The Modeling Shape Parameter of The Generalized Extreme Value Distribution of Rainfall-Runoff and Satellite Images Using Artificial Neural Network Approach

Abstract

In this research on The Modeling Shape Parameter of The Generalized Extreme Value Distribution of Rainfall-Runoff and Satellite Images Using Artificial Neural Network Approach. The main objective of this research is to determine the variables that affect the shape parameter change by considering the correlation coefficient and to model the shape parameter under a generalized extreme value (GEV) distribution to predict flood risk areas with a return level map. The researchers collected satellite, meteorological and hydrological data of the Chi River Basin over the past 11 years (2010 to 2021) from the Thai Meteorological Department (TMD) and agricultural stations, a total of 92 stations. In our study, the shape parameter was estimated with non-stationary process by artificial neural network (ANN) approach and stationary process by maximum likelihood estimation (MLE) approach under GEV distribution. The Nash-Sutcliffe coefficient (NSE) is used to compare the two models. The study found that the non-stationary model was suitable for the monthly maximum rainfall data of 59 stations, categorized into the ANN-7 model of 17 stations, the ANN-10 model of 27 stations and the ANN-3 model of 15 stations. In the case of a fixed model, it is suitable for all 33 stations of monthly maximum rainfall data. When looking at the overview of the mean NSE of each model, the NSE was greater than 0.75, concluding that the model occurring at each of the 92 stations were appropriate for the monthly maximum rainfall data and the models had predictive accuracy. At the end of the study, the return level of monthly maximum rainfall data in various predicted the return level in 2 years, 5 years, 10 years, 20 years, 50 years and 100 years were presented through a 2D map.

ในงานวิจัยเรื่องการสร้างแบบจำลองพารามิเตอร์บ่งรูปร่างของการแจกแจงคำสุดขีดนัยทั่วไปจากข้อมูลน้ำฝน-น้ำทำและข้อมูลภาพถ่ายดาวเทียมโดยใช้วิธีโครงข่ายประสาทเทียม โดยมีวัตถุประสงค์หลักของงานวิจัยนี้คือการหาตัวแปรที่ส่งผลต่อการเปลี่ยนแปลงพารามิเตอร์บ่งรูปร่าง (Shape parameter) โดยพิจารณาจากค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation coefficient) พร้อมทั้งสร้างแบบจำลองพารามิเตอร์บ่งรูปร่างภายใต้การแจกแจงค่าสุดขีดนัยทั่วไป (Generalized Extreme Value: GEV) เพื่อนำผลการศึกษามาคาดการณ์พื้นที่เสี่ยงต่อการเกิดอุทกภัยน้ำท่วมด้วยแผนที่ระดับการเกิดซ้ำ (Return level) ทั้งนี้ผู้วิจัยได้รวบรวมข้อมูลดาวเทียม ข้อมูลอุตุนิยมวิทยา และข้อมูลอุทกวิทยา ของลุ่มน้ำชี ทั้งหมด 11 ปีย้อนหลัง (พ.ศ. 2553 ถึง พ.ศ. 2564) จากกรมอุตุนิยมวิทยาและสถานีเกษตรจำนวน 92 สถานี ในการศึกษานี้เราทำการประมาณค่าพารามิเตอร์บ่งรูปร่างด้วยแบบจำลองกระบวนการคงที่ (Stationary process) ด้วยวิธีภาวะน่าจะเป็นสูงสุด (Maximum likelihood estimation: MLE) และแบบจำลองกระบวนการไม่คงที่ (Non-stationary process) ด้วยวิธีโครงข่ายประสาทเทียม (Artificial neural network: ANN) ภายใต้การแจกแจง GEV และทำการเปรียบเทียบประสิทธิภาพของแบบจำลอง ทั้ง 2 รูปแบบด้วยค่าสัมประสิทธิ์ Nash-Sutcliffe (Nash-Sutcliffe Efficiency: NSE) จากการศึกษาพบว่า แบบจำลองกระบวนการไม่คงที่มีความเหมาะสมกับข้อมูลปริมาณน้ำฝนสูงสุดรายเดือน ทั้งหมด 59 สถานี แบ่งเป็น แบบจำลอง ANN-7 จำนวน 17 สถานี แบบจำลอง ANN-10 จำนวน 27 สถานี และแบบจำลอง ANN-3 จำนวน 15 สถานี อย่างไรก็ตามพบว่า แบบจำลองกรณีกระบวนการคงที่มีความเหมาะสมกับข้อมูลปริมาณน้ำฝนสูงสุดรายเดือน ทั้งหมด 33 สถานี และจากการพิจารณาภาพรวมของค่า NSE เฉลี่ยของแต่ละแบบจำลองพบว่ามีค่า NSE สูงกว่า 0.75 ทำให้สรุปได้ว่าแบบจำลองที่เกิดได้ในแต่ละสถานีทั้ง 92 สถานีนั้นมีความเหมาะสมกับข้อมูลปริมาณน้ำฝนสูงสุดรายเดือนและมีความแม่นยำในการคาดคะเน ทั้งนี้ในตอนท้ายของงานผู้วิจัยได้นำระดับการเกิดปริมาณน้ำฝนสูงสุดรายเดือนซ้ำในรอบปีการเกิดซ้ำ (Return period) 2 ปี 5 ปี 10 ปี 20 ปี 50 ปี และ100 ปี นำเสนอผ่านภาพแผนที่ 2 มิติ