A study of net radiation in Thailand

Abstract

Net radiation (Rn) is the difference between downwelling and upwelling radiation at the Earth's surface, including both shortwave and longwave radiation. Net radiation is an important variable in the study of global warming, plays a key role as an energy source in drying technologies, and is essential for estimating reference evapotranspiration over agricultural areas. This information can be used for water management planning in irrigation systems. Therefore, accurate net radiation data is very useful, especially for countries like Thailand, where most areas are agricultural. However, Thailand lacks a nationwide network of net radiation measurement stations. Therefore, this study aims to develop a model for estimating net radiation using mainly meteorological data. The first part of the study uses ground-based meteorological data, including downwelling shortwave radiation (Sd), relative humidity (RH), and maximum and minimum air temperatures (Tmax,Tmin), to estimate surface net radiation using an Artificial Neural Network (ANN) model. The model consists of two hidden layers with 8 and 3 nodes, respectively. The results were compared with measured net radiation from four main stations: Northern Meteorological Center, Chiang Mai (CM: 18.77°N, 98.96°E), Ubon Ratchathani Meteorological Station, Sawang Wirawong District (UB: 15.24°N, 105.02°E), Nakhon Pathom Meteorological Station (NP: 14.01°N, 99.96°E), and Southern East Coast Meteorological Center, Songkhla (SK: 7.41°N, 100.62°E). The model's performance was evaluated using the coefficient of determination (R2), root mean square error (RMSE), and mean bias error (MBE), which were: R2= 0.98, RMSE= 14.5%, and MBE = -2.2%, respectively. Since ground-based meteorological data is not available for all areas of Thailand, the researcher further developed models using satellite data. The selected satellites were Terra/Aqua and NCEP/NCAR, as they are freely accessible and provide comprehensive atmospheric data related to net radiation. The selected variables included: downwelling shortwave radiation (Sd), the brightness temperature difference between MODIS channels 31 and 32 (WP), relative humidity (RH), air temperature (Tair), and cloud cover (C). Multiple linear regression models were created. When compared with net radiation measured at the four main stations, the model results were: R2= 0.96, RMSE= 21.6%, and MBE = -6.4%, which are acceptable errors for satellite-based input data. Finally, this model was used to create maps of net radiation distribution across Thailand. The maps show seasonal variation in net radiation, mainly influenced by downwelling shortwave radiation, and the patterns agree well with measured data.

รังสีสุทธิ (Net radiation: Rn) คือผลต่างระหว่างรังสีขาลง (Downwelling radiation) และรังสีขาขึ้น (Upwelling radiation) ณ ที่บริเวณพื้นผิวโลกโดยจะพิจารณารวมกันทั้งรังสีคลื่นสั้น (Shortwave radiation) และรังสีคลื่นยาว (Longwave radiation) โดยรังสีสุทธินี้เป็นตัวแปรสำคัญที่ใช้ในการศึกษาการเปลี่ยนแปลงของภาวะโลกร้อน ถูกใช้เป็นพลังงานสำคัญในเทคโนโลยีการอบแห้ง และยังเป็นตัวแปรสำคัญในการคำนวณค่าการคายระเหยอ้างอิง (Reference evapotranspiration: ET0) ของพืชไร่พืชสวนที่เป็นบริเวณกว้างเพื่อดูการสูญเสียน้ำขึ้นสู่บรรยากาศซึ่งจะใช้เป็นแนวทางในการบริหารจัดการน้ำของกรมชลประทาน ดังนั้นค่ารังสีสุทธิที่มีความถูกต้องแม่นยำจะเป็นประโยชน์ต่อการบริหารจัดการน้ำในพื้นที่การเกษตรโดยเฉพาะประเทศไทยที่พื้นที่ส่วนใหญ่เป็นพื้นที่ทำการเกษตร แต่เนื่องจากประเทศไทยไม่มีสถานีสำหรับการวัดค่ารังสีสุทธิครอบคลุมทุกพื้นที่ของประเทศไทย ดังนั้นในงานวิจัยนี้จึงได้ทำการสร้างแบบจำลองสำหรับการประมาณค่ารังสีสุทธิ โดยใช้ข้อมูลอุตุนิยมวิทยาเป็นหลักโดยเริ่มจากการใช้ข้อมูลอุตุนิยมวิทยาภาคพื้นดิน ซึ่งประกอบด้วย รังสีคลื่นสั้นขาลง (Downwelling shortwave radiation: Sd) ความชื้นสัมพัทธ์ (Relative humidity: RH) และอุณหภูมิอากาศสูงสุด-ต่ำสุด (Maximum-Minimum temperature: Tmax,Tmin) มาทำการประมาณค่ารังสีสุทธิที่พื้นผิวโดยใช้แบบจำลองโครงข่ายประสาทเทียม (Artificial neural network: ANN) โดยใช้จำนวนชั้นซ่อน (Hidden layer) ทั้งหมด 2 ชั้น ชั้นแรก 8 โหนด ชั้นที่สอง 3 โหนด โดยผลลัพธ์ที่ได้จากแบบจำลองเมื่อทำการเปรียบเทียบกับค่ารังสีสุทธิที่ได้จากการวัดจาก 4 สถานีหลักซึ่งประกอบไปด้วย ศูนย์อุตุนิยมวิทยาภาคเหนือ จังหวัดเชียงใหม่ (CM: 18.77°N, 98.96°E) สถานีอุตุนิยมวิทยาอุบลราชธานี อำเภอสว่างวีรวงศ์ จังหวัดอุบลราชธานี (UB: 15.24°N, 105.02°E) สถานีอุตุนิยมวิทยานครปฐม จังหวัดนครปฐม (NP: 14.01°N, 99.96°E) และศูนย์อุตุนิยมวิทยาภาคใต้ฝั่งตะวันออก จังหวัดสงขลา (SK: 7.41°N, 100.62°E) โดยผลการเปรียบเทียบแสดงอยู่ในรูปของค่าสัมประสิทธิ์การตัดสินใจ (R2) ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error: RMSE) และค่าความเอนเอียงเฉลี่ย (Mean Bias Error: MBE) ซึ่งมีค่าดังต่อไปนี้ R2=0.98 RMSE=14.5% และ MBE=-2.2% แต่เนื่องจากข้อมูลอุตุนิยมวิทยาที่วัดภาคพื้นยังไม่ครอบคลุมทุกพื้นที่ในประเทศไทย ผู้วิจัยจึงทำการพัฒนาแบบจำลองโดยใช้ข้อมูลภาพถ่ายดาวเทียม Terra/Aqua และฐานข้อมูล NCEP/NCAR เนื่องจากเป็นแหล่งข้อมูลที่ไม่มีค่าใช้จ่ายและสามารถดาวน์โหลดได้เอง อีกทั้งยังครอบคลุมข้อมูลทางบรรยากาศที่มีผลต่อค่ารังสีสุทธิ ซึ่งตัวแปรที่ผู้วิจัยเลือกใช้ประกอบด้วย รังสีคลื่นสั้นขาลง (Sd) ผลต่างอุณหภูมิการส่องสว่างระหว่างช่องสัญญาณ 31 และ 32 ที่ได้จาก MODIS (WP) ซึ่งเป็นตัวแปรที่ใช้บอกถึงปริมาณไอน้ำในบรรยากาศ โดยหาก WP มีค่าใกล้เคียง 0 หมายถึงบรรยากาศมีไอน้ำน้อย ตัวแปรถัดมาคือความชื้นสัมพัทธ์ (RH) อุณหภูมิอากาศ (Tair) และปริมาณเมฆที่ปกคลุมท้องฟ้า (C) โดยผู้วิจัยสร้างแบบจำลองให้อยู่ในรูปแบบจำลองเชิงเส้นหลายตัวแปร จากนั้นนำผลจากแบบจำลองมาเปรียบเทียบกับข้อมูลรังสีสุทธิที่ได้จากการวัดทั้งสี่สถานีหลักพบว่ามีค่า R2=0.96 RMSE=21.6% และ MBE=-6.4% ซึ่งเป็นค่าความคลาดเคลื่อนที่ยอมรับได้ในกรณีที่ใช้ตัวแปรอินพุตเป็นข้อมูลภาพถ่ายดาวเทียม จากนั้นนำแบบจำลองนี้มาทำการสร้างแผนที่การกระจายตัวของรังสีสุทธิในพื้นที่ของประเทศไทย พบว่ารังสีสุทธิมีลักษณะการแปรค่าตามฤดูกาล ซึ่งลักษณะการแปรค่าดังกล่าวนี้สอดคล้องกับข้อมูลวัดเป็นอย่างดี