่ โดยใช้เทคนิค AHP ร่วมกับ 4 ปัจจัย ที่ส่งผลต่อศักยภาพ น้ำบาดาล โดยอ้างอิงค่า AHP จากนักธรณีวิทยา ปฏิบัติการในพื้นที่ ได้แก่ แผนที่ความหนาแน่นของการ ระบายน้ำ แผนที่ธรณีสัณฐาน แผนที่ความหนาแน่นของ โครงสร้างเชิงเส้น และแผนที่ความลาดชันของพื้นที่ จะได้ แผนที่ศักยภาพน้ำบาดาล ดังรูปที่ 6 การตรวจสอบความถูกต้องโดยใช้The Receiver operating characteristic/Area under curve (ROC/AUC) ได้ค่าความแม่นยำ 0.622 (62.2%) ถือว่า เป็นค่าความแม่นยำที่ยอมรับได้ ดังรูปที่ 7 รูปที่ 6 แผนที่ศักยภาพน้ำบาดาลแอ่งน้ำบาดาลปราจีนบุรี – สระแก้ว จากการศึกษาแผนที่ศักยภาพน้ำบาดาลแอ่งน้ำ บาดาลปราจีนบุรี – สระแก้ว มีพื้นที่ที่มีศักยภาพน้ำ บาดาลต่ำ บริเวณภูเขาสูงและพื้นที่ความชันมาก ส่วนมาก อยู่บริเวณทางเหนือและทางใต้ของพื้นที่ศึกษา มีเนื้อที่ ประมาณ 1,620 ตร.กม. คิดเป็น 8.55% ของพื้นที่ พื้นที่ที่ มีศักยภาพน้ำบาดาลปานกลางเป็นพื้นที่ที่ราบสูง ซึ่งมีรอย แตกจากความหนาแน่นของโครงสร้างเชิงเส้นน้อย และมี แหล่งน้ำน้อย อยู่ใกล้เคียงกับบริเวณภูเขาสูง มีเนื้อที่ ประมาณ 8,740 ตร.กม. คิดเป็น 46.12% ของพื้นที่ พื้นที่ ที่มีศักยภาพน้ำบาดาลสูง ซึ่งเป็นพื้นที่ราบน้ำท่วมถึงความ ชันต่ำและมีแหล่งน้ำไหลผ่าน อยู่ทางตะวันตก ตอนกลาง และตะวันออกของพื้นที่ มีเนื้อที่ประมาณ 8,590 ตร.กม. คิดเป็น 45.32% จากการให้ค่าน้ำหนักของแผนที่เฉพาะเรื่องที่ให้ค่า ความสำคัญของ แผนที่ธรณีสัณฐาน แผนที่ความหนาแน่น ของการระบายน้ำ แผนที่ความหนาแน่นของโครงสร้างเชิง เส้น และแผนที่ความลาดชันของพื้นที่ จากมากไปน้อย ตามลำดับ ทำให้ได้แผนที่ศักยภาพน้ำบาดาลแอ่งน้ำ บาดาลปราจีนบุรี – สระแก้ว ที่มีค่าความแม่นยำ 62.2% จากการตรวจสอบความถูกต้องโดยใช้ AUC/ROC

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 193 รูปที่ 7 การตรวจสอบความถูกต้องโดยใช้ AUC/ROC 5. สรุป GIS เป็นระบบที่มีประสิทธิภาพในการศึกษาศักยภาพ น้ำบาดาลและมีการใช้งานกันอย่างแพร่หลายใน ต่างประเทศ จากการศึกษาครั้งนี้ได้กำหนด 4 ปัจจัย ที่ ส่งผลต่อศักยภาพน้ำบาดาล ได้แก่ ความหนาแน่นของการ ระบายน้ำ ธรณีสัณฐาน ความหนาแน่นของโครงสร้างเชิง เส้น และความลาดชันของพื้นที่ โดยใช้ร่วมกับเทคนิค AHP สำหรับหาค่าความสำคัญของแต่ละปัจจัยจาก ผู้เชี่ยวชาญในพื้นที่และสร้างแผนที่ศักยภาพน้ำบาดาล ซึ่ง ปัจจัยที่มีผลต่อศักยภาพน้ำบาดาลมากที่สุดคือ ธรณี สัณฐาน ทำให้ได้แผนที่ศักยภาพน้ำบาดาลที่มีศักยภาพ ปานกลางมีพื้นที่มากที่สุด 8,740 ตร.กม. คิดเป็น 46.12% ของพื้นที่ และตรวจสอบความถูกต้องโดยใช้ ROC/AUC ได้ค่าความถูกต้อง 62.2% ซึ่งแผนที่ศักยภาพน้ำบาดาลนี้ สามารถทำให้ประชาชนในพื้นที่ใช้ประโยชน์จากน้ำ บาดาลได้อย่างมีประสิทธิภาพและยั่งยืนสามารถช่วยแก้ไข ปัญหาการขาดแคลนน้ำได้ รวมทั้งใช้ประโยชน์ในด้าน อุตสาหกรรม การเกษตร และใช้ในชีวิตประจำวัน เพื่อ พัฒนาให้ประชาชนในพื้นที่มีความเป็นอยู่ที่ดีขึ้น 6. กิตติกรรมประกาศ บทความฉบับนี้สำเร็จลุล่วงไปได้ด้วยดี ด้วยความ ช่วยเหลือจาก ศาสตราจารย์ ดร. ศรีเลิศ โชติพันธรัตน์ อาจารย์ที่ปรึกษางานวิจัย ที่ได้กรุณาแนะนำแนวทางที่ ถูกต้อง ตรวจแก้ไขข้อบกพร่อง ให้คำปรึกษาและข้อคิดใน การทำวิจัยตั้งแต่เริ่มจนสำเร็จเรียบร้อย โครงการวิจัยนี้ได้รับงบประมาณสนับสนุนการวิจัย จากกองทุนส่งเสริมวิทยาศาสตร์วิจัยและนวัตกรรม (ววน.) จุฬาลงกรณ์มหาวิทยาลัย ขอขอบคุณสหสาขาวิชาวิทยาศาสตร์สิ่งแวดล้อม และ ภาควิชาธรณีวิทยา จุฬาลงกรณ์มหาวิทยาลัย สำหรับ การศึกษาค้นคว้าหาข้อมูลที่เป็นประโยชน์แก่งานวิจัย และขอขอบคุณ คณะผู้ทรงคุณวุฒิ ผู้เชี่ยวชาญ ทุกท่านที่ ให้คำแนะนำในการปรับปรุงบทความ ทำให้บทความฉบับ นี้สมบูรณ์มากขึ้น สุดท้ายนี้ขอขอบคุณบิดา มารดา ที่สนับสนุนและเป็น กำลังใจ และทุกท่านที่คอยช่วยเหลือในด้านต่างๆ ที่มิได้ กล่าวนาม ณ โอกาศนี้ เอกสารอ้างอิง [1] Clarance P.K., Tilaye W.B., Tenalem A., Ibrahim C.M. (2022) . Geospatial application on mapping groundwater recharge zones in Makutupora basin. Heliyon ( 8 ) , e10760. DOI: 10.1016/j.heliyon.2022.e10760 [2] Dinesh P., Rupendra M., Neelam M., Surendra R.S., Purushottam T. (2021). Evaluation of parameter sensitivity for groundwater potential mapping in the mountainous region of Nepal Himalaya. Groundwater for Sustainable Development (13) , 10562. DOI: 10.1016/j.gsd.2021.100562 [3] Hamid R. P., Nitheshnirmal S., Saleh Y., Shahla T., Hamid G.N. , Santosh M. (2020) . Using machine learning algorithms to map the groundwater recharge potential zones. Journal of Environmental Management (265), 110525. DOI: 10.1016/j.jenvman.2020.110525 [4] Hoang P.H.Y., Binh T.P., Tran V.P., Duong H.H., Romulus C., Hiep V.L., Huu D.N., Mahdis A., Nguyen V.T., Indra P. (2021) . Locally weighted learning based hybrid intelligence models for groundwater potential mapping and modeling: A case study at Gia Lai province. Geoscience

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 194 Frontiers ( 1 2 ) , 1 0 1 1 5 4 . DOI: 10.1016/j.gsf.2021.101154 [5] Narongsak K. , Srilert C. (2021). Mapping Potential Zones for Groundwater Recharge Using a GIS Technique in the Lower Khwae Hanuman SubBasin Area, Prachin Buri Province, Thailand. a section of the journal Frontiers in Earth Science (9), 717313. DOI: 10.3389/feart.2021.717313 [6] Nezar H., Ali El-Naqa, Mohammed B. (2012) . An Integrated Approach to Groundwater Exploration Using Remote Sensing and Geographic Information System. Journal of Water Resource and Protection ( 4 ) , 717 - 724 . DOI: 10.4236/jwarp.2012.49081 [7] Nguyen N.T., Srilert C. ( 2023) . Geographic Information System and Remote Sensing in Deciphering Groundwater Potential Zones. Emerging Technologies for Water Supply, Conservation and Managemen. DOI: 10.1007/978- 3-031-35279-9_7 [8] Nguyen N.T., Srilert C., Nguyen H.T, Nguyen H.N., Le V.M.. (2022). Mapping groundwater potential zones in Kanchanaburi Province, Thailand by integrating of analytic hierarchy process, frequency ratio, and random forest. Ecological Indicators ( 145) , 109591 . DOI: 10.1016/j.ecolind.2022.109591 [9] Nguyen N.T., Srilert C. Nguyen H.N., Pongsathorn T. (2022). Global review of groundwater potential models in the last decade: Parameters, model techniques, and validation. Journal of Hydrology ( 6 1 4 ) , 1285018 . DOI: 10.1016/j.jhydrol.2022.128501 [10]Raju D. , Sunil S. ( 2 0 2 2 ) . Spatial mapping of groundwater potentiality applying ensemble of computational intelligence and machine learning approaches. Groundwater for Sustainable Development ( 1 8 ) , 100778 . DOI: 10.1016/j.gsd.2022.100778 [11]Srilert C., Jaturon K., Satika B., Thanop T. (2015) . Groundwater Recharge Potential Using GIS around the Land Development Facilities of Chulalongkorn University at Kaeng Khoi District, Saraburi Province, Thailand. Applied Environmental Research ( 37) , 75-83. DOI: 10.35762/AER.2015.37.2.6 [12]Suraj J., Rabindra K.P., Meenu R., Binayak P. M., Susanta K.P. (2020) . Delineation of groundwater storage and recharge potential zones using RSGIS-AHP: Application in arable land expansion. Remote Sensing Applications: Society and Environment. ( 1 9 ) . 1 0 0 3 5 4 . DOI: 10.1016/j.rsase.2020.100354 [13] Wei C., Paraskevas T., Ioanna I., Zhao D., Xinjian C. (2019) . Groundwater spring potential mapping using population-based evolutionary algorithms and data mining methods. Science of the Total Environment ( 6 8 4 ) , 3 1-4 9. DOI: 10.1016/j.scitotenv.2019.05.312

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 195 การประเมินค่าและการจัดทำแผนที่การเติมน้ำใต้ดินด้วยข้อมูล GRACE และวิธี Thornthwaite-Mather: กรณีศึกษาแอ่งน้ำบาดาลบางปะกง ประเทศไทย Evaluating and Mapping Groundwater Recharge Using GRACE data and Thornthwaite-Mather Method: A Case Study of Bang Pakong Aquifer in Thailand พงศ์พันธุ์จันทะคัต1* , เยาวเรศ จันทะคัต2 , และ แอน กำภู ณ อยุธยา3 1 กองวิชาวิศวกรรมโยธา, ส่วนการศึกษา โรงเรียนนายร้อยพระจุลจอมเกล้า, จังหวัดนครนายก, ประเทศไทย 2 คณะวิทยาศาสตร์และศิลปศาสตร์, มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน, จังหวัดนครราชสีมา, ประเทศไทย 3 คณะสิ่งแวดล้อม, มหาวิทยาลัยเกษตรศาสตร์, จังหวัดกรุงเทพมหานคร, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การประเมินค่าและการจัดทำแผนที่การเติมน้ำใต้ดินได้อย่างถูกต้องแม่นยำนั้นเป็นสิ่งที่สำคัญสำหรับการวางแผนการ จัดการแหล่งน้ำอย่างยั่งยืน แต่ทว่ายังเป็นสิ่งที่ท้าทายอันเนื่องมาจากข้อจำกัดของข้อมูลภาคสนาม การศึกษานี้จึงได้นำเสนอ การประเมินค่าการเติมน้ำใต้ดินด้วยข้อมูลขององค์กร NASA (Gravity Recovery and Climate Experiment: GRACE) และ ด้วยวิธี Thornthwaite-Mather ในกรณีศึกษาแอ่งน้ำบาดาลบางปะกง ประเทศไทย โดยใช้ข้อมูลระหว่างปี พ.ศ. 2556 – 2565 (ระยะเวลา 10 ปี) ผลลัพธ์ของการศึกษานี้พบว่าค่าการเติมน้ำใต้ดินในพื้นที่ศึกษามีความแตกต่างอย่างชัดเจนระหว่าง พื้นที่ทางทิศตะวันตกและพื้นที่ทางทิศตะวันออกด้วยค่าเฉลี่ย 150-350 และ 400-500 มม. ต่อปี ตามลำดับ การศึกษานี้ยังได้ ประเมินความถูกต้องของค่าการเติมน้ำใต้ดินที่ได้จากการศึกษากับระดับน้ำในบ่อน้ำบาดาลของพื้นที่ศึกษา จำนวน 4 บ่อ ซึ่ง พบว่ามีค่าความสอดคล้องนัยสำคัญทางสถิติ (p < 0.05) ดังนั้นข้อมูล GRACE และวิธี Thornthwaite-Mather สามารถ นำมาใช้ประเมินค่าและจัดทำแผนที่การเติมน้ำใต้ดินได้ และใช้เป็นข้อมูลเบื้องต้นให้กับเจ้าหน้าที่ที่เกี่ยวข้องในการเฝ้าติดตาม การเติมน้ำใต้ดิน เช่น พื้นที่ของธนาคารน้ำใต้ดิน เป็นต้น คำสำคัญ: การเติมน้ำใต้ดิน, ข้อมูล GRACE, วิธี Thornthwaite-Mather, แอ่งน้ำบาดาลบางปะกง Abstract Accurately assessing and mapping groundwater recharge is significant for sustainable water resource management but is a challenge due to sparse field data. The study presents the evaluation of groundwater recharge using data of NASA (Gravity Recovery and Climate Experiment: GRACE) and Thornthwaite-Mather method in a case study of Bang Pakong Aquifer in Thailand with the time period from 2013 to 2022 (10 years). The results of this study find that groundwater recharge in the study area is clearly different between western and eastern areas with the average annual recharge rate of 150-350 and 400-500 mm. per year, respectively. Additionally, this study estimates the accuracy of recharge rate with water level in well of the study area for 4 wells. It is found that there is a significant statistic (p < 0.05). Thus, GRACE data and Thornthwaite-Mather method can be used for estimating and mapping groundwater recharge and provided for the stakeholders in monitoring groundwater recharge such as artificial recharge of groundwater etc. Keywords: Groundwater recharge, GRACE data, Thornthwaite-Mather method, Bang Pakong aquifer

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 196 1. คำนำ ในเดือนกันยายน ค.ศ.2015 (พ.ศ.2558) เป้าหมาย ก า ร พ ั ฒ น า อ ย ่ า ง ย ั ่ ง ย ื น ( The Sustainable Development Goals: SDGs) ซึ่งได้กำหนดขึ้นโดย สหประชาชาติ (The United Nations: UN) เพื่อส่งเสริม การกินดีอยู่ดี ความเสมอภาค และความมีเสรีภาพใน สังคม ให้บรรลุเป้าหมายในปี ค.ศ.2030 [1] โดยเป้าหมาย ที่ 6 (SDG 6) ได้กล่าวถึงระบบวัฏจักรน้ำประกอบไปด้วย เป้าหมายย่อย ได้แก่ การจัดเตรียมน้ำดื่ม (เป้าหมายที่ 6.1) การบริการสาธารณสุข และอนามัย (เป้าหมายที่ 6.2) การบำบัดและการนำมาใช้ใหม่ของน้ำเสีย (เป้าหมายที่ 6.3) ประสิทธิภาพการใช้น้ำอย่างคุ้มค่า (เป้าหมายที่ 6.4) การจัดการแหล่งน้ำอย่างบูรณาการ (เป้าหมายที่ 6.5) การ ป้องกันและฟื้นฟูระบบนิเวศแหล่งน้ำ (เป้าหมายที่ 6.6) [2] จากการเปลี่ยนแปลงสภาพภูมิอากาศ (climate change) ซึ่งเป็นความท้าทายหนึ่งในการบรรลุเป้าหมาย ของการพัฒนาอย่างยั่งยืน โดยเฉพาะเป้าหมายที่ 6 [2] ที่ สามารถส่งผลกระทบอย่างรุนแรงต่อระบบวัฏจักรน้ำใน ทุกๆ พื้นที่ได้ โดยผลกระทบที่เห็นได้อย่างชัดเจนคือ ภัย จากน้ำท่วมและภัยแล้งที่มีความรุนแรงมากยิ่งขึ้นกว่าที่ ผ่านมาในปัจจุบัน ทำให้ส่งผลกระทบต่อภาคเกษตรกรรม ภาคอุตสาหกรรม และภาคการท่องเที่ยว เป็นต้น ในการจัดการแหล่งน้ำอย่างยั่งยืน น้ำใต้ดินเป็นแหล่ง น้ำดิบที่สำคัญที่ไม่สามารถมองเห็นได้และกำลังได้รับ ผลกระทบที่มากขึ้นจากการกระทำของมนุษย์และการ เปลี่ยนแปลงสภาพภูมิอากาศ [3] ซึ่งโดยธรรมชาติแล้วน้ำ ใต้ดินเป็นแหล่งสร้างระบบนิเวศและความชุ่มชื้นในแม่น้ำ ลำธารและพื้นที่รับน้ำ (wetlands) ดังนั้นการที่จะบรรลุ เป้าหมายของการพัฒนาอย่างยั่งยืนสำหรับเป้าหมายที่ 6 (SDG 6) ได้นั้น การเฝ้าติดตามและการประเมินน้ำใต้ดิน อย่างต่อเนื่องจึงเป็นสิ่งที่สำคัญในการบรรลุถึงเป้าหมาย ของการพัฒนาอย่างยั่งยืนของสหประชาชาติ ปัจจุบันการวิเคราะห์ทางวิทยาศาสตร์และการสร้าง ภาพ (visualization) จากชุดข้อมูลเชิงพื้นที่ (geospatial information) ของภาพถ่ายดาวเทียม (satellite image) นั้น สามารถทำการวิเคราะห์ผ่านการใช้แพลตฟอร์มใน คลาวด์ซึ่งเป็นเรื่องที่สะดวกขึ้นและไม่เสียค่าใช้จ่ายสำหรับ การเข้าถึงข้อมูลภาพถ่ายดาวเทียม ตัวอย่างแพลตฟอร์มที่ ให้บริการ ได้แก่ Amazon Web Services (AWS) และกู เกิลเอิร์ธเอนจิน (Google Earth Engine: GEE) [4] โดยกู เกิลได้จัดทำภาพถ่ายดาวเทียมและเก็บข้อมูลบันทึก ย้อนหลังมากกว่า 40 ปี ไว้ในแบบคลังข้อมูลสาธารณะ โดยการใช้งานโปรแกรม GEE ซึ่งจะเป็นการเขียนโค้ด คำสั่ง (code editor) ในภาษา JavaScript เพื่อเรียกใช้ ข้อมูลภาพถ่ายดาวเทียม และสามารถทำงานร่วมกับ Google Colab ในภาษา Python ได้เพื่อวิเคราะห์และ ประมวลผลตามวัตถุประสงค์ของการศึกษา เช่น การ จัดการแหล่งน้ำ การจัดการด้านสิ่งแวดล้อม หรือการ จัดการด้านป่าไม้ เป็นต้น [5] ลุ่มน้ำบางปะกงเป็นพื้นที่แหล่งน้ำที่สำคัญในพื้นที่ ภาคตะวันออกของประเทศไทย โดยพื้นที่ส่วนใหญ่ ครอบคลุม 5 จังหวัด ได้แก่ นครนายก ฉะเชิงเทรา ปราจีนบุรี สระแก้ว และชลบุรี มีพื้นที่ทั้งสิ้นประมาณ 20,359 ตร.กม. มีระบบนิเวศวิทยาที่สำคัญ ได้แก่ นิเวศวิทยาป่าไม้ นิเวศวิทยาการเกษตร นิเวศวิทยาเมือง ชุมชนและอุตสาหกรรม และนิเวศวิทยาแหล่งน้ำ ซึ่งเป็น แหล่งผลิตทางการเกษตรที่สำคัญโดยเฉพาะการปลูกข้าว นาปี/นาปรัง สวนไม้ผลไม้ยืนต้น พืชผักสวนครัว ฟาร์ม สุกร การเพาะเลี้ยงสัตว์น้ำ และการปศุสัตว์ ฯลฯ และจาก การเร่งรัดการพัฒนาประเทศที่ผ่านมาในโครงการพัฒนา พื้นที่ชายฝั่งทะเลตะวันออกหรือการพัฒนาพื้นที่ระเบียง เศรษฐกิจพิเศษภาคตะวันออก (Eastern Economic Corridor) ทำให้เกิดการใช้ประโยชน์ทรัพยากรธรรมชาติ และสิ่งแวดล้อมจนเกินศักยภาพและขาดความสมดุล ภายในพื้นที่ลุ่มน้ำบางปะกงซึ่งสามารถส่งผลกระทบและ เกิดปัญหาด้านอุทกภัยและภัยแล้งรวมถึงการรุกล้ำของ น้ำเค็ม เป็นต้น [6] ดังนั้นการศึกษานี้มีวัตถุประสงค์หลักคือการประเมิน ค่าและการจัดทำแผนที่การเติมน้ำใต้ดินด้วยข้อมูลของ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 197 อ ง ค ์ ก ร NASA (Gravity Recovery and Climate Experiment: GRACE) แ ล ะ ด ้ วย วิ ธ ี ThornthwaiteMather ในกรณีศึกษาแอ่งน้ำบาดาลบางปะกง ประเทศ ไทย โดยใช้ข้อมูลระหว่างปี พ.ศ. 2556 – 2565 (ระยะเวลา 10 ปี) เพื่อสามารถนำผลการศึกษามาใช้เป็น ข้อมูลเบื้องต้นให้กับเจ้าหน้าที่ที่เกี่ยวข้องในการสร้าง ความสมดุลระบบนิเวศวิทยาและการเฝ้าติดตามการเติม น้ำใต้ดิน เช่น พื้นที่ของธนาคารน้ำใต้ดิน เป็นต้นได้ 2. การดำเนินการศึกษา 2.1 วิธีการประเมินค่าการเติมน้ำใต้ดินจากชุดข้อมูล Gravity Recovery and Climate Experiment (GRACE) ชุดข้อมูล GRACE เป็นข้อมูลการรับรู้ระยะไกลที่ สามารถแสดงผลเกี่ยวข้องกับน้ำใต้ดินด้วยค่า equivalent liquid water thickness (LWE) [7] ซึ่งข้อมูลมีความ ละเอียดที่ 0.5°x0.5° และ 1°x1° จัดทำโดยองค์กรนาซ่า ( The National Aeronautics and Space Administration: NASA) และองค์กรอวกาศประเทศ เ ย อ ร ม นี the German Center for Air and Space Flight (Deutsches Zentrum für Luft und Raumfahrt, or DLR) เริ่มโครงการในปี ค.ศ.2002 [7] งานวิจัยที่ผ่านมาจำนวนมากที่ได้นำชุดข้อมูล GRACE นำมาศึกษาเกี่ยวข้องกับวัฏจักรของน้ำและ ประเมินหาค่าการคายระเหย ค่าการไหลในแม่น้ำ ค่าการ ไหลบ่า และค่าความชื้นในดิน [8,9] เป็นต้น โดยทั่วไปค่า การเปลี่ยนแปลง terrestrial water storage anomalies (TWSa) ที่ได้จากชุดข้อมูล GRACE นั้นจะมีค่าเท่ากับค่า การเปลี่ยนแปลงของการเติมน้ำเพื่อกักเก็บน้ำในชั้นดิน (water storage changes: ∆S) ดังแสดงในสมการที่ (1) [10] ∆TWSa = ∆SMa+∆CANa+∆SWEa+∆SWa+∆GWa (1) โดย ∆SMa คือค่าการเปลี่ยนแปลงของความชื้นใน ด ิ น (soil moisture anomaly) ∆CANa ค ื อ ค ่ าการ เปลี่ยนแปลงของการดูดซับน้ำในต้นพืช (canopy intercepted water anomaly) ∆SWEa ค ื อ ค ่ า ก า ร เปลี่ยนแปลงของหิมะที่ละลายเป็นน้ำ (snow water equivalent anomaly) ∆SWa คือค่าการเปลี่ยนแปลง ของการกักเก็บน้ำผิวดิน ∆GWa คือค่าการเปลี่ยนแปลง ของการกักเก็บน้ำใต้ดิน ในการศึกษานี้ได้ใช้ชุดข้อมูล GRACE ตั้งแต่ปี ค.ศ.2002 (พ.ศ.2545) ถึง ค.ศ.2017 (พ.ศ.2560) นำมาวิเคราะห์และประมวลผลโดยใช้ค่าการ เปลี่ยนแปลงของความหนาของชั้นน้ำใต้ดิน (∆TWSa) และทำการคำนวณค่าอัตราการเติมน้ำใต้ดินโดยพิจารณา จากการลากเส้นจากตำแหน่งค่าสูงสุดของปีที่ผ่านมา (SA ) ผ่านตำแหน่งของค่าลดลงต่ำสุด (SB ) ดังแสดงในรูปที่ 1 และสมการที่ (2) [11] รูปที่ 1 กราฟแสดงวิธีหลักการคำนวณของค่าอัตราการ เติมน้ำใต้ดินจากค่าการเปลี่ยนแปลงของความหนาของชั้น น้ำใต้ดิน (∆TWSa or ∆GWSa) สมการที่ (2) แสดงวิธีการคำนวณค่าอัตราการเติมน้ำ ใต้ดิน หน่วยเป็น ซม./ปี (cm/year) = ∆ ∆ = − ∆ = + (2) โดย ∆t คือช่วงเวลารายปีSp คือค่าสูงสุดที่ขึ้นไป (peak of rise) SL คือค่าตำแหน่งที่ลดลงจากค่าตำแหน่ง สูงสุด (SA ) RS คือค่าเติมน้ำใต้ดิน (net recharge) RD คือ ค่าส ม ด ุ ล ก า ร ส ู บ น ้ ำ อ อ ก (balance continuing discharge) และ R คือค่ารวมของการเติมน้ำใต้ดิน (total recharge) 2.2 วิธีการประเมินค่าการเติมน้ำใต้ดินด้วยวิธี Thornthwaite-Mather วิธี Thornthwaite-Mather [12] เป็นวิธีหนึ่งสำหรับ การคำนวณหาค่าการเติมน้ำใต้ดินแบบง่ายโดยใช้หลักการ พิจารณาของความสมดุลของน้ำ (water balance) ในดิน

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 198 ชั้นบน ซึ่งประกอบไปด้วย ค่าการระเหยของน้ำ (evaporation) ค่าการคายน้ำ (transpiration) ค่ากักเก็บ น้ำในดินชั้นบน (stored by the soil) และค่าการไหลซึม ผ่านชั้นดิน (infiltration) ทั้งนี้ค่าการเติมน้ำใต้ดินด้วยวิธี ดังกล่าวนี้สามารถหาได้จากค่าการไหลซึมผ่านชั้นดินใน กรณีที่ชั้นดินไม่สามารถเก็บกักน้ำได้แล้ว (exceeding the field capacity) ดังแสดงสมการที่ (3)-(5) = −1 + (− ) (3) = × [(−/)] (4) = − + − (5) โดย APWL คือค่าสะสมที่เป็นไปได้ของการสูญเสีย น้ำจากชั้นดิน (accumulated potential water loss) PET คือค่าสะสมที่เป็นไปได้ของการคายระเหยของน้ำ (cumulative potential evapotranspiration) P คือค่า สะสมของปริมาณน้ำฝน (cumulative precipitation) ST คือค่ากักเก็บน้ำในชั้นดิน (available water stored in the root zone) STFC คือค่ากักเก็บน้ำในชั้นดินที่ สามารถกักเก็บได้ (available water stored at field capacity in the root zone) และ R คือค่าการเติมน้ำใต้ ดิน (recharge) โดยพิจารณาในแบบรายเดือน (month or m) และ m-1 แสดงการพิจารณาในเดือนก่อนหน้า ด้วยวิธี Thornthwaite-Mather ดังกล่าวนี้นำมาใช้ ประเมินค่าการเติมน้ำใต้ดินและจัดทำแผนที่การเติมน้ำใต้ ดินในพื้นที่ศึกษาแอ่งน้ำบาดาลบางปะกง ประเทศไทย โดยใช้ข้อมูลระหว่างปี พ.ศ. 2556 – 2565 (ระยะเวลา 10 ปี) และเปรียบเทียบกับวิธีการประเมินค่าการเติมน้ำใต้ ดินจากชุดข้อมูล GRACE และนำผลมาเปรียบเทียบกับ ระดับน้ำใต้ดินในบ่อน้ำบาดาลในพื้นที่ศึกษาเพื่อประเมิน ความถูกต้องและสอดคล้องของผลลัพธ์ที่ได้จากการศึกษา นี้ ได้แก่ 1) บ่อน้ำบาดาล ณ โรงเรียนวัดศรีจุฬา ต.ศรีจุฬา อ . เ ม ื อ ง จ . น ค ร น า ย ก ( lat: 14.095845, long: 101.169729) 2) บ่อน้ำบาดาล ณ วัดอัมพวัน ต.บางอ้อ อ . บ ้ า น น า จ . น ค ร น า ย ก ( lat: 14.172524, long: 101.058170) 3) บ่อน้ำบาดาล ณ วัดคลองเฆ่ ต.บางเตย อ.บ้านสร้าง จ.ปราจีนบุรี ( lat: 13.969007, long: 101.149033) และ 4) บ่อน้ำบาดาล ณ โครงการส่วน พระองค์บางแตน ต.บางแตน อ.บ้านสร้าง จ.ปราจีนบุรี (lat: 13.870674, long: 101.149870) 3. ผลการศึกษาและการอภิปราย 3.1 ผลการประเมินค่าการเติมน้ำใต้ดิน จากการวิเคราะห์และประเมินค่าการเติมน้ำใต้ดินใน พื้นที่ศึกษาแอ่งน้ำบาดาลบางปะกง ประเทศไทย โดยใช้ ข้อมูลระหว่างปี พ.ศ. 2556 – 2565 (ระยะเวลา 10 ปี) นั้น รูปที่ 2 ได้แสดงให้เห็นถึงค่าการเติมน้ำใต้ดิน (recharge) ในช่วงเดือนของแต่ละปี จะเห็นได้ว่าในปี พ.ศ. 2559 และ 2564 มีปริมาณค่าการเติมน้ำใต้ดิน มากกว่าในปีอื่นๆ เมื่อเปรียบเทียบกัน และในปี พ.ศ. 2556 และ 2562 แสดงค่าการเติมน้ำใต้ดินที่น้อยกว่าปี อื่นๆ ในพื้นที่ศึกษา เนื่องจากมีค่าปริมาณน้ำฝนในปี ดังกล่าวน้อย โดยจากการศึกษานี้แสดงให้เห็นว่าการเติม น้ำใต้ดินจะเกิดขึ้นมากในช่วงฤดูฝน รูปที่ 2 กราฟแสดงค่าปริมาณน้ำฝน (สีฟ้าอ่อน) ค่าการคาย ระเหยของน้ำ (สีเหลืองอ่อน) และค่าการเติมน้ำใต้ดิน (สี เขียว) ในระหว่างปี พ.ศ. 2556 และ 2565 ของพื้นที่ศึกษา 3.2 การจัดทำแผนที่การเติมน้ำใต้ดิน จากการวิเคราะห์และประเมินค่าการเติมน้ำใต้ดิน การศึกษานี้ได้จัดทำแผนที่การเติมน้ำใต้ดินของพื้นที่ศึกษา แอ่งน้ำบาดาลบางปะกง ประเทศไทย ระหว่างปี พ.ศ. 2556 – 2565 ซึ่งการศึกษานี้พบว่าค่าการเติมน้ำใต้ดินใน พื้นที่ศึกษามีความแตกต่างอย่างชัดเจนระหว่างพื้นที่ทาง ทิศตะวันตกและพื้นที่ทางทิศตะวันออกด้วยค่าเฉลี่ย 150- 350 และ 400-500 มม. ต่อปี ตามลำดับ ดังนั้นในพื้นที่ที่ แสดงค่าการเติมน้ำใต้ดินในปริมาณที่น้อยของพื้นที่ศึกษา ควรได้รับการพิจารณาในการพัฒนาพื้นที่ให้สามารถเพิ่ม ประสิทธิภาพการเติมน้ำใต้ดินให้ดียิ่งขึ้น ดังแสดงในรูปที่ 3