การพยากรณ์ระดับน้ำโดยแบบจำลองโครงข่ายประสาทเทียมด้วยข้อมูลปริมาณน้ำฝนจากแบบจำลอง WRF-ECHAM5 WATER LEVEL FORECASTING BY ARTIFICIAL NEURAL NETWORK MODEL WITH RAINFALL DATA FROM WRF-ECHAM5 MODEL

Abstract

บทคัดย่อ

            การเปลี่ยนแปลงสภาพภูมิอากาศในปัจจุบันส่งผลให้มีฝนตกหนักเพิ่มขึ้นและส่งผลกระทบทำให้เกิดน้ำท่วม ในระดับภูมิภาคมีการใช้แบบจำลองสภาพภูมิอากาศระดับภูมิภาค (WRF - ECHAM5) คาดการณ์ปริมาณน้ำฝนในอนาคต ขณะที่แบบจำลองโครงข่ายประสาทเทียม ได้นำมาใช้ในการพยากรณ์น้ำท่วมอย่างแพร่หลาย ในงานวิจัยนี้ได้ใช้ข้อมูลน้ำฝนจากแบบจำลอง WRF - ECHAM5 (Weather Research and Forecasting - ECHAM5) เป็นข้อมูลนำเข้าสำหรับการพยากรณ์ระดับน้ำโดยใช้แบบจำลองโครงข่ายประสาทเทียม ซึ่งได้ใช้เหตุการณ์น้ำท่วมในช่วง ค.ศ. 1980-2006 เพื่อศึกษาหาโครงสร้างสถาปัตยกรรมของแบบจำลองที่เหมาะสมสำหรับการพยากรณ์ มีการเปรียบเทียบกระบวนการเรียนรู้แบบ Levenberg-Marquardt (LM) และ Bayesian Regularization (BR) และการกำหนดจำนวนโหนดในชั้นซ่อนเร้นที่แตกต่างกันซึ่งอ้างอิงตามจำนวนตัวแปรของข้อมูลนำเข้า (50%, n, n+50% และ 2n) รวมทั้งมีการเปรียบเทียบประเภทของข้อมูลนำเข้าระหว่างการใช้ค่าน้ำฝนจากกริด และค่าน้ำฝนที่ได้ทำการหาค่าเฉลี่ยแบบเคลื่อนที่ ผลการวิจัยพบว่าโครงสร้างสถาปัตยกรรมของแบบจำลองโครงข่ายประสาทเทียมที่เหมาะสมคือ การเรียนรู้แบบ LM และจำนวนโหนดในชั้นซ่อนเร้นควรกำหนด 50% ของจำนวนข้อมูลนำเข้า และยังพบว่าการนำค่าน้ำฝนมาหาค่าเฉลี่ยแบบเคลื่อนที่จะให้ผลการพยากรณ์ได้ดีกว่าการใช้ค่าน้ำฝนจากกริดร่วมกับการหาค่าเฉลี่ยแบบเคลื่อนที่

Abstract

            The current climate change increases the heavy rainfall and results in flooding. A regional climate model (WRF - ECHAM5) has been used for rainfall prediction. An Artificial Neural Network Model (ANN) is used for flood forecasting worldwide. This research uses rainfall data from WRF – ECHAM5 (Weather Research and Forecasting - ECHAM5) model as the input data during 1980-2006 for water level forecasting applying Artificial Neural Network Model (ANN) to find out the suitable model architecture for forecasting by comparison learning algorithms Levenberg-Marquardt (LM) and Bayesian Regularization (BR), including setting different numbers of hidden node that are based on number of input variables (50%, n, n+50% and 2n). Moreover, different types of input data between rainfall from grid and moving average rainfall are compared. The results show that the suitable Artificial Neural Network architecture is LM learning algorithm and number of hidden nodes should be 50% of number of input variables. In addition, using moving average rainfall better than using both rainfall from grid and moving average rainfall.