Page Header

การเติมค่าสูญหายข้อมูลฝนรายวันด้วยวิธีควอนไทล์
Imputation of Missing Daily Rainfall Using Quantile Method

Srisunee Wuthiwongyothin

Abstract


ข้อมูลฝนเป็นข้อมูลพื้นฐานที่สำคัญในการศึกษาใดๆ ที่เกี่ยวข้องกับทรัพยากรน้ำ โดยเฉพาะอย่างยิ่งข้อมูลฝนรายวันมีลักษณะของข้อมูลแบบต่อเนื่อง และแบบไม่ต่อเนื่อง มีการแจกแจงความถี่ไม่ใช่การแจกแจงปกติ วิธีการเติมค่าสูญหายข้อมูลฝนมักใช้วิธีอย่างง่าย เช่น วิธีค่าเฉลี่ย หรือวิธีระยะทางผกผัน (Inverse distance weighting method: IDW) เป็นต้น วิธีการเหล่านี้มักมีข้อจำกัด 1) ให้ค่าปริมาณฝนรายวันต่ำกว่าความเป็นจริง 2) จำนวนวันฝนตกมากเกินไป และ 3) ไม่สามารถประมาณค่ากรณีเหตุการณ์ฝนตกหนักได้ การศึกษานี้จึงพัฒนาวิธีการเติมค่าข้อมูลฝนรายวันด้วยวิธีควอนไทล์ (Quantile approach: QT) โดยใช้การแจกแจงความถี่แบบเบอร์นูลี่-แกมม่า และเปรียบเทียบกับวิธี IDW ผลการศึกษาพบว่าค่าทางสถิติพื้นที่ต่างๆ ได้แก่ ค่าฝนรายวันสูงสุด ฝนเฉลี่ยรายวัน ความแปรปรวน การเติมค่าสูญหายด้วยวิธี QT ให้ค่าทางสถิติพื้นฐานดีกว่าวิธี IDW อีกทั้งให้ค่าฝนที่เปอร์เซ็นต์ไทล์ 95 และ 99 ใกล้เคียงค่าตรวจวัดจริง ดังนั้นวิธี QT สามารถประมาณค่ากรณีฝนตกหนักได้ดีกว่าวิธี IDW นอกจากนี้การประเมินความแม่นยำในการทำนายค่าเหตุการณ์วันฝนตก และวันฝนไม่ตก วิธี QT สามารถทำนายค่าได้แม่นยำกว่า ทั้งนี้การเลือกใช้วิธี QT เหมาะสำหรับการศึกษาใดๆ ที่ต้องพิจารณาถึงเหตุการณ์ฝนตกหนักซึ่งวิธีนี้สามารถให้ค่าและผลการศึกษาที่ถูกต้องมากกว่า

Rainfall data is essential for any study related to water resources. Daily rainfall has its specific characteristics which is continuous time series and discrete data with non-normal distribution. Generally, methods to estimate missing daily rainfall data, for examples arithmetic mean, inverse distance weighting method (IDW) still have some limitations. Such founded limitations are: 1) underestimate of average daily rainfall, 2) overestimate of non-zero rainfall events, and 3) underestimate of extreme rainfall magnitude. This study attempts to develop an imputation method for daily rainfall using quantile approach (QT) which is based on Bernoulli-Gamma distribution, and then compare to IDW method. The study results reveal that QT could yield sample statistics such as maximum, mean, and variance of estimated daily rainfall better than IDW. In addition, the 95th and 99th percentiles of rainfall depths from QT method are closer to the observed data. Therefore, QT method is capable to estimate extreme rainfall magnitude superior than IDW approach. Moreover, QT gives a higher accuracy in number of zero and non-zero rainfall events. Using QT method might be appropriate for any study that concerns with extreme rainfall events since QT would give more accurate results.


Keywords



Full Text: PDF

DOI: 10.14416/j.kmutnb.2021.05.021

ISSN: 2465-4698