Downscaling general circulation models for spatial data using interpolation and machine learning model

การลดขนาดแบบจำลองหมุนเวียนทั่วไปสำหรับข้อมูลเชิงพื้นที่โดยใช้การประมาณค่าช่วงและตัวแบบการเรียนรู้ของเครื่อง

Name: Chotirose Prathom

ThaSH: Atmospheric models

ThaSH: Data mining

ThaSH: Climatic changes

ThaSH: Machine learning

Abstract: Climate change is now a global problem which can impact on a local scale. It doesn’t only impact on pattern of climate in long term, but also has chained effect on human life and nature in many sectors, which could be endangers. To reduce the severity of the impact from the change, future climate prediction from General Circulation Models (GCMs) is essential. However, the prediction is in the coarse spatial scale and should not be used directly for local scale projection. So, downscaling, a process to increase spatial resolution, is required. Nevertheless, some area, may not be able to use the traditionally method according to insufficient of observed data, also Thailand. Hence, this study aims, to propose a high accuracy GCMs downscaling process under the limitation in quantity of the observed data of Thailand. To explore the proper one, six combination methods of three interpolation techniques- Inverse Distance Weighing (IDW), Triangular Interpolation Network (TIN) and Kriging and two machine learnings – Artificial Neural Networks (ANN) and Gradient Boosting Regression Tree (GBRT) are performed on downscaling output into 1 km spatial resolution. The result from each combination is evaluated for both accuracy and validity. From the evaluation, IDW-ANN shows the best performance with scores of all metrices below 0.1 for downscaling under the limitation of data quantity.

Abstract: การเปลี่ยนแปลงสภาพภูมิอากาศ (Climate change) เป็นปัญหาที่ส่งผลกระทบทั้งในระดับโลก ภูมิภาค และท้องถิ่น ซึ่งการเปลี่ยนแปลงของรูปแบบสภาพภูมิอากาศในระยะยาวนั้นย่อมส่งผลกระทบต่อการดำรงชีวิตของสิ่งมีชีวิตในหลากหลายมิติ เพื่อที่จะลดความรุนแรงของผลกระทบจากการเปลี่ยนแปลง แบบจำลองหมุนเวียนทั่วไปได้ถูกใช้เพื่อทำนายการเปลี่ยนแปลงสภาพภูมิอากาศในอนาคต อย่างไรก็ตาม เนื่องจากแบบจำลองหมุนเวียนทั่วไปสามารถทำนายภูมิอากาศในระดับโลกเท่านั้น ผลที่ได้จากการทำนายจึงมีความละเอียดเชิงพื้นที่ที่หยาบ และจำเป็นที่จะต้องเพิ่มความละเอียดเชิงพื้นที่ให้ละเอียดมากขึ้นก่อนนำไปใช้งาน โดยอาศัยกระบวนการลดขนาด (Downscaling) ซึ่งการเพิ่มความละเอียดเชิงพื้นที่น้อยกว่า 20 กิโลเมตรนั้นมักจะใช้วิธีการทางสถิติ แต่เนื่องด้วยเงื่อนไขการใช้งานที่ต้องการข้อมูลภูมิอากาศในอดีตที่ได้จากการสำรวจในปริมาณมาก ส่งผลให้ไม่สามารถนำวิธีการดังกล่าวมาใช้ในบางพื้นที่เช่น ประเทศไทย ที่มีข้อมูลในอดีตไม่เพียงพอ วิทยานิพนธ์นี้จึงมุ่งหมายที่จะศึกษาวิธีการที่สามารถลดขนาดผลลัพธ์จากแบบจำลองภายใต้เงื่อนไขข้อมูลภูมิอากาศที่มีอยู่อย่างจำกัดและให้ผลลัพธ์จากการลดขนาดที่มีความถูกต้องสูง โดยในได้ทำการผสมผสาน 3 วิธีการประมาณค่าช่วง ได้แก่ Inverse Distance Weight (IDW), Triangular Interpolation Network (TIN) และ Kriging และ 2 ตัวแบบการเรียนรู้ของเครื่อง ได้แก่ Artificial Neural Network (ANN) และ Gradient Boosting Regression Tree (GBRT) เพื่อลดขนาดผลลัพธ์ของแบบจำลองเพื่อให้มีความละเอียดเชิงพื้นที่ 1 กิโลเมตร จากการศึกษาและวัดประสิทธิภาพของแต่ละการผสมผสานด้วยทั้งความถูกต้องและความเป็นไปได้ พบว่า การผสมผสานระหว่าง IDW-ANN สามารถลดขนาดผลลัพธ์จากแบบจำลองภายใต้เงื่อนไขข้อมูลภูมิอากาศที่มีอยู่อย่างจำกัดได้ดีที่สุด

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Paskorn Champrasert

Role: Advisor

Created: 2566

Modified: 2023-10-06

Issued: 2023-10-06

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	640631118.pdf	2.79 MB	1	2023-12-22 16:21:03

ใช้เวลา

0.035265 วินาที