การพัฒนาแบบจำลองการพยากรณ์ปริมาณน้ำฝนเพื่อวิเคราะห์ภัยแล้งในลุ่มน้ำน่าน

ในปัจจุบันแบบจำลองประเภทปัญญาประดิษฐ์ (Artificial Intelligent : AI) เป็นที่นิยมนำไปประยุกต์ใช้ในหลากหลายวงการ ในการศึกษานี้เป็นการทดลองนำเอาแบบจำลอง Long Short-Term Memory (LSTM) หนึ่งในประเภทของแบบจำลองปัญญาประดิษฐ์ มาใช้ในการพยากรณ์ปริมาณฝนรายเดือนเพื่อนำไปใช้ในการพยากรณ์ภัยแล้ง เนื่องด้วยโครงสร้างการคำนวณของแบบจำลอง LSTM มีความเหมาะสมในการทำนายข้อมูลแบบอนุกรมเวลา ในการประเมินความสามารถในการพยากรณ์ของแบบจำลอง LSTM ได้นำไปเปรียบเทียบกับการพยากรณ์โดยแบบจำลอง Autoregressive Integrated Moving Average (ARIMA) ซึ่งเป็นแบบจำลองที่นิยมใช้กันทั่วไปในการพยากรณ์ข้อมูลแบบอนุกรมเวลา ด้วยการใช้ Root Mean Square Error (RMSE) , Nash-Sutcliffe Efficiency (NSE) และ Correlation Coefficient (R) เป็นตัวชี้วัดความแม่นยำในการพยากรณ์ ลุ่มน้ำน่านได้ถูกเลือกเป็นพื้นที่ศึกษาด้วยประสบปัญหาภัยแล้งอยู่เสมอ ข้อมูลปริมาณน้ำฝนรายเดือนจาก 15 สถานีวัดน้ำฝน ระหว่างปี พ.ศ. 2497 - พ.ศ. 2564 ได้ถูกนำมาวิเคราะห์โดยแบ่งข้อมูลเป็น 2 ช่วงคือ ข้อมูลระหว่างปี พ.ศ 2497 - พ.ศ. 2547 (51 ปี) ใช้สำหรับการปรับแบบจำลอง (Training Phase) และข้อมูลระหว่างปี พ.ศ 2548 - พ.ศ. 2564 (17 ปี) ใช้สำหรับการทดสอบแบบจำลอง (Validation Phase) จากการเปรียบเทียบความสามารถในการพยากรณ์ฝนรายเดือนของแบบจำลอง LSTM และแบบจำลอง ARIMA ชี้ให้เห็นว่าแบบจำลอง LSTM สามารถพยากรณ์ฝนได้ดีกว่าแบบจำลอง ARIMA โดยให้ผลดีกว่าใน 10 สถานีวัดน้ำฝนจากทั้งหมด 15 สถานี Standardized Precipitation Index (SPI) ได้ถูกนำมาใช้เป็นตัวชี้วัดภัยแล้งในการศึกษานี้ ด้วยเป็นที่นิยมใช้กันอย่างแพร่หลายและมีการคำนวณที่ง่ายโดยใช้ฝนเป็นตัวแปรตัวเดียวในการคำนวณ การทดสอบความสามารถในการพยากรณ์ภัยแล้งโดยการใช้ค่า SPI ที่คำนวณได้จากการพยากรณ์ฝนโดยแบบจำลอง LSTM เปรียบเทียบกับค่า SPI ที่คำนวณได้จากข้อมูลฝนจริง แสดงให้เห็นว่า การพยากรณ์ SPI มีความสอดคล้องกับ SPI ที่เกิดขึ้นจริง โดยมีความแตกต่างกันไปตามประเภทของ SPI คือ SPI3 (ฝนสะสมตั้งแต่เดือนมกราคม - มีนาคม) SPI6 (ฝนสะสมตั้งแต่เดือนพฤษภาคม - ตุลาคม) และ SPI12 (ฝนสะสมตั้งแต่เดือน มกราคม - ธันวาคม) กล่าวคือมีความสอดคล้องตั้งแต่ 76% จนถึง 88 % การนำเอาแบบจำลอง LSTM มาประยุกต์ใช้ในการพยากรณ์ภัยแล้งช่วยเพิ่มความสามารถในการพยากรณ์และน่าสนใจในการนำไปประยุกต์ใช้งานจริงต่อไป