| บทคัดย่อ |
ในช่วงฤดูการผลิตอ้อยปี 2566/2567 ประเทศไทยได้รับผลกระทบจากปรากฎการณ์เอลนีโญ (El Nino) ซึ่งส่งผลให้เกิดสภาพภัยแล้งในหลายพื้นที่ ประกอบกับต้นทุนการผลิตที่สูงขึ้น ทำให้ปริมาณอ้อยเข้าหีบลดลงเหลือเพียง 82.17 ล้านตัน จาก 93.88 ล้านตัน ในปีการผลิตก่อนหน้า อย่างไรก็ตาม (สำนักพัฒนาอุตสาหกรรมอ้อย น้ำตาลทรายและอุตสาหกรรมต่อเนื่อง, 2568) เนื่องจากระดับราคาที่สูงในปีก่อน เป็นปัจจัยจูงใจให้เกษตรกรขยายพื้นที่เพาะปลูกเพิ่มขึ้น อีกทั้งสภาพอากาศที่ได้รับผลกระทบหลายปัจจัย อ้อยเป็นพืชเศรษฐกิจที่สำคัญของจังหวัดเพชรบูรณ์
งานวิจัยนี้มีวัตถุประสงค์ เพื่อศึกษาและพยากรณ์การเปลี่ยนแปลงของสภาพอากาศในพื้นที่เพาะปลูกอ้อยพืชเศรษฐกิจของจังหวัดเพชรบูรณ์ โดยใช้ข้อมูลสภาพอากาศแบบรายเดือนในพื้นที่เพาะปลูกอ้อยในจังหวัดเพชรบูรณ์ ตั้งแต่เดือนกุมภาพันธ์ ถึงเดือนพฤศจิกายน ระหว่างปี พ.ศ.2567 ถึงปี พ.ศ.2568 และข้อมูลการนำส่งปริมาณอ้อยสดและปริมาณอ้อยไฟไหม้ เข้าโรงงานแปรรูปน้ำตาลทราย ซึ่งประกอบด้วยข้อมูลอุณหภูมิสูงสุด อุณหภูมิต่ำสุด อุณหภูมิเฉลี่ย ปริมาณน้ำฝนเฉลี่ย ปริมาณอ้อยสด(ตัน) ปริมาณอ้อยไฟไหม้ (ตัน) ปริมาณอ้อยทั้งหมด(ตัน) และพื้นที่เพาะปลูก(ไร่) การประมวลผล ประกอบด้วยข้อมูลอุณหภูมิสูงสุด อุณหภูมิต่ำสุด อุณหภูมิเฉลี่ย ปริมาณน้ำฝน ปริมาณอ้อยสด(ตัน) ปริมาณอ้อยไฟไหม้(ตัน) ปริมาณอ้อยรวม(ตัน) และพื้นที่เพาะปลูก(ไร่) โดยปริมาณอ้อยจะเป็นข้อมูลการนำส่งโรงงานแปรรูปน้ำตาลทราย ตั้งแต่เดือนกุมภาพันธ์ ถึงเดือนพฤศจิกายน ระหว่างปี พ.ศ. 2545 ถึงปี พ.ศ.2567 จำนวน 23 ปี โดยใช้โปรแกรม Altair RapidMiner เป็นเครื่องมือสำหรับการนำข้อมูลมาพล็อตกราฟเพื่อให้เห็นรูปแบบของข้อมูล โดยเลือกอัลกอริทึมทั้ง 5 อัลกอริทึม ได้แก่ 1) การเรียนรู้เชิงลึก (Deep Learning) 2) โครงข่ายประสาทเทียม (Neural Network) 3) ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine) 4) เพื่อนบ้านใกล้เคียงที่สุด (K-Nearest Neighbors: K-NN) และ 5) การถดถอยเชิงเส้น (Linear Regression) และกำหนดข้อมูลการเรียนรู้ (Training set) และ ข้อมูลชุดทดสอบ (Testing set) ด้วยวิธี K-Fold Cross validation ซึ่งกำหนดค่าไว้ที่ 10- fold cross validation ในทุกอัลกอริทึม จากผลการเปรียบเทียบปริมาณอ้อยสด ปริมาณอ้อยไฟไหม้ และปริมาณอ้อยทั้งหมด พบว่า อัลกอริทึม K-NN ให้ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error: MAE) และค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error: RMSE) น้อยที่สุด
During the 2023/2024 sugarcane production season, Thailand was significantly affected by the El Niño phenomenon, resulting in widespread drought conditions across many regions. Combined with rising production costs, these factors reduced the total volume of sugarcane delivered to mills to 82.17 million tons, compared to 93.88 million tons in the previous production year (Office of Cane and Sugar Industry Development, 2025). Nevertheless, high price levels in the preceding year encouraged farmers to expand cultivation areas. Sugarcane remains one of the most important economic crops in Phetchabun Province.
This research aims to examine and forecast climate variations in sugarcane cultivation areas in Phetchabun Province. Monthly climate data from February to November during 2024–2025 were collected, including maximum temperature, minimum temperature, average temperature, and average rainfall. In addition, historical data on fresh cane and burnt cane delivered to sugar mills, total cane production (tons), and cultivation area (rai) were analyzed. The sugarcane delivery data covered a 23-year period from 2002 to 2024. Altair RapidMiner was used as the primary analytical tool to visualize patterns and develop predictive models. Five machine learning algorithms were applied: (1) Deep Learning, (2) Neural Network, (3) Support Vector Machine (SVM), (4) K-Nearest Neighbors (K-NN), and (5) Linear Regression. The dataset was divided into training and testing sets using 10-fold cross-validation for all algorithms. Model performance was evaluated using Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). The comparative results for fresh cane, burnt cane, and total cane production indicate that the K-Nearest Neighbors (K-NN) algorithm achieved the lowest MAE and RMSE values, demonstrating superior predictive performance among the selected models.
|
|---|
