การพยากรณ์น้ำท่าเข้าอ่างเก็บน้ำที่สำคัญในพื้นที่จังหวัดชลบุรีและระยอง โดยประยุกต์ใช้เทคนิคโครงข่ายใยประสาทเทียมในช่วงฤดูฝน

Abstract

แบบจำลองโครงข่ายใยประสาทเทียม (Artificial Neural Network, ANN) เป็นการยอมรับในความสามารถและประสิทธิภาพ โดยเฉพาะสามารถนำมาใช้ในการพยากรณ์ข้อมูลได้ดี โดยอาศัยการเรียนรู้ข้อมูลที่มีอยู่ในอดีต และหาความสัมพันธ์ของข้อมูลเพื่อนำไปใช้ในการพยากรณ์ข้อมูลในอนาคต ดังนั้นจึงได้นำมาใช้ในการเพยากรณ์น้ำท่าที่ไหลเข้าอ่างเก็บน้ำที่สำคัญของจังหวัดระยองและชลบุรี โดยได้คัดเลือกอ่างเก็บน้ำที่สำคัญๆ จำนวน 4 อ่างเก็บน้ำ ได้แก่ อ่างเก็บน้ำบางพระ อ่างเก็บน้ำหนองค้อ อ่างเก็บน้ำหนองปลาไหล และอ่างเก็บน้ำดอกกราย แล้วทำการพยากรณ์น้ำไหลเข้าอ่างเก็บน้ำรายวันในฤดูฝน การสร้างแบบจำลองได้ใช้ตัวแปรนำเข้า ได้แก่ ปริมาณน้ำไหลเข้าอ่างเก็บน้ำ ปริมาณน้ำฝนที่อ่างเก็บน้ำ และปริมาณน้ำฝนในพื้นที่ใกล้เคียง ส่วนตัวแปรออก ได้แก่ ปริมาณน้ำไหลเข้าอ่างเก็บน้ำล่วงหน้ารายวัน โดยอ่างเก็บน้ำบางพระและอ่างเก็บน้ำหนองค้อ ได้ทดลองพัฒนาแบบจำลองพยากรณ์ล่วงหน้าไม่เกิน 3 วัน ส่วนอ่างเก็บน้ำหนองปลาไหลและอ่างเก็บน้ำดอกกราย พัฒนาแบบจำลองพยากรณ์ล่วงหน้าไม่เกิน 5 วัน ผลการพยากรณ์ล่วงหน้า 1 วัน ถึง 3 วัน ของอ่างเก็บน้ำบางพระ มีค่าสัมประสิทธิ์การตัดสินใจ (R²) ของชุดข้อมูลเรียนรู้ เท่ากับ 64.86% 60.97% และ 54.60% ตามลำดับ อ่างเก็บน้ำหนองค้อมีค่าสัมประสิทธิ์การตัดสินใจเท่ากับ 35.63% 19.31% และ 18.39% ตามลำดับ ส่วนผลการพยากรณ์ล่วงหน้า 1 วัน ถึง 5 วัน ของอ่างเก็บน้ำหนองปลาไหล มีค่าสัมประสิทธิ์การตัดสินใจของชุดข้อมูลเรียนรู้ อยู่ระหว่าง 74.3-85.5% อ่างเก็บน้ำดอกกราย มีค่าสัมประสิทธิ์การตัดสินใจของชุดข้อมูลเรียนรู้ อยู่ระหว่าง 57.4-77.6% แต่เมื่อนำมาใช้กับข้อมูลทดสอบ พบว่า ค่าสัมประสิทธิ์การตัดสินใจของอ่างเก็บน้ำทั้ง 4 แห่ง ให้ค่าที่ต่ำกว่า 50% จากผลการพยากรณ์ที่ได้ พบว่า แบบจำลองที่พัฒนาขึ้นไม่เหมาะสมที่จะนำไปใช้โดยสาเหตุที่คาดว่าส่งผลให้แบบจำลองมีค่าความคลาดเคลื่อนสูง ได้แก่ ขาดข้อมูลน้ำฝน/น้ำท่าของพื้นที่รับน้ำเหนืออ่างเก็บน้ำทั้ง 4 แห่ง พื้นที่รับน้ำของอ่างเก็บน้ำมีค่าน้อย ความยาวลำน้ำสายหลักสั้น ส่งผลให้การเดินทางของน้ำจากต้นน้ำมาถึงอ่างเก็บน้ำเป็นไปอย่างรวดเร็ว อีกทั้งการบันทึกค่าปริมาณน้ำท่าที่ไหลเข้าสู่อ่างเก็บน้ำ บันทึกเป็นรายวัน ทำให้บางครั้งไม่สามารถบันทึกค่าสูงสุดของแต่ละช่วงไว้ได้ ทำให้ข้อมูลขาดความสมบูรณ์ และเมื่อนำมาใช้ในการพยากรณ์ ทำให้พยากรณ์ล่วงหน้าได้ไม่นาน และปัจจุบันมีการเปลี่ยนแปลงสภาพแวดล้อมมากโดยเฉพาะบริเวณพื้นที่รับน้ำทำให้ปริมาณน้ำท่าที่ไหลเข้าสู่อ่างเก็บน้ำเปลี่ยนแปลงไป ทั้งปริมาณน้ำท่าที่ลดลง และรูปแบบของการไหลที่เปลี่ยนแปลงไป เป็นต้น

Abstract The study is to apply Artificial Neural Network (ANN) model for inflow forecasting in the important reservoirs at Rayong and Chonburi Province. ANN can be used to forecast data with good result by learning from the historical data. The four reservoirs in the study area are selected, i.e. Bangpra reservoir, Nong Kho reservoir, Nong Pra Lai reservoir and Dok Kray reservoir and the models were developed for inflow forecasting in wet season. Model input composed of inflow data, rainfall data at reservoir and in vicinity. Output of developed model is daily outflow. The ANN models of Bangpra reservoir and Nong kho reservoir were developed to forecast inflow in 3 days in advance but the ANN models of Nong Pra Lai reservoir and Dok Kray reservoir were developed to forecast inflow in 5 days in advance. The ANN developed models efficiency (R²) of Bangpra Reservoir were found to be good compared with actual data in training process with the percentage of 64.86% 60.97% and 54.60% in 1, 2 and 3 day in advance respectively. For Nong Kho reservoir, the models efficiency were found not to be good in training process with the percentage of 35.63% 19.31% and 18.39% in 1, 2 and 3 day in advance respectively. The ANN developed models efficiency in 1-5 days in advance of Nong Pro Lai reservoir and Dok Kray reservoir is 74.3-85.5% and 57.4-77.6% respectively in training processes. However when the developed models were employed in testing processes, the efficiency of models were found to be lower than 50% From the resulting of ANN model, the models were not suitable in this area. The factors that may effect to the model’s error are lacking of rainfall and runoff data in the upstream, the small catchments area, the short stream, the recording time and the land use changing.