ตัวแบบพยากรณ์อนุกรมเวลาของดรรชนีความแห้งแล้งของฝนที่ต่างจากค่าปรกติบริเวณลุ่มน้ำปิง จังหวัดเชียงใหม่Time Series Model for Standardized Precipitation Index in the Ping River Basin of Chiang Mai Province

Abstract

การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาภาวะความแห้งแล้งโดยใช้วิธีดรรชนีความแห้งแล้งของฝนที่ต่างจากค่าปรกติ (Standardized Precipitation Index; SPI) และเพื่อเปรียบเทียบรูปแบบพยากรณ์ 3 วิธี ได้แก่ วิธีปรับให้เรียบด้วยเส้นโค้งเลขชี้กำลังที่มีฤดูกาลอย่างง่าย (Simple Seasonal Exponential Smoothing Method) วิธีตัวแปรหุ่นแบบถดถอย (Regression Dummy Variable Method) และวิธีบอกซ์-เจนกินส์ (Box-Jenkins Method) สำหรับการพยากรณ์ค่า SPI บริเวณลุ่มน้ำปิง จังหวัดเชียงใหม่ การตรวจสอบความแม่นยำของตัวแบบพยากรณ์ใช้วิธีรากของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error; RMSE) และวิธีค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสมบูรณ์ (Mean Absolute Percent Error; MAPE) การศึกษานี้ได้ใช้ข้อมูลปริมาณฝนรายเดือน ตั้งแต่เดือนมกราคม พ.ศ. 2543 ถึงเดือนมีนาคม พ.ศ. 2563 จำนวน 3 สถานี ได้แก่ สถานีอำเภอแม่แตง สถานีอำเภอสันทราย และสถานีอำเภอเมือง จังหวัดเชียงใหม่ ผลการศึกษาพบว่า สถานีอำเภอแม่แตงและสถานีอำเภอเมือง มีภาวะความแห้งแล้งในระดับฝนแล้งรุนแรง สำหรับการเปรียบเทียบรูปแบบพยากรณ์พบว่า วิธีตัวแปรหุ่นแบบถดถอยมีความแม่นยำในการพยากรณ์มากที่สุดเนื่องจากมีค่า RMSE และ MAPE ต่ำที่สุด

The objectives of this study are to study drought conditions using Standardized Precipitation Index (SPI) Method and to compare 3 forecasting models: Simple Seasonal Exponential Smoothing Method, Regression Dummy Variable Method, and Box-Jenkins Method. These methods are used for forecasting SPI values in the Ping river basin, Chiang Mai. Root Mean Square Error (RMSE) and Mean Absolute Percent Error (MAPE) are applied for evaluating the accuracy of the forecasting model. This study used monthly rainfall data from January 2000 to March 2020 of 3 rain gauging stations: Mae Taeng, San Sai and Mueang. Results of this study found that Mae Taeng and Mueang rain gauging stations have severely dry condition. Regression Dummy Variable Method was the optimal forecasting model with the lowest RMSE and MAPE.