การพัฒนาแบบจำลองการพยากรณ์ปริมาณน้ำฝนเพื่อวิเคราะห์ภัยแล้งในลุ่มน้ำยม

การศึกษานี้มีวัตถุประสงค์ในการพัฒนาแบบจำลองการพยากรณ์ปริมาณน้ำฝนเพื่อวิเคราะห์ภัยแล้งในลุ่มน้ำยม ปริมาณน้ำฝนรายเดือนจากสถานีวัดน้ำฝน 18 แห่ง ในช่วงเวลาตั้งแต่ปี พ.ศ. 2509 ถึงปี พ.ศ. 2564 ในลุ่มน้ำยมถูกนำมาคำนวณค่า SPI โดยแบ่งเป็น SPI3 (ฝนสะสมตั้งแต่เดือนกุมภาพันธ์ ถึงเดือนเมษายน) SPI6 (ฝนสะสมตั้งแต่เดือนพฤษภาคมถึงเดือนตุลาคม) และ SPI12 (ฝนสะสมตั้งแต่เดือนมกราคมถึงเดือนธันวาคม) การวิเคราะห์ความแม่นยำระหว่าง SPI3 SPI6 SPI12 กับข้อมูลความแห้งแล้งจริงที่เกิดขึ้นระหว่างปี พ.ศ. 2552 ถึงปี พ.ศ. 2564 แสดงให้เห็นว่า SPI3 มีความแม่นยำมากที่สุด โดยที่เมื่อใช้ค่า SPI มาตรฐานให้ความแม่นยำในการชี้วัดภัยแล้งได้ 58% 48% และ 50% ตามลำดับ และเมื่อมีการปรับแต่งค่า SPI ให้มีความสอดคล้องกับสภาวะภัยแล้งที่เกิดขึ้นจริงจาก 18 สถานีวัดน้ำฝน แสดงให้เห็นว่าควรใช้ค่า SPI ที่ต่ำกว่า 0.6 จึงสามารถชี้วัดภัยแล้งในพื้นที่ลุ่มน้ำยมได้ถูกต้องยิ่งขึ้น โดยมีความแม่นยำเพิ่มขึ้นถึง 56% Long Short – Term Memory (LSTM) หนึ่งในแบบจำลองประเภทปัญญาประดิษฐ์ ได้ถูกนำมาใช้ในการพยากรณ์ฝน เพื่อทำนายภัยแล้ง ด้วยโครงสร้างการคำนวณของ LSTM มีความเหมาะสมในการพยากรณ์ข้อมูลแบบอนุกรมเวลา Autoregressive Integrated Moving Average (ARIMA) Model ซึ่งเป็นแบบจำลองที่ได้รับความนิยมในการนำมาพยากรณ์อนุกรมเวลา ได้ถูกนำมาใช้เปรียบเทียบความสารถในการพยากรณ์น้ำฝน Root Mean Square Error (RMSE) Nash–Sutcliffe efficiency (NSE) และ Stochastic Efficiency (SE) ได้ถูกนำมาใช้ในการประเมินความแม่นยำของการพยากรณ์ปริมาณน้ำฝนลุ่มน้ำยม ซึ่งเป็นลุ่มน้ำที่ประสบภัยแล้งอย่างต่อเนื่องได้ถูกคัดเลือกเป็นพื้นที่ศึกษา ปริมาณน้ำฝนรายเดือนจากสถานีวัดน้ำฝน 18 สถานีในลุ่มน้ำยม ตั้งแต่ปี พ.ศ. 2509 ถึงปี พ.ศ. 2564 ได้ถูกนำมาวิเคราะห์และทดสอบแบบจำลอง โดยใช้ข้อมูลตั้งแต่ปีพ.ศ. 2509 ถึงปี พ.ศ. 2550 (42 ปี) ในการปรับแบบจำลองและใช้ข้อมูลตั้งแต่ปี พ.ศ. 2551 ถึงปี พ.ศ. 2564 (14 ปี) ในการทดสอบแบบจำลอง จากการเปรียบเทียบความสารถในการการพยากรณ์ปริมาณฝนรายเดือนของทั้ง 18 สถานี โดยแบบจำลอง LSTM และ ARIMA ชี้ให้เห็นว่าส่วนใหญ่ (10 สถานี) ผลของการพยากรณ์โดย LSTM ให้ผลแม่นยำกว่า ARIMA โดยมีความถูกต้องในการพยากรณ์มากขึ้นตั้งแต่ 2% ถึง 65% Standardized Precipitation Index (SPI) ได้ถูกเลือกเป็นตัวบ่งชี้ภัยแล้งในการศึกษานี้เนื่องจากเป็นที่นิยมใช้กันทั่วไปและสามารถคำนวณได้โดยง่ายโดยใช้น้ำฝนเป็นตัวแปรเพียงตัวเดียว การพยากรณ์ SPI ด้วยการใช้น้ำฝนที่พยากรณ์ได้จาก LSTM ได้ถูกนำมาเปรียบเทียบกับ SPI ที่คำนวณได้จากค่าฝนจริง โดยแบ่ง SPI เป็น 3 แบบคือ SPI 3 (ฝนสะสมตั้งแต่เดือน ก.พ. ถึง เม.ย.) SPI 6 (ฝนสะสมตั้งแต่เดือน พ.ค. ถึง ต.ค.) และ SPI 12 (ฝนสะสมตั้งแต่เดือน ม.ค. ถึง ธ.ค.) จากการทดสอบการพยากรณ์ SPI ระหว่างปี พ.ศ. 2560 ถึงปี พ.ศ. 2564 แสดงให้เห็นว่า LSTM สามารถพยากรณ์ฝนที่นำไปใช้ในการพยากรณ์ SPI แบบต่าง ๆ ได้สอดคล้องกับ SPI จริง โดยมีความสอดคล้องสูงสุดได้ถึง 80 % การใช้ LSTM ในการพยากรณ์ฝนเพื่อพยากรณ์ภัยแล้ง จึงเป็นอีกทางเลือกหนึ่งในการเพิ่มความสามารถในการพยากรณ์ภัยแล้ง