การใช้ทฤษฎีระบบเกรย์พยากรณ์จุดความร้อนสะสมประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์จุดความร้อนสะสมของประเทศไทย ปี พ.ศ. 2566 โดยการใช้ทฤษฎีระบบเกรย์กับข้อมูลจุดความร้อนสะสมทั่วประเทศจากสำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน) ย้อนหลัง 5 ปี ตั้งแต่ปี พ.ศ. 2560 ถึง 2565 เป็นข้อมูลจุดความร้อนที่
รวบรวมได้ในช่วงเดือนมกราคม ถึง พฤษภาคม ซึ่งเป็นเดือนสุดท้ายของฤดูร้อน เนื่องจากข้อมูลอนุกรมเวลาจุดความร้อนสะสมมีค่าลดลงในปี พ.ศ. 2561 และเพิ่มขึ้นต่อเนื่องในปี พ.ศ. 2562 และ 2563 จากนั้นลดลงในปี พ.ศ. 2564 และ 2565 ผลปรากฏว่า ตัวแบบ GM(1,1) ที่มีการแก้ไขข้อผิดพลาดเชิงคาบ (EPC)สามารถทำนายโดยมีค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์ MAPE 13.54 ซึ่งน้อยกว่าตัวแบบ GM(1,1) การประมาณการจุดความร้อนสะสมของประเทศไทย ปี พ.ศ. 2566 ด้วยตัวแบบ GM(1,1)EPC จะมีจุดความร้อนสะสม 59,222 จุด ลดลงจากจุดความร้อนสะสมประมาณการปี พ.ศ. 2565 จำนวน 4,202 จุดหรือลดลงร้อยละ 6.62 ตามแนวโน้มที่ลดลงอย่างต่อเนื่อง
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความภายในบทความที่ตีพิมพ์ในวารสารทั้งหมด รวมถึงรูปภาพประกอบ ตาราง เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ การนำเนื้อหา ข้อความหรือข้อคิดเห็น รูปภาพ ตาราง ของบทความไปจัดพิมพ์เผยแพร่ในรูปแบบต่าง ๆ เพื่อใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากกองบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษร
มหาวิทยาลัยฯ อนุญาตให้สามารถนำไฟล์บทความไปใช้ประโยชน์และเผยแพร่ต่อได้ โดยต้องแสดงที่มาจากวารสารและไม่ใช้เพื่อการค้า
ข้อความที่ปรากฏในบทความในวารสารเป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และบุคลากร คณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯแต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเอง ตลอดจนความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความเป็นของผู้เขียน ไม่เกี่ยวข้องกับกองบรรณาธิการ
References
ส่วนควบคุมไฟป่า สำนักป้องกัน ปราบปราม และควบคุมไฟป่า กรมอุทยานแห่งชาติ สัตว์ป่า และพันธุ์พืช. (2566). สรุปจำนวนจุดความร้อน VIIRS รายปี 2561-2565. ค้นเมื่อ 9 กันยายน 2566, https://portal.dnp.go.th/Content/firednp?contentId=19027
กองหอสมุดและศูนย์สารสนเทศ วิทยาศาสตร์และเทคโนโลยี กรมวิทยาศาสตร์บริการ. (2566, มีนาคม 10). "จุดความร้อน" และไฟป่าที่กำลังเพิ่มทำไทยเผชิญปัญหา PM 2.5 อีกระยะ. https://siweb.dss.go.th/index.php/th/accordion-1/6722-pm-2-11
Phapawich Mahamart. (2565, มีนาคม 3). 2566. สถิติจุดความร้อนย้อนหลัง 5 ปี. สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ. https://www.gistda.or.th/news_view.php?n_id=5688&lang=EN
Rungsiyanon, S. (2023, June 20). Thailand Open Burning Management: Agricultural Sector. Asia Clean Blue Skies Program Knowledge Sharing Event | Agricultural Waste Burning: Technologies and Incentives. Pollution Control Department [Internet]. [cited 2022Jun 16]https://events.development.asia/system/files/materials/2023/06/202306-thailand-open-burning-management-agricultural-sector.pdf
ประชาชาติธุรกิจ. (2566, สิงหาคม 14). ไทยส่งดาวเทียม THEOS-2 ขึ้นสู่อวกาศ ก.ย.นี้ https://www.prachachat.net/economy/news-1369555
Liu, S., & Lin, Y. (2010). Grey systems theory and application. Verlag: Springer.
Lv, C., Wang, J. & Zhang, F. (2020). Forest fire spread model based on the grey system theory. J Supercomput, 76, 3602–3614. https://doi.org/10.1007/s11227-018-2560-x
Guo, H., Hou, Y., Yang, B., Du, H. and Xiao, W. (2015), "Natural disaster forecast on the base of townships collaborative emergency: Take Fangshan District as an example", Grey Systems: Theory and Application, 5(3), 392-409. https://doi.org/10.1108/GS-06-2015-0031
Zeqiang, F., Qihong, S., Yunlong, C., & Erfu, D. RESEARCH ON FORECASTING MODEL OF FOREST FIRE BASED ON GREY-SYSTEM THEORY. Scientia Silvae Sinicae, 2002, 38(5): 95-100.
Lin, Y. H., Chiu, C. C., Lin, Y. J., & Lee, P. C. (2013). Rainfall prediction using innovative grey model with the dynamic index. Journal of Marine Science and Technology, 21(1), 63-75. DOI:10.6119/JMST-011-1116-1.
Zhou, W., & He, J-M. (2013). Generalized GM (1,1) model and its application in forecasting of fuel production. Applied Mathematical Modelling, 37(9), 6234-6243.
Igarashi, Y. (2014, May 24). Matrix transpose and matrix multiplication by Excel [Youtube]. https://www.youtube.com/watch?v=6UWG_L8TceU
Faiz, H. Oct 3, 2009 Matrix Multiplication and Inverse in Excel [Youtube]. https://www.youtube.com/watch?v=G8w-d9U3PJM
Andrés, D. (2023, June 22). Error Metrics for Time Series Forecasting. Machine Learning Pills. https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/
Cheng, K-S., Lien, Y-T., Wu, Y-C., Su, Y-F. (2017). On the criteria of model performance evaluation for real-time flood forecasting. Stochastic Environmental Research and Risk Assessment, 31, 1-24. DOI:10.1007/s00477-016-1322-7.
Lewis, C.D. (2023). Industrial and business forecasting methods. London: Butterworths. PennState Eberly College of Science. STAT 510 Applied Time Series Analysis. https://online.stat.psu.edu/stat510/lesson/5/5.1