การพยากรณ์ปริมาณฝนโดยใช้การแยกองค์ประกอบข้อมูลร่วมกับการเรียนรู้เชิงลึก

บทคัดย่อ

ข้อมูลปริมาณน้ำฝนเป็นข้อมูลพื้นฐานสำคัญสำหรับการคาดการณ์ วางแผน และบริหารจัดการน้ำ ปัจจุบันมีการใช้แบบจำลองพยากรณ์ปริมาณน้ำฝนหลากหลายรูปแบบ โดยเฉพาะแบบจำลองอากาศเชิงตัวเลขซึ่งต้องอาศัยข้อมูลและทรัพยากรจำนวนมาก งานวิจัยนี้มีวัตถุประสงค์เพื่อคาดการณ์ปริมาณฝนในพื้นที่รับน้ำเหนือเขื่อนลำตะคอง เพื่อใช้ในการพยากรณ์น้ำไหลเข้าอ่างเก็บน้ำลำตะคองต่อไป ลักษณะพื้นที่ศึกษาเป็นการไหลตามธรรมชาติ (free flow) ไม่มีสิ่งก่อสร้างควบคุมการไหล น้ำที่ไหลเข้าสู่อ่างเก็บน้ำจึงสะท้อนปริมาณน้ำที่เกิดขึ้นจากธรรมชาติอย่างแท้จริง ทำให้เหมาะสมสำหรับการศึกษาพฤติกรรมของฝนและน้ำไหล ในการศึกษานี้ได้ตั้งสมมติฐานว่า การแยกองค์ประกอบข้อมูล (Data Decomposition) ด้วย Variational Mode Decomposition (VMD) ก่อนนำไปพยากรณ์ด้วยแบบจำลองจะช่วยให้แบบจำลองสามารถเรียนรู้ลักษณะเฉพาะของข้อมูลได้ง่ายขึ้น โดยลดความซับซ้อนของสัญญาณต้นฉบับและแยกแยะลักษณะรูปแบบต่าง ๆ ของข้อมูลที่มีความแปรปรวนสูง ซึ่งคาดว่าจะช่วยเพิ่มความแม่นยำในการพยากรณ์ได้อย่างมีประสิทธิภาพ โดย VMD เป็นเทคนิคการแยกสัญญาณที่สามารถแยกข้อมูลออกเป็นองค์ประกอบย่อยตามช่วงความถี่ที่แตกต่างกัน เพื่อลดความซับซ้อนของข้อมูล ขณะที่ Stack Long Short-Term Memory (Stack LSTM) เป็นโครงข่ายประสาทเทียมลำดับเวลาที่ซ้อนหลายชั้น เพื่อเพิ่มความสามารถในการจับลักษณะเชิงลึกของข้อมูล ดังนั้นจึงแบ่งการศึกษานี้ออกเป็น 2 กรณีเพื่อเปรียบเทียบประสิทธิภาพ กรณีที่ 1 ใช้ Stack LSTM เพียงอย่างเดียว และกรณีที่ 2 ใช้ VMD ร่วมกับ Stack LSTM ผลการศึกษาพบว่า การใช้ VMD ร่วมกับ Stack LSTM ช่วยเพิ่มความแม่นยำในการพยากรณ์ได้อย่างมีนัยสำคัญ โดยการพยากรณ์ฝนเฉลี่ยล่วงหน้า 1 วันมีค่า R เท่ากับ 0.928, NSE เท่ากับ 0.861, RMSE เท่ากับ 2.858 มิลลิเมตร และ MAE เท่ากับ 1.409 มิลลิเมตร สูงกว่าการใช้ค่าฝนเฉลี่ยรายวันโดยตรง ดังนั้นการแยกองค์ประกอบข้อมูลก่อนพยากรณ์จึงช่วยลดข้อผิดพลาดและเพิ่มความแม่นยำของแบบจำลองได้อย่างมีประสิทธิภาพ