การพัฒนาแบบจำลองปัญญาประดิษฐ์สำหรับการพยากรณ์ดัชนีความแห้งแล้งและระบบสนับสนุนการตัดสินใจการเพาะปลูกพืชเศรษฐกิจในจังหวัดเชียงใหม่

บทคัดย่อ

การพัฒนาแอพพลิเคชั่นสำหรับการพยากรณ์ดัชนีความแห้งแล้งและระบบสนับสนุนการตัดสินใจการเพาะปลูกพืชเศรษฐกิจในจังหวัดเชียงใหม่ มี 3 วัตถุประสงค์ คือ พัฒนาแบบจำลองปัญญาประดิษฐ์เพื่อพยากรณ์ฝนล่วงหน้า 1 และ 2 เดือน พัฒนาแบบจำลองปัญญาประดิษฐ์สำหรับพยากรณ์ดัชนีความแห้งแล้ง (SPI) ในพื้นที่อำเภอจอมทอง และพัฒนาเว็ปแอพพลิเคชั่นสำหรับพยากรณ์ฝนและดัชนีความแห้งแล้งเพื่อประกอบการตัดสินใจของเกษตรกรและวางแผนการเพาะปลูกของเกษตรกรในพื้นที่อำเภอจอมทอง การพัฒนาแบบจำลองสำหรับพยากรณ์ฝนล่วงหน้า 1 และ 2 เดือน มีการเปรียบเทียบระหว่างแบบจำลองโครงข่ายประสาทเทียมกับแบบจำลองสโตแคสติก ซึ่งการพยากรณ์ฝนจะแบ่งประเภทของสถานี 2 กลุ่ม คือ ฝน ณ สถานีอุตุนิยมวิทยา และสถานีวัดน้ำฝน โดยกลุ่มสถานีอุตุนิยมวิทยาตัวแปรข้อมูลนำเข้าจะแบ่งกลุ่มชุดข้อมูล 3 กลุ่ม คือ กลุ่ม 1 ใช้ข้อมูลน้ำฝน 5 ตัวแปร คือ ฝนสะสมย้อนหลัง 30 วัน ณ เวลาปัจจุบัน (R_Acu) ฝนสะสมย้อนหลัง 60 วัน (R_1) ฝนสะสมย้อนหลัง 90 วัน (R_2) ค่าเฉลี่ยน้ำฝนเคลื่อนที่ย้อนหลัง 30 วัน (MV1) และ ค่าเฉลี่ยน้ำฝนเคลื่อนที่ย้อนหลัง 60 วัน (MV2) กลุ่ม 2 ใช้ข้อมูลอุตุนิยมวิทยา 12-14 ตัวแปร คือ ข้อมูลค่าสูงสุด ค่าต่ำสุด และค่าเฉลี่ยรายวัน นำมาเฉลี่ยย้อนหลัง 30 วัน ของความกดอากาศ (P_Max, P_Min, P_Avg) อุณหภูมิ (T_Max, T_Min, T_Avg) ความชื้น (H_Max, H_Min, H_Avg) แสงแดด (Sun) น้ำระเหย (Eva) และค่าสะสมย้อนหลัง 30 วัน ของแสงแดด (S_Acu) น้ำระเหย (E_Acu) และฝน (R_Acu) และกลุ่ม 3 ใช้ข้อมูลกลุ่มที่ 1 และ 2 มารวมกัน (16-18 ตัวแปร) ส่วนกลุ่มสถานีวัดน้ำฝนข้อมูลตัวแปรนำเข้าคือ ข้อมูลน้ำฝน (5 ตัวแปร) และข้อมูลฝนและอุตุนิยมวิทยาจากสถานีอุตุนิยมวิทยา (16-18 ตัวแปร) ที่อยู่บริเวณรอบสถานีวัดน้ำฝน โดยจะคัดเลือกตัวแปรข้อมูลนำเข้าด้วยเทคนิค Cross correlation (ระดับความเชื่อมั่น 0.01), Stepwise regression และ Genetic algorithms โดยกำหนดให้แบบจำลองพยากรณ์ฝนล่วงหน้าทุกวันที่ 1 10 และ 20 ของทุกเดือน ซึ่งพบว่าแบบจำลองโครงข่ายประสาทเทียมให้ผลพยากรณ์ที่ดีกว่า และมีความยืดหยุ่นมากกว่าแบบจำลองสโตแคสติก (โดยเฉพาะการจัดการกับข้อมูลที่ขาดหายบางส่วน) นอกจากนี้ยังมีการเพิ่มข้อมูลตัวแปรนำเข้า 1 ตัวแปร คือ ค่า Ocean Nino Index (ONI) และแบ่งชุดข้อมูล 1 ปีเป็น 2 ช่วงคือ ระยะชุ่มชื้น (Wet) เดือนพฤษภาคม ถึง ตุลาคม และระยะแห้งแล้ง (Dry) เดือนพฤศจิกายน ถึง เมษายน โดยมีการคัดเลือกตัวแปรข้อมูลนำเข้า 2 เทคนิค คือ Stepwise regression และ Genetic algorithms ซึ่งพบว่าการแบ่งช่วง Wet และ Dry ช่วยให้แบบจำลองมีผลการพยากรณ์ที่ดีขึ้น และพบว่าส่วนใหญ่มีการเลือกตัวแปร ONI แต่อย่างไรก็ตามบางสถานีการพยากรณ์ฝนล่วงหน้ายังมีค่าความแม่นยำค่อนข้างต่ำ ดังนั้นการเลือกผลการพยากรณ์สำหรับนำเสนอในแอพพลิเคชั่น จะพิจารณาจากเส้นกราฟน้ำฝนร่วมกับค่าสถิติ (R2 มากกว่า 0.70 หรือ ค่า RMSE ไม่มากกว่า 50 มิลลิเมตร) พบว่ามีแบบจำลองที่ถูกเลือกสำหรับพยากรณ์ฝนล่วงหน้า จำนวน 123 แบบจำลอง คือ อำเภอเชียงดาว (8 แบบจำลอง) อำเภอเชียงใหม่ (7 แบบจำลอง) อำเภอเวียงแหง (6 แบบจำลอง) อำเภอแม่แจ่ม (2 แบบจำลอง) อำเภอแม่แตง (15 แบบจำลอง) อำเภอแม่วาง (10 แบบจำลอง) อำเภอแม่ออน (2 แบบจำลอง) อำเภอแม่อาย (5 แบบจำลอง) อำเภอไชยปราการ (2 แบบจำลอง) อำเภอจอมทอง (10 แบบจำลอง) อำเภอดอยเต่า (1 แบบจำลอง) อำเภอดอยสะเก็ด (14 แบบจำลอง) อำเภอดอยหล่อ (2 แบบจำลอง) อำเภอฝาง (6แบบจำลอง) อำเภอพร้าว (8 แบบจำลอง) อำเภอสันกำแพง (4 แบบจำลอง) อำเภอสันทราย (5 แบบจำลอง) อำเภอสันป่าตอง (4 แบบจำลอง) อำเภอหางดง (5 แบบจำลอง) อำเภออมก๋อย (3 แบบจำลอง) อำเภอฮอด (4 แบบจำลอง) ส่วนสถานีอุตุนิยมวิทยารอบจังหวัดเชียงใหม่ จำนวน 13 สถานี ซึ่งสามารถพยากรณ์ฝนล่วงหน้าได้ดีเฉพาะช่วง Dry สำหรับการคาดการณ์ค่า SPI3, SPI6 และ SPI9 ล่วงหน้า 1 และ 2 เดือน ในพื้นที่อำเภอจอมทอง จะใช้แบบจำลองโครงข่ายประสาทเทียม และใช้โปรแกรม SPI_SL_6 โดยมีจำนวนสถานีวัดน้ำฝนจำนวน 3 สถานี ในพื้นที่อำเภอจอมทอง ที่ถูกเลือกเนื่องจากสามารถเข้าถึงข้อมูลแบบ real time ได้ คือ สถานีจอมทอง (CHM006) พยากรณ์ 1 และ 2 เดือนล่วงหน้า เฉพาะช่วง Dry สถานีแม่หาด (VLGE25) พยากรณ์ 1 เดือนล่วงหน้า ในช่วง Wet และ Dry และสถานีประตูระบายน้ำแม่สอย (071560) พยากรณ์ 1 และ 2 เดือนล่วงหน้า ในช่วง Wet และ Dry โดยข้อมูลตัวแปรนำเข้าจะแบ่งเป็น 5 ชุดข้อมูล เพื่อเลือกชุดข้อมูลที่มีความแม่นยำมากที่สุด คือ ชุด A ใช้ค่า SPI (t, t-1, t-2, …, t-12) และ น้ำฝน (t, t-1) รวม 15 ตัวแปร ชุด B ใช้ SPI (t, t-1, t-2, …, t-12) น้ำฝน (t) และน้ำฝนที่ได้จากการพยากรณ์ (t+1, t+2) รวม 16 ตัวแปร ชุด C ใช้ค่า SPI (t, t-1, t-2) รวม 3 ตัวแปร ชุด D ใช้ค่า SPI (t, t-1, t-2) และ น้ำฝนเวลาปัจจุบัน (t) รวม 4 ตัวแปร และชุด E ใช้ค่า SPI (t, t-1, t-2) น้ำฝนเวลาปัจจุบัน (t) และน้ำฝนที่ได้จากการพยากรณ์ (t+1, t+2) รวม 6 ตัวแปร ผลการพยากรณ์จะพิจารณาจากค่าความคลาดเคลื่อนของการพยากรณ์ช่วงค่า SPI ที่แบ่งได้ 7 ช่วง (ฝนตกชุกมากที่สุด (Extremely wet: Ew), ฝนชุกมา (Very wet: Vw) ฝนชุกปานกลาง (Moderately wet: Mw) ฝนใกล้เคียงค่าปกติ (Near normal: Nm) ฝนแล้งปานกลาง (Moderately dry: Md) ฝนแล้งรุนแรง (Very dry, Vd) และฝนแล้งรุนแรงที่สุด (Extremely dry: Ed)) ซึ่งพบว่าการพยากรณ์ ณ วันที่ 1 10 และ 20 ล่วงหน้า 1 และ 2 เดือนพบว่า สถานี CHM006 และ VLGE25 ใช้ข้อมูลชุด D และ E ส่วนใหญ่ให้ผลการพยากรณ์ดีที่สุด ส่วนสถานี 071560 ส่วนใหญ่เลือกใช้ข้อมูลชุด A, C และ E Cmspiforecast แอพพลิเคชั่น แสดงผลการพยากรณ์ฝนในรูปแบบแผนที่ ทุกวันที่ 1 10 และ 20 ของทุกเดือน โดยแผนที่ได้จากการ Interpolation จากจุดสถานีวัดน้ำฝนในพื้นที่อำเภอจอมทอง ซึ่งจะแสดงผลเป็นช่วงค่า SPI 7 ช่วง คือ ฝนตกชุกมากที่สุด (Extremely wet: Ew), ฝนชุกมา (Very wet: Vw) ฝนชุกปานกลาง (Moderately wet: Mw) ฝนใกล้เคียงค่าปกติ (Near normal: Nm) ฝนแล้งปานกลาง (Moderately dry: Md) ฝนแล้งรุนแรง (Very dry, Vd) และฝนแล้งรุนแรงที่สุด (Extremely dry: Ed)

คำสำคัญ