Statistical Methods for Analyzing Rainfall in Thailand and the Southern Oscillation Index

วิธีการทางสถิติสำหรับวิเคราะห์ปริมาณน้ำฝนของประเทศไทยและดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้

Name: Mayuening Eso

Organization : Prince of Songkla University, Pattani Campus Faculty of Science and Technology

keyword: น้ำฝน

; วิทยาศาสตร์

Abstract: This dissertation applies statistical methods to two different datasets. The thesis comprises two studies. The objectives of the first study are to classify daily rainfall of 114 stations in the period 2001-2012 across Thailand as well as to investigate their patterns. Factor analysis and gamma-distributed generalized linear model (GLM) are used to fit the data and the following results were observed. Factor analysis has been able to divide the area of Thailand into seven regions with explanation of 58.9% of the total variance. Those regions are North, Lower north, North-east, Central, Upper south, South-west and South-east. After observing the correlation between the stations, seven regions can be finally reduced into four distinct regions namely: north (combining the stations from north and north-east regions), central (combining the stations from central and east), south-east and south-west. The rainfall in rainy season for each region is then chosen for further analysis. In north and central, the rainy season is in the period of April to October (six months). In south-east and south-west, the rainy season is in late September to early January (four months) and April to November (eight months), respectively. Moreover, the response variables of the study are 5-day averages rainfall in the period of rainy season of each region and the determinants are year and month. The gamma models are used to fit the data for those regions. The deviance residual plots from the models provide a reasonable fit. The results suggest that daily rainfall has less variation in north, central and south-west for the 12 years, but the north receives significantly heavy rainfall in 2011. However, daily rainfall in south-east fluctuates throughout the 12 years. The unusual heavy rain occurs in 2005, 2008, 2010 and 2011. Some previous studies reported that rainfall has a relationship with Southern Oscillation Index (SOI) in various countries such as Indonesia, Australia, Brazil and China, etc. Therefore, the second study examines the relationship between large-scale SOI data and rainfall in Thailand and explores the characteristics of the SOI between 1876 and 2014. The correlation coefficients suggest that there are no association between rainfall and the SOI for the four regions of Thailand. In addition, the cumulative monthly SOI has shown that the data can be categorized into four periods. The first period, from 1876 to 1919, shows no trend. An increasing trend is apparent in the second period from 1920 until 1975 while a decreasing trend is apparent in the third period, 1976 to 1995. In the last period, between 1996 and 2014, the SOI appears fairly stable. The SOI is further examined using linear regression and autoregressive (AR) models on boxcar function where the function model the trends of the SOI. Finally, we can conclude that the SOI is quite similar to a random noise process.
วิทยานิพนธ์ฉบับนี้นำเสนอการประยุกต์ใช้วิธีการทางสถิติกับข้อมูลปริมาณน้ำฝนรายวันจากสถานีตรวจอากาศ 114 สถานีในประเทศไทย ปี พ.ศ. 2544 ถึง พ.ศ. 2555 และข้อมูลดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้ (Southern Oscillation Index: SOI) ปี พ.ศ. 2419 ถึง พ.ศ. 2557 การศึกษาแรกมีวัตถุประสงค์เพื่อจัดกลุ่มสถานีตรวจอากาศ 114 สถานีในประเทศไทยด้วยวิธีการวิเคราะห์ปัจจัย (Factor analysis) และศึกษารูปแบบการกระจายของปริมาณน้ำฝนรายวันของสถานีเหล่านั้นด้วยตัวแบบเชิงเส้นนัยทั่วไปที่มีการแจกแจงแบบแกมมา (Gamma-distributed generalized linear model) ผลการศึกษาพบว่า การวิเคราะห์ปัจจัยสามารถแบ่งสถานีตรวจอากาศ 114 สถานีในประเทศไทยเป็นเจ็ดกลุ่ม ได้แก่ ภาคเหนือตอนบน ภาคเหนือตอนล่าง ภาคตะวันออกเฉียงเหนือ ภาคกลาง ภาคใต้ตอนบน ภาคใต้ฝั่งตะวันตก และภาคใต้ฝั่งตะวันออก ซึ่งวิธีการวิเคราะห์ปัจจัยสามารถอธิบายความแปรปรวนของข้อมูล 58.9% ทั้งนี้เมื่อพิจารณารูปแบบการกระจายของปริมาณน้ำฝนแต่ละภาค และความสัมพันธ์ของปริมาณน้ำฝนระหว่างภาคต่าง ๆ สามารถจัดกลุ่มสถานีตรวจอากาศใหม่ลดลงเหลือสี่กลุ่ม ได้แก่ ภาคเหนือ (รวมสถานีที่อยู่ทางภาคเหนือและภาคตะวันออกเฉียงเหนือ) ภาคกลาง (รวมสถานีที่อยู่ทางภาคกลางและภาคตะวันออก) ภาคใต้ฝั่งตะวันออก และภาคใต้ฝั่งตะวันตก ขั้นต่อไปวิเคราะห์ข้อมูลปริมาณน้ำฝนทั้งสี่ภาคด้วยตัวแบบเชิงเส้นนัยทั่วไปที่มีการแจกแจงแบบแกมมาโดยเลือกเฉพาะช่วงฤดูฝน สำหรับฤดูฝนของภาคเหนือและภาคกลาง คือ ช่วงเดือนเมษายนถึงตุลาคม (ประมาณหกเดือน) ฤดูฝนของภาคใต้ฝั่งตะวันออก คือ ช่วงปลายเดือนกันยายนถึงต้นเดือนมกราคม (ประมาณสี่เดือน) และฤดูฝนของภาคใต้ฝั่งตะวันตก คือ ช่วงเดือนเมษายนถึงพฤศจิกายน (ประมาณแปดเดือน) ผลการศึกษาพบว่า ปริมาณน้ำฝนรายวันเฉลี่ยแต่ละปีของภาคเหนือ ภาคกลาง และภาคใต้ฝั่งตะวันตกมีความแปรปรวนค่อนข้างน้อย แต่ปี พ.ศ. 2554 ภาคเหนือมีปริมาณน้ำฝนรายวันเฉลี่ยสูงกว่าค่าเฉลี่ยรวมอย่างมีนัยสำคัญ ส่วนภาคใต้ฝั่งตะวันออกมีปริมาณน้ำฝนรายวันเฉลี่ยแต่ละปีไม่คงที่ ในปี พ.ศ. 2548 2551 2553 และ 2554 มีปริมาณน้ำฝนรายวันเฉลี่ยสูงกว่าค่าเฉลี่ยรวม เนื่องด้วยการศึกษาในอดีตรายงานว่า ดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้มีความสัมพันธ์กับปริมาณน้ำฝนในประเทศต่าง ๆ เช่น อินโดนีเซีย ออสเตรเลีย บราซิล และจีนเป็นต้น ดังนั้นการศึกษาที่สองมีวัตถุประสงค์เพื่อหาความสัมพันธ์ระหว่างดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้กับปริมาณน้ำฝนรายวันจากทั้งสี่ภาคของประเทศไทยซึ่งเป็นผลลัพธ์จากการศึกษาแรก และเพื่อตรวจสอบคุณสมบัติ (Characteristics) ของข้อมูลดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้ช่วงปี พ.ศ. 2419 ถึง พ.ศ. 2557 ผลการศึกษาพบว่า ปริมาณน้ำฝนรายวันเฉลี่ยทั้งสี่ภาคของประเทศไทย ปี พ.ศ. 2544 ถึง พ.ศ. 2555 ไม่มีความสัมพันธ์กับดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้ และเมื่อพิจารณาค่าสะสมรายเดือนของดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้ พบว่า สามารถแบ่งข้อมูลออกเป็นสี่ช่วงเวลา ดังนี้ ช่วงแรก คือ ปี พ.ศ. 2419 ถึง พ.ศ. 2462 ค่าดัชนีสะสมรายเดือนไม่ปรากฏแนวโน้มเพิ่มขึ้นหรือลดลง ช่วงที่สอง คือ ปี พ.ศ. 2463 ถึง พ.ศ. 2518 ค่าดัชนีสะสมรายเดือนมีแนวโน้มเพิ่มขึ้น ช่วงที่สาม คือ ปี พ.ศ. 2519 ถึง พ.ศ. 2538 ค่าดัชนีสะสมรายเดือนมีแนวโน้มลดลง และช่วงที่สี่ คือ ปี พ.ศ. 2539 ถึง พ.ศ. 2557 ค่าดัชนีสะสมรายเดือนไม่ปรากฏแนวโน้มเพิ่มขึ้นหรือลดลง ดังนั้นเพื่อยืนยันว่า ข้อมูลดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้มีแนวโน้มเพิ่มขึ้นหรือลดลงในช่วงเวลาต่าง ๆ เหล่านั้นจริงหรือไม่ วิธีการทางสถิติที่เหมาะสม ได้แก่ ตัวแบบการถดถอยเชิงเส้น (Linear regression model) และตัวแบบถดถอยบนตัวเอง (Autoregressive model) ถูกนำมาประยุกต์ใช้ในการวิเคราะห์ข้อมูล โดยตัวแปรตาม คือ ดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้ และตัวแปรอิสระ คือ Boxcar function ซึ่งเป็นฟังก์ชันที่ใช้ระบุแนวโน้มในช่วงเวลาต่าง ๆ ของข้อมูล ผลการศึกษาพบว่า ไม่พบแนวโน้มใด ๆ ในสี่ช่วงเวลาข้างต้น จึงสรุปได้ว่า ดัชนีความผันแปรของระบบอากาศบริเวณซีกโลกใต้เป็นค่าที่เกิดขึ้นอย่างสุ่ม ๆ ไม่สามารถคาดการณ์ได้ (Random noise process)

Prince of Songkla University, Pattani Campus

Address: PATTANI

Email: oar.psu@gmail.com

Name: Don McNeil

Role: Advisor

Created: 2015

Modified: 2560-07-04

Issued: 2560-07-04

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Research Methodology

Grantor: Prince of Songkla University, Pattani Campus

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	TC1307.pdf	7.74 MB	9	2020-04-18 16:08:06

ใช้เวลา

-0.840114 วินาที