การเติมค่าสูญหายข้อมูลฝนรายวันด้วยวิธีควอนไทล์
Article Sidebar
Main Article Content
บทคัดย่อ
ข้อมูลฝนเป็นข้อมูลพื้นฐานที่สำคัญในการศึกษาใดๆ ที่เกี่ยวข้องกับทรัพยากรน้ำ โดยเฉพาะอย่างยิ่งข้อมูลฝนรายวันมีลักษณะของข้อมูลแบบต่อเนื่อง และแบบไม่ต่อเนื่อง มีการแจกแจงความถี่ไม่ใช่การแจกแจงปกติ วิธีการเติมค่าสูญหายข้อมูลฝนมักใช้วิธีอย่างง่าย เช่น วิธีค่าเฉลี่ย หรือวิธีระยะทางผกผัน (Inverse distance weighting method: IDW) เป็นต้น วิธีการเหล่านี้มักมีข้อจำกัด 1) ให้ค่าปริมาณฝนรายวันต่ำกว่าความเป็นจริง 2) จำนวนวันฝนตกมากเกินไป และ 3) ไม่สามารถประมาณค่ากรณีเหตุการณ์ฝนตกหนักได้ การศึกษานี้จึงพัฒนาวิธีการเติมค่าข้อมูลฝนรายวันด้วยวิธีควอนไทล์ (Quantile approach: QT) โดยใช้การแจกแจงความถี่แบบเบอร์นูลี่-แกมม่า และเปรียบเทียบกับวิธี IDW ผลการศึกษาพบว่าค่าทางสถิติพื้นที่ต่างๆ ได้แก่ ค่าฝนรายวันสูงสุด ฝนเฉลี่ยรายวัน ความแปรปรวน การเติมค่าสูญหายด้วยวิธี QT ให้ค่าทางสถิติพื้นฐานดีกว่าวิธี IDW อีกทั้งให้ค่าฝนที่เปอร์เซ็นต์ไทล์ 95 และ 99 ใกล้เคียงค่าตรวจวัดจริง ดังนั้นวิธี QT สามารถประมาณค่ากรณีฝนตกหนักได้ดีกว่าวิธี IDW นอกจากนี้การประเมินความแม่นยำในการทำนายค่าเหตุการณ์วันฝนตก และวันฝนไม่ตก วิธี QT สามารถทำนายค่าได้แม่นยำกว่า ทั้งนี้การเลือกใช้วิธี QT เหมาะสำหรับการศึกษาใดๆ ที่ต้องพิจารณาถึงเหตุการณ์ฝนตกหนักซึ่งวิธีนี้สามารถให้ค่าและผลการศึกษาที่ถูกต้องมากกว่า
Article Details
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
[2] R. S. V. Teegavarapu and V. Chandramouli, “Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records,” Journal of Hydrology, vol. 312, no. 1–4, pp. 191–206, 2005.
[3] B. I. Lozada Garcia, G. Sparovek, P. C. Sentelhas, and L. Tapia, “Filling in missing rainfall data in the Andes region of Venezuela, based on a cluster analysis approach,” Revista Brasileira de Agrometeorologia, vol. 14, no. 2, pp. 225–233, 2006.
[4] L. R. Presti, E. Barca, and G. Passarella, “A methodology for treating missing data applied to daily rainfall data in the Candelaro river basin (Italy),” Environmental Monitoring and Assessment, vol. 160, no. 1, pp. 1, 2010.
[5] M. M. Hasan and B. F. W. Crokea, “Filling gaps in daily rainfall data: A statistical approach,” presented at 20th International Congress on Modelling and Simulation, Adelaide, Australia, December 1–6, 2013.
[6] J. Kim and J. H. Ryu, “A heuristic gap filling method for daily precipitation series,” Water Resources Management, vol. 30, no. 7, pp. 2275–2294, 2016.
[7] C. Simolo, M. Brunetti, M. Maugeri, and T. Nanni, “Improving estimation of missing values in daily precipitation series by a probability density function-preserving approach,” International Journal of Climatology, vol. 30, no. 10, pp. 1564–1576, 2010.
[8] H. Aksoy, “Use of gamma distribution in hydrological analysis,” Turkish Journal of Engineering and Environmental Sciences, vol. 24, no. 6, pp. 419–428, 2000.
[9] R. S. V. Teegavarapu, “Missing precipitation data estimation using optimal proximity metric-based imputation, nearest-neighbour classification and cluster-based interpolation methods,” Hydrological Sciences Journal, vol. 59, no. 11, pp. 2009–2026, 2014.
[10] R. J. A. Little and D. B. Rubin, Statistical Analysis with Missing Data, John Wiley & Sons Inc., 1987. [11] S. Srisuttiyakorn, “Missing data analysis,” Journal of Education Studies, vol. 42, no. 1, pp. 217–223, 2014.
[12] S. Wuthiwongyothin, “Evaluating inverse distance weighting and correlation coefficient weighting methods on daily rainfall time series,” SNRU Journal of Science and Technology, vol. 13, no. 2, pp. 71–79, 2021.
[13] D. A. Mooley, “Gamma distribution probability model for Asian summer monsoon monthly rainfall,” Monthly Weather Review, vol. 101, no. 2, pp. 160–176, 1973.