การประยุกต์ใช้โปรแกรมเชิงพันธุกรรมสำหรับการพยากรณ์ระดับน้ำและอัตราการไหลรายวันของแม่น้ำตาปี ณ อำเภอพระแสง จังหวัดสุราษฎร์ธานี
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิจัยนี้นำเสนอการประยุกต์ใช้โปรแกรมเชิงพันธุกรรมสำหรับการพยากรณ์ระดับน้ำและอัตราการไหลในลำน้ำ ซึ่งมีความสำคัญอย่างยิ่งสำหรับการบริหารจัดการทรัพยากรน้ำ การศึกษานี้ใช้โปรแกรม GPdotNET version 4 ซึ่งเป็นซอฟต์แวร์รหัสเปิดในการศึกษา โดยเก็บรวบรวมข้อมูลน้ำฝนรายวัน ณ สถานี TD12 อำเภอทุ่งใหญ่ จังหวัดนครศรีธรรมราช ซึ่งตั้งอยู่ทางต้นน้ำ และข้อมูลน้ำฝน ระดับน้ำ และอัตราการไหลรายวัน ณ สถานี TD07 อำเภอพระแสง จังหวัดสุราษฎร์ธานี ซึ่งตั้งอยู่ท้ายน้ำ ระยะเวลา 5 ปี (ปี พ.ศ. 2556-2560) เพื่อพยากรณ์ระดับน้ำและอัตราการไหลในแม่น้ำตาปี ณ สถานี TD07 ล่วงหน้า 1 วัน โดยแบ่งชุดข้อมูลเป็น 2 ชุด ได้แก่ 70 % แรกของชุดข้อมูลสำหรับขั้นตอนการเรียนรู้ และ 30 % ที่เหลือของชุดข้อมูลสำหรับขั้นตอนการทดสอบ การประเมินประสิทธิภาพของแบบจำลองใช้ค่าทางสถิติ 3 ค่า ได้แก่ ค่าสัมประสิทธิ์สหสัมพันธ์ (r) ค่ารากที่สองของค่าเฉลี่ยของความคลาดเคลื่อนกำลังสอง (RMSE) และค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ผลการศึกษาพบว่าการพยากรณ์ระดับน้ำล่วงหน้า 1 วัน ให้ผลการพยากรณ์อยู่ในเกณฑ์ดีมาก โดยให้ค่า r, RMSE และ MAE สำหรับขั้นตอนการเรียนรู้และการทดสอบ 0.988, 0.307 m, 0.127 m และ 0.984, 0.321 m, 0.144 m ตามลำดับ และการพยากรณ์อัตราการไหลล่วงหน้า 1 วัน ให้ผลการพยากรณ์อยู่ในเกณฑ์ดีมาก โดยให้ค่า r, RMSE และ MAE สำหรับขั้นตอนการเรียนรู้และการทดสอบ 0.986, 22.429 m³/s, 9.927 m³/s และ 0.982, 21.794 m³/s, 10.514 m³/s ตามลำดับ
Article Details
เอกสารอ้างอิง
[2] Sukka, P., 2005, Forecasting of Daily Inflow to Large Reservoir in Upper Ping River Basin Using Artificial Neural Network, Master Thesis, Chiang Mai University, Chiang Mai. (in Thai)
[3] Amloy, S., 2009, Reservoir Inflow Forecasting by Decision Tree Model: A Case Study of Huay Nam Sai Reservoir Nakhon Si Thammarat Province, Master Thesis, Kasetsart University, Bangkok. (in Thai)
[4] Keawpachu, W., 2009, The Application of Neuro-Genetic Approach for Water Level Forecasting of Thapi River at Amphoe Phrasaeng and Amphoe Khian Sa, Suratthani Province, Master Thesis, Kasetsart University, Bangkok. (in Thai)
[5] Najafzadeh, M., Shiri, J., Sadeghi, G. and Ghaemi, A., 2017, Prediction of the friction factor in pipes using model tree, ISH J. Hydraulic Eng. 24: 9-15.
[6] Choi, S.U., Choi, B. and Choi, S., 2015, Improving predictions made by ANN model using data quality assessment: An application to local scour around bridge piers, J. Hydroinform. 17: 977-989.
[7] Artigue, G., Johannet, A., Borrell, V. and Pistre, S., 2012, Flash flood forecasting in poorly gauged basins using neural networks: Case study of the Gardon de Mialet basin (southern France), Nat. Hazards Earth Syst. Sci. 12: 3307-3324.
[8] Weerasinghe, H.D.P., Premaratne, H.L. and Sonnadara, D.U.J., 2010, Performance of neural networks in forecasting daily precipitation using multiple sources, J. Nat. Sci. Found. Sri Lanka 38(3): 163-170.
[9] Fallah-Mehdipour, E., Bozorg Haddad, O. and Marino, M.A., 2013, Developing reservoir operational decision rule by genetic programming, J. Hydroinform. 15: 103-119.
[10] Che Ghani, N.Z., Abu Hasan, Z. and Tze Liang, L., 2014, Estimation of missing rainfall data using GEP: Case study of Raja River, Alor Setar, Kedah, Adv. Artific. Intell. 716398.
[11] Watanabe, N., Fukami, K., Imamura, H., Sonoda, K. and Yamane, S., 2009, Flood forecasting technology with radar-derived rainfall data using genetic programming, International Joint Conference on Neural Networks, Atlanta, GA.
[12] Mediero, L., Garrote, L. and Chavez-Jimenez, A., 2012, Improving probabilistic flood forecasting through a data assimilation scheme based on genetic programming, Nat. Hazards Earth Syst. Sci. 12: 3719-2012.
[13] Ji, H., Songlin, W., Qinglin, W. and Xiaonan, C., 2012, Douhe reservoir flood forecasting model based on data mining technology, Proc. Environ. Sci. 12: 93-98.
[14] Hakimzadeh, H., Nourani, V. and Amini, A. B., 2014, Genetic programming simulation of dam breach hydrograph and peak outflow discharge, J. Hydro. Eng. 19: 757-768.
[15] Li, H., Jiang, S. and Bao, X., 2009, Application of genetic programming to identifying water-level and storage-capacity curve of the Xingxingshao Reservoir, Asia-Pacific Power and Energy Engineering Conference, China.
[16] Kasiviswanathan, K.S., Saravanan, S., Balamurugan, M. and Saravanan, K., 2016, Genetic programming based monthly groundwater level forecast models with uncertainty quantification, Model. Earth Syst. Environ. DOI: 10.1007/s40808-016-0083-0.
[17] Obiedat, R., Alkasassbeh, M., Faris, H. and Harfoushi, O., 2013, Customer churn prediction using a hybrid genetic programming approach, Acad. J. 8: 1289-1295.
[18] Koza, J.R. and Rice, J.P., 1992, Automatic programming of robots using genetic programming, 10th National Conference on Artificial Intelligence, San Jose, CA.
