โครงข่ายประสาทเทียมและบทบาทของแบบจำลองในการบริหารจัดการความเสี่ยงน้ำท่วมในเทศบาลนครเชียงใหม่

Artificial neural network and influence of modeling on flood risk management in Chiang Mai municipality

Name: ยุพิน ไชยสมภาร

ThaSH: น้ำท่วม -- เชียงใหม่

ThaSH: การป้องกันน้ำท่วม -- เชียงใหม่

ThaSH: พยากรณ์น้ำท่วม -- เชียงใหม่

Abstract: การศึกษาวิจัยในหัวข้อ "โครงข่ายประสาทเทียมและบทบาทของแบบจำลองในการบริหารจัดการ ความเสี่ยงน้ำท่วมในเทศบาลนครเชียงใหม่" มีวัตถุประสงค์ในการศึกษาทั้งหมด 2 ข้อคือ (1) เพื่อ ศึกษาปัจจัยที่มีอิทธิพลต่อประสิทธิภาพของแบบจำลอง โครงข่ายประสาทเทียมในการคาดการณ์ระดับน้ำ สถานี P.1 โดยใช้ข้อมูลน้ำฝนรายวันจากแบบจำลอง WRF-ECHAM 5 ขนาดกริด 20*20 กิโลเมตร ข้อมูลที่ลดขนาดกริดเป็น 10*10 กิโลเมตร (วิธีการ Interpolation แบบ IDW และ Kriging) และข้อมูลระดับน้ำในเขื่อนแม่งัดสมบูรณ์ชลเป็นข้อมูลนำเข้า พร้อมทั้งกำหนดโครงสร้างภายในให้กับแบบจำลองเป็น การเรียนรู้แบบ LM จำนวนชั้นซ่อนเร้น 1 และ 2 ชั้นซ่อนเร้น จำนวนโหนดในชั้นซ่อนเร้นเป็น 1.50% และ n โหนด (2) เพื่อวิเคราะห์การยอมรับแบบจำลอง และบทมาทของแบบจำลองในการบริหารจัดการความเสี่ยงน้ำท่วมระยะยาวของกลุ่มหน่วยงานรัฐที่เกี่ยวข้องและชุมชน โดยผู้วิจัยกำหนดชุดคำถามหลักที่ใช้ในการสัมภาษณ์ เป็น 2 ส่วนประกอบด้วย 1) ชุดคำถามที่เน้นการออกแบบมาตรการจัดการน้ำท่วม ซึ่งได้กำหนดแนวทางวิธีการรับมือน้ำท่วมเชิงโครงสร้างและเชิงนโยบายให้กับกลุ่มตัวอย่างเลือกแสดงความคิดเห็นผ่านการออกแบบมาตรการตามแนวทางดังกล่าว โดยใช้แผนที่เสียงน้ำท่วมที่วิเคราะห์จากเหตุการณ์น้ำท่วมในอดีต (ชุด A) และน้ำท่วมที่ได้จากการคาดการณ์อนาคต 30 ปี (ชุด B) เป็นตัวช่วยในการตัดสินใจออกแบบมาตรการรับมือน้ำท่วนซึ่งผลที่ได้จากการตอบคำถามในส่วนแรกถูกนำไปวิเคราะห์ภายใต้แนวคิดการยอมรับนวัตกรรม (TAM) 2) เป็นชุดคำถามที่เน้นให้คะแนนการรับรู้ถึงประโยชน์ของเทคโนโลยีคำตอบที่ได้จากการตอบคำถามในส่วนนี้จะถูกนำมาพิจารณาร่วมกับคำถามขั้นที่ 1 เพื่อแสดงให้เห็นถึงความสอดคล้องของระดับการขอมรับเทคโนโลยี กับปัจจัยที่ได้มาจากวิเคราะห์โดยแบบจำลองการยอมรับเทคโนโลยี ผลการศึกษาพบว่า แบบจำลองที่ใช้ข้อมูลน้ำฝนนำเข้าแบบ IDW ขนาดกริด 10*10 กิโลเมตรชั้นซ่อนเร้นจำนวน 1 ชั้นซ่อนเร้นมีผลต่อการพยากรณ์ของแบบจำลองมากกว่า 2 ชั้นซ่อนเร้น และโหนดในชั้นซ่อนเร้นที่ n โหนด มีอิทธิพลต่อความแม่นยำของแบบจำลองโครงข่ายประสาทเทียมมากที่สุดเมื่อเทียบกับแบบจำลองที่ใช้ข้อมูลน้ำฝนนำเข้าขนาดกริด 20*20 กิโลเมตร และแบบจำลองที่เพิ่มข้อมูลระดับน้ำจากเขื่อนร่วมกับข้อมูลน้ำฝนขนาดกริด 10*10 กิโลเมตร โดยพบค่าความคลาดเคลื่อนของเหตุการณ์อยู่ระหว่าง 0 - (-0.6) เมื่อนำค่าความคลาดเคลื่อนไปใช้ในการปรับแก้ค่าพยากรณ์ในอนาคต 30 ปี พบว่าในอนาศตจะเกิดเหตุการณ์น้ำท่วมทั้งหมด 4 เหตุการณ์ (ค.ศ. 2042 ค.ศ 2047 ค.ศ 2052 และ ค.ศ 2059) ในช่วงเวลา 30 ปี ซึ่งเห็นได้ชัดว่าการเปลี่ยนแปลงความเข้ม และจำนวนวันที่ตกของฝนภายใต้การเปลี่ยนแปลงสภาพภูมิอากาศ ส่งผลต่อเหตุการณ์น้ำท่วมที่ลดลงเมื่อเทียบกับในอดีตที่ผ่านมา ต่อมาในส่วนของผลการศึกษาการยอมรับแบบจำลองในฐานะเทคโนโลยี พบว่าระดับการยอมรับของกลุ่มตัวอย่างส่วนใหญ่มีค่าการยอมรับเท่ากับ 3 (ระดับมาก) โดยที่ผลการการยอมรับในแต่ละระดับจะสัมพันธ์กับบทบาทหน้าที่ และประสบการณ์ทำงางานของกลุ่มตัวอย่างในด้านการจัดการน้ำท่วมมากกว่าปัจจัยอื่น ซึ่งหน่วยงานที่มีบทบาทหน้าที่ในการจัดการน้ำท่วมเชิงปฏิบัติการ (ทำงานร่วมกับชุมชนในพื้นที่) ส่วนใหญ่จะไม่ยอมรับผลการพยากรณ์ความเสี่ยงอนาคตไปใช้ในการวางแผน แต่สำหรับในมุมมองของหน่วยงานที่เน้นการวางแผนในทางกฎหมาย และออกแบบนโยบายในระยะยาวกลับเลือกยอมรับ และนำผลการพยากรณ์ไปใช้ในการออกแบบมาตรการจัดการน้ำท่วมในพื้นที่ นอกจากระดับของการยอมรับแบบจำลอง ที่สัมพันธ์กับบทบาทหน้าที่ของกลุ่มตัวอย่างแล้วผลจากการวิเคราะห์ค่าคะแนนการยอมรับยังแสดงให้เห็นว่าการเลือกใช้แบบจำลองส่วนใหญ่แล้วจะถูกนำไปใช้ในวิธีการเชิงนโยบายมากกว่าในเชิงโครงสร้าง

Abstract: This research on “Artificial Neural Network and Influence of Modeling on Flood Risk Management in Chiang Mai Municipality” has 2 objectives. First, it is to study influence factors the performance of ANN model for predicting water level at P.1 station, using daily rainfall data from WRF-ECHAM 5 model with cell size 20*20 Kilometer and downscaled rainfall data of 10*10 Kilometer sized cells (Interpolation method downscaling: IDW and Kriging) and water level data from Mae Ngad Sombunchon dam, while setting preferred architecture structure of model as LM learning algorithm, 1 and 2 hidden layers and 1, 50% and node. And secondly, it is to analyze proposed product of the ANN model’s acceptance and usefulness in long- term flood risk management among selected responsible governmental agencies and communities. The questionnaires and interview guidelines were used together in in-depth interview, which is divided into 2 parts. The prior part contains questions that focus on designing flood management measures while observing usefulness of flood risk maps produced from the model compared with the risk map from historical data. The sample group can choose to use maps A, conventional map of flood occurrence, and/or B, predicted 30 years future flood risk map by the model for designing long-term flood coping measures. Then, the later part of the questions focuses on scoring recognition level of the benefits of the technology. All answers are analyzed together in revealing the consistency of the technology acceptance level and the factors behind it using Technology Acceptance Model or TAM as analytical framework. The result yields most appropriate input data to be IDW rainfall data grid 10*10 kilometer, 1 hidden layer with the performance to prediction of ANN model more than 2 hidden layer, and hidden node n node with the highest influence on the accuracy of the artificial neural network model, compared to the model that uses imported rainfall data for grid sizes of 20 * 20 kilometers and models that add water level data from dams together with grid size rainfall data. * 10 kilometers. The result though has an error of event with 0-(-0.6) when the error value is used to adjust the forecast value in the future for 30 years. The result of the prediction in the further reveals 4 floods events (on the year 2042, 2047, 2052 and 2059) during the 30 years span, confirming the influence of climate change on the number of rainy days and rain flood intensity. As for the second research objective, it was found that the acceptance level of most predicted flood risk users have the acceptance value of 3 ( of fairly high level.) Factors analysis points out that the acceptance at each level is related to the characteristics of work roles and work experience of the users in flood management more than other assumed factors under TAM. Furthermore, it is found that the administrative agencies that have a role in flood emergency management (working closely with communities) are not likely to easily accept the results of forecasted future risk from the model for flood management planning. On the other hand, from the point of view of the users that focus on legal planning and policies designing in the longer timeframe, the predicted future flood risk map is accepted and consequently chosen for implementation. Analysis from assessed levels of model acceptance in relation to flood coping measures further shows that the risk map B, forecasted by the model, are used in mostly policy type of flood coping measures than in structural measures.

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: ทวี ชัยพิมลผลิน

Role: อาจารย์ที่ปรึกษา

Name: ญาณิน จิวะดาการ หุยากรณ์

Role: อาจารย์ที่ปรึกษา

Created: 2563

Modified: 2568-02-16

Issued: 2568-01-15

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: ภูมิศาสตร์และภูมิสารสนเทศศาสตร์

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	590431016.pdf	5.11 MB	7	2025-03-12 11:50:39

ใช้เวลา

0.036959 วินาที