Inception Report Crops Drought Flase2_2M

รายงานความกา้ วหนา้ การวิจยั (2 เดอื น) โครงการประเมนิ พื้นทเ่ี สี่ยงภัยแล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 Geo-Informatics Approach for Assessing the Risk of Crops Loss and Damage Associated with Drought at Farm Level โดย นางกานดาศรี ลิมปาคม ทป่ี รึกษาโครงการ (สทอภ.) นายปกรณ์ เพช็ รประยรู ที่ปรกึ ษาโครงการ (สทอภ.) นางดาเรศร์ กติ ตโิ ยภาส ทปี่ รึกษาโครงการ (สป.กษ.) นางสาววรนุช จันทรส์ รุ ยิ ์ หัวหนา้ โครงการวิจยั (สทอภ.) นายภานุ เนอ่ื งจำนงค์ ผู้รว่ มวิจยั (สทอภ.) นายประเมศ แกว้ มศี รี ผรู้ ่วมวจิ ยั (สทอภ.) นายกุลพัชร หลา้ ปาวงศ์ ผรู้ ว่ มวิจยั (สทอภ.) นางสาวญาติกานต์ ฉวีวงศ์ ผรู้ ว่ มวจิ ยั (สทอภ.) นางพอฤทยั เทยี นไทย ผู้ร่วมวิจยั (สทอภ.) นางสาววิภาดา บญุ เลศิ ผรู้ ว่ มวิจยั (สทอภ.) นายศักรนิ ทร์ อนุ่ ทานนท์ ผู้ร่วมวิจยั (สทอภ.) นางสิรลิ ักษณ์ น้อยเคียง ผรู้ ่วมวิจยั (กสก.) นาวสาวสายใจ บึงไกล ผรู้ ว่ มวจิ ยั (กสก.) นายสรายุทธ สริ ภิ ูษิต ผรู้ ่วมวจิ ยั (กสก.) นางอนงคน์ าฏ ศรีรัตนา ผรู้ ่วมวิจยั (กสก.) นายสิฏฐพิ งษ์ สรุ ิยกานต์ ผู้รว่ มวจิ ยั (กสก.) นางชิดชนก ไชยพงษ์ ผรู้ ว่ มวจิ ยั (กสก.) นางสาวศันสติ า รัตนสุภา ผู้รว่ มวิจยั (สป.กษ.) นางสาววศิ นี เพ็ญวันศุกร ผรู้ ว่ มวิจยั (สป.กษ.) นายพรี ะพงศ์ รตั นบรุ ี ผู้ร่วมวจิ ยั (ชป.) นายชลัมภ์ อนุ่ อารีย์ ผรู้ ่วมวิจยั (อต.) นายฐนโรจน์ วรรัฐประเสรฐิ ผู้รว่ มวิจยั (สทนช.) นายทรงเกยี รต์ิ ขำทอง ผู้ร่วมวจิ ยั (สทนช.) นายประสงค์ ธมั มะปาละ ผรู้ ว่ มวิจยั (ปภ.) มิถนุ ายน 2566

โครงการประเมนิ พืน้ ทเี่ สี่ยงภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะที่ 2 คำนำ การประเมินพื้นที่เสี่ยงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยีภูมิสารสนเทศ ระยะท่ี 2 ของสำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน) ร่วมกับกรมส่งเสริม การเกษตร กรมชลประทาน กรมอุตุนิยมวิทยา สำนักงานทรัพยากรน้ำแห่งชาติ กรมป้องกันและบรรเทาสาธารณ ภัย และสำนักปลัดกระทรวงเกษตรและสหกรณ์ ภายใต้ทุนอุดหนุนการวิจัยและนวตั กรรมจาก สำนักงานการวิจยั แห่งชาติ ประจำปี 2566 เป็นการปรับปรุงและพัฒนาแบบจำลองการประเมินพื้นที่เสี่ยงภยั แล้งและความเสียหาย ของพืชเกษตรรายแปลงของประเทศไทยแบบอัตโนมัติ ให้มีความแม่นยำมากขึ้น โดยใช้ศักยภาพของข้อมูล ดาวเทียม ร่วมกบั เทคโนโลยภี ูมสิ ารสนสนเทศ และข้อมลู การตรวจวดั ภาคพื้นดนิ คณะผู้จัดทำหวังเป็นอย่างยิ่งว่า โครงการนี้จะเป็นประโยชน์อย่างยิ่งในการที่จะทำให้เกษตรกรสามารถ เขา้ ถึงเทคโนโลยี เพ่ือตรยี มความพร้อม รบั มือและปรับตวั เพ่ือลดผลกระทบ ลดความเสียหายได้ทนั ตอ่ สถานการณ์ ภาครัฐมีเครื่องมือและกลไกที่เป็นระบบสนับสนุนการตัดสินใจ ในการลดภาระด้านกำลังคนและระยะเวลาในการ สำรวจตรวจสอบความเสียหายของพืชเพื่อการช่วยเหลือเกษตรกร และหน่วยบริหารจัดการน้ำภาคการเกษตร ทงั้ ในระดับนโยบาย ระดบั ปฏบิ ตั ิในพ้ืนทีม่ ฐี านข้อมูลนำไปกำหนดเป็นทิศทางและมาตราการการใหค้ วามช่วยเหลือ เกษตรกรที่ตรงจุด เพียงพอและประหยัดงบประมาณ โดยใช้เทคโนโลยีและนวัตกรรม โดยเฉพาะเทคโนโลยีภูมิ สารสนเทศเข้ามาช่วยให้การบรหิ ารจัดการเชงิ พ้ืนท่ี คณะผูจ้ ดั ทำ สำนกั งานพัฒนาเทคโนโลยอี วกาศและภมู สิ ารสนเทศ หน้า | ก รายงานความก้าวหนา้ การวจิ ยั (2 เดอื น) Inception Report

สารบัญ เนือ้ หา คำนำ..............................................................................................................................................................ก สารบญั ..........................................................................................................................................................ข สารบัญตาราง ................................................................................................................................................ ง สารบญั ภาพ ...................................................................................................................................................จ คำอธิบายสัญลักษณ์และคำยอ่ ท่ใี ช้ในการวิจยั ................................................................................................ช 1. บทนำ ........................................................................................................................................................1 1.1 ความสำคญั และที่มาของปญั หา.................................................................................................................1 1.2 วัตถปุ ระสงค์ของโครงการวิจัย ...................................................................................................................2 1.3 ประโยชนท์ ไ่ี ดร้ บั .......................................................................................................................................2 1.4 หน่วยงานทนี่ ำผลงานวจิ ยั ไปใชป้ ระโยชน์ ..................................................................................................3 2. ทบทวนวรรณกรรมที่เก่ยี วขอ้ ง...................................................................................................................4 2.1 นยิ ามความหมายเกย่ี วกับภยั แลง้ ...............................................................................................................4 2.2 ดาวเทียมท่ีมีศกั ยภาพในการประเมินภัยแล้ง .............................................................................................5 2.3 การศึกษาดัชนีภัยแล้ง................................................................................................................................9 2.4 การศกึ ษาดชั นคี วามเสยี หายของพืชเกษตรรายแปลง.............................................................................. 16 2.5 เทคโนโลยี Machine Learning : ML .................................................................................................... 24 2.6 การพยากรณ์การเกิดภยั แลง้ ................................................................................................................... 30 2.7 การประเมินความถูกต้องของแบบจำลอง ............................................................................................... 31 2.8 การพฒั นาแพลตฟอร์ม........................................................................................................................... 32 2.9 งานวิจยั ทเี่ ก่ียวข้อง ................................................................................................................................. 38 3. ระเบียบวิธีวจิ ัย ........................................................................................................................................41 3.1 ขอบเขตการวจิ ยั ..................................................................................................................................... 41 3.2 รายละเอียดของขนั้ ตอนการดำเนนิ งานจริงตามแผนการดำเนินงาน........................................................ 41 รายงานความกา้ วหน้าการวิจยั (2 เดือน) Inception Report หนา้ | ข

โครงการประเมนิ พืน้ ที่เสย่ี งภยั แล้งและความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 3.2.1 การปรบั ปรุงแบบจำลองดัชนีประเมนิ พ้ืนท่ีเสยี่ งภัยแลง้ .................................................................. 41 3.2.2 การปรบั ปรงุ แบบจำลองการประเมนิ ความเสยี หายของพืชเกษตรรายแปลง ................................... 43 3.2.3 การพฒั นาแบบจำลองการพยากรณ์พนื้ ท่เี ส่ยี งภัยแล้ง .................................................................... 46 3.2.4 การปรงุ ปรุงและพฒั นาแพลตฟอร์ม ............................................................................................... 47 3.2.5 การตดิ ตามประเมินผล ขบั เคลื่อนและส่งเสรมิ การใชง้ านแพลตฟอรม์ ............................................ 52 4. สรปุ ความก้าวหน้าผลการวิจัย .................................................................................................................53 4.1 การปรบั ปรุงแบบจำลองดัชนีพนื้ ทเ่ี สี่ยงภยั แล้ง ....................................................................................... 53 4.2 การปรับปรุงแบบจำลองการประเมินความเสียหายของพชื เกษตรรายแปลง............................................ 56 4.3 การพัฒนาแบบจำลองการพยากรณ์พ้นื ท่ีเสย่ี งภัยแลง้ ............................................................................. 63 4.4 การปรับปรงุ และพัฒนาแพลตฟอร์ม....................................................................................................... 70 5. อภิปรายและวจิ ารณ์ผล ..........................................................................................................................73 5.1 การปรับปรงุ แบบจำลองดชั นีพื้นที่เสย่ี งภัยแลง้ ....................................................................................... 73 5.2 การปรบั ปรุงแบบจำลองการประเมนิ ความเสียหายของพืชเกษตรรายแปลง............................................ 73 5.3 การพฒั นาแบบจำลองการพยากรณ์พ้ืนท่เี สย่ี งภยั แล้ง............................................................................. 73 5.4 การปรับปรงุ และพฒั นาแพลตฟอร์ม....................................................................................................... 74 6. ขอ้ เสนอแนะ...........................................................................................................................................75 7. บรรณานกุ รม (Bibliography).............................................................................................................76 8. รายละเอียดนักวิจัย.................................................................................Error! Bookmark not defined. หน้า | ค รายงานความก้าวหนา้ การวิจัย (2 เดอื น) Inception Report

สารบัญตาราง ตารางท่ี 2- 1 ดชั นีความแหง้ แล้งท่นี ยิ มใช้ในระบบตดิ ตามและรายงานผล......................................................... 14 ตารางท่ี 2- 2 MULTISPECTRAL INDEX ท่ีวิเคราะห์ได้จากข้อมลู ดาวเทียม SENTINEL-2 ............................... 16 ตารางที่ 3- 1 เครื่องมอทใ่ี ช้ในการพฒั นาระบบ................................................................................................. 50 ตารางท่ี 4- 1 สรปุ จำนวนแปลงเกษตรกรที่ประสบภยั แลง้ แยกรายพืช ในพืน้ ที่ 9 จังหวัด ................................ 56 ตารางที่ 4- 2 แสดงข้อมลู บรรยากาศจาก CSFV2 สำหรบั แบบจำลอง REGCM ................................................ 64 ตารางท่ี 4- 4 แสดงตวั แปรพารามิเตอร์ในแบบจำลอง REGCM......................................................................... 65 ตารางที่ 4- 5 แสดงตวั แปรพารามเิ ตอร์ในแบบจำลอง REGCM......................................................................... 68 รายงานความกา้ วหนา้ การวิจัย (2 เดือน) Inception Report หน้า | ง

โครงการประเมนิ พืน้ ที่เสีย่ งภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 สารบัญภาพ รูปท่ี 2- 1 OVERVIEW OF CHIRPS PROCESS AND VALIDATION. (A) CHIRPS PRODUCTION AND APPLICATION SCHEMA; FUNK, ET AL. (2015) .............................................................................6 รปู ที่ 2- 2 SENTINEL-2 AND LANDSAT SPECTRAL BANDS - SOURCE: USGS ..............................................9 รปู ท่ี 2-3 ตวั อย่างการแปลงจาก GAMMA DISTRIBUTION (ก) เปน็ STANDARD NORMAL DISTRIBUTION (ข) 11 รปู ที่ 2- 4 ความแตกต่างของตวั เลขค่าดชั นี SAVI และดชั นี NDVI จากการสะท้อนช่วงคลน่ื ในพ้ืนทท่ี ่ีมพี ืชพรรณ ปกคลมุ หนาแนน่ แตกต่างกนั (ที่มา : SORAVIS, 2019).................................................................... 19 รปู ที่ 2- 5 ขอ้ มลู ดัชนี SAVI วันท่ี 3 ธ.ค. 2561 (ซา้ ย) และวนั ที่ 13 ธ.ค. 2561 (ขวา) (ทม่ี า : SORAVIS, 2019)19 รปู ท่ี 2- 6 ข้อมูลดชั นี NDVI (ซา้ ย) RVI (ขวา) พน้ื ทีช่ ายฝงั่ ประเทศ ICELAND (ทมี่ า : POLINA, 2020)............ 20 รูปท่ี 2- 7 ดัชนี SPI แสดงผลทิง้ ช่วงเดอื น มถิ ุนายน - กรกฎาคม 2562 ............................................................ 20 รูปท่ี 2- 8 ชพี ลกั ษณ์ของขา้ วโพดในแปลงท่ีไดร้ ับผลกระทบจากฝนท้ิงช่วง มิ.ย.–ก.ค. 2562 (ข้อมูลจาก กษ.02) ....21 รูปที่ 2- 9 แสดงการเปรยี บเทยี บดัชนี NDVI กบั ดัชนี NDRE จากดาวเทยี ม SENTINEL-2................................. 22 รูปที่ 2- 10 ภาพเปรยี บเทยี บดชั นี NDWI และ MNDWI จากดาวเทยี มในพน้ื ท่ีเกษตร....................................... 23 รปู ที่ 2- 11 ภาพแสดงดัชนี MCARI จากดาวเทยี มในพ้ืนที่เกษตร...................................................................... 24 รปู ที่ 2- 12 DECISION TREE ALGORITHM ..................................................................................................... 26 รปู ท่ี 2- 13 RANDOM FOREST ALGORITHM DIAGRAM............................................................................... 26 รปู ท่ี 2- 14 XGBOOST ALGORITHM DIAGRAM............................................................................................. 27 รูปที่ 2- 15 ARTIFICIAL NEURAL NETWORKS – ANN DIAGRAM ................................................................ 29 รูปที่ 3- 1 การพฒั นา/ ปรับปรงุ แบบจำลองในการประเมินพน้ื ที่เสยี่ งภยั แลง้ .................................................... 43 รปู ที่ 3- 2 การพฒั นา/ ปรบั ปรุงแบบจำลองในการประเมินความเสยี หายของพชื เกษตรรายแปลง..................... 45 รูปท่ี 3- 3 กระบวนการตรวจสอบความถกู ต้องของการประเมินแปลงเกษตรของพืชที่คาดว่าจะได้รับความเสียหาย..45 รูปที่ 3- 4 กระบวนการตรวจสอบความเสียหายของพืช ด้วยอปุ กรณ์ DRONE.................................................... 46 รูปท่ี 3- 4 REGCM VERSION 5 MODELLING SYSTEM FLOW CHART ........................................................ 47 รูปท่ี 3- 5 รายละเอียดเบื้องต้นของแบบจำลองท่ใี ชใ้ นการพยากรณ์.................................................................. 47 รูปที่ 3- 6 กรอบแนวคดิ ในการปรับปรุงและพฒั นาแพลตฟอรม์ ........................................................................ 48 รูปท่ี 3- 7 โครงสรา้ งของระบบ.......................................................................................................................... 49 รปู ท่ี 3- 8 โครงสรา้ งของฐานขอมูล ................................................................................................................... 50 หนา้ | จ รายงานความกา้ วหนา้ การวิจัย (2 เดอื น) Inception Report

รูปที่ 3- 6 การติดตามประเมินผล ขบั เคลอ่ื นและส่งเสรมิ การใชง้ านแพลตฟอร์ม ให้กับทุกภาคส่วน ตาม หลกั เกณฑ์การให้ความช่วยเหลือผูป้ ระสบภัยพบิ ัตดิ า้ นการเกษตร ................................................... 52 รปู ที่ 4- 1 ตัวอยา่ งข้อมูลนำ้ ฝนรายเดอื น ปี พ.ศ.2565 จากดาวเทยี ม CHRIPS ................................................. 53 รูปที่ 4- 2 ตวั อย่างข้อมลู SSM จากดาวเทยี ม SMAP ความละเอียด 1X1 กโิ ลเมตร.......................................... 53 รปู ที่ 4- 3 ตัวอยา่ งการวเิ คราะห์ดชั นีภัยแลง้ จากดาวเทยี ม SUOMI NPP และดาวเทยี ม NOAA สปั ดาหท์ ี่ 1 -4 ของปี พ.ศ.2565 .............................................................................................................................. 54 รปู ท่ี 4- 4 ข้อมลู ปจั จัยทางกายภาพท่ีเกี่ยวข้องกบั การประเมินพน้ื ท่ีเสย่ี งภัยแล้ง............................................... 55 รูปที่ 4- 5 ขอ้ มูลแปลง กษ.02 ที่เสยี หายจากภัยแลง้ ......................................................................................... 57 รปู ที่ 4- 6 แสดงค่าดัชนี NDVI ระดบั รายแปลง จากดาวเทียม SENTINEL-2............................................................. 58 รปู ที่ 4- 7 ตวั อยา่ งข้อมูลดัชนี NDWI ระดับรายแปลง จากดาวเทียม SENTINEL-2............................................. 58 รปู ที่ 4- 8 ตัวอย่างข้อมูลดัชนี CI ระดับรายแปลง จากดาวเทยี ม SENTINEL-2.................................................... 59 รูปที่ 4- 9 ตัวอยา่ งข้อมูลดชั นี NDWI ระดับรายแปลง จากดาวเทยี ม SENTINEL-2............................................. 59 รปู ท่ี 4- 10 ตวั อย่างข้อมลู ดัชนี MNDWI ระดบั รายแปลง จากดาวเทียม SENTINEL-2 ...................................... 60 รปู ที่ 4- 11 ตัวอย่างข้อมูลดัชนี SIWSI ระดบั รายแปลง จากดาวเทียม SENTINEL-2........................................... 60 รูปที่ 4- 12 ตัวอย่างข้อมลู ดัชนี IPVI ระดับรายแปลง จากดาวเทียม SENTINEL-2 .............................................. 61 รูปที่ 4- 13 ตวั อยา่ งข้อมลู ดัชนี MCARI ระดับรายแปลง จากดาวเทียม SENTINEL-2 ......................................... 61 รูปท่ี 4- 14 ตวั อยา่ งข้อมลู ดัชนี NDRE ระดับรายแปลง จากดาวเทียม SENTINEL-2........................................... 62 รปู ท่ี 4- 15 ตัวอยา่ งข้อมูลดัชนี EVI ระดบั รายแปลง จากดาวเทียม SENTINEL-2 ............................................... 62 รปู ท่ี 4- 16 แสดงขอบเขตพื้นท่ีศกึ ษาของแบบจำลองพยากรณ์ระดับภมู ิภาค REGCM ทใ่ี ชใ้ นการศึกษาน้ี ........ 63 รูปท่ี 4- 17 แสดงแผนผังโดยสรปุ ของแบบจำลอง REGCM ทใ่ี ช้ในการศึกษานี้.................................................. 67 รูปที่ 4- 18 แสดงตัวอยา่ งผลการพยากรณ์ปริมาณน้ำฝนรายเดือนจากแบบจำลอง REGCM เวอรช์ นั 5 ของเดือน มถิ ุนายน กรกฎาคม สิงหาคม และ กันยายน 2023 ...................................................................... 69 รปู ที่ 4- 19 ส่วนหนา้ หลกั เวบ็ แอปพลเิ คชนั (WEB APPLICATION)................................................................... 71 รปู ที่ 4- 20 ส่วนหน้าหลกั เว็บแอปพลเิ คชัน (WEB APPLICATION)................................................................... 72 รายงานความกา้ วหน้าการวจิ ัย (2 เดือน) Inception Report หนา้ | ฉ

โครงการประเมนิ พ้ืนท่ีเสีย่ งภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 คำอธิบายสัญลักษณแ์ ละคำย่อทใี่ ช้ในการวิจัย คำยอ่ Name คำอธบิ าย CDAI Crop Drought Damage Assessment Index ดัชนีประเมนิ ความเสยี หายของพชื จากภัย แล้ง CI Chlorophyll Content Index ดัชนคี ่าคลอโรฟิลล์ DHI Drought Hazard Index ดัชนคี วามเส่ยี งภยั แล้ง DRI Drought Risk Index ดชั นีพื้นที่เสี่ยงภัยแลง้ เปน็ ดัชนีบ่งชรี้ ะดบั ความแห้งแล้ง จากการตรวจวัดสขุ ภาพ DSI Drought Severity Index พืชในช่วง 1 สัปดาห์ ดชั นพี ืน้ ท่เี สี่ยงภัยแล้งต่อเนอื่ ง เปน็ ดัชนี DVI Drought Volubility Index คา่ เฉล่ยี DRI ตามช่วงระยะเวลา ETo Evapotranspiration ต่อเน่ืองกนั จนถึงสัปดาห์ทปี่ ระมวลผล 4 EVI Enhanced Vegetation Index สัปดาห์ FPAR Fraction of Absorbed Photosynthetically ดัชนคี วามเปราะบางภัยแลง้ การคายระเหย Active Radiation ดชั นีเน้นภาพพชื พรรณ GPM Global Precipitation Measurement ดัชนสี ดั ส่วนของการแผร่ ังสีในช่วงคลื่นที่ พืชใช้สงั เคราะห์แสง LST Land Surface Temperature ขอ้ มลู การวัดปริมาณน้ำฝนจากดาวเทียม SAVI Soil Adjusted Vegetation Index ทั่วโลก NDVI Normalized Difference Vegetation Index อณุ หภมู ิพืน้ ผิว SMAP Soil Moisture Active Passive ดชั นีพืชพรรณปรบั แกด้ นิ SPI Standard Precipitation Index ดัชนพี ืชพรรณ TCI Temperature Condition Index ข้อมลู ดาวเทยี มตรวจวดั ความชนื้ ในดนิ VCI The Vegetation Condition Index ดัชนีน้ำฝน VHI Vegetation Health Index ดชั นีช้ีวดั อณุ หภูมิ RVI Ratio Vegetation Index ดัชนชี ้ีวดั ของพืชพรรณ EVI Enhanced Vegetation Index ดชั นีความสมบูรณข์ องพชื พรรณ หน้า | ช รายงานความกา้ วหนา้ การวจิ ยั (2 เดือน) Inception Report สดั สว่ นดัชนพี ชื พรรณ ดชั นพี ชื พรรณ

คำยอ่ Name คำอธบิ าย NDRE Normalized Difference Red-Edge Index ดัชนคี วามต่างของพืชพรรณช่วงคล่นื Red-Edge NDWI Normalized Difference Water Index ดัชนคี วามตา่ งความช้นื ของนำ้ NDMI Normalized Difference Moisture Index ดัชนีความตา่ งความชนื้ SIWSI Shortwave Infrared Water Stress Index ดัชนคี วามเครยี ดของพชื ชว่ งคลืน่ SWIR IPVI Infrared percentage vegetation index อินฟราเรดเปอรเ์ ซน็ ต์ดชั นพี ชื พรรณ MCARI Modified Chlorophyll Absorption in Reflectance Index รายงานความกา้ วหน้าการวิจยั (2 เดอื น) Inception Report หนา้ | ซ

โครงการประเมินพื้นที่เสีย่ งภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 รายงานแผนและผลการดำเนนิ การวจิ ัย และรายงานการใช้เงิน กงิ่ 1. ตารางเปรยี บเทยี บผลการดำเนนิ งานกบั แผนการดำเนินการท่ีตัง้ ไว้ (Gantt Chart) กจิ กรรม 2566 2567 ผลการ ร้อยละ เม.ย พ.ค มิ.ย ก.ค ส.ค ก.ย ต.ค พ.ย ธ.ค ม.ค ก.พ มี.ค เม.ย. ดำเนนิ งาน ผลสำเรจ็ 1. การพัฒนา/ ปรบั ปรุง แบบจำลองการประเมนิ พื้นที่ แหง้ แล้งและความเสยี หายของ พืช 1.1 ศกึ ษาและรวบรวม ภาพถา่ ยจากดาวเทยี มและ ขอ้ มลู ทีเ่ ก่ยี วข้อง 1.2 การสอบเทยี บคา่ ความช้ืน ในดินและพน้ื ท่ีภัยแล้งทไ่ี ดจ้ าก แบบจำลองในพ้นื ท่ี 9 จังหวดั เปา้ หมาย 1.3 การสำรวจพน้ื ท่จี รงิ เพอื่ การยนื ยนั และเปรยี บเทียบผล ความเสยี หายของพชื ท่ีได้จาก แบบจำลองในพืน้ ท่ี 9 จงั หวัด เปา้ หมาย 1.4 นำผลการสำรวจขอ้ มลู ภาคสนามมาสอบเทียบและ ปรับปรุงแบบจำลอง 2. การพฒั นาแบบจำลอง พยากรณ์พน้ื ทเี่ ส่ยี งภยั แล้ง 2.1 การหาความสมั พันธ์ของ ดชั นีพื้นที่แห้งแลง้ (DRI) กบั พารามเิ ตอร์ด้านสภาพอากาศ 2.2 การพัฒนาระบบ แบบจำลองบรรยากาศ (Regional Climate Model) หนา้ | ฌ รายงานความกา้ วหนา้ การวิจัย (2 เดอื น) Inception Report

กิจกรรม 2566 2567 ผลการ รอ้ ยละ เม.ย พ.ค มิ.ย ก.ค ส.ค ก.ย ต.ค พ.ย ธ.ค ม.ค ก.พ ม.ี ค เม.ย. ดำเนินงาน ผลสำเรจ็ 2.3 การพัฒนาแบบจำลองการ พยากรณ์พื้นทเี่ สี่ยงภัยแล้ง 3. การขบั เคลอ่ื นสง่ เสรมิ การ ใชง้ านในท้งั หน่วยงาน สว่ นกลางและระดับพน้ื ที่ พร้อมรับฟังความคิดเห็น เพือ่ การขยายพืน้ ท่ีในวงกว้าง ครอบคลมุ พน้ื ท่ภี ยั แล้ง เป้าหมาย 900 คน 3.1 การตดิ ตามและ ประเมนิ ผล 3.2 การพฒั นา/ปรบั ปรุง แพลตฟอรม์ สนบั สนนุ การ ตดั สินใจ หมายเหตุ: ให้ระบุเดือนทีเ่ รมิ่ ดำเนินการวิจยั ตามสญั ญารบั ทนุ หมายถึง งานหรอื กิจกรรมที่วางแผนไว้ว่าจะทำตามข้อเสนอโครงการ หมายถึง งานหรอื กิจกรรมท่ีได้ทำแลว้ 2. งบประมาณทไ่ี ด้ใช้จา่ ยไปแล้วนบั ตั้งแต่เร่มิ โครงการ หมวดรายการงบประมาณ งบประมาณ (บาท) หมายเหตุ ทีไ่ ดร้ ับอนมุ ตั ิ ใชจ้ ริง คงเหลือ 2.1 งบบคุ ลากร (ค่าตอบแทนนักวิจัย) 80,000 0 80,000 2.2 งบดำเนินงาน (คา่ ตอบเทน, คา่ ใช้ 6,711,600 12,180 6,699,420 สอย, ค่าวัสดุ) 2.3 งบลงทุน (ค่าครุภัณฑ)์ 500,000 0 500,000 2.4 ค่าธรรมเนยี มอุดหนนุ สถาบัน 720,400 0 720,400 รวมท้ังสน้ิ 8,012,000 0 7,999,820 รายงานความกา้ วหนา้ การวจิ ยั (2 เดอื น) Inception Report หนา้ | ญ

โครงการประเมนิ พืน้ ทเี่ สย่ี งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 1. บทนำ 1.1 ความสำคัญและที่มาของปัญหา ปัจจุบันความรุนแรงของผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศได้ส่งผลกระทบต่อพื้นที่ เกษตรกรรมของประเทศรนุ แรงขึ้น ทำให้เกษตรกรสว่ นใหญ่ของประเทศได้รบั ความเสียหายมาอย่างต่อเนื่อง และ จากข้อจำกัดในกระบวนการตรวจสอบยืนยันความเสียหายของพืชจากภัยธรรมชาติ โดยเฉพาะภัยแล้งในการ ชว่ ยเหลอื เกษตรกรผปู้ ระสบภยั ทีต่ อ้ งใช้ทรัพยากรอย่างมาก ทัง้ งบประมาณ ระยะเวลาดำเนินการและกำลงั คน ทำ ให้การช่วยเหลือ เยียวยาเกษตรกรเกิดความล่าช้า เกษตรกรไม่สามารถฟื้นฟูตนเองได้ในระยะเวลาที่ควรเป็น จึง นำมาส่แู นวคิดการนำวิทยาศาสตรแ์ ละเทคโนโลยีเข้ามาชว่ ยดำเนินการ โดยในปี 2564 สำนักงานพฒั นาเทคโนโลยีอวกาศและภมู ิสารสนเทศ (องคก์ ารมหาชน) รว่ มกบั หน่วยงาน อีก 4 หน่วยงาน ได้แก่ สำนักปลัดกระทรวงเกษตรและสหกรณ์ กรมส่งเสริมการเกษตร กรมชลประทานและกรม อตุ ุนยิ มวทิ ยา จึงดำเนินการโครงการวิจัย “โครงการประเมนิ พ้ืนทเ่ี สี่ยงภัยแลง้ และความเสียหายของพืชเกษตรราย แปลง ดว้ ยเทคโนโลยีภมู สิ ารสนเทศ” ภายใตก้ ารสนับสนุนงบประมาณจากสำนกั งานการวิจัยแหง่ ชาติ ผลการวิจัยครั้งนั้นทำให้ประเทศไทยมีฐานข้อมูลและแบบจำลองการประเมินพื้นที่แห้งแล้งและ การ ประเมินความเสียหายของพืชรายแปลงในพืชเศรษฐกิจ 4 ชนิด (ข้าว ข้าวโพด มันสำปะหลงั อ้อย) ผลการทดสอบ แบบจำลองสามารถให้ความน่าเชื่อมั่นได้ในบางชนิดพืชและยังมีความจำเป็นต้องปรับปรุงให้มีความแม่นยำมาก ยิ่งขึ้น โดยมีพื้นที่ต้นแบบ 6 จังหวัด ได้แก่ กำแพงเพชร อุทัยธานี นครราชสีมา สุรินทร์ ร้อยเอ็ดและสกลนคร อย่างไรก็ตามในการดำเนินการโครงการฯ ยังพบปัญหาอุปสรรค ทั้งจำนวนแปลงตัวอย่างที่ยังไม่พอเพียง สภาพ อากาศไม่เอื้ออำนวยต่อการสำรวจพื้นที่จริง ดังนั้นเพื่อให้เกิดการพัฒนาและการขับเคลื่อน ส่งเสริมการใช้ ประโยชน์อยา่ งต่อเนอื่ ง ดังนั้น คณะนักวิจัยจึงมีความต้องการที่จะขอดำเนินโครงการวิจัย “โครงการประเมินพื้นที่เสี่ยงภัยแล้ง และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ” ต่อในระยะท่ี 2 โดยมงุ่ เน้นการเพิ่มพื้นที่ ศึกษาเพื่อใช้ในการปรับปรุงแบบจำลอง การขับเคลื่อน/ ส่งเสริมการใช้ประโยชน์จากแพลตฟอร์ม รวมไปถึงการ พัฒนาแบบจำลองเพื่อนำไปสกู่ ารพยากรณพ์ น้ื ท่เี สีย่ งภยั แล้งล่วงหน้า หนา้ | 1 รายงานความก้าวหนา้ การวจิ ัย (2 เดอื น) Inception Report

1.2 วตั ถปุ ระสงคข์ องโครงการวจิ ยั 1.2.1 เพ่ือพัฒนาและปรับปรงุ แบบจำลองการประเมนิ พนื้ ท่ีแห้งแล้งและความเสยี หายของพืชต่อเนอื่ งจาก ผลการวจิ ัยในปที ี่ 1 1.2.2 เพ่อื พัฒนาแบบจำลองพยากรณพ์ น้ื ทเี่ สีย่ งภัยแลง้ 1.2.3 เพ่ือขับเคล่ือน สง่ เสรมิ การใช้งานในทั้งหน่วยงานส่วนกลางและระดบั พ้นื ท่ี 1.3 ประโยชนท์ ่ีได้รบั ด้านวิชาการ สามารถต่อยอดงานวิจัย ข้อมูลแบบจำลองดัชนีภัยแล้ง แบบจำลองความเสียหายของพืช เกษตรรายแปลง และแบบจำลองการคาดการณ์พื้นที่ภัยแล้ง ในการประยุกต์ใช้เทคโนโลยีขั้นสูง เพื่อนำไปสู่การ ขยายผลให้เกดิ ประโยชน์ในการปฏบิ ัติงานในพื้นทจ่ี ริง และสามารถขยายผลไปยังพ้นื ท่ีอนื่ ๆ ได้ ด้านสังคม เกษตรกรสามารถเข้าถึงเทคโนโลยี เพื่อตรียมความพร้อม รับมือและปรับตัว เพื่อลดผลกระทบ ลดความเสียหายได้ทนั ตอ่ สถานการณ์ ด้านนโยบาย 1) กระทรวงเกษตรและสหกรณ์ ใชร้ ะบบสนับสนนุ การตดั สนิ ใจในการออกมาตรการการช่วยเหลือเกษตรกรท่ีไดค้ วามเสียหายของพืชท่ีเ พาะปลูกจากภยั แล้ง 2) สำนกั งานทรัพยากรนำ้ แหง่ ชาติ มีระบบสนบั สนนุ การตดั สนิ ใจในการกำหนดนโยบายการบรหิ ารจดั การ ทรัพยากรน้ำ รวมถึงมาตรการเพอื่ รองรับภยั แลง้ 3) กรมชลประทาน มีเคร่อื งมือช่วยสนบั สนุนการตัดสินใจในการวางแผนการส่งนำ้ หรือการสรา้ งพนื้ ท่ีกัก เก็บนำ้ เพ่ือแกไ้ ขปญั หาในระยะยาว 4) กรมสง่ เสรมิ การเกษตร ใชร้ ะบบสนับสนนุ การตัดสนิ ใจในการลดภาวะดา้ นกำลังคนและระยะเวลาใน การตรวจสอบ ยืนยันความเสียหายของพืชในพื้นทีจ่ รงิ 5) สำนกั งานพัฒนาเทคโนโลยอี วกาศและภมู ิสารสนเทศไดส้ ง่ เสรมิ คณุ คา่ ในการใช้เทคโนโลยแี ละ นวัตกรรมเชิงพนื้ ท่ีในการบรหิ ารจัดการภยั แลง้ ในพื้นทเี่ กษตรใหเ้ กดิ ประสิทธภิ าพมากขนึ้ และรองรับ การใช้ประโยชนใ์ นระยะยาวภายใต้โครงการ THEOS-2 รายงานความก้าวหน้าการวจิ ยั (2 เดอื น) Inception Report หน้า | 2

โครงการประเมนิ พืน้ ทเี่ ส่ียงภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 1.4 หน่วยงานที่นำผลงานวจิ ัยไปใชป้ ระโยชน์ o กระทรวงเกษตรและสหกรณ์/กรมชลประทาน/ กรมสง่ เสริมการเกษตร/ กรมพฒั นาท่ีดิน o กระทรวงทรัพยากรธรรมชาติและสง่ิ แวดล้อม/กรมทรพั ยากรนำ้ o กระทรวงมหาดไทย/กรมป้องกันและบรรเทาสาธารณภัย o กระทรวงดจิ ิทัลเพ่ือเศรษฐกจิ และสังคม/ กรมอุตนุ ยิ มวิทยา o กระทรวงการคลงั / ธนาคารเพ่ือการเกษตรและสหกรณก์ ารเกษตร o สำนกั งานทรัพยากรน้ำแห่งชาติ o สมาคมประกันวนิ าศภยั ไทย ชุมชน/พืน้ ท่ี (โปรดระบุ) o จงั หวัด/ ชมุ ชน/ ท้องถนิ่ / o เกษตรจังหวัด/ เกษตรอำเภอ/ o โครงการชลประทาน o เกษตรกร/ กลมุ่ ผ้ใู ชน้ ้ำ และ o ประชาชนทัว่ ไป หน้า | 3 รายงานความกา้ วหนา้ การวจิ ยั (2 เดอื น) Inception Report

2. ทบทวนวรรณกรรมท่เี กี่ยวขอ้ ง 2.1 นยิ ามความหมายเกีย่ วกบั ภัยแล้ง ภัยแล้งในประเทศไทยส่วนใหญ่เกิดจากฝนแล้งและฝนทิง้ ช่วง โดยสภาวะฝนแล้งคือภาวะที่ปรมิ าณฝนตกมี น้อยกว่าปกติ หรือไม่ตกตามฤดูกาล ส่งผลให้เกิดภัยแล้งในรอบปีได้สองช่วง คือ (1) ภัยแล้งช่วงฤดูหนาวต่อเนื่อง ฤดูร้อน (ครึ่งหลังของเดือนตุลาคมถึงกลางเดือนพฤษภาคม) มักเกิดภัยแล้งได้ในบริเวณประเทศไทยตอนบน (ภาคเหนือ ภาคตะวันออกเฉียงเหนือ) และบางส่วนของภาคกลางและภาคตะวันออก โดยมีปริมาณฝนลดลงเป็น ลำดับจนกว่าจะเข้าสู่ฤดูฝนในช่วงกลางเดือนพฤษภาคมของปีถัดไป ภัยแล้งลักษณะนี้เกิดขึ้นเป็นประจำทุกปี (2) ภัยแล้งช่วงกลางฤดูฝน (ปลายเดือนมิถุนายนถึงเดือนกรกฎาคม) เป็นกรณีของฝนทิ้งช่วง มักเป็นเหตุการณ์ที่เกิด เฉพาะถ่นิ กล่าวคือเกิดได้ในบางบริเวณ แตบ่ างปกี ็อาจเกิดครอบคลุมพน้ื ท่ีกวา้ งขวางได้เช่นกัน ลักษณะความแห้ง แล้งรูปแบบนี้มักเกิดเด่นชัดในภาคตะวันออกเฉียงเหนือ ปัจจุบันภาวะฝนแล้งและฝนทิ้งช่วงมีแนวโน้มรุนแรงข้ึน สันนิษฐานกันว่ามีสาเหตุมาจากการเปลี่ยนแปลงสภาวะภูมิอากาศโลก ความเสียหายจากภัยแล้งจัดเป็นภัยพิบัติ ทางธรรมชาติที่เรียกกันว่า ภัยแล้ง อันเป็นภัยทีค่ ุกคามชีวิตและทรัพย์สนิ ของประชาชนและสามารถส่งผลกระทบ ต่อเศรษฐกิจโดยรวมของประเทศได้ โดยเฉพาะอยา่ งย่ิงในภาคการเกษตรและภาคเศรษฐกิจท่ีเกีย่ วขอ้ ง ความหมายของความแห้งแล้งมกี ารให้คำนิยามท่ีตา่ งกัน ดังน้ี 2.1.1 ความแห้งแล้งทางอุตุนิยมวิทยา (Meteorological Drought) เป็นความแห้งแล้งที่เกิดจากฝนท้ิง ช่วง หรอื มฝี นนอ้ ยกวา่ ระดับท่ีกำหนด (Threshold) โดยช่วงทีเ่ กิดความแหง้ แล้งสามารถพิจารณาจากจำนวนวันที่ ฝนตกน้อยกว่าระดับท่ีกำหนดความแห้งแล้งเชิงอุตนุ ิยมวิทยาเป็นจุดเริ่มต้นของปัญหาความแห้งแล้งในลักษณะอื่น ๆ ทจี่ ะเกิดขึ้นตามมาได้ 2.1.2 ความแห้งแล้งทางการเกษตร (Agricultural Drought) เป็นความแห้งแล้งที่เป็นผลกระทบต่อ เนื่องมาจากความแห้งแล้งทางอุตุนิยมวิทยา เป็นการพิจารณาการทิ้งช่วงของฝนที่ทำให้ดิน ขาดความชุ่มชื้นจน สง่ ผลกระทบต่อพชื ทางการเกษตรบางชนิด ทงั้ นี้เพราะพชื มีความทนทาน ตอ่ สภาพความแปรปรวนของภูมิอากาศ ไดต้ า่ งกนั ความต้องการน้ำและช่วงอายุของพืชก็ ตอบสนองต่อความแหง้ แล้งแตกตา่ งกนั หากความแหง้ แล้งมีมาก จนสงผลกระทบตอ่ ผลผลติ ทางการเกษตรจนเกดิ ความเสียหายทก่ี วา้ งขวางกถ็ ือวา่ เป็นภยั แล้งได้ 2.1.3 ความแห้งแล้งทางอุทกวิทยา (Hydrological Drought) เป็นความแห้งแล้งที่เกิดจากการที่ ช่วง ฤดูกาลมีปริมาณฝนน้อยหรือไม่มีฝนกว่าเกณฑป์ กติ ทำให้ระดับนำ้ ผวิ ดินที่อยู่ในแม่น้ำ อ่างเก็บน้ำ ทะเลสาบ และ น้ำใต้ดิน (น้ำบาดาล) ลดระดับลง นอกจากนี้อาจมีปัจจยั อืน่ ร่วม เป็นสาเหตุใหเ้ กิดความแห้งแล้งทางดา้ นนีไ้ ด้ด้วย เช่น การเปลี่ยนแปลงการใช้ที่ดินบริเวณ พื้นที่ต้นน้ำที่ส่งผลต่อพื้นที่ท้ายน้ำ ความแห้งแล้งทางอุทกวิทยามัก พิจารณาในระดับลุ่มน้ำ โดยความแห้งแล้งรูปแบบนี้จะเกิดขึ้นอย่างช้าๆ ต่างจากความแห้งแล้งทางอุตุนิยมวิทยา และความแห้งแลง้ ทางการเกษตร และระดับความรนุ แรงของปัญหากเ็ ป็นสงิ่ ทีป่ ระเมนิ ได้ยาก รายงานความกา้ วหนา้ การวจิ ัย (2 เดอื น) Inception Report หนา้ | 4

โครงการประเมินพ้นื ท่เี สย่ี งภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 2.1.4 ความแห้งแล้งทางเศรษฐกิจและสังคม (Socio-Economic Drought) เป็นความแห้งแล้งที่ พจิ ารณาจากทรัพยากรที่มีอยู่ (Supply) และความตอ้ งการทรัพยากรน้ัน (Demand) แต่เนื่องจากความจํากัดของ ทรัพยากรที่มีอยู่ในขณะที่ความต้องการทรัพยากรมีมากจึงก่อให้เกิดความขาดแคลนขึ้น ดังนั้นความแห้งแล้งทาง เศรษฐกิจและสังคมจะแตกต่างจากนิยามความแห้งแล้งรูปแบบอื่นๆ ด้วยมองที่คนเป็นหลักโดยพิจารณาที่ความ ต้องการใช้กับความจํากัดของทรัพยากร กล่าวคือ พิจารณาว่าทรัพยากรที่มีค่าทางเศรษฐกิจ เช่น น้ำ ผลผลิตทาง การเกษตร สัตว์น้ำ รวมถึงพลังงานไฟฟ้า มีความจํากัดอันเนื่องมาจากความแห้งแล้งในสามรูปแบบข้างต้นหรือไม่ หากมผี ลกระทบตอ่ เน่ืองถึงสภาพทางเศรษฐกิจและสงั คมตามมาจะถือเปน็ ความแห้งแล้งหรือภัยแล้งทางเศรษฐกิจ และสงั คม เชน่ กรณีเกิดฝนทงิ้ ชว่ งในช่วงฤดูการผลติ และปริมาณน้ำทม่ี ีอยู่ไม่เพยี งพออันเน่ืองมาจากความแห้งแล้ง ยาวนานก่อนหน้านี้จนทำให้ผลผลิตภาคการเกษตรลดลงส่งผลทำให้รายได้ของเกษตรกรลดลง ราคาสินค้าทาง การเกษตรในท้องตลาดสูงขึ้นและสง่ ผลกระทบต่อระบบเศรษฐกิจภาคส่วนอืน่ ลักษณะนี้จัดเป็นความแห้งแล้งทาง เศรษฐกจิ และสงั คม แต่หากความแห้งแลง้ ต่าง ๆ ดังกลา่ วนนั้ ไมร่ ุนแรงถึงขนั้ ส่งผลกระทบตอ่ สภาพทางเศรษฐกิจใน วงกว้างมากนัก กย็ ังไม่จัดเป็นความแหง้ แลง้ หรือภัยแล้ง 2.2 ดาวเทยี มที่มศี ักยภาพในการประเมินภัยแล้ง 2.2.1 กลมุ่ ดาวเทยี มความละเอียดต่ำ (Low Resolution Satellites) 1) Climate Hazards Group InfraRed Precipitation with Station Data (CHIRPS) CHIRPS คือ ชุดข้อมูลปริมาณน้ำฝนที่ได้มาจากเทคนิคการรวมข้อมูลจากภาพถ่ายดาวเทียมที่มี ความละเอียดเชิงพืน้ ที่และเชิงเวลาค่อนข้างสูงที่ครอบคลุมพื้นทเ่ี กือบท่วั โลกรว่ มกับข้อมูลน้ำฝนจากสถานีตรวจวัด ภาคพื้นดินเข้าด้วยกัน โดยชุดข้อมูลที่ได้แปลผลมาจากการวิเคราะห์ข้อมูลภาพถ่ายดาวเทียมความละเอียดสูงท่ี 0.05° ในรูปแบบชุดข้อมูลฝนรายวัน รายห้าวัน และรายเดือน เป็นต้น โดยดาวเทียมหมุนครอบคลุมพื้นท่ีของโลก ต้ังแตต่ ำแหนง่ 50° ใต้ ถึง 50° เหนือ (50°S - 50°N) ตลอดแนวเส้นลองจิจูด (Longitude) ทงั้ นี้ ชุดข้อมูลฝนมีการ บันทึกไว้มามากกว่า 40 ปี โดยเริ่มบันทึกตั้งแต่ปี พ.ศ. 2524 (ค.ศ. 1981) จนถึงปัจจุบัน (Funk, et al., 2015) และจัดทำโดย Climate Hazards Center ของมหาวิทยาลัยแคลิฟอร์เนีย ซานตา บาร์บาร่า สหรัฐอเมริกา (University of California, Santa Barbara) (Climate Hazards Center, 2023) CHIRPS ได้รับการพัฒนาจากชุดข้อมูลฝน Climate Hazards group Infrared Precipitation (CHIRP) ทไ่ี ด้รับการสอบเทียบและผา่ นการปรับแกค้ วามถูกต้องกับข้อมลู ฝนจากสถานตี รวจวดั ทว่ั โลกจนได้เป็นชุด ข้อมูล CHIRPS โดยรูปแบบหรือกระบวนการสร้าง การตรวจสอบ และการประยุกต์ใช้ชุดข้อมูล CHIRPS มี องค์ประกอบของข้อมูลจาก 3 ส่วนหลัก คือ 1) Climate Hazards group Precipitation climatology (CHPclim) 2) Climate Hazards group Infrared Precipitation (CHIRP) (ข้อมูลเฉพาะจากดาวเทียม) และ 3) หน้า | 5 รายงานความก้าวหนา้ การวิจยั (2 เดือน) Inception Report

การผลิตข้อมูล CHIRPS ร่วมกับสถานีตรวจวัด ทั้งน้ี CHPclim, CHIRP, CHIRPS และการตรวจสอบข้อมูลจะใช้ ขอ้ มลู จาก Global Precipitation Climatology Centre (GPCC) และชดุ ขอ้ มลู จากสถานตี รวจวัดอิสระประกอบ (Funk, et al., 2015) รายละเอยี ดแสดงในรปู ท่ี 2- 1 รปู ที่ 2- 1 Overview of CHIRPS process and validation. (a) CHIRPS production and application schema; Funk, et al. (2015) 2) Soil Moisture Active Passive (SMAP) ระบบดาวเทียม Soil Moisture Active Passive (SMAP) เป็นดาวเทียมรังวัดช่วงคล่ืน L-Band Radiometer (Passive) และ L-band radar (Active) สำหรับภารกิจสำรวจความชื้นในดิน ขององค์กร NASA มีการประมวลผลข้อมูล 4 ระดับ (Level) ระดับที่ 1 (L1) เป็นข้อมูลการรังวัดจากอุปกรณ์บนดาวเทียม ระดบั ที่ 2 (L2) เป็นข้อมลู ความชื้นในดินท่ีประมวลผลจากข้อมูล L1 และข้อมูลเสริมท่เี ก่ยี วข้อง ผลิตเป็นข้อมูลกริ ดอ้างอิงบนพื้นผิวโลก ระดับที่ 3 (L3) เป็นข้อมูลคอมโพสิตของ L2 รายวัน และระดับที่ 4 (L4) เป็นข้อมูล ประมวลผลโดยแบบจำลองและข้อมูลที่ตรวจวัดเพิ่มเติมเพื่อผลิตเป็นข้อมูลความชื้นพื้นผิว (Surface Soil Moisture) ข้อมูลความชื้นระดับโซนราก (Root Zone) และข้อมูลวัฏจักรคาร์บอนในระบบนิเวศ (Carbon Net Ecosystem Exchange) ดังนั้น การศึกษาในโครงการจะนำข้อมูลระดับ L2 L3 และ L4 มาใช้ในการศึกษาสร้าง แบบจำลองความชื้นผิวดนิ และความชน้ื ระดบั โซนราก ผลิตภัณฑ์ชนิด SMAP-Sentinel Level 2 Soil Moisture Active-Passive (L2SMSP) ที่มีการ ผนวกข้อมูลความละเอียดสูงจากดาวเทียม Sentinel-1 ของชุดดาวเทียม Copernicus มาร่วมในการคำนวณ ความชื้นในดิน จากที่ SMAP มีปัญหาเร่ืองอุปกรณ์รังวดั radar ในดาวเทียมเอง ทำให้ผลิตภณั ฑ์ SMAP L2SMAP มีการคำนวณผสมผสานกันระหว่างการรังวัดข้อมูลคลื่น brightness temperature (TB) และ soil Moisture (SM) ที่ตรวจวัดจาก SMAP (33 km.) และเพิ่มความละเอียด (Disaggregates Resolution) ให้เข้ากับความ ละเอียดของข้อมูลจาก Sentinel-1 (10 m.) ที่ลดทอนความละเอียดให้เท่ากันที่ 3 km. (1 km. ทดสอบ) และ รายงานความก้าวหนา้ การวิจัย (2 เดือน) Inception Report หนา้ | 6

โครงการประเมนิ พ้ืนทีเ่ ส่ยี งภัยแล้งและความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะท่ี 2 คำนวณพารามิเตอร์ความสัมพันธ์ระหว่าง Brightness Temperature และข้อมูล SAR (Synthetic Aperture Radar) เพอ่ื ผลิตข้อมลู ความชน้ื ในดินที่มีความละเอียดมากข้นึ เปน็ 3 km. จาก 33 km. รว่ มกบั ขอ้ มลู เพ่มิ เติมอื่น ๆ SMAP เปน็ ดาวเทียมที่ออกแบบมาเพ่ือตรวจวัดความช้ืนในดิน วฏั จกั รของนำ้ วฏั จกั รคาร์บอนและ พลงั งานในทุก ๆ 2-3 วนั ทำใหส้ ามารถสงั เกตการเปล่ียนแปลงได้ทั่วโลกในช่วงเวลาต่าง ๆ ต้ังแต่พายใุ หญ่ไปจนถึง การวัดการเปล่ยี นแปลงซำ้ ๆ ตามฤดูกาล กรณที พ่ี นื้ ดินไมแ่ ข็งตวั SMAP จะวดั ปรมิ าณน้ำที่พบระหว่างแรธ่ าตุ วัสดุ ท่เี ป็นหนิ และอนภุ าคอนิ ทรีย์ท่ีพบในดินทุกที่ในโลก (SMAP วดั นำ้ ของเหลวในชั้นบนสุดของพ้ืนดิน แต่ไม่สามารถ วัดน้ำแข็งได้) การศึกษาสภาพอากาศจะใช้ข้อมูล SMAP เช่นกัน ปริมาณน้ำที่ระเหยจากผิวดินสู่ชั้นบรรยากาศ ขึ้นอยู่กับความชื้นของดิน ข้อมูลความชื้นในดินเป็นกุญแจสำคัญในการทำความเข้าใจการไหลของน้ำและพลังงาน ความร้อนระหว่างพ้นื ผวิ และบรรยากาศทีส่ ่งผลต่อสภาพอากาศ โดยใช้การตรวจวัดจาก SMAP Radiometer และ SMAP Radar 2.2.2 กล่มุ ดาวเทียมความละเอียดปานกลาง (Moderate Resolution Satellites) ภารกิจหลักหนึ่งขององค์การ NASA คือการสำรวจโลก พันธกิจภายใต้ชื่อ Joint Polar Satellite System (JPSS) เป็นหนึ่งในความรว่ มมอื กันระหว่าง NOAA และ NASA ในการใช้เทคโนโลยีที่ทันสมัยและพัฒนา ความก้าวหน้าทางวิทยาศาสตร์ในความพยายามที่จะพยากรณ์และติดตามสภาวะอากาศและสิ่งแวดล้อมของโลก โดยมีดาวเทียม Suomi National Polar-orbiting Partnership (Suomi-NPP) เป็นหนึ่งในโครงการดาวเทียม สำรวจโลกที่ถกู สรา้ งขึน้ มาเพ่ือตอบสนองพนั ธกิจดังกลา่ ว ถูกสง่ โคจรเม่ือปี ค.ศ. 2011 เพ่อื การสำรวจเมฆ ละออง ลอยในชั้นบรรยากาศ สีของมหาสมุทร อุณหภูมิพื้นผิวแผ่นดินและทะเล การเคลื่อนที่ของธารน้ำแข็ง ไฟป่า และ อัลบีโด ดาวเทียม Suomi-NPP มีอุปกรณ์เครื่องวัดถึง 5 ระบบ หนึ่งในนั้นคือระบบ Visible Infrared Imaging Radiometer Suite (VIIRS) เป็นเซ็นเซอร์ที่ทันสมัย นำมาใช้สำรวจโลกเพื่อทำหน้าที่ต่อจากดาวเทียมระบบ AVHRR รุ่นแรกขององค์การ NOAA และระบบ MODIS ขององค์การ NASA โดยเซ็นเซอร์ VIIRS ในดาวเทียม Suomi-NPP มี 22 แบนด์ ความยาวคลื่นที่สำรวจอยู่ระหว่าง 0.41 ถึง 12.5 ไมครอน มีความละเอียดเชิงพื้นท่ี 375 เมตร (บรเิ วณ Nadir) โคจรผา่ นบริเวณศนู ย์สูตร 14 รอบต่อวัน ความกวา้ งแนวบนั ทึกข้อมูลบนโลกประมาณ 3 กิโลเมตร สามารถบันทึกภาพทั้งโลกได้สองครั้งต่อวัน ออกแบบให้มีอายุใช้งาน 5 ปี จัดเป็นดาวเทียมที่เป็นตัว เชื่อมต่อเทคโนโลยีสองยุคคือระหว่างกลุ่มดาวเทียม NOAA รุ่นแรก กับ กลุ่มดาวเทียมรุ่นใหม่ที่กำหนดใช้ชื่อว่า JPSS ที่จะส่งดวงแรกในปี ค.ศ. 2017 ใช้ชื่อ JPSS-1 เพื่อปฏิบัติภารกิจต่อจาก Suomi-NPP โดยใช้ชุดเซ็นเซอร์ท่ี เป็นเทคโนโลยีเดียวกัน หลังจากนั้นก็มีแผนท่ีจะส่ง JPSS-2, JPSS-3, และ JPSS-4 ตามมาในปี ค.ศ. 2021, 2026 และ 2031 ตามลำดับ หากพจิ ารณาเปน็ การพฒั นาต่อเนื่อง JPSS-1 กค็ ือ NOAA-20 นัน่ เอง 2.2.3 กลุ่มดาวเทยี มความละเอยี ดสูง (High Resolution Satellites) 1) Sentinel-2 หน้า | 7 รายงานความก้าวหนา้ การวิจยั (2 เดอื น) Inception Report

ดาวเทียม Sentinel-2 เป็นภารกิจการถ่ายภาพบบหลายสเปกตรัมที่มีความละเอียดสูงและกว้าง ซง่ึ สนับสนนุ การศึกษา Copernicus Land Monitoring ดาวเทียมสำรวจทรัพยากร ประกอบด้วยดาวเทียมสองดวงคือ Sentinel-2A และ Sentinel-2B ถูกปล่อยขึ้นสู่วงโคจรเมื่อปี ค.ศ.2015 และ ค.ศ.2017 ตามลำดับ โดย European Space Agency ดาวเทียม Sentinel-2 เป็นดาวเทียมที่ให้ภาพเชิงแสง ความละเอียดเชิงพื้นที่ 10, 20 และ 60 เมตร โดยความละเอียดเชิง พื้นที่จะแตกต่างกันขึ้นอยู่กับความยาวคลื่น ดาวเทียม Sentinel-2 รองรับความยาวคลื่นทั้งหมด 3 ช่วงคลื่น คือ Short Wave NIR และ Visible รวมทั้งหมด 13 ย่านความถี่ รูปที่ 2- 2 พื้นที่ทำการครอบคลุมทั่วโลก ทั้ง ภาคพื้นดินและมหาสมุทร รองการบันทึกข้อมูลซ้ำทุก ๆ 5 วัน พัฒนาขึ้นเพื่อรองรับ Application ต่าง ๆ เช่น การเกษตร, การสำรวจทรพั ยากร, การจดั การภยั พิบัติ, การจดั การทรัพยากรน้ำ และอืน่ ๆ 2) Landsat 8-9 ดาวเทียม Landsat 8 ถูกปล่อยขึ้นสู่วงโคจรเมือ่ ปี ค.ศ.2013 และดาวเทียม Landsat 9 ถูกปล่อย ข้นึ ส่วู งโคจรเมือ่ ปี ค.ศ.2021 มคี วามสามารถในการถ่ายภาพสูงกวา่ ดาวเทียม Landsat ร่นุ เกา่ ในเชงิ รังสีและเชิงเรา ขาคณิตประกอบด้วยเครื่องมือวิทยาศาสตร์ 2 ชุด ได้แก่ The Operational Land Imager (OLI) และ The Thermal Infrared Sensor (TIRS) โดยเซ็นเซอร์ทั้งสองให้การถ่ายภาพคลอบคลุมแผ่นดินทั่วโลก ความยาวคล่ืน Visible NIR, และ SWIR ความละเอียดเชิงพื้นที่ 30 เมตร สำหรับช่วงคลื่น Thermal มีความละเอียดเชิงพื้นท่ี 100 เมตร และมีชว่ งคลื่น Panchromatic ความละเอยี ดเชิงพืน้ ที่ 15 เมตร Landsat ได้รับการพัฒนาร่วมกันระหว่าง NASA กับ U.S. Geological Survey (USGS) โดย NASA เป็นผู้นำในการออกแบบ สร้าง และปล่อยดาวเทียม และมีขั้นตอนการสอบเทียบตามวงโคจร โดย USGS เป็นผู้นำการสอบเทียบหลังการปล่อยดาวเทียม โดยชุดข้อมูลถูกสร้างและจัดเก็บที่ศูนย์ Earth Resources Observation and Science (EROS) โดยLandsat 8 มีวงโคจรในการถ่ายภาพระยะ 16 วัน และ Landsat 9 มีวง โคจรการถ่ายภาพระยะ 8 วนั (หา่ งจาก Landsat 8 ไป 8 วัน) ดาวเทียม Landsat รุ่นก่อนหน้าท่ีเป็นเซ็นเซอร์ ETM+ สามารถรองรับข้อมูล 8 บิต ซึ่งหมายความ ว่าพิกเซลที่สว่างที่สุดถึงมืดที่สุดจะถูกแยกแยะข้อมูล 256 ค่า สำหรับเซ็นเซอร์ OLI และ TIRS สามารถแยกแยะ ข้อมูลได้ถึง 4,096 ค่า เช่น พื้นที่หิมะ น้ำแข็ง พื้นที่แนวชายฝั่ง และอ่างเก็บน้ำ เป็นต้น และเซ็นเซอร์ OLI และ TIRS-2 สามารถแยะแยะข้อมลู เพ่ิมขึ้นเปน็ 14 บิต หรือ 16,384 ค่า รายงานความก้าวหนา้ การวจิ ยั (2 เดอื น) Inception Report หนา้ | 8

โครงการประเมนิ พน้ื ทีเ่ สี่ยงภยั แลง้ และความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ ระยะที่ 2 รปู ท่ี 2- 2 SENTINEL-2 and LANDSAT spectral bands - Source: USGS 2.3 การศึกษาดัชนีภัยแล้ง 2.3.1 ดัชนภี ัยแล้งทางอุตนุ ยิ มวิทยา ดัชนีเป็นตัวบ่งชี้เรื่องราวเพื่อให้เกิดความชัดเจนในขนาดและทิศทางที่ง่ายต่อการเข้าใจกว่าการ พจิ ารณาทค่ี า่ ในหนว่ ยวัดของเรื่องนั้น ๆ ดัชนีภัยแล้ง (drought index) กค็ ือตัวบ่งชค้ี วามแหง้ แลง้ ของพนื้ ที่หนึ่ง ๆ ที่ใช้แทนค่าของปัจจัยที่มีอิทธิพลต่อความแห้งแล้งของพื้นที่ ปัจจัยดังกล่าวเป็นตัวที่ก่อให้เกิดความผิดปกติของ ความชื้นที่ลดลงกว่าปกติ ดัชนีภัยแล้งมีการพัฒนาและใช้งานกันในหลายประเทศ ในระยะแรกเป็นการประเมิน จากข้อมูลที่ได้จากการตรวจวัดทางอุตุนิยมวิทยาผิวพื้นที่มีการปรับรูปแบบของตัวดัชนีที่แตกต่างกันออกไปบ้าง ตามตัวแปรที่นำเข้ามาวิเคราะห์ เช่น อุณหภูมิ ที่ตั้งของพื้นที่ (ละติจูด) ความชื้นดิน ความเร็วลม เป็นต้น (Paral, 2006; Zargar et al., 2014; วิรัช และคณะ, 2554) โดยดัชนีภัยแลง้ ในทางอุตุนิยมที่ได้รับความนิยมใช้และมีการ อ้างอิงมาก ได้แก่ 1) ดัชนีความชื้นที่เป็นประโยชน์ต่อพืช (Moisture Available Index; MAI) เป็นดัชนีที่เสนอโดย Hargreaves (1972) เปน็ ดัชนีท่ใี ชก้ ารกำหนดความชืน้ ทีเ่ ป็นประโยชน์ต่อพืช โดยใช้อัตราส่วนความน่าจะเป็นของ ฝนทร่ี ะดบั ร้อยละ 75 กบั ศักย์ของการคายระเหยน้ำของพืช ประเมนิ ตามวิธีการของ Penman-Monteith ท่อี ยบู่ น พื้นฐานของการพิจารณาเปรียบเทียบค่าการคายระเหยท่ีเปน็ อยูก่ ับค่าอ้างอิง (Reference Evapotranspiration) โดยตัวแปรที่ใช้ในสมการของ Penman-Monteith ได้แก่ รังสีดวงอาทิตย์ อุณหภูมิอากาศ ความชื้นสัมพัทธ์ ความเร็วลม เป็นต้น และสามารถแสดงผลเป็นระดับการขาดน้ำของพืชได้ เช่น รุนแรง ปานกลาง เล็กน้อย พอเพียง และมากเกนิ ไป เปน็ ตน้ หนา้ | 9 รายงานความกา้ วหน้าการวจิ ยั (2 เดอื น) Inception Report

2) ดัชนีภัยแล้งของพาล์มเมอร์ (Palmer Drought Severity Index; PDSI) เป็นดัชนีวัดความ ผิดปกติของความชืน้ ใชห้ ลักการวเิ คราะห์ความต้องการน้ำและปริมาณน้ำท่ีมีในสมการสมดุลน้ำ (water balance equation) ดัชนี PDSI เป็นตัวชี้วัดความแห้งแล้งทางอุตุนิยมวิทยา มีความสัมพันธ์กับอุณหภูมิ ฝน ความชื้นดิน โดย PDSI สามารถนำมาเป็นมาตรฐานของความชื้นที่สามารถเปรียบเทียบได้ทั้งระหว่างพื้นที่และระหว่างเดือน PDSI เปน็ ดชั นีท่สี ะท้อนสภาพอากาศท่ีแห้งหรือชื้นเกินไป มกี ารใชง้ านอย่างกว้างขวาง เหมาะกบั พ้นื ที่ขนาดใหญ่ท่ี มลี กั ษณะภูมิประเทศคลา้ ยคลงึ กัน สว่ นในเขตทม่ี ีภมู ปิ ระเทศทซี่ ับซอ้ นความแม่นยำจะลดลง 3) ดัชนีปริมาณน้ำฝนมาตรฐาน (Standardized Precipitation Index; SPI) หรือดัชนีภัยแล้งจาก ฝนที่ต่างจากเกณฑ์ปกติ (หากใช้เป็นดัชนีวัดความแห้งแล้ง) เป็นดัชนีที่สะท้อนความแห้งแล้งจากการขาดแคลน ปริมาณฝน ที่เป็นปัจจัยที่ส่งผลให้เกิดความแหง้ แล้งในแต่ละช่วงเวลาที่ตา่ งไปจากปกติ (ค่าเฉลี่ย) ได้แก่ ความชื้น ดนิ ปริมาณนำ้ ในดิน ปรมิ าณนำ้ ในอา่ งเก็บนำ้ และน้ำที่ไหลในแมน่ ำ้ SPI ใช้ข้อมลู พืน้ ฐาน คอื ปรมิ าณฝน ณ สถานี และช่วงเวลาหนงึ่ ๆ แลว้ ใชว้ ธิ กี ารแปลงคา่ อนุกรมเวลาของฝน ให้อยใู่ นรูปการแจกแจงปกติแบบมาตรฐาน เพ่ือหา คา่ SPI สำหรับสถานท่แี ละช่วงเวลานน้ั ๆ คา่ ดชั นีทเ่ี ป็นไปในทางลบแสดงถึงความแห้งแลง้ ส่วนค่าดัชนีทเ่ี ปน็ ไปใน ทางบวกแสดงถงึ ความชุ่มชนื้ หรอื มฝี นมากกว่าปกติ 4) ดัชนีความแห้งแล้งจากความชื้นที่พืชใช้ประโยชน์ (Crop Moisture Index; CMI) เป็นดัชนีท่ี พัฒนาจากหลักการที่คล้ายคลึงกับดชั นี PDSI สามารถวัดและเปรียบเทียบระดับความชื้นระหว่างพื้นที่ได้ แต่ดัชนี CMI เน้นการวัดความชื้นในดินชั้นบน โดยคำนวณจากอุณหภูมิ และปริมาณฝนรวมในแต่ละสัปดาห์ ค่า CMI จะ เปลี่ยนแปลงอย่างรวดเร็วหากมีฝนตกหนักในสัปดาห์นั้น ๆ ทำให้ค่า CMI ไม่เหมาะสมที่จะนำไปใช้วัดความแห้ง แล้งระยะยาว แต่เหมาะสำหรับการวัดในช่วงเวลาสั้น ๆ และเหมาะในการติดตามเฝ้าระวังผลกระทบที่เกิดขึ้นกับ พืชผลทางการเกษตร ในบรรดาดัชนีภัยแล้งทางอุตุนิยมวิทยาที่นิยมใช้กันมากดังกล่าวข้างต้น SPI จัดเป็นดัชนีที่น่าสนใจ สำหรับการประยกุ ต์ใช้ในประเทศไทยในกรณที ี่ต้องการความสะดวกรวดเรว็ เน่ืองจากใชต้ ัวแปรท่ีจะต้องวัดไม่มากนัก SPI พัฒนาโดย McKee et al (1993) ถูกสร้างมาเพื่อเป็นเครื่องมือในการกำหนดและติดตามสภาวะแห้งแล้ง ในช่วงเวลาตา่ ง ๆ ทกี่ ำหนด โดยดจู ากปรมิ าณฝนสะสมในแตล่ ะชว่ งเวลาที่สนใจ ซ่งึ อาจมตี งั้ แต่ 1 เดือน 2 เดอื น 3 เดือน ไปจนถึง 72 เดือน ตามปกติปริมาณฝนโดยทั่วไปจะมีการกระจายแบบต่อเนื่องในรูปแบบฟังก์ชันการแจก แจงแบบแกมมา (Gamma Distribution) กล่าวคือ ในช่วงเวลาหนึ่ง (เช่น สัปดาห์ เดือน หลายเดือน หรือปี) ปริมาณฝนที่ตกแตล่ ะจุดเวลาจะมีค่าโดยสมุ่ ในชว่ งหน่ึง โดยรปู กราฟการกระจายจะมีรปู โค้งทแ่ี ตกต่างกันไปแล้วแต่ พื้นที่และช่วงเวลา ในการอธิบายทางคณิตศาสตร์ รูปแบบการกระจายจะแตกต่างกันไปตามพารามิเตอร์ของ ฟังก์ชัน (ค่าอัลฟาและเบต้า) แต่ละพื้นที่และแต่ละช่วงเวลาจะมีข้อมูลที่แตกต่างกันไป ดังนั้นในการอธิบาย ลักษณะฝนท่ตี กของแต่ละสถานีวัดอากาศจะใช้ฟังกช์ ันความนา่ จะเป็นสะสม (Cumulative Probability Density Function) ของปรมิ าณฝนรวมแทนฟังก์ชนั การแจกแจงแบบแกมมา ซ่ึงหากมีขอ้ มลู ปริมาณฝนที่เก็บไว้ต่อเนื่องมา รายงานความกา้ วหนา้ การวิจยั (2 เดอื น) Inception Report หน้า | 10

โครงการประเมินพืน้ ทเี่ ส่ยี งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ ระยะที่ 2 ในอดีตก็สามารถวิเคราะห์ได้ว่าความน่าจะเป็นที่ฝนที่ตกในช่วงเวลาที่สนใจอยู่นี้มีค่าน้อยกว่าหรือเท่ากับค่าเฉล่ยี ของพนื้ ท่ี น่ันคอื สามารถวัดความแห้งแล้งของพ้ืนท่ีได้ว่ามหี รือไม่และอยู่ในระดับใด ในการพฒั นาเป็นดัชนี SPI จะ ทำการแปลงรูปฟังชันความน่าจะเป็นสะสมให้เป็น ค่าปกติมาตรฐาน Z คือมีค่าเฉลี่ยเท่ากับศูนย์และค่าเบี่ยงเบน มาตรฐานที่ยังคงให้ค่าความน่าจะเป็นไม่แตกต่างไปจากฟังก์ชันความน่าจะเป็นสะสมเดิม ค่า SPI ที่ได้สามารถ แบ่งเปน็ ระดบั เพ่อื บง่ ชี้ถงึ ระดบั ความชุ่มช้ืนและความแห้งแลง้ ของพื้นที่ได้ ตวั อยา่ งการกำหนดช่วงแสดงดังรปู ที่ 2-3 (ก) (ข) รปู ท่ี 2-3 ตวั อยา่ งการแปลงจาก Gamma Distribution (ก) เป็น Standard Normal Distribution (ข) ในการตรวจติดตามความแห้งแล้งของพื้นที่มักระบุด้วยตัวบ่งชี้ที่สะท้อนสภาพความแห้งแล้งและความ รุนแรงที่เกิดได้โดยเรียกกันว่า ดัชนีความแห้งแล้ง โดยดัชนีส่วนใหญ่ได้จากการวิเคราะห์ข้อมูลภูมิอากาศ ซ่ึง จำเปน็ ตอ้ งใชข้ ้อมลู ในอดตี ที่เก็บวัดมาอย่างถูกต้องและตอ่ เนื่องหลายปี ตวั อยา่ งดัชนีประเภทน้ี เช่น Generalized Monsoon Index ( GMI) , Palmer Drought Severity Index ( PDSI) , Crop Moisture Index ( CMI) , Standardized Precipitation Index (SPI) เปน็ ต้น 2.3.2 ดชั นภี ัยแล้งทางอุทกวิทยา ภัยแล้งทางอทุ กวิทยา (Hydrological Draught) เป็นความแห้งแล้งที่เกิดจากช่วงฤดกู าลที่มีฝนตก น้อยหรือไม่มีฝนตกยาวนานระยะหนึ่ง จนกระทั่งส่งผลให้ปริมาณน้ำผิวดินลดระดับลง โดยเฉพาะอย่างยิ่งปริมาณ น้ำท่า เช่น น้ำในแม่น้ำลำคลอง อ่างเก็บน้ำ ทะเลสาบ และยังสามารถมีผลต่อการลดลงของน้ำที่อยู่ใต้ดินได้ (ปริมาณน้ำบาดาล และระดับน้ำใต้ดิน) ความแห้งแล้งทางอุทกวิทยามักจะเป็นความแห้งแล้งที่เกิดขึ้นอย่างช้า ๆ โดยเกิดต่อเนื่องมาจากความแห้งแล้งทางอุตุนิยมวิทยา (Meteorological Drought) ที่เป็นภาวะการทิ้งช่วงของ น้ำฝนที่ยาวนานในระยะหนึ่ง จนระบบลุ่มน้ำขาดแคลนปริมาณน้ำในดินตามไปด้วย ทั้งนี้ความแห้งแล้งทางอุทก วทิ ยาจะมภี าวะความรุนแรง และชว่ งระยะเวลาความแห้งแล้งแตกต่างกนั ไปในแต่ละสภาพภูมปิ ระเทศ ท้ังน้ีข้ึนอยู่ กับลักษณะทางกายภาพของพื้นที่ลุ่มน้ำ (Watershed Morphology) โดยพบว่า ลักษณะภูมิประเทศที่เป็นที่ราบ ลุ่ม หรือเป็นระดับพื้นที่ลอนลาด มีแม่น้ำสำคัญหลายสายไหลผ่าน และมีระดับน้ำใต้ดินสูงจะเกิดผลกระทบของ หนา้ | 11 รายงานความกา้ วหน้าการวจิ ยั (2 เดอื น) Inception Report

ความแห้งแล้งทางอุทกวิทยาน้อย เนื่องจากได้รับอิทธิพลจากแหล่งน้ำในพื้นที่ราบลุ่ม และระดับน้ำใต้ดินที่เข้ามา เตมิ ความชืน้ ในดนิ อย่ตู ลอดเวลา พื้นทีล่ ุ่มน้ำในลักษณะเชน่ น้ีแมว้ า่ จะมีฝนทิ้งชว่ งยาวนานมากขึ้นก็จะส่งผลกระทบ ทางอุทกวิทยาน้อย ในทางตรงกันข้าม ลักษณะภูมิประเทศที่เป็นทีร่ าบสูง หรือเป็นเทือกเขาที่มีเป็นดนิ ทราย เนื้อ หยาบ จะมีความรุนแรงของการเกิดความแห้งแล้งทางอุทกวิทยาได้มากกว่า และช่วงระยะเวลายาวนานกว่า เนื่องจากสภาพภูมิประเทศไม่สามารถเก็บน้ำไว้ในดินได้ เมื่อเกิดภาวะฝนทิ้งช่วงจึงเกิดผลกระทบต่อลักษณะอุทก วิทยาผิวดินอย่างรวดเร็ว รุนแรงมากกว่าภูมิประเทศแบบแรก ในการศึกษาความแห้งแล้งทางอุทกวิทยานั้น มี หลายดัชนีที่สามารถบ่งบอกค่าความแห้งแล้งทางอุทกวิทยาได้ ส่วนใหญ่จะเป็นดัชนีทางอุทกวิทยาน้ำผิวดิน โดยตรง คือ ใช้ปริมาณน้ำท่า (Direct Runoff) ระดับน้ำในอ่างเก็บน้ำ ระดับน้ำในทะเลสาบ แต่ก็สามารถใช้พวก น้ำบาดาล หรอื น้ำใตด้ ินเป็นดชั นีได้ ซ่งึ กจ็ ะมคี วามแตกต่างกันไปตามแต่ละลักษณะภูมิประเทศ อย่างไรก็ตามดัชนี ความแห้งแล้งทางอุทกวิทยาอาจไม่สามารถเป็นตัวแทนอธิบายลักษณะอุทกวิทยาน้ำ ผิวดินในบางพื้นที่ได้ดีนัก ดังเช่นบริเวณภาคใต้ของประเทศไทยที่มีธรณีสัณฐานเป็นหินปูน มักจะมีบริเวณบ่อหินยุบ (Sink Hole) ซึ่งเป็น แหลง่ เตมิ น้ำให้กบั นำ้ ใต้ดินได้เป็นอย่างดีทำให้คา่ ดชั นที างอุทกวทิ ยาไม่สะทอ้ นความแห้งแลง้ ในพืน้ ท่ีจริง อาจกล่าว ได้ว่าค่าดัชนีความแห้งแล้งทางอุทกวทิ ยาไม่มีมาตรฐานที่สามารถใช้ได้กับทุกพื้นที่ หลายดัชนีจำเป็นต้องใช้ข้อมูล ตรวจวัดลักษณะทางอุตุนิยมวิทยา ลักษณะดิน และลักษณะพืชพรรณ เป็นองค์ประกอบเพื่อบ่งชี้ปริมาณนำ้ ผิวดนิ หรือใต้ดิน แต่ส่วนใหญ่พบว่า ไม่มีข้อมูลตรวจวัดเพียงพอสำหรับการประเมินค่าดัชนีดังกล่าว วิธีการศึกษาดัชนี ปริมาณน้ำผิวดินอีกวิธีการหนึ่งซึ่งเป็นที่นิยมในหมู่นักอุทกวิทยาน้ำผิวดินและมีการทดสอบค่าความถูกต้อง ใกลเ้ คียงกับคา่ ที่ตรวจวัดปริมาณน้ำผวิ ดินไดจ้ ริง โดยมีดัชนที ใี่ ช้ในการคำนวณไม่ยงุ่ ยากซับซ้อนแต่สะท้อนลักษณะ การระบายน้ำในพื้นท่ีได้ดีก็คือ วิธีการของ SCS-CN ซึ่งเป็นการประยุกต์ค่า Curve Number (CN) ที่เป็นค่าที่ สะท้อนการระบายน้ำของพื้นที่ลุ่มน้ำ โดยพิจารณาความสัมพันธ์ของ 2 ปัจจัยหลัก ได้แก่ การใช้ประโยชน์ที่ดิน (Land Use) และชดุ ดิน (Soil Series) ซ่งึ จะสะทอ้ นลักษณะการระบายน้ำของดนิ ในพื้นทีน่ ้ัน ๆ ทัง้ นเี้ มอ่ื นำค่า CN มาประเมนิ คา่ ปริมาณนำ้ ผวิ ดนิ โดยใช้ปรมิ าณน้ำฝนเปน็ ปัจจัยหลัก จะสามารถประเมินค่าดชั นีปริมาณน้ำผิวดินใน พื้นทน่ี ้นั ๆ ได้ Mishra and Singh (2003) ได้ระบุว่า SCS-CN Method ถูกสร้างขึ้นมาในปี ค.ศ. 1954 โดย หนว่ ยงานอนุรกั ษด์ นิ ของประเทศสหรฐั อเมริกา (Soil Conservation Services; SCS) ซึ่งปจั จบุ นั ใชช้ ื่อว่า Natural Resources Conservation Service (NRCS) โดยมีวัตถุประสงค์หลัก คือ สร้างมาตรการหรือระเบียบต่าง ๆ เพ่ือ ป้องกนั อทุ กภัย โดยนำผลการศึกษาวิจัยท่ีเกีย่ วกับซึมนำ้ ผ่านผวิ ดิน (infiltration) ท่ีเกดิ ขนึ้ จากการทำฝนเทียมบน พ้นื ท่ี 2 × 4 ตารางเมตร จำนวน 1,000 แปลง ท่ัวประเทศ ทำการศกึ ษาต่อเน่ืองตงั้ แต่ปี ค.ศ.1930 สมการท่ีใช้หา ปริมาณการไหลโดยตรง (Direct Runoff) โดยวิธี SCS-CN Method โดยใช้ข้อมูลน้ำฝนสะสมและข้อมูลการไหล โดยตรงสะสมสร้างกราฟความสัมพันธ์ โดยพบว่าปริมาณการไหลโดยตรงเริ่มมีขึ้นหลังจากที่ฝนตกแล้วช่วงเวลา หน่งึ ปริมาณนำ้ ฝนที่สูญเสยี กอ่ นเกิดการไหลโดยตรง เรียกว่าการสูญเสียเรมิ่ ตน้ (Initial Abstraction; Ia) หลงั จาก รายงานความก้าวหนา้ การวจิ ยั (2 เดอื น) Inception Report หน้า | 12

โครงการประเมินพื้นท่เี สยี่ งภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 น้ันเส้นกราฟปริมาณการสะสมของฝนและการไหลโดยตรงจะกลายเปน็ เสน้ ตรง (SCS, 1972) โดยใหส้ ันนิษฐานว่า ปริมาณน้ำฝนและการไหลโดยตรงเกิดพร้อมกัน ซึ่งเป็นกรณีที่การสูญเสียเริ่มต้นเป็นศูนย์ สามารถอธิบาย ความสัมพนั ธ์แบบเส้นโคง้ การไหลโดยตรงสะสมกับปริมาณฝนสะสมได้ นอกจากน้ยี งั มดี ชั นภี ยั แลง้ ท่ีเชื่อมโยงกบั อทุ กวทิ ยา อันได้แก่ 1) Crop Moisture Index (CMI) ใช้ในกรณีสภาวะฝนแลง้ ทส่ี ง่ ผลกระทบต่อปริมาณน้ำใต้ดิน นำ้ ในอ่างเก็บน้ำ ความชื้นในดิน ความหนาของหิมะ และปริมาณน้ำไหล โดยมีปริมาณน้ำที่ไม่เพียงพอกับช่วงเวลาท่ี ส้นั ๆ (McKee et al., 1993) 2) Soil Moisture Index (SMI) เปน็ ดชั นคี วามชน้ื ในดิน จากสมการดชั นีความแห้งแลง้ ของ Ped (Ped’s Drought Index 2: PID2) เป็นการนำเอาแนวคิดของค่ามาตรฐานของปริมาณความชื้นในดินมาคำนวณ ร่วมกับค่าความแปรปรวนของกิจกรรมที่เกี่ยวข้องกับดวงอาทิตย์ซึ่งจะใช้ข้อมูลเป็นรายเดือน ของอุณหภูมิและฝน (Budagovsky, 1956) 3) Palmer Drought Severity Index (PDSI) เป็นดัชนีความแห้งแล้งทางอุตุนิยมวิทยา แต่ วิธีการครอบคลุมองค์ประกอบทางด้านวัฏจักรของน้ำในระดับหนึ่ง จึงถือว่าเกี่ยวข้องกับ ความแห้งแล้งทางด้าน อุทกวิทยาด้วย และมีการเปรียบเทียบข้อมูลผลกระทบที่เกิดจากภัยแล้ง ดังนั้นค่าดัชนีนี้จึงสะท้อนความแห้งแล้ง ทางการเกษตร (Agricultural Drought) ได้ดีพอควร โดยค่าดัชนี Palmer จะมีประสิทธิภาพสูงหากใช้พิจารณา ชว่ งความแหง้ แล้งท่ีเกิดเป็นระยะเวลานานหลาย ๆ เดือน แต่จะมปี ระสทิ ธิภาพต่ำหากใช้กับการประเมินความแห้ง แล้งในชว่ งระยะเวลาสั้น ๆ เช่น รายสปั ดาห์ ค่าดัชนี Palmer จะมีประสิทธิภาพสูงหากใช้พิจารณาช่วงความแห้งแล้งที่เกิดเป็นระยะเวลานาน หลาย ๆ เดือน และจะมีประสิทธิภาพต่ำหากใช้พจิ ารณาชว่ งระยะเวลาเป็นสัปดาห์ (Palmer, 1965) 2.3.3 ดชั นภี ยั แลง้ ทางการสำรวจระยะไกล การประยุกต์การสำรวจระยะไกลเพื่อการประเมินความแห้งแล้งมักเป็นการวิเคราะห์หาข้อมูล อนุพันธ์ภาพจากดาวเทียมสำรวจโลกที่สามารถสะท้อนสภาวะความแห้งแล้งของพื้นที่ได้ เช่น Normalized Difference Water Index (NDWI), Enhanced Vegetation Index (EVI), Vegetation Condition Index (VCI) เป็นต้น ทั้งนี้เพราะลักษณะทางชีพลักษณ์ที่แตกต่างกันของพืชพรรณทีป่ กคลุมพื้นที่มีความสัมพันธ์กับรูปแบบเชิง พื้นทแ่ี ละเชิงเวลาของความแห้งแล้ง เนอื่ งจากพืชจะตอบสนองต่อการขาดน้ำ เช่น เกดิ การเหี่ยวเฉา หรอื การท้ิงใบ ประเทศไทยตั้งอยู่ในภูมิภาคที่มีฤดูฝนและฤดูแล้งแยกกันชัดเจน การเกิดความแห้งแล้งในรอบปีหนึ่ง ๆ เป็นเรื่อง ปกติ สังเกตได้จากการที่พื้นที่เกือบทุกภูมิภาคของประเทศปกคลมุ ไปด้วยป่าผลัดใบ นอกจากนี้พืชเกษตรพื้นเมือง หลายชนดิ ทเ่ี กษตรกรเลือกปลูกตามภูมปิ ัญญาที่สั่งสมมากส็ ะท้อนเรื่องความสามารถของพืชท่ีทนต่อการขาดน้ำได้ แตกต่างกันอันเนื่องมาจากความแห้งแล้งในรอบปี ดังนั้น การประเมินความแห้งแลง้ จึงสามารถใช้ลักษณะปรากฏ ของพืชพรรณที่ตรวจวัดได้จากการสำรวจด้วยดาวเทียมเป็นตัวบ่งชี้ได้ นอกจากนี้พบว่า ในหลายประเทศมีการใช้ หน้า | 13 รายงานความก้าวหน้าการวิจัย (2 เดอื น) Inception Report

การสำรวจระยะไกลเป็นเครื่องมือประเมินความแห้งแล้ง ดังพบได้จากรายงานผลการวิจัยของ Anyamba et al. (2001), Kogan (1993), Nicholson et al. (1994), Seiler et al. (2000), Son et al. (2012), และ Wang et al. (2001) เป็นต้น การศกึ ษาเหลา่ นช้ี ใ้ี หเ้ หน็ ว่า เทคโนโลยีการสำรวจดว้ ยดาวเทียมเป็นทางเลือกที่ดใี นการติดตาม รูปแบบความแหง้ แลง้ ได้ท้งั เชงิ พ้นื ท่ีและเชงิ เวลาท่เี ทา่ ทนั ต่อการรับสถานการณ์ ประเทศสหรฐั อเมริกา ออสเตรเลีย และอกี หลายประเทศในยุโรปและเอเชีย ไดใ้ ห้ความสำคัญกบั การ รับมือกับภยั แลง้ มีการพัฒนาระบบการติดตามความแหง้ แล้งของประเทศ โดยผสานการใชท้ ั้งขอ้ มูลอุตนุ ิยมวิทยา อุทกวิทยา และระบบการรับรู้ระยะไกลเพื่อประเมินความแห้งแล้งและรายงานผลเป็นข้อมูลแผนที่แบบอัตโนมัติ ใกล้เคียงเวลาจรงิ สว่ นใหญ่ใชเ้ ทคนิคการวเิ คราะห์เปรียบเทียบรูปแบบความแหง้ แลง้ เชงิ ชว่ งเวลาทส่ี ามารถจำแนก ระดับความรุนแรงของความแห้งแล้งแสดงเป็นแผนที่ที่เข้าใจได้ง่าย ตัวอย่างดัชนีความแห้งแล้งที่ใช้ในลักษณะ ดงั กล่าวแสดงดงั ตารางท่ี 2- 1 ตารางที่ 2- 1 ดชั นคี วามแหง้ แล้งที่นยิ มใชใ้ นระบบตดิ ตามและรายงานผล ชือ่ ดชั นี คำย่อ ลกั ษณะสำคัญ/ข้อจำกดั อ้างอิง Standardized Drought Severe PDSI ใชข้ อ้ มลู ตวั แปรทางด้านอุตุนยิ มหลายตัว Palmer (1965) Index และต้องเป็นข้อมูลย้อนอดีตระยะยาว ไมเ่ ปน็ อนพุ นั ธ์ภาพถา่ ยจากดาวเทยี ม Standardized Precipitation SPI ใชข้ ้อมลู ปริมาณน้ำฝนอยา่ งเดยี ว ไม่เป็น McKee et al. Index อนพุ นั ธ์ภาพจากดาวเทยี ม (1993) Vegetation Response Index VegDRI ข้อมูลทางอุตุนิยมวิทยาที่เก็บวัด USGS พารามิเตอร์ทางการเกษตร สำหรับ ประเทศไทยมีข้อมูลไม่กระจายเพียงพอ เช่นคา่ ความช้นื ในระดบั รากพืช Normalized Difference NDVI เปน็ ข้อมูลอนุพันธ์ภาพถ่ายจากดาวเทียม NOAA Vegetation Index ที่เป็นตัวบ่งชี้ความแตกต่างมวลชีวภาพ พืชได้ดีซึ่งเกี่ยวข้องกับสมบูรณ์ของพืชท่ี ได้รบั อทิ ธิพลจากความแหง้ แลง้ สามารถ วิเคราะห์เชิงเปรียบเทียบอนุกรมเวลาได้ สะท้อนปรากฏการณ์ได้ดีในพื้นที่ที่ปก คลุมด้วยพืชพรรณ Normalized Difference Water NDWI ใช้ข้อมูลอนุพันธ์จากดาวเทียม (NDVI) Gao, B.C. (1996) Index เชิงเปรียบเทียบกับข้อมูลอนุกรมเวลา รายงานความกา้ วหนา้ การวิจัย (2 เดือน) Inception Report หนา้ | 14

โครงการประเมนิ พนื้ ท่ีเสย่ี งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 ชือ่ ดชั นี คำยอ่ ลักษณะสำคัญ/ข้อจำกดั อา้ งองิ ทำให้ชีค้ วามแตกต่างของการขาดน้ำของ พืชไดด้ ี Vegetation Condition Index VCI ใชข้ ้อมูลอนพุ ันธ์ NDVI เปน็ การวเิ คราะห์ NOAA เชิงเปรียบเทียบกับข้อมูลอนุกรมเวลา ทำใหช้ ้รี ะดบั ความอุดมสมบรู ณ์ของพืชท่ี แตกตา่ งไปจากคา่ ปกตไิ ด้ Temperature Condition Index TCI ใช้ข้อมูลจากดาวเทียมที่เป็นช่วงคลื่น NOAA ความร้อนที่บอกอุณภูมิพื้นผิวได้ เป็น การวิเคราะห์เชิงเปรียบเทียบกับข้อมูล อนุกรมเวลา ทำให้ชี้ความแตกต่างจาก ค่าปกตไิ ด้ Vegetation Health Index VHI ผสานทั้งดัชนีทั้ง VCI และ TCI ทำให้ NOAA บ่งชี้ความสมบูรณ์ของพืช ภาวะการขาด น้ำของพืชที่แตกต่างไปจากค่าปกติ ท่ี สะทอ้ นความแห้งแลง้ ได้ Drought Hazard Index DHI ผสานทั้งดัชนี SPI และ VHI ทำให้บ่งชี้ Suomi NPP ปริมาณการขาดแควนน้ำ ความเครียด ของพืช สะท้อนถึงความรุนแรงของ ความแห้งแล้ง Drought Vulnerability Index DVI ใช้ข้อมูลทางด้านอุทกวิทยา ที่สะท้อน Suomi NPP ความเปราะบางของพืชต่อภาวะความ แหง้ แล้ง Drought Risk Index DRI ผสานทั้งดัชนี DHI และ DVI ด้วยการ Suomi NPP กำหนดค่าน้ำหนักที่เท่ากัน ที่สะท้อนถึง ความเสีย่ งตอ่ สภาวะความแห้งแล้ง Evaporative Stress Index ESI ดชั นีความเครียดจากการคายระเหย MODIS หนา้ | 15 รายงานความก้าวหนา้ การวิจัย (2 เดอื น) Inception Report

2.4 การศกึ ษาดชั นีความเสยี หายของพืชเกษตรรายแปลง ดัชนีพืชพรรณจากดาวเทียม เป็นดัชนีสามารถใช้ในการบ่งชี้ความสมบูรณ์ของพืชได้ โดยดาวเทียมท่ี นำมาใช้ในการสกัดค่าดัชนีในงานวิจัยนี้ คือ ดาวเทียม Sentinel-2 ที่เป็นภารกิจสำรวจโลกภายใต้ EU Copernicus Programme ประกอบด้วยดาวเทียมคู่แฝดสองดวงคือ Sentinel-2A และ Sentinel-2B มีระบบ บันทึกภาพทั้งหมด 13 ช่วงคลื่น ทั้งช่วงคลื่นที่ตามองเห็น (Visible), Near Infrared และ Short Wave Infrared มีรายละเอียดเชิงพื้นที่ 10, 20 และ 60 เมตรขึ้นอยู่กับช่วงคลื่นที่บันทึกภาพ โดยมีค่า Multispectral Index ที่ วเิ คราะห์ได้จากขอ้ มูลดาวเทยี ม Sentinel-2 ประกอบดว้ ย index ทัง้ หมด 39 Index โดยมีรายละเอียดดังตาราง ตารางที่ 2- 2 Multispectral index ท่ีวเิ คราะห์ได้จากขอ้ มูลดาวเทียม Sentinel-2 Layer Index Description แบนดท์ ีใ่ ช้ 1 NDVI Normalized Difference Vegetation Index R : B4 NIR : B8 2 SAVI Soil Adjusted Vegetation Index R : B4 NIR : B8 3 TSAVI Transformed Soil Adjusted Vegetation Index R : B4 NIR : B8 4 MSAVI Modified Soil Adjusted Vegetation Index R : B4 NIR : B8 5 MSAVI2 second Modified Soil Adjusted Vegetation Index R : B4 NIR : B8 6 DVI Difference Vegetation Index R : B4 NIR : B8 7 RVI Ratio Vegetation Index R : B4 NIR : B8 8 PVI Perpendicular Vegetation Index R : B4 NIR : B8 9 IPVI Infrared Percentage Vegetation Index R : B4 NIR : B8 10 WDVI Weighted Difference Vegetation Index R : B4 NIR : B8 11 TNDVI Transformed Normalized Difference Vegetation R : B4 NIR : B8 Index 12 GNDVI Green Normalized Difference Vegetation Index G : B3 NIR : B8 13 GEMI Global Environmental Monitoring Index R : B4 NIR : B8A 14 ARVI Atmospherically Resistant Vegetation Index R : B4 B : B2 NIR : B8 15 NDI45 Normalized Difference Index R : B4 VRE : B5 16 MTCI Meris Terrestrial Chlorophyll Index R : B4 VRE : B5 NIR : B6 17 MCARI Modified Chlorophyll Absorption Ratio Index R : B4 VRE : B5 G : B3 18 REIP Red-Edge Inflection Point Index R : B4 VRE : B5 VRE : B6 NIR : B7 รายงานความกา้ วหน้าการวจิ ัย (2 เดอื น) Inception Report หน้า | 16

โครงการประเมินพืน้ ทเ่ี สีย่ งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 แบนด์ท่ใี ช้ R : B4 VRE : B5 VRE : Layer Index Description B6 NIR : B7 19 S2REP Sentinel-2 Red-Edge Position Index R : B4 VRE : B5 VRE : B6 NIR : B7 20 IRECI Inverted Red-Edge Chlorophyll Index R : B4 NIR : B7 R : B4 G : B3 21 PSSRa Pigment Specific Simple Ratio R : B4 G : B3 NIR : B8 R : B4 G : B3 22 BI Brightness Index R : B4 G : B3 MIR : B12 NIR : B8 23 BI2 second Brightness Index G : B3 NIR : B8 G : B3 MIR : B12 24 RI Redness Index G : B3 SWIP : B11 25 CI Chlorophyll Content Index R : B4 G : B3 26 NDWI Normalized Difference Water Index มีการใช้พารามิเตอร์ของ 27 NDWI2 second Normalized Difference Water Index ระบบบันทึกภาพบน ดาวเทยี ม 28 MNDWI Modified Normalized Difference Water Index NIR : B8 R : B4 B : B2 29 NDPI Normalized Difference Pond Index (or NHI : NIR : B8 VRE : B6 Normalized Humidity Index) NIR : B8A VRE : B6 R : B4 G : B3 B : B2 30 NDTI Normalized Difference Turbidity Index 31 LAI Leaf Area Index 32 FAPAR Fraction of Absorbed Photosynthetically Active Radiation 33 FCOVER Fraction of vegetation cover 34 LAI_CAB Chlorophyll content in the leaf 35 LAI_CW Canopy Water Content 36 EVI Enhanced Vegetation Index 37 NDRE Normalized Difference Red-Edge Index 38 NDRE2 Normalized Difference Red-Edge Index 2 39 VARI Visible Atmospheric Resistant Index หนา้ | 17 รายงานความกา้ วหนา้ การวิจยั (2 เดือน) Inception Report

โดยได้นำตวั อยา่ งดัชนที ่ีเกย่ี วขอ้ งสำหรับการนำมาใชป้ ระเมนิ ความเสียหายของพชื ดังนี้ 2.4.1 Normalized Difference Vegetation Index: NDVI ดัชนีความต่างพืชพรรณเป็นการหาคา่ ความต่างของค่าการสะท้อนของพืชพรรณโดยอาศยั คุณสมบัติ ของคา่ การสะท้อนเชิงคลื่นจากข้อมลู จากภาพถ่ายดาวเทยี ม ในช่วง RED และ NIR ดว้ ยสมการ (1) NDVI = (NIR-RED)/(NIR+RED) สมการ (1) โดยดัชนีความตา่ งพืชพรรณหรอื NDVI เป็นดชั นที ี่ได้รับความนยิ มในการวเิ คราะหก์ ารปกคลุมของพืช พรรณท่สี ะทอ้ นจากพื้นผวิ โลก รวมถงึ การนำไปประยุกต์ในการดคู วามสมบรู ณห์ รอื ความเครยี ดของพชื 2.4.2 Soil Adjusted Vegetation Index: SAVI ในทางทฤษฎี SAVI มีคา่ สอดคล้องกบั ความหนาแน่นของพชื ปกคลุมดินมากกว่า NDVI ในกรณีที่การ สะท้อนช่วงคลื่นของดินปะปนมาในช่วงคลื่น Red และ NIR ซึ่งผลการสะท้อนที่ปะปนนี้ขึ้นอยู่กับความหนาแน่น ของพชื ลกั ษณะรปู ร่างของชัน้ เรือนยอด และอื่น ๆ (Rondeaux et al., 1996) การสะท้อนของสว่ นปกคลุมท่ีเป็น ดินจะมีความสัมพันธ์กับการสะท้อนช่วงคลื่นต่าง ๆ ในลักษณะเป็นความสัมพันธ์เชิงเส้น ( Jansinski และ Eagleson, 1990) ทำให้มีงานวจิ ัยหลายชน้ิ พยายามพัฒนาดัชนีปรับแกค้ ่าการสะท้อนของดินถกู พัฒนาข้ึนมา เช่น Soil Adjusted Vegetation Index (SAVI), Transformed Soil-Adjusted Vegetation Index (TSAVI), Modified Soil-Adjusted Vegetation Index (MSAVI) แ ล ะ Environment Monitoring Index (GEMI) โ ด ย ดัชนีที่พัฒนาขึ้นนี้มีพื้นฐานในการประมวลผลมาจากการศึกษาความสัมพันธ์ของค่าการสะท้อนช่วงคลื่นของดิน (Huete, 1998) และการเลือกใช้ดัชนีที่ได้จากการปรับแก้การสะท้อนของดินจะไม่มีดัชนีใดที่สามารถนำไป ประยุกต์ใช้ได้โดยตรงในทุกพื้นที่ เนื่องจากการสะท้อนของดินขึ้นอยู่กับองค์ประกอบของดิน คุณสมบัติของดินที่ แตกต่างกันอยา่ งมากในแต่ละพื้นที่ สำหรับสมการ SAVI ที่มีค่าปรับแก้การสะท้อนช่วงคลื่นของดินในประเทศไทยนั้น ไม่ได้มีผลการวิจยั ใด ๆ ที่ทำในประเทศไทย ดังนั้นค่าปรับแก้การสะท้อนจึงต้องใช้ตัวเลขอ้างอิงที่เป็นค่าที่แนะนำจาก ESA (European Space Agency) คือ L=0.48 ไปแทนในสมการดังน้ี SAVI = (1+L) * (NIR-R) / (NIR+R+L) สมการ (2) โดยค่าปรับแก้ L=0.48 ได้มีผลการวิจัยที่นำมาใช้ในประเทศไทย เพื่อประโยชน์ในการวิเคราะห์ ติดตามการเก็บเกี่ยวผลผลิตจากพืชไร่ เช่น อ้อย (Soravis, 2019) โดยผู้วิจัยได้ทำการเปรียบเทียบค่าดัชนี SAVI กับ NDVI ในช่วงเวลาเดยี วกันและพ้ืนที่เดียวกัน แบ่งพ้ืนที่ศึกษาออกเป็นพื้นทีท่ ี่มีพืชพรรณปกคลุมหนาแนน่ และ พื้นท่ีที่มพี ืชพรรณปกคลุมน้อย เชน่ พื้นทีเ่ กบ็ เกีย่ วแล้วที่ยงั มวี ัสดทุ างการเกษตรตกค้าง เช่น กาบใบ เป็นต้น พบว่า ตวั เลขของค่าดัชนี SAVI จะมีคา่ มากกว่าค่าตวั เลขของดัชนี NDVI ดงั รูปที่ 2- 4 รายงานความก้าวหนา้ การวจิ ัย (2 เดือน) Inception Report หนา้ | 18

โครงการประเมินพน้ื ทีเ่ สยี่ งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะที่ 2 รปู ที่ 2- 4 ความแตกต่างของตวั เลขค่าดชั นี SAVI และดัชนี NDVI จากการสะท้อนช่วงคลนื่ ในพ้ืนท่ที ี่มพี ืชพรรณ ปกคลมุ หนาแน่นแตกต่างกัน (ทม่ี า : Soravis, 2019) ดัชนี SAVI สามารถแสดงความแตกต่างระหว่างสิ่งปกคลุมที่มีความหนาแน่นของพืชพรรณแตกต่าง กันได้ดีกว่า NDVI ซึ่งจาการประยุกต์ใช้งานในการติดตามการเก็บเกี่ยวผลผลิต ดัชนี SAVI ให้ค่า Threshold ระหวา่ งพชื ในแปลงท่ี เกบ็ เก่ยี วแลว้ กำลังเกบ็ เก่ยี ว และยงั ไม่เกบ็ เก่ียว ได้อย่างชดั เจน ดงั รปู ที่ 2- 5 รปู ท่ี 2- 5 ขอ้ มูลดัชนี SAVI วนั ที่ 3 ธ.ค. 2561 (ซ้าย) และวันท่ี 13 ธ.ค. 2561 (ขวา) (ทม่ี า : Soravis, 2019) 2.4.3 Ratio Vegetation Index: RVI ดัชนี RVI เป็นการประมวลผลจากค่าต่างของผลการสะท้อนในช่วง Red กับ NIR เป็นอัตราส่วน โดยตรงไม่ได้ทำการปรบั ค่าจากค่าตา่ งของการสะท้อนในช่วง Red กบั NIR เหมอื นกบั ดชั นี NDVI ทำใหส้ ดั สว่ นการ สะท้อนมีความอ่อนไหวตอ่ องค์ประกอบคลอโรฟลิ ล์ในใบพืชมากกว่าดัชนี NDVI RVI = (RED/NIR) สมการ (3) เมื่อนำดัชนี NDVI กับ RVI มาเปรียบเทียบในพื้นที่เดียวกัน ดังรูป จะเห็นว่าช่วงตัวเลขดัชนี RVI มาช่วงทก่ี วา้ งกว่าดชั นี NDVI และไมม่ คี า่ เปน็ ลบ (กรณขี อ้ มลู จากดาวเทยี ม Landsat TM) ดงั รูปที่ 2- 6 หน้า | 19 รายงานความก้าวหน้าการวจิ ัย (2 เดอื น) Inception Report

รูปท่ี 2- 6 ขอ้ มูลดชั นี NDVI (ซา้ ย) RVI (ขวา) พ้นื ที่ชายฝงั่ ประเทศ Iceland (ทม่ี า : Polina, 2020) 2.4.4 Enhanced Vegetation Index: EVI ดาวเทียมระบบ MODIS ดัชนี EVI จะตอบสนองต่อความหลากหลายของโครงสร้างชั้นเรือนยอด ที่แตกต่างกันมากกว่าดัชนี NDVI และดัชนีนี้ผู้วิจัยยังกล่าวว่ามีความสัมพันธ์กับความเครียด (Crop Stress) และ การเปล่ยี นแปลงของพืชจากสภาวะแห้งแล้งด้วย โดย สมการ EVI จะใช้ชว่ งคลน่ื Blue, Red และ NIR คำนวณตามสมการ ดังน้ี EVI = 2.5 * (NIR - RED) / ((NIR + 6.0 * RED - 7.5 * BLUE) + 1) สมการ (4) โดยการศึกษาเพื่อสังเกตค่า EVI ในพื้นที่แปลงเกษตรที่ได้รับผลกระทบจากฝนทิ้งช่วง เดือน มถิ นุ ายน - กรกฎาคม 2562 (รปู ที่ 3-5) จงึ ได้ไดน้ ำแปลงปลกู ขา้ วโพด จำนวน 4,417 แปลง พืน้ ท่ี 29,980 ไร่ ภาค ตะวันออกเฉียงเหนือ มาประมวลผลขอ้ มลู คา่ EVI ของท้ังปี 2562 เพอ่ื คำนวณค่าสถิติ รูปที่ 2- 7 รปู ท่ี 2- 7 ดชั นี SPI แสดงผลท้ิงช่วงเดือน มถิ ุนายน - กรกฎาคม 2562 (ท่ีมา : สถาบันสารสนเทศทรพั ยากรนำ้ องคก์ ารมหาชน) รายงานความก้าวหนา้ การวิจัย (2 เดอื น) Inception Report หนา้ | 20

โครงการประเมนิ พนื้ ท่ีเสี่ยงภัยแลง้ และความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะที่ 2 ในช่วงฝนทิ้งช่วง เดือน มิถุนายน - กรกฎาคม 2562 ดัชนี EVI จะมีค่าเฉลี่ยที่ 0.50 และ 0.49 ตามลำดบั และเมอื่ มฝี นตกปกติในเดอื นสงิ หาคมดัชนี EVI จะเพ่ิมสูงขนึ้ เป็น 0.68 ดังรปู ท่ี 2-10 รปู ที่ 2- 8 ชีพลกั ษณ์ของข้าวโพดในแปลงที่ไดร้ บั ผลกระทบจากฝนทงิ้ ช่วง มถิ ุนายน - กรกฎาคม 2562 (ข้อมลู จาก กษ.02) 2.4.5 Chlorophyll Content Index (CI) ในเอกสารงานวิจัยของ J.G.P.W. Clevers และ L. Kooistra (2013) ได้รายงานผลการวิจัยใน งานประชุม ESA Living Planet Symposium (2013) ว่าการตรวจวัดช่วงคลื่น red-edge ให้ความสัมพันธ์เชิง เส้นกับปริมาณคลอโรฟิลล์ได้ดีกว่าช่วงคลื่อน NIR และสามารถแก้ปัญหาเรื่องการอิ่มตัวของสัญญาณจากการ ตรวจวัดปริมาณคลอโรฟลิ ลไ์ ด้ สมการดงั กลา่ วมีสูตรการคำนวณดงั นี้ CI red-edge = (R800 – R710) – 1 สมการ (5) 2.4.6 Normalized Difference Red-Edge Index: NDRE ดัชนี NDRE เป็นดัชนที ีใ่ ช้ตรวจวัดปรมิ าณคลอโรฟิลลเ์ ช่นเดยี วกับดัชนี NDVI แต่แตกต่างกันตรง ใช้ Red Edge แทน Red การตรวจวัดระหว่างฤดูไปจนถึงปลายฤดู (เก็บเกี่ยวผลผลิต) ดัชนี NDRE จะให้ความ แตกตา่ งของพชื พรรณในชว่ งนด้ี ีกว่าดัชนีอ่นื ในดาวเทยี ม Sentinel-2 ความละเอียด 20 เมตร จะมชี ่วงคลื่น VNIR Vegetation Red Edge ประกอบด้วย 6 bands ได้แก่ B5 (705 นาโนเมตร) B6 (740 นาโนเมตร) B7 (783 นาโน เมตร) และ B8a (865 นาโนเมตร) ช่วงคลนื่ SWIR ไดแ้ ก่ B11 (1610 นาโนเมตร) และ B12 (2190 นาโนเมตร) ที่ สามารถคำนวณตามสมการ NDRI ไดด้ ังนี้ NDRE = (NIR – RedEdge) / (NIR + RedEdge) สมการ (6) หน้า | 21 รายงานความกา้ วหนา้ การวิจยั (2 เดือน) Inception Report

ช่วงของค่าระหว่าง -1 ถึง 0.2 หมายถึง หน้าดินไปจนถึงเริ่มปลูก ช่วง 0.2 ถึง 0.6 หมายถึงช่วง พืชเจริญเติบโตหรือพืชมีสุขภาพไม่ดี และช่วง 0.6 ถึง 1.0 หมายถึง พืชสมบูรณ์ดีพร้อมเข้าสู่ช่วงเก็บเกี่ยว ดังเช่น รูปด้านล่างแสดงขอ้ แตกต่างระหวา่ ง NDVI กับ NDRE ตรวจมุมบนของภาพของแปลงปลูกพืชที่อยูใ่ นชว่ งก่อนเกบ็ เกี่ยว ซึ่งใบพืชชั้นบน (พืชที่มีชั้นเรือนยอดเป็นชั้น ๆ ในแนวตั้ง) จะเริ่มเป็นสีเหลืองเนื่องจากอยู่ในระยะสุกแก่ พร้อมเก็บเกี่ยว ในกรณีดัชนี NDRE จะสามารถตรวจวัดปริมาณคลอโรฟิลล์ชั้นที่อยู่ด้านล่างลงไปได้ดีกว่าดัชนี NDVI ทำให้สามารถแยกพืชสมบูรณใ์ นระยะสุกแก่ไดด้ กี วา่ รูปที่ 2- 9 แสดงการเปรียบเทยี บดชั นี NDVI กับดชั นี NDRE จากดาวเทยี ม Sentinel-2 2.4.7 Normalized Difference Water Index: NDWI สมการทั่วไปท่ีใชป้ ระมวลผลข้อมลู ดชั นี NDWI เปน็ สมการจากงานวิจยั ของ (McFEETER, 1995) จะใช้ช่วงคลน่ื Green กับ NIR ในสมการคำนวณ ดังสมการ NDWI = (GREEN - NIR) / (GREEN + NIR) สมการ (7) 2.4.8 Modified Normalized Difference Water Index MNDWI การใช้ช่วงคลืน่ SWIR (Short Wave Infra-Red) ในการตรวจ water content ในกลุ่มชั้นใบพชื แทน พบว่ามีความไวต่อคุณลักษณะทางชีวภาพของใบพืชมากกว่าช่วงคลื่น Green (Gao B.C., 1996) จึงมีการ นำมาใช้ SWIR ในการตดิ ตามการใช้น้ำของพชื เกษตรกนั อยา่ งแพรห่ ลายตอ่ มา โดยมีสมการ ดังนี้ NDWI = (GREEN - SWIR) / (GREEN + SWIR) สมการ (8) โดยการประมวลผลสมการ NDWI และ MNDWI ยงั ส่งผลตอ่ การเลือกใช้ความละเอียดของข้อมูล Sentinel-2 ด้วย เนื่องจาก SWIR นั้นมีเฉพาะผลิตภัณฑ์ L2A ขนาด 20x20 ตร.ม. เท่านั้น ทำให้ถ้าเลือกใช้ความ ละเอียด 10x10 ตร.ม. ของ L1C ก็จะตอ้ งใช้สมการ Green กบั NIR แทน รายงานความก้าวหนา้ การวจิ ยั (2 เดือน) Inception Report หน้า | 22

โครงการประเมนิ พืน้ ทเ่ี สย่ี งภัยแลง้ และความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะที่ 2 รูปที่ 2- 10 ภาพเปรียบเทียบดัชนี NDWI และ MNDWI จากดาวเทียมในพื้นที่เกษตร 2.4.9 Normalized Difference Moisture Index NDMI ดัชนีความต่างของค่าความชื้นบนพื้นผิวโลก อาศัยความแตกต่างของช่วงคลื่น NIR ที่มี คุณลกั ษณะในการดูดกลนื นำ้ และช่วงคล่นื SWIR ตามรปู สมการ NDMI = (NIR − SWIR) / (NIR + SWIR) สมการ (9) 2.4.10 Shortwave Infrared Water Stress Index SIWSI การศกึ ษาความเครยี ดของพชื จากการขาดนำ้ นิยมใชช้ ่วงคลือ่ น Shortwave Infrared (SWIR) ท่ี มคี ณุ สมบตั ใิ นการศึกษาเร่ืองความชน้ื หรือน้ำในใบพชื จึงถกู นำมาพฒั นาเป็นดชั นี SIWSI ทใ่ี ชส้ ำหรับการวิเคราะห์ ความเครยี ดของพืชจากการขาดน้ำโดยตรง โดยมสี มการ ดังน้ี SIWSI = (Narrow NIR − SWIR) / (Narrow NIR + SWIR) สมการ (10) 2.4.11 Infrared percentage vegetation index IPVI ดัชนีพืชพรรณ IPVI เป็นดัชนีที่วิเคราะห์ต่อยอดและเทียบเคียงกับดัชนี NDVI ที่ใช้ความต่างของ ชว่ งคลนื่ RED และชว่ งคล่ืน NIR ตามรูปสมการ ดงั นี้ IPVI = ((NIR / NIR + RED) / 2) x (NDVI + 1) สมการ (11) โดยดัชนีพืชพรรณ IPVI จะมีช่วงของค่าตั้งแต่ 0.0 – 1.0 ที่จะไม่มีค่าติดลบและสามารถ ประมวลผลได้อย่างรวดเร็ว 2.4.12 Modified Chlorophyll Absorption in Reflectance Index MCARI ดัชนี MCARI เป็นการตรวจวัดความลึกของการดูดซึมคลอโรฟิลด์และมีความไวต่อการ เปล่ยี นแปลงตอ่ ความเข้มขน้ ของคลอโรฟิลด์ เหมอื นกับการเปลีย่ นแปลงของพื้นทใ่ี บ (Leaf Area Index: LAI) โดย ที่ดัชนี MCARI จะไม่ได้รับผลกระทบจากค่าสะท้อนของดิน โดยในรูปสมการจะใช้ช่วงคลื่น 3 ช่วงคลื่น ได้แก่ Green Red และ Vegetation Red Edge MCARI = ((RedEdge − RED) − 0.2 x (RedEdge − GREEN)) x (RedEdge / RED) สมการ (12) หน้า | 23 รายงานความก้าวหน้าการวิจัย (2 เดือน) Inception Report

รูปท่ี 2- 11 ภาพแสดงดชั นี MCARI จากดาวเทยี มในพื้นที่เกษตร 2.5 เทคโนโลยี Machine Learning : ML จากการศึกษาของโครงการประเมินพื้นที่เสี่ยงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ด้วย เทคโนโลยีภูมิสารสนเทศ ระยะที่ 2 จะมีการประยุกต์ใช้การเรียนรู้ด้วยเครือ่ งหรือ Machine Learning โดยแต่ละ อัลกอรทิ มึ จะมลี ักษณะการทำงานทแ่ี ตกต่างกัน และมคี วามเหมาะสมของอลั กอริทึมของแตล่ ะขอ้ มลู ทแ่ี ตกต่างกัน สำหรบั โครงการนจี้ ะมีการใชอ้ ลั กอรทิ มึ ดังนี้ 2.5.1 Linear Regression (การถดถอยเชิงเส้น) Linear regression เปน็ อัลกอริทึมการเรียนรใู้ ชส้ ำหรับการทำนายตวั แปรเป้าหมายที่เป็นตัวเลข ตอ่ เนื่องโดยใช้ข้อมูลตวั แปรต้นต้ังแต่หนง่ึ หรือมากกว่า เพือ่ พสิ จู น์วา่ มคี วามสัมพันธ์เชิงเส้นระหว่างตัวแปรต้นและ ตวั แปรเปา้ หมาย พร้อมทง้ั พยายามหาเส้นทีเ่ หมาะสมท่สี ดุ เพื่อลดความแตกต่างระหว่างคา่ ทีท่ ำนายได้และค่าจริง โดยสมการของ Linear Regression คือ ������ = ������������ + ������ สมการ (13) มีข้อดีคือ Linear regression เป็นอัลกอริทึมที่เข้าใจและตีความง่าย มีความรวดเร็ว สามารถ ทำงานได้อย่างมีประสิทธิภาพในการคำนวณและสามารถจัดการกับชุดข้อมูลขนาดใหญ่ได้ และค่าสัมประสิทธิ์ใน linear regression สามารถให้ข้อมลู เก่ียวกับความสัมพนั ธร์ ะหวา่ งตวั แปรเขา้ และตวั แปรเปา้ หมายได้ชดั เจน ข้อเสียคือ Linear regression จะมีข้อสมมติฐานว่าข้อมูลมีความสัมพันธ์เชิงเส้นระหว่างตัวแปร ซึ่งอาจไมเ่ ปน็ จริงในชุดขอ้ มูลที่ซับซ้อน และอาจไมส่ ามารถตรวจจบั ความสัมพันธ์ท่ีซับซ้อนและรปู แบบท่ีไม่เชิงเส้น ในชดุ ข้อมูลได้ 2.5.2 Logistic Regression (การถดถอยโลจสิ ติก) รายงานความกา้ วหนา้ การวจิ ยั (2 เดือน) Inception Report หน้า | 24

โครงการประเมินพนื้ ทเ่ี สย่ี งภยั แล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 Logistic regression เป็นอัลกอริทึมการจำแนกที่ใช้สำหรับทำนายผลลัพธ์ที่เป็น Binary หรือ จำแนกแบบคลาส โดยอัลกอริทึมจะประมาณความน่าจะเป็นของตัวแปรที่อยู่ในคลาสใดๆ โดยใช้ฟังก์ชันโลจิสติ กบนผลรวมเชงิ เสน้ ของตัวแปรต้น โดยสมการของ Logistic Regression คือ ������(������) = 1 สมการ (14) 1+������ −(������−������)/������ โดยมขี ้อดีคือ ค่าสมั ประสิทธใิ์ น logistic regression สามารถตคี วามวา่ ตวั แปรมีอทิ ธิพลต่อความ น่าจะเป็นในการอยู่ในคลาสได้อย่างไร อีกทั้ง logistic regression สามารถคาดการณ์ได้ดีและมีความแม่นยำสูง โดยบางครั้งมีความเป็นไปได้ที่จะคาดการณ์ได้ดีกว่าอัลกอริทึมอื่น ๆ นอกจากนี้ Logistic regression สามารถ จดั การกับประเภทขอ้ มลู ทแี่ ตกต่างกัน เพ่อื ให้สามารถปรบั แต่งเพื่อตอบสนองต่อวัตถปุ ระสงค์เฉพาะได้ สว่ นขอ้ เสยี คือ Logistic regression จะมสี มมตฐิ านเกยี่ วกับความสมั พันธ์เชิงเส้นระหว่างตัวแปร ตน้ และฟงั กช์ นั ลอการทิ ึมของอตั ราสว่ นลด ซึ่งอาจไมเ่ ป็นจรงิ เสมอไป และเช่นเดียวกับ linear regression โดยรวม logistic regression อาจพบความยากลำบากในการตรวจจับความสมั พนั ธท์ ่ซี ับซ้อนและรูปแบบที่ไม่เชงิ เส้น 2.5.3 Decision Tree Model Decision Tree เป็น Rule-Based Model ทจ่ี ะสรา้ งเง่อื นไข If-else ขึ้นมาจากขอ้ มูลใน ตัวแปร เพื่อที่จะแบ่งข้อมูลออกเป็นกลุ่มใหม่ที่สามารถอธิบาย Target ได้ดีที่สุด โดยการสร้างเงื่อนไข If-else ใน แต่ละตัวแปร จะถูกกำหนดด้วย Objective Function ซึ่ง Model Decision Tree มี Objective Function อยู่ หลายตัว ตามประเภทของ Decision Tree นนั้ ๆ (รูปที่ 2- 12) แบ่งออกเปน็ 2 ประเภท คือ 1) Regression Tree คือ Decision Tree ที่ใช้สำหรับการทำโจทย์ Regression โดยมีค่า Residual sum of squares (RSS) เป็น Objective Function ในการหาจุดที่ดีที่สุดในการแบ่งข้อมูล (Split point) จากการ Minimize ให้ RSS มีคา่ นอ้ ยท่สี ุด - Residual (e_i) คือ ค่าความคลาดเคลื่อน หรือค่า Error ระหว่าง y ทุก ๆ จุดในข้อมูล กับ y_hat ท่ีไดม้ าจากการประมาณค่าขนึ้ มาการคำนวณ Residual ของขอ้ มูลตัวท่ี i สมการ (15) - Residual sum of squares (RSS) คือ การวัดค่า Residual หรือ ค่า Error ของทุก ๆ จุดในชุดข้อมูล และนำมายกกำลังสอง เพื่อให้ค่า Residual เป็นบวก และเป็นการทำ Normalize ด้วย เนื่องจาก ถา้ y_hat มีค่ามากกวา่ yi จะทำใหค้ า่ Residual ตดิ ลบ สมการ (16) หน้า | 25 รายงานความกา้ วหน้าการวจิ ัย (2 เดือน) Inception Report

2) Classification Tree คอื Decision Tree ท่ีใช้สำหรับการทำ Classification โดยจะใช้ Gini Impurity หรือ Entropy เป็น Objective Function ในการหาจดุ ที่ดีทสี่ ดุ ในการแบง่ ข้อมูล (Split point) ข้อดี คือ เข้าใจได้งา่ ย นำไปใชง้ า่ ย แตอ่ าจจะไม่เหมาะกับขอ้ มูลทีม่ คี วามซบั ซ้อน รปู ท่ี 2- 12 Decision Tree Algorithm 2.5.4 Random Forest Classifier และ Random Forest Regressor Random forest เป็นวิธีการเรียนรู้แบบ Ensemble ที่รวมต้นไม้ตัดสินใจหลายต้นเข้าด้วยกัน เพือ่ ทำนายผลลัพธ์ แต่ละต้นไม้ถูกสรา้ งขน้ึ โดยใช้ชุดข้อมูลและตวั แปรที่สุ่มเลือก ผลลัพธ์สดุ ท้ายจะได้จากการรวม ผลทำนายของตน้ ไม้แตล่ ะต้น ซึ่ง Random Forest ไม่มีสูตรที่ชัดเจน แต่อัลกอริทึมจะเรียนรู้โดยแบ่งเป็นกลุ่ม และสร้างการ ตดั สนิ ใจผา่ นการเรยี นรู้ด้วยเครอ่ื ง ตามรูปท่ี 2- 13 รูปที่ 2- 13 Random Forest Algorithm Diagram ท่มี า: https://www.tibco.com/reference-center/what-is-a-random-forest, NA รายงานความก้าวหนา้ การวิจยั (2 เดอื น) Inception Report หนา้ | 26

โครงการประเมินพืน้ ทเี่ สี่ยงภัยแล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 ขอ้ ดคี ือ Random forest สามารถใหค้ วามแม่นยำสงู ได้ดว้ ยการลดการเกิด overfitting และการ จัดการกับขอ้ มลู ท่ีมสี ารสนเทศผสมอย่างมปี ระสิทธภิ าพ อีกท้งั Random Forest สามารถตรวจจบั ความสัมพันธ์ที่ ซับซ้อนและการปฏสิ มั พันธร์ ะหวา่ งตวั แปรได้ พรอ้ มสามารถจัดการกับจำนวนตัวแปรต้นจำนวนมาก ส่วนข้อเสียคือ การทำนายของ random forest ตีความได้ยากเมื่อเทียบกับโมเดลเชิงเส้น การ ฝึกฝนและการประเมินโมเดล random forest อาจใช้ทรัพยากรคอมพิวเตอร์มาก โดยเฉพาะสำหรับชุดข้อมูล ขนาดใหญ่หรือต้นไม้ที่ซับซ้อน อีกทั้ง Random forest อาจใช้หน่วยความจำมากเนื่องจากต้องเก็บรักษา อัลกอรทิ มึ ตัดสนิ ใจหลากหลาย 2.5.5 XGBoost (Extreme Gradient Boosting): XGBoost เป็นอัลกอริทึมการเรียนรู้แบบ Ensemble ที่ใช้กรอบการเพิ่มความสามารถของตัว จำแนกโดยรวมเขา้ ด้วยกัน แต่ละต้นไม้ถูกสร้างขึ้นในลำดับที่เรียงต่อกันโดยที่ต้นไม้ถัดไปจะแก้ไขความผิดพลาดที่ เกิดขึ้นจากต้นไม้ก่อนหน้า การทำนายสุดท้ายได้จากผลลัพธ์การรวมกันของต้นไม้ทั้งหมด เช่นเดียวกับ Random Forest Model XGBoost ไม่มีสมการที่ชัดเจน เนื่องจากเกิดจากการเรียนรู้ด้วยเครื่อง ซึ่งความแตกต่างระหว่าง Random Forest Model กับ XGBoost คือเมื่อการเรียนรู้ผ่านต้นไม้แต่ละต้น XGBoost จะดำเนินการแบบ เรียงลำดบั ซ่งึ จะเรียนรจู้ ากความผดิ พลาดท่เี กิดขึ้นก่อนหน้า แต่ Random Forest จะคำนวณไปพร้อมๆกันทกุ ต้น รูปท่ี 2- 14 XGBoost Algorithm Diagram ท่ีมา: https://www.researchgate.net/figure/Flow-chart-of-XGBoost_fig3_345327934 [accessed 23 May, 2023] หน้า | 27 รายงานความกา้ วหน้าการวจิ ัย (2 เดือน) Inception Report

ข้อดีคือ XGBoost มีความแม่นยำสูงและมีความสามารถในการทำนายที่ดี โดยบางครั้งอาจ เหนือกว่าอัลกอริทึมอื่นๆ และสามารถจัดการกับประเภทของข้อมูลที่แตกต่างกัน รวมถึงสามารถเพื่อป้องกัน overfitting แต่ยังมีข้อเสียคือ XGBoost เป็นอัลกอริทึมที่ซับซ้อนและต้องการความรอบคอบในการต้ัง คา่ พารามิเตอร์และการปรบั แตง่ เพื่อใหท้ ำงานอยา่ งเหมาะสม XGBoost อาจต้องใชท้ รพั ยากรคอมพิวเตอรม์ ากกว่า วิธีอ่นื เนอื่ งจากความซับซ้อนและการคำนวณทม่ี ากขน้ึ ทั้งนี้แต่ละอัลกอริทึมวิธีสามารถมีเทคนิคที่ต่างกันโดยที่ สามารถนำมาปรับใช้ได้ตามความ เหมาะสมของปัญหาและลักษณะของขอ้ มลู ท่ีมีอยู่ 2.5.6 Artificial Neural Networks Artificial Neural Networks โครงข่ายประสาทเทียม หรือที่มักจะเรียกสั้น ๆ ว่า โครงข่าย ประสาท (Neural Networks หรือ Neural Net) เป็นหนึ่งในเทคนิคของการทำเหมืองข้อมูล (Data Mining) คือ โมเดลทางคณิตศาสตร์ สำหรับประมวลผลสารสนเทศดว้ ยการคำนวณแบบคอนเนคชนั นิสต์ (Connectionist) เพ่อื จำลองการทำงานของเครือข่ายประสาทในสมองมนุษย์ ด้วยวัตถุประสงค์ที่จะสร้างเครื่องมือซึ่งมีความสามารถใน การเรียนรู้การจดจำรูปแบบ(Pattern Recognition) และการสร้างความรู้ใหม่ (Knowledge Extraction) เช่นเดยี วกับความสามารถท่มี ีในสมองมนษุ ย์ การทำงานของ Neural Networks คือเมื่อมี input เข้ามายัง network ก็เอา input มาคูณกับ weight ของแตล่ ะขา ผลทีไ่ ด้จาก input ทุก ๆ ขาของ neuron จะเอามารวมกนั แล้วก็เอามาเทียบกบั threshold ที่กำหนดไว้ ถ้าผลรวมมีค่ามากกว่า threshold แล้ว neuron ก็จะส่ง output ออกไป output นี้ก็จะถูกส่งไปยัง input ของ neuron อื่น ๆ ท่เี ชื่อมกนั ใน network ถ้าคา่ น้อยกว่า threshold ก็จะไม่เกดิ output ส่งิ สำคัญคือเรา ต้องทราบค่า weight และ threshold สำหรับสิ่งที่เราต้องการเพื่อให้คอมพิวเตอร์รู้จำ ซึ่งเป็นค่าที่ไม่แน่นอน แต่ สามารถกำหนดให้คอมพิวเตอร์ปรับค่าเหล่านั้นได้โดยการสอนให้มันรู้จัก pattern ของสิ่งที่เราต้องการให้มันรู้จำ เรยี กวา่ \"back propagation\" ซึง่ เป็นกระบวนการย้อนกลับของการรจู้ ำ รายงานความก้าวหนา้ การวจิ ัย (2 เดือน) Inception Report หน้า | 28

โครงการประเมินพ้ืนทเี่ ส่ียงภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ ระยะที่ 2 รูปท่ี 2- 15 Artificial Neural Networks – ANN Diagram การเรียนรสู้ ำหรับ Neural Networks 1) Supervised Learning การเรียนแบบมีการสอน เป็นการเรียนแบบที่มีการตรวจคำตอบ เพื่อให้โครงข่ายประสาทเทียมปรับตัว ชุดข้อมูลที่ใช้สอนโครงข่ายประสาทเทียมจะมีคำตอบไว้คอยตรวจดูว่า โครงข่ายประสาทเทียมให้คำตอบที่ถูกหรือไม่ ถ้าตอบไม่ถูก โครงข่ายประสาทเทียมก็จะปรับตัวเองเพื่อให้ได้ คำตอบทดี่ ีขนึ้ (เปรยี บเทยี บกบั คน เหมือนกบั การสอนนกั เรียนโดยมีครูผู้สอนคอยแนะนำ) 2) Unsupervised Learning การเรียนแบบไม่มีการสอน เป็นการเรียนแบบไม่มีผู้แนะนำ ไม่มี การตรวจคำตอบว่าถูกหรือผิด โครงข่ายประสาทเทียมจะจัดเรียงโครงสร้างด้วยตัวเองตามลักษณะของข้อมูล ผลลัพธ์ที่ได้ โครงข่ายประสาทเทียมจะสามารถจัดหมวดหมู่ของข้อมูลได้ (เปรียบเทียบกับคน เช่น การที่เรา สามารถแยกแยะพันธพุ์ ชื พนั ธุ์สตั ว์ตามลกั ษณะรูปรา่ งของมนั ได้เองโดยไม่มีใครสอน) ข้อดี คือ จัดการกับ Task ที่มีความซับซ้อนได้ มีความหลากหลายของประเภท Input แต่อาจจะ Train model ไดช้ า้ โดยตอ้ งอาศัยประสิทธภิ าพของการประมวลสเปคสงู แทบจะไม่เข้าใจผลท่ีมาของการพยากรณ์ หนา้ | 29 รายงานความกา้ วหน้าการวิจยั (2 เดอื น) Inception Report

2.6 การพยากรณ์การเกดิ ภยั แล้ง 2.6.1 นยิ ามความหมายเกี่ยวกบั การพยากรณ์ การพยากรณ์ (Forecasting) หมายถึง การคาดคะเนการทำนายการเกิดเหตุการณ์หรือ สภาพการณต์ า่ ง ๆ ในอนาคต โดยการพยากรร์จะทำการศึกษาแนวโน้มและรปู แบบการเกิดเหตุการณจ์ ากข้อมูลใน อดตี และ/หรือใช้ความสามารถ ความรู้ ประสบการณ์ และดุลยพนิ จิ ของผู้พยากรณ์ การพยากรณ์อากาศ หมายถึง การคาดหมายสภาพลมฟ้าอากาศในอนาคต การท่จี ะพยากรณ์อากาศได้ต้องมีองค์ประกอบ 3 ประการไดแ้ ก่ - ประการแรกคอื ความรู้ความเข้าใจในปรากฏและกระบวนการตา่ ง ๆ ที่เกิดขน้ึ ในบรรยากาศ - ประการที่สอง คอื สภาวะอากาศปจั จบุ ัน - ประการสุดท้าย คือ ความสามารถที่จะผสมผสานองค์ประกอบทั้งสองข้างต้น เข้าด้วยกัน เพ่ือคาดการณเ์ ปลย่ี นแปลงของบรรยากาศทจ่ี ะเกิดขึ้นในอนาคต ทั้งนี้สิ่งที่ต้องทำเพื่อให้สามารถพยากรณ์อากาศได้ คือการวิเคราะห์ข้อมูลผลการตรวจอากาศ เพื่อให้ทราบลักษณะอากาศปัจจุบัน และการคาดการณ์การเปลี่ยนแปลงของลักษณะอากาศที่กำลังเกิดขึ้นว่าจะมี ทศิ ทางและความเร็วในการเคลื่อนทอ่ี ย่างไรในพนื้ ที่น้ัน ๆ 2.6.2 วิธกี ารพยากรณ์แบบจำลองภมู อิ ากาศ เนื่องจากแบบจำลองภูมิอากาศโลกมีพื้นที่แสดงผลขนาดใหญ่ ความละเอียดตั้งแต่ระดับ 150 กิโลเมตรขึ้นไป จึงเหมาะสำหรับใช้ในการศึกษาในเรื่องการพยากรณ์ในระดับทวีป การศึกษาผลกระทบ และการ เปลี่ยนแปลงสภาพภูมิอากาศในระดับภูมิภาคหรือประเทศขนาดเล็กที่มีพื้นที่ไม่มากนัก จึงต้องลดขนาด (Downscale) แบบจำลองภูมิอากาศโลกให้แสดงผลลัพธ์ที่มีความละเอียดเพิ่มขึ้น โดยการย่อส่วนแบบจำลอง ภมู ิอากาศโลกท่นี ิยมใชก้ ันมี 2 วธิ ี คอื วธิ ที ่ี 1 การย่อส่วนด้วยวิธีทางสถิติ (Statistical downscaling) เป็นวิธีการซงึ่ ใช้กระบวนการทาง สถิติเพื่อย่อส่วนหรือลดขนาดผลลัพธ์จากแบบจำลองภูมิอากาศโลก โดยจะวิเคราะห์ความสัมพันธ์ระหว่างตัว ทำนาย (Prediction) ซึ่งเป็นผลทีไ่ ด้จากแบบจำลองภูมิอากาศโลกและตัวถูกทำนาย (Predictand) ซงึ่ เป็นข้อมูลที่ ได้จากสถานตี รวจวัดโดยตรง ในช่วงเวลาทส่ี มั พันธ์ วิธีที่ 2 การย่อส่วนด้วยวิธีการพลวัต (Dynamical Downscaling) หรือการใช้แบบจำลอง ภูมิอากาศภูมิภาค (Regional Climate Model หรือ RCM) เป็นวิธีการที่มีความละเอียดสูง อาศัยหลักการ ซ่ึง นำเอากระบวนการทางฟิสกิ ส์บรรยากาศท่ีมีความสัมพันธ์กับสภาพภูมิประเทศของแต่ละพืน้ ท่ี มาคำนวณหาค่าตัว แปรสภาพภูมิอากาศในระดับความละเอียดที่สูงขึ้นในเชิงพ้ืนที่และเวลา โดยอาศัยเงื่อนไขเริ่มต้น (intial condition) และเงื่อนไขขอบเขต (boundary condition) สำหรบั ข้อมูลนำเข้าของแบบจำลอง รายงานความก้าวหนา้ การวจิ ยั (2 เดือน) Inception Report หนา้ | 30

โครงการประเมินพนื้ ท่เี ส่ียงภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ ระยะที่ 2 2.7 การประเมนิ ความถกู ต้องของแบบจำลอง การประเมินความถูกต้องของการจําแนกข้อมูลสํารวจจากระยะไกล เป็นการเปรียบเทียบข้อมูลที่ได้จาก การจําแนกกับข้อมูลอ้างอิงทยี่ อมรับว่ามีความถกู ตอ้ ง มีหลกั การคือ 2.7.1 วิธีการสุ่มตัวอย่าง (sampling design) เป็นวิธีการที่นิยมใช้ในการเก็บรวบรวมข้อมูลทดสอบ อา้ งองิ ภาคพืน้ ดนิ สำหรบั ประเมินความถูกต้อง มรี ูปแบบดงั นี้ 1) Random Sampling การสุ่มตัวอย่างแบบง่าย จุดสำรวจจะกระจาย อาจมีความยากลำบาก ในการเขา้ ถงึ พน้ื ที่ 2) Stratified Random Sampling การสุ่มตัวอย่างแบบจำแนกชั้น เป็นการกำหนดจำนวน ตัวอย่างตามสัดส่วนของเนื้อทใ่ี นแต่ละชน้ั ขอ้ มูล 3) Systematic Sampling การส่มุ ตัวอยา่ งแบบมรี ะบบ จดุ สำรวจจะกระจายครอบคลุมทุกพน้ื ที่ 4) Stratified Systematic Unaligned Sampling เป็นลักษณะการสร้างกริดเพื่อให้การสำรวจ เปน็ ระบบกระจายทั่วพน้ื ที่ศกึ ษาในแต่ละช่องกรดิ ให้เปน็ ไปโดยสุ่ม 5) Cluster Sampling การสุ่มตัวอย่างแบบรวมกลุ่ม เป็นการกำหนดจุดสำรวจให้เป็นกลุ่ม ตวั อยา่ ง แล้วทำการสุ่มคลสั เตอรเ์ พอื่ กำหนดเปน็ จดุ สำรวจหรือแปลงตัวอยา่ ง 2.7.2 ขนาดตัวอย่าง เป็นการอ้างอิงทางภาคพื้นดินสำหรับใช้ในการประเมินความถูกต้องของแต่ละ ประเภทข้อมูลที่ใช้ในการจำแนก เช่น จำนวนประชากร ความแปรปรวนของประชากร ระดับการยอมรับความ แตกต่างระหว่างพารามิเตอร์ทางสถิติตัวอย่างกับของประชากร และงบประมาณ โดยมีการกำหนดขนาดตัวอย่าง จากค่าทเี่ หมาะสมดงั น้ี 1) เกณฑ์อยา่ งง่าย (กฎหัวแมม่ อื ; Rule of Thumb) 2) อิงหลักการความน่าจะเป็นทวินาม (Binomial Probability) เป็นการแสดงความน่าจะเป็น ของค่าที่เป็นไปได้ทุกค่าของตัวแปรสุ่ม เรียกว่า การแจกแจงความน่าจะเป็นของตัวแปรสุ่ม การประเมินความ ถูกต้องของการจำแนกเป็นการสุ่มหลายๆจุด เพื่อดูผลการจำแนกข้อมูลนั้นๆ ว่าถูกหรือผิด เป็นการสุ่มชนิดไม่ ตอ่ เน่อื ง โดยแต่ละคร้งั จะเป็นอสิ ระตอ่ กนั ผลทไ่ี ด้ตอ้ งการเพยี งคา่ ความถกู ต้องโดยรวม (Overall Accuracy) ������2(������)(������) ������ = ������2 เม่ือ n = จำนวนตัวอย่างขนั้ ตำ่ (จดุ สำรวจ) p = โอกาสทจ่ี ะเกดิ ความถกู ตอ้ ง (มีค่าระหวา่ ง 0 - 1) q = โอกาสที่จะเกิดความผดิ พลาด (มคี ่าระหวา่ ง 1 - q) Z = ค่าจากตารางแจกแจงปกตมิ าตรฐาน Z e = คา่ ความคลาดเคล่อื นจากการสุ่ม หน้า | 31 รายงานความกา้ วหน้าการวิจัย (2 เดือน) Inception Report

3) อิงหลักการความน่าจะเป็นพหุนาม (Multinomial probability) เป็นการประเมินความ ถูกต้องด้วยเมตริกแจกแจงความผิดพลาด (Error Matrix) นอกจากจะต้องประเมินว่าถูกหรือผิดแล้ว ต้องมีการ อธิบายลักษณะของความผิดพลาดด้วยว่าผิดอย่างไร คือ เป็นการผิดพลาดเพราะเกิดการละไว้ (Omission Error) หรือจากการยอมรับเอาเข้ามา (Commission Error) ทำให้เห็นประสิทธิภาพจากผลจากการจำแนกที่เป็น ประโยชนใ์ นการตดั สินใจ 2.7.3 รูปร่างและขนาดตัวอย่าง ควรพิจารณาให้สอดคล้องกับรูปร่างของจุดภาพ โดยขนาดแปลง ตวั อยา่ งในภาคสนามทส่ี อดคล้องกบั พกิ ดั ของจดุ ภาพที่ระดบั ความเชื่อมัน่ 95% หาไดจ้ ากสตู ร ขนาดด้านของแปลงตัวอย่าง = (จำนวนจุดภาพ x ขนาดจุดภาพ) + 4(RMSE) 2.7.4 วิธีการประเมินความถูกต้อง ในการประเมินความถูกต้องของการจําแนกข้อมูลสํารวจระยะไกล นั้นเป็นการพิจารณาข้อมูลผลจากการจําแนกชั้นข้อมูล ณ ตําแหน่งที่ตั้งหน่วยตัวอย่าง (จุดสํารวจ) เปรียบเทียบ ความสอดคล้องกันกับความเป็นจริงที่พบในภาคสนามท่ีถือวา่ เปน็ ข้อมลู อ้างองิ แลว้ ทําการแจกแจงให้อยู่ในรูปของ ตารางขอ้ มูลทเ่ี รียกวา่ Error Matrix หรือ Confusion Matrix หรอื Contingency Table โดยสามารถใชว้ เิ คราะห์ หาค่าความถกู ตอ้ งไดห้ ลายลักษณะ ดังนี้ 1) ความถกู ตอ้ งของผูผ้ ลิต (Producer’s Accuracy) เปน็ การวดั ผลการจำแนกข้อมูล วา่ มีความ ถูกต้องมากน้อยเพียงใด เมื่อพิจารณาจากความผิดพลาดของส่วนที่ขาดหายไป (Omission Error) ที่เกิดจากการ ไม่ไดจ้ ำแนกขอ้ มลู ตามทม่ี อี ยู่จรงิ 2) ความถกู ตอ้ งของผ้ใู ช้ (User’s Accuracy) เป็นการวดั ผลการจำแนกข้อมูล วา่ มีความถูกต้อง มากน้อยเพียงใด โดยความผิดพลาดที่เกิดขึ้น เป็นเหตุจากการจำแนกข้อมูลนั้น ๆ มากกว่าความเป็นจริง ใน ลักษณะที่เป็นพื้นที่อื่น ๆ เพิ่มเข้ามา (Commission Errors) โดยนำจุดที่ถูกต้องตรงกันหารด้วยจำนวนจุดที่แปล ภาพว่าเป็นชนิดนั้นที่นำไปสำรวจในภาคสนามทั้งหมดคูณด้วยร้อยเพื่อคิดเป็นเปอร์เซ็นต์ ซึ่งจะสะท้อนผลการ แปลว่ามคี วามถกู ตอ้ งแคไ่ หน 3) ความถูกต้องโดยรวม (Overall Accuracy) คือค่าความถูกต้องของข้อมูลทั้งหมด โดยข้อมูล ที่จำแนกได้ถูกต้องทั้งหมดมีความเกี่ยวเนื่องกันระหว่างจุดตรวจสอบกับข้อมูลอ้างอิงคิดเป็นเปอร์เซ ็นต์ของจุด ตรวจสอบท้งั หมดโดยไม่คำนงึ ผดิ พลาด 4) ค่าสถิติแคปปา (Kappa Statistics) คือ ค่าความถูกต้องโดยรวม แต่นำค่าความผิดพลาดท่ี เกิดใน Error Matrix ด้วย เพื่อประเมินความถูกต้องและดูความสอดคล้องกันของข้อมูลตรวจสอบกบั ขอ้ มูลอ้างองิ นิยมนำมาวิเคราะห์คู่ไปกับค่าความถูกต้องโดยรวม หากค่าทั้งสองมีค่าใกล้เคียงกันในทิศทางที่สูงถือว่าผลการ จำแนกขอ้ มลู นน้ั เปน็ ไปในทศิ ทางทด่ี ี 2.8 การพัฒนาแพลตฟอร์ม 2.8.1 นยิ ามความหมายของแพลตฟอร์ม รายงานความกา้ วหน้าการวิจยั (2 เดอื น) Inception Report หนา้ | 32

โครงการประเมนิ พน้ื ทเี่ สีย่ งภัยแล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะท่ี 2 แพลตฟอร์ม หมายถึง รากฐานหรือกรอบการทำงานที่อำนวยความสะดวกในการโต้ตอบ ธุรกรรม หรือ การแลกเปลี่ยนสินค้า บริการ หรือข้อมูล แพลตฟอร์มทำหน้าที่เป็นตัวกลางเชื่อมโยงผู้มสี ว่ นได้ส่วนเสียท่ีแตกต่าง กนั และเปดิ ใช้งานการทำงานร่วมกัน มโี ครงสรา้ งทร่ี องรับฟังกช์ นั และบริการตา่ งๆ โดยอาศัยเทคโนโลยีเพื่อให้เกิด การโต้ตอบระหว่างกัน ประเภทของ Platform ที่มีการใช้งานในปัจจุบัน สามารถแบ่งออกได้หลายประเภท ดงั ตอ่ ไปนี้ - Operating Systems Platforms - Computing Platforms - Social Media Platforms - Digital Marketing - Online Platforms - Database Platforms - Cloud Storage Platforms - Application Platforms - Mobile Platforms - E-Commerce Platforms - Web Platforms - Content Management Systems Platforms - Analytic Platforms - Security Platforms - Internet of Things Platforms - Gaming Platforms - Sharing Economy Platforms ในการดำเนินโครงการมีสว่ นการพัฒนาแพลตฟอรม์ 2 ประเภท อธิบายได้ดังนี้ 1) Web Platforms หมายถึง แพลตฟอร์มที่ช่วยให้เราสร้างเว็บไซต์ต่างๆ ขึ้นมาได้โดยไม่ จำเป็นต้องเข้าใจในการออกแบบเว็บไซต์ และการเขียนโค้ด โดยผู้ใช้สามารถเลือก Template มากมายจาก แพลตฟอร์มสร้างเว็บไซต์ โดยไม่จำเป็นต้องเข้าใจเรือ่ งของ CSS, HTML รวมถึงภาษาในการสร้างเวบ็ ไซต์และโคด้ ที่ซับซ้อน ตัวอย่างของ Web Platforms ที่ได้รับความนิยมในปัจจุบัน ได้แก่ WordPress , Wix , Drupal , Shopify หรือ Weebly เปน็ ตน้ 2) Mobile Platforms หมายถึง ระบบปฏิบัติการมือถือ และสภาพแวดล้อมสำหรับการสร้าง แอปพลิเคชนั บนมือถือ นอกจากนยี้ ังรวมถึงแพลตฟอร์มคลาวด์สำหรบั สร้างแบ็กเอนด์ (ระบบหลงั บา้ น) ของมือถือ หนา้ | 33 รายงานความกา้ วหนา้ การวิจยั (2 เดือน) Inception Report

ท่ใี หบ้ ริการแอปมือถือ ซ่งึ อาจรวมถงึ API เฉพาะ ท่ีเปน็ ประโยชน์สำหรับนักพัฒนาแอปบนอุปกรณเ์ คล่ือนท่ีในด้าน ตา่ งๆ เชน่ บรกิ ารตำแหน่ง และการจดจำเสียง เปน็ ตน้ 2.8.2 เคร่อื งมอื ทช่ี ว่ ยในการพัฒนาแพลตฟอร์ม 1) โปรแกรม GeoServer ทำหน้าที่ให้บริการข้อมูลภูมิสารสนเทศผ่านเครือข่ายอินเทอร์เน็ต พัฒนาดว้ ยภาษา Java จงึ สามารถใช้งานได้กบั ระบบปฏิบัติการทุกประเภท ไดแ้ ก่ Windows Linux และ UNIX มี เครื่องมืออำนวยความสะดวกให้กับผู้ดูแลระบบซึ่งจะสามารถกำหนดค่าต่างๆ ผ่านทางหน้าเว็บได้ มีการพัฒนา โมดูลจำนวนมากเพื่อรองรับรูปแบบข้อมูลที่หลากหลาย และได้พัฒนาเครื่องมือเพื่อสนับสนุนการให้บริการโดย รองรับมาตรฐานจากองค์กรความร่วมมือข้อมูลภูมิศาสตร์ระบบเปิด (Open Geospatial Consortium : OGC) ประกอบด้วย Web Map Service (WMS) และ Web Feature Service (WFS) คุณ ลักษณะที่สำคัญของ โปรแกรม GeoServer คือ สามารถสนับสนุนการใช้งานข้อมูลเวกเตอร์ของโปรแกรม PostGISArcSDE DB2 Oracle และรูปแบบข้อมูลประเภท Shapefile ได้ซึ่งสามารถแปลงค่าพิกัดได้อัตโนมตั ิในขณะที่ทำงานผ่าน WMS และ WFS โดยมีระบบพิกัดสนับสนุนมากกว่า 100 ระบบโดยระบบได้ถูกบันทึกไว้ในฐานข้อมูล EPSG ของ GeoServer ผลลพั ธ์ของภาพแผนทผี่ ่าน WMS สามารถสง่ ออกไดห้ ลายรูปแบบ ไฟล์ ไดแ้ ก่ GIF GeoRSS GeoTiff JPEG KML PDF PNG SVGและTiff ในส่วนข้อมลู เวกเตอร์ผ่าน WFS สนับสนนุ รูปแบบไฟล์ CSV GML GeoJSON KML และ shapefile 2) โปรแกรม VS Code เปน็ โปรแกรม Editor ท่ใี ช้เขียนโคด้ พัฒนาโดย Microsoft และเปดิ ให้ ใช้งานแบบ Open source รองรับการเขียน โค้ดหลายภาษาโปรแกรม เช่น C++ python JAVAJavaScript และ PHP เป็นต้น มีฟีเจอร์ที่เหมาะสมกับการพัฒนาโปรแกรม นอกจากน้ี Visual Studio Code ยังมีการจัดรูปแบบ โค้ดทำใหน้ ักพฒั นาสามารถพัฒนาโปรแกรมได้อย่างรวดเรว็ เกดิ ขอ้ ผดิ พลาดนอ้ ย มตี ัวชว่ ยทำใหร้ ้ตู าแหน่งของโค้ด ที่ผิดพลาดได้ง่าย และมี Extensions เพื่อให้สามารถเพิ่มเครื่องมือจากนักพัฒนาภายนอกเข้ามาใช้งานเพื่อให้ พัฒนาแอปพลเิ คชนั สะดวกรวดเรว็ ย่งิ ขึน้ 3) โปรแกรม PostgreSQL โปรแกรม PostgreSQL คือ ระบบจัดการฐานข้อมูล ที่สามารถ นำไปใช้งานได้โดยไม่มีค่าใช้จ่าย มีการพัฒนามาจาก POSTGRES 4.2 โดยมหาวิทยาลัยแคลิฟอร์เนีย ตั้งแต่ค.ศ. 1977 สามารถทำงานบนระบบปฏิบัติการไดท้ ั้ง Windows Linux และ UNIX (AIX BSD HPUX SGI Irix Mac OS X Solaris Tru64) ปัจจุบันโปรแกรม PostgreSQL ไม่อยู่ภายใต้การควบคุมขององค์กรใดโดยเฉพาะแต่มีผู้ร่วม พัฒนาจากทั่วโลกทำให้โปรแกรม PostgreSQL มีการปรับปรุงอย่างต่อเนื่อง โปรแกรม PostgreSQL เป็นระบบ จดั การฐานขอ้ มูลเชิงวตั ถสุ มั พนั ธ์ (objectrelational database management system :ORDBMS) คอื ผู้ใช้งาน สามารถใช้งานฐานข้อมูลด้วยการใช้คำถาม (query) เพื่อสืบค้นข้อมูลภายในฐานข้อมูลนั้นได้ โดยที่ผู้ใช้ไม่ จำเป็นต้องทราบถงึ โครงสร้างภายในของฐานข้อมูล ระบบสามารถใชร้ ูปแบบคำส่ังของภาษา SQL ได้เกือบทั้งหมด รวมถึงมีชนดิ ข้อมูลท่ีผู้ใช้กำหนดขนึ้ (user defined data type) รายงานความก้าวหนา้ การวิจัย (2 เดือน) Inception Report หนา้ | 34

โครงการประเมนิ พื้นทีเ่ ส่ียงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 4) โปรแกรม PostGIS เป็นส่วนขยายเพิ่มเติม (extensions) ที่ทำให้ระบบ PostgreSQL สามารถรองรับและบริหารจัดการข้อมูลสารสนเทศภูมิศาสตร์ได้ กล่าวคือ สนับสนุนข้อมูลที่มีความสัมพันธ์เชิง พื้นท่ี โดยการเพิ่มเติมจากส่วนฐานข้อมูลเชิงวัตถุสัมพันธ์ให้เป็นฐานข้อมูลเชิงพื้นท่ี มีรูปแบบการใช้งานตรงตาม มาตรฐานองค์กรความร่วมมือข้อมูลภูมิศาสตร์ระบบเปิด ระบบพิกัดของวัตถุเชิงพื้นที่จะถูกจัดเก็บไว้ในตาราง คุณลักษณะ (Feature tables) และในตารางคุณลักษณะหนึ่งรายการ สามารถมีเรขาคณิตได้เพียงหนึ่งประเภท (จุด เส้น รูปหลายเหลี่ยม) เท่านั้น ลักษณะการเก็บพิกัดของแต่ละออบเจ็กต์จะมีการเก็บไว้ในฟิลด์พิเศษรูปแบบ WKT (Well Known Text) นอกจากนี้ยังมี Metadata สำหรับแต่ละตารางคุณลักษณะเพื่อรวบรวมประเภทและ ระบบพิกัดของเรขาคณิต ซงึ่ จะถูกเกบ็ ไว้ในฟลิ ด์ Geometry 5) โปรแกรม Quantum GIS หรือนิยมเรียกว่า โปรแกรม QGIS คือ โปรแกรมเดสก์ท็อป GIS สำหรับจดั การข้อมลู ภูมิศาสตร์ สามารถนำไปใช้งานไดโ้ ดยไม่มีข้อจำกัด มีลักษณะการใช้งานผ่านสว่ นประสานงาน กับผู้ใช้(Graphic user interface) ทำใหส้ ามารถใชง้ านไดส้ ะดวก ท้งั ในการเรียกใชข้ ้อมูลภาพ ตาราง การแสดงผล ตารางและกราฟ ตลอดจนการสืบคน้ ข้อมูล วิเคราะห์ขอ้ มลู และนำเสนอข้อมูลในรปู แบบแผนทตี่ ามความต้องการ ได้ สามารถเรียกใช้และแก้ไขข้อมูลเวกเตอร์ แรสเตอร์ในรูปแบบที่เป็นมาตรฐานต่างๆ ได้มากมาย เช่น ESRI shapefile Mapinfo GeoTIFF JPEG และErdas Imagine Images เป็นต้น นอกจากนี้ยังสนับสนุนการวิเคราะห์ เชิงพื้นที่ (Spatial analysis) และการแสดงผล ข้อมูลเชิงตำแหน่งในรูปแบบของแผนที่ การสร้างและการแก้ไข ข้อมลู เชงิ ขอ้ มลู เชิงพ้นื ท่ี (Spatial data) และขอ้ มูลเชิงคุณลกั ษณะ (attribute data) สามารถจัดการข้อมูลได้ง่าย โดยใช้เครื่องมือตาม GUI ท่ีมอี ยู่ นอกจากนี้ ยังสามารถเชอื่ มต่อกับรูปแบบการจัดการฐานขอ้ มลู เชิงพน้ื ที่ (Spatial RDBMS) ได้ เชน่ PostgreSQL เป็นต้น 2.8.3 เทคโนโลยีและภาษาท่ใี ช้ในการพัฒนาแพลตฟอรม์ 1) ภาษา HTML ย่อมาจาก hypertext markup language เป็นภาษาคอมพิวเตอร์ประเภท markup language รูปแบบหนึ่ง ถือเป็นภาษาหลักที่ใช้ในการเขียนเว็บเพจ มีแม่แบบมาจากภาษาSGML (standard generalized markup language) โดยตัดความสามารถบางส่วนออกไป เพื่อให้สามารถทำความ เข้าใจและเรียนรูไ้ ด้ง่ายข้ึน HTML พัฒนาขึ้นเมื่อปี 1980 และได้รับการพัฒนาอยา่ งตอ่ เนื่อง โดยมีการพัฒนาและ กำหนดมาตรฐานจากองค์กร World Wide Web Consortium (W3C) คือ องค์กรระหว่างประเทศทำหน้าที่ จัดระบบมาตรฐานที่ใช้งานบนอินเทอร์เน็ต (WWW) ภาษา HTML มีโครงสร้างการเขียนที่ใช้ตัวกำกับ (tag) ควบคุมการแสดงผลของข้อความ รูปภาพ หรือวัตถุอื่นๆ ผ่านโปรแกรม เบราว์เซอร์ซึ่งถือเป็นลักษณะเฉพาะของ ภาษา HTML โดยแต่ละ tag อาจจะมีส่วนขยาย เรียกว่า attribute เพื่อระบุหรือควบคุมการแสดงผลสำหรับการ จัดรูปแบบของเว็บเพิ่มเติม ในการเรียกใช้งาน หรือทดสอบการทำงาน จะใช้โปรแกรม Internet Web Browser เช่น Microsoft edge Google Chrome และMozilla Firefox เปน็ ตน้ หน้า | 35 รายงานความก้าวหน้าการวิจัย (2 เดือน) Inception Report

2) ภาษา CSS ย่อมาจาก cascading style sheets มักเรียกโดยย่อว่า \"สไตล์ชีต\" ใช้สำหรับ จดั รปู แบบการแสดงผลเอกสารท่ีเขยี นจากภาษา HTML เป็นคำสัง่ ทีเ่ ขา้ มาเสริมการแสดงผลบนหน้าเว็บเพจ ได้แก่ สีของข้อความ สีพื้นหลัง สีเส้นขอบ ประเภทตัวอักษร และการจัดวางข้อความ มีมาตรฐานที่กำหนดโดยองค์กร World Wide Web Consortium (W3C) มีความสามารถและข้อดีต่างๆ คือ ช่วยลดการใช้ภาษา HTML ในการ ตกแต่งเอกสาร เพื่อให้เอกสาร HTML เข้าใจง่ายขึ้น ไม่ซับซ้อน แก้ไขง่าย สามารถใช้ style sheets ชุดเดียว แสดงผลให้ทั้งหน้าเพจที่มีการใชง้ าน CSS เหมือนกันได้ ช่วยให้การปรับปรุงเวบ็ เพจในส่วนของการแสดงผลทำได้ อยา่ งรวดเรว็ สามารถใช้งานไดห้ ลากหลายเวบ็ เบราว์เซอร์และสามารถกำหนดให้แยกออกจากไฟล์เอกสาร HTML สามารถนำมาใช้ร่วมกบั เอกสารหลายไฟล์ได้ 3) ภาษา JavaScript คือ ภาษาคอมพิวเตอร์สำหรับเขียนโปรแกรมบนระบบอินเทอร์เน็ต เพ่ือ เพิ่มความสามารถให้กับเว็บเพจ ช่วยให้เว็บเพจมีความเคลื่อนไหว และสามารถโต้ตอบกับผู้ใช้งานได้มากขึ้น เช่น การใชเ้ ม้าสค์ ลิก การกรอกแบบฟอร์ม เป็นตน้ ไดร้ ับการพัฒนาขึน้ โดยบริษัท Netscape เพื่อเพิ่มลูกเล่นให้กับเว็บ เพจบนเบราว์เซอร์ JavaScript เป็นภาษาประเภท Interpreter language คือ คอมพิวเตอร์จะแปลความและ ทำงานตามคำสั่งแบบทีละคำสัง่ โดยมีลักษณะการทำงานสนับสนุนการเขียนโปรแกรมเชงิ วัตถุ (object-oriented programming: OOP) ที่มีเป้าหมายเพื่อออกแบบและพัฒนาโปรแกรมในระบบอินเทอร์เน็ต ช่วยให้ผู้เขียนภาษา HTML สามารถทำงานข้ามแพลตฟอร์มได้ และสามารถทำงานร่วมกับภาษา HTML ได้ทั้งทางฝั่งไคลเอนต์และฝ่ัง JavaScript เป็นเทคโนโลยีที่สคริปต์ทำงานบนฝั่งไคลเอนต์ (client side script) ซึ่งจะประมวลผลบนเครื่อง คอมพิวเตอร์ของผู้ใช้ผ่านการทำงานบนเว็บเบราว์เซอร์ซึ่งเว็บเบราว์เซอร์ได้ทำการรวมภาษา JavaScript และ ออบเจ็กต์ต่างๆ เตรียมไว้ให้แล้ว ทำให้ไม่ต้องมีการประมวลผลบนเครื่องเว็บเซิร์ฟเวอร์ซึ่งจะช่วยให้การทำงานได้ รวดเร็ว เทคนิคการเขียนแบบ client side script นี้ทำให้สามารถสร้างเว็บเพจแบบไดนามิกได้ คือ เว็บเพจ สามารถเปล่ยี นแปลงไปตามเหตกุ ารณ์ต่างๆ ไดเ้ ปน็ อย่างดี 4) Flutter เป็น Open-source ฬนการพัฒนา SDK สรา้ งขนึ้ โดย Google เพอื่ ใชใ้ นการพฒั นา โปรแกรมประยุกต์สำหรับ Android และ IOS ภาษาที่ใช้คือภาษา Dart โดย Flutter จะมี Component พื้นฐาน สำหรับการใชง้ านในการพัฒนาโมบายแอปพลเิ คชนั (Mobile Application) 5) Node.JS เปน็ การเขียนโปรแกรมเซริ ์ฟเวอร์โดยใชภ้ าษา JavaScript มีประสทิ ธภิ าพในเรื่อง การประมวลผล และสามารถติดตั้งได้ง่าย พร้อมมีโมดูลต่าง ๆ ให้ใช้งานได้มากมาย ซึ่งในปัจจุบันการรับส่งข้อมูล ระหว่างเว็บแอปพลิเคชันกับโปรแกรมต่าง ๆ นั้น จะต้องใช้ API หรือ Application Programming Interface เป็นตัวกลางเพื่อให้รับส่งหรือเชื่อมต่อถึงกัน ซึ่ง API ดังกล่าวนั้นมีหลากหลายเครื่องมือ แต่เครื่องมือที่นิยมใช้กัน มากคือ Node.JSเนอ่ื งจาก Node.js มกี ารประมวลผลอย่างรวดเรว็ ในปัจจบุ ัน Node.js ถกู นำมาพฒั นาเปน็ Web Server, IOT รายงานความกา้ วหน้าการวิจัย (2 เดือน) Inception Report หนา้ | 36

โครงการประเมนิ พืน้ ทเ่ี สี่ยงภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 6) REST (Representational State Transfer) รูปแบบการส่งข้อมูลของ REST ระหว่าง Server-Client เป็นรูปแบบหนึ่งซึ่งอยู่บนพื้นฐาน ของ HTTP Protocol เป็นการสร้าง Web Service เพื่อ แลกเปลี่ยนข้อมลู กนั ผา่ นApplication วธิ ีหนึง่ ซง่ึ สง่ ข้อมูลไดห้ ลายชนดิ ไมว่ า่ จะเปน็ Text XML JSON หรือส่งมา เป็นหน้า HTMLแต่ส่วนใหญ่แล้วจะเลือกชนิด JSON มากกว่าเนื่องจากรองรับได้ทั้งหลายรูปแบบไม่ว่าจะเป็น Browser หรือ Mobile และยังสามารถใช้งานร่วมกับ Web Service ประเภทอื่นๆได้เพียงแค่ทราบ URL ก็ สามารถแลกเปลี่ยนข้อมูลกันได้ รวมถึงจัดการข้อมูลง่ายกว่า เพียงแค่รับข้อมูลมาจากนั้นนำข้อมูลไปแสดงผลใน เรื่องตา่ ง ๆ หน้า | 37 รายงานความก้าวหนา้ การวจิ ยั (2 เดอื น) Inception Report

2.9 งานวจิ ัยทเ่ี กี่ยวข้อง Willibroad, 2019 ได้ทำการศึกษาความแห้งแล้งเชิงพื้นที่รอบสภาพแวดล้อมของทะเลสาบ ประเทศ แอฟรกิ า เนือ่ งจากประชากรโลกเพมิ่ ข้ึนเรื่อย ๆ และมีการเพาะปลูกมากขึ้น การสกดั สภาพพืชพันธุ์โดยใช้การรับรู้ จากระยะไกลมีความสำคัญในการติดตามการเปลี่ยนแปลงของที่ดินในพื้นที่ที่มีการสังเกตการณ์ภาคพื้นดิน แหล่ง น้ำในพืน้ ที่ชุม่ นำ้ ส่งผลโดยตรงตอ่ การเจริญเติบโตของพืชและความหลากหลายทางชวี ภาพ การเฝ้าระวังภัยแล้งจึง เป็นสิ่งที่สำคัญในพ้ืนที่ดังกล่าว โดยใช้ดัชนี (Vegetation Temperature Condition Index : VTCI) จากภาพ ดาวเทียม Landsat ประเมินความแห้งแล้งโดยใช้ค่าอุณหภูมิพื้นผิวที่ดิน (Land Surface Temperature : LST) และดัชนีความแตกต่างของพืชพรรณ (Normalized Difference Vegetation Index : NDVI) ประเมินความ ถูกต้องโดยการหาค่าความถูกต้องรวม (Overall Accuracy : OA) จากข้อมูลดาวเทียมเปรียบเทียบข้อมูล ภาคสนาม มคี า่ ความถูกต้องร้อยละ 90 และคา่ ดัชนแี คปปา เทา่ กบั 0.8 Rajalakshmii 2013 แบบจำลองภูมิอากาศระดับภูมิภาค (RCM) ซึ่งส่วนใหญ่ใช้ในการศึกษาการ เปลี่ยนแปลงสภาพภูมิอากาศรวมไปถึงการทำนายฤดูกาล ซึ่งแบบจำลอง RegCM เป็นแบบจำลองหนึ่งที่เป็น แบบจำลองภูมอิ ากาศระดบั ภูมิภาคที่ถูกพัฒนาขึ้นจากสถาบัน International Centre for Theoretical Physics (ICPT) ซึง่ การศกึ ษาแบบจำลอง RegCM ได้มกี ารศึกษามาอย่างต่อเนื่องซึ่งในการศึกษาน้ีได้เปรยี บเทียบใหเ้ ห็นการ พัฒนาแบบจำลองจาก RegCM เวอร์ชัน 3 และ เวอรช์ ัน 4 ท่คี วามละเอียดเชิงพน้ื ทีท่ ่ี 25 กิโลเมตร จากการศึกษา พบว่าแบบจำลองเวอร์ชันที่ 4 ให้ค่าการประมาณการที่เพิ่มขี้นของอุณหภูมิสูงสุด อุณหภูมิต่ำสุด ปริมาณน้ำฝน สำหรับค่าความชื้นสัมพัทธ์เพิ่มขี้นเล็กน้อย และการแผ่รังสีแสงอาทิตย์และความเร็วลมลดลงเมื่อเปรียบเทียบกับ เวอร์ชนั ที่ 3 Phan Van, 2014 ไดท้ ำการศึกษาและตรวจสอบความสามารถในการคาดการณ์สภาพอากาศตามฤดูกาล แบบพลวัต (Dynamic Model) ที่บริเวณประเทศเวียดนามผ่านแบบจำลองการพยากรณ์ระดับภูมิภาคหรือ RegCM ที่เวอร์ชัน 4.2 โดยใช้ในการคาดการณ์อุณหภูมิอากาศเฉลี่ย 2 เมตร (T2) อุณหภูมิสูงสุด (Tx) และต่ำสุด (Tn) ในชว่ งเดอื นมกราคม 2012 ถงึ พฤศจกิ ายน 2013 โดยใชเ้ งอื่ นไขเร่ิมตน้ และเงื่อนไขค่าขอบจากข้อมลู NCEP Climate Forecast System (CFS) ซึ่งงานวิจัยจะใช้ผลที่ได้จากแบบจำลองมาทำการวิเคราะห์ค่าอุณหภูมิท่ี บริเวณประเทศเวียดนาม ทั้งนี้ในกรณีของการคาดการณ์ล่วงหน้าตั้งแต่ปัจจบุ ันไปถึงหกเดือนข้างหน้า ผลการวิจัย ในเชิงเทคนิคพบว่าการปรับแก้ผลจากการปรับแก้ผลพยากรณ์ผ่านกระบวนการปรับแก้ (Bias Correction) จะค่า ของอุณหภูมิท่ีคาดการณด์ กี วา่ ไม่ผา่ นกระบวนการปรบั แก้ (Bias Correcrtion) Arini 2015 ได้ทดสอบประสทิ ธภิ าพของแบบจำลอง RegCM เวอรช์ นั ที่ 4 ในการจำลองปริมาณนำ้ ฝนโดย ทำการเปรยี บเทียบกบั ขอ้ มูลสังเกต APHRODITE และ CRU ในระยะเวลาการจำลองนาน 19 ปี ตั้งแตป่ ี 1982 ถึง ปี 2000 ที่บริเวณเกาะกาลิมันตัน ประเทศอินโดนีเซีย จากการศึกษาและการวิเคราะห์ผ่านกระบวนการทางสถิติ คำนวณด้วยวิธี Maximum Dry Spell Length (MDSL) และ Probability Distribution Function (PDF) พบว่า รายงานความกา้ วหน้าการวิจยั (2 เดือน) Inception Report หน้า | 38