ปัจจัยที่มีความสัมพันธ์กับจำนวนจุดความร้อนและตัวแบบการพยากรณ์ จำนวนจุดความร้อนรายเดือนในพื้นที่ภาคเหนือตอนบนของประเทศไทย
คำสำคัญ:
จุดความร้อน, พื้นที่ภาคเหนือตอนบน, ตัวแบบการพยากรณ์บทคัดย่อ
วัตถุประสงค์และที่มา : จังหวัดภาคเหนือตอนบนของประเทศไทยประสบปัญหาเนื่องจากการเกิดจุดความร้อนอย่างต่อเนื่องทุกปี จุดความร้อนเหล่านี้มีสาเหตุจากหลายปัจจัยร่วมกัน ทั้งปัจจัยทางธรรมชาติและปัจจัยจากการกระทำของมนุษย์ การศึกษาความสัมพันธ์ของปัจจัยด้านพื้นที่และปัจจัยด้านฤดูกาลกับจำนวนจุดความร้อนถือเป็นสิ่งสำคัญในการระบุสาเหตุพื้นฐานของปัญหานี้ และการพัฒนาตัวแบบการพยากรณ์จำนวนจุดความร้อนรายเดือนจะสามารถคาดการณ์จำนวนจุดความร้อนในพื้นที่จังหวัดภาคเหนือตอนบนของประเทศไทย ซึ่งข้อมูลดังกล่าวจะช่วยให้หน่วยงานที่เกี่ยวข้องสามารถกำหนดนโยบาย วางแผนกลยุทธ์ และดำเนินการจัดการในเวลาที่เหมาะสมเพื่อบรรเทาผลกระทบของสถานการณ์จุดความร้อนในพื้นที่ได้อย่างมีประสิทธิภาพ
วิธีดำเนินการวิจัย : การศึกษานี้เก็บข้อมูลจำนวนจุดความร้อนบริเวณพื้นที่ป่าและพื้นที่เกษตรกรรมในภาคเหนือตอนบนของประเทศไทย 8 จังหวัด ดังนี้ เชียงใหม่ เชียงราย ลำปาง ลำพูน แม่ฮ่องสอน น่าน แพร่ และพะเยา ตั้งแต่ 1 มกราคม 2561 ถึง 31 ธันวาคม 2567 ซึ่งตรวจวัดด้วยเซนเซอร์ MODIS จากระบบบัญชีข้อมูลกรมป่าไม้ ในการศึกษาความสัมพันธ์ของปัจจัยด้านพื้นที่ในการใช้ประโยชน์ที่ดินและปัจจัยด้านฤดูกาลกับจำนวนจุดความร้อนจะแบ่งข้อมูลจำนวนจุดความร้อนตามปัจจัยด้านพื้นที่การใช้ประโยชน์ที่ดินที่สนใจศึกษาเป็น 3 พื้นที่ ดังนี้ ป่าสงวนแห่งชาติ ป่าอนุรักษ์ และเกษตรกรรม และแบ่งข้อมูลตามฤดูกาลเป็น 3 ฤดู ดังนี้ ฤดูฝน (พฤษภาคม-ตุลาคม) ฤดูหนาว (พฤศจิกายน-กุมภาพันธ์) และฤดูร้อน (มีนาคม-เมษายน) วิเคราะห์จำนวนจุดความร้อนรายเดือนตั้งแต่ พ.ศ. 2561-2567 โดยจำแนกตามปัจจัยด้านพื้นที่และปัจจัยด้านฤดูกาลและวิเคราะห์ความสัมพันธ์ของปัจจัยด้านพื้นที่และปัจจัยด้านฤดูกาลกับจำนวนจุดความร้อนของแต่ละอำเภอในจังหวัดภาคเหนือตอนบนด้วยสถิติทดสอบไคสแควร์ สำหรับการศึกษาตัวแบบการพยากรณ์จำนวนจุดความร้อนจะดำเนินการทดสอบส่วนประกอบของอนุกรมเวลาจำนวนจุดความร้อนด้วย Runs Test และ Kruskal-Wallis Test และแบ่งข้อมูลออกเป็น 2 ชุด ดังนี้ ชุดที่ 1 เป็นข้อมูลจำนวนจุดความร้อนตั้งแต่เดือนมกราคม 2561 ถึงเดือนธันวาคม 2566 สำหรับสร้างตัวแบบการพยากรณ์ 3 วิธี ได้แก่ วิธีการวิเคราะห์การถดถอยโดยใช้ตัวแปรดัมมี วิธีแยกส่วนประกอบ และวิธีปรับให้เรียบเอ็กซ์โพเนนเชียลของโฮลต์-วินเทอร์ ชุดที่ 2 เป็นข้อมูลจำนวนจุดความร้อนตั้งแต่เดือนมกราคม 2567 ถึงเดือนธันวาคม 2567 สำหรับตรวจสอบความแม่นยำของผลการพยากรณ์ล่วงหน้าในแต่ละตัวแบบการพยากรณ์ที่สร้างขึ้นด้วยข้อมูลชุดที่ 1 โดยใช้ค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย (MAD) และค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) เป็นเกณฑ์ในการตรวจสอบ
ผลการวิจัย : การวิเคราะห์จำนวนจุดความร้อน พ.ศ. 2561-2567 พบว่า จังหวัดเชียงใหม่มีจำนวนจุดความร้อนมากที่สุด คิดเป็นร้อยละ 21.38 ของจำนวนจุดความร้อนทั้งหมดในพื้นที่ที่ศึกษา รองลงมาเป็นจังหวัดแม่ฮ่องสอน (ร้อยละ 20.61) เชียงราย (ร้อยละ 16.87) และน่าน (ร้อยละ 14.34) เมื่อวิเคราะห์ความสัมพันธ์ของปัจจัยด้านพื้นที่และปัจจัยด้านฤดูกาลกับจำนวนจุดความร้อนของแต่ละอำเภอด้วยสถิติทดสอบไคสแควร์ที่ระดับนัยสำคัญ 0.05 พบว่า ปัจจัยด้านพื้นที่การใช้ประโยชน์ที่ดินและปัจจัยด้านฤดูกาลมีความสัมพันธ์กับจำนวนจุดความร้อนของแต่ละอำเภอ โดยส่วนใหญ่อำเภอในจังหวัดภาคเหนือตอนบนพบจุดความร้อนมากที่สุดบริเวณพื้นที่ป่า ยกเว้นอำเภอแม่ลาว แม่จัน ป่าแดด และแม่สายของจังหวัดเชียงราย อำเภอดอกคำใต้ จุน และภูกามยาวของจังหวัดพะเยา อำเภอเมืองลำพูน และป่าซางของจังหวัดลำพูน และอำเภอหนองม่วงไข่ จังหวัดแพร่ที่มีจุดความร้อนมากที่สุดในพื้นที่เกษตรกรรม เมื่อพิจารณาภาพรวมระดับจังหวัด พบว่า ทุกจังหวัดพบจุดความร้อนมากที่สุดบริเวณพื้นที่ป่า โดยจังหวัดน่าน เชียงราย เชียงใหม่ ลำปาง และแพร่ พบจุดความร้อนมากที่สุดในป่าสงวนแห่งชาติ สำหรับจังหวัดพะเยา ลำพูน และแม่ฮ่องสอน พบจุดความร้อนมากที่สุดในป่าอนุรักษ์ ฤดูร้อนจะมีจุดความร้อนมากที่สุดในทุกอำเภอของแต่ละจังหวัด โดยจังหวัดเชียงใหม่ น่าน แม่ฮ่องสอน พะเยา แพร่ ลำปาง และลำพูน มีจำนวนจุดความร้อนมากที่สุดเดือนมีนาคม ยกเว้นจังหวัดเชียงรายมีจำนวนจุดความร้อนมากที่สุดเดือนเมษายน การเลือกตัวแบบการพยากรณ์จะพิจารณาค่า MAD และค่า RMSE ที่น้อยที่สุด ซึ่งตัวแบบการพยากรณ์วิธีการวิเคราะห์การถดถอยโดยใช้ตัวแปรดัมมีเหมาะสำหรับการพยากรณ์จำนวนจุดความร้อนจังหวัดลำปางและลำพูน วิธีแยกส่วนประกอบเหมาะสมสำหรับพยากรณ์จำนวนจุดความร้อนจังหวัดเชียงใหม่และแม่ฮ่องสอน ส่วนวิธีปรับให้เรียบเอ็กซ์โพเนนเชียลของโฮลต์-วินเทอร์เหมาะสำหรับพยากรณ์จำนวนจุดความร้อนจังหวัดน่าน เชียงราย พะเยา และแพร่ และเมื่อพยากรณ์จำนวนจุดความร้อนเดือนมกราคม-พฤษภาคม พ.ศ. 2568 ด้วยตัวแบบการพยากรณ์ที่มีประสิทธิภาพมากที่สุดในการพยากรณ์ พบว่า จังหวัดน่าน เชียงใหม่ พะเยา แม่ฮ่องสอน แพร่ ลำปาง และลำพูน มีค่าพยากรณ์มากที่สุดเดือนมีนาคม ส่วนจังหวัดเชียงรายมีค่าพยากรณ์มากที่สุดเดือนเมษายน
สรุปผลการวิจัย : 4 อันดับแรกของจังหวัดที่มีจำนวนจุดความร้อนมากที่สุดตั้งแต่ พ.ศ. 2561-2567 ได้แก่ เชียงใหม่ แม่ฮ่องสอน เชียงราย และน่าน ตามลำดับ จากการวิเคราะห์ชี้ให้เห็นว่าจำนวนจุดความร้อนของทุกอำเภอมีความสัมพันธ์กับปัจจัยด้านพื้นที่และปัจจัยด้านฤดูกาล โดยพบว่าส่วนใหญ่อำเภอในจังหวัดภาคเหนือตอนบนพบจำนวนจุดความร้อนบริเวณพื้นที่ป่า และเมื่อพิจารณาภาพรวมระดับจังหวัด พบว่า ทุกจังหวัดพบจุดความร้อนมากที่สุดบริเวณพื้นที่ป่าและพบจุดความร้อนน้อยที่สุดบริเวณพื้นที่เกษตรกรรม สำหรับปัจจัยด้านฤดูกาลเมื่อพิจารณาระดับอำเภอและภาพรวมระดับจังหวัด พบว่า ในฤดูร้อนมีจุดความร้อนมากที่สุด ถัดมาเป็นฤดูหนาว และฤดูฝน ตามลำดับ ในการพยากรณ์จำนวนจุดความร้อนระหว่างเดือนมกราคม-พฤษภาคม 2568 พบว่า ทุกจังหวัดมีค่าพยากรณ์จำนวนจุดความร้อนมากที่สุดในเดือนมีนาคม ยกเว้นเชียงรายมีค่าพยากรณ์จำนวนจุดความร้อนมากที่สุดในเดือนเมษายน
เอกสารอ้างอิง
Amnauylawjarurn, T., Kreusuwun, J., Towta, S., & Siriwittayakorn, K. (2010). Dispersion of particulate matter (PM10) from forest fires in Chiang Mai, Thailand. Chiang Mai Journal of Science, 37(1), 39-47. (in Thai)
Damsri, S., & Maneewong, K. (2017). A comparative study of forecasting models for the number of malaria Patients in Phanom district. Journal of Thai Interdisciplinary, 12(3), 1-6. doi.org/10.14456/jtir.2017.14
Inlaung, K., Chotamonsak, C., Surapipith, V., & Macatangay, R. (2023). Relationship of fire hotspot, PM2.5 concentrations and surrounding areas in upper northern Thailand: A case study of haze season in 2019. The Journal of King Mongkut's University of Technology North Bangkok, 33(2), 588-602. doi.org/10.14416/j.kmutnb.2022.07.002 (in Thai)
Maimun, P., & Charoenpanyanet, A. (2023). Creation of wildfire opportunity predictive model from climate variability with geo-informatics in Omkoi District, Chiang Mai Province. Burapha Science Journal, 28(2), 949-974. (in Thai)
Pollution Control Department. (2023). Situation and management of air and noise pollution problems in Thailand in 2023. Bangkok: Pollution Control Department. (in Thai)
Sawetsuthipan, T., & Charnsethikul, P. (2021). A comparison of forecasting methods for seasonal time-series with many zeros. Thai Journal of Operations Research, 9(2), 57–67. Retrieved from https://ph02.tci-thaijo.org/index.php/TJOR/article/view/244008 (in Thai)
Suwanwong, S. (2013). Quantitative forecasting techniques: Time series. Bangkok: Mahidol University. (in Thai)
Sumethavanich, P. (2024). Climate factors and hotspots affect the amount of PM2.5 Dust in Lampang province, Thailand. Journal of Research Unit on Science, Technology and Environment for Learning, 15(1), 53-63. doi.org/10.14456/jstel.2024.5 (in Thai)
Thanadolmethaphorn, P., Chotamonsak, C., & Dontree, S. (2018). Analysis of impact of climate change on forest fire potential in Chiang Mai by using of regression model. The Journal of King Mongkut's University of Technology North Bangkok, 28(4), 849-858. doi.org/10.14416/j.kmutnb.2018.09.004 (in Thai)
Taesombut, S. (2006). Quantitative forecasting. (1st ed.). Bangkok: Kasetsart University. (in Thai)
Zea-kow, C., Rachdawong, P., & Charoenpol, K. (2022). Statistical analysis of factors affecting the onset of forest fires in Nan province. Master of Engineering Thesis, Chulalongkorn University. doi.org/10.58837/CHULA.THE.2020.1080 (in Thai)

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