การลดขนาดปริมาณน้ำฝนใน ERA5 โดยใช้การเรียนรู้เชิงลึกสำหรับการคาดการณ์ปริมาณน้ำฝนใน พื้นที่ลุ่มแม่น้ำชี

บทคัดย่อ

ในการวิเคราะห์และประเมินผลกระทบจากภัยธรรมชาติทางด้านอุตุ-อุทกวิทยา เช่น อุทกภัย และ ภัยแล้ง ด้วยแบบจำลองทางอุทกวิทยาต้องอาศัยข้อมูลที่มีความละเอียดสูง เพื่อให้สามารถจำลองสถานการณ์ที่อาจเกิดขึ้นได้อย่างแม่นยำ แต่ข้อมูลที่มีอยู่ในปัจจุบันยังขาดความละเอียดที่เพียงพอทำให้เกิดข้อจำกัดในการวิเคราะห์และคาดการณ์ งานวิจัยนี้จึงมีเป้าหมายเพื่อประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ในการปรับปรุงความละเอียดของข้อมูลปริมาณน้ำฝนในระดับลุ่มน้ำย่อย โดยการนำตัวแปรทางด้านสภาพภูมิอากาศจาก European Centre for Medium-Range Weather Forecasts (ECMWF) และข้อมูลปริมาณฝนจากสถานีตรวจวัดของกรมอุตุนิยมวิทยาในพื้นที่ลุ่มน้ำชี มาทำการปรับแก้ความถูกต้อง (Bias-Correction ) ด้วยแบบจำลองโครงข่ายประสาทแบบเวียนซ้ำ (Recurrent Neural Network หรือ RNN) ซึ่งพัฒนาให้สามารถเรียนรู้และวิเคราะห์ความสัมพันธ์เชิงเวลาและพื้นที่ระหว่างตัวแปรสภาพภูมิอากาศและข้อมูลฝนสังเกตุการณ์ ผลการศึกษาแสดงให้เห็นถึงระดับความสัมพันธ์ระหว่างปัจจัยทางด้านภูมิอากาศที่ใช้ข้อมูลระดับ Global Scale และกับปริมาณน้ำฝนจากการตรวจวัด จากผลการฝึกและทดสอบแบบจำลองในช่วงปี พ.ศ. 2538–2567 พบว่า แบบจำลองที่พัฒนาขึ้นมีความสามารถในการประมาณค่าปริมาณฝนได้อย่างแม่นยำ โดยเฉพาะอย่างยิ่งในช่วงฤดูฝน ซึ่งเป็นช่วงเวลาที่มีความแปรปรวนของสภาพอากาศสูง จากการทดสอบแบบจำลอง R² อยู่ในช่วง 0.77–0.93 และมีค่า RMSE อยู่ในช่วง 2.4–5.8 มม. องค์ความรู้นี้สามารถนำไปใช้ในการสนับสนุนการกำหนดนโยบายด้านการจัดการน้ำและการลดความเสี่ยงจากภัยพิบัติในพื้นที่ต่าง ๆ ได้