Application of Artificial Neural Network for Rainfall Amount Estimation from MODIS Image Data of Aqua Satellite over the Upper Northern Thailand
Article Sidebar
Main Article Content
Abstract
The objectives of this research were to estimate rainfall amount in northern of Thailand from the MODIS/Aqua satellite image data and Artificial Neural Network (ANN). The rainfall amount measurement from meteorological stations and six cloud properties from MODIS/Aqua satellite image including Brightness Temperature (BT), Cloud Top Pressure (CTP), Cloud Top Temperature (CTT), Cloud Optical Thickness (COT), Cloud Water Path (CWP) and Cloud Water Vapor (CWV) during January 2014 to December 2015 were used in simulation model. The data set of 2016 was used for testing model and model validation using root mean square error (RMSE) mean absolute error (MAE). and approximate percentage error (PE)
The results showed that the average rainfall amount were 1,231.31 mm. and 1,078.86 mm. in 2014 and 2015 respectively. The average rainfall amount from July to September was higher than December and January. The cloud properties including BT, CTP and CTT were low during May to September, while COT, CWP and CWV were high during May to October. The correlation between rainfall amount and cloud properties showed that CTP provided the highest correlation coefficient (r) of 0.90 followed by BT, CWP, CTT, CWV and COT with the r as 0.87, 0.86, 0.84, 0.84 and 0.83, respectively. Besides, BT provided highest correlation coefficient (r) of 0.91, while COT, CWP, CTT, CTP and CWV were 0.85, 0.82, 0.80, 0.79 and 0.76 respectively during wet period. The estimation rainfall amount from ANN technique showed that r was 0.99 for both annual and wet period. The model validation for 2016 data set showed underestimated prediction with the measurement data. The annual model error showed the RMSE MAE and PE were 7.96 10.3 and 15.21, respectively. Moreover, the wet period also showed the RMSE MAE and PE were 7.57 5.96 and 36.17, respectively.
Article Details
ข้าพเจ้าและผู้เขียนร่วม (ถ้ามี) ขอรับรองว่า ต้นฉบับที่เสนอมานี้ยังไม่เคยได้รับการตีพิมพ์และไม่ได้อยู่ในระหว่างกระบวนการพิจารณาตีพิมพ์ลงในวารสารหรือสิ่งตีพิมพ์อื่นใด ข้าพเจ้าและผู้เขียนร่วม (ถ้ามี) ยอมรับหลักเกณฑ์และเงื่อนไขการพิจารณาต้นฉบับ ทั้งยินยอมให้กองบรรณาธิการมีสิทธิ์พิจารณาและตรวจแก้ต้นฉบับได้ตามที่เห็นสมควร พร้อมนี้ขอมอบลิขสิทธิ์ผลงานที่ได้รับการตีพิมพ์ให้แก่วารสารวนศาสตร์ คณะวนศาสตร์ มหาวิทยาลัยเกษตรศาสตร์ กรณีมีการฟ้องร้องเรื่องการละเมิดลิขสิทธิ์เกี่ยวกับภาพ กราฟ ข้อความส่วนใดส่วนหนึ่ง หรือ ข้อคิดเห็นที่ปรากฏในผลงาน ให้เป็นความรับผิดชอบของข้าพเจ้าและผู้เขียนร่วม (ถ้ามี) แต่เพียงฝ่ายเดียว และหากข้าพเจ้าและผู้เขียนร่วม (ถ้ามี) ประสงค์ถอนบทความในระหว่างกระบวนการพิจารณาของทางวารสาร ข้าพเจ้าและผู้เขียนร่วม (ถ้ามี) ยินดีรับผิดชอบค่าใช้จ่ายทั้งหมดที่เกิดขึ้นในกระบวนการพิจารณาบทความนั้น”
References
กรมอุตุนิยมวิทยา. 2553. General Metorogy. แหล่งที่มา: http://hydro-1.net/08HYDRO/HD-10/102/General% 20Metorogy.pdf, 25 เมษายน 2560.
กรมอุตุนิยมวิทยา. 2558. รายงานอุตุนิยมวิทยาเกษตร มกราคม 2558. 19 หน้า.
กรมอุตุนิยมวิทยา. 2559. รายงานอุตุนิยมวิทยาเกษตร กรกฎาคม 2559. 26 หน้า.
จงกลนี วาณิชย์เสริมกุล. 2528. การใช้ภาพถ่ายดาวเทียมอุตุนิยมวิทยาศึกษาทิศทางการเคลื่อนตัวและผลกระทบของพายุหมุนเขตร้อนในประเทศไทย. วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยเกษตรศาสตร์.
จตุพร ผดุงกาญจน์. 2555. ผลของปรากฏการณ์เอลนีโญและลานีญาต่อปริมาณน้ำฝน อุณหภูมิอากาศและปริมาณน้ำท่าในพื้นที่ลุ่มน้ำแม่แตง เชิญ และคลองยัน. วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยเกษตรศาสตร์.
ชลาลัย แจ่มผล. 2558. ปรากฏการณ์เอลนีโญ 2558/59. วารสารอุตุนิยมวิทยา 15 (3): 1-5.
ทวี ชัยพิมลผลิน. 2557. บทบาทของแบบจำลองโครงข่ายประสาทเทียมสำหรับงานวิจัยทางด้านภูมิศาสตร์ในประเทศไทย. วารสารสังคมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ 17: 315-327.
นิรัติยา ใจเสียง. 2551. การจำแนกสายพันธ์ข้าวจากองค์ประกอบสารระเหยในเมล็ดข้าวโดยใช้โครงข่ายประสาทเทียม. วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยเชียงใหม่.
พงษ์ศักดิ์ อยู่หุ่น. 2545. ความชื้น อุณหภูมิ และความเสถียรของบรรยากาศ. แหล่งที่มา: http://conf.agi.nu.ac.th/webnewasp/ereading/101302/04.pdf, 29 เมษายน 2560.
เพ็ญพร นิ่มนวล. 2552. การพัฒนาแบบจำลองสำหรับคำนวณปริมาณฝนจากข้อมูลภาพถ่ายดาวเทียมสำหรับประเทศไทย. วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยศิลปากร.
ฟาตา มรรษทวี. 2557. การประยุกต์ใช้แบบจำลองโครงข่ายประสาทเทียมและภาพถ่ายดาวเทียม FY-2E ในการประเมินค่าปริมาณน้ำฝนในประเทศ. วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยเกษตรศาสตร์.
ฟาตา มรรษทวี. และปิยพงษ์ ทองดีนอก. 2556. การประมาณค่าปริมาณน้ำฝนโดยใช้ภาพถ่ายดาวเทียม FY-2E และแบบจำลองโครงข่ายประสาทเทียมในประเทศไทย. วารสารวนศาสตร์ 32(พิเศษ): 238-247.
สุรัตน์ กำแพงแก้ว, ศิรินทรา อินทร์ถนอม, เสาวนีย์ ศรีชาย และวรธันย์ วิชาคุณ. 2556. การศึกษาข้อมูลสถิติการปกคลุมของเมฆในประเทศไทย. ใน รายงานการประชุมวิชาการเทคโนโลยีอวกาศและภูมิสารสนเทศแห่งชาติ ประจำปี 2556 ครั้งที่ 12. สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน), นนทบุรี.
เสรี ศุภราทิตย์. 2544. คู่มือการพยากรณ์น้ำโดยโครงข่ายประสาทเทียม. สถาบันพัฒนาการชลประทาน, นนทบุรี.
หทัย เพลงวัฒนา. 2558. เมฆและการเกิดเมฆ. แหล่งที่มา: http://earthscience.ipst.ac.th/wp-content/uploads/sites/19/2015/04, 19 เมษายน 2560.
โอม ไทย. 2550. การประยุกต์แบบจำลองโครงข่ายประสาทเทียมสำหรับการประเมินน้ำท่าในลุ่มน้ำย่อยของลุ่มน้ำปิงตอนบนที่ไม่มีสถานีวัดน้ำท่า. วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยเกษตรศาสตร์.
Barnston, A. G. 1992. Correspondence among the correlation, RMSE, and Heidke forecast verification measures; Refinement of the Heidke Score. Journal of Cell Science 7: 699-709.
Boger, Z. and H. Guterman. 1997. Knowledge Extraction from Artificial Neural Network Models. IEEE Systems, Man, and Cybernetics Conference. Orlando, Florida.
Dobby, E. H. G. 1967. Southeast Asia. Hazell Watson & Winey Ltd, London.
Herman, A., V.B. Kumar, P.A. Arkin and J.V. Kousky. 1997. Objectively determined 10-day African rainfall estimates created for famine early warning systems. Int. J. Rem. 18 (10): 2147-2159.
National Aeronautics and Space Administration (NASA). 2014. MODIS. Available Source: https://modis.gsfc.nasa.gov/data, April 8, 2018.
Kalnary, E. 2003. Atmospheric Modeling Data Assimilation and Predictability. CambridgeUniversity Press, Cambridge.
Kniffka A., M. Stengel, M. Lockhoff, R. Bennartz and R. Hollmann. 2014. Characteristics of cloud liquid water path from SEVIRI onboard the Meteosat Second Generation 2 satellite for several cloud types. Atmos. Meas. Tech. 7 (4): 887–905.
Seiki, T. and T. Nakajima. 2014. Aerosol effects of the condensation process on a convective cloud simulation. J. Atmos. Sci. 71 (2): 833–853.
Willmott, C. J. and K. Matsuura. 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Journal of Climate Research 30 (1): 79-82.
World Meteorological Organization (WMO). 2015. El Nino/La Nina Update. Available Source: http://www.wmo.int/pages/prog/wcp/wcasp/documents/WMO_ENSO_Nov15_Eng.pdf, April 16, 2017.
World Meteorological Organization (WMO). 2017. Optical Thickness. Available Source: https://cloudatlas.wmo.int/optical-thickness.html, May 2, 2017.