การพยากรณ์ปริมาณน้ำท่าโดยใช้แบบจำลองการเรียนรู้เชิงลึกและพารามิเตอร์การตอบสนองของเวลา

Streamflow prediction using deep learning and response time parameter

Name: วรินทรา แซ่โล้

ThaSH: มหาวิทยาลัยเกษตรศาสตร์ -- วิทยานิพนธ์. วศ.ม. (วิศวกรรมทรัพยากรน้ำ) 2565

ThaSH: มหาวิทยาลัยเกษตรศาสตร์. สาขาวิศวกรรมทรัพยากรน้ำ -- วิทยานิพนธ์

ThaSH: น้ำท่า -- การประเมิน -- แบบจำลอง

ThaSH: น้ำท่า -- แบบจำลองทางอุทกวิทยา

ThaSH: น้ำท่า -- การพยากรณ์

ThaSH: น้ำฝน -- การวัด

ThaSH: น้ำฝน -- ลุ่มน้ำน่าน

ThaSH: พยากรณ์ทางอุทกวิทยา

ThaSH: การป้องกันอุทกภัย -- ลุ่มน้ำน่าน

ThaSH: ลุ่มน้ำน่าน

Abstract: การพยากรณ์น้ำท่าเป็นหนึ่งในมาตรการป้องกันที่สำคัญสำหรับการบรรเทาความเสียหายจากอุทกภัยที่ส่งผลกระทบต่อชีวิตและทรัพย์สินของมนุษย์ การพัฒนาแบบจำลองที่มีความซับซ้อนร่วมกับชุดข้อมูลที่มีอยู่อย่างเพียงพอจะช่วยให้ผลการคาดการณ์มีความแม่นยำยิ่งขึ้น ในการศึกษานี้ได้เสนอแนวคิดการพยากรณ์น้ำท่าโดยใช้แบบจำลองการเรียนรู้เชิงลึก 4 แบบจำลอง ประกอบด้วย Artificial Neural Networks (ANNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory networks (LSTMs) และ Gated Recurrent Units (GRUs) ร่วมกับการประยุกต์ใช้พารามิเตอร์ของการตอบสนองของเวลาในลุ่มน้ำ เพื่อพยากรณ์อัตราการไหลรายชั่วโมงล่วงหน้า 12 ชั่วโมง ในพื้นที่ลุ่มน้ำน่านตอนบนและลุ่มน้ำเลย ในการศึกษาได้จัดทำแบบจำลองเป็น 2 กรณี ได้แก่ กรณีที่ 1 การประยุกต์ใช้ค่าความสัมพันธ์ทางสถิติ (Case-Correl) และกรณีที่ 2 การประยุตก์ใช้พารามิเตอร์ของการตอบสนองของเวลา (Case-TC) จากผลการศึกษาพบว่า ผลการพยากรณ์อัตราการไหลล่วงหน้า 12 ชั่วโมงที่สถานีวัดน้ำท่า N.1 ของลุ่มน้ำน่านตอนบน และสถานีวัดน้ำท่า Kh.58A ของลุ่มน้ำเลย แบบจำลองในกรณีที่ 2 (Case-TC) มีความแม่นยำในการพยากรณ์อัตราการไหลได้ดีกว่ากรณีที่ 1 (Case-Correl) ในทั้งสองลุ่มน้ำ นอกจากนี้ยังพบว่าแบบจำลองสามารถคาดการณ์อัตราการไหลในช่วงเวลาที่เกิดปริมาณน้ำท่าสูงสุด (Peak flow) ได้ใกล้เคียงกับค่าตรวจวัด โดยลุ่มน้ำน่านตอนบนมีเปอร์เซ็นต์ความแตกต่างจากค่าตรวจวัดประมาณ 1-11% และ 8-19% สำหรับกรณี Case-TC และ Case-Correl ตามลำดับ ในขณะที่ลุ่มน้ำเลยมีเปอร์เซ็นต์ความแตกต่างประมาณ 4-14% และ 12-31% ตามลำดับ ทั้งนี้ แบบจำลอง ANNs แสดงให้เห็นถึงประสิทธิภาพสูงสุดในการพยากรณ์อัตราการไหลในบรรดาแบบจำลองการเรียนรู้เชิงลึกทั้ง 4 แบบจำลอง นอกจากนั้น ผลการศึกษายังแสดงให้เห็นว่าการประยุกต์ใช้แบบจำลองการเรียนรู้เชิงลึกร่วมกับพารามิเตอร์การตอบสนองของเวลาในลุ่มน้ำมีประสิทธิภาพในการพยากรณ์น้ำท่าล่วงหน้าได้เป็นอย่างดี และสามารถนำผลพยากรณ์ไปใช้เพื่อการติดตามสถานการณ์น้ำตลอดจนการวางแผนเตือนภัยน้ำท่วมในพื้นที่เป้าหมายต่อไปได้ Flood forecasting is one of the most essential preventative measures for decreasing the damage caused by floods to human life and property. Developing advanced models in conjunction with a significant amount of available data will improve the accuracy of forecasts. This study proposes the concept of discharge forecasting utilizing four deep learning models comprising Artificial Neural Networks (ANNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory networks (LSTMs) and Gated Recurrent Units (GRUs) coupled with the application of time response parameters in the watershed. To forecast the hourly discharge in the Upper Nan and Loei watersheds of 12 hours in advance. In this study, we investigated the model in the setting of two case studies: case 1, the application of statistical correlation (Case-Correl) and case 2, the application of the time response parameter (Case-TC ). From the study results, it showed that the outcomes of 12-hour advance discharge forecasting at runoff Station N.1 in Upper Nan Basin and runoff station Kh.58A in Loei Basin were as follows: Case 2 (Case-TC ) was more accurate than Case 1 (Case-Correl) in predicting flow rates in both watersheds. In addition, it was determined that the model accurately predicted the flow rate during the period of peak flow. Upper Nan Basin has a deviation from the observed discharge of approximately 1-11% and 8-19% for Case-TC and Case-Correl, respectively, while Loei Basin provided approximately 4-14% and 12-31%, respectively. ANNs demonstrated the highest performance in flow rate forecasting among four deep learning models. Furthermore, the results also indicated that the application of deep learning models with time response parameters shows a high forecasting capability of flow rate. And the findings of the forecast can be used to monitor the water situation and prepare for flood warning in the target area.

มหาวิทยาลัยเกษตรศาสตร์. สำนักหอสมุด

Address: กรุงเทพมหานคร

Email: tdckulib@ku.ac.th

Name: วรรณดี ไทยสยาม

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก

Name: พาพิศ วงศ์ชัยสุวัฒน์

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์ร่วม

Created: 2565

Modified: 2569-06-24

Issued: 2569-06-24

วิทยานิพนธ์/Thesis

application/pdf

URL: https://www.lib.ku.ac.th/KUthesis/2565/warintra-sae-all.pdf

CallNumber: TC513.T48.ว172

tha

Spatial: ลุ่มน้ำน่าน

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมทรัพยากรน้ำ

Grantor: มหาวิทยาลัยเกษตรศาสตร์

©copyrights มหาวิทยาลัยเกษตรศาสตร์

ใช้เวลา

0.02692 วินาที