แบบจำลองความสัมพันธ์ระหว่างค่าสุดขีดของปริมาณน้ำฝนกับผลผลิตข้าวโดยใช้การเรียนรู้ของเครื่องในกลุ่มจังหวัดภาคเหนือตอนล่าง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอการพัฒนาแบบจำลองความสัมพันธ์ระหว่างค่าสุดขีดของปริมาณน้ำฝนกับผลผลิตข้าวในกลุ่มจังหวัดภาคเหนือตอนล่าง ข้อมูลผลผลิตข้าวนาปีรายปีและปริมาณน้ำฝนรวมรายปีในช่วงปี 2533 ถึง ปี 2562 ของ 6 จังหวัดภาคเหนือตอนล่าง ซึ่งประกอบด้วย นครสวรรค์ พิจิตร พิษณุโลก กำแพงเพชร เพชรบูรณ์ และสุโขทัย ถูกนำมาใช้สำหรับพัฒนาแบบจำลองความสัมพันธ์สำหรับ 6 จังหวัดภาคเหนือตอนล่างดังกล่าว โดยใช้วิธีการเรียนรู้ของเครื่อง 3 วิธี ประกอบด้วย วิธีการวิเคราะห์การถดถอยพหุคูณ วิธีป่าสุ่ม และวิธีซับพอร์ตเวกเตอร์แมทชีน สำหรับประสิทธิภาพของแบบจำลองแต่ละแบบในแต่ละจังหวัดถูกประเมินจากค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error: MAE), ค่ารากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error : RMSE), ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Square Error : MSE) และค่าอาร์กำลังสอง (R-squared) ผลการศึกษาพบว่าแบบจำลองที่ถูกสร้างขึ้นโดยวิธีป่าสุ่มและมีตัวแปรอิสระเป็นค่าสุดขีดของปริมาณน้ำฝนเป็นแบบจำลองที่มีประสิทธิภาพเหนือกว่าแบบจำลองที่ถูกสร้างขึ้นโดยวิธีการวิเคราะห์การถดถอยพหุคูณและวิธีซับพอร์ตเวกเตอร์แม-ทชีนโดยเฉพาะในจังหวัดนครสวรรค์, จังหวัดพิจิตร, จังหวัดพิษณุโลกและจังหวัดกำแพงเพชร โดยพิจารณาจากค่าอาร์กำลังสองที่มีค่าสูงกว่าวิธีอื่น ๆ และค่ารากของค่าคลาดเคลื่อนกำลังสองเฉลี่ยที่มีค่าต่ำกว่าวิธีอื่นๆ นอกจากนี้พบว่าการใช้ค่าสุดขีดของปริมาณน้ำฝน เป็นตัวแปรนำเข้าสำหรับการสร้างแบบจำลองให้ประสิทธิภาพของแบบจำลองที่ดีกว่าการใช้ปริมาณน้ำฝนรวมรายปี ซึ่งค่าสุดขีดของปริมาณน้ำฝนสามารถอธิบายความผันแปรของผลผลิตข้าวในกลุ่มจังหวัดภาคเหนือตอนล่างดังกล่าวได้ถึง 64-79%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารเกษตรพระจอมเกล้า
เอกสารอ้างอิง
Alidoost, F., Su, Z., & Stein, A. (2019). Evaluating the effects of climate extremes on crop yield, production and price using multivariate distributions: A new copula application. Weather and Climate Extremes, 26(1), 1-9.
Chen, W. Z., Zhu, D., Huang, C. J., & Ciais, P. (2019). Negative extreme events in gross primary productivity and their drivers in China during the past three decades. Agricultural and Forest Meteorology, 275(1), 47-58.
Crane-Droesch, A. (2018). Machine learning methods for crop yield prediction and climate change impact assessment in agriculture. Environmental Research Letter, 13(1), 114003.
Fan, J., Jintrawet, A., & Sangchyoswat, C. (2020). The relationships between extreme precipitation and rice and maize yields using machine learning in Sichuan province, China. Current Applied Science and Technology, 20(3), 453-469.
Feng, S. F., Hao, Z. C., Zhang, X., & Hao, F. H. (2019). Probabilistic evaluation of the impact of compound dry-hot events on global maize yields. Science of the Total Environment, 689(1), 1228-1234.
Harrison, M. T., Cullen, B. R., & Rawnsley, R. P. (2016). Modelling the sensitivity of agricultural systems to climate change and extreme climatic events. Agricultural Systems, 148(1), 135-148.
Konduri, V. S., Vandal, T. J., Ganguly, S., & Ganguly, A. R. (2020). Data science for weather impacts on crop yield. Frontiers in Sustainable Food System, 52(4), 1-11.
Jeong, J. H., Resop, J. P., Mueller, N. D., & Fleisher, D. H. (2016). Random forests for global and regional crop yield predictions. Plos One, 11(6), e0156571. https://doi.org/10.1371/journal.pome.o156571
Rotter, R. P., Appiah, M., Fichtler, E., & Kersebaum, K. C. (2018). Linking modelling and experimentation to better capture crop impacts of agroclimatic extremes-A review. Field Crops Research, 221(1), 142-156.
Vogel, E., Donat, M. G., Alexander, L. V., Meinshausen, M., Ray, D. K., Karoly, D., Meinshausen, N., & Frieler, K. (2019). The effects of climate extremes on global agricultural yields. Environmental Research Letter, 14(5), 054010.
