proceeding-ncwre9

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 49 Figure 3 Best-fitted distribution functions of each streamflow station 4. 3 Analysis of Annual Maximum Discharge of Station C.2 The flood frequency analysis of annual maximum discharge at C.2 station affected by the starting of operation of 3 major dams, which are Bhumibol Dam (started to operate in 1964), Sirikit Dam (started to operate in 1972) , and Kwai Noi Bumrung Dan Dam (started to operate in 2003) as shown in Figure 5. The L-moment ratio diagrams for different time periods representing the time period after the operation of each dam until 2022 are demonstrated in Figure 5. The time period after Bhumibol Dam started operation is 1964 - 2022, the time period after Bhumibol Dam and Sirikit Dam started operation is 1972 - 2022, and the time period after Bhumibol Dam, Sirikit Dam, and Kwai Noi Bumrung Dan Dam started operation is 2003 - 2022. The statistically accepted distributions based on the hypothesis tests of probability distribution function at 0. 95 confidence level of the annual maximum discharge of C.2 station are summarized in Table 3. The time period of dam operation and sample size affect fitted distribution, with the LP3 distribution performing well with smaller sample size, and the P3 distribution showing better results with larger sample size. Figure 4 Annual Maximum Discharge at C.2 station and the starting of operation of Bhumibhol Dam, Sirikit Dam, and Kwai Noi Bumrung Dan Dam (a) (b) (c) Figure 5 L-moment Ratio Diagram of C.2 station with the different time periods, where ( a) after Bhumibol Dam operation, ( b) after Sirikit Dam operation, and ( c) after Kwai Noi Bumrung Dan Dam operation. Table 3 The statistically accepted distributions based on the hypothesis tests of probability distribution function at 0.95 confidence level of C.2 station varies with the different time periods, where “*” denotes not rejecting of the null hypothesis tests and “B” denotes the best-fit case. Sample size Scenario P3 LP3 N LN G LG Best fit 20 After BB+SK+KB dam operation * B * * * LP3 51 After BB+SK dam operation B * * * * P3 59 After BB dam operation B * * * * P3 67 1956 - 2022 B * * * P3

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 50 The flood frequency analysis at C.2 station was further studied assuming the Gumbel distribution to investigate range of peak discharge and return period from using the different time periods. The flood frequency curves assuming the Gumbel distribution are presented in Figure 6. When considering peak discharge with 100- year return period, the peak discharges from the four flood frequency curves range between 5,595 to 5,886 m3 / s. The results of each flood frequency curve are summarized in Table 4. During the period of 1956 - 2022, the highest annual maximum discharge of 5,450 m3 /s occurred in 2006 as shown in Figure 5. The return period of this peak discharge ranges from 61 – 84 years. For the peak discharge of 4,689 m3 /s in 2011, when the economic damage of flood is enormous [28]. The return period of this peak discharge ranges from 25 - 34 years. Hydrologically, the peak discharge of 2011 has shorter return period than the peak discharge in 2006, however, social, and economic damage of flood in 2011 is much higher. Figure 6 Flood frequency curves of annual maximm discharge of C. 2 station assuming the Gumbel distribution with the different time periods. 5. conclusion In this study, the L-moment ratio diagram is employed to determine statistically accepted distributions fitted with the annual maximum discharge data of 17 streamflow stations of Royal Irrigation Department, including P. 1, P. 17, P. 21, P. 5, W. 16A, W. 17, W. 20, W. 4A, Y. 14A, Y. 17, Y.20, Y.4, N.1, N.36, N.5A, N.67, and C.2 in the Upper Chao Phraya River Basin. The six distributions used in this study were selected based on previous studies, including Normal distribution N), Log-normal distribution (LN), Pearson type 3 distribution (P3), Log-Pearson type 3 distribution (LP3), Gumbel distribution (G), and Log-Gumbel distribution (LG). Table 4 Peak flows with 100-year return period and return periods of peak flows in 2006 and 2011 based on flood frequency curves of C.2 station Scenario period Return period of 100 yr. Peak flow in 2011 (4,689 m3/s) Peak flow in 2006 (5,450 m3/s) stream flow (Q) unit return period unit return period unit BB dam 5676 m3 /s 31 yr. 77 yr. BB+SK dam 5595 m3/s 34 yr. 84 yr. BB+SK+ KB dam 5885 m3/s 27 yr. 62 yr. all period 5886 m3/s 25 yr. 61 yr. The available data of each streamflow station varies and resulting in the varied acceptance region of the L-moments ratio diagram. The results of the hypothesis test with 0.95 confidence level and the null of hypothesis that annual maximum discharge data of a selected station fit with an assumed distribution demonstrated that the annual maximum discharge of the majority of streamflow stations fit best with the P3, including Station W.16A, W.17, P.17, Y.14A, Y.4, N.1, N.5A, N.67, and C.2. The annual maximum discharge of Station W.20, W.4A, P.21, P.1, P.5, and Y.20 fit best with the LP3. The annual maximum discharge of Station N.36 fits best with the LN distribution, and the annual maximum discharge of Station Y. 17 fits with the LG distribution. The analysis of the best fitted distributions based on geographic location was demonstrated. The plain areas in the mid to lower Yom River Basin, the upper Nan River Basin, and the lower Chao Phraya River Basin fit well with the P3 distribution. In the mountainous areas in the upper Ping River Basin and upper Yom River Basin, the annual maximum discharge is more likely to fit with the LP3 distribution. For the Station around the joint between the Yom River and the Nan River, the best fit distribution is the LG distribution, which is not commonly used in Thailand. There are 6 out of streamflow stations that demonstrate statistically acceptable fit with the LG distribution. The flood frequency analysis of annual maximum discharge at C.2 station affected by the starting of operation of 3 major dams, which are Bhumibol Dam, Sirikit Dam, and Kwai Noi Bumrung Dan Dam. The four flood frequency

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 51 curves assuming the Gumbel distribution demonstrated the range of peak flow with the specified return period and the range of return period with the specified peak flow. For the peak discharge of 4,689 m3 /s in 2011, when the economic damage of flood is enormous. The return period of this peak discharge ranges from 25 - 34 years. Hydrologically, the peak discharge of 2011 has shorter return period than the peak discharge in 2006, however, social, and economic damage of flood in 2011 is much higher. This study demonstrates the application of the L-moments ratio diagram to the annual maximum discharge of streamflow stations in the Upper Chao Phraya River Basin for goodness-of-fit tests of the six distributions. The goodness- of- fit tests are essential for the frequency analysis which is used for water- related disaster risk mitigation and management. 6. ACKNOWLEDGMENTS We would like to express our gratitude to the Royal Irrigation Department (RID) for providing the daily streamflow data used in this research. Additionally, we extend our appreciation to Professor Ke-Sheng Cheng from the Department of Bioenvironmental Systems Engineering at National Taiwan University ( NTU) , for developing the program code for goodness- of-fit tests using the Lmoment ratio diagram, which were used as the default code for our analysis. The partially financial support from the Department of Water Resources Engineering, Faculty of Engineering, Chulalongkorn University is acknowledged. REFERENCES [1] Linsley, R.K., M.A. Kohler, and J.L.H. & Paulhu. (1982). Hydrology for Engineers. New York: McGraw-Hill. [2] Chow, T.V., D.R. Maidment, and L.W. Mays. (1988). APPLIED HYDROLOGY. United States of America: McGraw-Hill, Inc. [3] Liu, Z., H. Yang, T. Wang, and D. Yang. (2023). Estimating the annual runoff frequency distribution based on climatic conditions and catchment characteristics: A case study across China. International Soil and Water Conservation Research. [4] Baidya, S., A. Singh, and S. Panda. (2020). Flood frequency analysis. Natural Hazards. [5] Vogel, R.M. and N.M. Fennessey. (1993). L moment diagrams should replace product moment diagrams. Water Resources Research. [6] US Army Crops of Engineers [USACE]. (1979). Flood Hydrograph and Peak Flow Frequency Analysis. Hydrological Engineering Center. [7] Jimeno-Sáez, P., J. Senent-Aparicio, J. PérezSánchez, D. Pulido-Velazquez, and J.M. Cecilia. (2017). Estimation of Instantaneous Peak Flow Using Machine-Learning Models and Empirical Formula in Peninsular Spain. Water. [8] Sabur, M.A. (1982). Regional flood frequency analysis of Thailand. Master Dissertation. Asian Institute of Technology. [9] Yevjevich, V. (1972). Probability and Statistics in Hydrology. Water Resources Publications (LLC). [10] Hosking, J.R.M. (1990). L-Moments: Analysis and Estimation of Distributions Using Linear Combinations of Order Statistics. Journal of the Royal Statistical Society. Series B (Methodological). [11] Hosking, J.R.M. and J.R. Wallis. (1997). Regional Frequency Analysis an Approach Based on L-Moments. Cambridge University Press. [12] Liou, J.-J., Y.-C. Wu, and K.-S. Cheng. (2008). Establishing acceptance regions for Lmoments based goodness-of-fit tests by stochastic simulation. Journal of Hydrology. [13] Wu, Y.-C., J.-J. Liou, Y.-F. Su, and K.-S. Cheng. (2012). Establishing acceptance regions for L-moments based goodness-of-fit tests for the Pearson type III distribution. Stochastic Environmental Research and Risk Assessment. [14] Cheng, K.-S. (2015). Establishing acceptance region for L-moment-based goodness-of-fit test of 3-parameter distributions - Pearson Type III distribution. [15] Hosking, J.R.M. (1992). Moments or L Moments? An Example Comparing Two Measures of Distributional Shape. The American Statistician. [16] Office of The National Water Resources [ONWR]. (2021). 22 watershed in Thailand and the decree of 2021. Office of The National Water Resources. [17] Royal Irrigation Department [RID]. (2013). Monsoon winds and storm paths through Thailand. Bureau of Water Management and Hydrology. [18] US Water Resource Council. (1967). A Uniform Technique for Determining Flood Flow Frequencies. Washington, D.C. 20005. vol. Bulletin No.15. [19] Liamsangaun, W. (1997). Use of Annual Series and Partial Series for Analyzing Flood Magnitude and Frequency in the Upper Ping River Basin. Master Dissertation, Water Resources Engineering, Chulalongkorn University. [20] Compliew, S. (1999). Magnitude and Frequency of Floods in the Northern and North-Eastern Regions of Thailand. Master

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 52 Dissertation. Water Resources Engineering, Chulalongkorn University. [21] Arssiri, C. (2018). STOCHASTIC: SPATIOTEMPORAL STREAMFLOW SIMULATION IN YOM AND NAN RIVER BASINS. Master Dissertation. Water Resources Engineering, Chulalongkorn University. [22] Insawang, S. (2001). Assessment of a Suitable Frequency Analysis for Predicting Flood Magnitude in Thailand. Master Dissertation. Water Resources Engineering, Kasetsart University. [23] Department of Water Resources. (2021). Hydrological data analysis for water resource development planning. Research and Applied Hydrology Department. [24] Kite, G.W. (1977). Frequency and Risk Analyses in Hydrology. Water Resource Publication (LLC). [25] Riahi, K. et al. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change. [26] Vogel, R.M. and l. Wilson. (1996). Probability Distribution of Annual Maximum, Mean, and Minimum Streamflows in the United States. Journal of Hydrologic Engineering. [27] Singh, V.P. (1998). Entropy-Based Parameter Estimation in Hydrology. in Entropy-Based Parameter Estimation in Hydrology, V. P. Singh Ed. Dordrecht: Springer Netherlands. [28] World Bank. (2011). Thai Flood 2011 OVERVIEW Rapid Assessment for Resilient Recovery and Reconstruction Planning.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 53 การศึกษาประสิทธิภาพเรดาร์คอมโพสิตด้วยวิธีดัชนีคุณภาพภายใต้เครือข่าย เรดาร์สมุทรสงคราม เรดาร์สัตหีบ และเรดาร์พิมาย Investigation of the Radar Composite Efficiency with Quality Indices Method Using a Network of Samut Songkhram, Sattahip and Phimai Radars ภาณุรัศม์ จิวารัตน์1 และ พรรณพิมพ์ พุทธรักษา มะเปี่ยม1* 1 ภาควิชาวิศวกรรมทรัพยากรน้ำ, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยเกษตรศาสตร์, จังหวัดกรุงเทพมหานคร, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การใช้ข้อมูลจากเรดาร์เพียงหนึ่งสถานีในการประเมินน้ำฝนอาจนำไปสู่ความผิดพลาดเนื่องจากความคลาดเคลื่อนในการ ตรวจวัดข้อมูลเรดาร์แต่ละสถานีมีหลายปัจจัย การประยุกต์ใช้เทคนิคเรดาร์คอมโพสิตด้วยการใช้ข้อมูลจากเรดาร์หลายสถานี เป็นแนวทางในการเพิ่มความถูกต้องในการประเมินฝนด้วยเรดาร์ได้ การศึกษานี้มีวัตถุประสงค์เพื่อต้องการศึกษาประสิทธิภาพ ในการประเมินฝนเรดาร์คอมโพสิตด้วยเทคนิคดัชนีคุณภาพเปรียบเทียบกับกรณีใช้ข้อมูลจากเรดาร์สถานีเดียวและกรณีการ วิเคราะห์เรดาร์คอมโพสิตด้วยวิธีค่าสูงสุด ในการศึกษานี้ได้ใช้ข้อมูลเรดาร์จาก 3 สถานี คือเรดาร์สมุทรสงคราม สัตหีบ และ พิมายจำนวน 22 เหตุการณ์ในปี พ.ศ. 2565 ได้ถูกรวบรวมมาสำหรับการศึกษา การกำหนดค่าความน่าเชื่อถือของคุณภาพ ข้อมูลเรดาร์ที่ตรวจวัดได้แบบรายสถานีได้วิเคราะห์ผ่านค่าดัชนี คุณภาพจำนวน 3 ดัชนีที่บ่งชี้ถึงปัจจัยที่นำไปสู่ความ คลาดเคลื่อนในการตรวจวัดอันได้แก่ 1) การบดบังของคลื่นเรดาร์ 2) ระดับความสูงของคลื่นเรดาร์เหนือภูมิประเทศ และ 3) ระยะห่างจากสถานีเรดาร์ โดยประสิทธิภาพของฝนเรดาร์จะทำการเปรียบเทียบกับข้อมูลน้ำฝนจากสถานีอัตโนมัติจำนวน 558 สถานี ผลการศึกษาพบว่าการใช้เทคนิคเรดาร์คอมโพสิตด้วยวิธีดัชนีคุณภาพมีประสิทธิภาพโดยเฉลี่ยที่ดีกว่าการใช้ข้อมูล เรดาร์จากสถานีเดี่ยวที่ประเมินจากเรดาร์สถานีสมุทรสงคราม โดยเมื่อประยุกต์ใช้ผลการคอมโพสิตร่วมกับการปรับแก้ความ คลาดเคลื่อนแล้วสามารถจำลองพฤติกรรมของฝนเชิงพื้นที่ได้สมเหตุสมผลสอดคล้องกับลักษณะกลุ่มฝนได้มากกว่าวิธีค่าสูงสุด อย่างเห็นได้ชัด และมีความถูกต้องเชิงปริมาณได้ดีกว่าวิธีค่าสูงสุดในภาพรวมของทุกความเข้มฝน ดังนั้นการพิจารณาดัชนี คุณภาพครอบคลุมปัจจัยความคลาดเคลื่อนอื่นที่เพิ่มขึ้นอาจนำไปสู่การเพิ่มประสิทธิภาพในการประเมินฝนเรดาร์ได้ต่อไป คำสำคัญ: เรดาร์ตรวจอากาศ, น้ำฝนเชิงพื้นที่, เรดาร์คอมโพสิต, ดัชนีคุณภาพ Abstract Using data from just one radar station for rainfall estimation can lead to errors due to inaccuracies in radar data measurements at each station. Applying radar composite techniques using data from multiple radar stations is a way to improve accuracy in radar-based rainfall estimation. This study aims to investigate the effectiveness of radar composite rainfall estimation using a quality index technique compared to cases using data from a single radar station and cases of radar composite analysis using the maximum value method. In this study, radar data from three stations, Samut Songkhram, Sattahip, and Phimai radars, were collected for 20 rainfall events in the year 2023. The reliability of radar data quality measured at each station was defined through three quality indices, which indicate factors contributing to measurement errors,

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 54 including 1) radar beam blockage, 2) radar beam height above the terrain, and 3) distance from the radar station. The radar-based rainfall's performance is then compared to rainfall data from 558 automatic rain gauges. Overall results showed that the radar composite technique with a quality index was, more effective than using the Samut Songkhram radar as a single radar station. When the composite results were further applied with the bias adjustment, they could reasonably simulate spatial rainfall amounts that better align with the characteristics of rainfall patterns compared to the maximum value method. Moreover, the composite technique yields better quantitative accuracy in overall rainfall intensity. Therefore, considering more quality indices covering other contributing error factors may lead to improved radar-based rainfall estimation efficiency in the future. Keywords: Weather Radar, Spatial Rainfall, Radar Composite, Quality Index 1. คำนำ น้ำท่วมฉับพลันคือภัยพิบัติที่สำคัญที่ยากต่อการเฝ้า ระวัง และรับมือได้ในระยะเวลาอันสั้นหลังฝนตกหนัก ซึ่ง ก่อให้เกิดความเสียหายในหลายด้าน ทั้งต่อการสูญเสีย ชีวิต ทรัพย์สิน ด้านเศรษฐกิจ และสังคม โดยน้ำท่วม ฉับพลันมีความเสี่ยงที่จะเกิดขึ้นบ่อยครั้งในพื้นที่ที่มี ลักษณะเป็นภูเขาสูงหรือพื้นที่ที่มีลักษณะภูมิประเทศที่มี ความลาดชันสูง การติดตั้งสถานีวัดน้ำฝนอัตโนมัติในพื้นที่ ภูเขานั้นมีข้อจำกัดและอุปสรรคที่สำคัญในการเข้าถึงพื้นที่ เพื่อทำการติดตั้งและซ่อมบำรุงเครื่องมือ ตลอดจนการ ขาดสัญญาณในการส่งข้อมูลระยะไกล ส่งผลให้ความ หนาแน่นของสถานีวัดน้ำฝนภาคพื้นดินไม่เพียงพอต่อ ติดตามสถานการณ์และพฤติกรรมฝน เทคโนโลยีเรดาร์ตรวจอากาศ (Weather Radar) เป็นหนึ่งในเครื่องมือที่ใช้ในการประเมินปริมาณน้ำฝน ทางอ้อมที่มีความละเอียดสูงทั้งเชิงพื้นที่และเชิงเวลา ซึ่ง เหมาะสำหรับการจำลองฝนแบบใกล้เวลาจริง (near real-time) และคาดการณ์ปริมาณน้ำฝนระยะสั้น [1, 2] จึงมีประโยชน์ต่อการนำไปวิเคราะห์ข้อมูลฝนในพื้นที่ที่มี เครือข่ายสถานีน้ำฝนอย่างจำกัด อย่างไรก็ตาม เรดาร์ ตรวจอากาศไม่ได้วัดข้อมูลน้ำฝนโดยตรง แต่วัดค่าการ สะท้อนกลับจากเรดาร์ (reflectivity data) ผ่านลำคลื่น ของเรดาร์ทรงกรวยในชั้นบรรยากาศ ซึ่งหลีกเลี่ยงไม่ได้ที่ จะประสบปัญหาความคลาดเคลื่อนจากการตรวจวัดอัน เนื่องมาจากปัจจัยหลากหลายด้าน อาทิเช่น ปัจจัยจาก ระยะห่างจากเรดาร์ ปัจจัยจากความสูงในการตรวจวัด เรดาร์เหนือพื้นดิน รวมถึงปัจจัยจากการที่คลื่นเรดาร์ถูก บดบังสัญญาณโดยภูเขาสูง ดังนั้นการใช้ข้อมูลจากเรดาร์ เพียงหนึ่งสถานีในการประเมินน้ำฝนอาจนำไปสู่ความ ความคลาดเคลื่อนในการประเมินฝนความละเอียดสูงได้ เทคนิคเรดาร์คอมโพสิตเป็นการใช้ข้อมูลจากเรดาร์ หลายสถานีมาวิเคราะห์เพื่อหาค่าที่เหมาะสมในบริเวณ พื้นที่ทับซ้อนเพื่อเพิ่มความถูกต้องของการประเมินน้ำฝน เรดาร์โดยเทคนิคพื้นฐานที่ได้รับการพัฒนาในอดีตจะเป็น การพิจารณาเลือกใช้หรือคำนวณข้อมูลในพื้นที่ทับซ้อน จากการพิจารณาค่าตรวจวัดจริงของแต่ละสถานีที่ เกี่ยวข้องโดยตรง อาทิเช่น วิธีค่าสูงสุด วิธีค่าเฉลี่ย วิธี คำนวณจากสถานีที่ใกล้ที่สุด และวิธีถ่วงน้ำหนักจาก ระยะทาง โดยวิธีค่าสูงสุดได้รับการยอมรับว่าสามารถ ประเมินปริมาณน้ำฝนตกหนักได้มีประสิทธิภาพเหนือกว่า วิธีอื่น [3] อย่างไรก็ วิธีการดังกล่าวเป็นการนำค่าที่สูงที่สุด ในแต่ละพิกเซลที่ซ้อนทับกันมาใช้ ดังนั้นจึงยังมีความ คลาดเคลื่อนหลงเหลืออยู่จากการไม่คัดกรองคุณภาพ ข้อมูล โดยผลลัพธ์ที่ได้มีแนวโน้มให้ค่าสูงกว่าความเป็น จริงหากไม่ได้ทำการปรับแก้ความคลาดเคลื่อนจากข้อมูล น้ำฝนจากสถานี [4] วิธีการคอมโพสิตด้วยการพิจารณาคุณภาพของข้อมูล ตรวจวัดของเรดาร์แต่ละสถานีที่ใช้วิเคราะห์คอมโพสิต หรือเรียกว่าวิธีดัชนีคุณภาพ (Quality Indices Method) ได้ถูกพัฒนาให้มีความซับซ้อนเพิ่มขึ้นเพื่อนำไปสู่การเพิ่ม

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 55 ความถูกต้องในการประเมินฝนเรดาร์ โดยดัชนีด้าน คุณภาพในการตรวจวัดข้อมูลที่นิยมนำมาพิจารณาสำหรับ เรดาร์แต่ละสถานี ได้แก่ ดัชนีด้านคุณลักษณะเฉพาะของ เรดาร์ ดัชนีจากตำแหน่งตรวจวัดที่มีระยะห่างจากสถานี เรดาร์ ดัชนีจากความสูงในการตรวจวัดเรดาร์เหนือพื้นดิน รวมถึงดัชนีจากการที่คลื่นเรดาร์ถูกบดบังสัญญาณโดย ภูเขาสูง [5] เป็นที่น่าสังเกตว่า การประยุกต์ใช้เทคนิคดัชนี คุณภาพสำหรับการวิเคราะห์เรดาร์คอมโพสิตในประเทศ ไทยยังมีอย่างจำกัดในบางพื้นที่ ยังไม่ครอบคลุมเครือข่าย สถานีเรดาร์ทั้งประเทศ [6, 7] ทั้งนี้การวิเคราะห์ดัชนี คุณภาพกับสถานีเรดาร์ที่แตกต่างกันย่อมส่งผลต่อผลลัพธ์ ในการวิเคราะห์น้ำฝนเรดาร์ที่แตกต่างไปด้วย ดังนั้น งานวิจัยนี้มีความสนใจที่ศึกษาประสิทธิภาพของการ ประเมินฝนเรดาร์คอมโพสิตด้วยเทคนิคดัชนีคุณภาพกับ เครือข่ายสถานีเรดาร์ที่แตกต่างกันออกไป และนำผลที่ ได้มาเปรียบเทียบความถูกต้องกับวิธีค่าสูงสุด เพื่อให้เห็น ประสิทธิภาพของเทคนิคที่แตกต่างกัน และสามารถ นำไปใช้เป็นแนวทางการพิจารณาเพิ่มความถูกต้องของ การประเมินน้ำฝนเรดาร์สำหรับการประยุกต์ใช้งานได้ อย่างถูกต้องและเหมาะสมมากขึ้น โดยในการศึกษานี้ได้ เลือกใช้ข้อมูลค่าการสะท้อนกลับของเรดาร์จากเครือข่าย เรดาร์จำนวน 3 สถานีได้แก่เรดาร์สัตหีบ พิมาย และ สมุทรสงคราม 1. พื้นที่ศึกษา เครือข่ายเรดาร์ที่ใช้ในการศึกษานี้ประกอบด้วย 3 สถานีได้แก่เรดาร์สัตหีบ พิมาย และสมุทรสงคราม โดย สถานีเรดาร์สัตหีบ ตั้งอยู่ที่ อ.สัตหีบ จ.ชลบุรี และ สถานี เรดาร์พิมาย ตั้งอยู่ที่ อ.พิมาย จ.นครราชสีมา อยู่ภายใต้ ความรับผิดชอบของกรมฝนหลวงและการบินเกษตร ในขณะที่ สถานีเรดาร์สมุทรสงครามตั้งอยู่ที่ อ.เมือง สมุทรสงคราม จ.สมุทรสงคราม อยู่ภายใต้ความดูแลของ กรมอุตุนิยมวิทยา โดยเรดาร์ทั้งสามสถานีมีรัศมีการ ตรวจวัด 240 กิโลเมตร ครอบคลุมพื้นที่ภาคกลาง ภาค ตะวันออก ภาคตะวันตก และภาคตะวันออกเฉียงเหนือ รวมทั้งสิ้น 49 จังหวัด ดังแสดงเครือข่ายสถานีและพื้นที่ ตรวจวัดดังรูปที่ 1 รูปที่ 1 เครือข่ายสถานีเรดาร์สัตหีบ พิมาย และ สมุทรสงคราม และที่ตั้งสถานีวัดน้ำฝนอัตโนมัติ 3. การรวบรวมข้อมูลและตรวจสอบคุณภาพข้อมูล 3.1 ข้อมูลค่าการสะท้อนกลับเรดาร์ การรวบรวมข้อมูลค่าการสะท้อนกลับ (Radar Reflectivity data) ของเรดาร์สัตหีบ พิมาย และ สมุทรสงครามในช่วงปี พ.ศ. 2565 โดยเรดาร์สัตหีบและพิ มายมีความถี่ในการตรวจวัดทุก 6 นาที และเรดาร์ สมุทรสงครามมีความถี่ในการตรวจวัดทุก 15 นาที โดย เรดาร์ทั้งสามสถานีมีความละเอียดเชิงพื้นที่ 0.6x0.6 ตร. กม./พิกเซล สำหรับการควบคุมคุณภาพของข้อมูลได้ พิจารณาหลีกเลี่ยงความคลาดเคลื่อนจากการตรวจวัด โดยข้อมูลค่าการสะท้อนกลับที่มีค่าน้อยกว่า 15 dBZ จะ ไม่ถูกนำมาพิจารณาในการวิเคราะห์ เพื่อคัดกรอง ความคลาดเคลื่อนที่เกิดจากสัญญาณรบกวนคลื่นเรดาร์ (noise) และในกรณีข้อมูลการสะท้อนกลับมีค่ามากกว่า 53 dBZ จะกำหนดให้มีค่าเท่ากับ 53 dBZ เพื่อหลีกเลี่ยง ความคลาดเคลื่อนที่เกิดจากลูกเห็บ [8] 3.2 ข้อมูลน้ำฝนสถานีจากสถานีตรวจวัดอัตโนมัติ การรวบรวมข้อมูลน้ำฝนรายชั่วโมง ในช่วงเวลาปี พ.ศ. 2565 จากสถานีวัดน้ำฝนอัตโนมัติของหน่วยงานที่ เกี่ยวข้องจำนวน 2 หน่วยงาน โดยรวบรวมจากสถาบัน

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 56 สารสนเทศทรัพยากรน้ำจำนวน 497 สถานี ซึ่งมีความถี่ใน การตรวจวัดราย 10 นาที และรวบรวมจากกรมทรัพยากร น้ำจำนวน 356 สถานี ซึ่งความถี่ในการตรวจวัดราย 15 นาที จากข้อมูลที่รวบรวมดังกล่าวได้ทำการตรวจสอบ คุณภาพข้อมูลด้วยการพิจารณาเลือกใช้เฉพาะสถานีที่มี การตรวจวัดข้อมูลอย่างต่อเนื่องเกิน 70% ของข้อมูลใน ฤดูฝนของปีนั้นๆ และทำการตรวจสอบความเชื่อถือได้ ของข้อมูลด้วยวิธี Double Mass Curve ผลการวิเคราะห์ พบว่าสถานีน้ำฝนที่มีความน่าเชื่อถือมีจำนวนทั้งสิ้น 336 สถานี จากการพิจารณาคุณภาพของข้อมูลน้ำฝนจากสถานี ตรวจวัดอัตโนมัติในช่วงเวลาที่ตรงกับข้อมูลค่าการสะท้อน กลับของเรดาร์ทั้ง 3 สถานี ได้ทำการคัดเลือกเหตุการณ์ที่ มีปริมาณน้ำฝนที่ครอบคลุมฝนเบา-ปานกลาง (0.1-25.0 มม.)จนถึงฝนหนัก-หนักมาก (25.1-90.0 มม.) จำนวน ทั้งสิ้น 22 เหตุการณ์ ซึ่งอยู่ในช่วงเดือนพฤษภาคมถึงเดือน ตุลาคม ปี พ.ศ 2565 สำหรับการประเมินน้ำฝนด้วย เทคนิคเรดาร์คอมโพสิต 4. ทฤษฎีที่เกี่ยวข้อง 4.1 ดัชนีคุณภาพของข้อมูลตรวจวัดเรดาร์ 4.1.1 ดัชนีคุณภาพตามระยะห่างจากสถานีเรดาร์ (Distance to the radar station, DTR) เป็นดัชนีตัวแทน ของคุณภาพข้อมูลเรดาร์ที่ลดลงตามระยะห่างจากสถานี เรดาร์ เนื่องจากลำคลื่นเรดาร์จะมีขนาดใหญ่ขึ้นตาม ระยะทาง ส่งผลให้ที่ระยะทางไกลจากเรดาร์ออกไป ข้อมูลเรดาร์ที่ตรวจวัดได้จะมีความน่าเชื่อถือลดลงและ อาจเกิดความอ่อนกำลังของสัญญาณตามระยะทางได้ ซึ่ง สามารถคำนวณค่าดัชนีได้ดังสมการที่ (1) = { 1.0 ; < 1.0 − − − ; ≤ ≤ 0.0 ; > (1) เมื่อ คือระยะห่างจากสถานีเรดาร์, คือ ระยะทางต่ำสุด และ คือสูงสุดที่เรดาร์ตรวจวัด 4.1.2 ดัชนีคุณภาพตามระดับความสูงของคลื่นเรดาร์ เหนือภูมิประเทศ (Height of the beam above the ground, HTG) ซึ่งเป็นดัชนีตัวแทนความแตกต่างของ ระดับความสูงระหว่างภูมิประเทศและข้อมูลของคลื่น เรดาร์ที่เพิ่มขึ้นตามระยะทาง โดยเริ่มต้นจากการคำนวณ ความสูงของคลื่นเรดาร์ได้จากสมการที่ (2) และนำไป วิเคราะห์ผลต่างกับข้อมูลระดับภูมิประเทศเพื่อประเมินค่า ℎ ในสมการที่ (3) และคำนวณ ℎ จากความแตกต่าง ระหว่างความสูงคลื่นเรดาร์กับภูมิประเทศสูงสุด ซึ่งเมื่อ ความแตกต่างของระดับความสูงมากจะถูกแทนค่าด้วย ดัชนีคุณภาพที่ลดลง สามารถคำนวณค่าดัชนีได้ดังสมการ ที่ (4) = √ 2 + ′ 2 + 2′∅ − ′ + 0 (2) เมื่อ คือระยะทางจากสถานีเรดาร์ถึงระยะทางที่ พิจารณา ∅ คือ มุมยกในการตรวจวัดของเรดาร์ 0คือ ค่าระดับความสูงที่ติดตั้งของเรดาร์ และ ′ คือ 3/4 ของ รัศมีของโลก (6,374 กม.) ℎ = − (3) เมื่อ คือระดับความสูงของลำคลืนเรดาร์ และ คือระดับความสูงจากแบบจำลองระดับภูมิ ประเทศ = { 0.0 ; ℎ < 0 1.0 − ℎ ℎ ; 0 ≤ ℎ ≤ ℎ 0.0 ; ℎ > ℎ (4) เมื่อ ℎ คือความแตกต่างระหว่างความสูงคลื่นเรดาร์ และระดับจากพื้นดิน (กม.) และ ℎ คือความ แตกต่างระหว่างความสูงคลื่นเรดาร์กับระดับจากพื้นดิน สูงสุดที่ยอมรับ (กม.) 4.1.3 ดัชนีคุณภาพตามสัดส่วนการบดบังของคลื่น เรดาร์ (Beam Blockage Fraction, BBF) ในกรณีที่มุมยกของคลื่นเรดาร์ที่ส่งออกไปมีระดับต่ำ กว่าความสูงของภูมิประเทศ เช่น ภูเขา จะส่งผลให้ลำคลื่น เรดาร์ถูกขวางกั้นโดยภูมิประเทศและมีคุณภาพไม่สมบูรณ์ โดยดัชนีแสดงสัดส่วนของคลื่นเรดาร์ที่ถูกบดบังสัญญาณ จากภูมิประเทศ โดยที่ถ้าเกิดการบดบังสัญญาณมาก จะมี ดัชนีคุณภาพที่ลดลง สามารถคำนวณค่าดัชนีได้ดังสมการ ที่ (5)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 57 = { 1 − ; ≤ 0 ; > (5) เมื่อ คืออัตราส่วนการบดบังที่เกิดขึ้นจริง และ คืออัตราส่วนการบดบังที่มากสุดที่ยอมรับ โดยมี หน่วยเป็นเปอร์เซ็นต์ 4.1.4 การวิเคราะห์ดัชนีคุณภาพรวม การวิเคราะห์ดัชนีคุณภาพรวม เป็นการรวมดัชนี คุณภาพตามระยะห่างจากสถานีเรดาร์, ดัชนีคุณภาพตาม ระดับความสูงของคลื่นเรดาร์เหนือภูมิประเทศและ ดัชนี คุณภาพตามสัดส่วนการบดบังของคลื่นเรดาร์ ดังสมการที่ (4) = × × (6) 4.2 การวิเคราะห์ฝนเรดาร์คอมโพสิตด้วยวิธีดัชนีคุณภาพ 4.2.1 การสอบเทียบความสัมพันธ์ Z-R โดยทั่วไปในการประเมินน้ำฝนเริ่มต้นด้วยการแปลง ค่าการสะท้อนกลับที่ตรวจวัดได้ให้เป็นความเข้มของฝน หรือปริมาณฝน ด้วยความสัมพันธ์ Z-R ซึ่งอยู่ในรูปสมการ เลขยกกำลังดังแสดงในสมการที่ (7) = A (7) เมื่อ คือ ค่าการสะท้อนกลับ (มิลลิเมตร6 เมตร3), A และ b คือพารามิเตอร์ของสมการความสัมพันธ์ ZR ทั้งนี้ได้มีการยอมรับว่าการสอบเทียบความสัมพันธ์ Z-R สามารถทำได้โดยการกำหนดค่า b เท่ากับ 1.5 เป็น ค่าคงที่และ ปรับแก้เฉพาะค่า A ด้วยวิธี Trial and error เพื่อคำนวณค่า A ที่มีความคลาดเคลื่อนน้อยที่สุด [9] 4.2.2 การวิเคราะห์ฝนเรดาร์คอมโพสิต ปริมาณน้ำฝนเรดาร์ของแต่ละสถานีจะถูกคำนวณ ด้วยการประยุกต์ใช้ความสัมพันธ์ Z-R ที่สอบเทียบได้ตาม วิธีการข้างต้น จากนั้นคำนวณน้ำฝนเรดาร์สะสมราย ชั่วโมงสำหรับเหตุการณ์ที่กำหนด เพื่อให้ได้ปริมาณฝน เรดาร์ในเหตุการณ์ที่ตรงกันของเรดาร์ทั้ง 3 สถานี สำหรับ ฝนเรดาร์คอมโพสิตสามารถวิเคราะห์ได้จากการนำข้อมูล น้ำฝนเรดาร์จากทุกสถานี ณ กริดเดียวกันมาเฉลี่ยด้วยค่า ถ่วงน้ำหนักที่พิจารณาจากค่าดัชนีคุณภาพของเรดาร์แต่ ละสถานีที่เกี่ยวข้อง ดังแสดงวิธีการคำนวณในสมการที่ (8) = ∑ =1 ∑ =1 (8) เมื่อ คือค่าดัชนีคุณภาพของเรดาร์สถานี และ คือน้ำฝนเรดาร์สะสมรายชั่วโมงของเรดาร์สถานี 4.3 การปรับแก้ความคลาดเคลื่อนรายชั่วโมง การประเมินน้ำฝนด้วยความสัมพันธ์ Z-R อาจมี ความไม่เหมาะสมกับทุกเหตุการณ์ฝนตกที่คัดเลือก การ ปรับแก้ความคลาดเคลื่อนน้ำฝนเรดาร์รายชั่วโมง (hourly mean field bias adjustment, HMFB) เป็นวิธีมาตรฐาน ที่นำมาใช้ปฏิบัติกันอย่างแพร่หลายเพื่อเพิ่มประสิทธิภาพ ของการประเมินน้ำฝนเรดาร์ดังแสดงการคำนวณใน สมการที่ (9) = ∑ RG =1 ∑ RR =1 (9) เมื่อ คือจำนวนชุดข้อมูลระหว่างน้ำฝนเรดาร์กับ น้ำฝนจากสถานีอัตโนมัติ คือน้ำฝนเรดาร์สะสมราย สถานี และ คือน้ำฝนจากสถานีวัดอัติโนมัติสะสม รายสถานี 5. วิธีการศึกษา 5.1 การคำนวณดัชนีคุณภาพสำหรับเรดาร์แต่ละสถานี 5.1.1 ดัชนีคุณภาพตามระยะห่างจากสถานีเรดาร์ ดัชนีคุณภาพตามระยะห่างจากสถานีเรดาร์สามารถ วิเคราะห์จากระยะห่างตามแนวรัศมีการตรวจวัดของ เรดาร์แต่ละสถานี ทั้งนี้เรดาร์ทั้ง 3 สถานีมีรัศมีการ ตรวจวัดสูงสุดที่ 240 กม. ดังนั้นค่า ของทุก สถานีจะคำนวณได้ดังสมการที่ (1) โดยกำหนดค่า และ เท่ากับ 0 และ 240 กม. ตามลำดับ 5.1.2 ดัชนีคุณภาพตามระดับความสูงของคลื่นเรดาร์ เหนือภูมิประเทศ ดัชนีคุณภาพนี้สามารถวิเคราะห์จากความแตกต่าง ระหว่างความสูงของลำคลื่นเรดาร์กับภูมิประเทศ โดย ประเมินได้จากค่าลักษณะของเรดาร์แต่ละสถานี ได้แก่ ค่า ความสูงของที่ตั้งของเรดาร์รัศมีการตรวจวัดของเรดาร์ และมุมยกของเรดาร์แต่ละสถานี สำหรับเรดาร์สัตหีบ,

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 58 เรดาร์พิมาย และ เรดาร์สมุทรสงครามติดตั้งอยู่ที่ความสูง 174, 220 และ 8 เมตร และเรดาร์ทั้งสามสถานีมีมุมยกใน การตรวจวัด 0.5 องศา ความกว้างคลื่น 1 องศา สำหรับ ขั้นตอนการวิเคราะห์เริ่มจากการประเมินระดับความสูง ของลำคลื่นเรดาร์() ด้วยสมการที่ (2) จากนั้นนำมา วิเคราะห์ความแตกต่างระหว่างความสูงเรดาร์กับภูมิ ประเทศ (ℎ) ร่วมกับข้อมูล DEM ดังสมการที่ (3 และ 4) ตามลำดับ จากความแตกต่างของคุณลักษณะการตรวจวัด และสภาพภูมิประเทศในรัศมีเรดาร์แต่ละที่ จะได้ค่า h ที่ ผันแปรไปเชิงพื้นที่ ในการศึกษานี้พบว่าค่า ℎ ที่เป็น ตัวแทนของเรดาร์สัตหีบ เรดาร์พิมาย และสมุทรสงคราม คือ 5.658 กม. 5.704 กม. และ 5.492 กม. ตามลำดับ 5.1.3 ดัชนีคุณภาพตามสัดส่วนการบดบังของคลื่นเรดาร์ ดัชนีคุณภาพตามสัดส่วนการบดบังของคลื่นเรดาร์ สามารถวิเคราะห์ได้โดยการคำนวณสัดส่วนการบดบังของ คลื่นเรดาร์(B) เริ่มต้นจากการประเมินความกว้างของลำ คลื่นเรดาร์ด้วยคุณสมบัติข้อมูลเรดาร์ได้แก่ มุมยกและ ความกว้างลำคลื่น เพื่อวิเคราะห์ความกว้างของลำคลื่น เรดาร์ซึ่งเพิ่มขึ้นตามระยะห่างจากสถานีเรดาร์ จากนั้นนำ ภาพตัดความกว้างลำคลื่นเรดาร์ ไปวิเคราะห์ร่วมกับข้อมูล DEM ที่มุม azimuth ต่าง ๆ ตั้งแต่ 0 – 360 องศา เพื่อ หาสัดส่วนการบดบัง ของคลื่นเรดาร์ (B) โดยเมื่อลำคลื่น เรดาร์ถูกบดบังจากภูมิประเทศ สามารถคำนวณ B ได้จาก เปอร์เซ็นต์ของคลื่นที่ถูกบดบังส่วนความกว้างลำคลื่น ทั้งหมด และในการศึกษานี้กำหนดค่า เท่ากับ 1 ดังสมการที่ (5) หลังจากการคำนวณดัชนีคุณภาพทั้งสาม ดัชนี ขั้นตอนต่อไปคือการคำนวนดัชนีคุณภาพรวมเพื่อใช้ สำหรับการคอมโพสิต ดังสมการที่ (6) 5.2 การวิเคราะห์น้ำฝนเรดาร์คอมโพสิตรายชั่วโมง ลำดับขั้นตอนการวิเคราะห์เรดาร์คอมโพสิต ระหว่างสถานีเรดาร์สัตหีบ, พิมาย และสมุทรสงคราม สำหรับ 22 เหตุการณ์ ระหว่างเดือน พ.ค - ต.ค. ปี พ.ศ. 2565 มีดังนี้ 1 ) วิเคราะห์ค่าการสะท้อนกลับจากเรดาร์แบบชั่วขณะ (instantaneous radar reflectivity data) จากข้อมูล ตรวจวัด ณ สถานีเรดาร์ทั้งสามให้เป็นราย 1 นาทีด้วย เทคนิควิธีการประมาณค่าระหว่างช่วงให้มีการ เปลี่ยนแปลงแบบเส้นตรงอย่างง่าย (simple linear interpolation, SLI) 2) การแปลงข้อมูลการสะท้อนกลับจากเรดาร์ของทั้ง 3 สถานี แบบชั่วขณะราย 1 นาที ให้เป็นความเข้มฝนราย 1 นาที ด้วยการประยุกต์ใช้สมการความสัมพันธ์ Z-R ที่สอบ เทียบเรียบร้อย ณ เรดาร์สัตหีบ (Z = 278R 1.5) พิมาย (Z = 104R1.5) และสมุทรสงคราม Z = 82R 1.5) จากนั้นทำ การวิเคราะห์ปริมาณฝนสะสมเรดาร์รายชั่วโมงของทุก สถานี 3) การวิเคราะห์ฝนเรดาร์คอมโพสิตรายชั่วโมงด้วยการ ประยุกต์ใช้ดัชนีคุณภาพของแต่สถานีเรดาร์ ดังการ คำนวณในสมการที่ (8) สำหรับทั้ง 22 เหตุการณ์พายุฝนที่ คัดเลือกมา 4) การวิเคราะห์เรดาร์คอมโพสิตด้วยวิธีค่าสูงสุด สำหรับ เหตุการณ์เดียวกันกับการใช้เทคนิคดัชนีคุณภาพ 5.3 การปรับแก้ความคลาดเคลื่อนน้ำฝนเรดาร์ด้วยข้อมูล น้ำฝนจากสถานี ปริมาณฝนเรดาร์คอมโพสิตที่วิเคราะห์ด้วยเทคนิค ดัชนีคุณภาพ และวิธีค่าสูงสุด จะถูกนำมาปรับแก้ความ คลาดเคลื่อนเพื่อนำไปเปรียบเทียบประสิทธิภาพในการ จำลองฝนต่อไป โดยการคำนวณค่าแฟกเตอร์การปรับแก้ ในการศึกษานี้ได้วิเคราะห์รายชั่วโมงด้วยวิธี Hourly Mean Field Bias (HMFB) ดังแสดงในสมการที่ (9) 5.4 การเปรียบเทียบประสิทธิภาพของเรดาร์คอมโพสิต การเปรียบเทียบประสิทธิภาพของน้ำฝนเรดาร์คอม โพสิตสำหรับกรณีศึกษาต่างๆ สามารถทำได้โดยการ วิเคราะห์ความคลาดเคลื่อนระหว่างฝนเรดาร์ที่ประเมินได้ กับข้อมูลฝนจากสถานีวัดน้ำฝน ณ ตำแหน่งที่สอดคล้อง กัน โดยความคลาดเคลื่อนที่นำมาพิจารณาในการศึกษานี้ คือ Root Mean Square Error (RMSE) ดังแสดงการ คำนวณในสมการที่ (10)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 59 = √ 1 N ∑ ∑ (,− ,) N 2 =1 N =1 (10) เมื่อ คือจำนวนสถานีวัดน้ำฝนอัตโนมัติที่ใช้ในการ คำนวณ, , คือปริมาณน้ำฝนเรดาร์ที่พิกเซลตรงกับ สถานีวัดฝนน้ำฝนอัตโนมัติ และ,คือปริมาณน้ำฝนจาก สถานีวัดฝนน้ำฝนอัตโนมัติสถานีวัดน้ำฝน ในเวลาที่ สำหรับกรณีศึกษาในการวิเคราะห์ความถูกต้องมีดังนี้ 1) การพิจารณาทุกเหตุการณ์ฝน กรณีศึกษานี้ ข้อมูลน้ำฝนทั้งหมดใน 22 เหตุการณ์ที่ ใช้ศึกษาได้ถูกนำมาใช้วิเคราะห์ประสิทธิภาพในการ ประเมินน้ำฝนเรดาร์คอมโพสิตทุกวิธีเทียบกับกรณี ประเมินน้ำฝนเรดาร์ด้วยการใช้ข้อมูลจากสถานี สมุทรสงครามซึ่งมีค่าความคลาดเคลื่อนสูงสุดจากเรดาร์ ทั้ง 3 สถานี 2) การพิจารณาตามปริมาณการตกของฝน กรณีศึกษานี้ เพื่อต้องการศึกษาผลกระทบของน้ำฝน ที่ปริมาณแตกต่างกันต่อประสิทธิภาพของเทคนิคเรดาร์ คอมโพสิต โดยแบ่งปริมาณความเข้มน้ำฝนเป็น 2 ระดับ โดยอ้างอิงจากเกณฑ์ปริมาณน้ำฝนรายชั่วโมงของกรม อุตุนิยมวิทยา ได้แก่ 1) ฝนเบา-ฝนปานกลาง (ปริมาณฝน 0.1 มม. ถึง 25 มม.) 2) ฝนหนัก-ฝนหนักมาก(ปริมาณฝน 25.1 มม. ถึง 90 มม.) 6. ผลการศึกษาและการอภิปรายผล ผลการทดสอบประสิทธิภาพในการประเมินน้ำฝน เรดาร์ก่อนและหลังการประยุกต์ใช้เทคนิคเรดาร์คอมโพ สิตด้วยวิธีดัชนีคุณภาพ ทั้งในรูปแบบเชิงคุณภาพและเชิง ปริมาณ ภายใต้กรณีศึกษาต่างๆ มีดังต่อไปนี้ 6.1 ผลการคำนวณดัชนีคุณภาพสำหรับแต่ละสถานี ตรวจวัด ผลการวิเคราะห์ค่าดัชนีคุณภาพของเรดาร์ณ สถานี สัตหีบ พิมาย และสมุทรสงคราม แสดงให้เห็นว่า แต่ละ สถานีเรดาร์มีค่าดัชนีคุณภาพที่แตกต่างกันตาม คุณลักษณะเฉพาะของ hardware เรดาร์นั้นๆ และปัจจัย แวดล้อมต่างๆ ทางกายภาพของพื้นที่ตรวจวัดเป็นสำคัญ โดยบริเวณที่ดัชนีคุณภาพในเกณฑ์ต่ำจะอยู่ใกล้กับขอบ รัศมีตรวจวัดของเรดาร์แต่ละสถานีและในตำแหน่งที่ถูก บดบังสัญญาณจากภูเขาอย่างเห็นได้ชัด อย่างไรก็ตาม เมื่อทำการวิเคราะห์ดัชนีคุณภาพรวมภายใต้การถ่วง น้ำหนักดัชนีคุณภาพจากทุกสถานีที่เกี่ยวข้อง ผลการ วิเคราะห์แสดงให้เห็นค่าดัชนีคุณภาพที่เพิ่มขึ้นอย่าง ชัดเจนในบริเวณพื้นที่ซ้อนทับ ซึ่งสะท้อนถึง ความ น่าเชื่อถือของการคอมโพสิตที่เพิ่มขึ้นตามไปด้วย ดัง แสดงผลการศึกษาในรูปที่ 2 โดยค่าดัชนีคุณภาพมีค่า ระหว่าง 0 - 1 ซึ่งแสดงดัชนีคุณภาพของข้อมูลต่ำที่สุด และสูงที่สุด ตามลำดับ รูปที่ 2 ผลลัพท์ดัชนีคุณภาพของเรดาร์สัตหีบ พิมาย และ สมุทรสงคราม และผลการคำนวณดัชนีคุณภาพรวม 6.2 ผลการประเมินประสิทธิภาพเรดาร์คอมโพสิตเชิง คุณภาพ ผลการวิเคราะห์เรดาร์คอมโพสิตในรูปแบบปริมาณ การประเมินผลเรดาร์คอมโพสิตเชิงคุณภาพ เพื่อต้องการ แสดงให้เห็นถึงประสิทธิภาพในการจำลองแผนที่การ กระจายตัวของปริมาณน้ำฝนเรดาร์เชิงพื้นที่ที่ได้จากวิธี คอมโพสิตระหว่างวิธีค่าสูงสุด (Max) และ ดัชนีคุณภาพ (QI) ผลการศึกษาภายใต้การพิจารณาคัดเลือกเหตุการณ์ ฝนที่ตกอย่างต่อเนื่อง และคำนวณเป็นฝนเรดาร์คอมโพ สิตสะสมรายเหตุการณ์ แสดงให้เห็นว่าวิธีค่าสูงสุดจะ หลงเหลือขอบของพื้นที่ฝนอย่างเห็นได้ชัดในบริเวณ ค า น ค ณ า ค ณ า ส ส ค ณ า าส

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 60 รอยต่อระหว่างพื้นที่คอมโพสิตกับพื้นที่เรดาร์สถานีเดี่ยว ซึ่งเกิดขึ้นจากการคัดเลือกค่าสูงสุดระหว่างสถานีเรดาร์ที่ เกี่ยวข้องไปใช้เป็นตัวแทน ต่างจากวิธีดัชนีคุณภาพที่ได้ทำ การถ่วงน้ำหนักจากสถานีโดยรอบด้วยค่าดัชนีคุณภาพ ส่งผลให้ภาพเรดาร์คอมโพสิตที่ประเมินได้มีความต่อเนื่อง และใกล้เคียงกับลักษณะกลุ่มฝนมากกว่า ดังแสดงในรูปที่ 3 ถึง รูปที่ 5 รูปที่ 3 ข้อมูลฝนเรดาร์สะสมรายเหตุการณ์หลังการ Bias คอมโพสิต ด้วยวิธี ก) Max และ ข) QI ของวันที่ 20 ก.ค. เวลา 20.00 น. ถึง 21 ก.ค. พ.ศ. 2565 เวลา 03.00 น. รูปที่ 4 ข้อมูลฝนเรดาร์สะสมรายเหตุการณ์หลังการ Bias คอมโพสิต ด้วยวิธี ก) Max และ ข) QI ของวันที่ 31 ก.ค. เวลา 18.00 น. ถึง 31 ก.ค. พ.ศ. 2565 เวลา 23.00 น. 6.3 ประสิทธิภาพเรดาร์คอมโพสิตเชิงปริมาณ เพื่อให้เห็นความคลาดเคลื่อนเชิงปริมาณระหว่าง การประยุกต์ใช้เทคนิคเรดาร์คอมโพสิตที่แตกต่างกันใน การจำลองฝนเรดาร์ การศึกษานี้ได้นำค่า RMSE มาเป็น ดัชนีทางสถิติในการเปรียบเทียบประสิทธิภาพระหว่างการ ใช้เทคนิคค่าสูงสุด และวิธีดัชนีคุณภาพ โดยมีกรณีศึกษา ดังนี้ 6.3.1 พิจารณาเหตุการณ์ฝนรวม ผลการวิเคราะห์ค่า RMSE ของทั้ง 22 เหตุการณ์ พบว่าหลังจากการคอมโพสิตด้วยแต่ละเทคนิคให้ค่า RMSE ที่แปรผันรายชั่วโมงที่แตกต่างกัน ดังแสดงการ กระจายตัวของค่าเฉลี่ย RMSE รายชั่วโมงสำหรับกรณี ก่อนและหลังคอมโพสิตดังรูปที่ 6 ซึ่งพบว่าการคอมโพสิต ด้วยวิธีดัชนีคุณภาพให้ประสิทธิภาพหลังการคอมโพสิตที่ ต่ำกว่าการคอมโพสิตวิธีค่าสูงสุด แต่หลังจากการปรับแก้ ด้วยเทคนิค MFB แล้วพบว่าการคอมโพสิตวิธีดัชนี คุณภาพมีประสิทธิภาพที่ดีกว่าการคอมโพสิตด้วยวิธี ค่าสูงสุดเล็กน้อย ซึ่งสามารถวิเคราะห์ประสิทธิภาพที่ เพิ่มขึ้นเมื่อเทียบกับกรณีประยุกต์ใช้ข้อมูลจากเรดาร์ สมุทรสงครามเพียงสถานีเดียวดังแสดงผลการศึกษาในรูป ที่ 7 โดยประสิทธิภาพของวิธีดัชนีคุณภาพและวิธีค่าสูงสุด มีค่าเพิ่มขึ้นคิดเป็น 11.66 และ 17.41 เปอร์เซ็นต์ เมื่อ เทียบกับการใช้เรดาร์สมุทรสงคราม และมีประสิทธิภาพที่ เพิ่มขึ้นเป็น 36.76 และ 33.91 เปอร์เซ็นต์ หลังการ ปรับแก้ด้วยเทคนิค HMFB รูปที่ 6 การกระจายตัวของแฟกเตอร์ค่า RMSE เฉลี่ยราย ชั่วโมงก่อนและหลังคอมโพสิตของเหตุการณ์ที่คัดเลือก ก ข ปริมาณน า น สะสม มม ก ข ปริมาณน า น สะสม มม

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 61 รูปที่ 7 ประสิทธิภาพที่เพิ่มขึ้นหลังการคอมโพสิตโดย เปรียบเทียบจากเรดาร์สมุทรสงคราม 6.3.2 พิจารณาประสิทธิภาพตามความเข้มฝน เพื่อให้ทราบถึงประสิทธิภาพของเทคนิคเรดาร์คอม โพสิตต่อการเปลี่ยนแปลงความเข้มฝน ผู้วิจัยได้จำแนก เกณฑ์ปริมาณฝนออกเป็น 2 ระดับตามหัวข้อที่ 5.4 โดย ผลการวิเคราะห์แสดงอยู่ในรูปของค่าเฉลี่ย RMSE ราย ชั่วโมง ซึ่งผลการศึกษาพบว่า ในช่วงความเข้มฝนกำลัง เล็กน้อยถึงปานกลางวิธีค่าสูงสุดจะมีประสิทธิภาพที่ต่ำ กว่าวิธีดัชนีคุณภาพอย่างเห็นได้ชัด โดยวิธีดัชนีคุณภาพให้ เปอร์เซ็นต์ความถูกต้องที่เพิ่มขึ้นหลังการปรับแก้ความ คลาดเคลื่อนเมื่อเทียบกับการประเมินฝนด้วยสถานีเรดาร์ สมุทรสงคราม ดังแสดงผลการศึกษาในรูปที่ 8 สำหรับ กรณีฝนเบา-ฝนปานกลาง และฝนหนัก-ฝนหนักมาก เท่ากับ 31.8 และ 45.3 เปอร์เซ็นต์ตามลำดับ ในขณะที่วิธี ค่าสูงสุดให้เปอร์เซ็นต์ความถูกต้องเพิ่มขึ้นเมื่อเทียบกับ การประเมินฝนด้วยสถานีเรดาร์สมุทรสงคราม สำหรับ กรณีฝนเบา-ฝนปานกลาง และฝนหนัก-ฝนหนักมาก เท่ากับ 25.1 และ 45.9 เปอร์เซ็นต์ตามลำดับ รูปที่ 8 ประสิทธิภาพที่เพิ่มขึ้นเมื่อใช้เทคนิคคอมโพสิต เทียบจากการประเมินน้ำฝนด้วยเรดาร์สมุทรสงครามเพียง สถานีเดียว 7. สรุปผลการศึกษา 1) การวิเคราะห์ปริมาณน้ำฝนเรดาร์ด้วยเทคนิค เรดาร์คอมโพสิต ครอบคลุมรัศมีเรดาร์สมุทรสงคราม สัต หีบ และพิมาย แสดงให้เห็นว่าทั้งวิธีดัชนีคุณภาพและวิธี ค่าสูงสุดให้ความถูกต้องสูงกว่าการวิเคราะห์ปริมาณน้ำฝน เรดาร์จากการใช้ข้อมูลเรดาร์เพียงสถานีเดียว โดยการ วิเคราะห์ด้วยเรดาร์สมุทรสงครามมีแนวโน้มให้ความ ถูกต้องที่ต่ำที่สุดเทียบกับเรดาร์สัตหีบและเรดาร์พิมาย ทั้งนี้เมื่อเพิ่มความถูกต้องของผลิตภัณฑ์ฝนคอมโพสิตด้วย เทคนิคการปรับแก้ความคลาดเคลื่อน (bias adjustment) เทียบกับปริมาณฝนสถานีภาคพื้นดินแล้ว จะสามารถให้ ความถูกต้องในการจำลองฝนเพิ่มสูงขึ้นอย่างชัดเจน 2) การประยุกต์ใช้เทคนิคดัชนีค ุณภาพทั้ง 3 ป ระเภท มีลักษณะเด ่นอย ่างเห็นได้ชัดส ำหรับ ประสิทธิภาพเชิงคุณภาพ โดยสามารถจำลองรูปภาพ พฤติกรรมการกระจายตัวของข้อมูลฝนเชิงพื้นที่ได้อย่าง ต่อเนื่องสอดคล้องกับธรรมชาติของพายุฝน แม้ในตำแหน่ง รอยต่อระหว่างขอบเขตรัศมีตรวจวัดของเรดาร์ต่างสถานี กัน ซึ่งวิธีคอมโพสิตแบบค่าสูงสุด ไม่สามารถสร้างความ กลมกลืนในส่วนนี้ได้และหลงเหลือให้เห็นรอยต่อระหว่าง การตรวจวัดที ่แตกต ่างกันระหว ่างเรดาร์ต ่างสถานีกัน อย่างชัดเจน 17.41% 11.66% 33.91% 36.76% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% เหตุการณ์รวม (0.1-90.0) ประสิทธิภาพที่เพิ่มขึ้นจากเรดาร์สมุทรสงคราม ค่าสูงสุด ดัชนีคุณภาพ ค่าสูงสุด (Bias) ดัชนีคุณภาพ (Bias) 11.7% 29.0% 9.7% 15.4% 25.1% 45.9% 31.8% 45.3% 0% 10% 20% 30% 40% 50% 60% ฝนก าลังเบาถึงปานกลาง (0.1-25.0) ฝนก าลังหนักถึงหนักมาก (25.1-90.0) ประสิทธิภาพที่เพิ่มขึ้นจากเรดาร์สมุทรสงคราม ค่าสูงสุด ดัชนีคุณภาพ ค่าสูงสุด (Bias) ดัชนีคุณภาพ (Bias)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 62 3) สำหรับการตรวจสอบประสิทธิภาพเชิงปริมาณ พบว่าการวิเคราะห์ปริมาณน้ำฝนเรดาร์คอมโพสิตด้วยวิธี ดัชนีคุณภาพมีประสิทธิภาพสูงกว่าเทคนิคค่าสูงสุดใน เหตุการณ์รวมและในช่วงความเข้มฝนกำลังเบา-ปานกลาง สำหรับประสิทธิภาพในช่วงความเข้มฝนกำลังหนัก-หนัก มากให้ความถูกต้องที่ใกล้เคียงกับวิธีค่าสูงสุดที่ได้รับการ ยอมรับว่าเป็นเทคนิคที่เหมาะสมสำหรับการจำลองฝน หนัก ดังนั้นจากการวิเคราะห์ประสิทธิภาพทั้งเชิงปริมาณ และเชิงคุณภาพแล้ว วิธีดัชนีคุณภาพนับได้ว ่าเป็นวิธีที่ เหมาะสมสำหรับการนำไปใช้ในการวิเคราะห์ฝนเรดาร์ คอมโพสิตและนำไปขยายผลกับการประยุกต์ใช้ดัชนี คุณภาพประเภทอื่นได้ต่อไป 8. กิตติกรรมประกาศ ผู้วิจัยขอขอบคุณผู้วิจัยขอขอบคุณเครือข่าย องค์กรบริหารงานวิจัยแห่งชาติ (คอบช.)โดยสำนักงาน พัฒนาการวิจัยการเกษตร (องค์กรมหาชน) และคณะ วิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์ สำหรับ เงินทุนสนับสนุนงานวิจัย และขอขอบคุณกรมฝนหลวง และการบินเกษตรสำหรับข้อมูลเรดาร์สัตหีบและพิมาย กรมอุตุนิยมวิทยาสำหรับข้อมูลเรดาร์สมุทรสงครามและ สถาบันสารสนเทศทรัพยากรน้ำและกรมทรัพยากรน้ำ สำหรับข้อมูลน้ำฝนสำหรับดำเนินงานวิจัยนี้ เอกสารอ้างอิง [1] Rossa A, Haase G, Keil C, Alberoni P, Ballard S, Bech J, Germann U, Pfeifer M, Salonen K. 2010. Propagation of uncertainty from observing systems into NWP: COST-731 Working Group 1. Atmos. Sci. Lett. 11: 145– 152 [2] Mapiam, P. P., Sakulnurak, S., Methaprayun, M., Makmee, C., and Marjang, N.: 2023. Downscaling the Z–R relationship and bias correction solution for flash flood assessment in a data-scarce basin, Thailand, Water Science & Technology Vol 87 No 5, 1259-1272. doi: 10.2166/wst.2023.056. [3] ภูริ อรุณศรี และพรรณพิมพ์ พุทธรักษา มะเปี่ยม. 2022. การประเมินฝนเรดาร์ด้วยเทคนิคเรดาร์คอม โพสิตระหว่างสถานีเรดาร์สัตหีบและเรดาร์ระยอง. [4] Anna Jurczyk, Jan Szturc, Katarzyna Ośródka. 2019. Quality-based compositing of weather radar derived precipitation [5] Einfalt T, Szturc J, O ́sr ́odka K. 2010. The quality index for radar precipitation data a tower of Babel? [6] Nattapon Mahavik, Sarintip Tantanee. 2020. Radar Quality Index for a Mosaic of Radar Reflectivity over Chao Phraya River Basin, Thailand. [7] Nattapon Mahavik, Sarintip Tantanee, Fatah Masthawee. 2021. Investigation of Z-R relationships during tropical storm in GIS using implemented mosaicking algorithms of radar rainfall estimates from ground-based weather radar in the Yom River basin, Thailand. [8] Fulton, R.A.; Miller, D.A.; Seo, D.-J.; Breidenbach, J.P.; O’Bannon, T. The WSR-88D rainfall algorithm. Weather. Forecast. 1998, 13, 377–395. [9] Monton Methaprayun, Phairoj Samutrak, and Punpim Puttaraksa Mapiam, Proceedings of the 16th KU-KPS National Conference, 328- 336

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 63 ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศต่อค่าศักย์การคายระเหย ในพื้นที่ 22 ลุ่มน้ำของประเทศไทย ด้วยข้อมูลจากแบบจำลองสภาพภูมิอากาศ CMIP5 Climate Change Impacts on Potential Evapotranspiration in 22 Basins of Thailand using data form CMIP5 Climate Models กิตติยา พุ่มจันทร์1 , และดนย์ปภพ มะณี2* 1,2ภาควิชาวิศวกรรมทรัพยากรน้ำ, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยเกษตรศาสตร์, จังหวัดกรุงเทพมหานคร, ประเทศไทย * อีเมลผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การคายระเหยเป็นองค์ประกอบสำคัญของระบบอุทกวิทยา แต่การตรวจวัดค่าการคายระเหยที่แท้จริงนั้นทำได้ยาก ต้องใช้เครื่องมือไลซีมีเตอร์ ซึ่งมีค่าใช้จ่ายสูงและใช้เวลานานในการเก็บข้อมูล ด้วยเหตุผลดังกล่าวจึงมีการประเมิน ค่าศักย์การคายระเหยจากการใช้ข้อมูลอุตุนิยมวิทยาในกรณีที่พื้นที่ซึ่งมีข้อมูลด้านอุตุนิยมวิทยาจำกัด เช่น วิธีการ Hargreaves (1985) ซึ่งวัตถุประสงค์ของการศึกษาคือเพื่อประเมินค่าศักย์การคายระเหยในอนาคตของพื้นที่ 22 ลุ่มน้ำของประเทศไทย และเพื่อศึกษาการเปลี่ยนแปลงค่าศักย์การคายระเหยในอนาคตด้วยการใช้ข้อมูลจากแบบจำลองสภาพภูมิอากาศโลก CMIP5 (Coupled Model Intercomparison Project Phase 5)การศึกษานี้ได้ใช้ข้อมูลตรวจวัดอุณหภูมิรายวันของกรมอุตุนิยมวิทยา จำนวน 10 สถานีซึ่งกระจายตัวทั่วประเทศไทยในการประเมินค่าศักย์การคายระเหยเพื่อเปรียบเทียบกับการใช้ข้อมูลอุณหภูมิ รายวันในปี ค.ศ. 1979 – 2005 จากแบบจำลองสภาพภูมิอากาศโลกภายใต้โครงการ CMIP5 จำนวน 5 แบบจำลอง (BCC-CSM1-1, CESM1-CAM5, CNRM-CM5, MPI-ESM-MR และ MRI-CGCM3) กรณีฉากทัศน์RCP4.5 และ RCP8.5 ที่ปรับแก้ความเอนเอียงแล้วโดย สถาบันสารสนเทศทรัพยากรน้ำ (สสน.) โดยการประเมินค่าศักย์การคายระเหยรายวัน ในอนาคตใช้สมการ Hargreaves (1985) ตั้งแต่ ค.ศ. 2019-2099 ในรูปแบบเชิงกริดขนาด 5 กิโลเมตร การเปรียบเทียบค่าศักย์การคายระเหยรายปีเฉลี่ยที่เปลี่ยนแปลงไปของช่วงอนาคตทั้งสามระยะ ได้แก่ ช่วงอนาคตอันใกล้ (ค.ศ. 2019 – 2045) ช่วงอนาคตอันกลาง (ค.ศ. 2046 – 2072) และช่วงอนาคตอันไกล (ค.ศ. 2073 – 2099) เทียบกับค่า ศักย์การคายระเหยรายปีเฉลี่ยของช่วงปีฐาน (ค.ศ. 1979 – 2005) โดยผลการศึกษาพบว่าค่าศักย์การคายระเหยในช่วงปีฐาน มีค่าเฉลี่ยของพื้นที่ 22 ลุ่มน้ำเท่ากับ 1,706 มม./ปี การเปลี่ยนแปลงค่าศักย์การคายระเหยรายปีเฉลี่ยของช่วงอนาคต ทั้งสามมีทั้งเพิ่มขึ้นและลดลง ยกเว้นช่วงอนาคตอันไกลของกรณี RCP8.5 ที่มีเพียงการเพิ่มขึ้นอย่างชัดเจนในทุกลุ่มน้ำ โดยลุ่มน้ำที่ค่าศักย์การคายระเหยเพิ่มขึ้นมากที่สุดคือ ลุ่มน้ำมูล เพิ่มขึ้น 117.52 มม./ปี หรือคิดเป็น 7.01% ในกรณี RCP8.5 ช่วงอนาคตอันไกล และการลดลงของค่าศักย์การคายระเหยที่มากที่สุดอยู่ที่ลุ่มน้ำเพชรบุรี-ประจวบคีรีขันธ์ กรณี RCP4.5 ในช่วงอนาคตอันใกล้ ซึ่งมีค่าลดลง -42.85 มม./ปี หรือคิดเป็น -2.53% คำสำคัญ: การเปลี่ยนแปลงสภาพภูมิอากาศ, ศักย์การคายระเหย, 22 ลุ่มน้ำของประเทศไทย, CMIP5, Hargreaves Abstract Evapotranspiration plays an important role in hydrology. The difficulty in measuring actual evapotranspiration values is indeed significant. While the use of specialized instruments like lysimeters is a common practice, their operation can be both expensive and time-consuming. Due to these challenges,

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 64 potential evapotranspiration often estimated using meteorological data in areas where direct measurements are limited. For instance, the Hargreaves (1985) method is commonly employed for this purpose. The objective of this study was to assess future potential evapotranspiration in the 22 basins of Thailand and predict potential evapotranspiration changes using data from the Coupled Model Intercomparison Project Phase 5 (CMIP5). Daily temperature data from the Thai Meteorological Department were collected from 10 stations distributed across Thailand for investigation. The data was utilized to evaluate potential evapotranspiration and compared with the daily temperature data from the years 1979 to 2005 obtained from the global climate models under the CMIP5 project, which consists of 5 different climate models (BCC-CSM1-1, CESM1-CAM5, CNRM-CM5, MPI-ESM-MR and MRI-CGCM3) under the RCP4.5 and RCP8.5 scenarios, with bias correction facilitated by Hydro - Informatics Institute (HII). Daily potential evapotranspiration projections which are 5-kilometer grid size from 2019 to 2099, were subsequently calculated using the Hargreaves (1985) equation. The study compared the average annual potential evapotranspiration for three future periods: near-future (2019-2045), mid-future (2046-2072) and far-future (2073-2099), against the baseline period (1979-2005). The study found that the potential evapotranspiration in the baseline period has an average value of 1,706 mm/year over the 22 river basins. The average annual potential evapotranspiration for three future periods shows both increases and decreases, except for the far future RCP8.5 scenario, which exhibits a clear increase in all basins. The basin with the highest increase in potential evapotranspiration is the Mun River basin, with an increase of 117.52 mm/year or 7.01% in the far future under the RCP8.5 scenario. On the other hand, the greatest decrease in potential evapotranspiration is the Phetchaburi-Prachuap Khiri Khan River basin, in the near future under the RCP4.5 scenario, with a reduction of -42.85 mm/year or -2.53%. Keywords: Climate Change, Potential Evapotranspiration, 22 Basins of Thailand, CMIP5, Hargreaves 1. คำนำ ระบบอุทกวิทยา (Hydrologic Cycle) มีปริมาณ การคายระเหยเป็นองค์ประกอบสำคัญ ซึ่งการประเมินค่า การคายระเหยที่แท้จริง (Actual Evapotranspiration, ETa) นั้นกระทำได้ยาก โดยวิธีการโดยตรงที่ใช้ คือการใช้ ไลซีมีเตอร์ (Lysimeter) [1] ซึ่งมีข้อจำกัดคือเป็นการ ตรวจวัดในภาคสนามที่มีความยุ่งยากรวมทั้งค่าใช้จ่ายสูง และใช้เวลานานในการเก็บข้อมูล ด้วยเหตุผลดังกล่าว จึงมีการประเมินค่าศักย์การคายระเหย (Potential Evapotranspiration, ETp) จากการใช้ข้อมูลอุตุนิยมวิทยา โดยวิธีที่ใช้คำนวณกันอย่างกว้างขวางคือ วิธี FAO Penman-Monteith เนื่องจากเป็นวิธีที่ได้รับการยอมรับ แ ล ะ แ น ะ น ำ ใ ห ้ ใ ช ้ โ ด ย Food and Agriculture Organization (FAO) [2] ซึ่งใช้ข้อมูลความเร็ วลม พลังงานแสงอาทิตย์ อุณหภูมิ ความชื้นสัมพัทธ์ ความดัน บรรยากาศ ตลอดจนตำแหน่งที่ตั้งของสถานีตรวจวัดและ ความสูงจากระดับน้ำทะเลปานกลางในการคำนวณ ซึ่งสถานีอุตุนิยมวิทยาที่มีการตรวจวัดค่าพารามิเตอร์ ต่าง ๆ ที่ใช้ในการคำนวณตามวิธีการ FAO PenmanMonteith ครบทุกพารามิเตอร์มีอยู่น้อย ไม่สามารถ ครอบคลุมพื้นที่ทั้งหมดได้ อันเป็นอุปสรรคสำคัญในการ คำนวณค่าศักย์การคายระเหย อย่างไรก็ตามยังมีวิธีการคำนวณค่าศักย์การคาย ระเหยในรูปแบบอื่นที่สามารถใช้ในพื้นที่ซึ่งมีข้อมูล

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 65 ด้านอุตุนิยมวิทยาจำกัด เช่นวิธีการ Hargreaves (1985) [3] ซึ่งใช้เพียงข้อมูลอุณหภูมิสูงสุด อุณหภูมิต่ำสุดในรอบวัน และตำแหน่งที่ตั้งทางละติจูดของสถานีตรวจวัดในการ คำนวณเท่านั้น ซึ่งข้อมูลอุณหภูมิสูงสุดและต่ำสุดในรอบวัน มีสถานีตรวจวัดกระจายอยู่ทั่วไปในพื้นที่ประเทศไทย ปัจจุบันการเปลี่ยนแปลงสภาพภูมิอากาศได้ส่ง ผลกระทบต่อทั่วโลก รวมถึงประเทศไทยโดยเฉพาะด้าน อุตุนิยมวิทยาและอุทกวิทยา เช่น อุณหภูมิ ปริมาณฝน การระเหย เป็นต้น การคำนวณค่าศักย์การคายระเหยซึ่งมี ตัวแปรทางด้านภูมิอากาศเข้ามาเกี่ยวข้อง จึงอาจได้รับ ผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศในอนาคต ดังนั้นการประเมินค่าศักย์การคายระเหยในอนาคตและ ศึกษาการเปลี่ยนแปลงค่าศักย์การคายระเหยในอนาคต ก็จะเป็นประโยชน์ต่อการวางแผนบริหารจัดการทรัพยากรน้ำ ในอนาคต เพื่อเตรียมพร้อม รับมือ หรือหาแนวทาง การปรับตัวต่อไป 2. วิธีการศึกษา 2.1 พื้นที่ศึกษา พื้นที่ศึกษาคือพื้นที่ 22 ลุ่มน้ำหลักของประเทศไทย อยู่ระหว่างละติจูดที่ 5 องศา 37 ลิปดาเหนือ ถึง 20 องศา 27 ลิปดาเหนือ และลองจิจูดที่ 97 องศา 21 ลิปดา ตะวันออก ถึง 105 องศา 37 ลิปดาตะวันออก ซึ่งมีพื้นที่ รวม 515,934 ตร.กม. [4] ดังแสดงในรูปที่ 1 2.2 ข้อมูลที่ใช้ในการศึกษา 2.2.1 ข้อมูลตรวจวัดอุณหภูมิสูงสุดและอุณหภูมิ ต่ำสุดรายวันจากสถานีตรวจวัดของกรมอุตุนิยมวิทยา จำนวน 10 สถานี ซึ่งกระจายตัวทั่วประเทศไทย ดังแสดง ในตารางที่ 1 และรูปที่ 1 ตารางที่ 1 สถานีตรวจอากาศของกรมอุตุนิยมวิทยา ที่ใช้ในการศึกษา ที่ รหัสสถานี1 ชื่อสถานี ละติจูด ลองจิจูด 1 48300 แม่ฮ่องสอน 19.29897 97.97578 2 48328 ลำปาง 18.28333 99.51667 3 48381 ขอนแก่น 16.46111 102.78972 4 48400 นครสวรรค์ 15.67183 100.13236 5 48407 อุบลราชธานี (ศูนย์ฯ)2 15.25000 104.86667 6 48455 กรุงเทพมหานคร 13.72639 100.56000 7 48500 ประจวบคีรีขันธ์ 11.83333 99.83333 8 48551 สุราษฎร์ธานี 9.13556 99.15194 9 48565 ภูเก็ต (ศูนย์ฯ) 8.14500 98.31444 10 48568 สงขลา 7.18211 100.60769 หมายเหตุ : 1 รหัสสถานีสำหรับการส่งข้อมูล หรือรหัสสำหรับใช้แทนการค้นหา ตามมาตรฐานอุตุนิยมวิทยาโลก 2 ศูนย์ฯ หมายถึง ศูนย์อุตุนิยมวิทยาภาค รูปที่ 1 ขอบเขต 22 ลุ่มน้ำหลักของประเทศไทยและ ตำแหน่งสถานีตรวจอากาศของกรมอุตุนิยมวิทยา ที่ใช้ในการศึกษา

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 66 2.2.2 ข้อมูลอุณหภูมิสูงสุดและอุณหภูมิต่ำสุดรายวัน ในอนาคตจากแบบจำลองสภาพภูมิอากาศโลกภายใต้ โครงการ CMIP5 จำนวน 5 แบบจำลอง ดังแสดง รายละเอียดในตารางที่ 2 [5] สำหรับกรณีฉากทัศน์ (Representative Concentration Pathways: RCP) RCP4.5 และ RCP8.5 โดยตัวเลขต่อท้ายคือค่าความ แตกต่างของการแผ่รังสี ที่คาดการณ์ไว้ในปี ค.ศ. 2100 เทียบกับช่วงก่อนยุคอุตสาหกรรมในหน่วย วัตต์/ตร.ม. ที่ปรับแก้ความเอนเอียงแล้วโดย สสน. ซึ่งเป็นข้อมูล รายวันครอบคลุมปีค.ศ. 1979-2099 รูปแบบเชิงกริด ความละเอียดขนาด 5 กิโลเมตร ตารางที่ 2 แบบจำลองสภาพภูมิอากาศโลกภายใต้ โครงการ CMIP5 ที่ใช้ในการศึกษา ที่ แบบจำลอง รหัสสถาบัน ประเทศ 1 BCC-CSM1-1 BCC China 2 CESM1-CAM5 NSF-DOE-NCAR USA 3 CNRM-CM5 CNRM-GAME France 4 MPI-ESM-MR MPI-M Germany 5 MRI-CGCM3 MRI Japan 2.3 การประเมินค่าศักย์การคายระเหยโดยใช้สมการ Hargreaves (1985) การประเมินค่าศักย์การคายระเหยโดยใช้สมการ Hargreaves ใช้เพียงข้อมูลอุณหภูมิสูงสุด อุณหภูมิต่ำสุด ในรอบวัน และตำแหน่งที่ตั้งทางละติจูด ดังแสดงใน สมการที่ (1) , = 0.0023 × 0.408(−) 0.5 ( + 17.8) (1) เมื่อ ETp,HS คือ ค่าศักย์การคายระเหย (มม./วัน), Ra คือ พลังงานการแผ่รังสีที่ชั้นนอกบรรยากาศโลก (เมกกะจูล/ตารางเมตร/วัน) ซึ่งจะขึ้นกับละติจูดและวัน ของปี (Julian Day), Tmax คือ อุณหภูมิสูงสุด (°C), Tmin คือ อุณหภูมิต่ำสุด (°C) และ T คือ ค่าเฉลี่ยระหว่าง อุณหภูมิสูงสุดและอุณหภูมิต่ำสุด (°C) 2.4 การประเมินค่าความถูกต้องและแม่นยำในช่วงปีฐาน การเปรียบเทียบค่าศักย์การคายระเหยเชิงจุดสถานี ที่ประเมินโดยใช้ข้อมูลตรวจวัดกับข้อมูลจากแบบจำลอง ในช่วงปีฐาน ค.ศ. 1979 – 2005 โดยเปรียบเทียบค่าศักย์ การคายระเหยรายเดือน ณ ตำแหน่งสถานีตรวจวัด 10 สถานี ดังแสดงในตารางที่ 1 เพื่อสร้างความน่าเชื่อถือ ในการนำข้อมูลจากแบบจำลองไปประเมินค่าศักย์การคาย ระเหยในอนาคตต่อไป ซึ่งได้พิจารณาค่าทางสถิติ ได้แก่ coefficient of determination (R2 ) , root mean square error (RMSE, มม./เดือน), และ relative mean bias error (rMBE,%) ดังแสดงในสมการที่ (2), (3) และ (4) ตามลำดับ 2 = ( ∑ (−̅)(−̅) =1 √∑ (−̅) 2 =1 √(∑ (−̅) 2 =1 ) 2 (2) = √ 1 ∑ ( − ) 2 =1 (3) = ( 1 ̅ ) × 1 ∑ ( − ) × 100 =1 (4) เมื่อ และ คือค่าศักย์การคายระเหย ณ เดือนที่ ที่ประเมินจากการใช้ข้อมูลตรวจวัดและข้อมูลจาก แบบจำลอง ตามลำดับ และ N คือจำนวนของชุดข้อมูล ที่นำมาเปรียบเทียบ โดยค่าที่ดีคือ R 2 เข้าใกล้ 1, RMSE เข้าใกล้0 มม./เดือน และ rMBE เข้าใกล้ 0% 2.5 การประเมินค่าศักย์การคายระเหยในอนาคต ค่าศักย์การคายระเหยในอนาคตประเมินจากสมการ Hargreaves โดยใช้ข้อมูลอุณหภูมิสูงสุดและอุณหภูมิ ต่ำสุดรายวันในอนาคตจากแบบจำลองสภาพภูมิอากาศ โลกภายใต้โครงการ CMIP5 จำนวน 5 แบบจำลอง ตามตารางที่ 2 และประยุกต์ใช้คำสั่ง Raster calculator ในโปรแกรม QGIS เพื่อประเมินค่าศักย์การคายระเหย รายวันตามสมการที่ (1) ในแต่ละกริด จากนั้นรวมเป็น ค่าศักย์การคายระเหยรายปี และเฉลี่ยเชิงพื้นที่ 22 ลุ่มน้ำ ด้วยคำสั่ง Zonal statistics ทำเช่นเดียวกันทั้ง 5 แบบจำลอง จะได้ค่าศักย์การคาย ระเหยรายปีของ 5 แบบจำลองในพื้นที่ 22ลุ่มน้ำตามลำดับ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 67 การประเมินการเปลี่ยนแปลงค่าศักย์การคายระเหย ทำโดยเปรียบเทียบค่าศักย์การคายระเหยรายปีเฉลี่ยของ แต่ละช่วง 27 ปี ในช่วงอนาคตที่สนใจ ได้แก่ ช่วงอนาคตอัน ใกล้ (ค.ศ. 2019 – 2045) ช่วงอนาคตอันกลาง (ค.ศ. 2046 – 2072) และช่วงอนาคตอันไกล (ค.ศ. 2073 – 2099) เทียบกับค่าศักย์การคายระเหยรายปีเฉลี่ยของช่วงปีฐาน (ค.ศ. 1979 – 2005) 3. ผลการศึกษา 3.1 การเปรียบเทียบระหว่างค่าศักย์การคายระเหย ที่ประเมินโดยใช้ข้อมูลตรวจวัดกับข้อมูลจากแบบจำลอง การเปรียบเทียบค่าศักย์การคายระเหยเชิงจุดสถานี ที่ประเมินโดยใช้ข้อมูลตรวจวัดกับข้อมูลจากแบบจำลอง ในช่วงปีฐาน ค.ศ. 1979 – 2005 ณ ตำแหน่งสถานีตรวจวัด 10 สถานีพบว่า การใช้ข้อมูลตรวจวัดและข้อมูลจาก แบบจำลองให้ค่าศักย์การคายระเหยที่ไม่ต่างกันมาก โดยมีค่า R 2 อยู่ในช่วง 0.53ถึง0.78, RMSE อยู่ในช่วง 5.21 มม./เดือน ถึง 9.64 มม./เดือน และ rMBE อยู่ในช่วง -3.51% ถึง6.29% ดังแสดงในรูปที่ 2ซึ่งผลการเปรียบเทียบ ของทั้ง 5 แบบจำลอง มีค่าใกล้เคียงกันเนื่องจากข้อมูล ในช่วงปีฐานของทั้ง 5 แบบจำลองมีความใกล้เคียงกัน 3.2 การเปลี่ยนแปลงของผลต่างระหว่างอุณหภูมิสูงสุด และอุณหภูมิต่ำสุดในอนาคต ผลการศึกษาพบว่าการเปลี่ยนแปลงของผลต่างระหว่าง อุณหภูมิสูงสุดและอุณหภูมิต่ำสุดเฉลี่ย (∆T) ในอนาคต ของพื้นที่ 22 ลุ่มน้ำมีความไม่แน่นอนและลุ่มน้ำบริเวณ ภาคใต้ของประเทศไทยมีการเปลี่ยนแปลงค่าอุณหภูมิ ∆T น้อยกว่าลุ่มน้ำอื่น ๆ อาจเป็นสาเหตุให้ค่าศักย์การคาย ระเหยของภาคใต้มีค่าเปลี่ยนแปลงไม่มากนัก ซึ่งค่าอุณหภูมิ ∆T เป็นตัวแปรสำคัญในการประเมินค่าศักย์การคายระเหย ของวิธี Hargreaves การเปลี่ยนแปลงของค่า ∆T อาจมีผล ต่อการเปลี่ยนแปลงของค่าศักย์การคายระเหยที่ประเมิน ด้วยวิธี Hargreaves [6] ดังแสดงในรูปที่ 3 ซึ่งเป็น Box Plot เพื่อให้เห็นการกระจายตัวของข้อมูล โดยเส้น ขีดล่างคือค่าต่ำสุด ขีดบนคือค่าสูงสุด ขีดภายในกล่องคือ ค่ามัธยฐานหรือค่ากลางของข้อมูล กากบาทคือค่าเฉลี่ย ขอบล่างของกล่องคือค่าที่เปอร์เซ็นไทล์ที่ 25 และขอบบน ของกล่องคือค่าที่เปอร์เซ็นไทล์ที่ 75 3.3 การเปลี่ยนแปลงของค่าศักย์การคายระเหยในอนาคต ค่าศักย์การคายระเหยและการเปลี่ยนแปลงค่าศักย์ การคายระเหยรายปีเฉลี่ยในอนาคตของพื้นที่ 22 ลุ่มน้ำ ดังแสดงในรูปที่4 และรูปที่5ซึ่งสรุปได้ดังนี้ ค่าศักย์การคายระเหยในช่วงปีฐานมีค่าเฉลี่ยของพื้นที่ 22 ลุ่มน้ำเท่ากับ 1,706 มม./ปี โดยการเปลี่ยนแปลงค่าศักย์ การคายระเหยรายปีเฉลี่ยของช่วงอนาคตทั้งสาม (ช่วงอนาคตอันใกล้, ช่วงอนาคตอันกลาง และช่วงอนาคต อันไกล) มีทั้งเพิ่มขึ้นและลดลงเมื่อเทียบกับช่วงปีฐาน ยกเว้นช่วงอนาคตอันไกลของกรณี RCP8.5 ที่มีเพียงการ เพิ่มขึ้นอย่างชัดเจนในทุกลุ่มน้ำ ยกตัวอย่างเช่น ลุ่มน้ำมูล ที่มีค่าศักย์การคายระเหยเพิ่มขึ้นถึง 117.52 มม./ปีหรือคิด เป็น 7.01% ของช่วงปีฐาน ซึ่งเป็นค่าศักย์การคายระเหยที่มี การเพิ่มขึ้นมากที่สุด ในขณะที่การลดลงของค่าศักย์การคาย ระเหยที่มากที่สุดอยู่ที่ลุ่มน้ำเพชรบุรี-ประจวบคีรีขันธ์กรณี RCP4.5 ในช่วงอนาคตอันใกล้ ซึ่งมีค่าลดลง -42.85 มม./ปี หรือคิดเป็น -2.53% ของช่วงปีฐาน ทั้งนี้เมื่อพิจารณาลุ่มน้ำ ในภาคตะวันออกเฉียงเหนือ ได้แก่ ลุ่มน้ำโขงตะวันออก เฉียงเหนือ ลุ่มน้ำชี และลุ่มน้ำมูล พบว่าการเปลี่ยนแปลง ค่าศักย์การคายระเหยรายปีเฉลี่ยของช่วงอนาคตทั้งสาม มีการเพิ่มขึ้นทั้งกรณี RCP4.5 และ RCP8.5 แต่อย่างไร ก็ตาม จากรูปที่ 4 พบว่าค่าศักย์การคายระเหยในอนาคต มีแนวโน้มสูงขึ้นเมื่อเวลาผ่านไปและมีความไม่แน่นอน เพิ่มขึ้นโดยเฉพาะกรณี RCP8.5 และจากรูปที่ 5 พบว่า ลุ่มน้ำบริเวณภาคใต้ของประเทศไทยซึ่งอยู่บริเวณชายฝั่ง ทะเลมีการเปลี่ยนแปลงค่าศักย์การคายระเหยเพียงเล็กน้อย โดยอาจเป็นผลมาจากอุณหภูมิที่เปลี่ยนแปลงไม่มากนัก ซึ่งสอดคล้องกับผลการศึกษาของ Shi et al (2020)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 68ค่าศักย์การคายระเหยที่ประเมินจากข้อมูลแบบจำลอง (มม./เดือน) BCC-CSM1-1 CESM1-CAM5 CNRM-CM5 MPI-ESM-MR MRI-CGCM3 แม่ฮ่องสอนลำปางขอนแก่นนครสวรรค์อุบลราชธานี (ศูนย์ฯ)กรุงเทพมหานครประจวบคีรีขันธ์สุราษฎร์ธานีภูเก็ต (ศูนย์ฯ)สงขลา ค่าศักย์การคายระเหยที่ประเมินจากข้อมูลตรวจวัด (มม./เดือน) รูปที่ 2 การเปรียบเทียบระหว่างค่าศักย์การคายระเหยที่ประเมินโดยใช้ข้อมูลตรวจวัดกับข้อมูลจากแบบจำลอง ในช่วงปีฐาน ค.ศ. 1979-2005

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 69 รูปที่ 3 การเปลี่ยนแปลงผลต่างระหว่างอุณหภูมิสูงสุดและอุณหภูมิต่ำสุดในอนาคตของพื้นที่ 22 ลุ่มน้ำ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 70 หมายเหตุ : ตัวเลขในกราฟบรรทัดแรกคือค่าศักย์การคายระเหย บรรทัดที่สองคือการเปลี่ยนแปลงค่าศักย์การคายระเหย และภายในวงเล็บคือเปอร์เซ็นความแตกต่าง โดยตัวเลขใต้เส้นกราฟคือค่าของกรณี RCP4.5 และตัวเลขเหนือเส้นกราฟคือค่าของกรณี RCP8.5 รูปที่ 4 ค่าศักย์การคายระเหยในอนาคตของพื้นที่ 22 ลุ่มน้ำ Baseline (1979-2005) Near Future (2019-2045) Mid Future (2046-2072) Far Future (2073-2099) Baseline (1979-2005) Near Future (2019-2045) Mid Future (2046-2072) Far Future (2073-2099) 1,759.07 -10.53 (-0.60%) 1,769.60 1,703.00 1,645.82 1,673.09 1,677.46 1,752.54 1,770.28 1,752.36 1,745.83 1,719.96 1,743.97 1,744.19 1,681.79 -21.20 (-1.25%) 1,680.32 34.50 (2.10%) 1,677.51 4.43 (0.26%) 1,714.88 37.42 (2.23%) 1,748.46 -4.08 (-0.23%) 1,766.54 -3.75 (-0.21%) 1,743.68 -8.68 (-0.50%) 1,733.11 -12.72 (-0.73%) 1,706.85 -13.10 (-0.76%) 1,733.83 -10.13 (-0.58%) 1,745.62 1.43 (0.08%) 1,783.60 14.00 (0.79%) 1,789.97 20.37 (1.15%) 1,709.79 6.79 (0.40%) 1,722.51 10.96 (0.64%) 1,709.05 63.23 (3.84%) 1,719.43 73.61 (4.47%) 1,703.96 30.87 (1.85%) 1,714.79 41.71 (2.49%) 1,740.98 63.52 (3.79%) 1,752.69 75.23 (4.48%) 1,771.93 19.39 (1.11%) 1,779.06 26.52 (1.51%) 1,790.96 20.68 (1.17%) 1,799.14 28.85 (1.63%) 1,768.57 16.21 (0.92%) 1,777.30 24.94 (1.42%) 1,758.46 12.63 (0.72%) 1,767.20 21.37 (1.22%) 1,727.95 7.99 (0.46%) 1,738.91 18.95 (1.10%) 1,753.92 9.95 (0.57%) 1,765.06 21.09 (1.21%) 1,769.30 25.11 (1.44%) 1,781.48 37.29 (2.14%) 1,756.97 -12.64 (-0.71%) 1,795.24 25.64 (1.45%) 1,832.73 63.13 (3.57%) 1,682.74 -20.26 (-1.19%) 1,720.45 17.45 (1.02%) 1,756.57 53.57 (3.15%) 1,681.90 36.08 (2.19%) 1,719.95 74.13 (4.50%) 1,757.77 111.96 (6.80%) 1,678.60 5.51 (0.33%) 1,714.53 41.44 (2.48%) 1,752.35 79.26 (4.74%) 1,717.76 40.30 (2.40%) 1,754.42 76.96 (4.59%) 1,794.98 117.52 (7.01%) 1,746.23 -6.32 (-0.36%) 1,783.49 30.95 (1.77%) 1,820.13 67.59 (3.86%) 1,765.20 -5.08 (-0.29%) 1,803.07 32.79 (1.85%) 1,840.17 69.88 (3.95%) 1,743.47 -8.89 (-0.51%) 1,780.23 27.87 (1.59%) 1,817.82 65.46 (3.74%) 1,733.78 -12.05 (-0.69%) 1,771.04 25.21 (1.44%) 1,808.40 62.57 (3.58%) 1,706.89 -13.07 (-0.76%) 1,740.65 20.69 (1.20%) 1,779.10 59.14 (3.44%) 1,733.74 -10.23 (-0.59%) 1,767.80 23.84 (1.37%) 1,806.88 62.91 (3.61%) 1,746.86 2.67 (0.15%) 1,783.79 39.60 (2.27%) 1,823.23 79.03 (4.53%)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 71 หมายเหตุ : ตัวเลขในกราฟบรรทัดแรกคือค่าศักย์การคายระเหย บรรทัดที่สองคือการเปลี่ยนแปลงค่าศักย์การคายระเหย และภายในวงเล็บคือเปอร์เซ็นความแตกต่าง โดยตัวเลขใต้เส้นกราฟคือค่าของกรณี RCP4.5 และตัวเลขเหนือเส้นกราฟคือค่าของกรณี RCP8.5 รูปที่ 4 ค่าศักย์การคายระเหยในอนาคตของพื้นที่ 22 ลุ่มน้ำ (ต่อ) Baseline (1979-2005) Near Future (2019-2045) Mid Future (2046-2072) Far Future (2073-2099) Baseline (1979-2005) Near Future (2019-2045) Mid Future (2046-2072) Far Future (2073-2099) 1,732.89 1,748.77 1,693.64 1,698.81 1,614.55 1,693.53 1,679.86 1,637.04 1,676.80 1,669.68 1,727.28 -5.61 (-0.32%) 1,725.15 -23.62 (-1.35%) 1,677.44 -16.20 (-0.96%) 1,693.50 -5.31 (-0.31%) 1,587.08 -27.47 (-1.70%) 1,623.88 -13.17 (-0.80%) 1,650.69 -42.85 (-2.53%) 1,661.79 -18.07 (-1.08%) 1,681.59 4.78 (0.29%) 1,668.44 -1.23 (-0.07%) 1,748.04 15.15 (0.87%) 1,758.70 25.81 (1.49%) 1,745.04 -3.72 (-0.21%) 1,756.44 7.67 (0.44%) 1,698.56 4.92 (0.29%) 1,710.45 16.81 (0.99%) 1,716.31 17.50 (1.03%) 1,728.43 29.62 (1.74%) 1,606.46 -8.08 (-0.50%) 1,617.92 3.38 (0.21%) 1,669.58 -23.95 (-1.41%) 1,681.16 -12.37 (-0.73%) 1,679.71 -0.16 (-0.01%) 1,691.41 11.54 (0.69%) 1,639.40 2.35 (0.14%) 1,649.47 12.43 (0.76%) 1,696.88 20.08 (1.20%) 1,707.27 30.46 (1.82%) 1,685.98 16.30 (0.98%) 1,697.16 27.48 (1.65%) 1,726.75 -6.14 (-0.35%) 1,759.76 26.87 (1.55%) 1,800.31 67.43 (3.89%) 1,724.89 -23.87 (-1.37%) 1,757.79 9.02 (0.52%) 1,799.56 50.79 (2.90%) 1,678.82 -14.82 -0.88%) 1,712.06 18.42 (1.09%) 1,752.41 58.77 (3.47%) 1,696.84 -1.97 (-0.12%) 1,730.60 31.80 (1.87%) 1,772.85 74.04 (4.36%) 1,588.72 -25.83 (-1.60%) 1,619.66 5.12 (0.32%) 1,658.44 43.89 (2.72%) 1,651.74 -41.79 (-2.47%) 1,682.47 -11.06 (-0.65%) 1,723.67 30.14 (1.78%) 1,665.24 -14.62 (-0.87%) 1,697.80 17.93 (1.07%) 1,740.69 60.83 (3.62%) 1,626.16 -10.89 (-0.66%) 1,658.60 21.55 (1.32%) 1,699.25 62.20 (3.80%) 1,683.65 6.84 (0.41%) 1,716.76 39.96 (2.38%) 1,756.80 79.99 (4.77%) 1,672.36 2.68 (0.16%) 1,705.92 36.24 (2.17%) 1,748.71 79.04 (4.73%)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 72 รูปที่ 5 การเปลี่ยนแปลงค่าศักย์การคายระเหยในอนาคตของพื้นที่ 22 ลุ่มน้ำ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 73 4. สรุปผลการศึกษาและข้อเสนอแนะ ค่าศักย์การคายระเหยในช่วงปีฐานมีค่าเฉลี่ยของ พื้นที่ 22 ลุ่มน้ำเท่ากับ 1,706 มม./ปี โดยการเปลี่ยนแปลง ค่าศักย์การคายระเหยรายปีเฉลี่ยของช่วงอนาคตทั้งสาม (ช่วงอนาคตอันใกล้, ช่วงอนาคตอันกลาง และช่วงอนาคต อันไกล) มีทั้งเพิ่มขึ้นและลดลงเมื่อเทียบกับช่วงปีฐาน ยกเว้นช่วงอนาคตอันไกลของกรณี RCP8.5 ที่มีเพียงการ เพิ่มขึ้นอย่างชัดเจนในทุกลุ่มน้ำ โดยลุ่มน้ำที่ค่าศักย์การ คายระเหยเพิ่มขึ้นมากที่สุดคือ ลุ่มน้ำมูล ซึ่งมีค่าศักย์การ คายระเหยเพิ่มขึ้นถึง 117.52 มม./ปีหรือคิดเป็น 7.01% ของช่วงปีฐาน ในกรณี RCP8.5 ช่วงอนาคตอันไกล และการลดลงของค่าศักย์การคายระเหยที่มากที่สุดอยู่ที่ ลุ่มน้ำเพชรบุรี-ประจวบคีรีขันธ์กรณี RCP4.5 ในช่วง อนาคตอันใกล้ ซึ่งมีค่าลดลง -42.85 มม./ปี หรือคิดเป็น -2.53% ของช่วงปีฐาน อย่างไรก็ตามพบว่าค่าศักย์การ คายระเหยรายปีเฉลี่ยในอนาคตของพื้นที่ 22 ลุ่มน้ำ มีแนวโน้มสูงขึ้นเมื่อเวลาผ่านไปทั้งกรณี RCP4.5 และ RCP8.5 และจะเห็นได้ว่าลุ่มน้ำบริเวณภาคใต้ซึ่งอยู่ ริมชายฝั่งทะเลมีการเปลี่ยนแปลงค่าศักย์การคายระเหย เพียงเล็กน้อย อาจเป็นผลมาจากอุณหภูมิที่เปลี่ยนแปลง ไม่มากนัก ซึ่งสอดคล้องกับผลการศึกษาของ Shiet al (2020) ในทางตรงกันข้ามลุ่มน้ำบริเวณภาคตะวันออกเฉียงเหนือ มีการเพิ่มขึ้นของค่าศักย์การคายระเหยเมื่อเวลาผ่านไป อย่างเห็นได้ชัด ทั้งนี้เพื่อให้การศึกษาเป็นปัจจุบันมากขึ้น ควรใช้ ข้อมูลจากแบบจำลองสภาพภูมิอากาศโลกที่มีฉากทัศน์ เพิ่มเติมภายใต้โครงการ CMIP6 และใช้วิธีการประเมินค่า ศักย์การคายระเหยวิธีอื่นที่มีการใช้ข้อมูลอุณหภูมิร่วมด้วย เช่น วิธีของ Jensen and Haise (1963) และ Makkink (1957) เป็นต้น 5. กิตติกรรมประกาศ ผู้วิจัยขอขอบคุณสถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน) และกรมอุตุนิยมวิทยา ที่ได้ให้ความ อนุเคราะห์ข้อมูลในการศึกษาครั้งนี้ เอกสารอ้างอิง [1] กรมชลประทาน. (2554). คู่มือการหาปริมาณการใช้ น้ำของพืช ปริมาณการใช้น้ำของพืชอ้างอิงและ สัมประสิทธ์พืช (ฉบับปรับปรุง กรกฎาคม 2554). ส่วนการใช้น้ำชลประทาน สำนักอุทกวิทยาและ บริหารน้ำ กรมชลประทาน กระทรวงเกษตรและ สหกรณ์. [2] Allen R.G., Pereira L.S., Raes D., and Smith M. (1998). Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements, FAO Irrigation and Drainage Paper No. 56. Food and Agriculture Organization of the United Nations, Rome, Italy. ISBN 92-5-104219-5 [3] Hargreaves G.H., Samani Z.A. (1985). Reference crop evapotranspiration from ambient air temperature. American Society of Agricultural Engineers. [4] สำนักงานทรัพยากรน้ำแห่งชาติ. (2563). โครงการ จัดทำฐานข้อมูลพื้นฐานลุ่มน้ำ 22 ลุ่มน้ำ รายงาน สรุปข้อมูล พื้นฐานของลุ่มน้ำ ภาพรวมทั้งประเทศ. สำนักงานทรัพยากรน้ำแห่งชาติ. [5] IPCC. (2013). Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 1535 pp. [6] Shi L., et al. (2020). Projecting potential evapotranspiration change and quantifying its uncertainty under future climate scenarios: A case study in southeastern Australia. Journal of Hydrology. DOI: 10.1016/j.jhydrol.2020.124756

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 74 PROJECTING CLIMATE CHANGE IMPACTS ON LOW FLOW INDICES IN THE UPPER CHAO PHRAYA RIVER BASIN, THAILAND Chantharath Yos1 , and Supattra Visessri1,2* 1Department of Water Resources Engineering, Faculty of Engineering, Chulalongkorn University, Bangkok, THAILAND 2Disaster Risk Management Information System Research Unit, Chulalongkorn University, Bangkok, THAILAND *Corresponding author's e-mail: [email protected] ABSTRACT Climate change induces shifts in temperature and precipitation patterns, consequently influencing hydrological processes. These alterations can lead to decreased and increased flow within a catchment area, impacting critical aspects such as low-flow regimes, water availability, water quality, riverine ecosystems, and the agricultural sector. Thailand has experienced climate change, particularly in the upper Chao Phraya River basin which serves as the water source for both agricultural activities and urban consumption in Bangkok. This study aims to develop low-flow indices and improve the understanding of low-flow conditions to assess the impact of climate change on low-flow indices in the upper Chao Phraya River basin using the IPSL-CM5A-LR climate model from CMIP5. SWAT model is calibrated for the baseline period starting from 1985 to 2014 and used to simulate future flow under two prediction scenarios (RCP4.5 and RCP8.5). The selected low-flow indices in this study include Q95, 7Q10, and the Base Flow Index (BFI). As the results, it is anticipated that Q95 and 7Q10 will decrease in both the near and far future period at all stations, except for W.17. BFI is projected to decline at P.1 and N.1, but it appears to be on the rise for the remaining stations. Overall, historical low-flow indices are consistently low at each station, and they are even lower in future periods (both near and far future). It also provides information regarding the impacts of future climate changes on low flows which are essential to engineers and planners who are responsible for managing and planning for the water resources in the study area. Keywords: Low-flow, climate change, the upper Chao Phraya River basin 1. INTRODUCTION In monsoonal Asian regions, floods and droughts are becoming more severe and frequent [1, 2]. This trend is linked to factors such as deforestation, population growth, changing climate patterns, and urban development [3, 4]. Climate scientists warned that there could be a potential increase in extreme floods due to the intensified water cycle, while reduced precipitation or higher evapotranspiration may cause droughts [5, 6]. Lowflow and drought are complex meteorological and hydrological events. While they share similarities, they are distinct phenomena. Low-flow, a vital part of a river's flow regime, occurs seasonally when flow equals or falls below the expected threshold discharge [7]. The low-flow impacts ecology, water quality, and supply. The scarcity of water and nutrients disrupts the survival and reproduction of aquatic life, altering biodiversity and ecosystem function. Low-flow affects catchment water availability, leading to usage restrictions and impacting crop irrigation. Reduced flow diminishes pollutant dilution, raising contaminant concentrations. Several major human-induced challenges to low-flow hydrology such as flow control, surface-water withdrawal, inter-basin transfers, groundwater extraction, land use changes, and climate change. Low-flow indices quantify and assess the severity of low-flow conditions in rivers and streams [8]. There are many studies selecting indices such as: Q95, Q75(10), BFI, 7Q10 [9-12] to represent the low-flow conditions. Therefore, these three low-flow indices are used in this study. Since 1970, global surface temperatures have risen faster than in the preceding 2000 years. The 2011-2020 decade surpasses recent warm periods spanning centuries [13, 14]. The major driver of global warming is human-induced such as CO2 emissions and well-mixed greenhouse gases (GHGs). The Intergovernmental Panel on Climate Change (IPCC) and other organization's climate models employ various emission scenarios to forecast future fossil fuel production and CO2 emissions [15]. There are climate models within four Representative Concentration Pathway (RCP) scenarios that developed as a basis for the Couple Model Intercomparison Project phase 5 (CMIP5) long-term and short-term modeling [16]. The lowest forcing level scenario RCP2.6, two medium stabilization scenarios (RCP4.5 and RCP6) and the highest forcing scenario RCP8.5. Thailand has experienced climate change, particularly in the upper Chao Phraya River basin. The study of [17] shows reduced flow in the present climate and in future scenarios, potentially elevating water scarcity risk in the Chao Phraya River basin. This study aims to investigate low-flow indices in the upper Chao Phraya River basin under future

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 75 climatic scenarios, providing essential information for water managers, policymakers, and stakeholders to develop sustainable water allocation, irrigation, and drought mitigation strategies. 2. Study area 2.1 Chao Phraya River Basin The Chao Phraya River Basin (CPRB) in Thailand covers 160,000 km². It constitutes 31% of Thailand's land area and is fed by four main tributaries: Ping, Wang, Yom, and Nan. These converge in Nakhon Sawan to form the Chao Phraya River, flowing through Ayutthaya and Bangkok into the Gulf of Thailand. The region experiences distinct wet (May-October) and dry (November-April) seasons due to Asian monsoons. This study focuses on the upper CPRB, an area of approximately 102,829 km² characterized by hills (60%) and seven dams. The basin primarily serves Central Thailand for irrigation and transportation, vital for its significant agricultural production. Understanding hydrological responses to climate change and low flow conditions during the dry season is crucial. Figure 7 The upper Chao Phraya River basin 2.2 Data The assessment of the low-flow in this study covers two periods. The first period (1985-2014) establishes the baseline for flow in the upper CPRB. The second period (2021-2100) is used to predict future flow under climate change scenarios. Future downscaled climate data (rainfall and temperature) was downloaded from NASA Earth Exchange Global Daily Downscaled Projections (NEX GDDP). SWAT is employed for flow simulation. It requires input data such as DEM, land use, soil type, and weather data (such as rainfall and temperature) as summarized in Table 1. DEM is downloaded from HydroSheds: https://www.hydrosheds.org/ (90 m resolution, 2007). Land use in 2015 and soil type in 2008 are obtained from Land Development Department (LLD) and Food and Agriculture Organization (FAO), respectively. Observed weather data and flow data from 1985 to 2014 are obtained from the Thai Meteorological Department (TMD) and Royal Irrigation Department (RID), Thailand, accordingly. Table 5 Data Data Period Resolutio n Sources DEM 2007 90 m HydroSheds Land use 2015 100 m LLD Soil type 2008 90 m FAO Observe d weather data 1985- 2014 Point TMD Observe d flow 1985- 2014 Point RID GCM weather data 1985- 2100 25 km NASA NEX GDDP 3. MEthodology This study focuses on determining the low flow index in the upper Chao Phraya River basin in Thailand, incorporating future climate change. Figure 2 outlines the research framework. Figure 8 Framework of this study 3.1 SWAT The Soil and Water Assessment Tool (SWAT) was used for daily flow simulation in this study. It was developed by USDA Agriculture Research Service (ARS) for years [18]. SWAT is a physically based, continuous-time, long-term, semi-distributed, agro-hydrological simulation model for daily time steps and interfaced with ArcGIS [19]. Moreover, SWAT is used to simulate flow in the catchment to reflect temporal and spatial variation in a catchment [19]. SWAT can analyze small or large catchments by discretizing them into subbasins, which are then further subdivided into hydrological response units (HRUs) with homogeneous land use, soil type and slope. 3.2 Model evaluation Model evaluation was performed by assessing the accuracy of the relationship between simulation and observation, employing statistical efficiencies [20]. This study uses four statistical indicators

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 76 including R2 . Nash-Sutcliffe Efficiency (NSE), PBIAS and RSR to assess monthly flows which were aggregated from the daily time series. The formula is given by Eq. (1), Eq. (2), Eq. (3) and Eq. (4) below: 2 = [ ∑ (−)(− =1 ) √[∑ (−) =1 ] 2 [∑ (−) =1 ] 2 ] 2 (1) = 1 −[ ∑ (− ) 2 =1 ∑ (−) 2 =1 ] (2) = [ ∑ (− ) =1 ∑ =1 × 100] (3) = = √∑ (− ) 2 =1 √∑ (−) 2 =1 (4) Where is observed data is the mean of observed data is simulated data is the mean of simulated data 3.3 Future climate data Global Climate Models (GCMs) are used to generate large-scale climate scenarios. When performing an impact assessment on a smaller region, it is necessary to downscale the outputs from the GCMs. The development of climate change scenarios was based on multiple GCM, emission scenarios, time horizons and locations. The uncertainty associated with the different GCMs has been previously identified as the most significant source of uncertainty in flow. RCPs provide a quantitative description of concentrations of the climate change pollutants in the atmosphere over time, as well as their radiative forcing in 2100. This study considers two scenarios such as RCP4.5 (Intermediate emissions) and RCP8.5 (High emissions). Two time horizons (near future 2021– 2040, and far future 2081-2100) were considered in this study. IPSL-CM5A-LR model is used for future climate change. It is yielded good performance in predicting hydrometeorological variables in many catchments including catchments in Thailand [21]. While GCM has characterized regional climatic conditions, they may still exhibit systematic errors. Therefore, bias correction methods play a crucial role in adjusting the discrepancies, aiming to enhance the accuracy of GCMs projections. Bias correction techniques, such as statistical downscaling, histogram equalization, rank matching, and quantile mapping (QM) have been employed used to adjust simulated environmental variables to reduce errors in GCM projections. QM is adopted in this study due to its satisfactory performance in previous studies in Thailand [22- 24]. It involves aligning the cumulative distribution function (CDF) of observed data with that of the GCM by using the Eq. 5 as shown below: ,= −1 [( )] (5) Where , is the corrected GCM rainfall ( ) is CDF of is GCM simulation rainfall −1 is the inverse form of the CDF of observed rainfall 3.4 Low- flow indices There are many low-flow indices such as the ratio Q90/50, Q95, Mean n-day annual minima (MAMn), the 50-percentile recession coefficient (REC50), annual minimum N-day moving average flow, Baseflow index (BFI). This study focuses on only three indices including Q95, 7Q10 and BFI that could represent the key to low-flow behaviors. • Q95: is the flow that is equaled or exceeded for 95% of the observation time and may be calculated using the flow duration curve (FDC). A high Q95 value indicates a lower risk of water scarcity. • 7Q10: represents the lowest mean discharge for a continuous period of seven days in a given year, with a recurrence interval of ten years. There are different distributions to calculate 7Q10 such as two-parameter gamma distribution [25], Log-Pearson Type III [11]. It is estimated by using a Log-Pearson Type III distribution in this study. • BFI: is determined by dividing the volume of baseflow by the volume of total flow (the volume of baseflow may be derived using digital filtering from continuous daily flow data). In this work, the BFI is calculated using the local minimum. 4. Results and discussions 4.1 Flow performance The simulation in this study spanned 30 years, from 1985 to 2014, covering a historical period. The calibration for monthly water discharge extended over 16 years, from 1985 to 2000 with 2 years warmup period (in 1985 and 1986), followed by a validation period from 2001 to 2014, encompassing four stations in each sub-catchment. Figure 3 represents the observed and simulated daily discharge at the P.1, W.17, Y.3A, and N.1 stations in the Ping, Wang, Yom, and Nan River basins, respectively. It is evident that the simulated discharge closely matches with the observed discharge across all stations. Sensitive parameters for the upper CPRB are shown in Table 2 within the range of each parameter.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 77 The model performance criteria shown in Table 4 is suggested by Moriasi, Arnold [20]. The statistical assessment of water discharge performance during the calibration period demonstrates satisfactory results, with monthly discharge exhibiting R2>0.5, NSE>0.5, and falling within the acceptable range of PBIAS and RSR. Examining each station, W.17 stands out as the top performer during calibration (R2 = 0.80, NSE = 0.73, PBIAS = -3.28%, RSR = 0.52). However, during the validation period, the performance indicators show a decline compared to the calibration phase (see Table 3). This indicates that while W.17 excelled in calibration, its performance during validation was worse than calibration. The observed and simulated flow plots in calibration and validation, it is evident that overall flow performance was satisfied at all stations in the upper CPRB. Table 6 Sensitive parameters in this study No. Parameters Range Min Max 1 r_CN2.mgt 77 90 2 v_RCH_DP.gw 0.05 0.1 3 r_ALPHA BF.gw 0 0.01 4 r_SOL_AWC.sol 0 1 5 r_SOL_Z.sol 0 100 6 v_GW_Delay.gw 30 98 7 v_CANMX.hru 0 100 8 v_OV_N.hru 0 21 9 v_ESCO.hru 0 1 10 v_CH_K2.rte 0 80 11 v_Lat_TIME.gw 0 90 Table 7 Statistic indicators of calibration and validation in the upper CPRB Statistic indicator R 2 NSE PBIAS (%) RSR Calibration P.1 0.76 0.66 30.66 0.58 W.17 0.80 0.73 -3.28 0.52 Y.3A 0.67 0.64 19.48 0.60 N.1 0.70 0.69 -14.10 0.55 Validation P.1 0.80 0.68 10.03 0.57 W.17 0.51 0.49 16.96 0.72 Y.3A 0.79 0.77 14.02 0.48 N.1 0.65 0.65 -21.04 0.59 Figure 9 Monthly flow at P.1, W.17, Y.3A and N.1 in historical period

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 78 Table 8 Model performance criteria [20] Performing level R 2 NSE PBIAS (%) RSR Unsatisfactory R 2≤0.60 NSE ≤0.5 PBIAS ≥ ±25 RSR > 0.7 Satisfactory 0.60< R2≤0.75 0.5<NSE≤0.65 ±15 ≤ PBIAS<± 25 0.6 <RSR≤ 0.7 Good 0.75< R2≤0.85 0.65 <NSE≤ 0.75 ±10 ≤PBIAS< ±15 0.5 <RSR≤ 0.6 Very good R 2 >0.85 0.75 <NSE ≤ 1 PBIAS<±10 0.5 <RSR≤ 0 4.2 Historical low-flow indices The historical period started from 1985 to 2014 as the daily at each station. There are four flow stations including P.1, W.17, Y.3A and N.1 in Ping, Wang, Yom and Nan River basin, respectively. Figure 4 shows the values of Q95 which lie between 0.30 to 6 m3 /s. Among these, N.1 and P.1 have higher Q95 in Ping and Nan River because of Bhumipol and Sirikit dam operations (Figure 4). W.17 and Y.3A have lower Q95 which is less than 2 m3 /s. Overall, the Q95 values at all stations, including Ping and Nan, are very low (less than or equal to 6 m3 /s). This could pose a significant risk of intense drought for the entire basin. Similarly, 7Q10 values are shown in Figure 5. The values of 7Q10 range between 0.8 and 10 m3 /s. W.17 and Y.3A have very low 7Q10. The values of 7Q10 at P.1 and N.1 are higher. Overall, the values of 7Q10 at each station are still low and less than 10 m3 /s. According to BFI value shown in Figure 6, the whole basin in the upper CPRB is noticed that the lowest BFI is at Y.3A in Yom River basin (<0.5). Overall, BFI varies from 0.4 to 0.6 and is considered not too low in the upper CPRB. There is no station which has BFI lower than 0.3. Figure 10 Q95 in historical period (1985-2014) Figure 11 7Q10 in historical period (1985-2014) Figure 12 BFI in historical period (1985-2014) 4.3 Future flow characteristics Figure 7-8 shows the annual average monthly flow at 4 stations in historical period and future periods under RCP4.5 8.5, accordingly. The flows in the future periods were generated from the SWAT model. Figure 7 shows significant variation between historical and future flows that occurs during July until October. Near and far future annual average flow at all stations tends to increase compared to the historical in the peak period (rainy season). Future flow of P.1 and W.17 station seems to show large increase compared to that of the historical period (from 140 to 180 and 150 to 250 m3 /s, respectively) in Figure 7 (a) and (b). On the other hand, Y.3A and N.1 station have not much change between historical and future period as shown in Figure 7 (c) and (d). Overall, flows in the near future period are predicted to more increase than far future at most stations.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 79 Figure 13 Annual average monthly flow of historical, near future and far future at five stations under RCP4.5, (a) P.1, (b) W.17, (c) Y.3A and (d) N.1 Similarly, RCP8.5 also has similar trend as RCP4.5 however flows in the far future tend to increase more than that of the near future across all stations (Figure 8). Comparing both scenarios, RCP4.5 has less annual average maximum flow than RCP8.5 since RCP8.5 is the high scenario whereas RCP4.5 is the medium scenario. Figure 8 shows the annual average monthly at station P.1, W.17, Y.3A and N.1 under RCP8.5 scenario. The variation at these four stations are large when moving from historical to future periods, especially for the far future. Figure 14 Annual average monthly flow of historical, near future and far future at five stations under RCP8.5 4.4 Future low-flow indices The future flow was projected using SWAT under two scenarios (RCP4.5 and 8.5), employing the flow data from IPSL-CM5A-LR of CMIP5. The projected values of Q95, 7Q10, and BFI for each scenario at stations P.1, W.17, Y.3A, and N.1 are provided in Figure 9-11. A significant change in Q95 is observed at station N.1 under RCP4.5 (Figure 9, (a)), where all

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 80 two periods (2021-2040 and 2081-2100) values are lower than historical data except W.17 station. Moreover, RCP8.5 exhibits a similar trend to RCP4.5 (Figure 9 (b)). Q95 is expected to decrease in the near and far future except for W.17. 7Q10 in the future period shows a substantial difference between the RCP4.5 and 8.5 scenario (Figure 10). The highest 7Q10 in RCP4.5 is around 130 m3 /s, while RCP8.5 only reaches 25 m3 /s. There is significant variation in RCP4.5 (Figure 10(a)). N.1 station shows that in the near future, 7Q10 values are higher than historical, whereas they decrease in the far future under RCP4.5. Conversely, 7Q10 is expected to be lower in the future period under RCP8.5 for P.1 and N.1 but not for W.17 and Y.3A (Figure 10(b)). Regarding BFI, both scenarios exhibit similar patterns at each station (Figure 11(a) and (b)). BFI tends to increase when moving from the near to far future at stations W.17 and Y.3A, while P.1 and N.1 seem to experience a decrease. Overall, P.1 and N.1 stations have the highest values for each flow index and for each scenario when compared to that of other stations. This is attributed to higher flow levels in Ping and Nan. This is also probably due to the operations of the Bhumibol and Sirikit dams as well. Figure 15 Q95 in future period (2021-2040 and 2081-2100) in (a) RCP4.5 and (b) RCP8.5 Figure 16 7Q10 in future period (2021-2040 and 2081-2100) in (a) RCP4.5 and (b) RCP8.5 Figure 17 BFI in future period (2021-2040 and 2081-2100) in (a) RCP4.5 and (b) RCP8.5

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 81 5. CONCLUSIONS This study aims to develop low-flow indices and enhance the understanding of low-flow conditions in order to assess the impact of climate change on these indices in the upper Chao Phraya River basin, utilizing climate model IPSL-CM5ALR from CMIP5. Future flow is simulated using the SWAT model. Flow performance at each station in the upper Chao Phraya River basin demonstrates satisfactory results based on four statistical indicators. In the historical period, low-flow indices at W.17 station are the lowest among all other stations, while Y.3A exhibits the lowest indices for future low-flow conditions. In the future period, it is anticipated that Q95 and 7Q10 will decrease in both the near and far future at all stations, except for W.17. BFI is projected to decline at P.1 and N.1, but it appears to be on the rise for the remaining stations. Overall, historical low-flow indices are consistently low at each station, and they are even lower in the future periods (both near and far future). 6. ACKNOWLEDGMENTS The author would like to thank the Royal Irrigation Department (RID) and the Thai Meteorological Department (TMD) for the providing the data used in the study. We also would like to thank the reviewers for constructive comments that help improve this work. REFERENCES [1] Ji Y., Zhou G., Wang S., & Wang L. (2015). Increase in flood and drought disasters during 1500–2000 in Southwest China. Natural Hazards, 77, 1853-1861. [2] Pilon P., & Condie R. (1986). Median drought flows at ungauged sites in southern Ontario. Paper presented at the Proceedings of the 16th Canadian Hydrology Symposium: Drought— the Impending Crisis. [3] Bradshaw C. J., Sodhi N. S., PEH K. S. H., & Brook B. W. (2007). Global evidence that deforestation amplifies flood risk and severity in the developing world. Global Change Biology, 13(11), 2379-2395. [4] Forsyth T., & Walker A. (2008). Forest guardians, forest destroyers: the politics of environmental knowledge in northern Thailand: University of Washington Press. [5] Trenberth K. E. (1999). Conceptual framework for changes of extremes of the hydrological cycle with climate change. Weather and climate extremes: Changes, variations and a perspective from the insurance industry, 327-339. [6] Trenberth K. E. (2011). Changes in precipitation with climate change. Climate research, 47(1-2), 123-138. [7] Zelenhasić E., & Salvai A. (1987). A method of streamflow drought analysis. Water Resources Research, 23(1), 156-168. [8] Tebakari T., Yoshitani J., & Suvanpimol P. (2012). Impact of large‐scale reservoir operation on flow regime in the Chao Phraya River basin, Thailand. Hydrological Processes, 26(16), 2411-2420. [9] Curran J. (1990). Low flow estimation based on river recession rate. Water and Environment Journal, 4(4), 350-355. [10]Visessri S. (2014). Flow prediction in data scarce catchments: A case study of Northern Thailand. Imperial College London. [11]Man S., & Visessri S. (2023). Low-Flow Assessment Methods for Ungauged Sub-Basins in the Upper Ping River Basin, Thailand. Naresuan University Engineering Journal, 18(1), 1-13. [12]Smakhtin V. U. (2001). Low flow hydrology: a review. Journal of Hydrology, 240(3-4), 147- 186. [13]Change I. C. (2021). The Physical Science Basis. IPCC_AR6_WGI_Full_Report (pdf). [14]Masson-Delmotte V.P, Zhai A., Pirani S. L., Connors C., Péan S., Berger N., Caud Y., Chen L., Goldfarb M. I. G. M., Huang K., Leitzell E., Lonnoy J.B.R., Matthews T. K., Maycock T., Waterfield O. & Yelekçi R. Y. a. B. Z. e. (2021). IPCC, 2021: Summary for Policymakers. In: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report. the Intergovernmental Panel on Climate Change. [15]Höök M., & Tang X. (2013). Depletion of fossil fuels and anthropogenic climate change a review. Energy policy, 52, 797-809. [16]Van Vuuren D. P., Edmonds J., Kainuma M., Riahi K., Thomson A., Hibbard K., Lamarque J.F. (2011). The representative concentration pathways: an overview. Climatic change, 109, 5-31. [17]Hunukumbura P., & Tachikawa Y. (2012). River discharge projection under climate change in the Chao Phraya river basin, Thailand, using the MRI-GCM3. 1S dataset., 90(0), 137-150. [18]Gassman P. W., Reyes M. R., Green C. H., & Arnold J. G. (2007). The soil and water assessment tool: historical development, applications, and future research directions. Transactions of the ASABE, 50(4), 1211-1250. [19]Abbaspour K. C., Yang J., Maximov I., Siber R., Bogner K., Mieleitner J., Srinivasan R. (2007). Modelling hydrology and water quality in the pre-alpine/alpine Thur watershed using

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 82 SWAT. Journal of Hydrology, 333(2-4), 413- 430. [20]Moriasi D. N., Arnold J. G., Van Liew M. W., Bingner R. L., Harmel R. D., & Veith T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885-900. [21]Kamworapan S., Thao P. T. B., Gheewala S. H., Pimonsree S., & Prueksakorn K. (2021). Evaluation of CMIP6 GCMs for simulations of temperature over Thailand and nearby areas in the early 21st century. Heliyon, 7(11), e08263. [22]Baimoung S., Oki T., Archevarahuprok B., Yuttaphan A., & Pangpom M. (2014). Bias correction techniques for meteorological data of A2 scenario climate model output in Chao Phraya River Basin of Thailand. Hydrological Research Letters, 8(1), 71-76. [23]Lafon T., Dadson S., Buys G., & Prudhomme C. (2013). Bias correction of daily precipitation simulated by a regional climate model: a comparison of methods. International Journal of Climatology, 33(6), 1367-1381. [24]Heo J.-H., Ahn H., Shin J.-Y., Kjeldsen T. R., & Jeong C. (2019). Probability distributions for a quantile mapping technique for a bias correction of precipitation data: A case study to precipitation data under climate change. Water, 11(7), 1475. [25]Wuttichaikitcharoen P. Low-Flow Regionalization in the Upper Northern Thailand.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 83 การประเมินผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศต่อปริมาณตะกอนโดยใช้แบบจำลองภูมิอากาศ โลก CMIP5 ในพื้นที่ลุ่มน้ำแหง จังหวัดน่าน Impact Assessment of Climate Change on Sedimentation Using CMIP5 Climate Models in the Nam Hang Watershed, Nan Province พีรวัฒน์ ปลาเงิน* , ชนะ สินทรัพย์วโรดม, และ ธนพร สุปริยศิลป์ ภาควิชาวิศวกรรมโยธา, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยเชียงใหม่, จังหวัดเชียงใหม่, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การเปลี่ยนแปลงสภาพภูมิอากาศคาดว่ามีอิทธิพลต่อปริมาณฝนและส่งผลกระทบต่อสภาพอุทกวิทยาของลุ่มน้ำ นำไปสู่ ปัญหาการชะล้างพังทลายของดินและการทับถมของตะกอนในลำน้ำ งานวิจัยมีวัตถุประสงค์เพื่อประเมินผลกระทบการ เปลี่ยนแปลงสภาพภูมิอากาศต่อปริมาณตะกอนในพื้นที่ลุ่มน้ำแหง จังหวัดน่าน การศึกษาครั้งนี้ใช้ข้อมูลภูมิอากาศจาก แบบจำลองภูมิอากาศโลก (IPCC AR5) ได้แก่ CRNM-CM5, GFDL-CM3 และ MIR-OC5 ภายใต้สถานการณ์RCP4.5 และ RCP8.5 ข้อมูลภูมิอากาศจากแบบจำลองภูมิอากาศโลกมีความละเอียดต่ำจึงทำการปรับความคลาดเคลื่อนของข้อมูลโดย วิธีการแปลงค่าข้อมูลที่ควอไทล์ด้วยค่าที่เหมาะสม ความสัมพันธ์ระหว่างฝนรายเดือนและค่าปัจจัยการกัดกร่อนของฝนถูก นำมาใช้ในการหาค่าปัจจัยการกัดกร่อนของฝนรายเดือนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศในอนาคต แบบจำลอง Soil loss บนพื้นฐานของสมการการสูญเสียดินสากล (RUSLE) และแบบจำลอง Sedimentationได้ถูกนำมาใช้ในการประเมินการ ชะล้างพังทลายของดินและปริมาณตะกอนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศ การประเมินได้เปรียบเทียบปริมาณ ตะกอนปีฐาน (1986-2015) กับผลการคาดการณ์ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศในอนาคต ผลการศึกษาพบว่า ปริมาณตะกอนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศเมื่อเทียบกับปริมาณตะกอนในปีฐาน (1986-2015) 74,702 ตันต่อปี เพิ่มขึ้นร้อยละ 14.73% ในอนาคตอันใกล้ (ค.ศ. 2021-2040), ร้อยละ 26.35% ในอนาคตอันกลาง (ค.ศ. 2041-2060) และ ร้อยละ 41.53% ในอนาคตอันไกล (ค.ศ. 2061-2080) ดังนั้นเพื่อที่จะลดผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศต่อการ ชะล้างพังทลายของดินและปริมาณตะกอนในลุ่มน้ำแหง ควรมีการส่งเสริมการใช้หลักการอนุรักษ์ดินและน้ำ ด้วยการใช้ มาตรการทางกล และมาตรการทางพืชที่เหมาะสมตามความลาดชัน คำสำคัญ: แบบจำลองภูมิอาการศโลก, การเปลี่ยนแปลงสภาพภูมิอากาศ, การชะล้างพังทลายของดิน, ปริมาณตะกอน, หลักการอนุรักษ์ดินและน้ำ Abstract Climate change is expected to influence rainfall patterns and impact the hydrological regime of watersheds, leading to increased soil erosion and sedimentation in streams. This study aims to assess the impacts of climate change on sedimentation in the Nam Hang sub-catchment in Nan Province. Future climate data from three Global climate models (GCMs) under the IPCC Fifth Assessment Report (IPCC AR5), namely CRNM-CM5, GFDL-CM3, and MIR-OC5 under RCP4.5 and RCP8.5 emission scenarios, were used in

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 84 this study. The low-resolution GCM data was further downscaled to specific locations in the basin using quantile mapping techniques. The relationship between monthly precipitation and rainfall erosivity was utilized to estimate monthly rainfall erosivity under projected climate scenarios. Soil loss modeling using Revised Universal Soil Loss Equation (RUSLE) and sedimentation modeling were employed to estimate soil loss and sedimentation under climate change. The assessment compared baseline values of sedimentation from 1986–2015 with projections for future time periods. The results show that annual sedimentation increases from the baseline amount of 74,702 tons per year: by 14.73% for the period of 2021-2040 (near future), by 26.35% for the period of 2041-2060 (mid future), and by 41.53% for the period of 2061-2080 (far future). Therefore, to mitigate the impact of climate change on soil erosion and sedimentation in the Nam Hang sub-catchment, it is important to promote the use of soil and water conservation principles by using suitable mechanical and vegetative measures depending on slope of the area. Keywords: climate model, climate change, soil erosion, sedimentation, water conservation principles 1. คำนำ การเปลี่ยนแปลงสภาพภูมิอากาศได้ส่งผลกระทบไป ทั่วโลกและ ส่งผลกระทบต่อปริมาณฝนซึ่งทำให้รูปแบบ การตกของฝนและการกระจายตัวของฝนเปลี่ยนแปลงไป จากเดิม [1,2] พื้นที่ลุ่มน้ำในประเทศไทยได้รับผลกระทบ ของการเปลี่ยนแปลงภูมิอากาศเช่นเดียวกับพื้นที่ลุ่มน้ำอื่น ๆ ทั่วโลก [3] ผลกระทบต่อปริมาณฝนทำให้มีแนวโน้ม เปลี่ยนแปลงไปจากอดีต ในปัจจุบันมีความรุนแรงและ ความถี่เพิ่มมากขึ้นในแต่ละรอบปี แสดงให้เห็นการ เปลี่ยนแปลงภูมิอากาศที่ส่งผลกระทบต่อปริมาณน้ำฝน หลายด้าน เช่น การเพิ่มความถี่ พลังงานงานและความ เข้มของฝน [4,5] และส่งผลกระทบต่อการชะล้าง พังทลายของดินและปริมาณตะกอน [6] การชะล้างพังทลายของดินมีระดับความรุนแรงมาก หรือน้อยขึ้นอยู่กับปริมาณน้ำฝนและการเกิดน้ำที่ไหลเอ่อ ล้นซึ่งเป็นปัจจัยสำคัญที่มีผลกระทบต่อการชะล้าง พังทลายของดิน เมื่อมีฝนตกหนักไปกระทบผิวดินที่ไม่มี อะไรปกคลุม ไปทำให้เม็ดดินใหญ่แตกกระจายเป็นเม็ด เล็กเม็ดน้อยปริมาณน้ำฝนเมื่อรวมกันเข้าไหลลงมาตามที่ ลาดเขา และนำเอาเมล็ดดินเหล่านั้นเอ่อล้นลงสู่ที่ต่ำ ความเร็วของการเอ่อล้นนี้ ขึ้นอยู่กับความลาดชันของ ภูเขา และขึ้นอยู่กับสภาพการมีพืชหรือต้นไม้ปกคลุมที่ดิน ถ้าพื้นที่ลาดชันมากและมีระยะไกล ทำให้การเอ่อล้นของ น้ำเป็นไปอย่างรวดเร็ว ตลอดจนการสูญเสียหน้าดินมีมาก ขึ้น การสูญเสียธาตุอาหารพืชทำให้คุณภาพของ ทรัพยากรดินเสื่อมโทรมลงมีผลกระทบทำให้ผลผลิตของ พืชลดต่ำ และเกิดการทับถมของตะกอนในลำน้ำและ แหล่งน้ำต่างๆ ตะกอนดินที่เกิดขึ้นจะถูกพาและสะสมใน แหล่งน้ำตอนล่างทำให้ลำน้ำตื้นเขิน [7] ประสิทธิภาพใน การระบายน้ำลดลง ก่อให้เกิดปัญหากับประชาชนใน พื้นที่โดยเฉพาะปัญหาการเกิดอุทกภัยในช่วงฤดูฝน เป็น ต้น โดยมีคำถามของการวิจัย การเปลี่ยนแปลงสภาพ ภูมิอากาศส่งผลกระทบต่อการชะล้างพังทลายของดินและ ปริมาณตะกอนในพื้นที่ลุ่มน้ำแหงอย่างไร และมีแนว ทางการปรับตัวต่อการเปลี่ยนแปลงสภาพภูมิอากาศ สำหรับป้องกันการชะล้างพังทลายของดินและการทับถม ของตะกอนอย่างไร การศึกษามีวัตถุประสงค์ศึกษา ผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศต่อการชะล้าง พังทลายของดินและการทับถมของตะกอนในพื้นที่ลุ่มน้ำ แหง จังหวัดน่าน

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 85 2. พื้นที่ศึกษา ลุ่มน้ำสาขาน้ำแหง เป็นลุ่มน้ำสาขาที่อยู่ ตอนล่างของจังหวัดน่าน มีพื้นที่ลุ่มน้ำ 1,043 ตร.กม. (651,875 ไร่) ดังรูปที่ 1 ครอบคลุมพื้นที่อำเภอนาหมื่น อำเภอนาน้อย และอำเภอเวียงสา จังหวัดน่าน สภาพภูมิ ประเทศส่วนใหญ่เป็นภูเขาลาดชัน มีแม่น้ำสายสำคัญคือ น้ำแหง ซึ่งมีต้นน้ำเกิดจากสันปันน้ำบ้านขุนสถาน แบ่ง ระหว่างลุ่มน้ำยมที่อำเภอร้องกวาง จังหวัดแพร่ ความสูง 900 ม.รทก. ไหลลงสู่แม่น้ำน่านทางฝั่งขวา มีพื้นที่การ เกษตรกรรมเพียงเล็กน้อยตามที่ราบช่องเขา สำหรับ ลักษณะการใช้ประโยชน์ที่ดิน พ.ศ. 2560 ดังรูปที่ 2 พบว่าประเภทการใช้ที่ดินที่มีพื้นที่มากที่สุด 3 อันดับแรก ดังนี้ ได้แก่ ป่าสมบูรณ์ 447.93 ตร.กม. (42.95%) ข้าวโพด 375.05 ตร.กม. (35.96%) และยางพารา 80.69 ตร.กม. (7.74%) รูปที่ 1 พื้นที่ศึกษา : ลุ่มน้ำแหง รูปที่ 2 แผนที่การใช้ที่ดิน และสัดส่วนการใช้ที่ดิน : ลุ่มน้ำแหง ปี พ.ศ. 2560 ลุ่มน้ำแหงมีสัดส่วนการใช้ที่ดินในพื้นที่ ดังรูปที่ 2 พบว่ามีพื้นที่ป่าไม้เหลือเพียง 42.95% และมีการทำไร่ ข้าวโพดบนพื้นที่สูงจำนวนมากคิดเป็น 36% ของพื้นที่ ซึ่งการทำไร่ข้าวโพดบนพื้นที่สูงเป็นปัจจัยที่สำคัญอีก ปัจจัยหนึ่งที่ทำให้เกิดการชะล้างพังทลายของดินใน ระดับรุนแรงและการทับถมของปริมาณตะกอนใน พื้นที่ลุ่มน้ำแหง 3. วิธีการศึกษา การประเมินผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศ ต่อการชะล้างพังทลายของดินและปริมาณตะกอนลุ่มน้ำ น่านตอนบน ได้ใช้แบบจำลอง Soil Loss Modeling with RUSLE และแบบจำลอง Sedimentation ซึ่งเป็น โปรแกรมย่อยใน IDRISI TerrSet โดยนำเอาปัจจัยต่างๆ

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 86 ดังรูปที่ 3 ที่มีผลต่อการชะล้างพังทลายของดินซึ่งอยู่ ภายใต้สมการสูญเสียดินสากลคือปัจจัยการกัดกร่อนของ ฝน (R) ปัจจัยความคงทนของดิน (K) ปัจจัยลักษณะภูมิ ประเทศ (LS) ปัจจัยการจัดพืช (C) ปัจจัยการปฏิบัติการ ควบคุมการชะล้างพังทลายของดิน (P) และข้อมูล แบบจำลองความสูงเชิงตัวเลข (Digital Elevation Model, DEM) มาพิจารณาร่วมในแบบจำลอง Soil Loss Modeling เชื่อมโยงความสัมพันธ์ของข้อมูลแต่ละปัจจัย ตลอดจนวิเคราะห์ข้อมูลเพื่อประเมินการชะล้างพังทลาย ของดินและปริมาณตะกอนในลุ่มน้ำน่านส่วนบนภายใต้ สภาพภูมิอากาศปัจจุบันและอนาคต รูปที่ 3 แผนผังการประเมินการชะล้างพังทลายของดิน และปริมาณตะกอน [8] รูปที่ 4 พารามิเตอร์ต่างๆ สำหรับใช้ในแบบจำลอง Soil loss modelling และ Sedimentation พารามิเตอร์ที่ใช้ในประเมินการชะล้างพังทลายของ ดิน โดยใช้ Soil Loss Modeling ในโปรแกรม IDRISI GIS (TerrSet 2020) ประกอบด้วย ▪ แบบจำลองความสูงเชิงตัวเลข (Digital Elevation Model, DEM) ความละเอียด 30 m x 30 m ได้รับจาก กรมพัฒนาที่ดิน ▪ ค่าปัจจัยการกัดกร่อนของฝน (Rainfall erosivity, R factor) รวบรวมข้อมูลปริมาณน้ำฝนจากสถานี วัดน้ำฝนในเขตลุ่มน้ำน่านตอนบนและบริเวณพื้นที่ ข้างเคียงจากกรมอุตุนิยมวิทยา พ.ศ.2529-2558 (ค.ศ.1986 – 2015) การวิเคราะห์ค่าปัจจัยการกัดกร่อนของฝน (R factor) ได้ จากสมการ Plangoen P. and Babel MS. [9] ดังแสดง ในสมการ (1)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 87 R = 0.52P1.42 (1) เมื่อ R คือ ปัจจัยการกัดกร่อนของฝน (MJ mm ha-1 yr -1 ) Pm คือ ปริมาณฝนรายเดือน (mm) ค่าปัจจัยการกัดกร่อนของฝน (Rainfall erosivity) ภายใต้การเปลี่ยนแปลงภูมิอากาศในอนาคตใช้ข้อมูล ปริมาณน้ำฝนจากแบบจำลองภูมิอากาศโลก (GCM) ได้แก่ แบบจำลองภูมิอากาศโลก CRNM-CM5, GFDLCM3 และ MIR-OC5 ภายใต้สถานการณ์จำลองทาง ภูมิอากาศชุดใหม่ (Representative Concentration Pathway: RCP) RCP4.5 แ ล ะ RCP8.5 ภ า ย ใ ต้ framework of the Coupled Model Intercomparison Project Phase 5 (CMIP5) ข ้ อมูล น้ำฝนรายวันที่ได้จากแบบจำลองภูมิอากาศโลก ทั้ง 3 แบบจำลอง จะต้องทำการปรับความคลาดเคลื่อนของ ข้อมูลฝนจากแบบจำลองและสถานีตรวจวัดปริมาณน้ำฝน ในพื้นที่ลุ่มน้ำน่านส่วนบน สำหรับการปรับความ คลาดเคลื่อนของข้อมูลฝน (Bias correction method) ใช้วิธี Quantile mapping [10] ดังสมการ (2) = 1 (( )) (2) เมื่อ P obs = ปริมาณฝนที่ได้จากการตรวจวัดของสถานีวัดน้ำฝน P GCMcon = ปริมาณฝนจากแบบจำลองภูมิอากาศโลก สำหรับช่วงควบคุม ECDFobs = ฟังก์ขันการแจกแจงความน่าจะเป็นแบบสะสม (CDF) สำหรับตัวแปรที่ได้จากการตรวจวัด ECDFGCMcon = ฟังก์ขันการแจกแจงความน่าจะเป็นแบบ สะสม (CDF) สำหรับช่วงเวลาควบคุมที่ได้จากแบบจำลอง ภูมิอากาศโลก ▪ ค่าปัจจัยความคงทนของดิน (Soil erodibility, K factor) ได้จากแผนที่ชุดดินมาตราส่วน 1:50,000 ของกรมพัฒนาที่ดิน (2543) และนำไปใส่ค่า Soil erodibility โดยเปรียบเทียบกับข้อมูลการจำแนกค่า Soil erodibility ตามชุดดินและค่า Soil erodibility ที่ได้จากหน่วยทางธรณีวิทยาในพื้นที่ภาคเหนือของ กรมพัฒนาที่ดินผลการประเมินค่า K ของกลุ่มชุดดิน และค่าปัจจัยความคงทนของดิน [11] ▪ ค่าปัจจัยความลาดชันและความยาวของความลาด (Slope length and Slope steepness, LS factor) ใช้ระบบสารสนเทศภูมิศาสตร์ (GIS) วิเคราะห์ข้อมูล ระดับสูงเชิงเลข (Digital Elevation Model: DEM) จากน้นัจึงคา นวณค่าเปอร์เซ็นตองศาและ์ ความยาวของความลาดเทนำเข้าสมการเพื่อหาค่า LS factor ตามวิธีของ Wischeimer and Smith (1978) [12] ▪ ปัจจัยการจัดการพืช (C-factor) และค่าปัจจัยการ อนุรักษ์ดินและน้ำ (P-factor) การใช้ประโยชน์ที่ดินลุ่มน้ำน่านตอนบน ปี พ.ศ. 2553 จากกรมพัฒนาที่ดินจะนำมาใช้แปลเป็นค่า ปัจจัยการ จัดการพืช (C-factor) และปัจจัยการปฏิบัติการป้องกัน การพังทลายของดิน (P-factor) สำหรับใช้เป็น พารามิเตอร์ในแบบจำลอง Soil Loss Modeling การคาดการณ์ปริมาณตะกอนภายใต้การ เปลี่ยนแปลงสภาพภูมิอากาศ แบ่งออกเป็น 2 กรณี ดังนี้ กรณี 1 ประเมินปริมาณตะกอนสำหรับปีฐาน (1986- 2015) กรณี 2 ประเมินปริมาณตะกอนเนื่องจากการเปลี่ยนแปลง ภูมิอากาศ ในห้วงเวลา ค.ศ. 2021 –2040, ค.ศ. 2041 – 2060 และ ค.ศ. 2061-2080

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 88 4. ผลการศึกษา 4.1 ผลกระทบการเปลี ่ยนแปลงสภาพภูมิอากาศต่อ ปริมาณฝน ผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศต่อ ปริมาณฝนในพื้นที่ลุ่มน้ำแหง จังหวัดน่าน ในอนาคตอัน ใกล้ ช่วงปี ค.ศ. 2021-2040 จากแบบจำลองภูมิอากาศ โลก CRNM-CM5, GFDL-CM3 และ MIR-OC5 ภายใต้ สถานการณ์จำลองทางภูมิอากาศ RCP 4.5 และ RCP8.5 พบว่าปริมาณฝนเฉลี่ยรายปีเพิ่มขึ้นจากปัจจุบัน ( baseline : 1986-2015) 3. 25% -17.35% โ ดยที่ ปริมาณฝนจากแบบจำลอง CRNM-CM5 (RCP4.5) มี ค่าสูงสุด 1,481 มม. และปริมาณฝนจากแบบจำลอง MIR-OC5 (RCP 8.5) 1,303 มม. ซึ่งปริมาณฝนปัจจุบัน 1262 มม. จะเห็นได้ว่าถ้าคิดค่าเฉลี่ยของปริมาณน้ำฝน รายปีจาก 3 แบบจำลอง พบว่าปริมาณน้ำฝนในช่วงปี ค.ศ. 2021-2040 เท่ากับ 1,374 มม. ปริมาณฝนมี แนวโน้มสูงขึ้นจากปัจจุบัน 8.87% สำหรับปริมาณน้ำฝน รายเดือนเฉลี่ยในพื้นที่ลุ่มน้ำน่านส่วนบน ดังรูปที่ 5 ถ้า พิจารณาค่าเฉลี่ยของฝนจากทั้ง 3 แบบจำลองจะได้ เส้นประสีดำและเมื่อเทียบกับปริมาณฝนปีฐาน พบว่าการ เปลี่ยนแปลงของปริมาณฝนในอนาคตจะส่งผลกระทบต่อ ปริมาณฝนในช่วงฤดูฝนระหว่างเดือน พ.ค. - ก.ย. เห็นได้ ว่าปริมาณน้ำฝนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศ ในช่วงปี ค.ศ. 2021-2040 จะทำให้ปริมาณน้ำฝนในช่วง เดือนพฤษภาคม สูงขึ้น 18.5% และเดือนสิงหาคมมี ปริมาณฝนเพิ่มขึ้น 20.33% เมื่อเทียบกับปัจจุบัน รูปที่ 5 ปริมาณน้ำฝนรายเดือนจากแบบจำลองภูมิอากาศ โลก ช่วงปี ค.ศ. 2021-2040 รูปที่6 ปริมาณน้ำฝนรายเดือนจากแบบจำลองภูมิอากาศ โลก ช่วงปี ค.ศ. 2041-2060 ผลการคาดการณ์ปริมาณฝนในอนาคตอันกลาง ช่วงปี ค.ศ. 2041-2060 พบว่าปริมาณน้ำฝนรายปีเพิ่มขึ้น ระหว่าง 9.98% - 20.29% ซึ่งขึ้นอยู่กับปริมาณฝนในแต่ ละแบบจำลองภูมิอากาศโลก พบว่าปริมาณน้ำฝนต่ำสุด 1,027 มม. จากแบบจำลองภูมิอากาศโลก CRNM-CM5 (RCP 4.5) และปริมาณน้ำฝนสูงสุด 1,879 มม. จาก แบบจำลอง MIR-OC5 (RCP 8.5) เห็นได้ว่าปริมาณน้ำฝน เฉลี่ยมีแนวโน้มเพิ่มขึ้นจากปัจจุบัน 14.10% สำหรับรูปที่ 6 ปริมาณฝนรายเดือนในช่วงปี ช่วงปี ค.ศ. 2041-2060 ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศทำให้ ปริมาณน้ำฝนในช่วงอนาคตอันกลางสูงขึ้นกว่าในช่วง อนาคตอันใกล้ รูปที่ 7 ปริมาณน้ำฝนรายเดือนจากแบบจำลองภูมิอากาศ โลก ช่วงปี ค.ศ. 2061-2080 ปริมาณฝนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศใน อนาคตอันไกล ช่วงปี ค.ศ. 2061-2080 พบว่ามีปริมาณ ฝนรายปีอยู่ระหว่าง 1,102 – 2,150 มม. และปริมาณฝน เฉลี่ยรายปีเพิ่มขึ้นจากปัจจุบัน 26.31% สำหรับรูปที่ 7 แสดงปริมาณน้ำฝนรายเดือนในช่วงอนาคตอันไกลพบว่า

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 89 การเปลี่ยนแปลงสภาพภูมิอากาศส่งผลกระทบต่อปริมาณ น้ำฝนรายเดือนได้อย่างชัดเจน เห็นได้ว่าค่าเฉลี่ยของฝน รายเดือนจากแบบจำลองภูมิอากาศโลกทั้ง 3 แบบจำลอง (เส้นประสีดำ) ปริมาณน้ำฝนรายเดือนสูงกว่าปีฐาน (baseline) โดยเฉพาะในช่วงเดือนมีนาคม – พฤศจิกายน ดังนั้นจึงส่งผลให้ปริมาณน้ำฝนรายปีในช่วงอนาคตอันไกล เพิ่มขึ้นจากปัจจุบัน 26.31% 4.2 ปริมาณตะกอนปีฐาน (Baseline) การคาดการณ์การกัดเซาะและการทับถมของตะกอน ในลุ่มน้ำแหง แบ่งระดับความรุนแรงของการกัดเซาะหน้า ดินและการทับถมของตะกอน ออกเป็น 7 ระดับ ได้แก่ ระดับ 1 ตะกอนทับถมมาก (มากกว่า 1 ตัน/ไร่) ระดับ 2 ตะกอนทับถมปานกลาง (0.15 – 1 ตัน/ไร่) ระดับ 3 ตะกอนทับถมน้อย (0.0035 – 0.15 ตัน/ไร่) ระดับ 4 ตะกอนทับถมน้อยมาก และหน้าดินกัดเซาะน้อยมาก (น้อยกว่า 0.0035 ตัน/ไร่) ระดับ 5 หน้าดินถูกกัดเซาะ น้อย (0.0035 – 0.15 ตัน/ไร่) ระดับ 6 หน้าดินถูกกัด เซาะปานกลาง (0.15 – 1 ตัน/ไร่) และระดับ 7 หน้าดิน ถูกกัดเซาะมาก (มากกว่า 1 ตัน/ไร่) ผลการศึกษาพบว่า ปริมาณตะกอนในพื้นที่ลุ่มน้ำแหงสำหรับปีฐาน (baseline : 1986-2015) ดังตารางที่ 1 พบว่ามีการกัดเซาะ พังทลายของดิน 226,787 ตัน แยกออกเป็น ระดับการ กัดเซาะน้อย 2,316 ตัน มีพื้นที่ร้อยละ 8.08 การกัดเซาะ ระดับปานกลาง 25,327 ตัน มีพื้นที่ร้อยละ 7.20 และ การกัดเซาะระดับรุนแรง 199,144 ตัน มีพื้นที่ร้อยละ 11 ดินที่ถูกกัดเซาะถูกพัดพาไปยังพื้นที่ลุ่มต่ำทำให้มีการทับ ถมของตะกอน 152,084 ตัน ซึ่งแบ่งระดับการทับถมของ ตะกอน 4 ระดับ ได้แก่ ระดับตะกอนทับถมมาก 115,456 ตัน มีพื้นที่ร้อยละ 5 ตะกอนทับถมปานกลาง 23,167 ตัน มีพื้นที่ร้อยละ 10 ตะกอนทับถมน้อย 13,434 มี พื้นที่ร้อยละ 49 และตะกอนทับถมน้อยมาก 27 ตัน มี พื้นที่ร้อยละ 8 เห็นได้ว่าดินที่ถูกชะล้างพังทลายถูกพัด พาไปทับถมในพื้นที่ลุ่มต่ำและเป็นตะกอนที่ไหลลงสู่ลำน้ำ จำนวน 74,702 ตัน ดังรูปที่ 8 ตารางที่ 1 ปริมาณการกัดเซาะและการทับถมของตะกอน ในลุ่มน้ำแหง ปีฐาน (Baseline) ระดับการทับถมและการ กัดเซาะ พื้นที่ ปริมาณการ ทับถมและ กัดเซาะ (ตัน/ปี) ตร. กม ไร่ ร้อย ละ ตะกอนทับถมมาก 48 30,000 5 -115,456 ตะกอนทับถมปานกลาง 103 64,375 10 -23,167 ตะกอนทับถมน้อย 507 316,875 49 -13,434 ตะกอนทับถมน้อยมาก 85 53,125 8 -27 การกัดเซาะน้อย 83 51,875 8 2,316 กัดเซาะปานกลาง 99 61,875 10 25,327 กัดเซาะมาก 113 70,625 11 199,144 รวม 1,038 648,750 100 74,702 อัตราการสูญเสียหน้าดิน 0.11 ตัน/ไร่/ปี รูปที่ 8 แผนที่การกัดเซาะและทับถมของตะกอนลุ่มน้ำ แหง ปีฐาน (Baseline)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 90 4.3 ผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศต่อ ปริมาณตะกอนในอนาคต การคาดการณ์ปริมาณตะกอนภายใต้ ก า ร เปลี่ยนแปลงสภาพภูมิอากาศในพื้นที่ลุ่มน้ำแหง ได้ทำ การวิเคราะห์ใช้แบบจำลอง Sedimentation โดยการ จำลองสภาพการกัดเซาะหน้าดินและการทับถมตะกอน รวมถึงการวิเคราะห์ปริมาณตะกอนที่ไหลสู่ลำน้ำสาขาของ ลุ่มน้ำแหง ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศใน อนาคต การศึกษาวิจัยได้ใช้ข้อมูลน้ำฝนที่ทำการปรับแก้ แล้ว จากแบบจำลองภูมิอากาศจำนวน 3 แบบจำลอง ไ ด ้ แ ก ่ CNRM-CM6, GFDL-CM4 แ ล ะ MIROC-ESM ภายใต้สถานการณ์ RCP4.5 และ RCP8.5 แบ่งห้วงเวลา การประเมินผลกระทบออกเป็น 3 ห้วงเวลา ได้แก่ อนาคต อันใกล้ (ช่วงปี ค.ศ. 2021-2040) อนาคตอันกลาง (ช่วงปี ค.ศ. 2041-2060) อนาคตอันไกล (ช่วงปี ค.ศ. 2061- 2080) และเปรียบเทียบกับปริมาณตะกอนในช่วงปีฐาน ผลการคาดการณ์ปริมาณตะกอนที่เกิดจากการกัด เซาะและการทับถมภายใต้จากการเปลี่ยนแปลงสภาพ ภูมิอากาศในอนาคตอันใกล้ ช่วงปี ค.ศ. 2021-2040 ดัง รูปที่ 9 ผลการคาดการณ์การกัดเซาะและการทับถมของ ตะกอนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศโลก พบว่าระดับการกัดเซาะและทับถมของตะกอนมีค่า ใกล้เคียงกันและใกล้เคียงกับปัจจุบัน (baseline) ทั้ง 3 แบบจำลองภูมิอากาศโลก ภายใต้สถานการณ์ RCP4.5 และ RCP8.5 ยกเว้นการกัดเซาะระดับรุนแรงมาก (high erosion : มากกว่า 1 ตัน/ไร่) และการทับถมระดับรุนแรง มาก (high deposition) พบว่าทั้ง 3 แบบจำลองมีค่าสูง กว่าปีฐาน รูปที่ 9 กัดเซาะและการทับถมของตะกอนในลุ่มน้ำแหง ช่วงปี ค.ศ. 2021-2040 (อนาคตอันใกล้) การกัดเซาะหน้าดินระดับรุนแรงมาก (high erosion) ภายใต้สถานการณ์ RCP4.5 (average 3 GCM) และ RCP8.5 (average 3 GCM) มีการกัดเซาะหน้าดิน มากกว่าปัจจุบัน 25,210 ตัน (เพิ่มขึ้น 12.66%) และ 23,699 ตัน (เพิ่มขึ้น 11.90%) ตามลำดับ และการทับ ถมของตะกอนระดับรุนแรงมาก (high deposition : มากกว่า 1 ตัน/ไร่) ภายใต้สถานการณ์ RCP4.5 และ RCP 8.5 มีการทับถมของตะกอนมากกว่าปัจจุบัน 13,648 ตัน (เพิ่ม 11.82%) และ 12,162 ตัน (เพิ่ม 10.53%) ตามลำดับ ผลการคาดการณ์การกัดเซาะและทับถม ของตะกอนลุ่มน้ำแหงในอนาคตอันใกล้ พบว่าการกัด เซาะและการทับถมของตะกอนเนื่องจากการเปลี่ยนแปลง สภาพภูมิอากาศ พบว่าปริมาณตะกอนที่ถูกทับถมและถูก กัดเซาะที่แตกต่างกันสำหรับช่วงการทับถมระดับรุนแรง มาก (high deposition) และช่วงการกัดเซาะหน้าดิน ระดับรุนแรงมาก (high erosion) ผลการคาดการณ์ ปริมาณการกัดเซาะและการทับถมของตะกอนในลุ่มน้ำ แหง มีปริมาณตะกอนที่ไหลลงสู่ลำน้ำสาขา 79,553ตัน (average 3 GCM) ในช่วงปี ค.ศ.2021-2040 : อนาคต

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 91 ระยะใกล้ และมีอัตราการสูญเสียหน้าดินที่กลายเป็น ตะกอนไหลลงสู่ลำน้ำสาขา 0.12 ตัน/ไร่/ปี การเปลี่ยนแปลงสภาพภูมิอากาศส่งผลกระทบต่อ ปริมาณตะกอนในพื้นที่ลุ่มน้ำแหง ช่วงปี ค.ศ. 2041- 2060 (อนาคตอันกลาง) และ ปี ค.ศ. 2061-2080 (อนาคตอันไกล) ผลการศึกษาพบว่าระดับความรุนแรง ของการกัดเซาะและการทับถมของตะกอน ดังรูปที่ 10 (อนาคตอันกลาง) และรูปที่ 11 (อนาคตอันไกล) พบว่า การเปลี่ยนแปลงสภาพภูมิอากาศส่งผลกระทบต่อการกัด เซาะหน้าดินระดับรุนแรงมาก (high erosion : มากกว่า 1 ตัน/ไร่) และการทับถมตะกอนระดับทับถมมาก (high deposition : มากกว่า 1 ตัน/ไร่) สำหรับปีฐานพบว่ามี ปริมาณการกัดเซาะหน้าดินระดับรุนแรงมาก 199,144 ตัน และปริมาณการทับถมตะกอนระดับทับถมมาก 115,456 ตัน และทำให้มีตะกอนไหลลงสู่ลำน้ำสาขา ของลุ่มน้ำแหง 74,702 ตัน เมื่อพิจารณาจากค่าเฉลี่ยของ แบบจำลองภูมิโลก CNRM-CM6, GFDL-CM4 และ MIROC-ESM ภายใต้สถานการณ์ RCP4.5 และ RCP8.5 พบว่าการเปลี่ยนแปลงสภาพภูมิอากาศในอนาคตส่งผลให้ การกัดเซาะหน้าดินระดับรุนแรงมาก (high erosion) เพิ่มขึ้นจากปัจจุบัน 21.14% (เพิ่มขึ้น 48,081 ตัน) ใน อนาคตอันกลาง (ค.ศ. 2041-2060) และ เพิ่มขึ้น 46.02% (เพิ่มขึ้น 91,663 ตัน) ในอนาคตอันไกล (ค.ศ. 2061-2080) ในส่วนของการทับถมของตะกอนระดับ รุนแรงมาก (high deposition) พบว่ามีปริมาณตะกอนที่ ถูกกัดเซาะได้ถูกพัดพาไปทับถมในพื้นที่ต่างๆ ของลุ่มน้ำ แหง การเปลี่ยนแปลงสภาพภูมิอากาศในอนาคตทำให้มี ปริมาณการทับถมของตะกอนเพิ่มสูงขึ้นเมื่อเทียบกับ ปัจจุบัน จากผลการวิเคราะห์พบว่าระดับการทับถม ตะกอนมาก (high deposition) เพิ่มขึ้นจากปัจจุบัน 18.08% (เพิ่มขึ้น 20,880 ตัน) ในอนาคตอันกลาง (ค.ศ. 2041-2060) และ เพิ่มขึ้น 40.62% (เพิ่มขึ้น 46,902 ตัน) ในอนาคตอันไกล (ค.ศ. 2061-2080) รูปที่ 10 กัดเซาะและการทับถมของตะกอนในลุ่มน้ำแหง ช่วงปี ค.ศ. 2041-2060 (อนาคตอันกลาง) รูปที่ 11 กัดเซาะและการทับถมของตะกอนในลุ่มน้ำแหง ช่วงปี ค.ศ. 2061-2080 (อนาคตอันไกล)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 92 รูปที่ 12 ปริมาณตะกอนภายใต้การเปลี่ยนแปลงสภาพ ภูมิอากาศในอนาคต : ลุ่มน้ำแหง เมื่อพิจารณาปริมาณตะกอนที่ไหลลงสู่ลำน้ำสาขาใน พื้นที่ลุ่มน้ำแหง พบว่าปริมาณตะกอนภายใต้การ เปลี่ยนแปลงสภาพภูมิอากาศเมื่อเทียบกับปริมาณตะกอน ในปีฐาน 74,702 ตันต่อปี เพิ่มขึ้นร้อยละ 14.73% ใน อนาคตอันใกล้ (ค.ศ. 2021-2040), ร้อยละ 26.35% ใน อนาคตอันกลาง (ค.ศ. 2041-2060) และร้อยละ 41.53% ในอนาคตอันไกล (ค.ศ. 2061-2080) ดังรูปที่ 12 อัตรา การสูญเสียหน้าดิน (rate annual soil loss) คือปริมาณ ตะกอนสุทธิที่ไหลลงสู่ลำน้ำสาขาต่อพื้นที่ลุ่มน้ำ พบว่า อัตราการสูญเสียหน้าดินในอนาคตอันใกล้ (ค.ศ. 2021- 2040) 0.13 ตัน/ไร่ ในอนาคตอันกลาง (ค.ศ. 2041- 2060) 0.15 ตัน/ไร่ และในอนาคตอันไกล (ค.ศ. 2061- 2080) 0.17 ตัน/ไร่ ในขณะที่อัตราการสูญเสียหน้าดินปี ฐาน 0.12 ตัน/ไร่ สำหรับรูปที่ 13 แผนที่การชะล้าง และการทับถมของตะกอนภายใต้การเปลี่ยนแปลงสภาพ ภูมิอากาศในอนาคต ซึ่งเป็นค่าเฉลี่ยทั้ง 3 แบบจำลอง ภูมิโลก ได้แก่ CNRM-CM6, GFDL-CM4 และ MIROCESM ภายใต้สถานการณ์ RCP4.5 และ RCP8.5 จากแผน ที่เห็นได้ชัดเจนว่าหน้าดินถูกชะล้างมาก (มากกว่า 1 ตัน ต่อไร่) พื้นที่สีแดงในแผนที่ซึ่งเป็นพื้นที่ปลูกข้าวโพดบน พื้นที่ที่มีความลาดชันสูงส่งผลกระทบต่อการชะล้าง พังทลายของดินในระดับที่รุนแรง สำหรับพื้นที่สีเหลือง ในแผนที่เป็นพื้นที่ที่มีชะล้างหน้าดินในระดับที่ต่ำมาก รูปที่ 13 แผนที่การกัดเซาะและทับถมของตะกอนลุ่มน้ำ แหง ในช่วงปี(ก) ค.ศ.2021-2040, (ข) 2041-2060 และ (ค) 2061-2080 5. สรุปผลการศึกษา การเปลี่ยนแปลงสภาพภูมิอากาศส่งผลกระทบต่อ ปริมาณฝนและปริมาณตะกอนในพื้นที่ลุ่มน้ำแหง จังหวัด น่าน ผลการศึกษาพบว่าการเปลี่ยนแปลงสภาพ ภูมิอากาศในอนาคตส่งผลกระทบต่อปริมาณน้ำฝนใน พื้นที่ลุ่มน้ำแหง ดังนี้ ปริมาณน้ำฝนเพิ่มขึ้นจากปัจจุบัน 8.87% (ค.ศ. 2021-2040), 14.10% (ค.ศ. 2041-2060) และ 26.31% (ค.ศ. 2061-2080) การเพิ่มขึ้นของ ปริมาณฝนในพื้นที่ลุ่มน้ำแหงเป็นผลทำให้ค่าปัจจัยการกัด กร่อนของฝนเพิ่มขึ้นตามไปด้วยและส่งผลกระทบต่อการ ชะล้างพังทลายของดินและปริมาณตะกอน ทำให้ แนวโน้มปริมาณตะกอนในพื้นที่ลุ่มน้ำแหงเพิ่มขึ้นร้อยละ 14.73% ในอนาคตอันใกล้ (ค.ศ. 2021-2040), ร้อยละ 26.35% ในอนาคตอันกลาง (ค.ศ. 2041-2060) และร้อย ละ 41.53% ในอนาคตอันไกล (ค.ศ. 2061-2080)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 93 การเปลี่ยนแปลงสภาพภูมิอากาศในอนาคตส่ง ผลกระทบระดับความรุนแรงของการชะล้างพังทลายของ ดิน การทับถมของตะกอน และปริมาณตะกอนในลุ่มน้ำ แหง แต่อย่างไรก็ตามการเปลี่ยนแปลงสภาพภูมิอากาศ นั้นไม่ใช่การเปลี่ยนแปลงเดียวในอนาคตที่ส่งผลต่อการชะ ล้างพังทลายของดินและปริมาณตะกอนทั้งนี้พลวัตทาง สังคมและเศรษฐกิจ เช่น การใช้ประโยชน์ที่ดินในอนาคต อาจเป็นผลจากทิศทางการพัฒนาหรือการขับเคลื่อน นโยบายต่าง ๆ ของภาครัฐ และการเปลี่ยนแปลงอันเป็น ผลสืบเนื่องจากปัจจัยภายนอกก็ส่งผลต่อการเปลี่ยนแปลง ระดับความรุนแรงของการชะล้างพังทลายของดินและ ปริมาณตะกอน ประกอบกับปริมาณฝนที่เพิ่มขึ้น เนื่องจากการเปลี่ยนแปลงของสภาพภูมิอากาศในอนาคต ที่ปัจจัยทั้งสองอย่างเป็นปัจจัยทางพลวัตและส่งผลกระทบ ตรงต่อการชะล้างพังทลายของดินและปริมาณตะกอนใน ลุ่มน้ำแหง ดังนั้นควรหาแนวทางการปรับตัวเพื่อลด ผลกระทบการชะล้างพังทลายของดินและปริมาณตะกอน ควรพิจารณาถึงรูปแบบการใช้ประโยชน์ที่ดินเป็นหลัก ซึ่ง เป็นแนวทางที่สำคัญในการป้องกันการชะล้างพังทลาย ของดินและลดปริมาณตะกอน เช่น การส่งเสริมการใช้ หลักการอนุรักษ์ดินและน้ำอย่างจริงจัง ด้วยการใช้ มาตรการทางกล มาตรการทางพืชที่เหมาะสมตามความ ลาดชันของพื้นที่ และหน่วยงานภาครัฐควรมีการส่งเสริม เกษตรกรในพื้นที่ปลูกไม้ผล ไม้ยืนต้น แทนการปลูกพืช เชิงเดียว (ข้าวโพด) ควรมีการแจกพันธุ์หญ้าแฝกให้กับ เกษตรกรในพื้นที่เสี่ยงภัยนำไปปลูก เพื่อป้องกันการ พังทลายของดินและการทับถมของตะกอนในลุ่มน้ำแหงใน อนาคต 6. กิตติกรรมประกาศ ผู้วิจัยขอขอบคุณสำนักงานการวิจัยแห่งชาติ (วช.) ที่ ได้อุดหนุนทุนวิจัย ปีงบประมาณ 2563 และขอขอบคุณ ภาควิชาวิศวกรรมโยธา คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเชียงใหม่ เอกสารอ้างอิง [1] Ge, F., Zhu, S., Luo, H., Zhi, X., Wang, H., (2021). Future changes in precipitation extremes over Southeast Asia: insights from CMIP6 multi-model ensemble. Environ. Res. Let. 16 (2), 024013. DOI.org/10.1088/1748- 9326/abd7ad. [2[ Mullan, D., Favis-Mortlock, D.T., Fealy, R. (2012). Addressing key limitations associated with modelling soil erosion under the impacts of future climate change. Agric. Forest. Meteorol. 156: 18–30. DOI.org/10.1016/j.agrformet.2011.12.004 [3] Chinvanno, S., Snidvongs, A. (2007). Assessment of Impact, Vulnerability and Adaptation to Climate Change: Lessons learned from pilot study in the lower Mekong River region during 2003 – 2006. SEA START RC Technical Report. [4] Shrestha B., Babel MS., Maskey S., Griensven AV., Uhlenbrook S., Green A. AkkharathI. (2013). Impact of climate change on sediment yield in the Mekong River basin: A case study of the Nam Ou basin, Lao PDR. Hydrol. Earth Syst. Sci., 17, 1–20. DOI:10.5194/hess-17-1-2013 [5] Zhang YG., Nearing MA., Zhang XC., Xie Y., Wei. H. (2010). Projected rainfall erosivity changes under climate change from multi model and multi scenario projections in Northeast China. Journal of Hydrology. 384: 97–106. DOI.org/10.1016/j.jhydrol.2010.01.013 [6] Plangoen, P., Udmale, P. (2017). Impacts of climate change on rainfall erosivity in the Huai Luang Watershed,

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 94 Thailand. Atmosphere 2017, 8, 143. DOI.org/10.3390/atmos8080143 [7] พีรวัฒน์ ปลาเงิน, สานิตย์ดา เตียวต๋อย และสมพินิจ เหมืองทอง (2558). “ผลกระทบการเปลี่ยนแปลง การใช้ที่ดินและภูมิอากาศต่อการชะล้างพังทลายของ ดินลุ่มน้ำยมตอนบน” วารสารวิชาการ โรงเรียนนาย ร้อยพระจุลจอมเกล้า ปีที่ 13 (2558) หน้า 65-78 [8] พีรวัฒน์ ปลาเงิน, พงษ์พันธุ์ จันทะคัต, ปิยะวัฒน์ วุฒิชัยกิจเจริญ (2565) รายงานวิจัยฉบับสมบูรณ์ “การปรับตัวต่อการเปลี่ยนแปลงสภาพภูมิอากาศ สำหรับป้องกันการชะล้างพังทลายของดินในลุ่มน้ำ น่านส่วนบน ระยะที่ 2” เสนอต่อ สำนักงานการวิจัย แห่งชาติ [9] Pheerawat, P., Babel M.S. (2014). Projected Rainfall Erosivity Changes under Future Climate in the Upper Nan Watershed, Thailand. Journal of Earth Science & Climatic Change. 5:242. DOI:10.4172/2157- 7617.1000242 [10] Thrasher B., Maurer E.P., McKellar C., Duffy P.B. (2012). Technical Note: Bias correcting climate model simulated daily temperature extremes with quantile mapping. Hydrol. Earth Syst. Sci. 16:3309–3314. DOI:10.5194/hess-16-3309. [11] กรมพัฒนาที่ดิน, (2546). การประเมินการสูญเสียดิน ในประเทศไทย. กระทรวงเกษตรและสหกรณ์, กรุงเทพฯ. [12] Wischmeier, W.H., Smith, D.D. (1978) Predicting Rainfall Erosion Losses. A Guide to Conservation Planning. The USDA Agricultural Handbook No. 537, Maryland.

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 95 การประเมินแนวโน้มของปริมาณน้ำฝนในอดีตและอนาคตในพื้นที่ลุ่มน้ำลำปาว ภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศ Assessing Trends of Historical and Future Rainfall in the Lam Pao Basin under Climate Change ธนวรรณ แพงเพ็ง1 , และวรพงษ์ โล่ห์ไพศาลกฤช1* 1 สาขาวิชาวิศวกรรมโยธา, คณะวิศวกรรมศาสตร์, มหาวิทยาลัยขอนแก่น, จังหวัดขอนแก่น, ประเทศไทย * อีเมล์ผู้รับผิดชอบบทความ: [email protected] บทคัดย่อ การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาแนวโน้มปริมาณน้ำฝนในอดีตและคาดการณ์ปริมาณน้ำฝนในอนาคตของพื้นที่ลุ่มน้ำ ลำปาวภายใต้อิทธิพลของการเปลี่ยนแปลงสภาพภูมิอากาศ โดยใช้ข้อมูลปริมาณน้ำฝนในอดีตตั้งแต่ปี พ.ศ. 2544 ถึง พ.ศ. 2564 เป็นข้อมูลช่วงปีฐาน และวิเคราะห์ร่วมกับการคาดการณ์ปริมาณน้ำฝนในอนาคตภายใต้สถานการณ์การปล่อยก๊าซ เรือนกระจก 2 ภาพฉาย (SSP2-4.5 และ SSP5-8.5) จากแบบจำลองสภาพภูมิอากาศโลกจำนวน 5 แบบจำลอง ได้แก่ CMCC-ESM2, CNRM-ESM2-1, GFDL-ESM4, MRI-ESM2-0 และ TaiESM1 ผลศึกษาพบว่าแบบจำลอง CMCC-ESM2 มีค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation coefficient, r) เท่ากับ 0.81 ซึ่งแสดงให้เห็นว่าข้อมูลปริมาณน้ำฝนจากแบบจำลอง มีความสัมพันธ์สอดคล้องกันดีมาก เมื่อเปรียบเทียบกับข้อมูลตรวจวัดปริมาณน้ำฝนตั้งแต่ปี พ.ศ. 2544 ถึง พ.ศ. 2557 ด้วยเหตุนี้แบบจำลอง CMCC-ESM2 จึงได้รับการคัดเลือกและใช้คาดการณ์ปริมาณน้ำฝนในอนาคตสำหรับลุ่มน้ำลำปาว ทั้งนี้ การศึกษานี้ ได้ประเมินปริมาณน้ำฝนภายใต้สถานการณ์สภาพภูมิอากาศในอนาคต 2 ภาพฉาย ได้แก่ SSP2-4.5 และ SSP5-8.5 และพบว่าปริมาณน้ำฝนมีแนวโน้มเพิ่มขึ้น นอกจากนี้การวิเคราะห์ปริมาณน้ำฝนเฉลี่ยรายปีใน 4 ช่วงเวลาที่ แตกต่างกัน ได้แก่ ช่วงปีฐาน (พ.ศ. 2544-2564) ช่วงอนาคตอันใกล้ (พ.ศ. 2565-2583) ช่วงอนาคตอันกลาง (พ.ศ. 2584- 2513) และช่วงอนาคตอันไกล (พ.ศ. 2514-2643) ผลการวิจัยพบว่า ในอนาคตอันใกล้นี้คาดว่าปริมาณน้ำฝนเฉลี่ยมีแนวโน้ม ที่จะต่ำที่สุด ซึ่งสามารถส่งผลกระทบต่อการจัดการทรัพยากรน้ำในระดับภูมิภาค โดยสรุป การศึกษานี้ช่วยให้สามารถวิเคราะห์ สถานการณ์ที่อาจจะเกิดขึ้นในอนาคต ซึ่งเป็นแนวทางที่เป็นประโยชน์ต่อผู้วางนโยบาย ผู้บริหารจัดการทรัพยากรน้ำ และผู้มี ส่วนได้ส่วนเสียในการปรับตัวให้เข้ากับการเปลี่ยนแปลงสภาพภูมิอากาศในอนาคตต่อไป คำสำคัญ: การเปลี่ยนแปลงสภาพภูมิอากาศ, แบบจำลองสภาพภูมิอากาศโลก, ปริมาณน้ำฝน, ลุ่มน้ำลำปาว Abstract This study examines historical and projected trends in rainfall in the Lam Pao basin under the influence of climate change. Historical rainfall data from 2001 to 2021 was analyzed alongside future projections under two emission scenarios (SSP2-4.5 and SSP5-8.5) using data from five Global climate models (GCMs) : CMCC-ESM2, CNRM-ESM2-1, GFDL-ESM4, MRI-ESM2-0 and TaiESM1. Among these GCMs, CMCC-ESM2showed a remarkable correlation of about 0.81 when compared to observed rainfall data from 2001 to 2014. As a result, CMCC-ESM2 was chosen for projecting future rainfall for the Lum Pao basin. The study also investigated two climate scenarios, SSP2-4.5 and SSP5-8.5, and identified a consistent upward trend in

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 96 rainfall. Moreover, an analysis of average annual rainfall was performed across four different periods: the baseline (2001-2021), near-future (2022-2040), mid-future (2041-2070), and far-future (2071-2100). The results revealed that the near-future period is projected to experience the lowest average rainfall, which raises concerns for water resources management in the region. These findings provide valuable guidance for policymakers, water resource managers, and stakeholders in adapting to the changing climate. Keywords: Climate change, CMIP6, Global Climate Models, Lam Pao Basin, Rainfall 1. คำนำ การเปลี่ยนแปลงสภาพภูมิอากาศ มีความสัมพันธ์ โดยตรงต่อปริมาณน้ำฝน ซึ่งเป็นทรัพยากรธรรมชาติที่ สำคัญ แต่ในปัจจุบันมีแนวโน้มความแปรปรวนของสภาพ ภูมิอากาศที่เพิ่มมากขึ้น ทำให้เกิดภัยพิบัติและการ เปลี่ยนแปลงสภาพภูมิอากาศที่ทวีความรุนแรงในหลาย พื้นที่ เช่น ภัยแล้งและน้ำท่วมอย่างฉับพลันจากปริมาณ การเกิดฝนที่เปลี่ยนแปลงไป หรือการเพิ่มขึ้นของ ระดับน้ำทะเล [1] ซึ่งส่งผลกระทบโดยตรงต่อมนุษย์ ทั้งในด้านอุปโภคบริโภค ด้านเกษตรกรรม และด้าน อุตสาหกรรม เช่นเดียวกับพื้นที่ลุ่มน้ำลำปาว โดยมีการใช้ ประโยชน์ที่ดินหลัก ๆ คือ การทำนาปลูกข้าว เพาะเลี้ยง สัตว์แต่ความผันแปรที่เกิดจากธรรมชาติ ทำให้เกิดฝนตก หนักจนทำให้เกิดอุทกภัย ส่วนใหญ่เป็นลมมรสุมตะวันตก เฉียงใต้ จากพายุหมุนเขตร้อนที่เกิดในทะเลจีนใต้ และ มหาสมุทรแปรซิฟิก หรือในช่วงต้นฤดูฝน ประสบปัญหา ฝนตกน้อยหรือฝนทิ้งช่วง ในฤดูแล้ง น้ำในการบริโภคและ การเกษตรขาดแคลน สาเหตุสำคัญที่ทำให้เกิดปัญหาการ ขาดแคลนน้ำ คือปริมาณฝนที่ไม่เพียงพอในช่วงนี้ และน้ำ ที่สะสมไว้จากโครงการพัฒนาแหล่งน้ำต่าง ๆ ไม่เพียงพอ ต่อความต้องการ แม้ว่าจะมีโครงการพัฒนาแหล่งน้ำ แต่มี พื้นที่รับประโยชน์จำกัดอยู่ในเฉพาะพื้นที่ชลประทาน เท่านั้น ในส่วนอื่นโดยเฉพาะในพื้นที่เกษตรหน้าฝน และ แม้แต่ในเขตพื้นที่ชลประทานเองก็ยังพบปัญหาขาดแคลน น้ำในฤดูแล้ง [2] ดังนั้น การบริหารจัดการน้ำให้มี ประสิทธิภาพ จำเป็นต้องเข้าใจถึงการเปลี่ยนแปลง สภาพภูมิอากาศที่อาจจะเกิดขึ้นในอนาคต จึงนำไปสู่ วัตถุประสงค์ของการศึกษาในครั้งนี้คือ เพื่อศึกษา แนวโน้มการเปลี่ยนแปลงของปริมาณน้ำฝนในอนาคต ภ า ย ใ ต ้ ภ า พ ฉ า ย SSP2-4.5 แ ล ะ SSP5-8.5 จาก แบบจำลองสภาพภูมิอากาศโลก (Global Climate Models, GCMs) ภายใต้กรอบโครงการ Coupled Model Intercomparison Project Phase 6 (CMIP6) 2. วิธีการศึกษา 2.1 พื้นที่ศึกษา ลุ่มน้ำลำปาว เป็นลำน้ำสาขาสำคัญของแม่น้ำชี มีต้น น้ำอยู่ที่หนองหาน อำเภอกุมภวาปี ไหลผ่านอำเภอศรีธาตุ และอำเภอวังสามหมอ จังหวัดอุดรธานี จากนั้นไหลลงมา อำเภอท่าคันโท อำเภอหนองกรุงศรี อำเภอห้วยเม็ก อำเภอสหัสขันธ์ อำเภอสามชัย อำเภอคำม่วง อำเภอเมือง และอำเภอฆ้องชัย ไหลมาบรรจบกับแม่น้ำชีที่อำเภอ กมลาไสย จังหวัดกาฬสินธุ์ความยาวรวม 250 กิโลเมตร มีพื้นที่ลุ่มน้ำทั้งหมดประมาณ 7,400 ตารางกิโลเมตร โดยแบ่งเป็น 3 ลุ่มน้ำย่อย ได้แก่ ลุ่มน้ำลำปาวตอนบน ลุ่มน้ำลำพันชาด และลุ่มน้ำลำปาวตอนล่าง ลักษณะ ภูมิประเทศมีความลาดชันบริเวณตอนบน และเป็นที่ราบ บริเวณตอนล่างของลุ่มน้ำ โดยมีระดับความสูงอยู่ระหว่าง 128 - 646 เมตรเหนือระดับน้ำทะเลปานกลาง (ม.รทก.) ดังแสดงในรูปที่ 1 ลุ่มน้ำลำปาว มีเขื่อนลำปาวซึ่งมีจุดประสงค์หลักเพื่อ บรรเทาอุทกภัยและการเกษตร สามารถกักเก็บน้ำได้ 1,980 ล้านลูกบาศก์เมตร ปริมาณน้ำท่าเฉลี่ยรายปีที่ไหล เข้าอ่างเก็บน้ำลำปาวประมาณ 1,900 ล้านลูกบาศก์เมตร และปริมาณน้ำฝนเฉลี่ยรายปีประมาณ 1,375 มิลลิเมตร

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 97 รูปที่ 1 พื้นที่ลุ่มน้ำลำปาวและตำแหน่งสถานีวัดน้ำฝน 2.2 การรวบรวมข้อมูล 2.2.1 ข้อมูลปริมาณน้ำฝน การศึกษาในครั้งนี้ได้รวบรวมข้อมูลปริมาณน้ำฝน รายวัน ในช่วงปี พ.ศ. 2544 - พ.ศ. 2564 จากสถานีวัด น้ำฝนของกรมอุตุนิยมวิทยาทั้งหมด 22 สถานี ซึ่งกระจาย ตัวทั้งในและรอบบริเวณพื้นที่ลุ่มน้ำลำปาว ดังแสดง ในรูปที่ 1 2.2.2 ข้อมูลปริมาณฝนคาดการณ์จากแบบจำลอง สภาพภูมิอากาศโลก (CMIP6-GCMs) แบบจำลองสภาพภูมิอากาศโลก (GCMs) ภายใต้ กรอบโครงการ Coupled Model Intercomparison Project Phase 6 (CMIP6) เป็นโครงการที่จัดรวบรวม ผลลัพธ์ของแบบจำลองสภาพภูมิอากาศโลกล่าสุด หลากหลายแบบจำลองจากหลายสถาบันวิจัยต่าง ๆ ทั่วโลก ในการศึกษานี้ใช้ข้อมูลปริมาณน้ำฝนจาก แบบจำลองสภาพภูมิอากาศ CMIP6-GCMs ที่ถูกปรับแก้ ความคลาดเคลื่อนและปรับลดขนาดแล้ว ซึ่งมีความ ละเอียดเชิงพื้นที่ 28 x 28 กิโลเมตร โดยรวบรวมข้อมูล จาก The NASA Earth Exchange Global Daily Downscaled Projections (NEX-GDDP-CMIP6) ช่วงปี ในอดีต พ.ศ. 2544 ถึงปี พ.ศ. 2564 (ค.ศ. 2001 - 2021) และช่วงปีอนาคต พ.ศ. 2565 ถึง พ.ศ. 2643 (ค.ศ. 2022 – 2100) [3] 2.3 การคัดเลือกแบบจำลอง CMIP6-GCMs จากการทบทวนงานวิจัยที่เกี่ยวข้องกับการ ประยุกต์ใช้แบบจำลองภูมิอากาศโลกในประเทศไทย [4-7] เบื้องต้นการศึกษานี้ได้คัดเลือกแบบจำลอง ภูมิอากาศโลกมาจำนวน 5 แบบจำลอง ได้แก่ CMCCESM2, CNRM-ESM2-1, GFDL-ESM4, MRI-ESM2-0 และ TaiESM1 ดังแสดงในตารางที่ 1 ตารางที่ 1 แบบจำลองสภาพภูมิอากาศโลก (CMIP6- GCMs) ในการศึกษานี้ ชื่อแบบจำลอง สถาบัน CMCC-ESM2 Euro Mediterranean Centre on Climate Change Coupled Climate Model CNRM-ESM2-1 National Center for Meteorological Research, France and CNRS laboratory GFDL-ESM4 Geophysical Fluid Dynamics Laboratory, USA MRI-ESM2-0 Meteorological Research Institute, Japan TaiESM1 Taiwan Earth System Model การคัดเลือกแบบจำลอง CMIP6-GCMs เริ่มจากการ คำนวณปริมาณน้ำฝนรายเดือนจากข้อมูลตรวจวัดปริมาณ ฝนในช่วงปีอดีต (พ.ศ. 2544 - 2564) ของทั้ง 22 สถานี และคำนวณปริมาณน้ำฝนเฉลี่ยรายเดือนของลุ่มน้ำด้วยวิธี รูปหลายเหลี่ยมธีเอสเสน (Thiessen polygon method) ลำดับต่อไป ทำการเปรียบเทียบปริมาณน้ำฝนเฉลี่ยราย เดือนของลุ่มน้ำกับปริมาณฝนเฉลี่ยรายเดือนที่คำนวณ จากข้อมูลปริมาณน้ำฝนของแบบจำลอง CMIP6-GCMs ที่ปรับแก้ความคลาดเคลื่อนและปรับลดขนาดแล้ว เพื่อประเมินความน่าเชื่อถือของข้อมูล ผลของการ เปรียบเทียบปริมาณน้ำฝนเฉลี่ยรายเดือน ตรวจสอบด้วย ค่าสัมประสิทธิ์สหสัมพันธ์(Correlation coefficient, r) ดังแสดงในสมการที่ (1)

การประชุมวิชาการวิศวกรรมแหล่งน้ำแห่งชาติครั้งที่ 9 เสริมสร้างการบริหารจัดการทรัพยากรน้ำด้วยเทคโนโลยีเกิดใหม่ และสังคมดิจิทัลเพื่อพัฒนาอย่างมีส่วนร่วม 14-15 ธันวาคม 2566 โรงแรม ดิ เอมเมอรัลด์ กรุงเทพฯ 98 = ∑(− ̅) (− ̅) √∑(− ̅) 2 ∑ (− ̅) 2 (1) เมื่อ r, x, y คือค่าสัมประสิทธิ์สหสัมพันธ์, คือค่าตัว แปร x ณ ชุดข้อมูลที่ i, ̅คือค่าเฉลี่ยของตัวแปร x, คือค่าตัวแปร y ณ ชุดข้อมูลที่ i, ̅ คือค่าเฉลี่ยของตัว แปร y หากค่า มีค่าใกล้ 1 หมายความว่า ตัวแปรทั้ง สองมีความสัมพันธ์สอดคล้องกันอย่างมาก แต่หากมีค่า เป็น ศูนย์ หมายความว่า ตัวแปรทั้งสองไม่มีความสัมพันธ์ ต่อกัน ดังนั้น แบบจำลอง CMIP6-GCMs ที่ข้อมูลปริมาณ น้ำฝนเฉลี่ยรายเดือน มีค่าสัมประสิทธิ์สหสัมพันธ์มากที่สุด เมื่อเปรียบเทียบกับข้อมูลตรวจวัดปริมาณฝนเฉลี่ยราย เดือน จะได้รับคัดเลือกในการคาดการณ์ปริมาณน้ำฝน ในอนาคตในขั้นตอนต่อไป 2.4 การคาดการณ์ปริมาณน้ำฝนในอนาคตของ แบบจำลองสภาพภูมิอากาศโลก ภายใต้ภาพฉาย SSP2- 4.5 และ SSP5-8.5 ข้อมูลปริมาณน้ำฝนจากแบบจำลอง CMIP6-GCMs ที่ได้รับการคัดเลือก เป็นข้อมูลที่ใช้ในการคาดการณ์ ปริมาณน้ำฝนในอนาคตภายใต้ภาพฉาย SSP2-4.5 และ SSP5-8.5 ในช่วงเวลาอนาคต 3 ระยะ ได้แก่ ระยะอนาคต อันใกล้ ปี พ.ศ. 2565 ถึง พ.ศ. 2583 (ค.ศ.2022 - 2040) ระยะอนาคตอันกลาง ปี พ.ศ. 2584 ถึง พ.ศ. 2613 (ค.ศ. 2041 - 2070) และระยะอนาคตอันไกล ปี พ.ศ. 2614 ถึง พ.ศ. 2643 (ค.ศ.2071 - ค.ศ. 2100) ภาพฉาย SSP2-4.5 และ SSP5-8.5 เป็นภาพเหตุการณ์ (Scenarios) ที่เป็น เส้นตัวแทนของผลจากการพัฒนาพื้นที่ในระดับนานาชาติ และภูมิภาค โดยใช้หลักการเศรษฐกิจและสังคมร่วมหรือ SSPs (Shared Socioeconomic Pathways) เหตุผลที่ นำผลจากภาพฉาย SSP2-4.5 และ SSP5-8.5 มาใช้ใน การศึกษา เนื่องจากภาพเหตุการณ์ SSP2-4.5 เป็นภาพ ฉายอนาคตที่มีความเป็นไปได้มาก มี radiation forcing อยู่ในระดับปานกลาง ส่วนภาพเหตุการณ์ SSP5-8.5 เป็น ภาพฉายอนาคตในสถานการณ์ที่เลวร้ายที่สุด เพราะมี อิทธิพลของ radiation forcing อยู่ในระดับสูง [8] 3. ผลการศึกษาและอภิปรายผล 3.1 ผลการคัดเลือกแบบจำลอง CMIP-GCMs ผลการเปรียบเทียบข้อมูลปริมาณน้ำฝนเฉลี่ยราย เดือนของลุ่มน้ำลำปาวกับข้อมูลปริมาณน้ำฝนเฉลี่ยราย เดือนจากแบบจำลอง CMIP-GCMs และประเมินความ น่าเชื่อถือของแบบจำลองด้วยค่าสัมประสิทธิ์สหสัมพันธ์ ผลการประเมินแสดงดังตารางที่ 2 พบว่า แบบจำลอง CMCC-ESM2 มีค่าสัมประสิทธิ์สหสัมพันธ์สูงสุด มีค่า r = 0.81 แสดงให้เห็นถึงความสัมพันธ์ของข้อมูลปริมาณ น้ำฝนจากแบบจำลอง มีความสัมพันธ์สอดคล้องกันดีมาก เมื่อเปรียบเทียบกับข้อมูลตรวจวัดปริมาณน้ำฝนในอดีต และแบบจำลองที่มีค่าสัมประสิทธิ์สหสัมพันธ์สูงสุด รองลงมา คือ GFDL-ESM4 ค่า r = 0.80 ดังนั้น การศึกษา นี้เลือกแบบจำลอง CMCC-ESM2 และใช้ผลการคำนวณ ปริมาณน้ำฝนจากแบบจำลองนี้ในการคาดการณ์ปริมาณ น้ำฝนของลุ่มน้ำลำปาวในลำดับต่อไป ตารางที ่ 2 ผลการประเมินแบบจำลอง CMIP6-GCMs ด้วยดัชนีสัมประสิทธิ์หสัมพันธ์ ชื่อแบบจำลอง ค่าสหสัมพันธ์(Correlation, r) CMCC-ESM2 0.81 CNRM-ESM2-1 0.77 GFDL-ESM4 0.80 MRI-ESM2-0 0.72 TaiESM1 0.74 3.2 ผลการคาดการณ์ปริมาณน้ำฝนในอนาคตภายใต้ภาพ ฉาย SSP2-4.5 และ SSP5-8.5 ผลการคาดการณ์ปริมาณน้ำฝนในอนาคตของ แบบจำลองสภาพภูมิอากาศโลก CMCC-ESM2 ภายใต้ ภาพฉาย SSP2-4.5 และ SSP5-8.5 พบว่าปริมาณน้ำฝน ในอนาคตพิจารณาตั้งแต่ปี พ.ศ. 2565 ถึง พ.ศ. 2643 มีแนวโน้มเพิ่มขึ้นทั้ง 2 ภาพฉาย นอกจากนี้ พบว่าปริมาณ น้ำฝนภายใต้ภาพฉาย SSP2-4.5 ในช่วงระหว่างปี พ.ศ. 2565 ถึง พ.ศ. 2601 มีแนวโน้มเพิ่มขึ้นมากกว่า ปริมาณน้ำฝนภายใต้ภาพฉาย SSP5-8.5 แต่หลังจากปี พ.ศ. 2602 ถึง พ.ศ. 2643 ปริมาณน้ำฝนภายใต้ภาพฉาย