Page 105 - ถักร้อยความรู้ภูมิศาสตร์อันหลากหลาย : หมุดหมายความรู้ครบรอบ 60 ปี
P. 105
ตั้้นแบบ แล้วฝ่ึก (Train) ให้้ระบบได้้รู้จ้กที�จะคิด้แก้ปีัญห้าที�กว้างขึ�นได้้ ในโครงสิร้างของเครือข่ายใยปีระสิาท
จะปีระกอบด้้วยโห้นด้ (Node) สิำาห้ร้บ Input และ Output และการปีระมิวลผู้ลกระจายอยู่ในโครงสิร้างเปี็น
ช้�น ๆ ได้้แก่ Input layer, Output layer และ Hidden layers การปีระมิวลผู้ลของเครือข่ายใยปีระสิาทจะอาศ้ย
การสิ่งการทำางานผู้่านโห้นด้ตั้่าง ๆ ใน layer เห้ล่านี�
3.3 การตรวัจัสอบควัามถูกต้อง
การทด้สิอบความิถึูกตั้้องของแบบจำาลองสิำาห้ร้บข้อมิูลเชิงพรรณนาที�เปี็นค่าทำานายสิามิารถึโด้ยใช้
Confusion matrix ตั้้วว้ด้ปีระสิิทธิิภาพของแบบจำาลองที�อธิิบายในตั้าราง Confusion matrix ได้้แก่ Precision:
เปี็นการว้ด้ความิแมิ่นยำาของตั้้วแบบ โด้ยพิจารณาแยกทีละคลาสิ Recall เปี็นการว้ด้ความิถึูกตั้้องของ
ตั้้วแบบ โด้ยพิจารณาแยกทีละคลาสิ F-Measure เปี็นการว้ด้ค่า Precision และ Recall พร้อมิก้นของตั้้วแบบ
โด้ยพิจารณาแยกทีละคลาสิ และ Accuracy เปี็นการว้ด้ความิถึูกตั้้องของตั้้วแบบ โด้ยพิจารณารวมิทุกคลาสิ
คือ จำานวน True Positive ของทุกคลาสิรวมิก้น
4. ผลการศึกษา
การปีระเมิินตั้ิด้ตั้ามิภ้ยแล้งในมิิตั้ิของระด้้บความิรุนแรง ความิถึี� และพื�นที�เสิี�ยงภ้ยแล้งสิามิารถึตั้ิด้ตั้ามิ
และปีระเมิินได้้จากข้อมิูลตั้่าง ๆ เช่นข้อมิูลทางกายภาพ อุตัุ้นิยมิวิทยา ด้้ชนีชี�ว้ด้ภ้ยแล้งจากปีริมิาณนำ�าฝ่นและ
ด้้ชนีชี�ว้ด้ภ้ยแล้งจากภาพถึ่ายด้าวเทียมิ โด้ยผู้ลการศึกษาจากงานวิจ้ยตั้่าง ๆ พบว่า การบูรณาการข้อมิูล
ในห้ลาย ๆ ด้้านของข้อมิูลที�เกี�ยวข้อง ที�ไมิ่ได้้เก็บในรูปีแบบเชิงปีริมิาณห้รือเชิงคุณภาพอย่างใด้อย่างห้นึ�ง
สิามิารถึนำามิาวิเคราะห้์ร่วมิก้นและสิร้างแบบจำาลองโด้ยใช้ข้�นตั้อนวิธิีของวิทยาการข้อมิูล โด้ยวิธิีการเห้ล่านี�
ลด้ข้อจำาก้ด้ของวิธิีการทางสิถึิตั้ิและสิห้สิ้มิพ้นธิ์เชิงพื�นที�ได้้ (Normana et al., 2016).
ข้อมิูลจากปีริมิาณนำ�าฝ่นอย่างเด้ียว สิามิารถึนำามิาพ้ฒนาเปี็นด้้ชนีชี�ว้ด้ภ้ยแล้ง เช่น SPI และ Standard
Precipitation Evapotranspiration Index (SPEI) และนำาไปีใช้เพื�อเปี็นข้อมิูลนำาเข้าเพื�อสิร้างแบบจำาลอง
พยากรณ์ระด้้บความิรุนแรงของภ้ยแล้งโด้ยใช้แบบจำาลอง Auto Regressive Integrated Moving Average
(ARIMA) ที�เปี็นอนุกรมิเวลา (Time series) ที�กำาจ้ด้ Noise ออกแล้ว, ANN และ Support vector Regression
(SVR) โด้ยพบว่า ANN ให้้ค่าความิถึูกตั้้องจากการพยากรณ์ SPI และ SPEI มิากกว่าวิธิี ARIMA และ SVR
(Belayneh et al., 2014).
การวิเคราะห้์กฎีความิสิ้มิพ้นธิ์ (Association rules) ได้้มิีการนำามิาปีระยุกตั้์ใช้ในการตั้ิด้ตั้ามิภ้ยแล้ง
เนื�องจากอ้ลกอริทึมิที�ใช้ เช่น Minimal Occurrence With Constraints and Time Lags (MOWCAL)
(Harms and Deogun, 2004) ห้รือ Apriori สิามิารถึวิเคราะห้์ข้อมิูลที�มิีความิสิ้มิพ้นธิ์ที�ไมิ่เปี็นแบบเชิงเสิ้น
ได้้ (Non-linear) โด้ยเปี็นข้อได้้เปีรียบที�ด้ีกว่าวิธิีการวิเคราะห้์ข้อมิูลแบบสิถึิตั้ิที�ความิสิ้มิพ้นธิ์ของข้อมิูลตั้้อง
วิทยาการข้อมูลกับการพยากรณ์ภัยแล้ง 105
