การพัฒนาแบบจำลองการพยากรณ์ปริมาณน้ำฝนเพื่อวิเคราะห์ภัยแล้งในลุ่มน้ำปิง

การศึกษานี้มีวัตถุประสงค์ในการพัฒนาแบบจำลองการพยากรณ์ปริมาณน้ำฝน เพื่อวิเคราะห์ภัยแล้งในลุ่มน้ำปิง ปริมาณน้ำฝนรายเดือนจากสถานีวัดน้ำฝน 29 แห่ง ในช่วงเวลาตั้งแต่ปี พ.ศ.2509 ถึงปี พ.ศ.2564 ในลุ่มน้ำปิง ถูกนำมาคำนวณค่า SPI โดยแบ่งเป็น SPI3 (ฝนสะสมตั้งแต่เดือนกุมภาพันธ์ถึงเดือนเมษายน) SPI6 (ฝนสะสมตั้งแต่เดือนพฤษภาคมถึงเดือนตุลาคม) และ SPI12 (ฝนสะสมตั้งแต่เดือนมกราคมถึงเดือนธันวาคม) การวิเคราะห์ความแม่นยำระหว่าง SPI3 SPI6 SPI12 กับข้อมูลความแห้งแล้งจริงที่เกิดขึ้นระหว่างปี พ.ศ.2552 ถึงปี พ.ศ. 2564 แสดงให้เห็นว่า SPI12 มีความแม่นยำมากที่สุด โดยที่เมื่อใช้ค่า SPI มาตรฐานให้ความแม่นยำในการชี้วัดภัยแล้งได้ 69% 79% และ 90% ตามลำดับ และเมื่อมีการปรับแต่งค่า SPI ให้มีความสอดคล้องกับสภาวะภัยแล้งจริงที่เกิดขึ้นจาก 29 สถานีวัดน้ำฝน แสดงให้เห็นว่าควรใช้ค่า SPI ที่ต่ำกว่า 0.5 จึงสามารถชี้วัดภัยแล้งในพื้นที่ลุ่มน้ำปิงได้ถูกต้องยิ่งขึ้น โดยมีความแม่นยำเพิ่มขึ้นเป็น 72% 79% และ 93% ตามลำดับ ในส่วนของการใช้แบบจำลอง ได้เลือกใช้แบบจำลอง Long Short-Term Memory (LSTM) ด้วยเป็นแบบจำลองที่มีโครงสร้างและวิธีการคำนวณที่เหมาะสมกับการใช้ทำนายข้อมูลในลักษณะอนุกรมเวลา ที่แบ่งชุดข้อมูลปริมาณฝนออกเป็น 2 ชุดข้อมูล คือ ชุดข้อมูลแรก เป็นส่วนของการหาค่าพารามิเตอร์ที่เหมาะสม (Calibrate) โดยใช้เกณฑ์ 75% ของข้อมูลทั้งหมด (42 ปี) และส่วนที่ 2 เป็นการตรวจพิสูจน์ค่าพารามิเตอร์ (Validate) โดยใช้เกณฑ์ 25% ของข้อมูลทั้งหมด (14 ปี) และได้ทำการประเมินประสิทธิภาพของแบบจำลองด้วยค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) และค่าสัมประสิทธิ์สหสัมพันธ์ (R) โดยทำการเปรียบเทียบกับผลที่ได้จากการคำนวณของแบบจำลอง Autoregressive Integrated Moving Average (ARIMA) ซึ่งเป็นแบบจำลองที่นิยมใช้สำหรับการทำนายข้อมูลประเภทอนุกรมเวลา จากการเปรียบเทียบผลของการพยากรณ์ปริมาณน้ำฝนของทั้งสองแบบจำลอง พบว่า แบบจำลอง LSTM สามารถคาดการณ์ปริมาณน้ำฝนได้แม่นยำกว่าแบบจำลอง ARIMA ปริมาณฝนคาดการณ์จากแบบจำลอง LSTM จึงถูกมาคำนวณค่า SPI ของปริมาณฝนสะสมทั้ง 3 ช่วงเวลา จากการเปรียบเทียบ SPI ที่คำนวณจากฝนที่ได้จากการพยากรณ์กับ SPI ที่คำนวณได้จากฝนจริง ชี้ให้เห็นว่า LSTM สามารถทำนายภัยแล้งในช่วงระยะเวลา 3 เดือน ด้วยความแม่นยำ 78% แต่เมื่อใช้ทำนายภัยแล้งช่วง 6 เดือน และ 12 เดือน ความแม่นยำของการทำนายภัยแล้งจะลดลงเหลือเพียง 67% เท่านั้น LSTM จึงช่วยเพิ่มความแม่นยำในการทำนายภัยแล้งโดยเฉพาะในช่วงฤดูแล้งในลุ่มน้ำปิง