การพยากรณ์อัตราการไหลโดยใช้แบบจำลองโครงข่ายประสาทเทียมและพารามิเตอร์ การตอบสนองของเวลา
คำสำคัญ:
การพยากรณ์อัตราการไหล, พารามิเตอร์การตอบสนองของเวลา, โครงข่ายประสาทเทียมบทคัดย่อ
การพยากรณ์น้ำท่าเป็นหนึ่งในมาตรการป้องกันที่สำคัญสำหรับการบรรเทาความเสียหายจากอุทกภัยที่ส่งผลกระทบต่อชีวิตและทรัพย์สินของมนุษย์ การพัฒนาแบบจำลองที่มีความซับซ้อนร่วมกับชุดข้อมูลที่มีอยู่อย่างเพียงพอจะช่วยให้
ผลการคาดการณ์มีความแม่นยำยิ่งขึ้น ในการศึกษานี้ได้เสนอแนวคิดการพยากรณ์อัตราการไหลโดยใช้แบบจำลองโครงข่ายประสาทเทียมร่วมกับการประยุกต์ใช้พารามิเตอร์ของการตอบสนองของเวลาในลุ่มน้ำ เพื่อพยากรณ์อัตราการไหลรายชั่วโมงล่วงหน้า 12 ชั่วโมง ในพื้นที่ลุ่มน้ำน่านตอนบนและลุ่มน้ำเลย ในการศึกษาได้จัดทำแบบจำลองเป็น 2 กรณี ได้แก่ กรณีที่ 1 การประยุกต์ใช้ค่าความสัมพันธ์ทางสถิติ (Case–Correl) และกรณีที่ 2 การประยุกต์ใช้พารามิเตอร์ของ
การตอบสนองของเวลา (Case–TC) จากผลการศึกษาพบว่า ผลการพยากรณ์อัตราการไหลล่วงหน้า 12 ชั่วโมง ที่สถานี
วัดน้ำท่า N.1 ของลุ่มน้ำน่านตอนบน และสถานีวัดน้ำท่า Kh.58A ของลุ่มน้ำเลย แบบจำลองในกรณีที่ 2 (Case–TC) มีความแม่นยำในการพยากรณ์อัตราการไหลได้ดีกว่ากรณีที่ 1 (Case–Correl) ในทั้งสองลุ่มน้ำ นอกจากนี้ยังพบว่าแบบจำลองสามารถคาดการณ์อัตราการไหลในช่วงเวลาที่เกิดปริมาณน้ำท่าสูงสุด (Peak flow) ได้ใกล้เคียงกับค่าตรวจวัด
โดยมีเปอร์เซ็นต์ความแตกต่างจากค่าตรวจวัดประมาณ 3–8% และ 8–11% สำหรับกรณี Case–TC และ Case–Correl ตามลำดับ จากผลการศึกษาแสดงให้เห็นว่าแบบจำลองโครงข่ายประสาทเทียมที่ประยุกต์ใช้ร่วมกับพารามิเตอร์
การตอบสนองของเวลาในลุ่มน้ำมีประสิทธิภาพในการพยากรณ์น้ำท่าที่ล่วงหน้าได้เป็นอย่างดี และสามารถนำผลพยากรณ์ไปใช้เพื่อการติดตามสถานการณ์น้ำตลอดจนการวางแผนเตือนภัยน้ำท่วมในพื้นที่เป้าหมายต่อไปได้
References
J. Noymanee and T. Theeramunkong, “Flood Forecasting with Machine Learning Technique on Hydrological Modeling,” Procedia Computer Science, vol. 156, pp. 377–386, 2019, doi: 10.1016/j.procs.2019.08.214.
N. Noori and L. Kalin, “Coupling SWAT and ANN models for enhanced daily streamflow prediction,” Journal of Hydrology, vol. 533, pp. 141-151, 2016, doi: 10.1016/j.jhydrol.2015.11.050.
W. El Harraki, D. Ouazar, A. Bouziane, I. El Harraki and D. Hasnaoui, “Streamflow prediction upstream of a dam using SWAT and assessment of the impact of land use spatial resolution on model performance,” Environmental Processes, vol. 8, pp. 1165–1186, 2021, doi: 10.1007/s40710-021-00532-0.
H. M. Yesuf, A. M. Melesse, G. Zeleke and T. Alamirew, “Streamflow prediction uncertainty analysis and verification of SWAT model in a tropical watershed,” Environmental Earth Sciences, vol. 75, pp. 1–16, 2016, doi: 10.1007/s12665-016-5636-z.
M. R. Aredo, S. D. Hatiye and S. M. Pingale, “Modeling the rainfall-runoff using MIKE 11 NAM model in Shaya catchment, Ethiopia,” Modeling Earth Systems and Environment, vol. 7, pp. 2545–2551, 2021, doi: 10.1007/s40808-020-01054-8.
A. S. Nannawo, T. K. Lohani, A. A. Eshete and M. T. Ayana, “Evaluating the dynamics of hydroclimate and streamflow for data–scarce areas using MIKE11–NAM model in Bilate river basin, Ethiopia,” Modeling Earth Systems and Environment, vol. 8, pp. 4563–4578, 2022, doi: 10.1007/s40808-022-01455-x.
P. P. Mapiam, N. Sriwongsitanon, “Estimation of the URBS model parameters for flood estimation of ungauged catchments in the upper Ping river basin, Thailand,” ScienceAsia, vol. 35, no. 2009, pp. 49–56, 2009, doi: 10.2306/scienceasia1513-1874.2009.35.049.
H. Tongal and M. J. Booij, “Simulation and forecasting of streamflows using machine learning models coupled with base flow separation,” Journal of hydrology, vol. 564, pp. 266–282, 2018, doi: 10.1016/j.jhydrol.2018.07.004.
M. Campolo, A. Soldati and P. Andreussi, “Artificial neural network approach to flood forecasting in the river Arno,” Hydrological Sciences Journal, vol. 48, no. 3, pp. 381–398, 2003, doi: 10.1623/hysj.48.3.381.45286.
J. S. Wu, J. Han, S. Annambhotla and S. Bryant, “Artificial neural networks for forecasting watershed runoff and stream flows,” Journal of hydrologic engineering, vol. 10, no. 3, pp. 216–222, 2005, doi: 10.1061/(ASCE)1084-0699(2005)10:3(216).
W. C. Wang, K. W. Chau, C. T. Cheng and L. Qiu, “A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series,” Journal of hydrology, vol. 374, no. 3–4, pp. 294–306, 2009, doi: 10.1016/j.jhydrol.2009.06.019.
S. S. Patel, P. Ramachandran, “A comparison of machine learning techniques for modeling river flow time series: the case of upper Cauvery river basin,” Water resources management, vol. 29, no. 2, pp. 589–602, 2015, doi: 10.1007/s11269-014-0705-0.
Z. M. Yaseen, A. El-Shafie, O. Jaafar, H. A. Afan and K. N. Sayl, “Artificial intelligence based models for stream-flow forecasting: 2000–2015,” Journal of Hydrology, vol. 530, pp. 829–844, 2015, doi: 10.1016/j.jhydrol.2015.10.038.
Z. M. Yaseen, M. F. Allawi, A. A. Yousif, O. Jaafar, F. M. Hamzah and A. El-Shafie, “Non-tuned machine learning approach for hydrological time series forecasting,” Neural Computing and Applications, vol. 30, pp. 1479–1491, 2018, doi: 10.1007/s00521-016-2763-0.
P. Parisouj, H. Mohebzadeh and T. Lee, “Employing machine learning algorithms for streamflow prediction: a case study of four river basins with different climatic zones in the United States,” Water Resources Management, vol. 34, pp. 4113–4131, 2020, doi: 10.1007/s11269-020-02659-5.
U. S. Department of Agriculture Natural Resources Conservation Service (USDA–NRCS), “Time of concentration,” in National Engineering Handbook, Washington, DC, USA, 2010, ch. 15, pp. 1–29.
O. J. Gericke and J. C. Smithers, “Review of methods used to estimate catchment response time for the purpose of peak discharge estimation,” Hydrological Sciences Journal, vol. 59, no. 11, pp. 1935–1971, 2014, doi: 10.1080/02626667.2013.866712.
Z. P. Kirpich, “Time of Concentration of Small Agricultural Watersheds,” Civil engineering, vol. 10, no. 6, pp. 362, 1940.
W. S. Kerby, “Time of concentration for overland flow,” Civil Engineering, vol. 29, pp. 60, 1959.
J. R. Morgali and R. K. Linsley, “Computer simulation of overland flow,” Journal of the Hydraulics Division, ASCE, vol. 90, pp. 81–100, 1965.
Federal Aviation Administration (FAA), “Circular on Airport Drainage,” US. Department of Transportation, Washington, D.C., USA, Rep. A/C 050-5320-5B, 1970.
United States Department of the Interior Bureau of Reclamation (USBR), “Flood Hydrology Studies,” in Design of Small Dams, 3rd ed. Washington, D.C., USA, 1987, ch. 3, sec. 3.9, pp.28–51.
W. E. Watt and K. C. A. Chow, “A general expression for basin lag time,” Canadian Journal of Civil Engineering, vol. 12, no. 2, pp. 294–300, 1985, doi: 10.1139/l85-031.
T. A. Seybert, “Travel Time,” in Stormwater Management for Land Development, Hoboken, NJ, USA: John Wiley & Sons, Inc., 2006, ch. 7, sec. 2, pp. 145–178.
K. Aziz, M. M. Haque, A. Rahman, A. Y. Shamseldin and M. Shoaib, “Flood estimation in ungauged catchments: application of artificial intelligence based methods for Eastern Australia,” Stochastic Environmental Research and Risk Assessment, vol. 31, pp. 1499–1514, 2017, doi: 10.1007/s00477-016-1272-0.
A. Hazzab, A. Seddini, A. Ghenaim and K. Korichi, “Hydraulic flood routing in an ephemeral channel: Wadi Mekerra, Algeria,” Modeling Earth Systems and Environment, vol. 2, pp. 1–12, 2016, doi: 10.1007/s40808-016-0237-0.
F. Fang, D. B. Thompson, T. G. Cleveland and P. Pradhan, “Variations of time of concentration estimates using NRCS velocity method,” Journal of irrigation and drainage engineering, vol. 133, no. 4, pp. 314–322, 2007, doi: 10.1061/(ASCE)0733-9437(2007)133:4(314).
J. Perdikaris, B. Gharabaghi and R. Rudra, “Reference time of concentration estimation for ungauged catchments,” Earth science research, vol. 7, no. 2, pp. 58–73, 2018, doi: 10.5539/esr.v7n2p58.
USGS EROS Archive-Digital Elevation-Shuttle Radar Topography Mission (SRTM) 1 Arc-Second Global, United States Geological Survey (USGS) by Earth Resources Observation and Science (EROS) Center, Jul. 2018. [Online]. Available: https://www.usgs.gov/centers/eros/science/usgs-eros-archive-digital-elevation-shuttle-radar-topography-mission-srtm-1.
K. M. Carsell, N. D. Pingel and D. T. Ford, “Quantifying the benefit of a flood warning system,” Natural Hazards Review, vol. 5, no. 3, pp. 131–140, 2004, doi: 10.1061/(ASCE)1527-6988(2004)5:3(131).
X. H. Le, H. V. Ho, G. Lee and S. Jung, “Application of long short-term memory (LSTM) neural network for flood forecasting,” Water, vol. 11, no. 7, 2019, Art. no. 1387.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 คณะวิศวกรรมศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหาร
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของคณะวิศวกรรมศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับสถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง และคณาจารย์ท่านอื่นๆในสถาบันฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
