การพัฒนาแบบจำลองโครงข่ายประสาทเทียมเพื่อการพยากรณ์ระดับน้ำ สำหรับการเตือนภัยน้ำท่วมในลุ่มน้ำมูล

บทคัดย่อ

งานวิจัยนี้ได้ทำการศึกษาวิเคราะห์เทคนิคการคัดเลือกตัวแปรข้อมูลนำเข้า (Cross correlation, Stepwise regression, เทคนิคผสมระหว่าง Cross correlation และ Stepwise regression, Genetic algorithm, Supervise และ All inputs) และ ปัจจัยต่างๆ เพื่อที่จะเพิ่มประสิทธิภาพของแบบจำลองโครงข่ายประสาทเทียมสำหรับการพยากรณ์ระดับน้ำที่สถานี M.7 รวมทั้งการพยากรณ์ระดับน้ำสูงสุด การเตือนภัยน้ำล้นตลิ่ง โดยใช้ข้อมูลระดับน้ำรายชั่วโมง จากสถานี M.7, M.181, M.179, M.176 และ M.182 แล้วมีการทดสอบจำนวนโนดในชั้นซ่อนเร้น และ เปรียบเทียบชนิดของกระบวนการเรียนรู้ LM และ BR สำหรับการทดสอบแบบจำลองโครงข่ายประสาทเทียมจะทำการพยากรณ์เหตุการณ์ที่รุนแรง (ค.ศ. 2011)และไม่รุนแรง (ค.ศ. 2007) โดยพยากรณ์ระดับน้ำล่วงหน้า 24 และ 48 ชั่วโมง ณ สถานี M.7 โดยมีการกำหนดจำนวนโนดในชั้นซ่อนเร้นตั้งแต่ 1 โนด ถึง 2n+1 โนด ผลของการวิจัยสามารถสรุปได้ว่า (1) แบบจำลองโครงข่ายประสาทเทียมมีศักยภาพในการพยากรณ์ระดับน้ำล่วงหน้า ณ สถานี M.7 โดยการเรียนรู้แบบ LM และ BR ให้ผลพยากรณ์ที่คล้ายกัน (2) การพยากรณ์ค่าระดับน้ำสูงสุดเหตุการณ์ไม่รุนแรง ณ 24, 48 ชั่วโมงล่วงหน้า และ เหตุการณ์รุนแรง ณ 48 ชั่วโมงล่วงหน้า แบบจำลองควรจะมีจำนวนโนดในชั้นซ่อนเร้นเท่ากับหรือมากกว่าจำนวนตัวแปรนำเข้าเล็กน้อย และเพื่อความแม่นยำในการพยากรณ์ค่าระดับน้ำสูงสุด ไม่ควรใช้ข้อมูลสถานี M.176 แต่สำหรับพยากรณ์เหตุการณ์รุนแรง ณ 24 ชั่วโมงล่วงหน้า ข้อมูลสถานี M.176_24 ช่วยให้แบบจำลองมีความแม่นยำมากขึ้น (3) สำหรับการพยากรณ์เตือนภัยน้ำท่วม จำนวนโนดในชั้นซ่อนเร้นเป็นปัจจัยสำคัญที่ทำให้แบ บจำลองโครงข่ายประสาทเทียมสามารถที่จะพยากรณ์เตือนภัยได้ โดยจำนวนโนดในชั้นซ่อนเร้นที่เหมาะสม ควรจะมีจำนวน มากกว่าตัวแปรนำเข้า (n) แต่ไม่มากกว่า 2 เท่าของจำนวนตัวแปรนำเข้า (2n) และ (4) เทคนิคการคัดเลือกข้อมูลนำเข้าที่เหมาะสมสำหรับการพยากรณ์ระดับน้ำล่วงหน้า ของสถานี M.7 ในทุกเหตุการณ์น้ำท่วม สำหรับ24 และ 48 ชั่วโมงล่วงหน้า เทคนิค Cross correlation (C) และ เทคนิคผสม (CS) มีการคัดเลือกตัวแปรนำเข้าที่ดีที่สุด

คำสำคัญ