รายงานการวิจัย - Crops Drought_Research Report_Final

โครงการประเมินพ้ืนท่เี สย่ี งภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ 2.7 ฐานข้อมลู และระบบการจดั การฐานข้อมูล รูปแบบการจัดเก็บขอ้ มูลแต่เดิมแบบแฟ้มข้อมลู ต่อมาได้มีการจดั ข้อมลู ให้อยู่ในรปู ฐานข้อมูล เพื่อลด ปัญหาการซ้ำซ้อนของข้อมูล (Data Redundancy) และความขัดแย้งกันของข้อมูล อันมีสาเหตุจากการแก้ไข ข้อมูล (Modification Anomaly) การเพิ่มข้อมูล (Insertion Anomaly) และการลบข้อมูล (Deletion Anomaly) เปน็ ต้น ปัญหาเหล่าน้ี ทำให้การจดั เก็บข้อมูลในรูปแบบเดิมนำไปสู่การวิเคราะห์ที่ไม่ถูกต้องและขาด ประสทิ ธิภาพ รูปแบบฐานข้อมูลแตกต่างรูปแบบแฟ้มข้อมูล โดยฐานข้อมูลเป็นการนำเอาข้อมูลต่างๆ ที่มี ความสัมพันธ์กันซ่ึงแตเ่ ดิมจัดเก็บอยู่ในแต่ละแฟ้มข้อมลู มาจัดเกบ็ ไว้ในท่ีเดียวกัน เช่น ข้อมูลอาคาร ข้อมูลแปลง ที่ดิน ข้อมูลการใช้ประโยชน์ที่ดิน ข้อมูลราคาประเมินภาษี ซึ่งเป็นข้อมูลด้านการจัดเก็บภาษีในเทศบาล และมี การจดั เกบ็ ข้อมูลไว้ในแตล่ ะฝา่ ยที่รับผดิ ชอบ (รูปท่ี 2- 15) เมื่อนำข้อมลู ทีจ่ ดั เก็บในรปู แบบแฟ้มข้อมูล มาจัดเก็บ อยู่ในแหล่งเดียวกันเป็นรูปแบบของฐานข้อมูล คือ ฐานข้อมูลของเทศบาล (รูปที่ 2- 15 ข) ส่งผลให้สามารถใช้ ขอ้ มลู ร่วมกัน และสามารถแก้ไขปญั หาทเ่ี กดิ จากการใชง้ านข้อมูลแบบแฟม้ ข้อมลู กรณตี า่ ง ๆ ได้ ขอ้ มลู ที่จะนำมา จดั เก็บเปน็ ฐานข้อมูลไดน้ ้ันจะต้องเป็นข้อมลู ท่ีมีความสัมพนั ธ์กัน และสนับสนุนการดำเนนิ การอย่างใดอย่างหน่ึง ขององค์กร ซง่ึ จะเรียกวา่ ระบบฐานขอ้ มูล (Database system) รปู ที่ 2- 15 การจัดการแบบแฟม้ ขอ้ มูล (ก) เป็น การจัดเก็บข้อมลู แบบฐานข้อมลู (ข) ระบบการจดั การฐานข้อมูล (Database Management System : DBMS) คอื โปรแกรมทีท่ ำหน้าที่เป็น ตัวกลางในการติดตอ่ ระหว่างผู้ใชก้ บั ฐานข้อมูล เพ่อื จัดการ ควบคมุ ความถกู ต้อง ความซ้ำซ้อน และความสัมพันธ์ ระหว่างข้อมูลต่าง ๆ ภายในฐานข้อมูล ในการติดต่อกับฐานข้อมูลทั้งที่ใช้คำสั่งในกลุ่มของ DML หรือ DDL แม้กระทั่งโดยใช้โปรแกรมต่าง ๆ ทุกคำสั่งที่ใช้กระทำกับตัวข้อมูลจะถูกโปรแกรม DBMS นำมาแปลเป็นการ กระทำ(Operation) เพื่อนำไปกระทำกับข้อมูลทีถ่ ูกเรยี กใช้ภายในฐานข้อมลู ก่อนเสมอ ซึ่งภายใน DBMS ก็จะมี สว่ นการทำงานดา้ นตา่ ง ๆ ซึง่ เปน็ องคป์ ระกอบภายในดงั ต่อไปนี้ 1) Database manager เป็นส่วนที่ทำหน้าที่กำหนดการกระทำต่าง ๆ ให้กับ File manager ซึ่ง ทำหน้าที่ในการบริหารและจัดการกับข้อมูลที่จัดเก็บอยู่ในฐานข้อมูลในระดับกายภาพ เพื่อไป กระทำกับขอ้ มลู ที่อยใู่ นฐานข้อมลู 2) Query processor เป็นส่วนที่ทำหน้าที่ในการแปลงประโยคคำสั่งในการสืบค้นข้อมูลใน ฐานข้อมูลให้อยใู่ นรปู แบบท่ี Database Manager สามารถเขา้ ใจและนำไปประมวลผลได้ รายงานการวจิ ยั Research Report) | หน้า 32

โครงการประเมนิ พื้นท่เี ส่ียงภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภูมสิ ารสนเทศ 3) Structure Query Language (SQL) เป็นภาษาที่รูปแบบเป็นภาษาอังกฤษ ง่ายต่อการเรียนรู้ และการเขียนโปรแกรม ซึ่งเป็นภาษาที่มีอยู่ใน DBMS หลายตัว มีความสามารถใช้นิยาม โครงสร้างตารางภายในฐานข้อมูลการจัดการข้อมูล รวมไปถึงการควบคุมสิทธิการใช้งาน ฐานข้อมูล SQL จะประกอบด้วยภาษา 3 รูปแบบด้วยกัน แต่ละแบบก็จะมีหน้าที่เฉพาะ แตกต่างกันไป รปู ที่ 2- 16 ระบบจดั เก็บฐานขอ้ มลู (Database Management System: DBMS) 2.8 งานวจิ ัยทีเ่ กี่ยวข้อง Dong-Hyun Yoon et al., 2020 ศึกษาดัชนีจากภาพถ่ายจากดาวเทียมในการประเมินความ เสียหายของพืชเกษตร ในพ้นื ที่เอเชยี ตะวนั ออก ได้แก่ ดัชนีความเครยี ดจากการคายระเหย Evaporative Stress Index (ESI), ดัชนีความสมบูรณ์ของพืช Vegetation Health Index (VHI), ดัชนีพื้นที่ใบ Leaf Area Index (LAI) และดัชนีพืชพรรณที่ได้รับการปรับปรุง Enhanced Vegetation Index (EVI) พบว่า ดัชนีที่สะท้อนถึง แนวโน้มความแห้งแล้งของพืชเกษตรได้ดี คือ ESI และ VHI โดยดัชนี ESI สามารถระบุความแห้งแล้งได้ ละเอียดอ่อนและแม่นยำกว่าดัชนีอื่น ๆ ดัชนีความแห้งแล้งที่มีอยู่มีความแม่นยำน้อยกว่าเนื่องจากใช้การ ประมาณค่าพื้นที่ อย่างไรก็ตาม คาดว่า ESI จะช่วยระบุปัญหาภัยแล้งในพื้นที่บริหารขนาดเล็กและพื้นที่ที่ยัง ไม่ได้นับ การวิจัยในอนาคตเก่ียวกับการปรับปรงุ ความละเอียดของ ESI และพื้นที่เพาะปลูกพืชผลคาดวา่ จะชว่ ย ระบแุ นวโน้มความแห้งแลง้ Mst Ilme Faridatul and Bayes Ahmed, 2020 ศึกษาการประเมินความเปราะบางทาง การเกษตรต่อภัยแล้งในสภาพแวดล้อมที่แตกต่างกันด้วยวิธีการสำรวจระยะไกล ในประเทศบังคลาเทศ โดยการ ใช้ข้อมูลภาพถ่ายจากดาวเทียม MODIS ปรับปรุงดัชนีบ่งชี้สถานะของพืชที่ปกคลุม Modified Vegetation Condition Index (mVCI) ซึ่งถูกสร้างขึ้นจาก NDVI และยังได้คำนวณพื้นที่เสี่ยงภัยแล้ง Drought Hazard Index (DHI) ด้วยการถ่วงค่านำ้ หนกั ผลการวิจัยแสดงให้เหน็ ว่า mVCI ทเ่ี สนอนนั้ ช่วยเพ่มิ การตรวจจับความแห้ง รายงานการวิจัย Research Report) | หน้า 33

โครงการประเมนิ พื้นทีเ่ ส่ียงภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยีภูมสิ ารสนเทศ แล้งทางการเกษตรเม่ือเปรียบเทียบกับ VCI ด้ังเดมิ ในสภาพแวดล้อมท่แี ตกต่างกนั ฤดปู ลูกข้าว \"Aus\" การศึกษา นีไ้ ด้ทำการวเิ คราะหใ์ นวงกวา้ งซ่ึงมีความสำคญั ต่อการจัดลำดับความสำคัญของเขตเกษตรกรรมและเร่ิมโครงการ พฒั นาตามระดบั ความเปราะบางทเี่ กย่ี วข้อง Xingbang Hu et al., 2019 ศึกษาความแห้งแล้งทางการเกษตรโดยใช้ European Space Agency Sentinel 3A โดยการประมาณสภาวะอุณหภูมขิ องพืช Vegetation Temperature Condition Index (VTCI) โดยอาศัยการวิเคราะหค์ วามสมั พนั ธ์ระหวา่ ง LST กบั NDVI ผลการวิจัยพบว่า VTCI สามารถใชไ้ ด้เฉพาะ ช่วงฤดูร้อน VTCI เฉลี่ยของพิกเซลที่ดินที่เพาะปลูกในพื้นที่ศึกษาเพิ่มขึ้นจาก 0.4511 เมื่อวันที่ 28 กรกฎาคม เป็น 0.5229 ในวันที่ 12 สิงหาคม ก่อนลดลงเป็น 0.4710 ในวันที่ 18 สิงหาคม เนื่องจากปริมาณน้ำฝนใน ช่วงแรกจึงบ่งช้ีว่า VTCI มีการตอบสนองอย่างทันท่วงที ปริมาณน้ำฝน ในขณะเดียวกัน การเปรียบเทียบข้ามคา่ VTCI จาก Sentinel-3A SLSTR แสดงความสอดคล้องกันสูงในแง่ของการกระจายเชิงพื้นที่กับค่าประมาณจาก ผลิตภัณฑ์ EOS MODIS ความแตกต่างระหว่างดัชนีเหล่านี้อยู่ระหว่าง −0.1 ถึง 0.1 สำหรับจุดส่วนใหญ่ โดยเฉพาะอยา่ งยง่ิ ในพ้ืนที่เพาะปลกู โดยรวมแล้ว Sheng Chang et al, 2021 ศึกษาข้อมูลดัชนีภัยแล้งของพืช Vegetation Drought Index (VDI) และ ดัชนีสุขภาพพืช Vegetation Health Index (VHI) จากภาพถ่ายจากดาวเทียม MODIS และทำการ ตรวจสอบผลการวิจัยด้วยการตรวจวัดค่าข้อมูลความชื้นในดินและค่าชีวมวลในภาคสนาม พบว่าค่าดัชนี VDI สะท้อนความรุนแรงของภัยแล้งได้ดีกว่าการใช้ดัชนี VHI และเมื่อหาความสัมพันธ์ระหว่าง VHI และ VDI กับ NFB (normalized fenced biomass) ค่อนข้างต่ำในเขตทะเลทราย นอกจากนี้ข้อมูลผลกระทบจากภัยแล้งได้ ถกู นำมาใช้เพื่อรบั รองความสอดคลอ้ งเชิงพ้ืนท่ีของการประเมินแผนท่ี VDI ซง่ึ แสดงใหเ้ ห็นถึงเสถียรภาพของการ ตรวจสอบความแหง้ แล้ง และบทบาทสำคญั ในการเฝา้ ระวงั ภัยแลง้ ในอนาคตของเขตทุ่งหญา้ ได้ รายงานการวิจัย Research Report) | หนา้ 34

โครงการประเมินพ้ืนทเี่ ส่ียงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ บทท่ี 3 ระเบียบวธิ ีดำเนนิ การวจิ ยั การศึกษาในครั้งน้ี คณะผ้วู จิ ัยไดเ้ ลือกพนื้ ทีส่ ำหรับการศกึ ษาครอบคลุมทุกจังหวดั ในประเทศไทย เพื่อ ศกึ ษาดชั นพี ้ืนทเ่ี ส่ียงภัยแล้งและการประเมนิ ความเสยี หายของพชื เกษตรรายแปลง ทคี่ วามละเอียดเชิงเวลาทุกๆ สัปดาห์ เดือน และมีการติดตั้งเครื่องมือเพื่อใช้ในการทวนสอบดัชนีในพื้นที่ 6 จังหวัด ได้แก่ สกลนคร ร้อยเอ็ด สุรินทร์ นครราชสีมา กำแพงเพชร และอุทัยธานี ซึ่งเป็นพื้นที่ที่ได้รับการรายงานจากกรมส่งเสริมการเกษตรว่า เป็นพื้นที่เคยได้รับความเสียหายจากภัยแล้ง ในงานวิจัยแบ่งการดำเนินงานเป็น 6 ส่วน (รูปที่ 3- 1) มี รายละเอยี ดดงั นี้ รปู ที่ 3- 1 ขนั้ ตอนการวิจยั 3.1 การศกึ ษาและรวบรวมข้อมูลท่เี กี่ยวข้อง ศึกษาและรวบรวมข้อมูลดาวเทียมที่มีศักยภาพและเกี่ยวข้องกับการประเมินพื้นที่เสี่ยงภัยแล้งและ ความเสยี หายของพืช โดยพิจารณาถึงดาวเทียมท้ังในระบบ Passive และระบบ Active ความละเอยี ดปานกลาง (Moderate Resolution Satellites) และดาวเทียมความละเอยี ดสูง (High Resolution Satellites) ขอ้ มลู การ ใช้น้ำของพืช ข้อมูลปริมาณน้ำฝน ข้อมูลความเสียหายของพืชจากภัยแล้งที่เคยเกิดขึน้ ในอดีตจากแบบประมวล รวมชว่ ยเหลือเกษตรกรผปู้ ระสบภยั (กษ.02) และข้อมลู ความช้ืนในดนิ จากสถานตี รวจวดั ผวู้ ิจัยศกึ ษาและรวบรวมขอ้ มูลท่เี ก่ยี วข้อง ดังแสดงในตารางท่ี 3- 1 รายงานการวิจยั Research Report) | หนา้ 35

โครงการประเมนิ พื้นท่เี สยี่ งภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภมู สิ ารสนเทศ ตารางที่ 3- 1 สรปุ ผลการรวบรวมข้อมูลดาวเทยี มและข้อมูลทเ่ี กย่ี วข้องต่อการประเมินพืน้ ทีเ่ สีย่ งภยั แลง้ และ ความเสยี หายของพืช การศึกษาและรวบรวมข้อมูล รายละเอยี ด กลมุ่ ดาวเทยี มความละเอยี ดปานกลาง - ดชั นี NDVI, LST, VCI, TCI, VCI, TCI, VHI, - Suomi NPP - รายละเอยี ด 1 กม. - ความถ่รี ายวัน คอมโพสทิ เป็นรายสปั ดาห์ - Global Precipitation Measurement (GPM) รายเดอื นและรายปี - Soil Moisture Active Passive (SMAP) - ดัชนีปรมิ าณน้ำฝน ดาวเทยี มความละเอยี ดสูง - รายละเอียด 10 กม. - ความถ่ี 0.5 ช่วั โมง ประมวลผลขอ้ มลู เป็น - ดาวเทยี ม Sentinel-1 (S1) รายวัน และรายเดือน - ดาวเทียม Sentinel-2 (S2) - ความช้ืนในดนิ , Eto - รายละเอยี ด 3 กม. และ 1 กม. ข้อมลู การใช้น้ำของพชื - ความถ่ี 3 วัน ข้อมลู ปริมาณน้ำฝน - ผลติ ภณั ฑ์ SLC level1 ใช้สำหรับ Downscale ขอ้ มูลดาวเทยี ม SMAP - รายละเอยี ด 5 เมตร - ความถี่ 12 วนั - ดัชนี NDVI, SAVI, EVI, NDWI, CDAI - รายละเอยี ด 20 เมตร - ความถีร่ าย 5 วนั คอมโพสิทเปน็ รายสัปดาห์ ราย 10 วนั รายเดือนและรายปี - การใชภ้ าพถ่ายจากดาวเทียมวิเคราะห์การคาย ระเหยของพชื เพือ่ นำมาวิเคราะห์การขาดน้ำที่ จะมผี ลกระทบกับพชื ในสภาวะแห้งแล้ง - ข้อมูลปริมาณน้ำฝนรายวัน ย้อนหลัง 50 ปี จากกรมอุตนุ ยิ มวยิ า - ข้อมูลปริมาณน้ำฝนต่อเนื่องรายวัน เชื่อมโยง API จากสถานีตรวจวัดอัตโนมัติ ของกรม อุตนุ ยิ มวิทยา และ สถาบนั ทรพั ยากรนำ้ รายงานการวิจัย Research Report) | หนา้ 36

โครงการประเมินพ้ืนทเ่ี สย่ี งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ การศึกษาและรวบรวมขอ้ มูล รายละเอยี ด ข้อมูลเกณฑ์พจิ ารณาความเสียหายของพชื - ข้อมูลประกอบการพิจารณาความเสียหายของ พืชแต่ละชนิดจากภัยพิบัติจากหลักวิชาการ ของกระทรวงเกษตรและสหกรณ์ ข้อมูลความเสียหายของพืชจากภัยแล้งที่เคยเกิดข้นึ - ข้อมูลที่ได้รับการตรวจสอบและยืนยันจาก ในอดีตจากแบบประมวลรวมช่วยเหลือเกษตรกร คณะกรรมการช่วยเหลอื ผู้ประสบภยั พิบัติด้าน ผูป้ ระสบภัย (กษ.02) การเกษตร ในพื้นที่ว่าพื้นที่เพาะปลูกของ เกษตรกรที่มาขอรับการช่วยเหลือได้รับความ เสียหาย จากกรมส่งเสรมิ การเกษตร ขอ้ มลู ความชน้ื ในดินจากสถานตี รวจวัด - ข้อมูลการตรวจวัดความชื้นในดินจากสถานี ตรวจวัดอัตโนมัตขิ อง สทอภ. ในงานวิจยั นไี้ ด้ทำการรวบรวมข้อมูลแบบประมวลรวมช่วยเหลือเกษตรกรผปู้ ระสบภยั (กษ.02) ท่ีได้รับ ความอนุเคราะห์จากกรมส่งเสริมการเกษตร โดยรวบรวมมาเฉพาะ กษ.02 จากภัยแล้ง ระหว่าง พ.ศ. 2561 – 2564 จำนวนรวมท้ังสิ้น 76,434 ตัวอย่าง ในพืช 4 ชนิด ได้แก่ ข้าว ข้าวโพด มันสำปะหลังและอ้อย ครอบคลุม พื้นทศี่ ึกษา 6 จังหวัด ได้แก่ กำแพงเพชร นครราชสีมา ร้อยเอด็ สกลนคร สรุ นิ ทรแ์ ละอทุ ยั ธานี รายละเอียดตาม ตาราง 3-2 และ รปู ที่ 3-2 ตารางท่ี 3- 2 จำนวนแบบประมวล กษ.02 ท่รี วบรวมจากกรมสง่ เสรมิ การเกษตร ระหวา่ งปี พ.ศ. 2561-2564 ตามชนิดพชื ข้าว พืช จำนวน กษ.02 ขา้ วโพด รวม 71,605 มันสำปะหลงั 4,687 ออ้ ย 84 58 76,434 รายงานการวิจัย Research Report) | หน้า 37

โครงการประเมนิ พ้นื ท่ีเสยี่ งภัยแลง้ และความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ กษ.02 จงั หวัดกำแพงเพชร กษ.02 จงั หวดั นครราชสีมา กษ.02 จังหวดั ร้อยเอด็ กษ.02 จังหวัดสกลนคร กษ.02 จงั หวัดสรุ นิ ทร์ กษ.02 จงั หวัดอุทยั ธานี รปู ที่ 3- 2 แผนทแ่ี สดงการกระจายตัวของข้อมลู กษ.02 ในพ้นื ที่ศึกษาท้งั 6 จังหวดั 3.2 การพัฒนาแบบจำลองดัชนปี ระเมนิ พืน้ ทเ่ี สย่ี งภัยแล้ง การพัฒนาแบบจำลองในการประเมินพื้นที่เสี่ยงภัยแล้ง (รูปที่ 3- 3) จากดาวเทียม Suomi NPP ซง่ึ มีความถีเ่ ป็นรายวัน ความละเอียด 1x1 กโิ ลเมตร ถกู คำนวณดว้ ยสมการสร้างเป็นดัชนี NDVI, LST, VCI, TCI และ VHI สามารถประมวลผลความละเอียดของช่วงเวลาเป็นรายสัปดาห์ และรายเดือน จากนั้นวิเคราะห์และ ประมวลผลร่วมกับ ปริมาณน้ำฝนจากกรมอุตุนิยมวิทยาในการแสดงพื้นที่ที่มีฝนทิ้งช่วง (SPI) ร่วมกับ ข้อมูลฝน จากดาวเทียม GPM คำนวณเป็นเป็นดัชนีความรุนแรงความแห้งแล้ง (DHI: Drought Hazard Index) รายงานการวจิ ัย Research Report) | หน้า 38

โครงการประเมนิ พน้ื ท่เี สี่ยงภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ เปรียบเทียบกับข้อมูลอนุกรมเวลา ความสัมพันธ์ระหว่างดัชนี DHI กับ ข้อมูลดัชนีความชื้นผิวดิน (SSM: Surface Soil Moisture) ในการคำนวณค่าสหสัมพันธ์ โดยกำหนดให้ค่าน้ำหนักดัชนีความชื้นผิวดิน และดัชนี ความรนุ แรงความแห้งแล้ง แตกตา่ งไปตามสถานการณ์ El Nino, La Nina และ Neutral รูปที่ 3- 3 แบบจำลองในการประเมินพืน้ ท่เี สยี่ งภยั แลง้ 3.2.1 Normalized Difference Vegetation Index: NDVI การประมวลผลข้อมูล VNP09GA (VIIRS/NPP Surface Reflectance CDAIly L2G Global 1km and 500m SIN Grid NRT) จากดาวเทยี ม Suomi NPP ข้อมลู ประกอบด้วย ตารางท่ี 3- 3 ข้อมลู Dataset จากไฟล์ H5 ที่ใช้ในการประมวลผล NDVI จากข้อมูลจากดาวเทียม Suomi-NPP Band Dataset (1 KM) Central Band Valid Range Wavelength Explanation M3 SurfReflect_M3_1 -100 - 16000 M4 SurfReflect_M4_1 0.488 Visible -100 - 16000 M5 SurfReflect_M5_1 0.555 Visible -100 - 16000 M7 SurfReflect_M7_1 0.672 Visible -100 - 16000 0.865 Near IR รายงานการวจิ ัย Research Report) | หน้า 39

โครงการประเมินพ้ืนที่เส่ยี งภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ ประกอบข้อมูลกริด Sinusoidal Projection หมายเลข h27v06, h27v07, h27v08, h28v07 และ h28v08 เพื่อครอบคลมุ พื้นทปี่ ระเทศไทยทั้งหมด การประมวลผลขอ้ มูลจะตอ้ งใช้ตวั คูณ Scale Factor = 0.001 (Suomi-NPP VIIRS Surface Reflectance User’s Guide) เพื่อแปลงข้อมูล 16 Bits Signed Integer ให้ กลับมาเป็น Float (ทศนิยม) แล้วประมวลผลจากระบบพิกัดอ้างอิง Sinusoidal Projection ให้เป็น Geographic Coordinates System การกรองข้อมูลอื่น ๆ ที่ไม่ใช่ NDVI จากการตรวจวัดสิ่งปกคลุมที่เป็นพืช เช่น เมฆ ด้วยสมการเงื่อนไข ตามผลงานวิจัยของ Parames et. al., (2017) ดังสมการที่ (1) ที่ตรวจวัดจากค่าการสะท้อนช่วง Blue (M3), Green (M4) และ Red (M5) โดยงานวิจัยให้ตรวจวัดกับค่า MIN_REF = 0.8% ในการคำนวณครั้งนี้คิดจาก Valid Range ของช่วงค่า 16,000 (Maximum Valid Value) เท่ากับ 16,000 (0.08) = 1,280 เพื่อนำมาใช้ใน ก า ร ก ร อ ก ก า ร ส ะ ท ้ อ น จ า ก ช ั ้ น ข อ ง เ ม ฆ อ อ ก ไ ป จ า ก ค ่ า ด ั ช น ี NDVI ส ำ ห ร ั บ ใ น ส ่ ว น ท ี ่ เ ป็ น นำ้ เงาของเมฆ ยังไมไ่ ดน้ ำมาคำนวณในการดำเนนิ งานครั้งนี้ (Blue > MIN_REF) ^ (Green > MIN_REF) ^ (Red > MIN_REF) = CLOUD -------------(14) (NIR13 > MIN_CIRRUS) = CIRRUS -------------(15) ((Red < 4.0%) ^ (Red > NIR22)) ^ [((NIR08 > Red) ^ (Green < MIN_REF) ^ (Blue < MIN_REF) ^ (NIR08 > 5.0%)) V (NIR08 < MAX_NIR)] = SHADOW -------------(16) โดยท่ี เคร่อื งหมาย ^ หมายถงึ AND และ v หมายถึง OR ข้อมูล band (Blue, Green, Red, NIR08 และ NIR22) จะต้องเทียบจาก Central Wavelength ตาม ตารางที่ 3- 4 ซึ่งตรงกับ Suomi-NPP Bands แล้วนำ Dataset มาคำนวณตรวจสอบเงื่อนไขตามสมการ เพื่อ จัดทำเป็นชั้นข้อมูลกรองเมฆและสิ่งปกคลุมที่ไม่ใช่การสะท้อนของพืช ออกจากข้อมูลที่จะนำไปใช้วิเคราะห์ใน ขน้ั ตอนถัดไป รายงานการวจิ ยั Research Report) | หน้า 40

โครงการประเมินพน้ื ท่ีเส่ยี งภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยีภมู ิสารสนเทศ ตารางที่ 3- 4 VIIRS Bands และการประยกุ ต์ใชง้ านในการขจัดส่ิงปกคลมุ ทไ่ี ม่ใช่การสะทอ้ นจากพชื (Parames et. al., 2017) Band Name Central Wavelength Application (µm) M2 Blue 0.445 Clouds, shadows, bare agricultural areas M4 Green 0.555 Clouds, shadows, water, snow, bare agricultural areas M5 Red 0.672 Clouds, clear land, bare agricultural areas M7 NIR08 0.865 Shadows, water, bare agricultural areas M9 NIR13 1.39 Cirrus clouds, shadows M10 NIR16 1.61 Snow and ice M11 NIR22 2.25 Clear land, shadows 3.2.2 Land Surface Temperature: LST ชั้นข้อมูลความร้อนพื้นผิว (LST) ประมวลผลจากข้อมูลจากดาวเทียม Suomi-NPP ไม่ได้จากการ ตรวจวัดโดยตรงจากเซนเซอร์ของดาวเทียม จำเป็นต้องคำนวณจากข้อมูลความส่องสว่าง อ้างอิงเอกสารของ Joint Polar Satellite (JPSS) VIIRS Land Surface Temperature Algorithm Theoretical Basis Document (ATBD) สามารถสรุปความสำคัญเพื่อให้เป็นที่เข้าใจในทางเทคนิคที่เป็นพื้นฐานการพัฒนาระบบ ข้อมูลของในโครงการนี้ได้ว่า อัลกอริทึม VIIRS LST อาศัยการประมาณค่าด้วยสมการถดถอย หรือรีเกรสช่ัน โมเดล โดยใช้ค่าอุณหภูมิส่องสว่างที่ได้จากข้อมูลในช่วงคลื่นที่ให้ค่า brightness temperature ได้แก่ 3.75, 4.005, 10.8 และ 12 ไมครอน สร้างสมการที่เหมาะสมในแต่ละประเภทสิ่งปกคลุมดิน (Land Cover) ด้วย เทคนิค Split Window Algorithm นอกจากนี้ในกรณีที่สัญญาณภาพได้รับอิทธิพลจากแสงในลักษณะเกิดแสง ประกายของดวงอาทิตย์ (Sun Glint) กจ็ ะใชเ้ ทคนิค Dual Split Window Algorithm ซงึ่ เปน็ การใช้ 4 ชว่ งคล่ืน เพื่อให้ไดผ้ ลลพั ธท์ ่ีดีที่สดุ ผังกระบวนการแสดงดังรูปที่ 3- 4 รายงานการวิจยั Research Report) | หน้า 41

โครงการประเมินพื้นท่ีเสี่ยงภยั แล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ รปู ที่ 3- 4 ผังกระบวนการผลิตขอ้ มูล LST จากข้อมูลระบบ VIIRS รเี กรสชันโมเดลในอัลกอรทิ มึ ผลิตขอ้ มลู LST มีสองรปู แบบหลัก คอื (1) Two Band Algorithm (Baseline Algorithm) รปู สมการ คือ --(17) (2) Four Band Algorithm (Optional Algorithm) มีสมการแตกต่างกันสำหรับการผลิตข้อมูล LST ในรอบวัน โดยหากเป็นช่วงกลางวัน จะมีรูป สมการดงั ตอ่ ไปนี้ --(18) ในขณะที่การผลิตข้อมูล LST ช่วงกลางคืน จะมรี ูปสมการดังต่อไปนี้ --(19) การใช้สมการรีเกรสชันลักษณะดังกล่าวจะต้องสร้างสมการทุก ๆ ประเภทสิ่งปกคลุมดิน (ทั้ง 17 ประเภทตามการจำแนกของ IGBP ปกติแล้วชุดข้อมูลทั้งสองถูกสร้างด้วย Program Package คนละตัวกันและผลิตเพื่อการใช้ประโยชน์ เฉพาะที่แตกต่างกัน แต่ว่ากระบวนการผลิตข้อมูลของสถานีรับสัญญาณดาวเทียมของ สทอภ. ได้รวมชุดข้อมูล ทั้งสองเข้าเปน็ ข้อมูลผลติ ภัณฑเ์ ดียวกัน ดังนั้นผู้ใช้จำเป็นต้องเข้าใจความหมายของชื่อไฟล์และเลอื กใช้หรือจบั คู่ กลมุ่ ไฟล์ภายในชุดให้เหมาะสมกับการใช้งาน อย่างไรก็ตาม ชุดไฟลท์ ป่ี ระกอบดว้ ยช่ือ CLAVRx.* มีแบนด์ข้อมูล ที่สามารถนำมาใช้ในโครงการฯ ได้ ได้แก่ NDVI, LST, Cloud Mask, Land Surface Type โดยเป็นชุด รายงานการวจิ ยั Research Report) | หน้า 42

โครงการประเมินพ้นื ที่เสี่ยงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยีภมู ิสารสนเทศ ข้อมูลภาพที่ผ่านการปรับแก้เชิงเรขาคณิตให้เข้ากับเส้นโครงแผนที่แล้ว ในที่นี้ได้เลือกใช้ข้อมูลที่เป็นสัญญาณ ภาพช่วงกลางวนั (ตามตวั อย่างข้างต้น ช่อื ไฟล์ท่ปี รากฏตัวอักษร t และตามมาดว้ ยตัวเลขคือเวลาในหน่วย UTC ในที่นี้ต้องใช้ชุดตัวเลขที่มีค่าขึ้นต้นด้วย 0 ซึ่งจะเป็นเวลากลางวันในประเทศไทย) ในขณะที่ไฟล์ข้อมูลท่ี ประกอบด้วยชอ่ื VLSTO* ไมพ่ บ Geolocation File ทจ่ี ำเป็นต่อการใชท้ ำข้อมูลแผนที่ ซ่ึงทางสถานรี บั สัญญาณ ฯ ระบุว่าเป็นชุดข้อมูลที่ผลิตตามค่าที่กำหนดไว้เป็น default ของระบบผลิตข้อมูล NPP ของ สทอภ. ณ ขณะ ปัจจุบัน (กล่าวคือไม่จัดเก็บ Geolocation Files สำหรับข้อมูล Level 2) ประเด็นนี้ถือว่าเป็นปัญหาและ ข้อจำกัดในการใช้ข้อมูลสำหรับโครงการฯ ด้วยข้อมูลชุดสองนี้ (ชุดที่มีไฟล์ CLAVRx.*) แม้จะนำมาใช้งานแทน ข้อมูล EDR level 2 ได้ แตบ่ างวนั ขอ้ มูลชุดนี้อาจไมส่ ามารถผลิตได้ เน่อื งจากตอ้ งอาศยั ข้อมลู ตัวแปรที่เกี่ยวข้อง หลายตัวในการผลิตข้อมลู หากข้อมลู ตั้งต้น (ขอ้ มลู Level 1) ทผ่ี ลติ มปี ญั หากจ็ ะทำให้ระบบผลิตข้อมูลอัตโนมัติ ไมผ่ ลิตขอ้ มลู CLAVRx* ในวนั น้นั ๆ ได้ (ซ่งึ พบบางชุดข้อมลู ตวั อยา่ งทไ่ี ดร้ ับมาในขณะดำเนินงานโครงการฯ) 3.2.3 Vegetation Condition Index: VCI ดัชนี VCI เป็นดัชนี ใช้อนุพันธ์ (Time Series) ที่นิยมใช้ในทางวิชาการโดยอาศัยหลักการ เปรียบเทียบสุขภาพพืช (ด้วย NDVI) กับค่าช่วงเวลาในอดีต เพื่อสังเกตค่าผิดปกติ (Anomaly) ของดัชนี สถานะปจั จบุ ัน ขอ้ มูล VCI จะเปน็ ดชั นสี ำคญั ดชั นแี รก ที่สามารถใช้ในการ “ช้ี” สิ่งผิดปกติของพืช ขา้ ว ข้าวโพด มนั สำปะหลงั ออ้ ย หากเราสามารถคำนวณคา่ สถติ ิของชพี ลักษณ์ “ปกติ” และชพี ลักษณข์ องขณะ “ขาดน้ำ” ได้ แนวคิดของการใช้ช่วงค่า NDVI จากในอดีตมาใช้เป็นเกณฑ์ในการตรวจสอบ ข้อมูล NDVI จากในอดีตในแต่ละ เดือนย้อนหลงั 3 ปี สามารถสรา้ งคา่ สถิติการเจริญเตบิ โตของของพืชดว้ ยค่า Min, Max และ Average ทำให้เรา สามารถใช้ค่า NDVI ของแปลงติดตามการเพาะปลูกมาตรวจกับช่วงสถิติของค่าปกติแล้วสามารถตรวจพบได้ว่า NDVI อ ย ู ่ ใ น เ ก ณ ฑ ์ ต ่ ำ ก ว ่ า ค ่ า ป ก ต ิ จ ึ ง ร ะ บ ุ ไ ด ้ ว่ า แ ป ล ง เ พ า ะ ป ล ู ก พ ื ช ม ี ค ว า ม เ ส ี ย ห า ย โดยมสี มการคำนวณ VCI ดงั น้ี ������������������ = (������������������������������������������−������������������������������������������) × 100 ----------------------(20) (������������������������������������������−������������������������������������������) 3.2.4 Temperature Condition Index: TCI ข้อมลู เกย่ี วกบั อุณหภมู ิเป็นข้อมลู ทส่ี ำคัญมากกับการศึกษาสง่ิ มชี ีวิต ซ่งึ อุณหภมู ิ และพลังงานจาก แสงอาทิตย์ทำให้เกิดวัฏจักรการแลกเปลี่ยนพลังงานของสิ่งต่าง ๆ ในธรรมชาติ เช่น กระบวนการคายระเหย สมดุลน้ำ ฯลฯ การตรวจวัดเพื่อทราบปริมาณอุณหภูมิจะสามารถบ่งชี้ เรื่องการใช้น้ำไปจนถึงความเครียดของ การขาดนำ้ ของพืชได้ เน่ืองจากอุณหภูมเิ ป็นตัวแปรสำคัญของปริมาณการใช้น้ำของพืช ดงั นั้น มีหลายงานวิจัยท่ี ใช้อุณหภูมิ และดัชนี NDVI ในการประเมินผลผลิตของพืชเกษตร เช่น (Teal, et al., 2006) และ (Lofton, et al., 2012) ใช้ข้อมูลอุณหภูมิคำนวณข้อมูล GDD (Growth Degree Day) หรือ ข้อมูลสอบเทียบอุณหภูมิฐานที่ พชื เติบโตไดด้ ที สี่ ดุ เป็นตวั แปรเปรียบเทยี บอณุ หภมู ิในแต่ละวนั ตลอดชว่ งระยะการเจรญิ เติบโตของพืช ร่วมกับนำ ค่าดัชนี NDVI มาใช้ทำเป็นอัตราส่วนของอุณหภูมิต่อ NDVI แล้วคำนวณเป็นค่าสะสมเพื่อจัดทำแบบจำลอง รายงานการวจิ ยั Research Report) | หน้า 43

โครงการประเมินพื้นทเี่ ส่ยี งภัยแล้งและความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภมู ิสารสนเทศ คาดการณ์ผลผลิต (ตันอ้อย) ที่มีสหสัมพันธ์สูงถึง 0.40 สำหรับกรณี “พืชทั่ว ๆ ไป” เห็นควรให้ศึกษาโดยใช้ เกณฑ์ VHI เป็นดัชนกี ลาง (สามารถขยายระบบออกไปครอบคลุมพชื หรือไม้ยนื ต้นอน่ื ๆ ไดใ้ นอนาคต) เนื่องจาก ดัชนี VHI เปน็ ดชั นีท่ีต้องใช้เกณฑข์ อง VCI และ TCI ซึ่งเป็นข้อมลู เดยี วกนั กบั งานวจิ ยั ท้งั สอง แตเ่ ปน็ การคำนวณ เทียบกับในอดีตเปน็ เกณฑ์ตรวจสอบสุขภาพของพชื จากค่าปกติ โดยมรี ายละเอียดสมการในการคำนวณดงั น้ี ������������������ = (������������������������������������−������������������������������������) × 100 ----------------------(21) (������������������������������������−������������������������������������) 3.2.5 Vegetation Health Index: VHI VHI เป็นข้อมูลสำหรับทุกกลุ่มพืชที่เหมาะสมในการใช้ติดตามพืชเกษตร เนื่องจากเป็นดัชนีที่ คำนวณอยู่บนพื้นฐานของค่ารงั วดั VCI (สุขภาพของพืช) และ TCI (อุณหภูมิ) ท่ีเปน็ ตัวแปรสำคัญของการติดตาม บันทึกข้อมลู การเจริญเติบโตของพืช ตลอดอายขุ องพชื ดงั น้นั จึงควรต้องศกึ ษาขอ้ มูล VHI ทล่ี ะเอียดขนึ้ และแยก เฉพาะกลุ่มพืช ไม่เหมือนกับการศึกษาอนุพันธ์จากดาวเทียมความละเอียดปานกลาง เช่น Suomi NPP หรือ MODIS เนื่องจากข้อมูลอนุพันธ์ ณ ความละเอียดปานกลางข้อมูลที่ตรวจวัดจากดาวเทียมมีผลของการสะท้อน วัตถอุ นื่ ปนมากับขอ้ มูลน้นั ด้วย แตก่ ับขอ้ มูลจากการตรวจจับดว้ ยดาวเทียมรายละเอยี ดสงู เชน่ Sentinel-2 ข้อมูล อื่นที่ปะปนมากับค่าการสะท้อนนั้นมีน้อยกว่ามาก ทำให้ต้องศึกษาดัชนี VHI แยกเป็นชนิดพืช เนื่องด้วยในแต่ละ พืชมอี ายไุ ม่เท่ากนั มชี ่วงฤดู (หรอื เวลา) การเพาะปลูกแตกต่างกัน การคำนวณดชั นี VHI มีรายละเอยี ดดงั นี้ ������������������ = ������ ∙ ������������������ + (1 − ������) ∙ ������������������ ----------------------(22) 3.2.6 Drought Hazard Index: DHI DHI ประกอบด้วยปัจจยั ย่อย 2 ปจั จัย ทางดา้ นอุตุ-อุทกวิทยาและขอ้ มูลอนพุ นั ธ์ภาพจากดาวเทียม 1) ดัชนี Standardized Precipitation Index: SPI คือ ตัวชี้วัดความแห้งแล้งโดยใช้ปริมาณ ความชื้นสะสมในอดีต โดยทั่วไปแล้ว ดัชนีฝนมาตรฐานจะคำนวณเป็นรายเดือน เช่น 1, 3, 6, 9 หรือ 12 เดอื น ข้อมูลน้ำฝนที่ใช้ในการคำนวณหาดัชนีฝนมาตรฐาน (SPI) ได้มาจาก สำนักงานกรมอุตุนิยมวิทยา ซึ่งเป็นข้อมูลน้ำปริมาณน้ำฝนย้อนหลัง 50 ปี จากสถานีตรวจววัดอากาศทัว่ ประเทศท้ังหมด 123 สถานี โดยแต่ ละสถานีจะมีข้อมูลน้ำฝนสะสมรายเดือนตั้งแต่เดือนมกราคม จนถึงเดือนธันวาคม และทำการจัดการกับข้อมูล (Data Preprocessing) ก่อนการนำขอ้ มลู เข้าไปทำการวเิ คราะห์ด้วยโมเดล SPI การคำนวณหาดัชนีฝนมาตรฐานถูกคิดค้นโดย Mckee, Nolan Doesken and John Kleist of the Colorado Climate Center ในปี 1993 โดยคำนวณจากสมการ: ----------------------(23) รายงานการวจิ ยั Research Report) | หน้า 44

โครงการประเมนิ พนื้ ทีเ่ ส่ียงภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภูมสิ ารสนเทศ อย่างไรก็ตาม การวเิ คราะห์หาดัชนฝี นมาตรฐาน จะต้องมีข้อมูลปริมาณน้ำฝนจากสถานีอากาศแต่ ละสถานี ย้อนหลงั ทต่ี ่อเนื่องกัน ตวั อย่างเช่น แตล่ ะสถานีอากาศจะต้องมขี ้อมูลปริมาณน้ำฝนย้อนหลัง 20-30 ปี โดยไม่มีข้อมูลของปีใดปีหนึ่งหายไป แต่เนื่องจากข้อมูลที่ได้มาตั้งแต่ปี พ.ศ. 2494 นั้น มีหลายสถานีที่ข้อมูล ปริมาณนำ้ ฝนขาดหายไปในบางปี ดงั นั้น สถานีทข่ี ้อมลู ไม่ครบจึงถูกตดั ออก โดยมีขอ้ มลู สถานีอากาศย้อนหลังไป 30 ปี 2) Global Precipitation Measurement (GPM) ข้อมูลจาก GPM มีหลายผลิตภัณฑ์ ผลิตภัณฑ์ที่สามารถนำมาประมวลผลได้ทันต่อการเป็นข้อมูล รายสปั ดาห์ สำหรบั ปรับปรงุ ขอ้ มลู ความชืน้ ผิวดินจากดาวเทยี ม SMAP เปน็ ผลติ ภัณฑท์ ่ีมีการตรวจวดั ปริมาณฝน ทุก 0.5 ชม. และปรบั ปรงุ ข้อมูลร่วมกับสถานีตรวจวดั ฝนภาคพ้นื ดินจากผู้ผลิตแล้ว ข้อมลู ผลิตภัณฑ์นี้ครอบคลุม พื้นที่ทั้งโลกอ้างอิงระบบพิกัดภูมิศาสตร์ ซึ่งเป็นข้อมูลค่าเฉลี่ยในหน่วย มม./ชม. ข้อมูลค่าเฉลี่ยดังกล่าวจะถูก นำมาประมวลผลเบือ้ งตน้ เปน็ คา่ เฉลี่ยรายวัน และค่าเฉลี่ยรายเดือน ซึ่งเป็นข้อมูลทีอ่ ยู่ในช่วงท่ีมกี ารประยกุ ต์ใช้ ในงานเกษตรกรรม การประมวลผลข้อมูลฝน 3IMERGHHL เดือน มกราคม 2020 เพื่อทดสอบกับสถานีตรวจวัด ภาคพื้นดินของสถาบันสารสนเทศทรัพยากรน้ำ (สสน.) โดยการเฉลี่ยฝนราย 0.5 ชม. ให้เป็นฝนรายวัน (LDAY) แล้วประมวลผลให้เป็นฝนรายเดือน (LDAYMON) โดยแปลงให้เป็นฝนสะสมรายเดือน (มิลลิเมตร) ดังลำดับการ ประมวลผลรปู ที่ 3-5 DGIESSC 3IMERGHHL LDAY LDAYMON (0.5 ชม.) (24 ชม.) (1 เดอื น) รูปที่ 3- 5 การประมวลผลข้อมลู GPM ราย 0.5 ชม. ใหเ้ ป็นปริมาณฝนสะสมรายเดอื น เมอื่ ประมวลผลขอ้ มูล GPM จากราย 0.5 ชม. ให้เปน็ ฝนสะสมเดอื น มกราคม พ.ศ.2565 เรียบรอ้ ย แล้ว นำข้อมูลฝนรายวันจากสถานีตรวจวัดภาคพื้นดิน มาทำการเปรียบเทียบด้วยการ Sampling ข้อมูลด้วยวิธี Nearest Neighborhood จากตำแหนง่ สถานที ่ตี รงกันกบั ข้อมลู ปริมาณฝนสะสมขนาด 0.1x0.1 องศา จากการตรวจสอบข้อมูลฝนสะสมระหว่างฝนตรวจวัดโดยตรงจากสถานีตรวจอากาศภาคพื้นดิน ของกรมอุตุนยิ มวทิ ยา กับปรมิ าณฝนสะสมประมวลผลจากการตรวจวัดด้วยดาวเทยี ม GPM ไดค้ า่ สหสมั พันธ์ รายงานการวจิ ัย Research Report) | หนา้ 45

โครงการประเมนิ พน้ื ทีเ่ ส่ียงภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยีภูมิสารสนเทศ 3.2.7 Soil Moisture Active Passive (SMAP) ผลิตภัณฑ์ทีไ่ ด้จากดาวเทยี ม SMAP ซึ่งมีความละเอียด 33 กม. ภายใต้โครงการมีความจำเป็นต้อง เพิ่มความละเอียดให้เป็น 3 กม. โดย (1) คำนวณความสัมพันธ์ระหว่าง Brightness Temperature จาก SMAP ร่วมกับ Backscatter ที่รังวัดจาก Sentinel-1 ซึ่งต้องใช้ข้อมูล Soil Moisture เพิ่มเติมมาประมวลผล และ (2) ใช้ข้อมูล Soil Moisture จาก SMAP โดยตรง ในการเพิ่มความละเอียดข้อมูลร่วมกับ Backscatter จาก Sentinel-1 ดังรปู ที่ 3- 6 รปู ที่ 3- 6 อัลกอริทมึ ในการประมวลผลขอ้ มูล Soil Moisture ความละเอียด 3 km ของ SMAP-Sentinel ข้อมูลความชื้นจากดาวเทียม SMAP ที่มีความละเอียดที่สุด 1x1 ตร.กม. เป็นข้อมูลผลิตภัณฑ์ L2 _SM_SP: SMAP radiometer/ Copernicus Sentinel- 1 soil moisture ห ร ื อ SPL2 SMAP_S SMAP/Sentinel-1 L2 Radiometer/Radar 30-Second Scene 3km EASE-Grid Soil Moisture, Version 3 เป็นผลิตภัณฑ์ประมวลผลร่วมกันระหว่าง SMAP ช่วงเวลา 6:00 A.M. (Descending) และ 6:00 P.M. (Ascending) แบบ half-orbit (ครึ่งซีกโลก) กับชุดดาวเทียม Sentinel-1A และ 1B ระหว่าง 2 ชนิดข้อมูล SMAP L-band Brightness Temperatures และ Sentine-1 C-Band Backscatter ที่ถูกนำมาคำนวณเป็น ความชื้นผิวดิน ระยะเวลาในการประมวลผลจะใช้เวลาไม่เกิน 24 ชม. Level 2 Products (Within 24 Hours of Acquisition) หลงั จากบนั ทึกขอ้ มูลจากทั้ง 2 ระบบ 3.2.8 Drought Risk Index: DRI การสร้างแบบจำลองการประเมินพื้นที่เสี่ยงภัยแล้ง (DRI) จากดาวเทียม Suomi NPP โดยใช้เป็น ดัชนีความรุนแรงความแห้งแล้ง (VHI: Vegetation Health Index) เปรียบเทียบกับข้อมูลอนุกรมเวลา ความสัมพันธ์ระหว่างดัชนี DHI กับ ข้อมูลดัชนีความชื้นผิวดิน (SSM: Surface Soil Moisture) ในการคำนวณ รายงานการวิจยั Research Report) | หนา้ 46

โครงการประเมนิ พน้ื ที่เสยี่ งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยีภมู สิ ารสนเทศ ค่าสหสัมพันธ์ กำหนดให้ค่าน้ำหนักดัชนีความชื้นผิวดิน และดัชนีความรุนแรงความแห้งแล้ง แตกต่างไปตาม สถานการณ์ El Nino, La Nina และ Neutral ดงั สมการ DRIONI = a*(100 - VHInor) + b*(100 - SSMnor) ----------------------(24) 3.3 แบบจำลองประเมินดชั นคี วามเสียหายของพืชเกษตรรายแปลง การพัฒนาแบบจำลองประเมินดัชนีความเสียหายของพืชเกษตรรายแปลง เป็นการสร้างดัชนีเพ่ือ บง่ ช้ีผลกระทบของพืชทเ่ี กดิ จากสภาวะความแห้งแล้งจากดัชนีประเมินพน้ื ท่ีเส่ยี งภัยแลง้ (DRI) รว่ มกับการศึกษา ดัชนีพืชพรรณที่สกัดได้จากภาพถ่ายจากดาวเทียมในการประเมินความเสียหายของพืชที่จะเกิด ขึ้น โดยมี วิธีดำเนนิ การวจิ ยั ตามรายละเอยี ด ดังนี้ 3.3.1 Drought Severity Index: DSI การศึกษาความต่อเนื่องของพื้นที่เสี่ยงภัยแล้ง (DSI) เพื่อเป็นการระบุความเสียหายของพืชจาก สภาวะแห้งแล้งได้ชดั เจนขึน้ จำเปน็ ตอ้ งมีการนำดชั นีพ้นื ทีเ่ สี่ยงภยั แล้ง (Drought Risk Index: DRI) มาเปน็ ปัจจยั ตั้งต้นสำหรับการวิเคราะห์ โดยดัชนี DRI จะเป็นดัชนีที่พัฒนาจากปัจจัยต่างๆ ทั้งด้านอุตุนิยมวิทยาและอุทก วิทยา ที่จะช่วยระบุพื้นที่เป็นราย Pixel และมีการปรับปรุงข้อมูลเป็นรายสัปดาห์ ทำให้ทราบได้ว่า พื้นที่ใดเกิด สภาวะแห้งแล้งในช่วงเวลาใด ซึ่งในการประเมินความเสียหายของพืชจะใช้ดัชนี DRI มาวิเคราะห์ร่วมกับเกณฑ์ พจิ ารณาความเสียหายของพชื แต่ละชนิดตาม ตารางท่ี 3- 5 เกณฑ์พิจารณาความเสียหายของพชื แต่ละชนิดเมอ่ื ขาดน้ำ (ภัยแลง้ ) ลำดบั ระยะเวลาทีไ่ ดร้ บั ผลกระทบ ลักษณะความเสยี หาย/อาการ ข้าว ต้นขา้ วในระยะกล้าขาดน้ำมากกวา่ 45 วัน ระยะกล้าถงึ แตกกอ ทำให้ตน้ ขา้ วแหง้ ตายทั้งหมด ต้นขา้ วในระยะแตกกอขาดน้ำ มากกวา่ 45 วนั ระยะตั้งทอ้ งถงึ ระยะเก็บเกย่ี ว ทำใหผ้ ลผลติ เสยี หาย ตน้ ข้าวในระยะตังท้องขาดน้ำ มากกว่า 30 วัน ทงั้ หมด ต้นขา้ วในระยะออกรวงขาดน้ำ มากกว่า 7 วัน ข้าวโพด ระยะงอกถึงระยะออกดอก หลังปลูกหากขาดน้ำเป็นระยะเวลา 7 วนั ส่งผลให้ความ (1-45 หลงั ปลกู ) งอกของเมลด็ ลดลง และหาก ไมไ่ ด้รบั นำ้ หลังจากเมล็ด งอก จะสง่ ผลให้ ใบเหลือง ตน้ แคระแกรน็ ผลผลติ ลดลง ระยะออกดอกถงึ เกบ็ เกยี่ ว หากขาดน้ำเป็นระยะเวลา 7-14 วนั ส่งผล ให้ใบเหลอื ง (45-75 วันหลังปลูก) เหย่ี ว ลำตน้ แคระแกร็น การ เจรญิ เตบิ โตชะงกั การตดิ ฝกั น้อย ผลผลิต ลดลง มนั 1 เดอื น (ปานกลาง) 1 เดอื นหลงั การปลูก มีเปอรเ์ ซน็ ตก์ ารงอกต่ำ สำปะหลงั 1 เดือน (ปานกลาง) 2 - 3 เดอื นหลังการปลกู เปอรเ์ ซน็ ต์การอยูร่ อด่ำ และ ชะงักการเจรญิ เติบโตทางด้านลำตน้ 1 เดอื น (ปานกลาง) รายงานการวิจัย Research Report) | หนา้ 47

โครงการประเมนิ พน้ื ทเ่ี สีย่ งภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภูมิสารสนเทศ ลำดบั ระยะเวลาทไ่ี ด้รับผลกระทบ ลกั ษณะความเสียหาย/อาการ 3 - 5 เดือนหลงั การปลูก ชะงกั การเจรญิ เตบิ โต และการ 3 เดอื น (มาก) สร้างหัวช้า 3 เดือน (มาก) อายุ 1 – 2 เดือนหลงั การปลกู แหง้ ตาย 3 เดอื น (มาก) 3 - 5 เดอื นหลังการปลูก ชะงกั การเจรญิ เติบโต และการ ออ้ ย อายอุ อ้ ยหลังงอก 1-2 เดือน สร้างหัวช้า อายมุ ากกว่า 5 เดอื นหลังปลกู ผลผลิตลดลง/หัวฝ่อ ระยะย่างปลอ้ ง และแตกกอ 3-5 เดอื น อ้อยตอ้ งการน้ำในชว่ งแรกของการงอก ชว่ งแตกหนอ และ ช่วงระยะ การเจริญเตบิ โต ตลอดฤดปู ลูกประมาณปลี ะ ระยะเจริญเตบิ โต ถึงเก็บเก่ียว 6-12 เดอื น 1,500-1,800 มิลลเิ มตร ถา้ แลง้ มากในอ้อยที่อายุ 1-2 เดือนจะทำใหอ้ ้อยไม่งอก ถา้ งอกแลว้ จะไม่เจริญเตบิ โต เสียหาย 80-100 % ถ้าแล้งมาก อ้อยไมแ่ ตกกอ ใบเหลอื ง ไมเ่ จรญิ เติบโต อาศัยความชน้ื ในดนิ ไดน้ าน 7-10 วนั ถา้ นานเกนิ กว่าน้ี ออ้ ยจะแห้งตาย ไม่ได้ ผลผลิต ถา้ ขาดน้ำ ออ้ ยจะชะงกั การเจริญเติบโต ต้นเตย้ี ใบเหลอื ง จนเปน็ สี น้ำตาล และเรม่ิ เหย่ี วแหง้ ออ้ ยสามารถทนแล้ง ไดน้ าน 1-2 เดอื น โดยอาศยั ความช้นื ในดิน ถา้ แล้งนาน จะแห้งตาย ผลผลติ เสยี หาย 70-80% โดยเกณฑ์พจิ ารณาความเสียหายของพืชแต่ละชนดิ จะใช้เป็นเงื่อนไขในการสร้างดัชนี DSI ซึ่งในพืช แตล่ ะชนิดจะมีความสามารถในการปรบั ตวั จากการขาดน้ำแตกต่างกัน (ระยะเวลาต่อเนื่อง และช่วงเวลา) ทำให้ การแสดงข้อมูลพื้นที่ที่ได้รับผลกระทบจาก “ภัยแล้ง” ต้องคำนวณเป็นค่าสะสม ดังเช่น แนวคิดของการแสดง พื้นที่ความรุนแรงของภัยแล้งจากระบบ U.S. Drought Monitor (รูปที่ 3- 7) ที่แสดงค่าความรุนแรงตามความ ต่อเนื่องจากระยะเวลาของการขาดน้ำ (Abnormally Dry, Moderate Drought, Severe Drought, Extreme Drought และ Exceptional Drought) เป็นต้น เมื่อดัชนี DSI ถูกระบุว่ามีความเสี่ยงที่พืชจะเสียหายในพื้นท่ี Pixel นั้น จึงนำไปสกู่ ารประเมนิ ความเสียหายของพืชเกษตรในระดับรายแปลงรายสัปดาห์และรายเดือนโดยตรง อีกคร้งั รปู ที่ 3- 7 ตัวอยา่ งข้อมูลพ้นื ท่ีแหง้ แล้งต่อเนอื่ งในแต่ละชว่ งเวลาจากระบบ U.S. Drought Monitor ทม่ี า: https://droughtmonitor.unl.edu/ รายงานการวิจยั Research Report) | หนา้ 48

โครงการประเมนิ พื้นทเ่ี สี่ยงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ พืชแต่ละชนิดมีความทนทานต่อการขาดน้ำที่ไม่เท่ากันที่สามารถอ้างอิงได้จากข้อมูลเชิงวิชาการที่ ใช้เป็นเกณฑ์พิจารณาความเสียหายของพืชแต่ละชนิด ดังนั้นเพื่อให้การติดตามพื้นที่เสี่ยงภัยแล้ง (DRI) มีความ สอดคล้องกับผลกระทบที่อาจเกิดขึ้นกับพืช จึงต้องทำการพัฒนาดัชนี DRI ให้เป็นดัชนีที่สามารถบ่งชี้ถึงความ รนุ แรงของสภาวะภัยแลง้ ที่เรยี กว่า ดัชนคี วามรุนแรงของภยั แล้ง หรอื Drought Severity Index (DSI) ท่ีพืชแต่ ละชนิดจะใชด้ ัชนี DSI ท่ีแตกต่างกัน เพือ่ นำไปสู่การประเมินความเสียหายของพชื ในพ้นื ที่ทีถ่ ูกระบุด้วยดัชนี DSI น้นั ๆ สมการสำหรับคำนวณความรุนแรงของความแห้งแล้งต่อเนื่อง หรือความรุนแรงของภัยแล้ง ใน ประเทศไทยตามแนวทางการคำนวณของระบบ U.S. Drought Monitor ดังรูปที่ 3- 7 จะคำนวณความรุนแรง ของความแหง้ แลง้ ในรปู 2 รูปแบบ คอื ค่าเฉล่ียความแหง้ แล้งระยะเวลา 3 เดือน (12 สปั ดาห์) ดังสมการ ������������������ =3_������������������������ℎ������ ∑������������==������������������������������������������������������������������������������������__������������������������������������������������__������������������������������������������������������������������������−11 ������������������������ ----------------------(25) 12 และสมการคำนวณ ค่าเฉล่ยี ความแห้งแลง้ ระยะเวลานับตง้ั แต่ตน้ ปปี ฏทิ ิน ดงั สมการ ������������������������������������������������_������������_������������������������������������������������_������������������������ = ∑������������==1������������������������������������������_������������������������_������������������������������������ ������������������������ ----------------------(26) ������������������������������������������_������������������������_������������������������������������ 3.3.2 การเตรยี มข้อมลู ผังแปลงเกษตรกรรมดจิ ิทัล การจัดรูปแบบของขอ้ มูลผังแปลงเกษตรกรรมดิจิทัลให้พร้อมใช้ เนื่องจากเป็นข้อมูลที่เชือ่ มโยงกบั การข้ึนทะเบียนเกษตรกรที่เกษตรกรจะมกี ารแจ้งวนั เพาะปลูกที่แตกตา่ งกนั ทำให้มีจำเปน็ ต้องจัดกลุ่มของข้อมูล ใหม้ ีวันเพาะปลูกทตี่ รงกันในพืชแตล่ ะชนิด เพ่อื ใช้สำหรับการสกัดคา่ ดัชนพี ชื พรรณจากดาวเทียม กอ่ นนำค่าดัชนี ที่สกัดได้มาสร้างเส้นชีพลักษณ์ตามการเจริญเติบโตตั้งแต่เริ่มปลกู ไปจนถึงเวลาเก็บเกี่ยวของพืชแต่ละชนิด โดย ในแตล่ ะช่วงอายตุ ้องอยู่ในช่วงปลูกปกติของแตล่ ะพชื ตารางท่ี 3- 6 ชว่ งการเริม่ ปลูกปกติของแต่ละพืช ประเภทของพชื ช่วงเวลา ขา้ ว พฤษภาคม – สงิ หาคม ข้าวโพด พฤษภาคม - กรกฎาคม มันสำปะหลัง มีนาคม - มิถุนายน อ้อย มกราคม - มิถุนายน โดยผังแปลงเกษตรกรรมดจิ ิทัลท่ีนำมาใช้ในโครงการวิจัยนี้จะถูกแบ่งออกเป็น 2 สว่ น ได้แก่ แปลง ที่พืชมีการเจริญเติบโตแบบปกติ ไม่เคยขอรับการช่วยเหลือจากความเสียหายที่เกิดขึ้นจากภัยแล้ง และแปลงที่ พืชเคยของรบั การช่วยเหลือกจากความเสียหายทเี่ กิดขึ้นจากภัยแล้ง รายงานการวจิ ยั Research Report) | หนา้ 49

โครงการประเมินพน้ื ที่เสย่ี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภูมสิ ารสนเทศ 3.3.3 การกรองข้อมูลผงั แปลงเกษตรกรรมดจิ ทิ ัล งานวิจัยนี้เป็นการพัฒนาแบบจำลองเพื่อใช้บ่งชี้ความเสียหายของพืชเกษตรรายแปลงโดยใช้ เทคโนโลยีภูมสิ ารสนเทศ โดยเฉพาะภาพถ่ายจากดาวเทยี ม ถือว่าเป็นการนำเทคโนโลยตี รวจวัดจากระยะไกลมา ใช้พิจารณาสิ่งที่เกิดขึ้นบนพื้นโลก ดังนั้นในการพัฒนาแบบจำลองให้มีความน่าเชื่อถือ นักวิจัยจำเป็นต้องมีการ กรองข้อมูลเพื่อให้ข้อมูลที่นำมาใช้สามารถสะท้อนความเป็นจริงที่เกิดขึ้นได้มากที่สดุ โดยเฉพาะแปลงของพืชที่ เกิดความเสยี หาย วิธีการกรองข้อมลู จะเป็นการเปรียบเทียบค่าดัชนีการเจริญเติบโตของพืชที่เกดิ เสียหายจากภัยแล้ง เปรียบเทียบกับค่าดัชนีการเจริญเติบโตของพืชปีปกติที่ไม่เคยเสียหายจากภัยแล้ง โดยหลักเกณฑ์ของการกรอง ขอ้ มูล คอื แปลงที่เคยเสยี หายจากภยั แลง้ จะตอ้ งมีค่าดัชนตี ่ำกวา่ แปลงทไี่ มเ่ คยเสียหายจากภัยแล้ง 3.3.4 การสกดั คา่ จากดัชนีพชื พรรณจากดาวเทยี ม การวิเคราะห์ความเสียหายของพืช สว่ นหน่งึ จะวิเคราะห์จากค่าดชั นีพชื พรรณท่ีสามารถบ่งชี้ความ สมบูรณ์ของพืชควบคู่กับดัชนีที่บ่งชี้การขาดน้ำ โดยในโครงการวิจัยนี้ ได้ใช้ดัชนีพืชพรรณที่เกี่ยวข้อง ได้แก่ Normalized Difference Vegetation Index (NDVI), Soil Adjusted Vegetation Index (SAVI) Chlorophyll Content Index (CI)และNormalized Difference Water Index (NDWI) ด้วยทำการสกัดจากขอบเขตผังแปลง เกษตรกรรมดิจิทัลจากภาพถ่ายจากดาวเทียม Sentinel-2 ตั้งแต่ปี พ.ศ. 2561 จนถึง พ.ศ. 2564 เป็นราย สัปดาห์ โดยแยกการสกัดคา่ เปน็ 2 กรณี คอื (1) การสกัดค่าจากผังแปลงเกษตรกรรมดิจิทัลที่ไม่เคยประสบภัยธรรมชาติ เพื่อสร้างเส้นชีพ ลักษณท์ ีพ่ ชื เจรญิ เติบโตปกติ (2) การสกัดค่าจากผังแปลงเกษตรกรรมดิจิทัลที่ปรากฏจากรายงาน กษ.02 เพ่ือสร้างเส้นชีพ ลกั ษณท์ พี่ ชื ประสบภยั แลง้ 3.3.5 การสร้างเส้นชพี ลักษณ์ของพชื แต่ละชนดิ โดยนำค่าดชั นีทส่ี กดั ไดต้ ามขอบเขตของผงั แปลงเกษตรกรรมดจิ ิทัลทั้งหมดของแต่ละกรณีมาหาค่า กลาง เพื่อสร้างเส้นชีพลักษณ์ของการเจริญเติบโตตั้งแต่เริ่มเพาะปลูกจนถึงเก็บเกี่ยว โดยความยาวของเส้นจะ ขน้ึ อยู่กบั อายุที่แตกต่างกันของแต่ละพืช คือ ข้าวและข้าวโพด จะมีอายุ 4-6 เดอื น ขณะทีอ่ อ้ ยและมันสำปะหลัง จะมีอายปุ ระมาณ 12 เดือน 3.3.6 การประมวลผลดัชนปี ระเมินความเสียหายของพชื การพัฒนาดัชนีประเมินความเสียหายของพืชที่เรียกว่า Crop Damage Assessment Index (CDAI) ในโครงการวิจยั นีจ้ ะทำที่ความละเอียดข้อมูล 20 เมตร โดยเป็นการประมวลผลหาค่าต่างปกติจากหลาย ดัชนีในความหมายของ Normal Growth (NM) คือ ดัชนีที่มีค่าจากแปลงที่เจริญเติบโตปกติของพืชทั้ง 4 ชนิด (ขา้ ว ข้าวโพด อ้อย และมนั สำปะหลงั ) โดยแยกสมการตามชนดิ พืช นำมาประมวลผลด้วยคา่ ถว่ งนำ้ หนัก ทั้งนี้แบบจำลองดัชนี CDAI จะใช้ดัชนีที่ผลิตจากระบบประมวลผลอัตโนมัติ จำนวน 4 ดัชนี คือ NDVI, SAVI, CI และ NDWI มาเข้าสมการเพื่อประมวลผลดังสมการด้านล่าง โดยค่าดัชนีแต่ละตัวจะผ่านการทำ Normalized ข้อมลู จากค่าสถติ ิค่าการเจริญเตบิ โตต่ำสดุ (Minimum) กบั คา่ การเจรญิ เตบิ โตสูงสดุ (maximum) รายงานการวจิ ัย Research Report) | หนา้ 50

โครงการประเมนิ พ้นื ที่เส่ยี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภมู สิ ารสนเทศ ซึ่งเป็นค่าที่มีช่วงอยู่ระหว่าง 0 - 100 โดยมีความหมายว่า 0 คือ การเจริญเติบโตต่ำสุด และ 100 คือ การ เจริญเตบิ โตสูงสดุ แตก่ ารคำนวณดชั นที ่จี ะใช้แสดง “คา่ ผลกระทบต่อความเสียหาย” จะมีความหมายดงั นี้ 0 คอื พชื ไม่มีผลกระทบ 100 คอื พืชไดร้ ับผลกระทบจากความเครียดของพืชสงู สุด (เสียหายอย่างสมบรู ณ์) จะเห็นได้ว่าจะมีทิศทางในการวิเคราะห์ความหมายกลับทางกัน ดังนั้นการนำดัชนี Normalized Vegetation Indices มากคำนวณเป็นดัชนีประเมินความเสียหายจึงต้องนำมากลับค่าโดยนำไปลบจาก 100 จากนั้นก็ทำการคำนวณจากค่าน้ำหนัก ให้เป็นดัชนี CDAICROPS ที่มีค่าประเมินความเสียหายระหว่าง 0 ถึง 100 ดังสมการ ������������������������������������������������������ = ������1(100 − ������������������������������������������) + ������2(100 − ������������������������������������������)+������3(100 − ������������������������������) + ----------------------(27) ������4(100 − ������������������������������������������) เนื่องจากดัชนี CDAICROPS เป็นการประเมินความเสียหายหรือการเจริญเติบโตที่ผิดปกติจากตัวพืช โดยตรงที่ยังไม่ได้บ่งชี้ถึงสาเหตุของการเกิดความเสียหายหรือการเจริญเติบโตที่ผิดไปจากค่าปกติ แต่ใน โครงการวิจัยนี้เป็นการประเมินความเสียหายของพืชที่ต้องเกิดขึ้นจากภัยแล้ง จึงต้องมีการใช้ดัชนีการประ เมิน ความเสี่ยงภัยแล้ง (DRI) มาดูความต่อเนื่องตามเกณฑ์พิจารณาความเสียหายของพืชแต่ละชนิด (DSI) มาร่วม วเิ คราะห์ดว้ ย ดงั สมการ ������������������������ = (������������������������������������ > คา่ พิจารณาภยั แลง้ ) ������������������ (������������������������������������������������������ > ค่าพิจารณาความเสียหายของพืชแต่ละชนิด --(28) โดย DSI = (DRI1+DRI2+DRI3+DRIn )/N N = ตามเกณฑ์พิจารณาความเสียหายของพชื แต่ละชนดิ แปลงทไี่ ด้รับผลกระทบจากภยั แล้งจะต้องมีคา่ ดัชนี DSI และดัชนี CDAICROPS สงู กว่าเกณฑ์พิจารณ์ (Threshold) ทีร่ ะบถุ งึ โอกาสเกดิ ภยั แลง้ และโอกาสทพ่ี ืชเกดิ ความเสยี หาย 3.4 การประเมินความถูกต้องของแบบจำลอง 3.4.1 แบบจำลองดชั นีประเมนิ ความเสยี่ งภัยแลง้ การประเมินความถูกต้องของแบบจำลองดัชนปี ระเมนิ ความเส่ยี งภัยแลง้ จะทดสอบความสัมพันธ์ กับข้อมลู ความชื้นในดิน ท่ีสทอภ. ติดตงั้ ไว้เดิม และขอ้ มลู จการการติดต้ังเครื่องตรวจวัดความชื้นในดิน ในแปลง เพาะปลูกของเกษตรกรได้แก่ ข้าว ข้าวโพด มันสำปะหลัง และอ้อย 6 จังหวัด (รูปที่ 3- 8) มรี ายละเอยี ดดังนี้ 1) อ.ท่าตูม จ.สรุ ินทร์ ตดิ ตง้ั เคร่ืองวัดในพ้ืนท่ีปลูกขา้ ว 2) อ.วานรนิวาส จ.สกลนคร ตดิ ต้ังเครอื่ งวดั ในพื้นทีป่ ลูกข้าว รายงานการวิจยั Research Report) | หนา้ 51

โครงการประเมินพ้ืนท่ีเสี่ยงภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ 3) อ.เกษตรวิสยั จ.รอ้ ยเอ็ด ตดิ ต้ังเครื่องวัดในพน้ื ทีป่ ลูกขา้ ว 4) อ.สวา่ งอารมณ์ จ.อุทยั ธานี ติดตั้งเครอ่ื งวดั ในพน้ื ท่ปี ลูกอ้อย 5) อ.ด่านขุนทด จ.นครราชสมี า ตดิ ตั้งเครอื่ งวดั ในพน้ื ที่ปลูกขา้ วโพด 6) อ.เมือง จ.กำแพงเพชร ตดิ ตงั้ เคร่ืองวดั ในพ้ืนท่ปี ลกู มนั สำปะหลงั รูปท่ี 3- 8 การตดิ ตั้งเครือ่ งตรวจวัดความชื้นในดนิ แบบอัตโนมัติ ในพื้นที่ 6 จังหวัด ลกั ษณะเคร่อื งวัดความชื้นในดินตามระดับชัน้ ดิน เปน็ เครื่องวดั และบันทึกความชื้นดิน พร้อมหัววัด ค่าความชื้น ดินแบบ Profile Probe ซึ่งสามารถอ่านค่าความชื้นดินได้ตลอดช่วงความลึก 6 ระดับ พร้อมระบบ รบั ส่งข้อมลู ระยะไกล รายงานการวิจยั Research Report) | หนา้ 52

โครงการประเมนิ พ้นื ทเี่ ส่ียงภยั แล้งและความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ รูปที่ 3- 9 เครอ่ื งวดั ความชืน้ ในดินตามระดับชัน้ ดิน พร้อมระบบรับส่งระยะไกล เครื่องตรวจวัดความชื้นในดินในพื้นที่ 6 จังหวัด จะมีการตรวจวัดและอ่านค่าในทุก ๆ ชั่วโมง จะสามารถนำไปใช้ในการทวนสอบข้อมูลดัชนีพื้นที่เสี่ยงภัยแล้ง จากระบบประมวลผลเป็นกระบวนการท่ี ออกแบบให้ทำงานแบบอัตโนมัติ กล่าวคือ ในทุกๆ สัปดาห์ และทุกๆ เดือน ซึ่งในงานวิจยั นี้ ได้มีการทดสอบค่า ความชื้นในดินกับดัชนีภัยแล้งในพื้นที่เพาะปลูกพืช 4 ชนิด ซึ่งสทอภ.ได้ทำการติดตั้งเครื่องวัดความชื้น 2 แบบ เป็นระยะเวลาต่อเนื่อง สามารถนำมาใช้ในการทวนสอบ ด้วยวิธีการคำนวณพารามิเตอร์ของแบบจำลองการ ประมาณคา่ Random Forest Regression (RFR) การคำนวณด้วยตน้ ไม้สมุ่ ด้วยข้อมลู Train Dataset และการ ประมาณค่าดว้ ยแบบจำลองทีม่ คี วามคลาดเคล่อื นเฉลยี่ (MSE) 3.4.2 แบบจำลองประเมินดัชนคี วามเสียหายของพชื เกษตรรายแปลง การประเมินความถูกต้องของแบบจำลองดัชนีความเสียหายของพืชเกษตรรายแปลง (CDAI) จะ ทำการประเมินจากการคำนวณค่าดชั นีตามสมการ CDAI เป็นรายแปลง ที่ถูกสรา้ งจากข้อมูล กษ.02 ร้อยละ 75 ของขอ้ มลู ทั้งหมด ������������������������ = (������������������������������������ > คา่ พจิ ารณาภัยแล้ง) ������������������ (������������������������������������������������������ > ค่าพิจารณาความเสยี หายของพชื แตล่ ะชนดิ ) --(29) และจะใช้จำนวนแปลงร้อยละ 25 จากรายงานของ กษ.02 ในอดีตที่ได้รับผลกระทบความ เสียหายจากภัยแล้งของแต่ละชนิดพชื มาเปน็ แปลงทดสอบความถูกตอ้ งของสมการ รายงานการวิจยั Research Report) | หนา้ 53

โครงการประเมินพน้ื ที่เส่ยี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ 3.5 การพฒั นาแพลตฟอร์มเพอ่ื สนับสนุนการตดั สินใจ การสร้างแพลตฟอร์มเพื่อสนับสนุนการตัดสินใจให้กับหน่วยงานระดับนโยบาย ระดับพื้นที่ และเป็น เครื่องมือในการแจ้งเตือนภัยให้กับเกษตรกร เพื่อการป้องกัน เฝ้าระวัง และลดผลกระทบ ต่อความเสียหายของ พืชเกษตร รวมถึงการช่วยเหลือ เยียวยาให้กับผู้ประสบภัยแล้ง ได้ถูกต้อง แม่นยำ และทันต่อสถานการณ์ โดย แบง่ ส่วนการแสดงผลเปน็ 4 สว่ น ดังนี้ ส่วนท่ี 1 เก่ยี วกับเรา : เปน็ ส่วนทแ่ี สดงถงึ ความเปน็ มาและวัตถุประสงค์โครงการฯ ส่วนที่ 2 คลังความรู้ : เป็นส่วนทีใ่ ห้ข้อมูลเกี่ยวกับภาพดาวเทียม ดัชนีต่างๆ ที่วิเคราะห์และประมวลผล ไดภ้ ายใตโ้ ครงการฯ ส่วนที่ 3 แผนที่และ Dashboard : เป็นส่วนที่ระบบผลิตและประมวลผลข้อมูลอนุพันธ์จากดาวเทียม แบบอัตโนมัติ รวมถงึ เปน็ แสดงแผนท่ีเสีย่ งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ส่วนที่ 4 ประชาสัมพันธ์ : สำหรับการเผยแพร่ข้อมูลการดำเนินโครงการ ข้อมูลทางวิชาการ ประชาสัมพันธก์ ิจกรรมตา่ งๆ ทเี่ กดิ ขน้ึ และเก่ียวขอ้ งกับโครงการ เปน็ ต้น 3.6 การตดิ ตามและประเมนิ คณุ คา่ โครงการ ภายใตโ้ ครงการมีการขับเคลอื่ น ติดตามและประเมนิ ผลลพั ธ์และผลตอบแทนทางสังคม ดงั นี้ 1) การประชุมกลุ่มย่อยกับหน่วยงานในพื้นที่ ทั้ง 6 จังหวัด การสร้างเวทีการมีส่วนร่วม เพื่อสร้างการ รบั รู้ ทำความเข้าใจเกีย่ วกับโครงการ และรบั ฟังประเด็นปัญหาในการดำเนนิ งาน ในการพจิ ารณาจา่ ยเงนิ เยียวยา ความเสียหายให้กับเกษตรกร ผ่านคณะกรรมการให้ความช่วยเหลือผู้ประสบภัยพิบัติจังหวัด/อำเภอ (ก.ช.ภ.จ./ อ.) และหน่วยงานทเี่ กี่ยวข้องในพ้ืนท่ี 2) การประชุมกลุ่มย่อยกับเกษตรกรในพื้นที่ ทั้ง 6 จังหวัด รวมถึงการเก็บข้อมูลแบบสัมภาษณ์เชิงลึก มากกว่า 600 ตวั อย่าง 3) การประเมนิ มลู คา่ เบอ้ื งต้นของประโยชนท์ ีค่ าดว่าจะได้รบั หากมกี ารนำแพลตฟอรม์ ไปใช้ โดยคำนวณ จากประโยชน์ที่เกษตรกรจะได้รับ จากแบบสัมภาษณ์เชิงลึกในข้อ 2) ซึ่งนำข้อมูลภัยแล้งที่เกิดขึ้นในอดีตและ แนวโน้มการเกิดภัยแล้งในพื้นที่ของเกษตรกรไปใช้ในการวางแผน เพื่อบรรเทาผลกระทบจากภัยแล้งที่มีต่อการ เพาะปลกู ในแปลงของตน รายงานการวจิ ัย Research Report) | หนา้ 54

โครงการประเมนิ พ้ืนทเ่ี สี่ยงภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยีภมู สิ ารสนเทศ บทที่ 4 ผลการวิจัย 4.1 การศกึ ษาและรวบรวมข้อมูลที่เก่ียวข้อง ผูว้ ิจยั ได้ทำการศกึ ษาและรวบรวมข้อมูลท่ีเก่ยี วข้อง โดยรวบรวมข้อมลู และวิเคราะห์ความเสียหายของพืช เกษตรที่เกิดขึ้นจากข้อมูล กษ.02 และทำการกรองข้อมูลจากรายงาน กษ.02 ทั้งหมดที่นำมาใช้ในโครงการน้ี จำนวนท้งั สิ้น 76,434 แปลง นักวจิ ัยได้ทำการกรองข้อมลู โดยแปลงของพืชท่ีเสียหายจากภัยแล้งจะต้องมีดัชนีพืช พรรณที่บ่งชี้ความสมบูรณข์ องการเจริญเติบโต ได้แก่ NDVI SAVI CI และ NDWI น้อยกว่าค่าเฉลี่ยของแปลงที่มี การเจรญิ เติบโตแบบปกติ พบว่า คงเหลอื แปลงที่จะนำมาใชจ้ ำนวน 66,983 แปลง รายละเอียด ดงั น้ี ขา้ ว คา่ เฉล่ีย NDVINM : 0.448 ค่าเฉลย่ี SAVINM : 0.277 คา่ เฉลี่ย CINM : 0.955 คา่ เฉล่ยี NDWINM : 0.129 แปลง กษ.02 ทงั้ หมด 71,605 แปลง กษ.02 หลงั จากกรอง 62,680 คดิ เป็นร้อยละ 87.5 ข้าวโพด คา่ เฉลีย่ NDVINM : 0.469 คา่ เฉลย่ี SAVINM : 0.318 คา่ เฉลย่ี CINM : 1.418 ค่าเฉล่ยี NDWINM : 0.108 แปลง กษ.02 ทง้ั หมด 4,687 แปลง กษ.02 หลังจากกรอง 4,173 คดิ เป็นร้อยละ 89.0 มันสำปะหลงั ค่าเฉลี่ย NDVINM : 0.376 ค่าเฉลย่ี SAVINM : 0.264 ค่าเฉลยี่ CINM : 0.967 ค่าเฉลี่ย NDWINM : 0.015 แปลง กษ.02 ทง้ั หมด 84 แปลง กษ.02 หลงั จากกรอง 76 คดิ เป็นร้อยละ 90.5 รายงานการวิจยั Research Report) | หน้า 55

โครงการประเมนิ พืน้ ทเี่ สย่ี งภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ อ้อย ค่าเฉลีย่ NDVINM : 0.432 ค่าเฉล่ยี SAVINM : 0.283 ค่าเฉลย่ี CINM : 1.159 คา่ เฉลย่ี NDWINM : 0.094 แปลง กษ.02 ทง้ั หมด 58 แปลง กษ.02 หลงั จากกรอง 56 คดิ เป็นรอ้ ยละ 96.5 เมื่อทำการวิเคราะห์ พอว่า ความเสียหายของพืชทุกชนิดที่เกิดขึ้นจะเกิดในช่วงฝนแล้งหรือฝนทิ้งช่วง ทั้งหมด นอกจากนี้ได้มีการวิเคราะห์ศึกษาเพื่อดูช่วงอายุของพืชที่ได้รับความเสียหายจากภัยแล้ง แยกตามชนิด พืช มรี ายละเอียดังน้ี 1) ข้าว จากการวิเคราะห์ความเสียหายแยกเป็นข้าวในภาคกลาง (จังหวัดกำแพงเพชร และ อุทัยธานี) และข้าวในภาคตะวันออกเฉียงเหนือ (จังหวัดนครราชสีมา ร้อยเอ็ด สุรินทร์ และ สกลนคร) จำนวน 62,680 แปลง เนื่องจากความแตกต่างของชนิดพันธุ์ข้าวที่ทำให้ข้าวมีอายุไม่ เทา่ กนั (ตารางที่ 4- 1) พบว่า • ข้าวในพื้นที่ภาคกลางจะเสียหายมากที่สุดในช่วงอายุ 1 เดือน ร้อยละ 72.24 รองมาคือ ช่วงอายไุ มเ่ กนิ 1 เดือน คดิ เป็นรอ้ ยละ 23.84 • ขา้ วในพ้นื ที่ภาคตะวนั ออกเฉยี งเหนอื ที่เปน็ พันธขุ์ ้าวไวต่อแสง มีอายุการเพาะปลูกยาวกว่า ข้าวในภาคกลาง จะเสียหายมากที่สุดในช่วงอายุ 4 เดือน ร้อยละ 31.91 รองมาคือ ช่วง อายุ 5 เดอื น 24.26 และช่วงอายุ 2 เดือน รอ้ ยละ 23.41 ตามลำดับ ตารางท่ี 4- 1 ร้อยละความเสยี หายของข้าวแยกตามช่วงอายุ ชว่ งอายุ ขา้ วภาคกลาง ขา้ วภาคอีสาน ไม่เกนิ 1 เดือน 23.84 0.37 1 เดือน 72.24 2.03 2 เดือน 3.92 23.41 3 เดือน 0 15.69 4 เดือน 0 31.91 5 เดือน 0 24.27 6 เดือน 0 2.3 7 เดือน 0 0.01 8 เดือน 0 0.01 รวม 100 100 รายงานการวจิ ัย Research Report) | หน้า 56

โครงการประเมินพืน้ ท่เี สี่ยงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยีภูมิสารสนเทศ 2) ข้าวโพด จากการวิเคราะห์ความเสียหายในข้าวโพด ในพื้นที่ 3 จังหวัด ได้แก่ กำแพงเพชร อุทัยธานี และนครราชสีมา จำนวน 4,173 แปลง (ตารางที่ 4- 2) พบว่าเกิดความเสียหายมาก ที่สุดในช่วงอายุ 2 เดอื น รอ้ ยละ 66.39 รองมาคือ ชว่ งอายุ 3 เดอื น รอ้ ยละ 17.47 ตารางที่ 4- 2 ร้อยละความเสียหายของข้าวโพดแยกตามช่วงอายุ ชว่ งอายุ ขา้ วโพด ไม่เกนิ 1 เดือน 0.34 1 เดือน 14.22 2 เดือน 66.39 3 เดือน 17.47 4 เดือน 1.49 5 เดือน 0.04 6 เดือน 0.04 รวม 100 3) มันสำปะหลัง จากการวิเคราะห์ความเสียหายในมันสำปะหลัง ในพื้นที่ 3 จังหวัด ได้แก่ กำแพงเพชร อุทัยธานี และนครราชสีมา จำนวน 76 แปลง พบว่า เกิดความเสียหายมากที่สุด ในช่วงอายุ 4 เดอื น รอ้ ยละ 57.65 รองมาคือ ชว่ งอายุ 5 เดือน ร้อยละ 17.65 ตารางที่ 4- 3 ร้อยละความเสียหายของมันสำปะหลังแยกตามชว่ งอายุ ชว่ งอายุ มนั สาปะหลัง 1 เดือน 0.29 2 เดือน 2.94 3 เดือน 8.82 4 เดือน 57.65 5 เดือน 17.65 6 เดือน 10.59 7 เดือน 2.06 รวม 100 รายงานการวิจัย Research Report) | หน้า 57

โครงการประเมินพ้ืนท่เี สยี่ งภัยแลง้ และความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ 3) อ้อย จากการวเิ คราะห์ความเสียหายในออ้ ย ในพน้ื ท่ี 2 จงั หวัด ไดแ้ ก่ กำแพงเพชรและอทุ ัยธานี จำนวน 54 แปลง พบว่า เกิดความเสยี หายมากท่สี ุดในชว่ งอายุ 7 เดือน ร้อยละ 37.93 รองมา คือ ชว่ งอายุ 8 เดอื น รอ้ ยละ 20.69 ตารางท่ี 4- 4 ร้อยละความเสยี หายของอ้อยแยกตามชว่ งอายุ ช่วงอายุ ออ้ ย 2 เดอื น 3.45 3 เดอื น 0.00 4 เดอื น 6.90 5 เดอื น 5.17 6 เดอื น 18.97 7 เดอื น 37.93 8 เดอื น 20.69 9 เดอื น 6.90 รวม 100 4.2 การพฒั นาแบบจำลองดัชนีประเมินพืน้ ที่เส่ยี งภัยแลง้ 4.2.1 Normalized Difference Vegetation Index: NDVI การประมวลผลข้อมลู ดัชนี NDVI รายวันโดยมีการนำชั้นข้อมูล Band Mask ที่ได้จากการตรวจจับ การสะทอ้ นชว่ งคลื่นที่ไม่ได้มาจากพชื /ดนิ มาซ้อนบนชน้ั ข้อมลู ดัชนีพชื พรรณปกติ แล้วใชเ้ ปน็ ตัวกรองข้อมูลที่ไม่ ต้องการออก และนำไปประมวลผลเป็นข้อมูลรายสัปดาห์ รายเดอื น รายปี แบบ Real Time โดยค่าดชั นีสะท้อน คา่ พืชพรรณอย่างชดั เจนในช่วงเดือนกันยายน และได้แสดงตัวอย่างการประมวลผลข้อมลู เป็นรายสปั ดาห์ ของปี พ.ศ.2563 ดงั รูปท่ี 4- 1 ถงึ รปู ที่ 4- 1 และ รูปที่ 4- 2 รายงานการวจิ ยั Research Report) | หน้า 58

โครงการประเมนิ พ้นื ทเ่ี ส่ยี งภัยแลง้ และความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ รปู ที่ 4- 1 ตัวอย่างการจัดเก็บฐานขอ้ มลู ดัชนี NDVI รายสปั ดาห์ ปี พ.ศ.2563 รายงานการวจิ ัย Research Report) | หนา้ 59

โครงการประเมินพ้นื ที่เส่ยี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยีภูมสิ ารสนเทศ รปู ที่ 4- 2 ตัวอย่างข้อมลู ดชั นี NDVI สปั ดาหท์ ี่ 16 ของพ.ศ. 2563 รายงานการวิจัย Research Report) | หนา้ 60

โครงการประเมนิ พ้นื ทีเ่ สย่ี งภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ 4.2.2 Land Surface Temperature: LST ชั้นข้อมูลความร้อนพื้นผิว ประมวลผลจากข้อมูลจากดาวเทียม Suomi-NPP ซึ่งสามารถตรวจวัด เป็นข้อมูลรายวันและทำการคอมโพสิทให้เป็นรายสัปดาห์ แสดงอุณหภูมิพื้นผิว (สิ่งปกคลุม) แสดงให้เห็นถึงค่า ความร้อนผิวดินสูงมากในช่วงเดือนเมษายน และในทางตรงกันข้ามเดือนกันยายน จะแสดงค่าความร้อนผิวดิน ต่ำสุด มีหน่วยเป็นองศาเคลวิน ดงั รูปที่ 4- 3 และรปู ท่ี 4- 4 รปู ที่ 4- 3 การจัดเก็บฐานข้อมูลดัชนี LST รายสัปดาห์ ปี พ.ศ.2563 รายงานการวจิ ัย Research Report) | หนา้ 61

โครงการประเมินพ้นื ที่เส่ยี งภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยีภมู สิ ารสนเทศ รปู ที่ 4- 4 ตวั อย่างข้อมูลดชั นี LST สัปดาห์ท่ี 16 ของพ.ศ. 2563 รายงานการวจิ ัย Research Report) | หนา้ 62

โครงการประเมินพน้ื ทเ่ี ส่ยี งภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภมู สิ ารสนเทศ 4.2.3 Vegetation Condition Index: VCI ชน้ั ขอ้ มูลบง่ ชี้สภาพพชื พรรณ (VCI) ซง่ึ มกี ารวเิ คราะห์เปน็ รายจุดภาพ มคี ่าสะท้อนความเป็นพชื พรรณชัดเจนในชว่ งเดือนสิงหาคม โดยคา่ VCI จะอยรู่ ะหวา่ ง 0 -1 ดงั รปู ท่ี 4- 5และรปู ท่ี 4- 6 รปู ท่ี 4- 5 การจัดเก็บฐานข้อมลู ดัชนี VCI รายสปั ดาห์ ปี พ.ศ.2563 รายงานการวจิ ยั Research Report) | หน้า 63

โครงการประเมินพ้นื ที่เส่ยี งภัยแล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยีภมู สิ ารสนเทศ รูปที่ 4- 6 ตวั อย่างข้อมูลดัชนี VCI สัปดาห์ท่ี 20 ของพ.ศ. 2563 รายงานการวิจยั Research Report) | หนา้ 64

โครงการประเมนิ พนื้ ทเ่ี สยี่ งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ 4.2.4 Temperature Condition Index: TCI ดัชนีท่ีบ่งชส้ี ภาพอุณหภูมิความส่องสว่างของพื้นผวิ ซ่ึงมกี ารวเิ คราะหเ์ ปน็ รายจุดภาพ มีค่าสะท้อน ความอณุ หภูมติ ำ่ ชดั เจนในชว่ งเดือนกนั ยายน โดยค่าดัชนี TCI จะอยรู่ ะหวา่ ง 0 -100 ดงั รูปท่ี 4- 7และรูปที่ 4- 8 รปู ที่ 4- 7 การจดั เก็บฐานข้อมูลดชั นี TCI รายสัปดาห์ ปี พ.ศ.2563 รายงานการวิจัย Research Report) | หน้า 65

โครงการประเมินพ้นื ที่เส่ยี งภัยแล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยีภมู สิ ารสนเทศ รูปที่ 4- 8 ตวั อย่างข้อมูลดัชนี TCI สัปดาห์ท่ี 22 ของพ.ศ. 2563 รายงานการวิจยั Research Report) | หนา้ 66

โครงการประเมินพ้ืนทเี่ สย่ี งภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภมู ิสารสนเทศ 4.2.5 Vegetation Health Index: VHI ดัชนที ่ีบ่งชี้สุขภาวะของพชื VHI เปน็ ตัวแปรสำคัญของการตดิ ตามบันทึกข้อมูลการเจรญิ เตบิ โตของ พชื ตลอดอายุของพชื โดยจะเหน็ ไดว้ ่ามีคา่ สะท้อนการเจริญเตบิ โตของพชื ท่ีดีในชว่ งเดือนกันยายน ดงั รูปท่ี 4- 9 และรูปท่ี 4- 10 รูปท่ี 4- 9 การจัดเกบ็ ฐานข้อมลู ดัชนี VHI รายสปั ดาห์ ปี พ.ศ.2563 รายงานการวิจัย Research Report) | หน้า 67

โครงการประเมินพ้นื ที่เส่ยี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ รปู ที่ 4- 10 ตวั อยา่ งข้อมลู ดัชนี VHI สปั ดาหท์ ี่ 20 ของพ.ศ. 2563 รายงานการวิจัย Research Report) | หนา้ 68

โครงการประเมนิ พน้ื ท่ีเสีย่ งภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภมู ิสารสนเทศ 4.2.6 Drought Hazard Index: DHI 1) การวเิ คราะหห์ าดชั นฝี นมาตรฐาน (SPI) ข้อมูลปริมาณน้ำฝนจากสถานีอากาศแต่ละสถานี ย้อนหลังที่ต่อเนื่องกัน ตัวอย่างเช่น แต่ละสถานี อากาศจะต้องมขี ้อมลู ปริมาณนำ้ ฝนย้อนหลัง 20-30 ปี โดยไม่มขี อ้ มูลของปีใดปีหน่ึงหายไป แตเ่ น่ืองจากข้อมูลที่ ได้มาต้งั แตป่ ีพ.ศ. 2496 น้ัน มหี ลายสถานีทข่ี ้อมูลปริมาณน้ำฝนขาดหายไปในบางปี ดงั นั้น สถานีท่ีข้อมูลไม่ครบ จงึ ถกู ตดั ออก โดยมีข้อมูลสถานีอากาศยอ้ นหลงั ไป 30 ปี จำนวน 128 สถานี รปู ที่ 4- 11 รูปที่ 4- 11 ตำแหน่งสถานีตรวจวดั ฝนท่ัวประเทศ ทมี่ า : กรมอตุ นุ ยิ มวทิ ยา การประมาณค่าเชิงพื้นที่คือ กระบวนการของการใช้ข้อมูลจุดที่ทราบค่า ไปใช้ในการประมาณค่า พื้นที่ที่ยังไม่ทราบของจุด (พื้นที่) อื่นๆ ซึ่งแต่ละจุดจะเป็นตัวแทนของสถานีอากาศที่ทราบค่าดัชนีฝนมาตรฐาน ในการดำเนินการทำการประมาณค่าพื้นท่ีนั้น โดยใช้วิธี Inverse Distance Weight (IDW) ซึ่งเป็นการประมาณ ค่าบนสมมติฐานที่ว่าจุดที่ยังไม่ทราบค่านั้นควรมีอิทธิพลจากจุดควบคุมที่อยู่ใกล้มากกว่าจุดควบคุมที่อยู่ไกล ระดับของอิทธิพล (Degree of Influence, or the Weight) แสดงในรูปผลกลับ (Inverse) ของระยะทาง ระหว่างจุด ซึ่งเพิ่มขึ้นตามค่ากำลัง (Power Number) ค่ากำลังแสดงถึงอัตราการเปลี่ยนแปลงค่าจากจุดใกล้ไป ยงั จุดไกล การวิเคราะห์สภาวะฝนแล้งด้วยดัชนีฝนมาตรฐานโดยแยกออกเป็นรายเดือน ตั้งแต่ต้นปีเดือน มกราคมถึงเดือนธันวาคม ในภาพรวมจะเห็นได้ว่าในปี พ.ศ. 2564 พื้นที่ส่วนใหญ่ในประเทศไทยไม่ปรากฏ สภาวะฝนแล้งที่รุนแรง กล่าวคือ ค่าดัชนีฝนมาตรฐานอยู่ในช่วงที่ต่ำกว่า -2.0 ซึ่งเป็นค่าที่บ่งบอกถึงสภาวะฝน แลง้ อยา่ งรุนแรง อย่างไรก็ตาม ช่วงต้นปีตั้งแต่เดือนมากราคมถึงเดือนมีนาคม เกิดสภาวะฝนแล้งปกติในบริเวณ ภาคเหนือ คอื ช่วงคา่ ดัชนฝี นมาตรฐานอยูร่ ะหวา่ ง -0.1 จนถึง 0.1 และมีฝนตกบ้างในบรเิ วณภาคกลาง รายงานการวจิ ยั Research Report) | หน้า 69

โครงการประเมินพน้ื ทเี่ สยี่ งภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ ในช่วงเดือนเมษายนถึงเดือนกรกฎาคมไม่ปรากฏสภาวะภัยแล้ง และเริ่มมีฝนตกในหลายพื้นที่ และ ในช่วงครึ่งปีหลังตั้งแต่เดือนกรกฎาคมจนถึงเดือนธันวาคม มีฝนตกหนักทั่วทุกภาค โดยมีค่าดัชนีฝนมาตรฐาน มากกว่า 1.0 รปู ท่ี 4- 12 ขอ้ มูลดชั นี SPI ทีผ่ ่านการประมาณค่าเป็นข้อมลู เชิงพื้นทแี่ บบรายเดือน (ค่าเฉลีย่ 30 ปี) 2) Global Precipitation Measurement (GPM) การสกดั ข้อมูล GPM จากผลิตภณั ฑ์ 3IMERGHHL ครอบคลมุ ทง้ั โลก (-180,-90,180,90) ใน HDF5 เป็นข้อมูล dataset (ชุดข้อมูล) ประกอบไปด้วย Subdataset ย่อย ข้อมูลปริมาณฝนเป็นข้อมูล PrecipitationCal ซึ่งเป็นฝนเฉลี่ย มิลลิเมตรต่อชั่วโมง เมื่อแปลงข้อมูลให้อยู่ในรูปแบบ GeoTIFF จะแสดงผล ขอ้ มูลปริมาณฝน รูปท่ี 4- 13 ขอ้ มลู ฝน (มม./ชม.) จากระบบ GPM ผลติ ภณั ฑ์ 3IMERGHHL ราย 0.5 ชม. (PrecipitationCal) รายงานการวิจัย Research Report) | หน้า 70

โครงการประเมินพนื้ ทีเ่ สีย่ งภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภมู ิสารสนเทศ ขอ้ มูลฝนจากดาวเทยี มมีคุณสมบัตทิ ดี่ ีในเร่ืองการกระจายตัวของตำแหนง่ ตรวจวัด (กรดิ 10 กม.) ที่ ดีกว่าการประมาณค่าจากสถานีภาคพื้นดินที่ห่างกันหลายสิบกิโลเมตรไปจนถึงหลักร้อยกิโลเมตร ข้อมูลฝนจาก ดาวเทียมยงั สามารถนำมาคำนวณช่วงเวลาย้อนหลงั ได้เปน็ เวลายาวนาน เชน่ การคำนวณคา่ ผิดปกติ (Anomaly) จากข้อมูลฝนเฉลี่ยรายเดือนเป็นเวลา 21 ปี ตั้งแต่ ค.ศ.2543 - 2564 มาคำนวณเป็นข้อมูลฝน คา่ มากที่สุด (Maximum) ค่านอ้ ยที่สุด (Minimum) และค่าเฉลี่ย (Mean) ดงั รูปที่ 4- 14 รูปที่ 4- 14 ขอ้ มลู อนุพันธฝ์ น คา่ มากทส่ี ุด (Maximum) ค่านอ้ ยที่สดุ (Minimum) และค่าเฉลี่ย (Mean) จากซา้ ยไปขวาตามลำดับ เมื่อได้ข้อมูลอนุพันธ์ฝน 21 ปี ดังรูปที่ 4- 15 แล้วจึงนำข้อมูลฝนเฉลี่ยรายเดือน มกราคม พ.ศ.2565 มาคำนวณเป็นค่าผิดปกติ (Anomaly) ดังสมการด้านล่าง เพื่อใช้ในการแสดงข้อมูลพื้นที่ฝนที่ตกมาก ผิดปกติเมื่อเทียบกับช่วงเวลา 21 ปีที่ผ่านมา โดยจะแสดงค่าติดลบในพื้นที่ที่ฝนเฉลี่ยในเดือนมกราคมมีค่าน้อย กวา่ ค่าเฉลี่ย และแสดงเปน็ คา่ บวก ณ ตำแหนง่ ทป่ี รมิ าณฝนเฉลย่ี เดอื นมกราคมมคี ่ามากกว่าคา่ เฉลีย่ 21 ปี Anomaly256501 = GPM202201 - GPMmean(245301-256401) ----------------------(30) รายงานการวจิ ยั Research Report) | หน้า 71

โครงการประเมนิ พื้นทเี่ สย่ี งภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภูมิสารสนเทศ รปู ท่ี 4- 15 ดชั นี Precipitation Anomaly ของฝนเฉลย่ี เดือน มกราคม พ.ศ.2565 เพื่อแสดงให้เห็นว่าข้อมูล GPM สามารถนำมาประยุกต์ใช้งานในโครงการได้ จึงได้ทดสอบคำนวณ ค่าสูงสุด (Maximum) ของปริมาณฝนเฉลี่ยตั้งแต่ปี พ.ศ. 2543 – 2564 เพื่อเทียบเคียงกับข้อมูลปีปัจจุบัน พ.ศ. 2565 ที่เดือนกุมภาพันธ์ได้รับผลกระทบจากลานีญ่าทำให้ฝนตกมากกว่าปกติ ซึ่งแสดงเป็น รปู ที่ 4- 16 เทียบกนั (ซา้ ย Maximum Precipitation 2543 – 2564 และขวา Precipitation (February 2565) รูปที่ 4- 16 (ซา้ ย) Maximum Precipitation 2543 – 2564 เปรียบเทยี บ (ขวา) Precipitation (February 2565) รายงานการวิจยั Research Report) | หน้า 72

โครงการประเมนิ พ้ืนทเ่ี ส่ียงภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ 3) Drought Hazard Index (DHI) ตวั บ่งชี้ด้านความรุนแรงของการเกิดภาวะความแห้งแลง้ ที่จะนำไปสู่การเกิดเป็นภัยแล้งได้ โดย มีค่าอยู่ระหว่าง 0 – 100 และพบว่าในช่วงต้นปีระหว่างเดือนกุมภาพันธ์ - เดือนเมษายน จะมีค่าระดับความ รุนแรงของสภาพวะสงู รูปท่ี 4- 17 และ รปู ท่ี 4- 18 รูปที่ 4- 17 การจดั เก็บฐานข้อมูลดชั นี DHI รายสปั ดาห์ ปี พ.ศ.2563 รายงานการวิจยั Research Report) | หน้า 73

โครงการประเมนิ พื้นท่เี ส่ยี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ รูปท่ี 4- 18 ตัวอย่างข้อมูลดัชนี DHI สปั ดาหท์ ่ี 14 ของพ.ศ. 2563 รายงานการวิจัย Research Report) | หนา้ 74

โครงการประเมินพน้ื ท่เี สีย่ งภัยแล้งและความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ 4.2.7 ข้อมลู Surface Soil Moisture ข้อมูล Surface Soil Moisture ประมวลผลได้จากดาวเทียมSoil Moisture Active Passive (SMAP) โดยมกี ารชดเชยในสว่ นข้อมลู ที่ขาดหายไปผา่ นคอมโพสิทเปน็ ข้อมูลรายเดือน รูปที่ 4- 19 รปู ที่ 4- 19 ข้อมลู จำนวน Repeat Pixels จากการประกอบข้อมลู L2_SM_SP เป็นเวลา 1 เดอื น (ซา้ ย) และ ข้อมลู ค่าเฉลย่ี ความชนื้ ผิวดนิ ความละเอยี ด 1x1 ตร.กม. รายเดอื น (ขวา) การตรวจสอบค่าความสัมพันธ์ ของข้อมูลการตรวจวัดความชื้นผิวดิน (Surface Soil Moisture) จากระบบดาวเทียม SMAP กับข้อมูลตรวจวัดความชื้นดินระดับความลึก 10 ซม. จำนวน 2 พื้นท่ี (ภาค ตะวันออกเฉียงเหนือ และภาคกลาง) ซึ่งจัดเก็บข้อมูลความชื้นแบบปรมิ าตร (Volumetric) m3/m-3 รายชั่วโมง นำข้อมูลรายชั่วโมงมาเฉลี่ยเป็นรายวัน และเปรียบเทียบกับข้อมูลที่ตรวจวัดจากระบบดาวเทียม SMAP ผลิตภัณฑ์ L2_SM_SP ความละเอียด 1 ตร.กม. ตั้งแต่ มกราคม - สิงหาคม พ.ศ.2565 ได้ผลเป็นค่า ความสัมพันธ์สถานีภาคตะวันออกเฉียงเหนือ ค่า R2 = 0.68 ค่า SD Error = 0.14 (รูปที่ 4- 20) และสถานีภาค กลาง ค่า R2 = 0.85 คา่ SD Error = 0.04 (รูปที่ 4- 21) ตามลำดับ รายงานการวจิ ัย Research Report) | หนา้ 75

Drought Hazard Index (DHI) โครงการประเมินพ้ืนทีเ่ สย่ี งภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ รูปท่ี 4- 20 การเปรียบเทียบค่าความสมั พันธ์ (R-Square) และค่าความคลาดเคลอื่ น (Standard Error) ของ สถานีตรวจวดั ภาคพื้นดนิ กบั ข้อมูลจากระบบดาวเทยี ม SMAP ภาคตะวนั ออกเฉียงเหนือ รูปท่ี 4- 21 การเปรียบเทียบคา่ ความสมั พันธ์ (R-Square) และคา่ ความคลาดเคลอื่ น (Standard Error) ของ สถานตี รวจวดั ภาคพ้ืนดนิ กับข้อมลู จากระบบดาวเทยี ม SMAP ภาคกลาง 4.2.8 Drought Risk Index: DRI ดัชนี DRI ถูกนำมาเปรียบเทียบกับข้อมูลอนุกรมเวลาเพื่อแสดงความสัมพันธ์ระหว่างดชั นี VHI กับ SSM (Surface Soil Moisture) ซึ่งผลลัพธ์จากการคำนวณค่าสหสัมพันธ์ของดัชนีทั้งสองระหว่างปี พ.ศ.2562 - 2565 ดงั รูปท่ี 4- 22 จำนวนวันเริ่มวันท่ี 1 มกราคม พ.ศ.2562 รปู ท่ี 4- 22 คา่ ดัชนี VHI และ SSM ระหวา่ งปี พ.ศ.2563 - 2565 (แถบสแี ดงคือชว่ งฤดูฝน) รายงานการวิจัย Research Report) | หน้า 76

โครงการประเมินพ้นื ทีเ่ ส่ียงภัยแลง้ และความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภูมสิ ารสนเทศ เนื่องจากดัชนี VHI จะมีความแปรปรวนกับการใช้ประโยชน์ที่ดิน จึงให้น้ำหนักความเชื่อมั่นไปที่ ข้อมลู อทุ กวิทยา เช่น ความช้นื ผวิ ดิน มากกวา่ ดงั น้นั ดชั นีเส่ียงแหง้ แล้ง DRI (Drought Risk Index) จึงมีสมการ ในการประมวลผล โดยกำหนดให้ค่าน้ำหนกั 0.6 ทีด่ ัชนคี วามช้ืนผวิ ดิน และคา่ น้ำหนกั 0.4 ที่ดชั นี VHI ดงั น้ี DRI = (0.4)(100 - VHInor) + (0.6)(100 - SSMnor) ----------------------(31) เมอ่ื VHInor = (DHImax - DHIcur) / (DHImax - DHImin) SSMnor = (SSMmax - SSMcur) / (SSMmax - SSMmin) และปริมาณน้ำฝนซง่ึ เป็นปัจจยั หลกั ทส่ี ่งผลต่อระดับความช้นื ผิวดิน และสภาวะแหง้ แล้ง จงึ ได้มีการ สร้างแบบจำลองประเมินความเส่ียงภัยแล้งตามดัชนี Ocean Nino Index (ONI) แบ่งเป็น 3 สถานการณ์ ได้แก่ La Niña, El Niño และ Neutral โดยการแปลงค่าปกติ (Normalized) ที่คำนวณในสมการได้มาจากค่าสถิติ ไดแ้ ก่ คา่ สูงสดุ และคา่ ตำ่ สุด ตารางที่ 4- 5 จากการแบ่งช่วงดัชนี ONI ซึ่งในระหว่างปี พ.ศ.2562 - 2565 มีจุดวิกฤตในการ เปล่ียนแปลงคา่ ตามดัชนี ONI (รปู ที่ 4- 23 และ ตารางที่ 4- 6) แสดงเปน็ สมการเพือ่ คำนวณ DRI ไดด้ ังนี้ DRILa Niña = (0.4)(100 - (54.36 - VHIcur) / (52.96) + (0.6)(100 - (0.37 - SSMcur) / (0.26) ----------(32) DRIEl Niño = (0.4)(100 - (91.39 - VHIcur) / (81.72) + (0.6)(100 - (0.41 - SSMcur) / (0.24) ----------(33) DRINuetral = (0.4)(100 - (63.20 - VHIcur) / (57.30) + (0.6)(100 - (0.50 - SSMcur) / (0.30) -------(34) ตารางท่ี 4- 5 ค่าสถิติ DHI โดยการแบง่ ช่วงตามดชั นี Ocean Nino Index (ONI) สภาวะอากาศ VHImin VHImax SSMmin SSMmax La Niña 1.40 54.36 0.11 0.37 0.41 El Niño 9.67 91.39 0.17 0.50 Neutral 5.90 63.20 0.20 รูปท่ี 4- 23 Oceanic Niño Index (ONI) 1950-present รายงานการวิจัย Research Report) | หนา้ 77

โครงการประเมินพนื้ ทีเ่ ส่ียงภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ตารางที่ 4- 6 Running 3-Month Mean ONI values ผลลัพธ์ของการประมวลผลดัชนี DRI รายสัปดาห์ ซึ่งมีการ Interpolate ข้อมูลให้มีความละเอียดท่ี 20x20 เมตร (รูปท่ี 4- 24 ถึงรูปที่ 4- 25) รปู ท่ี 4- 24 ข้อมลู ดชั นี DRI รายเดือนท่ีประมวลผลได้จากระบบ ปี พ.ศ.2561-2563 รายงานการวิจัย Research Report) | หน้า 78

โครงการประเมินพ้นื ที่เส่ยี งภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ รปู ที่ 4- 25 ตวั อย่างข้อมลู ดัชนี DRI สปั ดาหท์ ี่ 11 ของพ.ศ. 2563 รายงานการวิจัย Research Report) | หนา้ 79

โครงการประเมินพน้ื ทีเ่ สีย่ งภยั แล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ 4.3 ดัชนีประเมินความเสียหายของพืชเกษตรรายแปลง (Crop Damage Assessment Index: CDAI) การพฒั นาดชั นีประเมินความเสียหายของพืชเกษตรรายแปลง (CDAI) ไดใ้ ช้ปจั จยั ท่ีเกี่ยวข้องต่างๆ เข้ามาเชื่อมโยงและประมวลผลร่วมกัน ตั้งแต่ข้อมูลดัชนีพื้นที่เสี่ยงภัยแล้ง (DRI) ข้อมูลแบบประมวลรวม ช่วยเหลือเกษตรกรผูป้ ระสบภัย (กษ.02) ข้อมลู เกณฑ์พิจารณาความเสียหายด้านพชื แต่ละชนิดพืช เพ่ือหาความ แตกต่างของการเจริญเติบโตของพืชแต่ละชนิดในปีปกติและปีที่เกิดความเสียหายจากความแห้งแล้ง โดยใช้เสน้ ชีพลกั ษณ์ (Physiological Profile) จากดชั นที ่ไี ด้จากดาวเทยี ม 4.3.1 ดัชนีพืชพรรณสำหรบั การสรา้ งเส้นชพี ลักษณเ์ พอ่ื ศกึ ษาความเสียหาย 1) Normalized Difference Vegetation Index (NDVI) แสดงให้เห็นถึงการเพาะปลูกพืชได้ อย่างชัดเจนจากสิ่งที่ปกคลุมดิน โดยค่าดัชนีจะสะท้อนค่าพืชพรรณอย่างชัดเจนในช่วงเดือน มิถนุ ายนถึงเดือนธันวาคม รปู ที่ 4- 26 แสดงตวั อย่างคา่ ดัชนี NDVI ท่วั ประเทศ (บน) และ NDVI ระดบั รายแปลง (ลา่ ง) จากดาวเทยี ม Sentinel-2 รายงานการวิจยั Research Report) | หนา้ 80

โครงการประเมนิ พนื้ ทเ่ี สย่ี งภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยีภมู ิสารสนเทศ 2) Soil Adjusted Vegetation Index (SAVI) แสดงค่าของพืชพรรณที่มีการปรับแก้ค่าสะท้อง ของพื้นดิน ทำให้เห็นการเพาะปลูกที่มีพืชปกคลุมได้อย่างชัดเจน เริ่มตั้งแต่เดือนมิถุนายนถึง เดอื นพฤศจกิ ายน ก่อนจะเก็บเกย่ี วในเดือนธันวาคม รปู ท่ี 4- 27 แสดงค่าดัชนี SAVI ทั่วประเทศ (บน) และ SAVI ระดับรายแปลง (ล่าง) จากดาวเทยี ม Sentinel-2 รายงานการวิจยั Research Report) | หนา้ 81