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

โครงการประเมินพ้ืนท่เี สย่ี งภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะท่ี 2 สารบญั เน้อื หา คำนำ..............................................................................................................................................................ก สารบัญ ..........................................................................................................................................................ข สารบัญตาราง ................................................................................................................................................ ง สารบัญภาพ ...................................................................................................................................................จ คำอธบิ ายสญั ลกั ษณแ์ ละคำย่อท่ใี ช้ในการวิจัย ................................................................................................ช 1. บทนำ ........................................................................................................................................................1 1.1 ความสำคัญและที่มาของปญั หา..........................................................................................................................1 1.2 วตั ถุประสงค์ของโครงการวิจัย ...........................................................................................................................2 1.3 ประโยชนท์ ไ่ี ดร้ บั ..........................................................................................................................................2 1.4 หน่วยงานทนี่ ำผลงานวิจยั ไปใช้ประโยชน์................................................................................................................3 2. ทบทวนวรรณกรรมท่เี กยี่ วข้อง...................................................................................................................4 2.1 นยิ ามความหมายเก่ยี วกับภยั แล้ง ........................................................................................................................4 2.2 ดาวเทียมท่ีมศี ักยภาพในการประเมินภัยแลง้ .............................................................................................................5 2.3 การศกึ ษาดชั นภี ัยแลง้ ....................................................................................................................................9 2.4 การศกึ ษาดชั นีความเสยี หายของพชื เกษตรรายแปลง.................................................................................................. 16 2.5 เทคโนโลยี Machine Learning : ML ................................................................................................................. 24 2.6 การพยากรณ์การเกดิ ภยั แลง้ ........................................................................................................................... 30 2.7 การประเมนิ ความถูกตอ้ งของแบบจำลอง .............................................................................................................. 31 2.8 การพฒั นาแพลตฟอรม์ ................................................................................................................................. 33 2.9 งานวิจยั ท่เี กย่ี วข้อง..................................................................................................................................... 38 3. ระเบียบวธิ วี ิจัย ........................................................................................................................................41 3.1 ขอบเขตการวจิ ัย........................................................................................................................................ 41 3.2 รายละเอยี ดของขนั้ ตอนการดำเนินงานจริงตามแผนการดำเนินงาน................................................................................... 41 3.2.1 การปรับปรงุ แบบจำลองดชั นีประเมินพนื้ ท่เี สีย่ งภยั แล้ง...........................................................41 3.2.2 การปรบั ปรุงแบบจำลองการประเมินความเสียหายของพชื เกษตรรายแปลง.......................................43 3.2.3 การพัฒนาแบบจำลองการพยากรณ์พนื้ ทเ่ี สย่ี งภัยแล้ง.............................................................46 รายงานความกา้ วหน้าการวิจัย (2 เดอื น) Inception Report หนา้ | ข

โครงการประเมนิ พื้นท่เี สีย่ งภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ระยะที่ 2 3.2.4 การปรุงปรุงและพัฒนาแพลตฟอรม์ ..............................................................................47 3.2.5 การติดตามประเมนิ ผล ขบั เคลอ่ื นและส่งเสรมิ การใชง้ านแพลตฟอรม์ ............................................52 4. สรุปความกา้ วหนา้ ผลการวิจัย .................................................................................................................53 4.1 การปรบั ปรุงแบบจำลองดชั นีพื้นท่เี สยี่ งภยั แล้ง ........................................................................................................ 53 4.2 การปรบั ปรงุ แบบจำลองการประเมนิ ความเสียหายของพชื เกษตรรายแปลง .......................................................................... 56 4.3 การพัฒนาแบบจำลองการพยากรณ์พนื้ ทเ่ี สี่ยงภยั แลง้ ................................................................................................. 63 4.4 การปรับปรุงและพฒั นาแพลตฟอรม์ ................................................................................................................... 70 5. อภปิ รายและวจิ ารณ์ผล ..........................................................................................................................73 5.1 การปรบั ปรุงแบบจำลองดัชนพี ้ืนทีเ่ สย่ี งภยั แลง้ ........................................................................................................ 73 5.2 การปรบั ปรงุ แบบจำลองการประเมินความเสยี หายของพืชเกษตรรายแปลง .......................................................................... 73 5.3 การพฒั นาแบบจำลองการพยากรณ์พ้ืนท่ีเสยี่ งภยั แลง้ ................................................................................................. 73 5.4 การปรบั ปรงุ และพัฒนาแพลตฟอรม์ ................................................................................................................... 74 6. ข้อเสนอแนะ...........................................................................................................................................75 7. บรรณานุกรม (Bibliography).............................................................................................................76 8. รายละเอียดนักวิจัย...............................................................................................................................81 หนา้ | ค รายงานความก้าวหนา้ การวจิ ัย (2 เดือน) Inception Report

โครงการประเมนิ พ้ืนที่เสยี่ งภยั แล้งและความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 สารบัญตาราง ตารางท่ี 2- 1 ดชั นคี วามแหง้ แล้งทน่ี ิยมใช้ในระบบตดิ ตามและรายงานผล......................................................... 14 ตารางท่ี 2- 2 MULTISPECTRAL INDEX ท่ีวเิ คราะห์ไดจ้ ากข้อมลู ดาวเทียม SENTINEL-2 ............................... 16 ตารางที่ 3- 1 เครื่องมอทใ่ี ชใ้ นการพฒั นาระบบ................................................................................................. 50 ตารางท่ี 4- 1 สรปุ จำนวนแปลงเกษตรกรที่ประสบภยั แล้ง แยกรายพชื ในพืน้ ท่ี 9 จงั หวัด ................................ 56 ตารางท่ี 4- 2 แสดงข้อมลู บรรยากาศจาก CSFV2 สำหรับแบบจำลอง REGCM ................................................ 64 ตารางท่ี 4- 4 แสดงตวั แปรพารามิเตอร์ในแบบจำลอง REGCM......................................................................... 65 ตารางท่ี 4- 5 แสดงตัวแปรพารามเิ ตอร์ในแบบจำลอง REGCM......................................................................... 68 รายงานความก้าวหน้าการวิจยั (2 เดอื น) 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 .................................................... 42 รปู ที่ 3- 2 การพฒั นา/ ปรบั ปรุงแบบจำลองในการประเมินความเสยี หายของพชื เกษตรรายแปลง..................... 44 รูปท่ี 3- 3 กระบวนการตรวจสอบความถกู ต้องของการประเมินแปลงเกษตรของพืชที่คาดว่าจะได้รับความเสียหาย..45 รูปที่ 3- 4 กระบวนการตรวจสอบความเสียหายของพืช ด้วยอปุ กรณ์ DRONE.................................................... 45 รูปท่ี 3- 4 REGCM VERSION 5 MODELLING SYSTEM FLOW CHART ........................................................ 46 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 ................................................................................................................... 49 หนา้ | จ รายงานความกา้ วหนา้ การวิจัย (2 เดอื น) Inception Report

โครงการประเมินพืน้ ที่เส่ยี งภัยแล้งและความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะท่ี 2 รปู ที่ 3- 6 การตดิ ตามประเมินผล ขับเคล่ือนและสง่ เสรมิ การใช้งานแพลตฟอร์ม ใหก้ บั ทุกภาคส่วน ตาม หลกั เกณฑ์การให้ความชว่ ยเหลือผู้ประสบภยั พิบัติด้านการเกษตร ................................................... 52 รปู ที่ 4- 1 ตวั อย่างข้อมลู นำ้ ฝนรายเดือน ปี พ.ศ.2565 จากดาวเทียม CHRIPS ................................................. 53 รปู ท่ี 4- 2 ตัวอยา่ งข้อมลู SSM จากดาวเทยี ม SMAP ความละเอียด 1X1 กโิ ลเมตร.......................................... 53 รปู ที่ 4- 3 ตัวอย่างการวเิ คราะห์ดชั นีภยั แล้งจากดาวเทยี ม SUOMI NPP และดาวเทยี ม NOAA สปั ดาห์ที่ 1 -4 ของปี พ.ศ.2565 .............................................................................................................................. 54 รูปท่ี 4- 4 ข้อมลู ปัจจยั ทางกายภาพท่เี กย่ี วข้องกับการประเมนิ พนื้ ที่เสย่ี งภัยแลง้ ............................................... 55 รูปที่ 4- 5 ขอ้ มลู แปลง กษ.02 ทเ่ี สยี หายจากภยั แลง้ ......................................................................................... 57 รูปที่ 4- 6 แสดงคา่ ดชั นี NDVI ระดบั รายแปลง จากดาวเทียม SENTINEL-2............................................................. 58 รูปที่ 4- 7 ตวั อย่างข้อมูลดัชนี NDWI ระดับรายแปลง จากดาวเทียม SENTINEL-2............................................. 58 รูปที่ 4- 8 ตวั อยา่ งข้อมูลดชั นี CI ระดบั รายแปลง จากดาวเทียม SENTINEL-2.................................................... 59 รูปท่ี 4- 9 ตัวอย่างข้อมูลดชั นี NDWI ระดับรายแปลง จากดาวเทียม SENTINEL-2............................................. 59 รูปท่ี 4- 10 ตวั อย่างข้อมูลดัชนี MNDWI ระดับรายแปลง จากดาวเทียม SENTINEL-2 ...................................... 60 รปู ท่ี 4- 11 ตัวอยา่ งข้อมูลดัชนี SIWSI ระดบั รายแปลง จากดาวเทียม SENTINEL-2........................................... 60 รูปท่ี 4- 12 ตัวอย่างข้อมลู ดัชนี IPVI ระดับรายแปลง จากดาวเทียม SENTINEL-2 .............................................. 61 รูปท่ี 4- 13 ตัวอยา่ งข้อมลู ดัชนี MCARI ระดับรายแปลง จากดาวเทียม SENTINEL-2 ......................................... 61 รูปที่ 4- 14 ตัวอยา่ งข้อมลู ดัชนี NDRE ระดับรายแปลง จากดาวเทียม SENTINEL-2........................................... 62 รูปท่ี 4- 15 ตัวอย่างข้อมลู ดัชนี EVI ระดับรายแปลง จากดาวเทียม SENTINEL-2 ............................................... 62 รปู ท่ี 4- 16 แสดงขอบเขตพื้นทีศ่ ึกษาของแบบจำลองพยากรณร์ ะดับภูมิภาค REGCM ท่ใี ชใ้ นการศึกษานี้ ........ 63 รปู ที่ 4- 17 แสดงแผนผังโดยสรุปของแบบจำลอง REGCM ทใ่ี ชใ้ นการศึกษานี้.................................................. 67 รปู ท่ี 4- 18 แสดงตัวอย่างผลการพยากรณ์ปริมาณน้ำฝนรายเดอื นจากแบบจำลอง REGCM เวอร์ชนั 5 ของเดือน มิถุนายน กรกฎาคม สงิ หาคม และ กนั ยายน 2023 ...................................................................... 69 รปู ท่ี 4- 19 สว่ นหนา้ หลักเว็บแอปพลเิ คชัน (WEB APPLICATION)................................................................... 71 รูปท่ี 4- 20 สว่ นหนา้ หลักเวบ็ แอปพลเิ คชนั (WEB APPLICATION)................................................................... 72 รายงานความก้าวหนา้ การวจิ ัย (2 เดอื น) 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

โครงการประเมนิ พ้ืนทีเ่ ส่ียงภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 คำยอ่ Name คำอธบิ าย NDRE Normalized Difference Red-Edge Index ดชั นคี วามตา่ งของพืชพรรณช่วงคลน่ื Red-Edge NDWI Normalized Difference Water Index ดชั นีความตา่ งความชน้ื ของน้ำ NDMI Normalized Difference Moisture Index ดชั นีความต่างความชน้ื SIWSI Shortwave Infrared Water Stress Index ดัชนคี วามเครียดของพืชช่วงคลื่น SWIR IPVI Infrared percentage vegetation index อินฟราเรดเปอร์เซ็นต์ดชั นพี ืชพรรณ MCARI Modified Chlorophyll Absorption in Reflectance Index รายงานความกา้ วหนา้ การวจิ ัย (2 เดอื น) Inception Report หน้า | ซ

โครงการประเมินพื้นท่เี สีย่ งภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 รายงานแผนและผลการดำเนนิ การวจิ ยั และรายงานการใชเ้ งนิ 1. ตารางเปรยี บเทยี บผลการดำเนินงานกับแผนการดำเนินการท่ีตงั้ 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 ม.ี ค เม.ย. ดำเนนิ งาน ผลสำเร็จ 1. การพัฒนา/ ปรบั ปรุง แบบจำลองการประเมินพืน้ ที่ แหง้ แลง้ และความเสยี หายของ พืช 1.1 ศึกษาและรวบรวม ภาพถา่ ยจากดาวเทียมและ ขอ้ มูลทเี่ กย่ี วขอ้ ง 1.2 การสอบเทียบค่าความชืน้ ในดนิ และพ้นื ที่ภยั แลง้ ทไ่ี ดจ้ าก แบบจำลองในพ้นื ที่ 9 จงั หวัด เป้าหมาย 1.3 การสำรวจพ้ืนท่ีจรงิ เพ่อื การยืนยนั และเปรยี บเทยี บผล ความเสยี หายของพืชที่ได้จาก แบบจำลองในพ้นื ท่ี 9 จังหวดั เป้าหมาย 1.4 นำผลการสำรวจข้อมลู ภาคสนามมาสอบเทยี บและ ปรบั ปรุงแบบจำลอง 2. การพัฒนาแบบจำลอง พยากรณ์พืน้ ที่เสีย่ งภัยแล้ง 2.1 การหาความสมั พันธ์ของ ดัชนพี ้ืนทีแ่ หง้ แลง้ (DRI) กบั พารามิเตอรด์ า้ นสภาพอากาศ 2.2 การพฒั นาระบบ แบบจำลองบรรยากาศ (Regional Climate Model) หน้า | ฌ รายงานความกา้ วหนา้ การวิจัย (2 เดอื น) Inception Report

โครงการประเมนิ พ้นื ทเ่ี สยี่ งภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 กิจกรรม 2566 2567 ผลการ ร้อยละ เม.ย พ.ค ม.ิ ย ก.ค ส.ค ก.ย ต.ค พ.ย ธ.ค ม.ค ก.พ มี.ค เม.ย. ดำเนนิ งาน ผลสำเรจ็ 2.3 การพัฒนาแบบจำลองการ พยากรณพ์ น้ื ทเ่ี สย่ี งภยั แลง้ 3. การขบั เคลื่อนสง่ เสริมการ ใชง้ านในท้ังหนว่ ยงาน ส่วนกลางและระดับพื้นท่ี พร้อมรับฟังความคิดเห็น เพ่อื การขยายพ้ืนที่ในวงกว้าง ครอบคลุมพน้ื ทภ่ี ยั แล้ง เปา้ หมาย 900 คน 3.1 การติดตามและ ประเมนิ ผล 3.2 การพฒั นา/ปรับปรุง แพลตฟอรม์ สนับสนุนการ ตดั สินใจ หมายเหตุ: ให้ระบเุ ดือนทเี่ ร่ิมดำเนินการวิจยั ตามสัญญารบั ทุน หมายถึง งานหรือกจิ กรรมท่ีวางแผนไว้วา่ จะทำตามข้อเสนอโครงการ หมายถงึ งานหรือกิจกรรมท่ีได้ทำแล้ว 2. งบประมาณท่ไี ด้ใช้จ่ายไปแล้วนับตัง้ แตเ่ ร่มิ โครงการ หมวดรายการงบประมาณ งบประมาณ (บาท) หมายเหตุ ทไ่ี ด้รบั อนุมัติ ใชจ้ ริง คงเหลอื 2.1 งบบุคลากร (ค่าตอบแทนนกั วจิ ยั ) 80,000 0 80,000 2.2 งบดำเนนิ งาน (ค่าตอบเทน, ค่าใช้ 6,711,600 12,180 6,699,420 สอย, ค่าวัสดุ) 2.3 งบลงทุน (คา่ ครุภัณฑ)์ 500,000 0 500,000 2.4 ค่าธรรมเนยี มอุดหนนุ สถาบนั 720,400 0 720,400 รวมท้ังส้ิน 8,012,000 0 7,999,820 รายงานความก้าวหนา้ การวิจยั (2 เดือน) 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

โครงการประเมนิ พื้นทเ่ี สยี่ งภัยแลง้ และความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะท่ี 2 1.2 วตั ถุประสงค์ของโครงการวจิ ัย 1.2.1 เพือ่ พฒั นาและปรบั ปรุงแบบจำลองการประเมินพ้นื ท่ีแห้งแล้งและความเสียหายของพืชต่อเนอื่ งจาก ผลการวจิ ยั ในปที ่ี 1 1.2.2 เพอื่ พฒั นาแบบจำลองพยากรณพ์ น้ื ทีเ่ สีย่ งภัยแลง้ 1.2.3 เพื่อขบั เคลื่อน ส่งเสรมิ การใช้งานในทงั้ หน่วยงานสว่ นกลางและระดบั พนื้ ที่ 1.3 ประโยชน์ทไ่ี ด้รับ ด้านวิชาการ สามารถต่อยอดงานวิจัย ข้อมูลแบบจำลองดัชนีภัยแล้ง แบบจำลองความเสียหายของพืช เกษตรรายแปลง และแบบจำลองการคาดการณ์พื้นที่ภัยแล้ง ในการประยุกต์ใช้เทคโนโลยีขั้นสูง เพื่อนำไปสู่การ ขยายผลให้เกดิ ประโยชนใ์ นการปฏบิ ัตงิ านในพน้ื ที่จรงิ และสามารถขยายผลไปยงั พืน้ ท่อี ืน่ ๆ ได้ ด้านสังคม เกษตรกรสามารถเข้าถึงเทคโนโลยี เพื่อตรียมความพร้อม รับมือและปรับตัว เพื่อลดผลกระทบ ลดความเสยี หายไดท้ ันต่อสถานการณ์ ด้านนโยบาย 1) กระทรวงเกษตรและสหกรณ์ ใชร้ ะบบสนับสนุนการตัดสินใจในการออกมาตรการการช่วยเหลือเกษตรกรท่ีไดค้ วามเสียหายของพชื ที่เ พาะปลูกจากภยั แลง้ 2) สำนกั งานทรัพยากรนำ้ แหง่ ชาติ มีระบบสนับสนนุ การตดั สนิ ใจในการกำหนดนโยบายการบรหิ ารจัดการ ทรพั ยากรน้ำ รวมถงึ มาตรการเพือ่ รองรับภยั แล้ง 3) กรมชลประทาน มีเครื่องมือชว่ ยสนับสนุนการตดั สนิ ใจในการวางแผนการสง่ น้ำ หรือการสรา้ งพน้ื ที่กัก เกบ็ นำ้ เพ่ือแกไ้ ขปัญหาในระยะยาว 4) กรมสง่ เสรมิ การเกษตร ใช้ระบบสนบั สนุนการตดั สนิ ใจในการลดภาวะดา้ นกำลงั คนและระยะเวลาใน การตรวจสอบ ยืนยันความเสียหายของพืชในพื้นที่จรงิ 5) สำนักงานพฒั นาเทคโนโลยอี วกาศและภูมสิ ารสนเทศไดส้ ่งเสรมิ คุณคา่ ในการใชเ้ ทคโนโลยแี ละ นวตั กรรมเชิงพนื้ ท่ีในการบริหารจัดการภยั แล้งในพ้ืนทเี่ กษตรให้เกิดประสิทธิภาพมากข้ึนและรองรับ การใช้ประโยชน์ในระยะยาวภายใตโ้ ครงการ THEOS-2 รายงานความก้าวหนา้ การวิจัย (2 เดอื น) Inception Report หนา้ | 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

โครงการประเมนิ พน้ื ทีเ่ ส่ียงภัยแลง้ และความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 2. ทบทวนวรรณกรรมทเี่ ก่ียวขอ้ ง 2.1 นิยามความหมายเก่ียวกับภัยแลง้ ภัยแล้งในประเทศไทยส่วนใหญ่เกิดจากฝนแล้งและฝนทิ้งช่วง โดยสภาวะฝนแล้งคือภาวะที่ปริมาณฝนตกมี น้อยกว่าปกติ หรือไม่ตกตามฤดูกาล ส่งผลให้เกิดภัยแล้งในรอบปีได้สองช่วง คือ (1) ภัยแล้งช่วงฤดูหนาวต่อเนื่อง ฤดูร้อน (ครึ่งหลังของเดือนตุลาคมถึงกลางเดือนพฤษภาคม) มักเกิดภัยแล้งได้ในบริเวณประเทศไทยตอนบน (ภาคเหนือ ภาคตะวันออกเฉียงเหนือ) และบางส่วนของภาคกลางและภาคตะวันออก โดยมีปริมาณฝนลดลงเป็น ลำดับจนกว่าจะเข้าสู่ฤดูฝนในช่วงกลางเดือนพฤษภาคมของปีถัดไป ภัยแล้งลักษณะนี้เกิดขึ้นเป็นประจำทุกปี (2) ภัยแล้งช่วงกลางฤดูฝน (ปลายเดือนมิถุนายนถึงเดือนกรกฎาคม) เป็นกรณีของฝนทิ้งช่วง มักเป็นเหตุการณ์ที่เกิด เฉพาะถ่นิ กล่าวคือเกิดได้ในบางบริเวณ แต่บางปีกอ็ าจเกิดครอบคลุมพนื้ ท่ีกวา้ งขวางได้เช่นกัน ลักษณะความแห้ง แล้งรูปแบบนี้มักเกิดเด่นชัดในภาคตะวันออกเฉียงเหนือ ปัจจุบันภาวะฝนแล้งและฝนทิ้งช่วงมีแนวโน้มรุนแรงข้ึน สันนิษฐานกันว่ามีสาเหตุมาจากการเปลี่ยนแปลงสภาวะภูมิอากาศโลก ความเสียหายจากภัยแล้งจัดเป็นภัยพิบัติ ทางธรรมชาติที่เรียกกันว่า ภัยแล้ง อันเป็นภัยทีค่ ุกคามชีวติ และทรัพย์สนิ ของประชาชนและสามารถส่งผลกระทบ ต่อเศรษฐกิจโดยรวมของประเทศได้ โดยเฉพาะอยา่ งยิง่ ในภาคการเกษตรและภาคเศรษฐกิจที่เก่ยี วขอ้ ง ความหมายของความแหง้ แลง้ มกี ารให้คำนยิ ามท่ีตา่ งกนั ดังน้ี 2.1.1 ความแห้งแล้งทางอุตุนิยมวิทยา (Meteorological Drought) เป็นความแห้งแล้งที่เกิดจากฝนท้ิง ชว่ ง หรือมฝี นน้อยกวา่ ระดบั ท่ีกำหนด (Threshold) โดยชว่ งท่เี กิดความแห้งแล้งสามารถพจิ ารณาจากจำนวนวันที่ ฝนตกนอ้ ยกว่าระดับท่ีกำหนดความแห้งแล้งเชิงอุตนุ ิยมวิทยาเป็นจุดเริ่มต้นของปัญหาความแห้งแล้งในลักษณะอ่ืน ๆ ท่ีจะเกิดข้ึนตามมาได้ 2.1.2 ความแห้งแล้งทางการเกษตร (Agricultural Drought) เป็นความแห้งแล้งที่เป็นผลกระทบต่อ เนื่องมาจากความแห้งแล้งทางอุตุนิยมวิทยา เป็นการพิจารณาการทิ้งช่วงของฝนที่ทำให้ดิน ขาดความชุ่มชื้นจน ส่งผลกระทบต่อพชื ทางการเกษตรบางชนิด ทง้ั นี้เพราะพชื มีความทนทาน ตอ่ สภาพความแปรปรวนของภูมิอากาศ ไดต้ า่ งกัน ความตอ้ งการน้ำและช่วงอายุของพืชก็ ตอบสนองตอ่ ความแห้งแล้งแตกตา่ งกนั หากความแหง้ แล้งมีมาก จนสงผลกระทบต่อผลผลติ ทางการเกษตรจนเกดิ ความเสยี หายท่กี ว้างขวางกถ็ ือว่าเปน็ ภยั แล้งได้ 2.1.3 ความแห้งแล้งทางอุทกวิทยา (Hydrological Drought) เป็นความแห้งแล้งที่เกิดจากการท่ี ช่วง ฤดูกาลมีปริมาณฝนน้อยหรือไม่มีฝนกว่าเกณฑป์ กติ ทำให้ระดับนำ้ ผวิ ดินทีอ่ ยู่ในแม่น้ำ อ่างเก็บน้ำ ทะเลสาบ และ น้ำใต้ดิน (น้ำบาดาล) ลดระดับลง นอกจากนี้อาจมีปัจจยั อืน่ ร่วม เป็นสาเหตุให้เกิดความแห้งแลง้ ทางดา้ นนี้ได้ด้วย เช่น การเปลี่ยนแปลงการใช้ที่ดินบริเวณ พื้นที่ต้นน้ำที่ส่งผลต่อพื้นที่ท้ายน้ำ ความแห้งแล้งทางอุทกวิทยามัก พิจารณาในระดับลุ่มน้ำ โดยความแห้งแล้งรูปแบบนี้จะเกิดขึ้นอย่างช้าๆ ต่างจากความแห้งแล้งทางอุตุนิยมวิทยา และความแห้งแลง้ ทางการเกษตร และระดบั ความรนุ แรงของปญั หากเ็ ป็นสง่ิ ที่ประเมนิ ไดย้ าก รายงานความก้าวหน้าการวจิ ยั (2 เดือน) Inception Report หน้า | 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

โครงการประเมนิ พน้ื ท่เี สีย่ งภยั แลง้ และความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 การผลิตข้อมูล CHIRPS ร่วมกับสถานีตรวจวัด ทั้งน้ี CHPclim, CHIRP, CHIRPS และการตรวจสอบข้อมูลจะใช้ ขอ้ มูลจาก Global Precipitation Climatology Centre (GPCC) และชุดข้อมลู จากสถานีตรวจวัดอสิ ระประกอบ (Funk, et al., 2015) รายละเอียดแสดงในรปู ท่ี 2- 1 รูปที่ 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 ความชื้นในดินที่ประมวลผลจากข้อมูล L1 และขอ้ มลู เสริมท่ีเกย่ี 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 แบบจำลองความชน้ื ผวิ ดินและความชน้ื ระดบั โซนราก ผลิตภัณฑ์ชนิด SMAP-Sentinel Level 2 Soil Moisture Active-Passive (L2SMSP) ที่มีการ ผนวกข้อมูลความละเอียดสูงจากดาวเทียม Sentinel-1 ของชุดดาวเทียม Copernicus มาร่วมในการคำนวณ ความชื้นในดิน จากที่ SMAP มีปัญหาเรื่องอุปกรณร์ ังวัด 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 เดอื น) 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

โครงการประเมนิ พื้นที่เส่ียงภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 ดาวเทียม Sentinel-2 เป็นภารกิจการถ่ายภาพบบหลายสเปกตรัมที่มีความละเอียดสูงและกว้าง ซึ่งสนับสนนุ 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, การสำรวจทรัพยากร, การจัดการภัยพิบตั ิ, การจัดการทรัพยากรนำ้ และอืน่ ๆ 2) Landsat 8-9 ดาวเทียม Landsat 8 ถูกปล่อยขึ้นสู่วงโคจรเมือ่ ปี ค.ศ.2013 และดาวเทียม Landsat 9 ถูกปล่อย ขนึ้ สู่วงโคจรเมอื่ ปี ค.ศ.2021 มีความสามารถในการถ่ายภาพสูงกว่าดาวเทียม Landsat รุน่ เกา่ ในเชงิ รงั สีและเชิงเรา 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 มีความละเอียดเชิงพื้นที่ 100 เมตร และมีชว่ งคล่นื Panchromatic ความละเอยี ดเชิงพนื้ 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 โคจรการถา่ ยภาพระยะ 8 วนั (ห่างจาก 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 สามารถแยะแยะขอ้ มูลเพ่ิมขึ้นเปน็ 14 บิต หรือ 16,384 คา่ รายงานความกา้ วหนา้ การวิจยั (2 เดอื น) Inception Report หน้า | 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

โครงการประเมนิ พื้นท่เี สีย่ งภัยแลง้ และความเสยี หายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 2) ดัชนีภัยแล้งของพาล์มเมอร์ (Palmer Drought Severity Index; PDSI) เป็นดัชนีวัดความ ผดิ ปกติของความช้ืน ใชห้ ลกั การวิเคราะห์ความต้องการนำ้ และปริมาณนำ้ ท่ีมีในสมการสมดลุ น้ำ (water balance equation) ดัชนี PDSI เป็นตัวชี้วัดความแห้งแล้งทางอุตุนิยมวิทยา มีความสัมพันธ์กับอุณหภูมิ ฝน ความชื้นดิน โดย PDSI สามารถนำมาเป็นมาตรฐานของความชื้นที่สามารถเปรียบเทียบได้ทั้งระหว่างพื้นที่และระหว่างเดือน PDSI เปน็ ดชั นีทีส่ ะทอ้ นสภาพอากาศท่แี ห้งหรือชนื้ เกินไป มีการใชง้ านอย่างกว้างขวาง เหมาะกับพนื้ ทข่ี นาดใหญ่ที่ มลี กั ษณะภมู ิประเทศคลา้ ยคลึงกัน สว่ นในเขตทีม่ ภี มู ิประเทศทีซ่ ับซ้อนความแมน่ ยำจะลดลง 3) ดัชนีปริมาณน้ำฝนมาตรฐาน (Standardized Precipitation Index; SPI) หรือดัชนีภัยแล้งจาก ฝนที่ต่างจากเกณฑ์ปกติ (หากใช้เป็นดัชนีวัดความแห้งแล้ง) เป็นดัชนีที่สะท้อนความแห้งแล้งจากการขาดแคลน ปริมาณฝน ที่เป็นปัจจัยที่ส่งผลให้เกิดความแห้งแล้งในแต่ละช่วงเวลาที่ตา่ งไปจากปกติ (ค่าเฉลี่ย) ได้แก่ ความชื้น ดิน ปริมาณนำ้ ในดิน ปรมิ าณน้ำในอา่ งเก็บนำ้ และน้ำท่ีไหลในแม่น้ำ SPI ใชข้ อ้ มูลพ้นื ฐาน คอื ปริมาณฝน ณ สถานี และช่วงเวลาหน่งึ ๆ แลว้ ใช้วิธกี ารแปลงค่าอนุกรมเวลาของฝน ใหอ้ ยใู่ นรปู การแจกแจงปกติแบบมาตรฐาน เพ่ือหา คา่ SPI สำหรับสถานท่แี ละช่วงเวลาน้นั ๆ ค่าดัชนที เ่ี ปน็ ไปในทางลบแสดงถงึ ความแห้งแล้ง สว่ นคา่ ดชั นที เี่ ป็นไปใน ทางบวกแสดงถึงความชมุ่ ชืน้ หรือมฝี นมากกวา่ ปกติ 4) ดัชนีความแห้งแล้งจากความชื้นที่พืชใช้ประโยชน์ (Crop Moisture Index; CMI) เป็นดัชนีท่ี พัฒนาจากหลักการที่คล้ายคลึงกับดชั นี PDSI สามารถวัดและเปรียบเทียบระดับความชืน้ ระหว่างพื้นที่ได้ แต่ดัชนี CMI เน้นการวัดความชื้นในดินชั้นบน โดยคำนวณจากอุณหภูมิ และปริมาณฝนรวมในแต่ละสัปดาห์ ค่า CMI จะ เปลี่ยนแปลงอย่างรวดเร็วหากมีฝนตกหนักในสัปดาห์นั้น ๆ ทำให้ค่า CMI ไม่เหมาะสมที่จะนำไปใช้วัดความแห้ง แล้งระยะยาว แต่เหมาะสำหรับการวัดในช่วงเวลาสั้น ๆ และเหมาะในการติดตามเฝ้าระวังผลกระทบที่เกิดขึ้นกับ พืชผลทางการเกษตร ในบรรดาดัชนีภัยแล้งทางอุตุนิยมวิทยาที่นิยมใช้กันมากดังกล่าวข้างต้น SPI จัดเป็นดัชนีที่น่าสนใจ สำหรับการประยกุ ต์ใช้ในประเทศไทยในกรณที ี่ต้องการความสะดวกรวดเรว็ เนื่องจากใช้ตวั แปรทจี่ ะต้องวดั ไม่มากนัก SPI พัฒนาโดย McKee et al (1993) ถูกสร้างมาเพื่อเป็นเครื่องมือในการกำหนดและติดตามสภาวะแห้งแล้ง ในชว่ งเวลาต่าง ๆ ทกี่ ำหนด โดยดจู ากปริมาณฝนสะสมในแตล่ ะช่วงเวลาทสี่ นใจ ซง่ึ อาจมีตัง้ แต่ 1 เดอื น 2 เดือน 3 เดือน ไปจนถึง 72 เดือน ตามปกติปริมาณฝนโดยทั่วไปจะมีการกระจายแบบต่อเนื่องในรูปแบบฟังก์ชันการแจก แจงแบบแกมมา (Gamma Distribution) กล่าวคือ ในช่วงเวลาหนึ่ง (เช่น สัปดาห์ เดือน หลายเดือน หรือปี) ปริมาณฝนทีต่ กแต่ละจุดเวลาจะมีคา่ โดยสมุ่ ในชว่ งหน่งึ โดยรูปกราฟการกระจายจะมีรูปโคง้ ทแ่ี ตกตา่ งกนั ไปแล้วแต่ พื้นที่และช่วงเวลา ในการอธิบายทางคณิตศาสตร์ รูปแบบการกระจายจะแตกต่างกันไปตามพารามิเตอร์ของ ฟังก์ชัน (ค่าอัลฟาและเบต้า) แต่ละพื้นที่และแต่ละช่วงเวลาจะมีข้อมูลที่แตกต่างกันไป ดังนั้นในการอธิบาย ลักษณะฝนท่ตี กของแต่ละสถานีวดั อากาศจะใช้ฟังก์ชันความน่าจะเปน็ สะสม (Cumulative Probability Density Function) ของปรมิ าณฝนรวมแทนฟังกช์ ันการแจกแจงแบบแกมมา ซึ่งหากมีขอ้ มลู ปริมาณฝนที่เก็บไว้ต่อเน่ืองมา รายงานความกา้ วหนา้ การวจิ ัย (2 เดือน) Inception Report หนา้ | 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

โครงการประเมนิ พื้นที่เสย่ี งภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ ระยะท่ี 2 ความแห้งแล้งทางอุทกวิทยาน้อย เนื่องจากได้รับอิทธิพลจากแหล่งน้ำในพื้นที่ราบลุ่ม และระดับน้ำใต้ดินที่เข้ามา เตมิ ความชื้นในดนิ อยตู่ ลอดเวลา พน้ื ทล่ี ุม่ น้ำในลักษณะเช่นนแี้ มว้ ่าจะมีฝนท้ิงช่วงยาวนานมากขึ้นก็จะส่งผลกระทบ ทางอุทกวิทยาน้อย ในทางตรงกันข้าม ลักษณะภูมิประเทศที่เป็นที่ราบสูง หรือเป็นเทือกเขาที่มีเป็นดินทราย เนื้อ หยาบ จะมีความรุนแรงของการเกิดความแห้งแล้งทางอุทกวิทยาได้มากกว่า และช่วงระยะเวลายาวนานกว่า เนื่องจากสภาพภูมิประเทศไม่สามารถเก็บน้ำไวใ้ นดินได้ เมื่อเกิดภาวะฝนทิ้งช่วงจึงเกิดผลกระทบต่อลักษณะอุทก วิทยาผิวดินอย่างรวดเร็ว รุนแรงมากกว่าภูมิประเทศแบบแรก ในการศึกษาความแห้งแล้งทางอุทกวิทยานั้น มี หลายดัชนีที่สามารถบ่งบอกค่าความแห้งแล้งทางอุทกวิทยาได้ ส่วนใหญ่จะเป็นดัชนีทางอุทกวิทยาน้ำผิวดิน โดยตรง คือ ใช้ปริมาณน้ำท่า (Direct Runoff) ระดับน้ำในอ่างเก็บน้ำ ระดับน้ำในทะเลสาบ แต่ก็สามารถใช้พวก น้ำบาดาล หรือนำ้ ใตด้ นิ เป็นดชั นีได้ ซง่ึ ก็จะมีความแตกตา่ งกันไปตามแต่ละลักษณะภมู ิประเทศ อย่างไรก็ตามดัชนี ความแห้งแล้งทางอุทกวิทยาอาจไม่สามารถเป็นตัวแทนอธิบายลักษณะอุทกวิทยาน้ำ ผิวดินในบางพื้นที่ได้ดีนัก ดังเช่นบริเวณภาคใต้ของประเทศไทยที่มีธรณีสัณฐานเป็นหินปูน มักจะมีบริเวณบ่อหินยุบ (Sink Hole) ซึ่งเป็น แหลง่ เติมน้ำใหก้ บั นำ้ ใต้ดนิ ไดเ้ ป็นอย่างดีทำให้ค่าดชั นที างอุทกวิทยาไม่สะทอ้ นความแห้งแลง้ ในพ้ืนที่จรงิ อาจกล่าว ได้ว่าค่าดัชนีความแห้งแล้งทางอุทกวิทยาไม่มีมาตรฐานที่สามารถใช้ได้กับทกุ พื้นที่ หลายดัชนีจำเป็นต้องใช้ข้อมูล ตรวจวัดลักษณะทางอุตุนยิ มวิทยา ลักษณะดิน และลักษณะพืชพรรณ เป็นองค์ประกอบเพื่อบ่งชีป้ รมิ าณนำ้ ผิวดนิ หรือใต้ดิน แต่ส่วนใหญ่พบว่า ไม่มีข้อมูลตรวจวัดเพียงพอสำหรับการประเมินค่าดัชนีดังกล่าว วิธีการศึกษาดัชนี ปริมาณน้ำผิวดินอีกวิธีการหนึ่งซึ่งเป็นที่นิยมในหมู่นักอุทกวิทยาน้ำผิวดินและมีการทดสอบค่าความถูกต้อง ใกลเ้ คยี งกับค่าทีต่ รวจวัดปริมาณนำ้ ผิวดนิ ไดจ้ ริง โดยมีดชั นีทีใ่ ช้ในการคำนวณไมย่ งุ่ ยากซับซ้อนแต่สะท้อนลักษณะ การระบายน้ำในพื้นที่ได้ดีก็คือ วิธีการของ SCS-CN ซึ่งเป็นการประยุกต์ค่า Curve Number (CN) ที่เป็นค่าที่ สะท้อนการระบายน้ำของพื้นที่ลุ่มน้ำ โดยพิจารณาความสัมพันธ์ของ 2 ปัจจัยหลัก ได้แก่ การใช้ประโยชน์ที่ดิน (Land Use) และชุดดิน (Soil Series) ซ่งึ จะสะท้อนลักษณะการระบายน้ำของดินในพืน้ ท่นี ั้น ๆ ทั้งน้เี ม่ือนำคา่ CN มาประเมนิ คา่ ปริมาณนำ้ ผิวดนิ โดยใช้ปรมิ าณนำ้ ฝนเปน็ ปัจจัยหลัก จะสามารถประเมินค่าดัชนีปริมาณน้ำผิวดินใน พนื้ ทน่ี นั้ ๆ ได้ Mishra and Singh (2003) ได้ระบุว่า SCS-CN Method ถูกสร้างขึ้นมาในปี ค.ศ. 1954 โดย หน่วยงานอนุรักษด์ ินของประเทศสหรฐั อเมรกิ า (Soil Conservation Services; SCS) ซึ่งปัจจบุ นั ใชช้ ื่อวา่ Natural Resources Conservation Service (NRCS) โดยมีวัตถุประสงค์หลัก คือ สร้างมาตรการหรือระเบียบต่าง ๆ เพื่อ ป้องกันอทุ กภัย โดยนำผลการศึกษาวิจัยที่เก่ียวกับซึมน้ำผ่านผวิ ดิน (infiltration) ที่เกิดขนึ้ จากการทำฝนเทียมบน พนื้ ที่ 2 × 4 ตารางเมตร จำนวน 1,000 แปลง ทวั่ ประเทศ ทำการศึกษาต่อเน่ืองตัง้ แต่ปี ค.ศ.1930 สมการที่ใช้หา ปริมาณการไหลโดยตรง (Direct Runoff) โดยวิธี SCS-CN Method โดยใช้ข้อมูลน้ำฝนสะสมและข้อมูลการไหล โดยตรงสะสมสร้างกราฟความสัมพันธ์ โดยพบว่าปริมาณการไหลโดยตรงเริ่มมีขึ้นหลังจากที่ฝนตกแล้วช่วงเวลา หนึ่ง ปริมาณนำ้ ฝนท่ีสญู เสียก่อนเกดิ การไหลโดยตรง เรียกว่าการสญู เสยี เริม่ ต้น (Initial Abstraction; Ia) หลังจาก รายงานความกา้ วหนา้ การวจิ ยั (2 เดอื น) Inception Report หนา้ | 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

โครงการประเมินพ้นื ทีเ่ สย่ี งภยั แล้งและความเสียหายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะที่ 2 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 น้ีช้ีใหเ้ หน็ วา่ เทคโนโลยกี ารสำรวจด้วยดาวเทยี มเปน็ ทางเลือกที่ดีในการติดตาม รปู แบบความแห้งแลง้ ได้ทั้งเชงิ พืน้ ทีแ่ ละเชิงเวลาท่เี ทา่ ทันต่อการรับสถานการณ์ ประเทศสหรฐั อเมริกา ออสเตรเลยี และอีกหลายประเทศในยุโรปและเอเชยี ได้ใหค้ วามสำคญั กับการ รับมือกับภยั แล้ง มีการพัฒนาระบบการติดตามความแหง้ แล้งของประเทศ โดยผสานการใช้ทั้งขอ้ มูลอุตุนยิ มวิทยา อุทกวิทยา และระบบการรับรู้ระยะไกลเพื่อประเมินความแห้งแล้งและรายงานผลเป็นข้อมูลแผนที่แบบอัตโนมัติ ใกลเ้ คียงเวลาจริง ส่วนใหญ่ใชเ้ ทคนคิ การวเิ คราะห์เปรียบเทียบรูปแบบความแห้งแล้งเชิงชว่ งเวลาท่ีสามารถจำแนก ระดับความรุนแรงของความแห้งแล้งแสดงเป็นแผนที่ที่เข้าใจได้ง่าย ตัวอย่างดัชนีความแห้งแล้งที่ใช้ในลักษณะ ดังกล่าวแสดงดังตารางที่ 2- 1 ตารางท่ี 2- 1 ดัชนคี วามแห้งแล้งทน่ี ยิ มใช้ในระบบติดตามและรายงานผล ชอ่ื ดชั นี คำยอ่ ลกั ษณะสำคญั /ขอ้ จำกัด อา้ งอิง Standardized Drought Severe PDSI ใชข้ ้อมลู ตวั แปรทางดา้ นอตุ นุ ิยมหลายตัว Palmer (1965) Index และต้องเป็นข้อมูลย้อนอดีตระยะยาว ไมเ่ ปน็ อนพุ นั ธ์ภาพถา่ ยจากดาวเทียม Standardized Precipitation SPI ใชข้ อ้ มลู ปรมิ าณน้ำฝนอย่างเดยี ว ไม่เป็น McKee et al. Index อนุพันธ์ภาพจากดาวเทยี ม (1993) Vegetation Response Index VegDRI ข้อมูลทางอุตุนิยมวิทยาที่เก็บวัด USGS พารามิเตอร์ทางการเกษตร สำหรับ ประเทศไทยมีข้อมูลไม่กระจายเพียงพอ เช่นค่าความช้ืนในระดับรากพชื Normalized Difference NDVI เปน็ ขอ้ มลู อนุพันธภ์ าพถา่ ยจากดาวเทียม NOAA Vegetation Index ที่เป็นตัวบ่งชี้ความแตกต่างมวลชีวภาพ พืชได้ดีซึ่งเกี่ยวข้องกับสมบูรณ์ของพืชท่ี ได้รบั อทิ ธิพลจากความแห้งแลง้ สามารถ วิเคราะห์เชิงเปรียบเทียบอนุกรมเวลาได้ สะท้อนปรากฏการณ์ได้ดีในพื้นที่ที่ปก คลุมดว้ ยพชื พรรณ Normalized Difference Water NDWI ใช้ข้อมูลอนุพันธ์จากดาวเทียม (NDVI) Gao, B.C. (1996) Index เชิงเปรียบเทียบกับข้อมูลอนุกรมเวลา รายงานความก้าวหนา้ การวจิ ัย (2 เดอื น) 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

โครงการประเมนิ พนื้ ที่เสยี่ งภัยแล้งและความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 2.4 การศึกษาดัชนีความเสียหายของพชื เกษตรรายแปลง 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 ท่ี วเิ คราะห์ไดจ้ ากขอ้ มลู ดาวเทียม Sentinel-2 ประกอบด้วย index ทัง้ หมด 39 Index โดยมรี ายละเอียดดังตาราง ตารางที่ 2- 2 Multispectral index ทวี่ เิ คราะห์ไดจ้ ากข้อมูลดาวเทียม Sentinel-2 Layer Index Description แบนดท์ ่ีใช้ 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 ยั (2 เดอื น) Inception Report หนา้ | 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

โครงการประเมนิ พน้ื ทีเ่ ส่ียงภยั แล้งและความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะที่ 2 โดยไดน้ ำตวั อยา่ งดชั นที เ่ี กย่ี วขอ้ งสำหรับการนำมาใช้ประเมินความเสยี หายของพชื ดังนี้ 2.4.1 Normalized Difference Vegetation Index: NDVI ดัชนีความต่างพืชพรรณเป็นการหาคา่ ความตา่ งของค่าการสะท้อนของพืชพรรณโดยอาศัยคณุ สมบัติ ของค่าการสะท้อนเชิงคลน่ื จากข้อมลู จากภาพถ่ายดาวเทยี ม ในชว่ ง RED และ NIR ด้วยสมการ (1) NDVI = (NIR-RED)/(NIR+RED) สมการ (1) โดยดชั นคี วามต่างพืชพรรณหรอื NDVI เปน็ ดัชนที ไ่ี ดร้ ับความนยิ มในการวเิ คราะห์การปกคลุมของพืช พรรณท่ีสะทอ้ นจากพนื้ ผวิ โลก รวมถึงการนำไปประยกุ ตใ์ นการดคู วามสมบรู ณ์หรือความเครยี ดของพชื 2.4.2 Soil Adjusted Vegetation Index: SAVI ในทางทฤษฎี SAVI มีค่าสอดคล้องกบั ความหนาแนน่ ของพืชปกคลุมดินมากกว่า NDVI ในกรณีท่ีการ สะท้อนช่วงคลื่นของดินปะปนมาในช่วงคลื่น Red และ NIR ซึ่งผลการสะท้อนที่ปะปนนี้ขึ้นอยู่กับความหนาแน่น ของพชื ลักษณะรูปรา่ งของชัน้ เรือนยอด และอื่น ๆ (Rondeaux et al., 1996) การสะทอ้ นของส่วนปกคลุมที่เป็น ดินจะมีความสัมพันธ์กับการสะท้อนช่วงคลื่นต่าง ๆ ในลักษณะเป็นความสัมพันธ์เชิงเส้น ( Jansinski และ Eagleson, 1990) ทำใหม้ ีงานวิจยั หลายช้นิ พยายามพฒั นาดชั นีปรับแก้ค่าการสะท้อนของดินถูกพัฒนาขึ้นมา 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 คุณสมบัติของดินท่ี แตกต่างกันอยา่ งมากในแต่ละพนื้ ที่ สำหรับสมการ SAVI ที่มีค่าปรับแก้การสะท้อนช่วงคลื่นของดินในประเทศไทยนั้น ไม่ได้มีผลการวิจัย 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 วกันและพื้นที่เดียวกัน แบ่งพ้ืนที่ศึกษาออกเป็นพื้นทีท่ ีม่ ีพืชพรรณปกคลุมหนาแนน่ และ พืน้ ท่ที ี่มพี ชื พรรณปกคลุมน้อย เช่น พืน้ ท่เี ก็บเก่ยี วแลว้ ท่ยี งั มีวัสดทุ างการเกษตรตกค้าง เชน่ กาบใบ เปน็ ตน้ พบว่า ตวั เลขของค่าดชั นี SAVI จะมคี า่ มากกว่าค่าตวั เลขของดัชนี NDVI ดงั รูปท่ี 2- 4 รายงานความก้าวหนา้ การวิจัย (2 เดอื น) Inception Report หน้า | 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

โครงการประเมินพื้นที่เสย่ี งภยั แลง้ และความเสียหายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ ระยะท่ี 2 รูปท่ี 2- 6 ขอ้ มลู ดัชนี NDVI (ซา้ ย) RVI (ขวา) พ้ืนทีช่ ายฝัง่ ประเทศ Iceland (ที่มา : Polina, 2020) 2.4.4 Enhanced Vegetation Index: EVI ดาวเทียมระบบ MODIS ดัชนี EVI จะตอบสนองต่อความหลากหลายของโครงสร้างชั้นเรือนยอด ที่แตกต่างกันมากกว่าดัชนี NDVI และดัชนีนี้ผู้วิจัยยังกล่าวว่ามีความสัมพันธ์กับความเครียด (Crop Stress) และ การเปล่ียนแปลงของพชื จากสภาวะแหง้ แล้งด้วย โดย สมการ EVI จะใชช้ ว่ งคล่นื Blue, Red และ NIR คำนวณตามสมการ ดงั นี้ EVI = 2.5 * (NIR - RED) / ((NIR + 6.0 * RED - 7.5 * BLUE) + 1) สมการ (4) โดยการศึกษาเพื่อสังเกตค่า EVI ในพื้นที่แปลงเกษตรที่ได้รับผลกระทบจากฝนทิ้งช่วง เดือน มถิ ุนายน - กรกฎาคม 2562 (รปู ท่ี 3-5) จึงไดไ้ ดน้ ำแปลงปลกู ข้าวโพด จำนวน 4,417 แปลง พ้ืนท่ี 29,980 ไร่ ภาค ตะวันออกเฉยี งเหนอื มาประมวลผลขอ้ มลู คา่ EVI ของทั้งปี 2562 เพ่อื คำนวณคา่ สถติ ิ รปู ท่ี 2- 7 รูปท่ี 2- 7 ดัชนี SPI แสดงผลทิง้ ช่วงเดือน มิถุนายน - กรกฎาคม 2562 (ทีม่ า : สถาบนั สารสนเทศทรัพยากรน้ำ องค์การมหาชน) รายงานความก้าวหน้าการวจิ ัย (2 เดอื น) Inception Report หน้า | 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

โครงการประเมนิ พนื้ ท่ีเสย่ี งภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะท่ี 2 ช่วงของค่าระหว่าง -1 ถึง 0.2 หมายถึง หน้าดินไปจนถึงเริ่มปลูก ช่วง 0.2 ถึง 0.6 หมายถึงช่วง พืชเจริญเติบโตหรือพืชมีสุขภาพไม่ดี และช่วง 0.6 ถึง 1.0 หมายถึง พืชสมบูรณ์ดีพร้อมเข้าสู่ช่วงเก็บเกี่ยว ดังเชน่ รูปด้านล่างแสดงขอ้ แตกต่างระหว่าง NDVI กับ NDRE ตรวจมุมบนของภาพของแปลงปลูกพชื ที่อยูใ่ นชว่ งก่อนเก็บ เกี่ยว ซึ่งใบพืชชั้นบน (พืชที่มีชั้นเรือนยอดเป็นชั้น ๆ ในแนวตั้ง) จะเริ่มเป็นสีเหลืองเนื่องจากอยู่ในระยะสุกแก่ พร้อมเก็บเกี่ยว ในกรณีดัชนี NDRE จะสามารถตรวจวัดปริมาณคลอโรฟิลล์ชั้นที่อยู่ด้านล่างลงไปได้ดีกว่าดัชนี NDVI ทำให้สามารถแยกพืชสมบูรณใ์ นระยะสกุ แก่ไดด้ กี วา่ รูปที่ 2- 9 แสดงการเปรียบเทยี บดชั นี NDVI กับดัชนี NDRE จากดาวเทียม Sentinel-2 2.4.7 Normalized Difference Water Index: NDWI สมการท่ัวไปที่ใช้ประมวลผลข้อมูลดัชนี NDWI เป็นสมการจากงานวิจยั ของ (McFEETER, 1995) จะใชช้ ว่ งคลน่ื Green กบั 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 ในกลุ่มชั้นใบพืช แทน พบว่ามีความไวต่อคุณลักษณะทางชีวภาพของใบพืชมากกว่าช่วงคลื่น Green (Gao B.C., 1996) จึงมีการ นำมาใช้ SWIR ในการติดตามการใชน้ ำ้ ของพืชเกษตรกันอยา่ งแพร่หลายต่อมา โดยมีสมการ ดงั นี้ NDWI = (GREEN - SWIR) / (GREEN + SWIR) สมการ (8) โดยการประมวลผลสมการ NDWI และ MNDWI ยังสง่ ผลตอ่ 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 รายงานความกา้ วหนา้ การวิจยั (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

โครงการประเมินพ้นื ท่ีเสีย่ งภยั แลง้ และความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 รปู ที่ 2- 11 ภาพแสดงดัชนี MCARI จากดาวเทยี มในพนื้ ที่เกษตร 2.5 เทคโนโลยี Machine Learning : ML จากการศึกษาของโครงการประเมินพื้นที่เสี่ยงภัยแล้งและความเสียหายของพืชเกษตรรายแปลง ด้วย เทคโนโลยีภมู ิสารสนเทศ ระยะที่ 2 จะมีการประยกุ ต์ใช้การเรียนรู้ด้วยเครื่องหรือ Machine Learning โดยแต่ละ อลั กอรทิ ึม จะมลี กั ษณะการทำงานทแี่ ตกต่างกนั และมคี วามเหมาะสมของอลั กอริทึมของแต่ละขอ้ มลู ทแ่ี ตกต่างกัน สำหรบั โครงการน้ีจะมีการใช้อัลกอริทึม ดังนี้ 2.5.1 Linear Regression (การถดถอยเชิงเสน้ ) Linear regression เป็นอัลกอริทึมการเรียนรูใ้ ช้สำหรับการทำนายตัวแปรเป้าหมายท่ีเป็นตัวเลข ต่อเนื่องโดยใช้ข้อมูลตวั แปรต้นตั้งแต่หน่งึ หรือมากกว่า เพอ่ื พสิ ูจนว์ ่ามีความสัมพันธ์เชิงเส้นระหว่างตัวแปรต้นและ ตวั แปรเป้าหมาย พร้อมทงั้ พยายามหาเส้นท่ีเหมาะสมทส่ี ดุ เพื่อลดความแตกต่างระหวา่ งคา่ ทท่ี ำนายไดแ้ ละคา่ จริง โดยสมการของ Linear Regression คอื ������ = ������������ + ������ สมการ (13) มีข้อดีคือ Linear regression เป็นอัลกอริทึมที่เข้าใจและตีความง่าย มีความรวดเร็ว สามารถ ทำงานได้อย่างมีประสิทธิภาพในการคำนวณและสามารถจัดการกับชุดข้อมูลขนาดใหญ่ได้ และค่าสัมประสิทธิ์ใน linear regression สามารถใหข้ อ้ มลู เกี่ยวกบั ความสัมพันธร์ ะหว่างตัวแปรเขา้ และตวั แปรเปา้ หมายไดช้ ัดเจน ข้อเสียคือ Linear regression จะมีข้อสมมติฐานว่าข้อมูลมีความสัมพันธ์เชิงเส้นระหว่างตัวแปร ซงึ่ อาจไมเ่ ป็นจรงิ ในชดุ ข้อมูลท่ีซับซ้อน และอาจไม่สามารถตรวจจบั ความสัมพนั ธท์ ซ่ี ับซ้อนและรปู แบบท่ีไม่เชิงเส้น ในชุดขอ้ มลู ได้ 2.5.2 Logistic Regression (การถดถอยโลจสิ ตกิ ) รายงานความกา้ วหนา้ การวจิ ัย (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

โครงการประเมินพ้นื ที่เสี่ยงภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะที่ 2 2) Classification Tree คอื Decision Tree ทใ่ี ชส้ ำหรบั การทำ Classification โดยจะใช้ Gini Impurity หรอื Entropy เป็น Objective Function ในการหาจุดทดี่ ีทส่ี ดุ ในการแบ่งขอ้ มลู (Split point) ข้อดี คือ เข้าใจไดง้ ่าย นำไปใชง้ า่ ย แต่อาจจะไม่เหมาะกบั ข้อมลู ทม่ี คี วามซบั ซ้อน รูปที่ 2- 12 Decision Tree Algorithm 2.5.4 Random Forest Classifier และ Random Forest Regressor Random forest เป็นวิธีการเรียนรู้แบบ Ensemble ที่รวมต้นไม้ตัดสินใจหลายต้นเข้าด้วยกัน เพอ่ื ทำนายผลลัพธ์ แตล่ ะต้นไม้ถูกสรา้ งข้ึนโดยใช้ชุดข้อมูลและตัวแปรที่สุ่มเลือก ผลลพั ธส์ ุดท้ายจะได้จากการรวม ผลทำนายของต้นไม้แตล่ ะต้น ซึ่ง Random Forest ไม่มีสูตรที่ชัดเจน แต่อัลกอริทึมจะเรียนรู้โดยแบ่งเป็นกลุ่ม และสร้างการ ตัดสินใจผ่านการเรียนรู้ดว้ ยเครอ่ื ง ตามรูปที่ 2- 13 รปู ที่ 2- 13 Random Forest Algorithm Diagram ที่มา: https://www.tibco.com/reference-center/what-is-a-random-forest, NA รายงานความก้าวหน้าการวจิ ยั (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

โครงการประเมินพนื้ ทีเ่ สี่ยงภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี มู ิสารสนเทศ ระยะที่ 2 ข้อดีคือ XGBoost มีความแม่นยำสูงและมีความสามารถในการทำนายที่ดี โดยบางครั้งอาจ เหนือกว่าอัลกอริทึมอื่นๆ และสามารถจัดการกับประเภทของข้อมูลที่แตกต่างกัน รวมถึงสามารถเพื่อป้องกัน overfitting แต่ยังมีข้อเสียคือ XGBoost เป็นอัลกอริทึมที่ซับซ้อนและต้องการความรอบคอบในการตั้ง ค่าพารามเิ ตอรแ์ ละการปรับแต่งเพ่ือใหท้ ำงานอยา่ งเหมาะสม XGBoost อาจตอ้ งใช้ทรพั ยากรคอมพิวเตอร์มากกว่า วธิ ีอ่นื เน่ืองจากความซับซอ้ นและการคำนวณท่มี ากข้นึ ทั้งนี้แต่ละอัลกอริทึมวิธีสามารถมีเทคนิคที่ต่างกันโดยท่ี สามารถนำมาปรับใช้ได้ตามความ เหมาะสมของปญั หาและลักษณะของข้อมูลท่ีมีอยู่ 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 นสิ ต์ (Connectionist) เพ่อื จำลองการทำงานของเครือข่ายประสาทในสมองมนุษย์ ด้วยวัตถุประสงค์ที่จะสร้างเครื่องมือซึ่งมีความสามารถใน การเรียนรู้การจดจำรูปแบบ(Pattern Recognition) และการสร้างความรู้ใหม่ (Knowledge Extraction) เช่นเดียวกบั ความสามารถทม่ี ใี นสมองมนษุ ย์ การทำงานของ Neural Networks คือเมื่อมี input เข้ามายัง network ก็เอา input มาคูณกับ weight ของแต่ละขา ผลทไี่ ด้จาก input ทกุ ๆ ขาของ neuron จะเอามารวมกนั แล้วก็เอามาเทียบกับ threshold ที่กำหนดไว้ ถ้าผลรวมมีค่ามากกว่า threshold แล้ว neuron ก็จะส่ง output ออกไป output นี้ก็จะถูกส่งไปยัง input ของ neuron อ่ืน ๆ ที่เชือ่ มกันใน network ถา้ ค่านอ้ ยกว่า threshold กจ็ ะไม่เกดิ output ส่ิงสำคัญคือเรา ต้องทราบค่า weight และ threshold สำหรับสิ่งที่เราต้องการเพื่อให้คอมพิวเตอร์รู้จำ ซึ่งเป็นค่าที่ไม่แน่นอน แต่ สามารถกำหนดให้คอมพิวเตอร์ปรับค่าเหล่านั้นได้โดยการสอนให้มันรู้จัก pattern ของสิ่งที่เราต้องการให้มันรู้จำ เรยี กวา่ \"back propagation\" ซึง่ เปน็ กระบวนการยอ้ นกลบั ของการร้จู ำ รายงานความก้าวหนา้ การวจิ ัย (2 เดอื น) 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

โครงการประเมินพ้ืนทเี่ ส่ียงภัยแลง้ และความเสียหายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะท่ี 2 2.6 การพยากรณก์ ารเกิดภัยแลง้ 2.6.1 นิยามความหมายเกี่ยวกับการพยากรณ์ การพยากรณ์ (Forecasting) หมายถึง การคาดคะเนการทำนายการเกิดเหตุการณ์หรือ สภาพการณต์ า่ ง ๆ ในอนาคต โดยการพยากรร์จะทำการศึกษาแนวโน้มและรูปแบบการเกิดเหตุการณจ์ ากข้อมูลใน อดตี และ/หรือใช้ความสามารถ ความรู้ ประสบการณ์ และดุลยพนิ จิ ของผู้พยากรณ์ การพยากรณ์อากาศ หมายถึง การคาดหมายสภาพลมฟา้ อากาศในอนาคต การที่จะพยากรณอ์ ากาศไดต้ ้องมีองค์ประกอบ 3 ประการได้แก่ - ประการแรกคอื ความรู้ความเข้าใจในปรากฏและกระบวนการตา่ ง ๆ ท่ีเกดิ ขน้ึ ในบรรยากาศ - ประการท่ีสอง คือ สภาวะอากาศปจั จุบนั - ประการสุดท้าย คือ ความสามารถที่จะผสมผสานองค์ประกอบทั้งสองข้างต้น เข้าด้วยกัน เพื่อคาดการณเ์ ปล่ียนแปลงของบรรยากาศท่ีจะเกดิ ข้นึ ในอนาคต ทั้งนี้สิ่งที่ต้องทำเพื่อให้สามารถพยากรณ์อากาศได้ คือการวิเคราะห์ข้อมูลผลการตรวจอากาศ เพื่อให้ทราบลักษณะอากาศปัจจุบัน และการคาดการณ์การเปลี่ยนแปลงของลักษณะอากาศที่กำลังเกิดขึ้นว่าจะมี ทิศทางและความเร็วในการเคล่ือนทีอ่ ยา่ งไรในพน้ื ท่ีนนั้ ๆ 2.6.2 วธิ กี ารพยากรณ์แบบจำลองภมู ิอากาศ เนื่องจากแบบจำลองภูมิอากาศโลกมีพื้นที่แสดงผลขนาดใหญ่ ความละเอียดตั้งแต่ระดับ 150 กิโลเมตรขึ้นไป จึงเหมาะสำหรับใช้ในการศึกษาในเรื่องการพยากรณ์ในระดับทวีป การศึกษาผลกระทบ และการ เปลี่ยนแปลงสภาพภูมิอากาศในระดับภูมิภาคหรือประเทศขนาดเล็กที่มีพื้นที่ไม่มากนัก จึงต้องลดขนาด (Downscale) แบบจำลองภูมิอากาศโลกให้แสดงผลลัพธ์ที่มีความละเอียดเพิ่มขึ้น โดยการย่อส่วนแบบจำลอง ภูมอิ ากาศโลกทีน่ ิยมใช้กนั มี 2 วิธี คอื วธิ ีท่ี 1 การยอ่ สว่ นดว้ ยวิธที างสถิติ (Statistical downscaling) เปน็ วิธีการซึง่ ใชก้ ระบวนการทาง สถิติเพื่อย่อส่วนหรือลดขนาดผลลัพธ์จากแบบจำลองภูมิอากาศโลก โดยจะวิเคราะห์ความสัมพันธ์ระหว่างตัว ทำนาย (Prediction) ซ่ึงเปน็ ผลที่ได้จากแบบจำลองภูมิอากาศโลกและตวั ถกู ทำนาย (Predictand) ซึ่งเป็นข้อมูลที่ ได้จากสถานตี รวจวดั โดยตรง ในชว่ งเวลาทสี่ มั พันธ์ วิธีที่ 2 การย่อส่วนด้วยวิธีการพลวัต (Dynamical Downscaling) หรือการใช้แบบจำลอง ภูมิอากาศภูมิภาค (Regional Climate Model หรือ RCM) เป็นวิธีการที่มีความละเอียดสูง อาศัยหลักการ ซ่ึง นำเอากระบวนการทางฟิสิกส์บรรยากาศที่มีความสัมพันธ์กับสภาพภมู ิประเทศของแต่ละพืน้ ท่ี มาคำนวณหาค่าตัว แปรสภาพภูมิอากาศในระดับความละเอียดที่สูงขึ้นในเชิงพ้ืนที่และเวลา โดยอาศัยเงื่อนไขเริ่มต้น (intial condition) และเงือ่ นไขขอบเขต (boundary condition) สำหรับขอ้ มูลนำเข้าของแบบจำลอง รายงานความก้าวหนา้ การวิจัย (2 เดือน) Inception Report หน้า | 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

โครงการประเมินพืน้ ท่ีเสย่ี งภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ดว้ ยเทคโนโลยภี มู สิ ารสนเทศ ระยะท่ี 2 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 ตัวอยา่ งในภาคสนามท่ีสอดคล้องกบั พิกดั ของจดุ ภาพท่ีระดับความเช่ือมัน่ 95% หาไดจ้ ากสูตร ขนาดดา้ นของแปลงตวั อย่าง = (จำนวนจุดภาพ x ขนาดจดุ ภาพ) + 4(RMSE) 2.7.4 วิธีการประเมินความถูกต้อง ในการประเมินความถูกต้องของการจําแนกข้อมูลสํารวจระยะไกล นั้นเป็นการพิจารณาข้อมูลผลจากการจําแนกชั้นข้อมูล ณ ตําแหน่งที่ตั้งหน่วยตัวอย่าง (จุดสํารวจ) เปรียบเทียบ ความสอดคล้องกันกับความเป็นจริงที่พบในภาคสนามท่ีถือวา่ เป็นข้อมลู อ้างอิง แลว้ ทําการแจกแจงให้อยู่ในรูปของ ตารางขอ้ มูลท่เี รียกวา่ Error Matrix หรือ Confusion Matrix หรือ Contingency Table โดยสามารถใช้วิเคราะห์ หาค่าความถูกตอ้ งได้หลายลักษณะ ดังน้ี 1) ความถูกตอ้ งของผูผ้ ลิต (Producer’s Accuracy) เป็นการวัดผลการจำแนกข้อมลู วา่ มีความ ถูกต้องมากน้อยเพียงใด เมื่อพิจารณาจากความผิดพลาดของส่วนที่ขาดหายไป (Omission Error) ที่เกิดจากการ ไม่ได้จำแนกข้อมลู ตามท่ีมีอยู่จริง 2) ความถูกต้องของผ้ใู ช้ (User’s Accuracy) เปน็ การวัดผลการจำแนกข้อมูล วา่ มคี วามถูกต้อง มากน้อยเพียงใด โดยความผิดพลาดที่เกิดขึ้น เป็นเหตุจากการจำแนกข้อมูลนั้น ๆ มากกว่าความเป็นจริง ใน ลักษณะที่เป็นพื้นที่อื่น ๆ เพิ่มเข้ามา (Commission Errors) โดยนำจุดที่ถูกต้องตรงกันหารด้วยจำนวนจุดที่แปล ภาพว่าเป็นชนิดนั้นที่นำไปสำรวจในภาคสนามทั้งหมดคูณด้วยร้อยเพื่อคิดเป็นเปอร์เซ็นต์ ซึ่งจะสะท้อนผลการ แปลว่ามคี วามถูกต้องแค่ไหน 3) ความถูกต้องโดยรวม (Overall Accuracy) คือค่าความถูกต้องของข้อมูลทั้งหมด โดยข้อมูล ที่จำแนกได้ถูกต้องทั้งหมดมีความเกี่ยวเนื่องกันระหว่างจุดตรวจสอบกับข้อมูลอ้างอิงคิดเป็นเปอร์เซ ็นต์ของจุด ตรวจสอบทัง้ หมดโดยไม่คำนงึ ผดิ พลาด 4) ค่าสถิติแคปปา (Kappa Statistics) คือ ค่าความถูกต้องโดยรวม แต่นำค่าความผิดพลาดท่ี เกิดใน Error Matrix ด้วย เพื่อประเมินความถูกตอ้ งและดูความสอดคล้องกันของขอ้ มูลตรวจสอบกับขอ้ มูลอ้างอิง นิยมนำมาวิเคราะห์คู่ไปกับค่าความถูกต้องโดยรวม หากค่าทั้งสองมีค่าใกล้เคียงกันในทิศทางที่สูงถือว่าผลการ จำแนกข้อมูลนน้ั เป็นไปในทศิ ทางท่ีดี รายงานความก้าวหน้าการวิจยั (2 เดือน) Inception Report หนา้ | 32

โครงการประเมินพืน้ ทเี่ สยี่ งภยั แล้งและความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี มู ิสารสนเทศ ระยะท่ี 2 2.8 การพัฒนาแพลตฟอร์ม 2.8.1 นิยามความหมายของแพลตฟอร์ม แพลตฟอร์ม หมายถึง รากฐานหรือกรอบการทำงานที่อำนวยความสะดวกในการโต้ตอบ ธุรกรรม หรือ การแลกเปลี่ยนสินค้า บริการ หรือข้อมูล แพลตฟอร์มทำหน้าที่เป็นตัวกลางเชื่อมโยงผู้มีส่วนได้ส่วนเสียที่แตกต่าง กันและเปิดใช้งานการทำงานร่วมกัน มีโครงสรา้ งทรี่ องรับฟังก์ชนั และบริการต่างๆ โดยอาศยั เทคโนโลยีเพื่อให้เกิด การโต้ตอบระหว่างกัน ประเภทของ Platform ท่ีมีการใช้งานในปัจจุบัน สามารถแบ่งออกได้หลายประเภท ดงั ตอ่ ไปน้ี - 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 ในการดำเนินโครงการมสี ่วนการพัฒนาแพลตฟอร์ม 2 ประเภท อธบิ ายไดด้ ังน้ี 1) Web Platforms หมายถึง แพลตฟอร์มที่ช่วยให้เราสร้างเว็บไซต์ต่างๆ ขึ้นมาได้โดยไม่ จำเป็นต้องเข้าใจในการออกแบบเว็บไซต์ และการเขียนโค้ด โดยผู้ใช้สามารถเลือก Template มากมายจาก แพลตฟอร์มสร้างเว็บไซต์ โดยไม่จำเป็นต้องเข้าใจเรือ่ งของ CSS, HTML รวมถึงภาษาในการสร้างเวบ็ ไซต์และโค้ด ที่ซับซ้อน ตัวอย่างของ Web Platforms ที่ได้รับความนิยมในปัจจุบัน ได้แก่ WordPress , Wix , Drupal , Shopify หรือ Weebly เปน็ ตน้ หน้า | 33 รายงานความก้าวหน้าการวิจยั (2 เดอื น) Inception Report

โครงการประเมินพ้นื ที่เสี่ยงภยั แลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 2) Mobile Platforms หมายถึง ระบบปฏิบัติการมือถือ และสภาพแวดล้อมสำหรับการสร้าง แอปพลเิ คชันบนมือถือ นอกจากน้ียังรวมถึงแพลตฟอร์มคลาวดส์ ำหรับสร้างแบ็กเอนด์ (ระบบหลงั บา้ น) ของมือถือ ท่ีให้บริการแอปมือถือ ซึ่งอาจรวมถึง API เฉพาะ ท่ีเป็นประโยชนส์ ำหรบั นกั พัฒนาแอปบนอปุ กรณเ์ คลื่อนที่ในด้าน ตา่ งๆ เชน่ บรกิ ารตำแหนง่ และการจดจำเสยี ง เปน็ ตน้ 2.8.2 เครอ่ื งมือท่ชี ว่ ยในการพัฒนาแพลตฟอร์ม 1) โปรแกรม GeoServer ทำหน้าที่ให้บริการข้อมูลภูมิสารสนเทศผ่านเครือข่ายอินเทอร์เน็ต พฒั นาดว้ ยภาษา Java จงึ สามารถใช้งานได้กับระบบปฏบิ ัติการทุกประเภท 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 ได้ซึ่งสามารถแปลงค่าพิกัดได้อัตโนมัติในขณะที่ทำงานผ่าน WMS และ WFS โดยมีระบบพิกัดสนับสนุนมากกว่า 100 ระบบโดยระบบได้ถูกบันทึกไว้ในฐานข้อมูล EPSG ของ GeoServer ผลลพั ธ์ของภาพแผนท่ีผา่ น WMS สามารถส่งออกไดห้ ลายรปู แบบ ไฟล์ ไดแ้ ก่ GIF GeoRSS GeoTiff JPEG KML PDF PNG SVGและTiff ในสว่ นขอ้ มลู เวกเตอรผ์ า่ น WFS สนับสนุนรูปแบบไฟล์ CSV GML GeoJSON KML และ shapefile 2) โปรแกรม VS Code เป็นโปรแกรม Editor ทใี่ ช้เขียนโค้ด พัฒนาโดย Microsoft และเปดิ ให้ ใช้งานแบบ Open source รองรับการเขยี น โค้ดหลายภาษาโปรแกรม เช่น C++ python JAVAJavaScript และ PHP เป็นต้น มีฟีเจอร์ที่เหมาะสมกับการพัฒนาโปรแกรม นอกจากนี้ Visual Studio Code ยังมีการจัดรูปแบบ โคด้ ทำให้นักพัฒนาสามารถพัฒนาโปรแกรมได้อย่างรวดเร็ว เกิดขอ้ ผิดพลาดนอ้ ย มีตวั ช่วยทำให้รู้ตาแหน่งของโค้ด ที่ผิดพลาดได้ง่าย และมี Extensions เพื่อให้สามารถเพิ่มเครื่องมือจากนักพัฒนาภายนอกเข้ามาใช้งานเพื่อให้ พัฒนาแอปพลเิ คชันสะดวกรวดเรว็ ย่งิ ขนึ้ 3) โปรแกรม PostgreSQL โปรแกรม PostgreSQL คือ ระบบจัดการฐานข้อมูล ที่สามารถ นำไปใช้งานได้โดยไม่มีค่าใช้จ่าย มีการพัฒนามาจาก POSTGRES 4.2 โดยมหาวิทยาลัยแคลิฟอร์เนีย ตั้งแต่ค.ศ. 1977 สามารถทำงานบนระบบปฏบิ ัติการไดท้ ั้ง Windows Linux และ UNIX (AIX BSD HPUX SGI Irix Mac OS X Solaris Tru64) ปัจจุบันโปรแกรม PostgreSQL ไม่อยู่ภายใต้การควบคุมขององค์กรใดโดยเฉพาะแต่มีผู้ร่วม พัฒนาจากทั่วโลกทำให้โปรแกรม PostgreSQL มีการปรับปรุงอย่างต่อเนื่อง โปรแกรม PostgreSQL เป็นระบบ จัดการฐานข้อมูลเชงิ วตั ถสุ มั พันธ์ (objectrelational database management system :ORDBMS) คือ ผใู้ ช้งาน สามารถใช้งานฐานข้อมูลด้วยการใช้คำถาม (query) เพื่อสืบค้นข้อมูลภายในฐานข้อมูลนั้นได้ โดยที่ผู้ใช้ไม่ รายงานความก้าวหน้าการวจิ ัย (2 เดือน) Inception Report หน้า | 34

โครงการประเมนิ พ้นื ท่เี สย่ี งภัยแลง้ และความเสียหายของพืชเกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะท่ี 2 จำเปน็ ต้องทราบถงึ โครงสร้างภายในของฐานข้อมูล ระบบสามารถใชร้ ูปแบบคำสั่งของภาษา SQL ได้เกือบทั้งหมด รวมถงึ มีชนิดข้อมูลท่ผี ูใ้ ชก้ ำหนดขึน้ (user defined data type) 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 ระบบพิกดั ของเรขาคณติ ซง่ึ จะถูกเก็บไว้ในฟิลด์ Geometry 5) โปรแกรม Quantum GIS หรือนิยมเรียกว่า โปรแกรม QGIS คือ โปรแกรมเดสก์ท็อป GIS สำหรบั จัดการขอ้ มลู ภมู ิศาสตร์ สามารถนำไปใช้งานได้โดยไม่มขี ้อจำกดั มลี กั ษณะการใช้งานผ่านส่วนประสานงาน กับผใู้ ช้(Graphic user interface) ทำให้สามารถใชง้ านไดส้ ะดวก ท้งั ในการเรียกใช้ขอ้ มลู ภาพ ตาราง การแสดงผล ตารางและกราฟ ตลอดจนการสืบค้นข้อมลู วิเคราะหข์ ้อมูล และนำเสนอข้อมลู ในรปู แบบแผนทีต่ ามความต้องการ ได้ สามารถเรียกใช้และแก้ไขข้อมูลเวกเตอร์ แรสเตอร์ในรูปแบบที่เป็นมาตรฐานต่างๆ ได้มากมาย เช่น ESRI shapefile Mapinfo GeoTIFF JPEG และErdas Imagine Images เป็นต้น นอกจากนี้ยังสนับสนุนการวิเคราะห์ เชิงพื้นท่ี (Spatial analysis) และการแสดงผล ข้อมูลเชิงตำแหน่งในรูปแบบของแผนท่ี การสร้างและการแก้ไข ขอ้ มูลเชงิ ขอ้ มลู เชงิ พื้นท่ี (Spatial data) และขอ้ มูลเชงิ คุณลกั ษณะ (attribute data) สามารถจดั การข้อมูลได้ง่าย โดยใชเ้ คร่ืองมอื ตาม GUI ท่มี อี ยู่ นอกจากนี้ ยงั สามารถเชือ่ มต่อกับรูปแบบการจัดการฐานขอ้ มลู เชิงพืน้ ท่ี (Spatial RDBMS) ได้ เชน่ PostgreSQL เป็นต้น 2.8.3 เทคโนโลยีและภาษาท่ใี ชใ้ นการพฒั นาแพลตฟอรม์ 1) ภาษา HTML ย่อมาจาก hypertext markup language เป็นภาษาคอมพิวเตอร์ประเภท markup language รูปแบบหนึ่ง ถือเป็นภาษาหลักที่ใช้ในการเขียนเว็บเพจ มีแม่แบบมาจากภาษาSGML (standard generalized markup language) โดยตัดความสามารถบางส่วนออกไป เพื่อให้สามารถทำความ เข้าใจและเรียนรู้ได้งา่ ยขึ้น HTML พัฒนาขึ้นเมื่อปี 1980 และได้รับการพัฒนาอยา่ งตอ่ เน่ือง โดยมีการพัฒนาและ กำหนดมาตรฐานจากองค์กร World Wide Web Consortium (W3C) คือ องค์กรระหว่างประเทศทำหน้าท่ี จัดระบบมาตรฐานที่ใช้งานบนอินเทอร์เน็ต (WWW) ภาษา HTML มีโครงสร้างการเขียนที่ใช้ตัวกำกับ (tag) ควบคุมการแสดงผลของข้อความ รูปภาพ หรือวัตถุอื่นๆ ผ่านโปรแกรม เบราว์เซอร์ซึ่งถือเป็นลักษณะเฉพาะของ ภาษา HTML โดยแต่ละ tag อาจจะมีส่วนขยาย เรียกว่า attribute เพื่อระบุหรือควบคุมการแสดงผลสำหรับการ หนา้ | 35 รายงานความกา้ วหน้าการวิจยั (2 เดือน) Inception Report

โครงการประเมินพ้ืนทเี่ สีย่ งภยั แลง้ และความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 จัดรูปแบบของเว็บเพิ่มเติม ในการเรียกใช้งาน หรือทดสอบการทำงาน จะใช้โปรแกรม Internet Web Browser เช่น Microsoft edge Google Chrome และMozilla Firefox เปน็ ต้น 2) ภาษา CSS ย่อมาจาก cascading style sheets มักเรียกโดยย่อว่า \"สไตล์ชีต\" ใช้สำหรับ จดั รปู แบบการแสดงผลเอกสารทเี่ ขียนจากภาษา HTML เปน็ คำสง่ั ทเ่ี ข้ามาเสริมการแสดงผลบนหน้าเว็บเพจ 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 แสดงผลให้ทั้งหนา้ เพจทีม่ ีการใชง้ าน CSS เหมือนกันได้ ช่วยให้การปรับปรุงเวบ็ เพจในสว่ นของการแสดงผลทำได้ อยา่ งรวดเรว็ สามารถใชง้ านไดห้ ลากหลายเวบ็ เบราว์เซอร์และสามารถกำหนดให้แยกออกจากไฟล์เอกสาร HTML สามารถนำมาใช้ร่วมกับเอกสารหลายไฟล์ได้ 3) ภาษา JavaScript คือ ภาษาคอมพิวเตอร์สำหรับเขียนโปรแกรมบนระบบอินเทอร์เน็ต เพ่ือ เพิ่มความสามารถให้กับเว็บเพจ ช่วยให้เว็บเพจมีความเคลื่อนไหว และสามารถโต้ตอบกับผู้ใช้งานได้มากขึ้น เช่น การใชเ้ ม้าสค์ ลิก การกรอกแบบฟอร์ม เป็นตน้ ได้รับการพฒั นาข้นึ โดยบริษัท Netscape เพ่อื เพ่ิมลูกเล่นให้กับเว็บ เพจบนเบราว์เซอร์ JavaScript เป็นภาษาประเภท Interpreter language คือ คอมพิวเตอร์จะแปลความและ ทำงานตามคำส่ังแบบทีละคำสัง่ โดยมีลักษณะการทำงานสนับสนุนการเขยี นโปรแกรมเชิงวัตถุ (object-oriented programming: OOP) ที่มีเป้าหมายเพื่อออกแบบและพัฒนาโปรแกรมในระบบอินเทอร์เน็ต ช่วยให้ผู้เขียนภาษา HTML สามารถทำงานข้ามแพลตฟอร์มได้ และสามารถทำงานร่วมกับภาษา HTML ได้ทั้งทางฝั่งไคลเอนต์และฝั่ง JavaScript เป็นเทคโนโลยีที่สคริปต์ทำงานบนฝั่งไคลเอนต์ (client side script) ซึ่งจะประมวลผลบนเครื่อง คอมพิวเตอร์ของผู้ใช้ผ่านการทำงานบนเว็บเบราว์เซอร์ซึ่งเว็บเบราว์เซอร์ได้ทำการรวมภาษา JavaScript และ ออบเจ็กต์ต่างๆ เตรียมไว้ให้แล้ว ทำให้ไม่ต้องมีการประมวลผลบนเครื่องเว็บเซิร์ฟเวอร์ซึ่งจะช่วยให้การทำงานได้ รวดเร็ว เทคนิคการเขียนแบบ client side script นี้ทำให้สามารถสร้างเว็บเพจแบบไดนามิกได้ คือ เว็บเพจ สามารถเปลีย่ นแปลงไปตามเหตกุ ารณ์ตา่ งๆ ไดเ้ ปน็ อย่างดี 4) Flutter เป็น Open-source ฬนการพัฒนา SDK สรา้ งข้ึนโดย Google เพอื่ ใช้ในการพัฒนา โปรแกรมประยุกต์สำหรับ Android และ IOS ภาษาที่ใช้คือภาษา Dart โดย Flutter จะมี Component พื้นฐาน สำหรบั การใช้งานในการพฒั นาโมบายแอปพลิเคชัน (Mobile Application) 5) Node.JS เป็นการเขียนโปรแกรมเซริ ์ฟเวอรโ์ ดยใช้ภาษา JavaScript มีประสทิ ธิภาพในเร่ือง การประมวลผล และสามารถติดตั้งได้ง่าย พร้อมมีโมดูลต่าง ๆ ให้ใช้งานได้มากมาย ซึ่งในปัจจุบันการรับส่งข้อมูล ระหว่างเว็บแอปพลิเคชันกับโปรแกรมต่าง ๆ นั้น จะต้องใช้ API หรือ Application Programming Interface เป็นตัวกลางเพื่อให้รับส่งหรือเชื่อมต่อถึงกัน ซึ่ง API ดังกล่าวนั้นมีหลากหลายเครื่องมือ แต่เครื่องมือที่นิยมใช้กัน รายงานความกา้ วหน้าการวิจยั (2 เดือน) Inception Report หนา้ | 36

โครงการประเมนิ พื้นท่เี ส่ยี งภัยแล้งและความเสยี หายของพืชเกษตรรายแปลง ดว้ ยเทคโนโลยภี ูมสิ ารสนเทศ ระยะที่ 2 มากคอื Node.JSเน่ืองจาก Node.js มีการประมวลผลอย่างรวดเรว็ ในปจั จุบนั Node.js ถกู นำมาพัฒนาเป็น Web Server, IOT 6) REST (Representational State Transfer) รูปแบบการส่งข้อมูลของ REST ระหว่าง Server-Client เป็นรูปแบบหนึ่งซึ่งอยู่บนพื้นฐาน ของ HTTP Protocol เป็นการสร้าง Web Service เพ่ือ แลกเปลย่ี นข้อมลู กนั ผา่ นApplication วธิ หี นง่ึ ซงึ่ สง่ ขอ้ มลู ไดห้ ลายชนิด ไมว่ า่ จะเปน็ Text XML JSON หรือส่งมา เป็นหน้า HTMLแต่ส่วนใหญ่แล้วจะเลือกชนิด JSON มากกว่าเนื่องจากรองรับได้ทั้งหลายรูปแบบไม่ว่าจะเป็น Browser หรือ Mobile และยังสามารถใช้งานร่วมกับ Web Service ประเภทอื่นๆได้เพียงแค่ทราบ URL ก็ สามารถแลกเปลี่ยนข้อมูลกันได้ รวมถึงจัดการข้อมูลง่ายกว่า เพียงแค่รับข้อมูลมาจากนั้นนำข้อมูลไปแสดงผลใน เรอื่ งต่าง ๆ หน้า | 37 รายงานความกา้ วหนา้ การวิจัย (2 เดือน) Inception Report

โครงการประเมนิ พืน้ ที่เสีย่ งภยั แล้งและความเสยี หายของพชื เกษตรรายแปลง ด้วยเทคโนโลยภี ูมิสารสนเทศ ระยะที่ 2 2.9 งานวิจัยท่ีเกี่ยวขอ้ ง Willibroad, 2019 ได้ทำการศึกษาความแห้งแล้งเชิงพื้นที่รอบสภาพแวดล้อมของทะเลสาบ ประเทศ แอฟริกา เนอื่ งจากประชากรโลกเพมิ่ ขึ้นเร่ือย ๆ และมีการเพาะปลูกมากข้ึน การสกัดสภาพพชื พันธุ์โดยใช้การรับรู้ จากระยะไกลมีความสำคัญในการติดตามการเปลี่ยนแปลงของที่ดินในพื้นที่ที่มีการสังเกตการณ์ภาคพื้นดิน แหล่ง นำ้ ในพน้ื ท่ีชุ่มนำ้ ส่งผลโดยตรงตอ่ การเจรญิ เติบโตของพชื และความหลากหลายทางชวี ภาพ การเฝา้ ระวงั ภัยแล้งจึง เป็นสิ่งที่สำคัญในพื้นที่ดังกล่าว 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 ่าความถูกตอ้ งร้อยละ 90 และค่าดชั นแี คปปา เทา่ กบั 0.8 Rajalakshmii 2013 แบบจำลองภูมิอากาศระดับภูมิภาค (RCM) ซึ่งส่วนใหญ่ใช้ในการศึกษาการ เปลี่ยนแปลงสภาพภูมิอากาศรวมไปถึงการทำนายฤดูกาล ซึ่งแบบจำลอง RegCM เป็นแบบจำลองหนึ่งที่เป็น แบบจำลองภูมิอากาศระดับภูมิภาคที่ถูกพัฒนาขึน้ จากสถาบัน International Centre for Theoretical Physics (ICPT) ซ่ึงการศกึ ษาแบบจำลอง RegCM ไดม้ กี ารศกึ ษามาอย่างต่อเนื่องซึ่งในการศึกษานี้ได้เปรียบเทียบให้เห็นการ พัฒนาแบบจำลองจาก RegCM เวอรช์ ัน 3 และ เวอร์ชัน 4 ที่ความละเอยี ดเชิงพืน้ ที่ท่ี 25 กิโลเมตร จากการศึกษา พบว่าแบบจำลองเวอร์ชันที่ 4 ให้ค่าการประมาณการที่เพิ่มขี้นของอุณหภูมิสูงสุด อุณหภูมิต่ำสุด ปริมาณน้ำฝน สำหรับค่าความชื้นสัมพัทธ์เพิ่มขี้นเล็กน้อย และการแผ่รังสีแสงอาทิตย์และความเร็วลมลดลงเมื่อเปรียบเทียบกับ เวอร์ชนั ที่ 3 Phan Van, 2014 ไดท้ ำการศึกษาและตรวจสอบความสามารถในการคาดการณส์ ภาพอากาศตามฤดูกาล แบบพลวัต (Dynamic Model) ที่บริเวณประเทศเวียดนามผ่านแบบจำลองการพยากรณ์ระดับภูมิภาคหรือ RegCM ที่เวอร์ชัน 4.2 โดยใช้ในการคาดการณ์อุณหภูมิอากาศเฉลี่ย 2 เมตร (T2) อุณหภูมิสูงสุด (Tx) และต่ำสุด (Tn) ในชว่ งเดือนมกราคม 2012 ถงึ พฤศจกิ ายน 2013 โดยใชเ้ งอ่ื นไขเร่ิมตน้ และเง่ือนไขค่าขอบจากข้อมูล NCEP Climate Forecast System (CFS) ซึ่งงานวิจัยจะใช้ผลที่ได้จากแบบจำลองมาทำการวิเคราะห์ค่าอุณหภูมิที่ บริเวณประเทศเวียดนาม ทั้งนี้ในกรณขี องการคาดการณ์ล่วงหน้าต้ังแต่ปัจจุบนั ไปถึงหกเดือนขา้ งหน้า ผลการวิจัย ในเชิงเทคนิคพบว่าการปรับแก้ผลจากการปรับแก้ผลพยากรณ์ผ่านกระบวนการปรับแก้ (Bias Correction) จะค่า ของอุณหภมู ิที่คาดการณ์ดีกวา่ ไมผ่ า่ นกระบวนการปรบั แก้ (Bias Correcrtion) Arini 2015 ไดท้ ดสอบประสิทธิภาพของแบบจำลอง RegCM เวอร์ชันที่ 4 ในการจำลองปรมิ าณน้ำฝนโดย ทำการเปรียบเทียบกับขอ้ มูลสงั เกต APHRODITE และ CRU ในระยะเวลาการจำลองนาน 19 ปี ตัง้ แต่ปี 1982 ถงึ ปี 2000 ที่บริเวณเกาะกาลิมันตัน ประเทศอินโดนีเซีย จากการศึกษาและการวิเคราะห์ผ่านกระบวนการทางสถิติ คำนวณด้วยวิธี Maximum Dry Spell Length (MDSL) และ Probability Distribution Function (PDF) พบว่า รายงานความกา้ วหนา้ การวจิ ยั (2 เดือน) Inception Report หน้า | 38