รายงานวิจัย
วิทยาศาสตร์
ทุนสนับสนุนงานพื้นฐาน (Fundamental Fund)
2569
การเพิ่มศักยภาพแผนที่เสี่ยงอุทกภัยด้วยสถาปัตยกรรมโครงข่ายประสาทเทียม
Empowerment Flood Risk Mapping Using Neural Network Architectures
ประเทศไทยเป็นหนึ่งในประเทศที่มีความเสี่ยงสูงด้านน้ำท่วมโดยอยู่ในอันดับที่ 9 ของโลก รองจากเวียดนาม เมียนมา และกัมพูชา (WORLD BANK GROUP, 2022) ซึ่งการเปลี่ยนแปลงสภาพภูมิอากาศจะส่งผลทำให้เกิดอุทกภัยบ่อยครั้งและรุนแรงมากยิ่งขึ้น จากรายงานของ WORLD BANK GROUP (2022) คาดการณ์ปัจจุบันชี้ว่า ประเทศไทยเผชิญอัตรายฝนรายปีเพิ่มมากขึ้น และฝนนั้นมีแนวโน้มจะตกมากขึ้นในฤดูฝน ซึ่งเป็นข้อบ่งชี้ว่าความเสี่ยงที่เกิดจากอุทกภัยจะเพิ่มมากขึ้นตาม ทำให้ความเสียหายด้านเศรษฐกิจระดับมหภาคที่เกิดจากเหตุการณ์น้ำท่วมจะเพิ่มสูงขึ้นตาม
น้ำท่วมหรืออุทกภัย เป็นภัยพิบัติที่มีสาเหตุหลักมาจากปริมาณฝนที่ตกหนักในลุ่มน้ำ จนเกิดการสะสมตัวของปริมาณน้ำท่าที่มากเกินกว่าศักยภาพของลำน้ำที่จะรองรับได้ และส่งผลกระทบต่อชีวิตและทรัพย์สินของคนในพื้นที่ โดยอุทกภัยแบ่งได้ 3 ประเภท ได้แก่ 1) น้ำท่วมขัง 2) น้ำป่าไหลหลากหรือน้ำท่วมฉับพลัน และ 3) น้ำล้นตลิ่ง ซึ่งสาเหตุหลักขึ้นอยู่กับลักษณะทางกายภาพ ปริมาณฝน และปริมาณน้ำท่าสะสม โดยเหตุน้ำท่วมครั้งใหญ่ ในรอบ 50 ปี (เช่น เหตุน้ำท่วมปี 2554) หากเกิดข้นอีกในปี 2573 นั้น อาจจะทำให้เกิดความสูญเสียทางเศรษฐกิจกว่า 10% ของ GDP จากผลพวงของการสูญเสียด้านการผลิต โดยการแก้ไขปัญหาหรือลดผลนั้นสามารถทำได้ทั้งเชิงโครงสร้างและไม่ใช่โครงสร้าง ในด้านของเชิงโครงสร้างจะใช้งบประมาณสูง มีผู้เชี่ยวชาญจากหลายภาคส่วนเข้ามาเกี่ยวข้อง และใช้ระยะเวลามาก อีกวิธีคือไม่ใช่โครงสร้าง ในที่นี่คือการพัฒนาเครื่องมือหนึ่งที่จะช่วยป้องกันรวมทั้งรับมือกับเหตุการณ์ภัยพิบัติที่เกิดขึ้น เสมือนกับการเพิ่มศักยภาพให้กับประชาชนและหน่วยงานในพื้นที่ เพื่อลดผลกระทบที่อาจจะเกิดขึ้นได้
ประเทศไทยมีลุ่มน้ำในภาคเหนือที่สำคัญ 6 ลุ่มน้ำ คือ ลุ่มน้ำปิง วัง ยม น่าน สาละวิน และโขงเหนือ ในส่วนลุ่มน้ำน่านมีพื้นที่รวม 34,682.04 ตารางกิโลเมตร ครอบคลุม 8 จังหวัด ปัญหาอุทกภัยที่พบมีสาเหตุจากฝนตกหนักและลักษณะกายภาพของลุ่มน้ำ พื้นที่เกิดอุทกภัยประจำมีการบริหารจัดการน้ำลำบากจะอยู่ในส่วนตอนบนของลุ่มน้ำน่าน ซึ่งเกิดจากปริมาณฝนตกหนักในพื้นที่ตอนบนของลุ่มน้ำ พื้นที่ที่เกิดอุทกภัยเป็นประจำอยู่ในพื้นที่ราบบริเวณอำเภอเมืองน่าน ซึ่งเกิดจากปริมาณฝนที่ตกในพื้นที่ 6 อำเภอตอนบนต้นแม่น้ำน่าน คือ อ.เฉลิมพระเกียรติ อ.ทุ่งช้าง อ.เชียงกลาง อ.สองแคว ปัว และ อ.ท่าวังผา จ.น่าน โดยการพยากรณ์และการเตือนภัยจึงต้องอาศัยการวิเคราะห์ข้อมูลน้ำฝนในพื้นที่ดังกล่าวมาประกอบ โดยจากสถิติที่ผ่านมา เมื่อฝนเฉลี่ยของพื้นที่ 6 อำเภอต้นน้ำสูงถึง 75 มม. ใน 1 วัน หลังจากนั้นประมาณ 12 ชั่วโมง จะมีผลให้เกิดน้ำหลากในแม่น้ำน่านวัดระดับได้ที่ 9.50 เมตร ที่สถานี N.64 บ้านผาขวาง อ.เมือง จ.น่าน ซึ่งระดับน้ำนี้จะส่งผลให้ระดับน้ำที่ สถานี N.1 (ภาพที่ 1) ในตัวเมืองขึ้นถึงระดับวิกฤติที่น้ำเต็มฝั่งในอีก 6-7 ชั่วโมงต่อมา เมื่อระดับน้ำ ณ สถานี N.64 ห่างจากตัวเมืองน่านประมาณ 42 กม. ขึ้นสูงถึง 9.50 เมตร มีปริมาณน้ำไหลผ่าน 1,060 ลบ.เมตร/วินาที จะมีผลทำให้ระดับน้ำที่ สถานี N.1 ในเขตเทศบาลเมืองน่านที่สะพานพัฒนาภาคเหนือสูงตามขึ้นไปที่ระดับ 7.00 เมตร(ระดับเต็มตลิ่ง) ปริมาณน้ำไหลผ่าน 1,300 ลบ.เมตร/วินาที ในเวลา 6-7 ชั่วโมง เมื่อปริมาณน้ำของสถานีตอนบนยังเพิ่มขึ้นสูงส่งผลให้เกิดอุทกภัยในพื้นที่ลุ่มต่ำของตัวเมืองน่าน อาทิ ในช่วง 17-19 สิงหาคม 2561 ระดับตลิ่งของสถานีวัดระดับน้ำ N.1 วัดปริมาณน้ำได้สุงสุด 8.42 เมตร จากระดับตลิ่ง 7 เมตร ส่งผลให้น้ำท่วมบริเวณตำบลในเวียง ตำบลม่วงติ๊ด อำเภอเมือง จังหวัดน่าน ในบางพื้นที่ระดับความลึกสูงสุดถึง 2.07 เมตร (กรมชลประทาน, 2561)
จากเหตุการณ์อุทกภัยในพื้นที่ลุ่มน้ำน่านที่เกิดขึ้น ส่งผลกระทบต่อเศรษฐกิจและการใช้ชีวิตของคนในพื้นที่โดยเฉพาะชุมชนเมือง รวมถึงการบริหารจัดการน้ำฝนพื้นที่ตอนล่างลุ่มน้ำของหน่วยงาน เพื่อลดความเสี่ยงของประชาชนในพื้นที่เสี่ยงภัยและช่วยในการปริหารจัดการน้ำอย่างมีประสิทธิภาพของภาครัฐจากเหตุการณ์น้ำท่วม ทีมผู้วิจัยได้เล็งเห็นถึงความสำคัญของการพยากรณ์และแจ้งเตือนภัยให้กับประชาชนในพื้นที่เสี่ยงได้ทราบเร็วที่สุด ซึ่งเป็นหนึ่งในวิธีการป้องกันและเพิ่มศักยภาพของพื้นที่ในการลดความสูญเสียและผลกระทบที่อาจจะเกิดขึ้นได้ในอนาคต จากการศึกษาแม้ว่าบางหน่วยงานจะมีความพยายามในการพยากรณ์ระดับน้ำของสถานีเพื่อเฝ้าระวังและแจ้งเตือนภัย แต่เนื่องจากข้อมูลที่ใช้ในการพยากรณ์นั้นเป็นข้อมูลระดับน้ำท่าจากสถานีตอนบนของสถานีพยากรณ์ภายในหน่วยงานของตนเท่านั้น ไม่มีการใช้ข้อมูลระดับน้ำของสถานีจากหน่วยงานภาคนอก และไม่มีการใช้ข้อมูลปริมาณน้ำฝนจากสถานีตรวจวัดปริมาณน้ำฝนในตอนบนของสถานีพยากรณ์ร่วมในการพยากรณ์ ส่งผลให้ความแม่นยำของการพยากรณ์นั้นลดลง และการแจ้งเตือนภัยในปัจจุบันประชาชนไม่สามารถเข้าถึงข้อมูลระดับน้ำโดยตรง อาศัยผู้นำในการประกาศเสียงตามสายหรือได้รับข้อมูลจากกลุ่มในแอปพลิเคชันมือถือ ซึ่งกลุ่มผู้นำเหล่านี้จะได้รับข้อมูลจากหน่วยงานที่ดูแลระดับน้ำ เหล่านี้ทำให้เกิดความล่าช้าในการแจ้งข้อมูล ทำให้ประชาชนในพื้นที่เกิดความเสี่ยงเพิ่มมากขึ้น
ซึ่งในปัจจุบันมีเทคโนโลยีเข้ามาช่วยในการพยากรณ์มากมาย ซึ่งทีมผู้วิจัยได้เลือกใช้แบบจำลองโครงข่ายประสาทเทียม(Artificial Neural Network :ANN) โดยเป็นแบบจำลองในกลุ่มของ Metric model แบบจำลองกลุ่มนี้มีข้อดีค่ะ ใช้ระยะเวลาประมวลผลเร็ว สามารถปรับปรุงฐานข้อมูลได้เร็วและง่าย (Wood and Connell (1985) อ้างใน ทวี ชัยพิมลผลิน (2557)) แบบจำลองนี้มีระบบการคำนวณที่เลียนแบบการทำงานของสมองมนุษย์ (Mardani and Taghavifar, 2016) โดยมีการเรียนรู้และทดสอบจากข้อมูลที่มีอยู่ ซึ่งความแม่นยำจะขึ้นอยู่กับข้อมูลที่ผู้วิจัยนำเข้า ทั้งนี้สิ่งที่สำคัญมากที่สุดในงานวิจัยนี้คือ “ข้อมูลที่ถูกต้อง แม่นยำ และกลุ่มผู้ใช้สามารถเข้าถึงข้อมูลได้อย่างรวดเร็ว” โดยทีมผู้วิจัยจะพัฒนาโครงข่ายประสาทเทียมที่เหมาะสมมากที่สุดมาใช้ในการพยากรณ์ระดับน้ำ โดยข้อมูลระดับน้ำและปริมาณน้ำฝนจากสถานีตอนบนของสถานีเป้าหมายจากกรมชลประทานและสถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน) (สสน.) เป็นข้อมูลนำเข้า การพยากรณ์ระดับน้ำเพื่อการแจ้งเตือนภัย สถานีวัดระดับน้ำ N.1 อ.เมือง จ.น่าน จะใช้สถานีน้ำท่า 10 สถานี ได้แก่ N.86 (แม่น้ำน่าน) FOP005 (สถานีลำน้ำขว้าง(ฝายจ้าว)) FOP008 (สถานีลำน้ำกูน) N.65 (ห้วยน้ำยาว) N.64 (แม่น้ำน่าน) NAN001 (สถานีท่าวังผา) N.49 (น้ำยาว) N.87 (น้ำมวบ) FOP011 (สถานีสะพานบ้านมวบ(บ้านภูแยง)) FOP013 (สถานีบ้านตอง) สถานีน้ำฝน 15 สถานี ได้แก่ CLPK (สถานี อบต.ห้วยโก๋น) TGCG (สถานีที่ว่าการอำเภอทุ่งช้าง) CKLG (สถานีสำนักงานป้องกันและบรรเทาสาธารณภัย ทต.เชียงกลาง) FOP001 (สถานีชุมชนบ้านร้องแง) FOP002 (สถานีร้องเรียนภูคาวิทยาใต้) FOP003 (สถานีอุทยานแห่งชาติดดอยภูคา) FOP004 (สถานีพนาสวรรค์) FOP006 (สถานีจัดชมวิว 1715) FOP007 (สถานีบ้านผาเวียง) FOP009 (สถานีโรงเรียนปางยาง) PUAA (สถานี อบต.ไชยวัฒนา) SGKW (สถานี อบต.บ้านนาไร่หลวง) FOP010 (อ่างเก็บน้ำห้วยยาง) FOP012 (สถานีโรงเรียนบ้านปางช้าง) STSK (สถานี อบต.ดู่พงษ์))
โดยจะมีการเปรียบเทียบข้อมูลนำเข้า 3 วิธี ได้แก่ Supervise, Stepwise regression และGenetic algorithm เพื่อหาวิธีการคัดเลือกข้อมูลนำเข้าที่เหมาะสมมากที่สุด และหาจำนวนตัวแปรที่เหมาะสมที่สุดนำมาใช้ในการพยากรณ์
นอกจากนี้ในช่วงเวลาการนำเข้าข้อมูลเพื่อการพยากรณ์นั้น ต้องวิเคราะห์สถิติจุดสูงสุดของน้ำในระยะเวลา 1 ปี และระยะเวลาการพยากรณ์จะขึ้นอยู่กับระยะห่างของสถานีทางตอนบนของสถานีพยากรณ์จากสถิติที่รวบรวมโดยกรมชลประทาน (ภาพที่ 2) พบว่า สถานีพยากรณ์จะมีช่วงเวลาการพยากรณ์และระยะเวลาการพยากรณ์ที่แตกต่างกันตามลักษณะทำเลที่ตั้งของพื้นที่
จากสถิติข้อมูลระดับน้ำสูงสุดรายวันย้อนหลัง 100 ปี (พ.ศ.2465-2565) ของสถานี N.1 มีการเฝ้าระวังตั้งแต่วันที่ 20 มิถุนายน – 27 กันยายน มีระยะเวลาห่างจากสถานีตอนบน 7 ชั่วโมง ทีมผู้วิจัยจึงคัดเลือกการพยากรณ์ล่วงหน้า 7 ชั่วโมง และ 10 ชั่วโมง
นอกจากนั้นจะมีการแบ่งข้อมูลเป็น 2 กลุ่ม คือ ชุดการเรียนรู้ ร้อยละ 70 และชุดการทดสอบ ร้อยละ 30 ของข้อมูล เพื่อเพิ่มประสิทธิภาพของแบบจำลอง และทำการคัดเลือกแบบจำลองที่เหมาะสมสำหรับการพยากรณ์ และเพื่อช่วยในการเข้าถึงข้อมูลของประชาชนในพื้นที่เสี่ยงและภาครัฐในการบริการจัดการน้ำมากขึ้นเพื่อลดความเสี่ยงของอุทกภัยในพื้นที่ โดยทีมผู้วิจัยจะนำองค์ความรู้ที่ได้นำมาสร้างแผนที่ความเสี่ยงอุทกภัยโดยแบ่งเป็น 4 ระดับ (มาก ปานกลาง น้อย ไม่เสี่ยง) ช่วยให้ภาครัฐและภาคประชาชนในพื้นที่เสี่ยงต่อการเกิดอุทกภัย สามารถนำข้อมูลไปใช้ในการป้องกันและเตรียมพร้อมรับมือกับอุทกภัยได้อย่างมีประสิทธิภาพ ซึ่งจะช่วยลดความสูญเสียชีวิตและทรัพย์สินจากอุทกภัย เพิ่มประสิทธิภาพในการป้องกันและรับมือกับอุทกภัย พัฒนาคุณภาพชีวิตของประชาชนในพื้นที่เสี่ยงต่อการเกิดอุทกภัย
โดยทีมผู้วิจัยได้ตั้งสมมุติฐาน 2 ประเด็น คือ 1) แบบจำลองโครงข่ายประสาทเทียมจะสามารถพยากรณ์ระดับน้ำล่วงหน้าได้ยาวนานกว่าวิธีการเตือนภัยปัจจุบัน 2) แผนที่เสี่ยงอุทกภัยที่ได้สามารถช่วยลดความสูญเสียของชุมชนและหน่วยงานในพื้นที่ได้
แบบจำลองโครงข่ายประสาทเทียม, น้ำท่วม, แผนที่เสี่ยงน้ำท่ว