การพยากรณ์ปริมาณน้ำฝนของประเทศไทยด้วยวิธีการเรียนรู้เชิงลึก

เฟื่องลดา มะโนกิจ

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/65135

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	พีรพล เวทีกูล	-
dc.contributor.advisor	กนกศรี ศรินนภากร	-
dc.contributor.author	เฟื่องลดา มะโนกิจ	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2020-04-05T09:19:35Z	-
dc.date.available	2020-04-05T09:19:35Z	-
dc.date.issued	2562	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/65135	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562	-
dc.description.abstract	การพยากรณ์น้ำฝนมีความสำคัญมากต่อประเทศไทยในเรื่องของการบริหารจัดการทรัพยากรน้ำ เนื่องจากการพยากรณ์น้ำฝนถูกนำไปใช้ในเรื่องการเตือนภัยว่าจะเกิดน้ำท่วม การวางแผนทางด้านเกษตรกรรม และอื่น ๆ งานวิจัยก่อนหน้าได้มีการพยายามทำนายปริมาณน้ำฝนผ่านข้อมูลที่เป็นโทรมาตรหรือสถานีวัดน้ำฝน โดยใช้แบบจำลองการเรียนรู้ของเครื่อง เช่น แบบจำลองอาริมา แบบจำลองเคเอ็นเอ็นเข้ามาหาแนวทางการทำนาย จนกระทั่งได้มีแบบจำลองการเรียนรู้เชิงลึกเกิดขึ้น ซึ่งพบว่าแบบจำลองการเรียนรู้เชิงลึกสามารถเข้ามาช่วยทำนายและให้ผลการทำนายที่ดีกว่า อย่างไรก็ตามประเทศไทยยังพบปัญหาในเรื่องชุดข้อมูลไม่สมดุล เนื่องจากประเทศไทยมีช่วงฝนแล้งเป็นปริมาณมากเมื่อเทียบกับช่วงที่ฝนตกจริง ๆ ดังนั้นในงานวิจัยนี้จะนำเสนอแบบจำลองการเรียนรู้เชิงลึกสองแบบจำลองต่อกันเพื่อแก้ปัญหาการทำนายไม่ได้จากชุดข้อมูลไม่สมดุล ได้แก่ แบบจำลองการจำแนกประเภทเพื่อนำมาจำแนกว่าในชั่วโมงข้างหน้าฝนจะตกหรือไม่ และแบบจำลองวิเคราะห์การถดถอยเพื่อทำนายปรืมาณน้ำฝนที่เกิดขึ้นจริงโดยจะใช้ข้อมูลรับเข้าเฉพาะช่วงที่ฝนตกเท่านั้น นอกเหนือจากนี้งานวิจัยนี้ยังเพิ่มคุณลักษณะโทรมาตรใกล้เคียงเข้ามาช่วยทำนาย โดยงานวิจัยนำเสนอแบบจำลองนิวรอลเน็ตเวิร์กคอนโวลูชันร่วมกับโครงข่ายประตูวกกลับ และแบบจำลองนิวรอลเน็ตเวิร์กคอนโวลูชันร่วมกับตัวเข้ารหัสข้อมูลอัตโนมัติ โดยทดลองจะใช้ข้อมูลปริมาณฝนที่ได้รับการสนับสนุนจากสถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน) หรือ สสน. โดยผลลัพธ์ของการทดลอง แบบจำลองที่นำเสนอสามารถให้ค่าความคลาดเคลื่อนต่ำสุดเมื่อเปรียบเทียบกับปริมาณน้ำฝนทั้งหมดในทุกภาค สุดท้ายนี้งานวิจัยจะนำเสนอถึงแนวทางการทำนายหลายชั่วโมงโดยใช้ข้อมูลที่ถูกทำนายรับเข้ามาเป็นข้อมูลรับเข้า	-
dc.description.abstractalternative	Precipitation prediction is necessary to use in water management, especially in Thailand, it can be applied for various water activities, such as flood warning, agriculture planning, etc. There are many prior attempts to forecast rainfall from the rain-gauge station. Some deployed traditional machine learning approaches: ARIMA, k-NN, etc. Recently, deep learning approach has shown promising result in this task. However, the accuracy is still limited since the raining period throughout the year in Thailand is very scarce, so most rainfall amount is zero. In this research, we propose to cascade two deep learning networks: one is a classification to classify whether it is rain or not, and the other is a regression model to predict rainfall amount. Moreover, we use neighbor rainfall stations to help more accurate rainfall prediction. Our purpose models are a combination between CNN and GRU and a combination between CNN and auto-encoder and MLP. The experiment was conducted on hourly rainfall dataset received from the public government sector in Thailand. We use RMSE as performance metric to evaluate models and the results show that our cascading model give the lowest RMSE on average over all regions. Furthermore, we also multistep by applying a rolling mechanism that used the predicted rainfall predict the next 6 steps.	-
dc.language.iso	th	-
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2019.1124	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.subject.classification	Computer Science	-
dc.subject.classification	Computer Science	-
dc.title	การพยากรณ์ปริมาณน้ำฝนของประเทศไทยด้วยวิธีการเรียนรู้เชิงลึก	-
dc.title.alternative	Thailand's precipitation forecasting using deep learning approach	-
dc.type	Thesis	-
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	-
dc.degree.level	ปริญญาโท	-
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์	-
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.email.advisor	Peerapon.V@Chula.ac.th	-
dc.email.advisor	ไม่มีข้อมูล	-
dc.identifier.DOI	10.58837/CHULA.THE.2019.1124	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6071024421.pdf		3.86 MB	Adobe PDF	View/Open

Show simple item record