การวิเคราะห์หาค่าปรับแก้ตามเวลารายชั่วโมงโดยประยุกต์ใช้วิธี Inverse Distance Weighting เพื่อเพิ่มความถูกต้องในการประเมินฝนเรดาร์อมก๋อย
Article Sidebar
Main Article Content
บทคัดย่อ
อิทธิพลเนื่องจากความโค้งของโลก ลักษณะภูมิประเทศที่แตกต่างกันประกอบกับเหตุการณ์ฝนในแต่ละเหตุการณ์มีลักษณะการกระจายตัวของเม็ดฝนที่แตกต่างกันในแต่ละช่วงเวลาส่งผลให้ลักษณะทางกายภาพของฝนมีความแตกต่างกัน ดังนั้นการใช้สมการที่เหมาะสมในพื้นที่ในการประเมินปริมาณฝนอาจยังมีค่าความคลาดเคลื่อนหลงเหลืออยู่เนื่องจากปริมาณฝนที่ประเมินได้นี้เป็นปริมาณฝนที่อยู่ในอากาศ ยังไม่ใช่ปริมาณฝนที่เทียบเท่ากับฝนที่ตกบนพื้นดิน การศึกษาครั้งนี้จึงเลือกใช้ข้อมูลการตรวจวัดฝนเรดาร์อมก๋อยที่มุมตรวจวัดที่ 1.5° ภายในรัศมีการตรวจวัด 240 กม. ร่วมกับข้อมูลฝนจากสถานีโทรมาตรอัตโนมัติภาคพื้นดิน(สสน.) จำนวน 122 สถานี ในช่วงระหว่างเดือนมกราคม พ.ศ. 2558 ถึงเดือนตุลาคม พ.ศ. 2560 คัดเลือกเหตุการณ์ฝนจำนวนทั้งหมด 126 เหตุการณ์ แบ่งเป็นเหตุการณ์สอบเทียบ 80% (100 เหตุการณ์) และเหตุการณ์ทวนสอบ 20% (26 เหตุการณ์) มาใช้วิเคราะห์หาค่าปรับตามเวลารายชั่วโมงเพื่อลดค่าความคลาดเคลื่อนการประเมินฝนจากเรดาร์อมก๋อยรายกริดขนาด 1 กม. X 1 กม. จากการประยุกต์ใช้วิธี Inverse Distance Weighting โดยใช้ข้อมูลฝนสะสมย้อนหลัง 1 ชม., 2 ชม., 3 ชม., 6 ชม., 12 ชม. และ 24 ชม. จากเรดาร์และฝนจากสถานีโทรมาตรอัตโนมัติภาคพื้นดิน ณ ตำแหน่งสถานีโทรมาตรอัตโนมัติภาคพื้นดินที่ห่างจากกริดที่จะปรับแก้ไม่เกิน 20 กม. ผลการศึกษาพบว่าการประเมินฝนเรดาร์อมก๋อยโดยใช้สมการ Z=42R1.6 ร่วมกับค่าปรับแก้ที่คำนวณจากการประยุกต์ใช้วิธี Inverse Distance Weighting โดยใช้ข้อมูลฝนสะสมย้อนหลัง 1 ชม. จากเรดาร์และฝนจากสถานีโทรมาตรอัตโนมัติภาคพื้นดิน ณ ตำแหน่งสถานีโทรมาตรอัตโนมัติภาคพื้นดินที่ห่างจากกริดที่จะปรับแก้ไม่เกิน 20 กม. เป็นวิธีการปรับแก้ที่เหมาะสมที่สุด โดยมีค่า RMSE (Root Mean Square Error), MSE (Mean Square Error), MAE (Mean Absolute Error) ระหว่างปริมาณฝนจากเรดาร์หลังปรับแก้และปริมาณฝนจากสถานีโทรมาตรอัตโนมัติภาคพื้นดินที่มีค่าน้อยที่สุดและ ค่า R (Correlation coefficient) ที่มีค่าใกล้ 1 มากที่สุด ของทั้งเหตุการณ์ฝนที่ใช้ในการสอบเทียบเพื่อหาค่าปรับแก้ และเหตุการณ์ฝนที่ใช้ในการทวนสอบความเชื่อมั่น เมื่อเทียบกับวิธีการปรับแก้วิธีการอื่นๆ และ เมื่อนำฝนเรดาร์ภายหลังการปรับแก้ด้วยวิธีดังกล่าวเทียบกับการประเมินฝนเรดาร์โดยใช้สมการ Z=42R1.6 เพียงอย่างเดียวโดยไม่ปรับแก้ เมื่อพิจารณาจากค่า RMSE สามารถสามารถช่วยเพิ่มความถูกต้องในการประเมินฝนได้ 11.42% (4.39%), เมื่อพิจารณาจากค่า MSE สามารถสามารถช่วยเพิ่มความถูกต้องในการประเมินฝนได้ 21.83% (8.60%), เมื่อพิจารณาจากค่า MAE สามารถสามารถช่วยเพิ่มความถูกต้องในการประเมินฝนได้ 3.82% (4.46%) และเมื่อพิจารณาจากค่า R สามารถสามารถช่วยเพิ่มความถูกต้องในการประเมินฝนได้ 22.95% (18.03%) สำหรับเหตุการณ์ฝนที่ใช้ในการสอบเทียบ (ทวนสอบ) ตามลำดับ
Article Details
เอกสารอ้างอิง
[2] สุดาใจ โล่ห์วนิชชัย, ศิริลักษณ์ ชุ่มชื่น, รัชเวช หาญชูวงศ์, วลัยรัตน์ บุญไทย, ธนัท นกเอี้ยงทอง, วิษณุ ก่อพิมพ์. โครงการจ้างเหมาดำเนินการพัฒนาระบบประเมินปริมาณน้ำฝนและพยากรณ์ฝนล่วงหน้า โดยใช้ข้อมูลเรดาร์ตรวจอากาศ ระยะที่ 2: พื้นที่ภาคเหนือ ภาคตะวันออก ภาคกลาง ภาคตะวันออกเฉียงเหนือ และภาคใต้. สถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน). 2561.
[3] Michelson D, Einfalt T, Holleman I, Gjertsen U, Friedrich K, Haase G, Lindskog M, Sztuc J. Weather radar data quality in Europe: Quality control and characterization, COST 717 Working Document WDF_20_200204_1. 2004.
[4] Hydro & meteo GmbH&Co. KG. SCOUT Documentation Version 3.32. Hydro & meteo GmbH & Co. KG. Germany:2016,
[5] Futon RA, Breidenbach JP, Seo DJ, Miller DA, O’Brannon T. The WSD–88D rainfall algorithm. Weather Forecasting. 1998; 13: 377 -395.
[6] Smith JA, Krajewski WF. Estimation of the mean field bias of radar rainfall estimates. J Appl Meteorol. 1991; 30: 397 - 412.
[7] Chumchean S, Seed A, Sharma A. Correcting of radar mean field bias using Kalman filtering approach. J Hydrol. 2006; 317: 123-137.
[8] Silver M, Karnieli A, Marra F, Fredj E. An evaluation of weather radar adjustment algorithms using synthetic data. Journal of Hydrology. 2019 ; 576: 408-421.
[9] Collier C G, Larke P, May B. A weather radar correction procedure for real-time estimation of surface rainfall. Q J Roy Meteorol Soc. 1983; 109: 589–608.
[10] Kitchen M, Brown R, Davies A G, (1994) Real-time correction of weather radar data for the effects of bright band, range and orographic growth in widespread precipitation. Q J Roy Meteorol Soc. 1994; 120: 1231-1254.
[11] Seo D J. Real-time estimation of rainfall fields using radar rainfall and rain gage data. J Hydrol. 1998; 208: 37–52.
[12] Chumchean S, Sharma A, Seed A (2006) An integrated approach to error correction for real-time radar-rainfall estimation. J Atmos Ocean Tech. 2006; 23: 67–79.
[13] Rabiei E and Haberlandt U. Applying bias correction for merging rain gauge and radar data. Journal of Hydrology. 2015 ; 522: 544-557.
[14] Koistinen J, Puhakka T. An improved spatial gauge-radar adjustment technique. In: Proc. 20th Conference on Radar Meteorology, AMS. 1981; 179-186.
[15] Wood S J, Jones D A, Moore R J. Static and dynamic calibration of radar data for hydrological use. J Hydrol Earth Syst Sci. 200; 4: 545-554.
[16] Seo D J, Breidenbach J P, Fulton T, Meller D, O'Brannon T. Real time adjustment of range dependent biases in WSR-88D rainfall estimates due to non-uniform vertical profile of reflectivity. J Hydrometeorol. 2000; 1: 222-240.
[17] Mckee J L and Binns A D. A review of gauge–radar merging methods for quantitative precipitation estimation in hydrology. Canadian Water Resources Journal / Revue canadienne des ressources hydriques. 2016; 41: 186-203.
