การประมาณค่าน้ำในบรรยากาศจากข้อมูลอุตุนิยมวิทยาภาคพื้นระยะยาว โดยใช้แบบจำลองโครงข่ายประสาทเทียม
คำสำคัญ:
แบบจำลอง ANN , น้ำในบรรยากาศ , การประมาณค่าน้ำในบรรยากาศบทคัดย่อ
วัตถุประสงค์และที่มา : น้ำเป็นหนึ่งในองค์ประกอบของบรรยากาศซึ่งพบมากที่ระดับผิวพื้นและมีปริมาณเล็กน้อยในบรรยากาศชั้นสตราโตสเฟียร์ โดยทั่วไปน้ำในบรรยากาศมีสถานะได้ทั้งของแข็ง ของเหลว และก๊าซ โดยน้ำในบรรยากาศที่อยู่ในสถานะก๊าซ เรียกว่า ไอน้ำ ซึ่งมีความสำคัญต่อกระบวนการเปลี่ยนแปลงทางกายภาพ ทางเคมี และกระบวนการต่าง ๆ ที่เกิดขึ้นในบรรยากาศ เช่น มีความสามารถในการดูดกลืนรังสีอาทิตย์ที่ส่งผ่านมายังพื้นโลก มีความสามารถในการดูดกลืนรังสีอินฟาเรดที่แผ่ออกมาจากพื้นโลก มีผลต่อขนาดและองค์ประกอบของอนุภาคละอองลอยที่ดูดความชื้น มีผลต่อคุณสมบัติเชิงแสงของละอองลอย และเป็นก๊าซเรือนกระจกที่เกิดขึ้นเองตามธรรมชาติ เป็นต้น นอกจากนี้ไอน้ำในบรรยากาศยังมีความสำคัญต่อกระบวนการเกิดเมฆและฝนซึ่งสามารถกำจัดก๊าซที่ละลายน้ำและละอองลอยในบรรยากาศได้ มีความสำคัญต่อกระบวนการเปลี่ยนแปลงพลังงานในชั้นบรรยากาศระหว่างภาคพื้นทวีปกับมหาสมุทร อีกทั้งยังมีความสำคัญต่อสมดุลของรังสีในภูมิภาคหรือพื้นที่ที่ไวต่อสภาพอากาศ ดังนั้นปริมาณน้ำในบรรยากาศจึงเป็นหนึ่งในตัวแปรที่มีความสำคัญต่ออุทกวิทยา ระบบนิเวศ สภาพภูมิอากาศ และการเปลี่ยนแปลงสภาพภูมิอากาศของโลก ด้วยเหตุนี้จึงจำเป็นต้องติดตาม ตรวจวัด และศึกษาการเปลี่ยนแปลงปริมาณน้ำในบรรยากาศที่เกิดขึ้น โดยทั่วไปปริมาณน้ำในบรรยากาศสามารถบอกได้ในหลายรูปแบบ เช่น ความชื้นสัมบูรณ์ ความชื้นสัมพัทธ์ ความชื้นจำเพาะ อัตราส่วนผสมมวล อัตราส่วนผสมปริมาตร และปริมาณน้ำทั้งหมดที่ควบแน่นได้ในคอลัมน์บรรยากาศ เป็นต้น ซึ่งการบอกปริมาณน้ำดังกล่าวนี้ได้จากการวัดโดยตรงโดยใช้อุปกรณ์หรือเครื่องมือวัด หรือการวัดทางอ้อมโดยใช้แบบจำลองหรือการคำนวณจากตัวแปรอื่น ๆ ปัจจุบันพบว่าอุปกรณ์หรือเครื่องมือการตรวจวัดปริมาณน้ำในบรรยากาศยังคงมีราคาแพงซึ่งส่งผลให้พื้นที่การตรวจวัดมีจำกัดและมีค่าไม่ต่อเนื่อง ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อประมาณค่าปริมาณน้ำในบรรยากาศเฉลี่ยรายเดือนจากข้อมูลอุตุนิยมวิทยาภาคพื้นระยะยาวโดยใช้แบบจำลองโครงข่ายประสาทเทียม
วิธีดำเนินการวิจัย : พื้นที่ดำเนินการวิจัยเป็นพื้นที่ที่มีการตรวจวัดปริมาณน้ำในบรรยากาศและตรวจวัดข้อมูลทางอุตุนิยมวิทยาภาคพื้นอย่างต่อเนื่องซึ่งประกอบด้วยศูนย์อุตุนิยมวิทยาภาคเหนือ จ.เชียงใหม่ (18.98N, 98.98E) ศูนย์อุตุนิยมวิทยาภาคตะวันออกเฉียงเหนือตอนล่างจ.อุบลราชธานี (15.25N, 104.87E) และศูนย์อุตุนิยมวิทยาภาคใต้ฝั่งตะวันออก จ.สงขลา (7.20N, 100.60E) ข้อมูลที่ใช้ในการศึกษาวิจัยระหว่างปี ค.ศ. 2008 – 2024 ซึ่งประกอบด้วย (1) ปริมาณน้ำทั้งหมดที่ควบแน่นได้ในคอลัมน์บรรยากาศเฉลี่ยรายเดือนที่ตรวจวัดโดยเครื่องซันโฟโตมิเตอร์ของเครือข่ายการวัดฝุ่นละอองขององค์การนาซา (2) อุณหภูมิสิ่งแวดล้อมภาคพื้นเฉลี่ยรายวันที่ตรวจวัดโดยกรมอุตุนิยมวิทยา (3) ความชื้นสัมพัทธ์ภาคพื้นเฉลี่ยรายวันที่ตรวจวัดโดยกรมอุตุนิยมวิทยา (4) ความดันไอน้ำอิ่มตัวเฉลี่ยรายเดือนซึ่งคำนวณจาก Improved Magnus Formula โดยใช้อุณหภูมิและความชื้นสัมพัทธ์เฉลี่ยรายเดือน และ (5) ลำดับเดือนในรอบปี โดยอุณหภูมิสิ่งแวดล้อมภาคพื้นเฉลี่ยรายวันและความชื้นสัมพัทธ์ภาคพื้นเฉลี่ยรายวันที่มีจำนวนมากกว่าหรือเท่ากับ 15 วัน/เดือน จะนำไปหาค่าเฉลี่ยเพื่อใช้เป็นค่าเฉลี่ยรายเดือนของเดือนนั้น ๆ ขณะที่เดือนที่ข้อมูลดังกล่าวมีจำนวณน้อยกว่า 15 วัน/เดือน จะไม่ถูกพิจารณา จากนั้นวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรอินพุตกับตัวแปรเอาท์พุตและระหว่างตัวแปรอินพุตกับตัวแปรอินพุตด้วยสัมประสิทธิ์สหสัมพันธ์เพียร์สันโดยใช้การเขียนโปรแกรมภาษา Python ผ่าน Google Colaboratory โดยข้อมูลระหว่าง ปี ค.ศ. 2008 – 2021 ใช้สำหรับสร้างแบบจำลอง และข้อมูลระหว่างปี ค.ศ. 2022 – 2024 ใช้สำหรับทดสอบแบบจำลองซึ่งกระบวนการดังกล่าวใช้โปรแกรม WEKA จากนั้นประเมินสมรรถนะของแบบจำลองด้วยค่าความคลาดเคลื่อนเฉลี่ย (MBE) ค่ารากที่สองของความคลาดเคลื่อนยกกำลังสองเฉลี่ย (RMSE) และค่าสัมประสิทธิ์แสดงการตัดสินใจ (R2) โดยใช้โปรแกรม Microsoft Excel
ผลการวิจัย : ผลการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรอินพุต (อุณหภูมิสิ่งแวดล้อมภาคพื้นเฉลี่ยรายเดือน ความชื้นสัมพัทธ์ภาคพื้นเฉลี่ยรายเดือน ความดันไอน้ำอิ่มตัวเฉลี่ยรายเดือน และลำดับเดือนในรอบปี) กับตัวแปรเอาท์พุต (ปริมาณน้ำทั้งหมดที่ควบแน่นได้ในคอลัมน์บรรยากาศเฉลี่ยรายเดือน) พบว่าศูนย์ฯ จ.เชียงใหม่ ศูนย์ฯ จ.อุบลราชธานี และศูนย์ฯ จ.สงขลา สัมประสิทธิ์สหสัมพันธ์เพียร์สันมีค่าอยู่ในช่วง 0.36 – 0.64, 0.29 – 0.52 และ 0.17 – 0.44 ตามลำดับ ผลดังกล่าวแสดงให้เห็นว่าตัวแปรอินพุตกับตัวแปรเอาท์พุตมีความสัมพันธ์เชิงบวกและอยู่ในเกณฑ์ระดับต่ำถึงปานกลาง นอกจากนี้ยังพบว่าตัวแปรอินพุตกับตัวแปรอินพุตมีความสัมพันธ์ทั้งเชิงบวกและเชิงลบโดยมีค่าอยู่ในเกณฑ์ระดับต่ำถึงปานกลางเช่นเดียวกัน ผลการสร้างแบบจำลองโครงข่ายประสาทเทียมจากระดับความสัมพันธ์ดังกล่าวพบว่าแต่ละศูนย์ฯ ดังกล่าวมีจำนวนชั้นซ่อน 2 ชั้น แต่ละชั้นซ่อนมีจำนวนโหนดเท่ากับ 5 และ 2 สำหรับศูนย์ฯ จ.เชียงใหม่ มีจำนวนโหนดเท่ากับ 8 และ 5 สำหรับศูนย์ฯ จ.อุบลราชธานี และมีจำนวนโหนดเท่ากับ 8 และ 5 สำหรับศูนย์ฯ จ.สงขลา และผลการประเมินสมรรถนะแบบจำลองของศูนย์ฯ ดังกล่าวพบว่าแบบจำลองสามารถประมาณค่าปริมาณน้ำในบรรยากาศเฉลี่ยรายเดือนได้ที่ระดับความแม่นยำด้วยค่า MBE เท่ากับ -0.89% -1.23% และ 1.04% ตามลำดับ ค่า RMSE เท่ากับ 4.21% 4.85% และ 5.34% ตามลำดับ และค่า R2 เท่ากับ 0.98 0.95 และ 0.81 ตามลำดับ
สรุปผลการวิจัย : จากการประมาณค่าปริมาณน้ำในบรรยากาศด้วยแบบจำลองโครงข่ายประสาทเทียม พบว่าภาพรวมของค่า MBE RMSE และ R2 มีค่าเฉลี่ย -0.39% 4.83% และ 0.95 ตามลำดับ ผลการศึกษาวิจัยแสดงให้เห็นว่า เนื่องจากใช้ข้อมูลระยะยาว ความสัมพันธ์ระหว่างตัวแปรที่ระดับต่ำถึงปานกลางจึงยังคงทำให้แบบจำลองที่นำเสนอสามารถประมาณค่าปริมาณน้ำในบรรยากาศเฉลี่ยรายเดือนได้ที่ระดับความแม่นยำสูงเมื่อเทียบกับงานวิจัยอื่น ๆ ที่ใช้วิธีการคล้ายกัน (สถานที่และตัวแปร)
เอกสารอ้างอิง
Adeyemi, B. (2009). Empirical Formulations for Inter-Layer Precipitable Water Vapor in Nigeria. Asia-Pacific Journal of Science and Technology, 10(2), 35-45.
Alduchov, O. A., & Eskridge, R. E. (1996). Improved Magnus form Approximation of Saturation Vapor Pressure. Journal of Applied Meteorology. 35(4), 601-609.
Azadi, S., & Sepaskhah, A. R. (2012). Annual Precipitation Forecast for West, Southwest, and South Provinces of Iran using Artificial Neural Networks. Theoretical and applied climatology, 109, 175-189.
Buntoung, S., Pariyothon, J., & Detkhon, P. (2021). Estimation of Atmospheric Precipitable Water in Thailand using an Artificial Neural Network. Asian Health, Science and Technology Reports, 29(2), 11-20.
Buntoung, S. (2022). Introduction to Atmospheric Physics (1st ed). Thailand: Silpakorn University. (in Thai)
Frank, E., Hall, M. A., & Witten, I. H. (2016). The WEKA Workbench - Data Mining: Practical Machine Learning Tools and Techniques. UAS: Morgan Kaufmann.
Du, Z., Yao, Y., Zhang, B., & Zhao, Q. (2024). Precipitable Water Vapor Estimation from Himawari-8/AHI Observations using a Stacking Machine Learning Model. Atmospheric Research, 301, 107281.
Holben, B. N., Eck, T. F., Slutsker, I. A., Tanre, D., Buis, J. P., Setzer, A., Vermote, E., Reagan, J. A., Kaufman, Y. J., Nakajima, J., Lavenu, F., Jnnkowiak, I., & Smirnov, A. (1998). AERONET—A federated Instrument Network and Data Archive for Aerosol Characterization. Remote sensing of environment, 66(1), 1-16.
Janjai, S. (2017). Solar Radiation (2nd ed). Thailand: Phetkasem Printing Group. (in Thai)
Kämpfer, N. (2013). Monitoring Atmospheric Water Vapour, Ground-Based Remote Sensing and In-situ Methods. USA: Springer.
Kongara, V. S., & Punyasesudu, D. (2015). Forecasting the Water Vapour Distribution Over India using Artificial Neural Networks. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 3(4), 1-12.
Kumar, A., Kumar, S., Pratap, V., & Singh, A. K. (2021). Performance of Water Vapour Retrieval from MODIS and ECMWF and Their Validation with Ground Based GPS Measurements over Varanasi. Journal of Earth System Science, 130, 1-11.
Liu, J., Sun, Z., Liang, H., Xu, X., & Wu, P. (2005). Precipitable Water Vapor on the Tibetan Plateau Estimated by GPS, Water Vapor Radiometer, Radiosonde, and Numerical Weather Prediction Analysis and Its Impact on the Radiation Budget. Journal of Geophysical Research: Atmospheres, 110(D17).
Moustris, K. P., Larissi, I. K., Nastos, P. T., & Paliatsos, A. G. (2011). Precipitation Forecast using Artificial Neural Networks in Specific Regions of Greece. Water resources management, 25, 1979-1993.
Okulov, O., Ohvril, H., & Kivi, R. (2002). Atmospheric Precipitable Water in Estonia, 1990–2001. Boreal Environment Research, 7(3), 291.
Patterson, D. W. (1998). Artificial Neural Networks: Theory and Applications. New York: Prentice Hall PTR.
Phokate, S., & Atyotha, V. (2018). Determination of the Amount of Water Vapor in the Troposphere over Thailand using Surface Data. Kasem Bundit Engineering Journal, 8, 364-372.
Senkal, O., Yildiz, B. Y., Sahin, M., & Pestemalcı, V. (2012). Precipitable Water Modelling using Artificial Neural Network in Cukurova Region. Environmental Monitoring and Assessment, 184, 141-147.
Shanmuganathan, S. (2016). Artificial Neural Network Modelling: An Introduction. Switzerland: Springer International Publishing.
Sharma, S., Sharma, S., & Athaiya, A. (2017). Activation Functions in Neural Networks. Towards Data Science, 6(12), 310-316.
Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & analgesia, 126(5), 1763-1768.
Szandała, T. (2021). Review and Comparison of Commonly Used Activation Functions for Deep Neural Networks. Bio-inspired Neurocomputing, 203-224.
Van Baelen, J., Aubagnac, J. P., & Dabas, A. (2005). Comparison of Near–Real Time Estimates of Integrated Water Vapor Derived with GPS, Radiosondes, and Microwave Radiometer. Journal of Atmospheric and Oceanic Technology, 22(2), 201-210.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 คณะวิทยาศาสตร์ มหาวิทยาลัยบูรพา
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Burapha Science Journal is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information
