• กองส่งเสริมการวิจัยและบริการวิชาการ มหาวิทยาลัยมหาสารคาม
  • 04-3754-416 (1754)
  • English

บทความ

ชื่อเรื่อง การพัฒนาแบบจำลองโครงข่ายประสาทเทียมสำหรับการคาดการณ์น้ำท่วม ณ สถานี Y.16 บางระกำ
Title Development of an Artificial Neural Network Model for Flood Prediction at Y.16 Bang Rakam Station
ผู้แต่ง สุภาวดี ซ้องก๋า, ทวี ชัยพิมลผลิน
Authors Supawadee Songka, Tawee Chaipimonplin
บทคัดย่อ

       อำเภอบางระกำจังหวัดพิษณุโลกอยู่บริเวณลุ่มน้ำยมตอนล่างซึ่งได้รับอิทธิพลจากน้ำทางตอนบนของลุ่มน้ำ ด้วยลักษณะทางกายภาพเป็นที่ราบลุ่มเมื่อเกิดฝนตกหนักหรือได้รับอิทธิพลจากน้ำเหนือทำให้พื้นที่นี้เกิดน้ำท่วมขังเป็นประจำทุกปีงานวิจัยนี้ใช้ข้อมูลปริมาณน้ำฝนรายวันกริดจากแบบจำลอง WRF-ECHAM5 ปีพ.ศ. 2532-2552 เป็นข้อมูลนำเข้าและสำหรับคาดการณ์ระดับน้ำรายวันสถานี Y.16 บางระกำ เป็นข้อมูลนำออกโดยมีวัตถุประสงค์คือ 1) เพื่อเปรียบเทียบวิธีการคัดเลือกข้อมูลนำเข้าที่เหมาะสมระหว่างวิธี Cross correlation กับวิธี Stepwise regression 2) เพื่อหาโครงสร้างสถาปัตยกรรมของแบบจำลองโครงข่ายประสาทเทียมที่เหมาะสมสำหรับสถานี Y.16 โดยทดสอบเปรียบเทียบชั้นซ่อนเร้น 1 ชั้น และ 2 ชั้นและโหนดในชั้นซ้อนเร้นและ n โหนดและ 3) เพื่อศึกษาวิธีการเพิ่มตัวแปรนำเข้าที่เหมาะสมจากแบบจำลอง WRF-ECHAM5 โดยใช้วิธีวิธี Moving Window Averaging (MWA) มี 16 ตัวแปร, วิธี Moving window Averaging Time step back (MAT) มี 21 ตัวแปร, Moving Window Time step back (MWT) มี 24 ตัวแปรและทุกตัวแปรรวมกันมี 53 ตัวแปร กระบวนการเรียนรู้ของแบบจำลองเลือกใช้ Levenberg-Marquardt (LM) และประมวลผลจำนวน 30 รอบหลังจากนั้นจะทำการคัดเลือกแบบจำลองที่มีการเรียนรู้ที่ดีที่สุด 5 อันดับแรกจากค่า r2 และนำผลการพยากรณ์มาจากแบบจำลองดังกล่าวมาหาค่าความถูกต้องจากค่า PDIFF จากผลการทดสอบพบว่าวิธี Cross correlation และ วิธี Stepwise regression เลือกข้อมูลนำเข้าในแต่ละกลุ่มตัวแปรดังนี้ MWA (16:2) MAT (21:1) MWT (24:1) และทุกตัวแปร (53:1) และสรุปได้ว่า วิธีการคัดเลือกข้อมูลนำเข้าวิธี Cross correlation เลือกข้อมูลนำเข้าดีกว่าวิธี Stepwise regression เนื่องจากการคัดเลือกด้วยวิธี Stepwise regression เลือกข้อมูลนำเข้าน้อยเกินไปส่วนชั้นซ่อนเร้นที่เหมาะสมควรมีชั้นซ่อนเร้น1ชั้นและโหนดในชั้นซ่อนเร้นควรมี n โหนดโดยที่ n คือจำนวนตัวแปรของจำนวนข้อมูลนำเข้าและสุดท้ายวิธีการเพิ่มตัวแปรที่เหมาะสมควรใช้วิธี MWT ซึ่งเป็นวิธีที่ผสมกันระหว่างวิธี MWA (มิติเชิงพื้นที่) และวิธี MAT (มิติเชิงเวลา) เข้าด้วยกันเป็นวิธีการเพิ่มตัวแปรที่ดีที่สุด

 

คำสำคัญ แบบจำลองโครงข่ายประสาทเทียม, แบบจำลอง WRF-ECHAM5, การคาดการณ์น้ำท่วม, บางระกำ
Abstract

       Bang Rakam District, Phitsanulok Province is located in Lower Yom River Basin that is influenced by the physical characteristics of water in the upper basin during heavy rainfall or when the volume of water from the northern part causes annual flooding of this area. This study used daily rainfall grid data from the WRF-ECHAM5 model between the years 1989 and 2009 as input variables for predict water levels at Y. 16 station. The objectives of this study were 1) to compare cross correlation and a stepwise regression method as methods for selecting appropriate input variables, 2) to determine the architecture of artificial neural networks models for the Y.16station by comparing between 1 and 2 hidden layers, also hidden nodes at and n nodes, and 3) to study the techniques of how to increase the input variables from the WRF-ECHAM5mode with Moving Window Averaging (MWA), Moving window Averaging Time step back (MAT), Moving Window Time step back (MWT) and all the input variables. The learning algorithm for this study wass Levenberg-Marquardt (LM) with numbers of run 30 times, then selected top 5 models with the best learning process by r2 values, after that the results of the top 5 models were evaluated with PDIFF value. The results found that Cross correlation and Stepwise regression methods selected input variables in each group as MWA (16:2), MAT (21:1), MWT (24:1) and all input variables (53:1). In conclusion, Cross correlation is better than the Stepwise regression method because the Stepwise regression selected few input variables. The appropriate hidden layers should be 1 layer and hidden node should be n node, where n is the number of input variables. Finally, MWT is the best technique, which is a mixed technique between MWA (spatial dimension) and MAT (time dimension).

 

Keywords Artificial Neural Network Model, WRF-ECHAM5 Model, Flood Prediction, Bang Rakam
รายละเอียดวารสาร