การศึกษาเปรียบเทียบการพยากรณ์ระดับน้ำด้วยอัลกอริทึม ANN และ XGBoostกรณีศึกษาแม่น้ำป่าสัก
Article Sidebar
Main Article Content
บทคัดย่อ
ประเทศไทยประสบปัญหาภัยธรรมชาติขาดแคลนน้ำในฤดูแล้ง ในขณะที่น้ำท่วมในฤดูมรสุม การคาดการณ์ระดับน้ำล่วงหน้าได้อย่างแม่นยำจึงเป็นความท้าทายในกระบวนการตัดสินใจ เพื่อควบคุมระดับน้ำในแม่น้ำสายต่าง ๆ ให้อยู่ในระดับที่เหมาะสม รวมถึงการแจ้งเตือนภัยล่วงหน้า เพื่อลดผลกระทบที่จะเกิดจากภัยน้ำแล้งและน้ำท่วมได้อย่างมีประสิทธิภาพ อันจะนำไปสู่การบริหารจัดการทรัพยากรน้ำอย่างยั่งยืน งานวิจัยนี้ได้มุ่งศึกษาเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) ด้วยการใช้อัลกอริทึมที่ได้รับความนิยม ได้แก่ Artificial Neuron Network (ANN) และ Extreme Gradient Boost (XGBoost) โดยใช้ข้อมูลสภาพอากาศจากสถานีวัดค่าบริเวณลุ่มแม่น้ำป่าสักตอนบน เพื่อพยากรณ์ระดับน้ำริมตลิ่งบริเวณสถานีวัดระดับน้ำ PAS004 ซึ่งในห้วงเวลาทดลองมีระดับน้ำเฉลี่ย 61.89 ม. สูงสุด 68.23 ม. และต่ำสุด 58.96 ม. การเปรียบเทียบประสิทธิภาพใช้ค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ Mean Absolute Error (MAE) ผลการทดลองพบว่าอัลกอริทึม ANN และอัลกอริทึม XGBoost สามารถพยากรณ์ได้ใกล้เคียงกัน ผลการพยากรณ์ระดับน้ำ ณ เวลาที่พยากรณ์ (เวลา 1) แบบจำลองที่สร้างด้วยอัลกอริทึม ANN มีค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ MAE เท่ากับ 2.42 ซม. อัลกอริทึม XGBoost มีค่า MAE เท่ากับ 3.14 ซม. โดยที่อัลกอริทึม ANN ใช้หน่วยความจำของเครื่องคอมพิวเตอร์และใช้เวลาในกระบวนการเรียนรู้มากกว่าอัลกอริทึม XGBoost
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
ทวี ชัยพิมลผลิน และ ทวีศักดิ์ วังไพศาล, “แบบจำลองโครงข่ายประสาทเทียมสำหรับการพยากรณ์น้ำท่วมในลุ่มน้ำมูลตอนล่าง Artificial Neural Network Models for Flood Forecasting in Lower Mun Catchment", J Sci Technol MSU, ปี 35, ฉบับที่ 5, น. 587-595, 2016.
สาลินันท์ บุญมี, แสงทอง บุญยิ่ง, และ อเนก พุทธิเดช, “การพยากรณ์ปริมาณน้ำหลากเขตพื้นที่ทำเกษตรของชุมชนในเขตรับน้ำจังหวัดพระนครศรีอยุธยา โดยแบบจำลองโครงข่ายประสาทเทียม”, วารสารวิทยาศาสตร์เกษตร, ปี 53. ฉบับที่ 2, น. 116-128, 2022.
C. Choi, J. Kim, H. Han, D. Han, & H. S. Kim, "Development of water level prediction models using machine learning in wetlands: A case study of Upo wetland in South Korea", Water (Switzerland), vol. 12, no. 1, Jan., 2020, doi: 10.3390/w12010093.
A. Ibrahem Ahmed Osman, A. Najah Ahmed, M. F. Chow, Y. Feng Huang, & A. El-Shafie, "Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia", Ain Shams Engineering Journal, vol. 12, no. 2, June, pp. 1545-1556, 2021, doi: 10.1016/j.asej.2020.11.011.
B. Lantz, Machine learning with R: discover how to build machine learning algorithms, prepare data, and dig deep into data prediction techniques with R, Second edition. Packt Publishing, 2015. สืบค้น: 28 พฤษภาคม 2023. [ออนไลน์]. Available at: www.packtpub.com
ทวีศักดิ์ วังไพศาล และ จักรฤทธิ์ ตรีนาจ, “ปัจจัยที่มีผลต่อความแม่นยำในการพยากรณ์ระดับน้ำหลากที่สถานีวัดระดับน้ำ M.7 โดยใช้แบบจำลองโครงข่ายประสาทเทียม Factors Affecting the Accuracy of Water Level Forecasting at M.7 Gauge Station Using Artificial Neural Network Model".
T. Chen & C. Guestrin, "XGBoost: A Scalable Tree Boosting System", Mar., 2016, doi: 10.1145/2939672.2939785..
