การคาดการณ์การกักเก็บคาร์บอนเหนือพื้นดินจากการเปลี่ยนเเปลงการใช้ที่ดิน/ สิ่งปกคลุมดินในพื้นที่ภาคเหนือตอนบนของประเทศไทยด้วยแบบจำลองชีวมณฑลคาซ่า
คำสำคัญ:
การกักเก็บคาร์บอน , ผลผลิตขั้นต้นสุทธิชีวมวล , แบบจำลองชีวมณฑล , การจำแนกเเบบป่าสุ่ม , แบบจำลองมาร์ครอฟซีเอบทคัดย่อ
วัตถุประสงค์และที่มา : การกักเก็บคาร์บอนเหนือพื้นดิน หรือ ผลผลิตขั้นต้นสุทธิชีวมวล (Net Primary Productivity : NPP) เป็นตัวบ่งชี้ทางนิเวศวิทยาที่สำคัญซึ่งแสดงถึงศักยภาพของการเจริญเติบโตของพืชพรรณในการดูดซับและกักเก็บก๊าซคาร์บอนไดออกไซด์จากชั้นบรรยากาศผ่านกระบวนการสังเคราะห์แสง ซึ่งมีบทบาทสำคัญในการชดเชยคาร์บอนที่เกิดจากกิจกรรมของมนุษย์ ดังนั้นการประเมินการกักเก็บคาร์บอนเหนือพื้นดินภูมิภาคใดภูมิภาคหนึ่งจึงมีความสำคัญอย่างยิ่งต่อการทำความเข้าใจสมดุลคาร์บอนในระบบนิเวศและการส่งเสริมการฟื้นฟูระบบนิเวศ การศึกษานี้เลือกใช้ภาคเหนือตอนบนของประเทศไทยเป็นพื้นที่ศึกษาเนื่องจากภูมิภาคนี้มีลักษณะเฉพาะที่น่าสนใจหลายประการ ได้แก่ ความหลากหลายทางนิเวศวิทยาที่สูง การมีป่าไม้และพื้นที่เกษตรกรรมที่หลากหลาย ความแตกต่างของภูมิประเทศตั้งแต่ที่ราบสูงจนถึงพื้นที่ลุ่มน้ำ และความผันแปรของสภาพภูมิอากาศในแต่ละฤดูกาล การใช้ที่ดิน/สิ่งปกคลุมดิน (Landuse/Landcover : LULC) ในพื้นที่นี้ส่งผลกระทบโดยตรงต่อความสามารถในการกักเก็บคาร์บอนในแต่ละพื้นที่อย่างไรก็ตาม ยังขาดการศึกษาอย่างเป็นระบบเกี่ยวกับความสัมพันธ์ระหว่างประเภทการใช้ที่ดิน/สิ่งปกคลุมดินกับปริมาณการกักเก็บคาร์บอนในภาคเหนือตอนบนของประเทศไทย โดยเฉพาะการศึกษาที่ใช้เทคโนโลยีการรับรู้จากระยะไกลในการวิเคราะห์ข้อมูลเชิงพื้นที่อย่างละเอียด การศึกษานี้มีวัตถุประสงค์เพื่อ (1) เพื่อวิเคราะห์ความสัมพันธ์ระหว่างการกักเก็บคาร์บอนและการเปลี่ยนแปลงการใช้ที่ดิน/สิ่งปกคลุม และ (2) เพื่อคาดการณ์การกักเก็บคาร์บอน และการเปลี่ยนแปลงการใช้ที่ดิน/สิ่งปกคลุมดิน
วิธีดำเนินการวิจัย : เริ่มจากการวิเคราะห์ความสัมพันธ์ระหว่างการการใช้ที่ดิน/สิ่งปกคลุมดินและการกักเก็บคาร์บอนเหนือพื้นดิน โดยการจำแนกประเภทการใช้ที่ดินใน 3 ช่วงเวลา ได้แก่ (ปี ค.ศ. 2016 2019 และ 2024) ด้วยแบบจำลองป่าสุ่ม (Random Forest) จากนั้นใช้แบบจำลองชีวมณฑลคาซ่า (CASA-Biosphere Model) เพื่อประเมินปริมาณการกักเก็บคาร์บอน และตรวจสอบความถูกต้องของข้อมูลที่ได้จากการวิเคราะห์ด้วยข้อมูลภาคสนามโดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน ต่อจากนั้นจึงคาดการณ์การกักเก็บคาร์บอนเหนือพื้นดินในอนาคต โดยใช้แบบจำลองไฮบริดมาร์คอฟ-ซีเอ (Markov-CA) เพื่อทำนายการเปลี่ยนแปลงการใช้ที่ดิน/สิ่งปกคลุมดินในอนาคต สุดท้ายสร้างสมการถดถอยเพื่อคาดการณ์ค่าดัชนีพืชพรรณ (NDVI) และอุณหภูมิพื้นผิว (LST) แล้วนำข้อมูลเหล่านี้ไปใช้ในแบบจำลองชีวมณฑลคาซ่าร่วมกับข้อมูลการใช้ที่ดิน/สิ่งปกคลุมดินที่คาดการณ์ไว้เพื่อประเมินค่าผลผลิตขั้นต้นสุทธิชีวมวลในอนาคต สุดท้ายตรวจสอบความถูกต้องการคาดการณ์ผลผลิตขั้นต้นสุทธิชีวมวล โดยการหาค่าสัมประสิทธิ์สหสัมพันธ์เเบบเพียร์สัน (Pearson’s correlation coefficient) ค่าค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient) ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยรากที่สอง (Root Mean Square Error : RMSE) และค่าค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error : MAPE)
ผลการวิจัย : ผลการศึกษาความสัมพันธ์ระหว่างการกักเก็บคาร์บอนเหนือพื้นดินและการเปลี่ยนแปลงของพื้นที่การใช้ที่ดิน/สิ่งปกคลุมดิน กับปัจจัยด้านสิ่งแวดล้อม โดยใช้แบบจำลองชีวมณฑลคาซ่า แสดงให้เห็นถึงความแตกต่างอย่างชัดเจนในศักยภาพการกักเก็บคาร์บอนของการใช้ที่ดินแต่ละประเภท ซึ่งสามารถสรุปผลการวิจัยได้ดังนี้ (1) พื้นที่ป่าไม้มีศักยภาพในการกักเก็บคาร์บอนมีค่าสูงสุด 1.256 gC/m² และต่ำสุด 0.249 gC/m² ศักยภาพที่โดดเด่นนี้เป็นผลมาจากความหนาแน่นของพืชพรรณ โครงสร้างป่าที่ซับซ้อนซึ่งประกอบด้วยชั้นเรือนยอดหลายชั้น และระบบรากที่แข็งแรง ซึ่งทั้งหมดนี้มีส่วนช่วยในการดูดซับและกักเก็บคาร์บอนอย่างมีประสิทธิภาพ พื้นที่ไม้ยืนต้นมีศักยภาพรองลงมา โดยมีค่าสูงสุด 0.836 gC/m² และต่ำสุด 0.245 gC/m² พื้นที่นาข้าวและพื้นที่พืชไร่ มีค่าการกักเก็บคาร์บอนในระดับปานกลาง โดยพื้นที่นาข้าวมีค่าสูงสุด 0.596 gC/m² และพื้นที่พืชไร่มีค่าสูงสุด 0.637 gC/m² ความแตกต่างระหว่างสองประเภทนี้สะท้อนให้เห็นถึงความหลากหลายของชนิดพันธุ์พืชรูปแบบการจัดการและระยะเวลาของฤดูกาลเพาะปลูก โดยทั่วไปแล้วพื้นที่พืชไร่จะมีชนิดพันธุ์พืชที่หลากหลายกว่า และบางชนิดมีชีวมวลสูง ส่งผลให้ศักยภาพการกักเก็บคาร์บอนใกล้เคียงหรือสูงกว่านาข้าว ในขณะเดียวกันพื้นที่อื่น ๆ รวมถึงเขตเมืองและเขตอุตสาหกรรม มีค่าการกักเก็บคาร์บอนต่ำมากหรือติดลบ โดยมีค่าสูงสุดเพียง 0.057 g C/m² และต่ำสุดถึง -0.287 gC/m² ค่าติดลบเหล่านี้บ่งชี้ว่าพื้นที่เหล่านี้ไม่เพียงแต่ไม่สามารถกักเก็บคาร์บอนได้ แต่ยังเป็นแหล่งปล่อยคาร์บอนสุทธิ ซึ่งเป็นผลมาจากการขาดพืชพรรณปกคลุม การใช้เชื้อเพลิงฟอสซิล และกิจกรรมอุตสาหกรรมต่าง ๆ (2) การตรวจสอบความถูกต้องของแบบจำลองแสดงให้เห็นว่าค่า NPP ที่วิเคราะห์จากแบบจำลองชีวมณฑลคาซ่า ร่วมกับข้อมูลการกักเก็บคาร์บอน ภาคสนาม 3 ชุดมีค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันเท่ากับ (R² = 0.663, R² = 0.710 และ R² = 0.994) ตามลำดับ ผลการคาดการณ์การกักเก็บคาร์บอนในปี (2033) แสดงให้เห็นแนวโน้มที่สูงขึ้นสำหรับหลายประเภท LULC พื้นที่ป่าไม้ยังคงมีศักยภาพสูงสุดด้วยค่าสูงสุด 1.326 gC/m² เพิ่มขึ้นจากปัจจุบัน แนวโน้มที่เพิ่มขึ้นนี้อาจเป็นผลมาจากการเปลี่ยนแปลงสภาพภูมิอากาศที่อาจส่งเสริมการกักเก็บคาร์บอนของพืชในบางพื้นที่ พื้นที่นาข้าวและพื้นที่ไม้ยืนต้นก็มีแนวโน้มเพิ่มขึ้นเช่นกันโดยพื้นที่นาข้าวคาดว่าจะมีค่าสูงสุด 0.569 gC/m² และพื้นที่ไม้ยืนต้นจะมีค่าสูงสุด 0.778 gC/m² การตรวจสอบความถูกต้องของการคาดการณ์ NPP เทียบกับ NPP ในอดีตมีค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันเท่ากับ (R² = 0.924) ซึ่งบ่งชี้ว่าวิธีการที่เสนอนี้เหมาะสมสำหรับการพยากรณ์ NPP ในพื้นที่วิจัย ค่าสหสัมพันธ์ที่สูงนี้แสดงให้เห็นว่าแบบจำลองสามารถจับรูปแบบและแนวโน้มการเปลี่ยนแปลงได้อย่างแม่นยำ และสามารถนำไปประยุกต์ใช้ในการวางแผนและกำหนดนโยบายได้อย่างมีประสิทธิภาพ
สรุปผลการวิจัย : การศึกษาความสัมพันธ์การกักเก็บคาร์บอนเหนือพื้นดินจากการเปลี่ยนแปลงการใช้ที่ดิน/สิ่งปกคลุมดิน โดยแบบจำลองชีวมณฑลคาซ่า สรุปได้ว่า พื้นที่ป่าไม้มีศักยภาพการกักเก็บคาร์บอนสูงสุด รองลงมาคือไม้ยืนต้น และพื้นที่เกษตรกรรมมีค่าปานกลาง โดยพืชไร่มีประสิทธิภาพใกล้เคียงกับนาข้าว ส่วนพื้นที่เมืองและอุตสาหกรรมมีค่าต่ำมากหรือเป็นแหล่งปลดปล่อยคาร์บอน แบบจำลองชีวมณฑลคาซ่าแสดงความถูกต้องสูงเมื่อเปรียบเทียบกับข้อมูลภาคสนามการคาดการณ์ในปี 2033 พบแนวโน้มการกักเก็บคาร์บอนเพิ่มขึ้นในทุกประเภทการใช้ที่ดิน โดยป่าไม้ยังคงมีศักยภาพสูงสุด ตามด้วยไม้ยืนต้นและพื้นที่เกษตรกรรม ความแม่นยำของการพยากรณ์อยู่ในระดับสูงมาก ยืนยันความเหมาะสมของวิธีการนี้สำหรับการประเมินแนวโน้มการกักเก็บคาร์บอนในพื้นที่ศึกษา ผลการศึกษาสนับสนุนการอนุรักษ์ป่าไม้และพัฒนาเกษตรกรรมยั่งยืนเพื่อเพิ่มศักยภาพการกักเก็บคาร์บอนและลดผลกระทบการเปลี่ยนแปลงสภาพภูมิอากาศ ผลการวิจัยนี้สามารถนำไปใช้สนับสนุนการวางแผนเชิงนโยบายด้านการอนุรักษ์ทรัพยากรป่าไม้ โดยระบุพื้นที่ลำดับความสำคัญในการอนุรักษ์และฟื้นฟู รวมทั้งสนับสนุนการกำหนดเป้าหมายการลดการปล่อยก๊าซเรือนกระจกของประเทศตามพันธกรณีภายใต้ความตกลงปารีส นอกจากนี้ ข้อมูลการคาดการณ์แนวโน้มการกักเก็บคาร์บอนยังสามารถใช้เป็นฐานข้อมูลสำหรับการจัดทำแผนการจัดการที่ดินอย่างยั่งยืน การส่งเสริมเกษตรกรรมคาร์บอนต่ำ และการพัฒนากลไกการชดเชยคาร์บอนในพื้นที่เกษตรกรรม เพื่อเพิ่มประสิทธิภาพการกักเก็บคาร์บอนในระดับภูมิภาคและประเทศ
เอกสารอ้างอิง
Bulut, S., Alkan, G., & Onur, S. (2023). Estimating net primary productivity of semi-arid Crimean pine stands using biogeochemical modelling, remote sensing, and machine learning. Sciencedirect of Ecological Informatics, 76, 102137.
Das, B., Bordoloi, R., Tripathi, P., Sahoo, U. K., Nath, A. J., Deb, S., Gupta, A., Devi, N. B., & Charurvedi, S.(2023). Satellite based integrated approaches to modelling spatial carbon stock and carbon sequestration potential of different land uses of Northeast India. Environmental and Sustainability Indicator, 13(1).
Dejin, D., Ruhan, Z., Wei, G., Daohong. G., Ziliang, Z., Yufeng, Z., Yang, X., & Yuichiro, F. (2025).Assessing Spatiotemporal Dynamics of Net Primary Productivity in Shandong Province, China (2001–2020) Using the CASA Model and Google Earth Engine: Trends, Patterns, and Driving Factors. Journal of MDPI Remote Sens 2025, 17(3).
Potter, C. S., & Raich, J. (1995). Global patterns of Carbon dioxide emissions from soils. Global Biogeochemical Cycles, 9(1), 23-36
Gulinigaer, Y., Baozhong, He., Yaning, S., Xuefeng, L., Wen, Y., & Yuqian, C. (2025). Simulation of Vegetation NPP in Typical Arid Regions Based on the CASA Model and Quantification of Its Driving Factors. Journal of MDPI Land 2025, 14(2).
Huang, C., Sun, Z., Nguyen, M., Wu, Q., He, C., Yang, H., Tu, P., & Hong, Y. (2023). Spatio-temporal dynamics of terrestrial net ecosystem productivity in the ASEAN from 2001 to 2020 based on remote sensing and improved CASA model. Sciencedirect of Ecological Indicators, 154, 110920.
Jiang, X., & Bai, J. (2021). Predicting and assessing changes in NPP based on multi-scenario land use and cover simulations on the loess plateau. Journal of Geographical Sciences, 31(7).
Luana, B., Grazieli, R., Denise, C., Genei, A., Lucimara, W., Juliano, S., Jorge, A., & Gilberto, R. (2024).TVDI-based water stress coefficient to estimate net primary productivity in soybean areas. Sciencedirect of Ecological Modelling, 490, 110636.
Ma, B., Zeng, W., Chen, J., Liu, D., & Chen, P. (2022). Spatiotemporal patterns and drivers of net primary production in the terrestrial ecosystem of the Dajiuhu Basin, China, between 1990 and 2018. Sciencedirect of Ecological Informatics, 72, 101883.
Pal, M. K., & Pradhan, P. M. (2024). Development of Estimation Techniques for Solar Radiation, NDVI and Net Primary Productivity. SN Computer Science. 5. 10.1007/s42979-024-02720-9.
Potter, C. S., Randerson, T. J., Field, B. C., Matson, A. P., Vitousek, M. P., Mooney, H. A., & Klooster, S. A.(1993). Terrestrial ecosystem production: a process model based on global satellite and surface data. Glob Biogeochem. Cycles, 7(4), 811-841.
Sangngam, C., & Charoenpanyanet, A. (2016). Assessing Above-ground Carbon Sequestration of Para Rubber from Satellite Imageries. Chiangmai University Digital Collection, 143276.
Selmy, S. A. H., Kucher, D. E., Mozgeris, G., Moursy, A. R. A., Jimenez-Ballesta, R., Kucher, O. D., Fadl, M. E., & Mustafa, A. R. A. (2023). Detecting, Analyzing, and Predicting Land Use/Land Cover (LULC) Changes in Arid Regions Using Landsat Images,CA-Markov Hybrid Model, and GIS Techniques. Remote Sens, 15, 5522.
Tesfaye, B., Sileshi, D., Gemedo, D., & Gebeyehu, A. (2024). Spatiotemporal dynamics of vegetation net primary productivity and its response to climate variability. Environmental Systems Research, 13(47).
Wang, J., Wang, K., Zhang, M., & Zhang, C. (2015). Impact of climate change and human activities on vegetation cover in hilly southern China. Sciencedirect of Ecological Engineering, 81, 451-161.
Wang, X. L., Zhang, X. H., Liu, Z., Zhang, C. S., Kong, L. J., & Gao, Q. L. (2021). A coupled model for simulation and prediction of net primary productivity pattern. Geomatics and Information science of wuhan university, 46(11).
Zhang, H. L., Wu, F. Z., Chen, H. J., Liu, D. D., & Chen. P. P. (2022). Spatiotemporal patterns and drivers of net primary production in the terrestrial ecosystem of the Dajiuhu Basin, China, between 1990 and 2018. Sciencedirect of Ecological Informatics, 72, 101839.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 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
