การประเมินวิธี Quantile Delta Mapping สำหรับการปรับแก้อคติข้อมูลฝนรายวันจากแบบจำลอง CMIP6 ด้วยการตรวจสอบข้ามช่วงเวลาแบบอิสระในจังหวัดประจวบคีรีขันธ์

สุรสิทธิ์ ปัญญวรรณศิริ

ผู้แต่ง

สุรสิทธิ์ ปัญญวรรณศิริ สำนักบริหารจัดการน้ำและอุทกวิทยา กรมชลประทาน ประเทศไทย

คำสำคัญ:

การปรับแก้อคติ, ควอนไทล์เดลตาแมปปิง, CMIP6, การตรวจสอบด้วยช่วงเวลาอิสระ, ปริมาณฝนรายวัน

บทคัดย่อ

วัตถุประสงค์และที่มา: ข้อมูลฝนจากแบบจำลองภูมิอากาศโลกภายใต้โครงการ Coupled Model Intercomparison Project Phase 6 (CMIP6) มีบทบาทสำคัญต่อการศึกษาการเปลี่ยนแปลงสภาพภูมิอากาศและการประเมินผลกระทบในระดับพื้นที่ แต่ยังมีความคลาดเคลื่อนเชิงระบบเมื่อเปรียบเทียบกับข้อมูลตรวจวัด จึงมักต้องปรับแก้อคติก่อนนำไปใช้ วิธี Quantile Delta Mapping (QDM) เป็นหนึ่งในวิธีที่ใช้กันอย่างแพร่หลาย อย่างไรก็ตาม การประเมินด้วยข้อมูลช่วงเดียวกับที่ใช้ประมาณความสัมพันธ์อาจสะท้อนผลภายในช่วง calibration เป็นหลัก และไม่แสดงผลของการปรับแก้เมื่อประยุกต์ใช้กับข้อมูลในช่วงเวลาที่ไม่ได้ใช้ในการประมาณ งานวิจัยนี้จึงประเมิน QDM สำหรับการปรับแก้อคติข้อมูลฝนรายวันจากแบบจำลอง CMIP6 โดยใช้ช่วงเวลาอิสระสำหรับตรวจสอบ และพิจารณาผลการปรับแก้แยกตามความคลาดเคลื่อนเชิงระบบ ความสอดคล้องของการแจกแจง ความคลาดเคลื่อนของค่าที่จับคู่ตามเวลา และความสอดคล้องเชิงเวลา

วิธีดำเนินการวิจัย: ใช้ข้อมูลฝนรายวันจากสถานีตรวจวัด 12 แห่งในจังหวัดประจวบคีรีขันธ์ ร่วมกับข้อมูลจากแบบจำลอง CMIP6 จำนวน 5 แบบจำลอง ระหว่าง ค.ศ. 1981–2014 โดยใช้ข้อมูลช่วง ค.ศ. 1981–2000 สำหรับประมาณองค์ประกอบอ้างอิงของ QDM และประเมินผลกับช่วง ค.ศ. 2001–2014 ซึ่งกันไว้โดยไม่ใช้ข้อมูลตรวจวัดในช่วงดังกล่าวเพื่อปรับเทียบใหม่ เปรียบเทียบการประมาณแบบรวมข้อมูลตลอดปี (annual-pooled fitting) กับการประมาณแยกตามเดือนปฏิทิน (calendar-month fitting) และประเมินผลด้วยตัวชี้วัดด้านความคลาดเคลื่อน การแจกแจง และความสัมพันธ์เชิงเวลา รวมทั้งวิเคราะห์องค์ประกอบของ mean squared error เพื่ออธิบายสาเหตุของการเปลี่ยนแปลงใน RMSE

ผลการวิจัย: การประมาณทั้งสองรูปแบบช่วยให้ความสอดคล้องของการแจกแจงในช่วงเวลาที่กันไว้สำหรับการตรวจสอบดีขึ้นในระดับใกล้เคียงกัน โดยค่าสถิติ Kolmogorov–Smirnov ลดลงจาก 0.201 ก่อนปรับแก้เป็น 0.102 สำหรับการประมาณแยกตามเดือนปฏิทิน และ 0.105 สำหรับการประมาณแบบรวมข้อมูลตลอดปี ขณะที่ค่า Perkins skill score เพิ่มจาก 0.776 เป็น 0.861 และ 0.859 ตามลำดับ อย่างไรก็ตาม ผลต่อความคลาดเคลื่อนของค่าที่จับคู่ตามเวลาแตกต่างกันอย่างชัดเจน การประมาณแยกตามเดือนปฏิทินทำให้ค่า RMSE รายเดือนลดลงจาก 116.2 เหลือ 109.3 มิลลิเมตรต่อเดือน และปรับปรุงอย่างมีนัยสำคัญใน 14 จาก 60 คู่สถานี–แบบจำลอง ขณะที่การประมาณแบบรวมข้อมูลตลอดปีทำให้ค่า RMSE เพิ่มเป็น 124.7 มิลลิเมตรต่อเดือน และมีผลแย่ลงอย่างมีนัยสำคัญใน 31 คู่ การแยกองค์ประกอบของค่าเฉลี่ยกำลังสองของความคลาดเคลื่อนแสดงว่า ความแตกต่างของการเปลี่ยนแปลง RMSE ระหว่างสองวิธีประมาณร้อยละ 95 เกิดจากผลต่อองค์ประกอบของวัฏจักรรายปี ขณะที่ทั้งสองวิธีไม่ได้ปรับปรุงองค์ประกอบของความผิดปกติจากวัฏจักรฤดูกาลหรือ ค่าสหสัมพันธ์ของความผิดปกติรายเดือนอย่างมีสาระสำคัญ ดังนั้น ค่า RMSE ที่ลดลงจากการประมาณแยกตามเดือนปฏิทินจึงสะท้อนการที่ข้อมูลหลังปรับแก้มีวัฏจักรฤดูกาลใกล้เคียงข้อมูลตรวจวัดมากขึ้น มากกว่าการปรับปรุงความสอดคล้องของความผันแปรของปริมาณฝนตามเวลา

สรุปผลการวิจัย: เมื่อประเมินด้วยช่วงเวลาที่ไม่ได้ใช้ในการประมาณ QDM สามารถปรับปรุงคุณสมบัติบางด้านของการแจกแจงได้ และการประมาณแยกตามเดือนปฏิทินยังช่วยให้วัฏจักรฤดูกาลของข้อมูลฝนสอดคล้องกับข้อมูลอ้างอิงมากขึ้น อย่างไรก็ตาม ไม่พบว่าการปรับแก้ช่วยปรับปรุงความสอดคล้องของความผันแปรตามเวลาที่ประเมินในงานนี้ การเปลี่ยนแปลงของ RMSE และ NSE จึงควรตีความร่วมกับองค์ประกอบของความคลาดเคลื่อน และไม่ควรใช้เป็นหลักฐานโดยตรงของการฟื้นคืนความสอดคล้องเชิงเวลา ผลการศึกษาชี้ว่าการประเมินวิธีปรับแก้อคติควรแยกคุณสมบัติของข้อมูลออกเป็นหลายมิติ และเลือกตัวชี้วัดให้สอดคล้องกับวัตถุประสงค์ของการนำข้อมูลไปใช้

เอกสารอ้างอิง

Arif Rafhida, S., Nurdiati, S., Budiarti, R., & Khoirun Najib, M. (2025). Bias correction of CMIP6 rainfall projection for the Lake Toba region, Indonesia, using quantile delta mapping with monthly distribution fitting. Vietnam Journal of Earth Sciences. https://doi.org/10.15625/2615-9783/23833

Benjamini, Y., & Yekutieli, D. (2001). The control of the false discovery rate in multiple testing under dependency. The Annals of Statistics, 29(4), 1165-1188. https://doi.org/10.1214/aos/1013699998

Cannon, A. J., Sobie, S. R., & Murdock, T. Q. (2015). Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes?. Journal of Climate, 28, 6938-6959. https://doi.org/10.1175/JCLI-D-14-00754.1

Danabasoglu, G., Lamarque, J.-F., Bacmeister, J., Bailey, D. A., DuVivier, A. K., Edwards, J., & Strand, W. G. (2020). The Community Earth System Model version 2 (CESM2). Journal of Advances in Modeling Earth Systems, 12(2), e2019MS001916. https://doi.org/10.1029/2019MS001916

Döscher, R., Acosta, M., Alessandri, A., Anthoni, P., Arsouze, T., Bergman, T., & Zhang, Q. (2022). The EC-Earth3 Earth system model for the Coupled Model Intercomparison Project 6. Geoscientific Model Development, 15(7), 2973-3020. https://doi.org/10.5194/gmd-15-2973-2022

Ehret, U., Zehe, E., Wulfmeyer, V., Warrach-Sagi, K., & Liebert, J. (2012). HESS Opinions: Should we apply bias correction to global and regional climate model data? Hydrology and Earth System Sciences, 16, 3391-3404. https://doi.org/10.5194/hess-16-3391-2012

Ge, F., Zhu, S., Luo, H., Zhi, X., & Wang, H. (2021). Future changes in precipitation extremes over Southeast Asia: insights from CMIP6 multi-model ensemble. Environmental Research Letters, 16(2), 024013. https://doi.org/10.1088/1748-9326/abd7ad

Gudmundsson, L., Bremnes, J. B., Haugen, J. E., & Engen-Skaugen, T. (2012). Technical note: Downscaling RCM precipitation to the station scale using statistical transformations - a comparison of methods. Hydrology and Earth System Sciences, 16, 3383-3390. https://doi.org/10.5194/hess-16-3383-2012

Gupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of Hydrology, 377, 80-91. https://doi.org/10.1016/j.jhydrol.2009.08.003

Humphries, U. W., Waqas, M., Hlaing, P. T., Dechpichai, P., & Wangwongchai, A. (2024). Assessment of CMIP6 GCMs for selecting a suitable climate model for precipitation projections in Southern Thailand. Results in Engineering, 23, 102417. https://doi.org/10.1016/j.rineng.2024.102417

IPCC. (2021). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press. https://doi.org/10.1017/9781009157896

Kuinkel, D., Promchote, P., Upreti, K. R., Wang, S.-Y. S., Dahal, N., & Pokharel, B. (2024). Projected changes in precipitation extremes in Southern Thailand using CMIP6 models. Theoretical and Applied Climatology, 155, 8703-8716. https://doi.org/10.1007/s00704-024-05150-y

Maraun, D. (2016). Bias correcting climate change simulations - a critical review. Current Climate Change Reports, 2, 211-220. https://doi.org/10.1007/s40641-016-0050-x

Maraun, D., Shepherd, T. G., Widmann, M., Zappa, G., Walton, D., Gutiérrez, J. M., Hagemann, S., Richter, I., Soares, P. M. M., Hall, A., & Mearns, L. O. (2017). Towards process-informed bias correction of climate change simulations. Nature Climate Change, 7, 764-773. https://doi.org/10.1038/nclimate3418

Maraun, D., & Widmann, M. (2018). Cross-validation of bias-corrected climate simulations is misleading. Hydrology and Earth System Sciences, 22, 4867-4873. https://doi.org/10.5194/hess-22-4867-2018

Murphy, A. H. (1988). Skill scores based on the mean square error and their relationships to the correlation coefficient. Monthly Weather Review, 116, 2417-2424. https://doi.org/10.1175/1520-0493(1988)116<2417:SSBOTM>2.0.CO;2

Pettitt, A. N. (1979). A non-parametric approach to the change-point problem. Journal of the Royal Statistical Society: Series C, 28(2), 126-135. https://doi.org/10.2307/2346729

Perkins, S. E., Pitman, A. J., Holbrook, N. J., & McAneney, J. (2007). Evaluation of the AR4 climate models' simulated daily maximum temperature, minimum temperature, and precipitation over Australia using probability density functions. Journal of Climate, 20, 4356-4376. https://doi.org/10.1175/JCLI4253.1

Supharatid, S., Nafung, J., & Aribarg, T. (2022). Projected changes in temperature and precipitation over mainland Southeast Asia by CMIP6 models. Journal of Water and Climate Change, 13(1), 337-356. https://doi.org/10.2166/wcc.2021.015

Swart, N. C., Cole, J. N. S., Kharin, V. V., Lazare, M., Scinocca, J. F., Gillett, N. P., & Winter, B. (2019). The Canadian Earth System Model version 5 (CanESM5.0.3). Geoscientific Model Development, 12(11), 4823-4873. https://doi.org/10.5194/gmd-12-4823-2019

Tatebe, H., Ogura, T., Nitta, T., Komuro, Y., Ogochi, K., Takemura, T., & Watanabe, M. (2019). Description and basic evaluation of simulated mean state, internal variability, and climate sensitivity in MIROC6. Geoscientific Model Development, 12(7), 2727-2765. https://doi.org/10.5194/gmd-12-2727-2019

Teutschbein, C., & Seibert, J. (2012). Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods. Journal of Hydrology, 456-457, 12-29. https://doi.org/10.1016/j.jhydrol.2012.05.052

Tong, Y., Gao, X., Han, Z., Xu, Y., Xu, Y., & Giorgi, F. (2021). Bias correction of temperature and precipitation over China for RCM simulations using the QM and QDM methods. Climate Dynamics, 57(5-6), 1425-1443. https://doi.org/10.1007/s00382-020-05447-4

Ziehn, T., Chamberlain, M. A., Law, R. M., Lenton, A., Bodman, R. W., Dix, M., & Srbinovsky, J. (2020). The Australian Earth System Model: ACCESS-ESM1.5. Journal of Southern Hemisphere Earth Systems Science, 70(1), 193-214. https://doi.org/10.1071/ES19035