การจำลองพื้นที่เสี่ยงอุทกภัยโดยใช้ระบบสารสนเทศภูมิศาสตร์และการวิเคราะห์อัตราส่วนความถี่ ในพื้นที่ลุ่มน้ำคลองหลังสวน ภาคใต้ ประเทศไทย
Main Article Content
บทคัดย่อ
แบบจำลองพื้นที่เสี่ยงอุทกภัย เป็นหนึ่งในเครื่องมือที่ใช้ในการวางแผนดำเนินการจัดการอุทกภัย งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อสร้างแบบจำลองพื้นที่เสี่ยงอุทกภัยของพื้นที่ลุ่มน้ำคลองหลังสวน ภาคใต้ ประเทศไทย ด้วยการประยุกต์ใช้ระบบสารสนเทศภูมิศาสตร์ ร่วมกับการวิเคราะห์ด้วยวิธีอัตราส่วนความถี่ ซึ่งเป็นหนึ่งในวิธีเชิงสถิติที่นิยมใช้ในการวิเคราะห์เพื่อสร้างแบบจำลองพื้นที่เสียงภัย โดยการสร้างแบบจำลองจะทำการวิเคราะห์ปัจจัยเชิงพื้นที่ที่มีอิทธิพลต่อการเกิดอุทกภัยจำนวน8 ปัจจัย ประกอบด้วย ปริมาณน้ำฝนรายปี (เฉลี่ย 30 ปี) ความหนาแน่นของเส้นทางคมนาคมทางถนน องศาความลาดชันความสูงจากระดับน้ำทะเล ความหนาแน่นของเส้นทางน้ำ การใช้ที่ดิน ความสามารถในการระบายน้ำของดิน และระยะห่างจากเส้นทางน้ำร่วมกับข้อมูลตำแหน่งอุทกภัยในอดีตจำนวน 116 ตำแหน่ง (ร้อยละ 70) โดยมีการประเมินประสิทธิภาพของแบบจำลองด้วยการใช้ข้อมูลตำแหน่งอุทกภัยในอดีตจำนวน 50 ตำแหน่ง (ร้อยละ 30) ร่วมกับการวิเคราะห์ด้วยวิธีพื้นที่ใต้กราฟ ผลจากการศึกษาพบว่า พื้นที่ส่วนใหญ่เป็นพื้นที่เสี่ยงอุทกภัยระดับมาก (ร้อยละ 47.78) ขณะที่พื้นที่ส่วนน้อยที่สุดเป็นพื้นที่เสี่ยงอุทกภัยในระดับสูงมาก (ร้อยละ 7.39) ในทางตรงกันข้ามพื้นที่เสี่ยงอุทกภัยระดับสูงมากกลับเป็นแหล่งที่ตั้งของประชากรหนาแน่นที่สุด (จำนวน 76 หมู่บ้าน) ขณะที่พื้นที่เสี่ยงอุทกภัยในระดับต่ำเป็นแหล่งที่ตั้งของประชากรเบาบางที่สุด (จำนวน 2 หมู่บ้าน) ทั้งนี้การประเมินประสิทธิภาพของแบบจำลองได้แสดงให้เห็นว่า แบบจำลองมีประสิทธิภาพอยู่ในระดับสูง (ค่าอัตราความสำเร็จของการทำนาย ร้อยละ 88.98 และค่าอัตราการทำนายหรือความถูกต้องของแบบจำลอง ร้อยละ 84.98 ตามลำดับ) จึงเป็นสิ่งที่ยืนยันได้ว่า แบบจำลองพื้นที่เสี่ยงอุทกภัยในงานวิจัยนี้สามารถนำไปใช้สำหรับสนับสนุนการวางแผนจัดการอุทกภัยของหน่วยงานและองค์กรที่เกี่ยวข้องในพื้นที่ลุ่มน้ำคลองหลังสวนได้ โดยเฉพาะอย่างยิ่ง หน่วยงานและองค์กรระดับท้องถิ่นในเขตพื้นที่เสี่ยงอุทกภัยระดับสูงและสูงมาก ซึ่งอยู่ในระดับที่อันตราย และมีการตั้งถิ่นฐานของประชากรอย่างหนาแน่น ได้แก่ ตำบลหาดยาย ตำบลวังตะกอ ตำบลพ้อแดง ตำบลนาพญา และตำบลบ้านควน อำเภอหลังสวน จังหวัดชุมพร
Article Details
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
[2] Thaipublica. (2012, Oct.). 10 Years Annual Disaster Statistical Review (1989–2009). Thailand [Online]. Available: http://thaipublica.org/wp-content/uploads/2012/10/สถิติภัยพิบัติของไทย.pdf
[3] Office of the National Economics and Social Development Board, Disaster Management and Recovery: A Case Study of Thailand and Other, Nonburi, Thailand: Petchrung, 2011, pp. 8–101.
[4] M. Lee, J. Kang, and S. Jeon, “Application of frequency ratio model and validation for predictive flooded area susceptibility mapping using GIS.” in IGRASS 2012 IEEE International Geoscience and Remote Sensing Conference, Munich, 2012, pp. 895–898.
[5] M. Sriwichai, “GIS for the preparation of disaster risk reduction, case study lakhok community, Muang Pathumthani,” Rangsit University Journal of Engineering and Technology, vol. 16, no. 2, pp. 1–9, 2013 (in Thai).
[6] S. Lee and T. Sambath, “Landslide susceptibility mapping in Damrei Romel area, Cambodia using frequency ratio and logistic regression models,” Environmental Geology, vol. 50, no. 6, pp. 847–855, 2006.
[7] S. Lee and B. Pradhan, “Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models,” Landslides, vol. 4, no. 1, pp. 33–41, 2007.
[8] M. Mohammady, H. R. Pourghasemi, and B. Pradhan, “Landslide susceptibility mapping at Golestan Province, Iran: A comparison between frequency ratio, Dempster-Shafer, and weightsof-evidence models,” Journal of Asian Earth Sciences, vol. 61, pp. 221–236, 2012.
[9] A. Ozdemir and T. Altural, “A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey,” Journal of Asian Earth Sciences, vol. 64, pp. 180–197, 2013.
[10] A. D. Regmi, K. C. Devkota, K. Yoshida, B. Pradhan, H. R. Pourghasemi, T. Kumamoto, and A. Akgun, “Application of frequency ratio, statistical index, and weights-of-evidence models and their comparison in landslide susceptibility mapping in Central Nepal Himalaya,” Arabian Journal of Geosciences, vol. 7, no. 2, pp. 725–742, 2014.
[11] N. Intarawichian, “A comparative study of analytical hierarchy process and probability analysis for landslide susceptibility zonation in lower Mae Chaem watershed, Northern Thailand,” Ph.D. dissertation, School of Geoinformatics, Suranaree University of Technology, 2008.
[12] N. Intarawichian and S. Dasananda, “Frequency ratio model based landslide susceptibility mapping in lower Mae Chaem watershed, Northern Thailand,” Environmental Earth Sciences, vol.64, no. 8, pp. 2271–2285, 2011.
[13] Bureau of Research, Development and Hydrology, The Division of Basin and Sub-Basin of Thailand, Bangkok, Thailand: Department of Water Resources, 2007, pp. 33.
[14] Department of Water Resources and Thammasat University, Research and Development Roles and Life of Community in Flood Area: A Case Study of Lang Suan Watershed, Southern Thailand, Bangkok, Thailand: Thammasat University Research and Consultancy Institiute (TU-RAC), 2013, pp. 148–174.
[15] Thai Meteorological Department. (2015). The Weather in Thailand. Climatological, Bangkok, Thailand [Online]. Available: https://www.tmd.go.th/info/climate_of_thailand-2524-2553.pdf
[16] O. Rahmati, H. R. Pourghasemi and H. Zeinivand, “Flood susceptibiltiy mapping using frequency ratio and weights-of-evidence models in the Golastan Province, Iran,” Journal Geocarto International, vol. 31, no. 1, pp. 42–70, 2016.
[17] D. T. Bui, B. Pradhan, O. Lofman, I. Revhaug, and O. Dick, “Landslide susceptibility mapping at Hoa Binh Province (Vietnam) adaptive neurofuzzy inference system and GIS,” Computers & Geosciences, vol. 45, pp. 199–211, 2012.
[18] A. K. Jha, R. Bloch, and J. Lamond, Cities and Flooding: A Guide to Integrated Urban Flood Risk Management for the 21st Century, Washington DC, U.S.A.: The World Bank, 2012, pp. 55–63.
[19] M. Sh. Tehrany, B. Pradhan, and M. N. Jebur, “Spatial prediction of flood susceptible areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS,” Journal of Hydrology, vol. 504, pp. 69–79, 2013.
[20] S. Duangpiboon, T. Suteerasak, and W. Towanlong, “Effects of geographical and topographical co-variables on rainfall interpolation in Lang Suan Watershed, Thailand.” in the 36th Asian Conference on Remote Sensing Conference, Quezon City, Metro Manila, Philippines, 2015, pp. 1–9.
[21] Land Development Department. (2016). Land use of Southern Thailand, Bangkok, Thailand [Online]. Available: http://www.ldd.go.th/web_OLP/report_research_S.html#south
[22] Office of Soil Resources Survey and Research, Characteristics and Properties of Established Soil Series in the Peninsular and Southeast Coast Regions of Thailand, Bangkok, Thailand: Land Development Department, 2005, pp. 1–98 (in Thai).
[23] A. M. Youssef, B. Pradhan, M. N. Jebur, and H. M. El-Harbi, “Landslide susceptibility mapping using ensemble bivariate and multivariate statistical models in Fayfa area, Saudi Arabia,” Environmental Earth Sciences, vol. 73, no. 7, pp. 3745–3761, 2015.
[24] A. Jaafari, A. Najafi, J. Rezaeian, A. Sattarian, and I. Ghajar, “Planning road networks in landslideprone areas: A case study from the northern forests of Iran,” Land Use Policy, vol. 47, pp. 198–208, 2015.
[25] Y. Wu, W. Li, Q. Wang, Q. Liu, D. Yang, M. Xing, Y. Pei, and Sh. Yan, “Landslide susceptibility assessment using frequency ratio, statistical index and certainty factor models for Gangu County, China,” Arabian Journal of Geosciences, vol. 9, no. 2, pp. 84–100, 2016.