วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2545

ในปัจจุบันได้มีการศึกษาและพัฒนาแบบจำลองใยประสาทเทียม (Artificial Neural Networks, ANN) มาใช้ในการพยากรณ์น้ำท่ารายวันกันอย่างแพร่หลาย โดยในการพัฒนาแบบจำลอง ANN นั้นมักจะประสบปัญหาในการคัดเลือดชุดตัวแปรนำเข้าและลักษณะโครงข่ายในแบบจำลอง อันได้แก่ จำนวนชั้นแอบแฝง (hidden layer) และจำนวนหน่วย (node) ในชั้นแอบแฝงที่เหมาะสม ซึ่งทำให้เสียเวลามากในการพัฒนาแบบจำลอง ในการศึกษาศึกษาวิทยานิพนธ์นี้จึงมีจุดมุ่งหมายเพื่อหาแนวทางในการคัดเลือกชุดตัวแปรนำเข้าและลักษณะโครงข่ายภายในที่เหมาะสมในแบบจำลอง ANN เพื่อใช้ในการพยากรณ์อัตราการไหลน้ำท่ารายวันล่วงหน้า 1-7 วัน ณ สถานีวัดน้ำท่า 6 แห่ง ในพื้นที่ลุ่มน้ำปราจีนบุรี โดยได้จัดสร้างแบบจำลองแยกออกตามฤดูกาล คือ แบบจำลองที่ใช้สำหรับฤดูฝนและสำหรับฤดูแล้ง จากผลการศึกษาพบว่า ฟังก์ชันความสัมพันธ์ระหว่างตัวแปรต่างๆ เทียบกับเวลา (correlation function) สามารถนำมาใช้เป็นแนวทางในการคัดเลือกชุดตัวแปรนำเข้าที่เหมาะสมสู่แบบจำลองได้ดี และจำนวนหน่วยในชั้นแอบแผงที่เหมาะสมในแบบจำลอง ANN นั้น พบว่าควรมีจำนวนเท่ากับจำนวนตัวแปรนำเข้า โดยถ้าหากแบบจำลองมีจำนวนตัวแปรนำเข้าตั้งแต่ 5 ตัวขึ้นไป ควรแบ่งชั้นแอบแฝงออกเป็น 2 ชั้น และในแต่ละชั้นจะมีจำนวนหน่วยเป็นครึ่งหนึ่งของจำนวนตัวแปรนำเข้า สำหรับการพยากรณือัตราการไหลน้ำท่ารายวันล่วงหน้าหลายวันนั้นควรใช้แบบจำลอง ANN ร่วมกับพยากรณ์โดยวิธี Standard step ซึ่งจะทำการพยากรณ์ล่วงหน้าวันต่อวัน เนื่องจากให้ผลการพยากรณ์ที่ดีกว่าการพยากรณ์โดยวิธี Direct step ที่จะพยากรณ์ล่วงหน้าภายในครั้งเดียว นอกจากนี้ยังพบว่าแบบจำลอง ANN ให้ผลการพยากรณ์ที่ดีกว่าแบบจำลองถดถอยเชิงเส้นตัวแปรอิสระหลายตัว (Multiple Linear Regression, MLR) โดยเฉพาะเมื่อระยะเวลาในการพยากรณ์ยาวนานขึ้น และเมื่อนำแบบจำลองอนุกรมเวลา อันได้แก่ MA(2) และ AR(2) มาใช้ในการปรับปรุงผลการพยากรณ์ของแบบจำลอง ANN พบว่าช่วยให้แบบจำลองมีประสิทธิภาพในการพยากรณ์เพิ่มขึ้นประมาณ 0.6-14.7%