การกระจายของฟ้าผ่าที่ทำให้ประชาชนเสียชีวิตในประเทศไทย
ชาลิสา จันทะคุณ
และพัฒนา ราชวงศ์
ปริญญาวิทยาศาสตรบัณฑิต
สาขาภูมิศาสตร์ ปีการศึกษา 2567
คณะเกษตรศาสตร์
ทรัพยากรธรรมชาติและสิ่งแวดล้อม มหาวิทยาลัยนเรศวร
Abstract
This particular study on the distribution
of lightning strikes that cause fatalities in Thailand aims to investigate the
distribution of lightning-related deaths across different regions of Thailand
over a 40-year period and to analyze the causal relationships between lightning
fatalities and geographic factors, including topography, economic conditions,
urbanization, and agricultural occupation. The study found that seasonality
affects the frequency of lightning strikes, with the rainy season having the highest
incidence. Climate change and atmospheric humidity may influence the annual
occurrence of lightning. Lowland areas with agricultural land use are more
prone to lightning due to open spaces and the lack of protective structures. An
OLS analysis showed a positive relationship between geographic factors (such as
topography, GPP values, and the proportion of agricultural workers) and
lightning frequency. The GWR analysis revealed spatial variation, indicating
that rural areas with significant agricultural activity are at a higher risk
compared to urban areas.
ที่มาและความสำคัญ
ฟ้าผ่าเป็นหนึ่งในปรากฏการณ์ทางธรรมชาติที่เก่าแก่ที่สุดในโลกที่มีการสังเกตพบ
สามารถมองเห็นได้ในการระเบิดของภูเขาไฟ ไฟป่าที่รุนแรงอย่างยิ่ง การระเบิดของนิวเคลียร์ที่พื้นผิว
พายุหิมะตกหนัก ในพายุเฮอริเคนขนาดใหญ่ และที่เห็นได้ชัดคือพายุฝนฟ้าคะนอง ทั้งนี้
ห้องปฏิบัติการติดตามพายุรุนแรงขององค์การบริหารการบินและอวกาศ
ระบุว่า ฟ้าผ่าเป็นประกายไฟขนาดยักษ์ในชั้นบรรยากาศระหว่างเมฆ
อากาศ หรือพื้นดิน ในช่วงแรกของการพัฒนา อากาศทำหน้าที่เป็นฉนวนระหว่างประจุบวกและประจุลบในเมฆ
และระหว่างเมฆกับพื้นดิน เมื่อประจุตรงข้ามสะสมเพียงพอ
ความสามารถในการเป็นฉนวนของอากาศจะพังทลายลง และเกิดการปล่อยกระแสไฟฟ้าอย่างรวดเร็วซึ่งเราเรียกว่าฟ้าผ่า
ฟ้าผ่าวาบจะทำให้บริเวณที่มีประจุในชั้นบรรยากาศเท่ากันชั่วคราว (NOAA National
Severe Storms Laboratory สืบค้นเมื่อ 20 กรกฎาคม
2567) จนกระทั่งประจุตรงข้ามก่อตัวขึ้นอีกครั้ง
ทั้งนี้ ฟ้าผ่าอาจเกิดขึ้นระหว่างประจุตรงข้ามภายในเมฆพายุฝนฟ้าคะนองที่เป็นฟ้าผ่าภายในเมฆ
หรือระหว่างประจุตรงข้ามกันในเมฆและบนพื้นซึ่งเป็นฟ้าผ่าจากเมฆสู่พื้น
Met Office (สืบค้นเมื่อ 20 กรกฎาคม 2567) ระบุว่า เมื่อเคลื่อนตัวในเมฆ
ลูกเห็บจะรับประจุลบโดยการถูกับผลึกน้ำแข็งที่มีประจุบวกที่เล็กกว่า
ประจุลบจะก่อตัวที่ฐานเมฆที่ลูกเห็บสะสมอยู่
ส่วนผลึกน้ำแข็งที่เบากว่าจะอยู่ใกล้ยอดเมฆและสร้างประจุบวก
ประจุลบจะถูกดึงดูดไปยังพื้นผิวโลก รวมถึงเมฆและวัตถุอื่นๆ เมื่อแรงดึงดูดรุนแรงเกินไป
ประจุบวกและลบจะรวมตัวหรือคายประจุเพื่อสร้างสมดุล ซึ่งเกิดเป็นฟ้าผ่า
การขยายตัวอย่างรวดเร็วและความร้อนของอากาศที่เกิดจากฟ้าผ่าทำให้เกิดเสียงฟ้าร้องตามมา
ซึ่ง Colin Price (2009) ระบุว่า การกระจายตัวของฟ้าผ่าทั่วโลกมีความเชื่อมโยงโดยตรงกับสภาพอากาศของโลก
ซึ่งได้รับแรงหนุนจากไข้แดด
ความร้อนรายวันและตามฤดูกาลของผืนแผ่นดินภาคพื้นทวีปส่งผลให้เกิดความผันผวนอย่างมากของอุณหภูมิ
ส่งผลต่อเสถียรภาพของชั้นบรรยากาศ และการพัฒนาของพายุฝนฟ้าคะนอง
กิจกรรมฟ้าผ่ามีความสัมพันธ์เชิงบวกกับอุณหภูมิพื้นผิวในช่วงเวลาสั้นๆ
และเนื่องจากการคาดคะเนสภาพอากาศที่อุ่นขึ้นในอนาคต
คำถามสำคัญข้อหนึ่งเกี่ยวข้องกับผลกระทบของภาวะโลกร้อนในอนาคตต่อฟ้าผ่า
พายุฝนฟ้าคะนอง และสภาพอากาศเลวร้ายอื่นๆ
ฟ้าผ่าเองยังเชื่อมโยงกับความแปรผันของไอน้ำในชั้นโทรโพสเฟียร์ตอนบน
และโอโซนในชั้นโทรโพสเฟียร์ ซึ่งทั้งสองอย่างนี้เป็นก๊าซเรือนกระจกที่รุนแรง
การศึกษาแบบจำลองสภาพภูมิอากาศแสดงให้เห็นว่าในอนาคตสภาพอากาศที่ร้อนขึ้น
เราอาจมีพายุฝนฟ้าคะนองโดยรวมน้อยลง แต่มีพายุฝนฟ้าคะนองรุนแรงมากขึ้น
ซึ่งอาจเพิ่มปริมาณฟ้าผ่า 10% ต่อภาวะโลกร้อนทุกๆ 1 องศา
สำหรับรูปแบบของสายฟ้าที่ฟาดลงมาจากฟ้าผ่า
ที่ส่งผลให้เกิดอันตรายต่อชีวิตของสิ่งมีชีวิตต่างๆ นั้น Chandima Gomes (2012) ได้ทำการศึกษาแล้วระบุว่ามีทั้งหมด
6 รูปแบบด้วยกัน ประกอบด้วย สายฟ้าฟาดตรง (direct
strikes) สัตว์ในทุ่งโล่งที่ทำตัวเองให้ยื่นออกมาสูงในบริเวณใกล้เคียงอาจถูกฟ้าผ่าโดยตรง หากผู้นำที่ตอบรับจากสัตว์พบกับผู้นำขั้นฟ้าผ่า ในกรณีดังกล่าว กระแสฟ้าผ่าทั้งหมดอาจผ่านหรือผ่านร่างกายของเหยื่อ ยิ่งวัตถุมีความสูงเหนือวัตถุอื่นในบริเวณใกล้เคียงมากเท่าใด โอกาสที่วัตถุจะถูกฟ้าผ่าก็จะยิ่งสูงขึ้นเท่านั้น แม้ว่าพารามิเตอร์อื่นๆ อีกหลายตัวจะส่งผลต่อการเลือกวัตถุที่ถูกโจมตีด้วยก็ตาม
สายฟ้าฟาดจากด้านข้าง (side flashes) สัตว์ที่อยู่ใต้ต้นไม้ใหญ่ เสาใหญ่ หรือภายในเต็นท์ที่แขวนอยู่บนเสาไม้ อาจได้รับสายฟ้าฟาดจากด้านข้างของฟ้าผ่าได้
หากต้นไม้หรือเต็นท์ถูกฟ้าผ่า ในกรณีเช่นนี้ กระแสฟ้าผ่าทั้งหมดหรือบางส่วน อาจผ่านร่างกายของเหยื่อได้ กระแสแตะสัมผัส (touch
potential) หากส่วนหนึ่งในร่างกายของสัตว์ตัวสูงสัมผัสกับพื้นในขณะที่อีกส่วนหนึ่งสัมผัสกับวัตถุที่ถูกฟ้าผ่าที่ระดับความสูงที่สูงกว่า
กระแสไฟฟ้าบางส่วนอาจไหลผ่านตัวของมันได้ กระแสเพิ่มศักย์จากความห่างของเท้าคู่หน้าคู่หลัง (step potential) อันตรายจากฟ้าผ่าที่พบบ่อยที่สุดในสัตว์สี่ขา
เมื่อเท้าหน้าและเท้าหลังของสัตว์อยู่ห่างกันเพียงพอ กระแสไฟฟ้าบางส่วนอาจไหลผ่านร่างกายได้ในบางกรณี
กระแสไฟฟ้ายกระดับ (upward streamers) เมื่อเกิดฟ้าผ่าปล่อยกระแสลงมาจากเมฆสู่พื้นดิน กระแสตัวนำที่ถูกส่งลงมามักจะเป็นประจุลบ มันจะสร้างสนามไฟฟ้าที่มีความเข้มข้นสูงในบริเวณใกล้เคียง ดังนั้นวัตถุจำนวนมากในบริเวณโดยรอบ จึงเริ่มส่งลำแสงที่มีประจุตรงข้ามไปยังกระแสตัวนำที่ก้าวกระโดดลงมา เมื่อหนึ่งในกระแสตัวนที่ตอบรับประสบความสำเร็จในการพบกับตัวนำขั้นบันได คนอื่นๆ ก็จะหายไป ตัวนำกระแสในการตอบรับเหล่านี้
บ่อยที่สุดก่อให้เกิดกระแสขนาดเล็กผ่านร่างของวัตถุที่ส่งพวกมันไป และสุดท้าย ความใกล้ชิดกับสายฟ้าฟาด (proximity to the strike) คลื่นกระแทกที่เกิดจากแนวช่องของฟ้าผ่าที่มีการขยายตัวของอากาศอย่างกะทันหัน ที่อาจสร้างความเสียหายต่อผิวหนังหรือแก้วหู เมื่อสัตว์อยู่ใกล้กับจุดโจมตีของฟ้าผ่ามากๆ นอกจากนี้ แสงจ้าอาจทำให้ตาของสัตว์ที่อยู่บริเวณใกล้เคียงมองไม่เห็น
ผลกระทบจากฟ้าผ่าเมื่อถูกฟ้าผ่า กระแสไฟฟ้าที่ส่งผ่านทางร่างกายอาจสร้างความเสียหายต่ออวัยวะต่างๆ
รวมทั้งเส้นประสาท ซึ่งอาจทำให้ปวดหัว เกิดแผลไหม้ สูญเสียการได้ยิน กระดูกหัก เป็นอัมพาต จนถึงขั้นหมดสติและอาจเสียชีวิตได้ ฟ้าผ่าจึงถือเป็นอุบัติภัยสำคัญที่ไม่ควรมองข้าม
ทุกคนควรศึกษาวิธีป้องกันการถูกฟ้าผ่า ตลอดจนเรียนรู้วิธีช่วยเหลือหรือปฐมพยาบาลผู้ที่ถูกฟ้าผ่าในเบื้องต้นเพื่อรับมือกับเหตุการณ์เฉพาะหน้านี้ได้
(POBPAD สืบค้นเมื่อ 20 กรกฎาคม 2567)
การวิจัยเรื่อง
'การกระจายทางพื้นที่ของการเสียชีวิตจากฟ้าผ่าในประเทศไทย'
ครั้งนี้ต้องการค้นหาอิทธิพลของปัจจัยทางภูมิศาสตร์ที่มีผลต่อการเสียชีวิตจากฟ้าผ่าของคนไทยในรอบ
40
ปี โดยมีอัตราส่วนการเสียชีวิตต่อประชากร 1 แสนคนรายจังหวัด
เป็นตัวแทนการเสียชีวิต ซึ่งการเสียชีวิตดังกล่าวนี้ เป็นผลมาจากภูมิประเทศ
ระดับความสูง ระดับความเป็นเมือง
อาชีพเกษตร โดยทำการวิเคราะห์ด้วย OLS และ GWR
กรอบแนวความคิด
และการทบทวนวรรณกรรม
เพื่อค้นหาช่องว่างของงานวิจัยที่ยังขาดอยู่และให้ได้แนวทางการวิจัยที่เหมาะสม
สามารถตอบคำถามการวิจัยได้อย่างชัดเจน การวิจัยเรื่อง 'การกระจายทางพื้นที่ของการเสียชีวิตจากฟ้าผ่าในประเทศไทย'
ครั้งนี้จึงได้ทบทวนวรรณกรรมที่เกี่ยวข้อง จำนวน 8 เรื่อง ประกอบด้วยงานวิจัยของ Ferdous
Ahmed (2024) เรื่อง “การวิเคราะห์เชิงพื้นที่ด้วย
GIS
เพื่อสร้างฉากทรรศน์ฟ้าผ่าในบังคลาเทศ” วิเคราะห์ข้อมูลใช้ ArcGIS
เพื่อวิเคราะห์การกระจายเชิงพื้นที่ และสรุปว่าภาคเหนือและภาคตะวันออกเฉียงเหนือเป็นพื้นที่เสี่ยงต่อภัยพิบัติฟ้าผ่ามากที่สุด
ในทางตรงกันข้าม พื้นที่ทางตอนใต้มีความอ่อนไหวต่อเหตุการณ์ดังกล่าวน้อยกว่า
โดยพื้นที่ Sunamganj,
Habiganj, และ Naogaon รายงานจำนวนผู้เสียชีวิตสูงสุด
กล่าวคือ Sunamganj มีอัตราการเสียชีวิตสูงสุดที่ 6.49,
Habiganj ที่ 5.88, และ Chapai
Nawabganj ที่ 4.33 ต่อประชากรหนึ่งล้านคน
และสุดท้ายเป็นงานวิจัยของกิตติพัฒน์ บัญฑลนพรัตน์,จันทร์เพ็ญ ปริกานต์ (2024) เรื่อง “การเปลี่ยนแปลงตามฤดูกาลและพื้นที่ของความหนาแน่นของการเกิดฟ้าผ่าและกระแสไฟฟ้าสูงสุดของลำฟ้าผ่าที่เกิดขึ้นในประเทศไทย”ในการศึกษาฟ้าผ่าในประเทศไทย
พบว่าการเกิดฟ้าผ่ามีความหนาแน่นต่างกันในแต่ละภูมิภาค
โดยมีการสังเกตเป็นพิเศษในภาคเหนือและตะวันออกของประเทศ
ส่วนกระแสไฟฟ้าสูงสุดของลำฟ้าผ่าเฉลี่ยอยู่ที่ 61.1
kA โดยมีค่าเฉลี่ยของการเกิดฟ้าผ่าสูงสุดในช่วงเดือนมีนาคมถึงพฤษภาคม
เช่นกัน การศึกษานี้จึงเป็นพื้นฐานสำคัญที่นำมาใช้ในการวางแผนและจัดการฟ้าผ่าในอนาคตของประเทศไทยอย่างมีประสิทธิภาพและเป็นระบบ
จากงานวิจัยที่ได้ทำการทบทวนมาทั้งหมด ประกอบกับองค์ความรู้ต่างๆ
ที่ได้ค้นคว้าเพิ่มเติมมา ทำให้สามารถเขียนเป็นกรอบแนวความคิดการวิจัยได้ดังภาพที่
1 ต่อไปนี้
ภาพที่
1 กรอบแนวความคิดงานวิจัย
ระเบียบวิธีวิทยา
1.
ข้อมูลผู้เสียชีวิตและบาดเจ็บจากฟ้าผ่า
ข้อมูลผู้เสียชีวิตและบาดเจ็บจากฟ้าผ่า
ทำการสืบค้นข่าวจากหนังสือพิมพ์ออนไลน์ ในรอบ 40 ปีย้อนหลัง
-
ข้อมูลจากแหล่งข่าวที่น่าเชื่อถือ
หนังสือพิมพ์มักมีมาตรการในการคัดกรองข้อมูลและข่าวที่เผยแพร่
ทำให้ข้อมูลจากแหล่งนี้มีความน่าเชื่อถือสูงและสามารถอ้างอิงได้ในงานวิจัย
-
ให้รายละเอียดเกี่ยวกับบริบททางสังคมและเศรษฐกิจ
ข่าวฟ้าผ่าในหนังสือพิมพ์มักกล่าวถึงบริบททางสังคมและผลกระทบทางเศรษฐกิจที่เกี่ยวข้อง
ซึ่งช่วยให้เราเข้าใจผลกระทบในเชิงกว้างมากขึ้น
-
มีแหล่งอ้างอิงชัดเจน
ข่าวที่มาจากหนังสือพิมพ์มักระบุแหล่งข้อมูลและบุคคลที่เกี่ยวข้อง
ช่วยให้สามารถตรวจสอบความถูกต้องได้สะดวก
-
มีการบันทึกอย่างเป็นระบบ
หนังสือพิมพ์มักเก็บข้อมูลอย่างเป็นระบบ
สามารถอ้างอิงย้อนหลังได้ง่ายโดยใช้ชื่อหนังสือพิมพ์ วันที่ และเลขหน้า
นอกจากนี้
ยังได้สืบค้นเพิ่มเติมจากฐานข้อมูลของศูนย์ภูมิอากาศ กรมอุตุนิยมวิทยา
-
ความเชี่ยวชาญและมาตรฐานทางวิทยาศาสตร์
ข้อมูลจากกรมอุตุนิยมวิทยามีการเก็บรวบรวม วิเคราะห์
และประเมินตามมาตรฐานทางวิทยาศาสตร์ โดยใช้เทคโนโลยีและอุปกรณ์ที่ทันสมัย
ทำให้มีความถูกต้องสูงและเชื่อถือได้
-
ข้อมูลเชิงลึกและครบถ้วน
กรมอุตุนิยมวิทยามีข้อมูลเกี่ยวกับสภาพอากาศและเหตุการณ์ฟ้าผ่าที่ละเอียดและครอบคลุม
ตั้งแต่ข้อมูลเชิงสถิติ สภาพภูมิอากาศในช่วงต่างๆ
จนถึงการคาดการณ์แนวโน้มของฟ้าผ่า
ทำให้เหมาะแก่การใช้ในงานวิจัยหรือการวิเคราะห์ในเชิงลึก
-
การวิเคราะห์เชิงวิชาการ
ศูนย์ภูมิอากาศจะให้ข้อมูลเชิงวิเคราะห์ที่เกี่ยวกับสภาพอากาศ
ปัจจัยที่ส่งผลต่อการเกิดฟ้าผ่า
รวมถึงแนวโน้มทางภูมิอากาศที่ช่วยให้ผู้สืบค้นเข้าใจบริบทของข้อมูลได้ดียิ่งขึ้น
-
แหล่งอ้างอิงอย่างเป็นทางการ
กรมอุตุนิยมวิทยาเป็นหน่วยงานของรัฐที่มีอำนาจหน้าที่ในการดูแลเรื่องภูมิอากาศของประเทศ
ทำให้สามารถนำข้อมูลมาใช้อ้างอิงอย่างเป็นทางการในงานวิจัยและรายงานได้
2.
การวิเคราะห์การถดถอยเชิงเส้นรากกำลังสอง
การวิเคราะห์การถดถอยเชิงเส้นรากกำลังสอง
(OLS:
Ordinary Least Squares )เป็นวิธีการวิเคราะห์ข้อมูลทางสถิติที่ใช้ในการหาความสัมพันธ์ระหว่างตัวแปรตาม
(Dependent Variable) และตัวแปรอิสระ (Independent
Variables) โดยมุ่งเน้นไปที่การประมาณค่าของตัวแปรอิสระที่เหมาะสมที่สุดในการทำนายค่าของตัวแปรตาม
ซึ่ง OLS เป็นเทคนิคพื้นฐานในสถิติเชิงอนุมานและมักใช้ในการวิเคราะห์การถดถอยเชิงเส้น
(Linear Regression) โดยเป้าหมายหลักของการวิเคราะห์ OLS
คือ การหาสมการเส้นตรงที่ผ่านจุดข้อมูลให้ใกล้เคียงกับจุดข้อมูลมากที่สุด
ซึ่งเส้นตรงนี้คือเส้นที่มีค่า “ผลรวมของความแตกต่างยกกำลังสอง” (Sum of
Squared Errors) ระหว่างค่าจริงและค่าที่คาดการณ์ไว้ต่ำที่สุด
ความแตกต่างระหว่างค่าจริงและค่าคาดการณ์นี้เรียกว่า “Residual” หรือ “Error” สมการเส้นตรงใน OLS จึงมีรูปแบบ:
การเลือกตัวแปรอิสระและตัวแปรตาม
-
กำหนดตัวแปรตาม 
(Dependent Variable) ซึ่งอาจเป็นจำนวนครั้งฟ้าผ่าในพื้นที่ต่าง
ๆ
-
กำหนดตัวแปรอิสระ
(Independent Variables) ได้แก่
ภูมิประเทศ ผลผลิตมวลรวม (GPP) และอัตราส่วนเกษตรกร
-
ค่าคงที่หรือตัดแกน 
(Intercept)
-
คือค่าสัมประสิทธิ์ (Coefficients)
ของตัวแปรอิสระแต่ละตัว
-
ε ค่าความคลาดเคลื่อน (Error Term) หรือค่า Residual
OLS
มีการประยุกต์ใช้ในหลายสาขา เช่น เศรษฐศาสตร์ สังคมศาสตร์
และการวิจัยเชิงปริมาณ ซึ่งการใช้ OLS มีประโยชน์ในการ
-
ทำนาย ค่า ตามค่าของ 
-
ตรวจสอบ ความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตาม
-
วิเคราะห์ความสัมพันธ์เชิงสาเหตุ
หากมีการควบคุมปัจจัยที่เหมาะสม
การเตรียมข้อมูล
-
ตรวจสอบตัวแปรให้สอดคล้องกัน
เช่น ค่าจำนวนครั้งฟ้าผ่า (เช่น ประเภทของภูมิประเทศ), ผลผลิตมวลรวม (GPP), และอัตราส่วนเกษตรกร (เช่น
สัดส่วนประชากรที่ประกอบอาชีพเกษตรกรรม)
-
แปลงข้อมูลให้อยู่ในรูปที่สามารถนำไปคำนวณได้
หากจำเป็น เช่น การสเกล หรือการแปลงเป็นข้อมูลเชิงตัวเลข
การคำนวณค่า
OLS
-
การคำนวณค่า OLS (Ordinary Least Squares) ใน Excel สามารถทำได้โดยใช้เครื่องมือ Data Analysis
-
ตรวจสอบค่าสัมประสิทธิ์ของแต่ละตัวแปรและค่า
p-value
เพื่อตรวจสอบความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตามว่ามีนัยสำคัญทางสถิติหรือไม่
3.
การวิเคราะห์การถดถอยแบบถ่วงน้ำหนักทางภูมิศาสตร์
การวิเคราะห์การถดถอยแบบถ่วงน้ำหนักทางภูมิศาสตร์
(GWR:
Geographically Weighted Regression) เป็นวิธีการวิเคราะห์เชิงสถิติที่พัฒนาต่อจากการถดถอยเชิงเส้นธรรมดา
(OLS) ซึ่ง GWR มุ่งเน้นในการตรวจสอบความสัมพันธ์เชิงพื้นที่
โดยให้ความสำคัญกับความแตกต่างของปัจจัยในแต่ละพื้นที่อย่างละเอียด
การวิเคราะห์นี้เหมาะสำหรับข้อมูลที่มีความแตกต่างกันในแต่ละพื้นที่ เช่น
ข้อมูลด้านภูมิศาสตร์ เศรษฐกิจ หรือสิ่งแวดล้อม
ใน
GWR
ค่าของตัวแปรอิสระ (Independent Variable) จะถูกปรับน้ำหนักตามตำแหน่งเชิงพื้นที่
ซึ่งทำให้ค่าของค่าสัมประสิทธิ์ (Coefficient) เปลี่ยนแปลงไปตามตำแหน่งในพื้นที่
ทำให้สามารถอธิบายความสัมพันธ์ระหว่างตัวแปรตาม (Dependent Variable) และตัวแปรอิสระในแต่ละพื้นที่ได้อย่างแม่นยำมากยิ่งขึ้น
สมการของ GWR มีรูปแบบ:
โดยที่
-
คือตัวแปรตาม ณ จุดที่
-
คือตำแหน่งเชิงพื้นที่ของจุด
-
คือตัวแปรอิสระในจุด
-
คือค่าสัมประสิทธิ์ที่แตกต่างกันไปตามตำแหน่
-
คือค่าความคลาดเคลื่อนในจุด
วิธีการทำงานของ
GWR
-
การถ่วงน้ำหนักตามพื้นที่
GWR
ใช้ระยะห่างทางภูมิศาสตร์ระหว่างจุดข้อมูลเพื่อคำนวณน้ำหนัก
โดยจุดที่อยู่ใกล้จะได้รับน้ำหนักมากกว่าจุดที่อยู่ไกล
ซึ่งวิธีนี้ช่วยให้เห็นถึงความเปลี่ยนแปลงของความสัมพันธ์ตามตำแหน่ง
-
การประมาณค่าสัมประสิทธิ์เฉพาะที่
สำหรับแต่ละจุดข้อมูล GWR
จะคำนวณค่าสัมประสิทธิ์ของตัวแปรอิสระที่ต่างกัน
ทำให้เราสามารถมองเห็นถึงการเปลี่ยนแปลงเชิงพื้นที่ของความสัมพันธ์
ขั้นตอนการเตรียมข้อมูลสำหรับ
GWR
-
เตรียมข้อมูลตำแหน่งทางภูมิศาสตร์
ข้อมูล X
และ Y ต้องมีพิกัดภูมิศาสตร์เพื่อให้ระบบสามารถวิเคราะห์ตามพื้นที่ได้
เช่น พิกัดละติจูดและลองจิจูด
-
ตรวจสอบความสัมพันธ์ระหว่างตัวแปร
เช่นเดียวกับ OLS
คุณควรตรวจสอบความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตาม แต่ใน GWR
คุณจะต้องวิเคราะห์การเปลี่ยนแปลงเชิงพื้นที่ด้วย
การคำนวณ GWR จะใช้ซอฟต์แวร์เฉพาะที่รองรับการวิเคราะห์เชิงพื้นที่ เช่น ArcGIS หรือ QGIS
-
เปิดเครื่องมือ GWR จากหมวด Spatial Statistics > Modeling Spatial Relationships
-
ระบุค่าตัวแปรอิสระ
(เช่น ฟ้าผ่า,
ภูมิประเทศ, GPP, อัตราส่วนเกษตรกร)
และตัวแปรตาม (เช่น จำนวนผู้เสียชีวิตหรือบาดเจ็บ)
-
เลือกพารามิเตอร์อื่น
ๆ เช่น วิธีการคำนวณน้ำหนัก และระยะของเพื่อนบ้านที่มีอิทธิพลต่อจุดที่กำลังคำนวณ
-
ตรวจสอบผลลัพธ์
เช่น ค่าสัมประสิทธิ์เชิงพื้นที่ (Spatial Coefficients) และค่า
AIC (Akaike Information Criterion) เพื่อประเมินคุณภาพของโมเดล
4.
การใช้ SPSS ในการวิเคราะห์ปัจจัยที่มีผลต่อการเสียชีวิตจากฟ้าผ่าในประเทศไทย
การเสียชีวิตจากฟ้าผ่าเป็นประเด็นที่น่าสนใจซึ่งสะท้อนถึงความสำคัญของการศึกษาปัจจัยทางภูมิศาสตร์และสภาพแวดล้อม
เพื่อทำความเข้าใจและลดความเสี่ยงจากเหตุการณ์ทางธรรมชาตินี้
การวิจัยของเรามีเป้าหมายที่จะสำรวจปัจจัยที่ส่งผลต่ออัตราการเสียชีวิตจากฟ้าผ่าในประเทศไทยโดยการวิเคราะห์ข้อมูลเชิงสถิติด้วยโปรแกรม
SPSS
ซึ่งจะช่วยให้เห็นภาพรวมของความสัมพันธ์ระหว่างตัวแปรที่ศึกษา
และสามารถระบุปัจจัยสำคัญที่เกี่ยวข้องกับการเสียชีวิตจากฟ้าผ่าในระดับประเทศได้ ในการวิเคราะห์ข้อมูลนี้
โปรแกรม SPSS ถูกนำมาใช้เพื่อศึกษาความสัมพันธ์ระหว่างอัตราการเสียชีวิตจากฟ้าผ่าและตัวแปรทางภูมิศาสตร์ต่างๆ
ได้แก่ ภูมิประเทศ ระดับความเป็นเมือง และอาชีพทางการเกษตร
ตัวแปรเหล่านี้ถูกเลือกเนื่องจากมีความเชื่อมโยงกับพฤติกรรมและความเสี่ยงในการถูกฟ้าผ่าของประชาชนในพื้นที่ต่างๆ
ตัวแปร "อัตราการเสียชีวิตจากฟ้าผ่า" ถูกกำหนดเป็นตัวแปรตาม (Dependent
Variable) ขณะที่ตัวแปรทางภูมิศาสตร์ เช่น ภูมิประเทศ เศรษฐกิจ และอาชีพทางการเกษตร
ถูกกำหนดเป็นตัวแปรอิสระ (Independent Variables)
ขั้นตอนการวิเคราะห์ข้อมูล
ในการวิเคราะห์
เราเริ่มต้นด้วยการใช้วิธีการถดถอยเชิงเส้นธรรมดา (Ordinary Least Squares - OLS) ผ่านโปรแกรม SPSS เพื่อประเมินความสัมพันธ์ของแต่ละตัวแปรอิสระกับอัตราการเสียชีวิตจากฟ้าผ่า
ขั้นตอนการวิเคราะห์นี้สามารถช่วยให้เข้าใจถึงความเชื่อมโยงของปัจจัยต่างๆ
ในภาพรวมได้อย่างชัดเจนมากขึ้น โปรแกรม SPSS จะสร้างสมการเส้นตรงที่สะท้อนความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระ
โดยมีการประมวลผลเพื่อหาค่าสัมประสิทธิ์การถดถอย (Coefficients) ของตัวแปรแต่ละตัว ซึ่งสะท้อนให้เห็นถึงอิทธิพลของปัจจัยนั้น ๆ
ต่อการเสียชีวิต
การตีความผลลัพธ์
ผลการวิเคราะห์ใน
SPSS
ให้ข้อมูลเชิงลึกเกี่ยวกับการแปรผันของอัตราการเสียชีวิตจากฟ้าผ่าในประเทศไทย
โดยมีปัจจัยหลักที่ส่งผลอย่างชัดเจน ได้แก่ ค่า 
ซึ่งบ่งบอกถึงความสามารถของปัจจัยทางภูมิศาสตร์ในการอธิบายความผันแปรของการเสียชีวิตจากฟ้าผ่า
ค่าสัมประสิทธิ์การถดถอย (β)
ของแต่ละตัวแปรสะท้อนถึงความสัมพันธ์ของปัจจัยเหล่านี้ต่ออัตราการเสียชีวิต
และค่า 
ช่วยให้สามารถพิจารณาความมีนัยสำคัญทางสถิติของปัจจัยแต่ละตัว โดยทั่วไป
หากค่า 𝑝 มีค่าน้อยกว่า 0.05 แสดงว่าตัวแปรนั้นมีความสัมพันธ์อย่างมีนัยสำคัญต่ออัตราการเสียชีวิตจากฟ้าผ่า
ซึ่งจะถูกนำมาพิจารณาเป็นปัจจัยสำคัญในการวิจัย
ผลลัพธ์การวิจัย
ผลลัพธ์ที่ได้จากการวิจัยแบ่งเป็นการวิเคราะห์ผู้เสียชีวิตและผู้บาดเจ็บจากฟ้าผ่า
วิเคราะห์โดยใช้จำนวนครั้งฟ้าผ่า โดยวิเคราะห์อิทธิพลของปัจจัยทางภูมิศาสตร์ เช่น
ภูมิประเทศ ผลผลิตมวลรวมต่อหัวประชากรและสัดส่วนของประชากรที่มีอาชีพเป็นเกษตรกร ด้วยวิธี
OLS,
SPSS, GWR
1. การเสียชีวิตจากฟ้าผ่ารอบ
40 ปี แบ่งตามภูมิภาค และเป็นตามช่วงเวลา
ตารางที่
1 สถิติการเสียชีวิตจากฟ้าผ่าในประเทศไทย รอบ 40 ปี
|
ผู้เสียชีวิตจากฟ้าผ่า 40
ปี |
216 ราย |
|
บาดเจ็บ 40 ปี |
162 ราย |
|
โดยเฉลี่ยเสียชีวิตปีละ |
5.4 ราย |
|
สัดส่วนผู้เสียชีวิต/ผู้บาดเจ็บ |
1.333 |
ตารางที่ 2 การกระจายของการเสียชีวิตจากฟ้าผ่าแบ่งตามภูมิภาคของประเทศไทย
รอบ 40 ปี
|
|
สถานที่ฟ้าผ่า |
||||
|
กลางแจ้ง |
ที่หลบฝน |
ต้นไม้ |
อาคาร |
ระบุไม่ได้ |
|
|
เหนือ |
8 |
0 |
26 |
1 |
21 |
|
กลาง |
10 |
1 |
11 |
1 |
12 |
|
อีสาน |
38 |
36 |
8 |
0 |
106 |
|
ตะวันออก |
31 |
4 |
5 |
0 |
22 |
|
ใต้ |
8 |
8 |
6 |
0 |
13 |
|
ตะวันตก |
0 |
0 |
2 |
0 |
0 |
|
รวม |
95 |
49 |
58 |
2 |
174 |
ตารางที่ 3 การกระจายของการเสียชีวิตจากฟ้าผ่าแบ่งตามช่วงเวลาของประเทศไทย
รอบ 40 ปี
|
ช่วงเวลา |
ตาย |
เจ็บ |
|
<1992 |
10 |
0 |
|
1993-1997 |
28 |
6 |
|
1998-2002 |
20 |
9 |
|
2003-2007 |
26 |
22 |
|
2008-2012 |
24 |
18 |
|
2013-2017 |
49 |
56 |
|
>2018 |
59 |
51 |
|
รวม |
216 |
162 |
จำนวนครั้งฟ้าผ่า
ผู้เสียชีวิตสูงสุด ผู้เสียชีวิต ผู้บาดเจ็บ และจำนวนผู้ได้รับผลกระทบโดยตรง
ตารางที่ 4 SUMMARY OUTPUT
|
Regression
Statistics |
จำนวนครั้งฟ้าผ่า |
ผู้เสียชีวิตสูงสุด |
ผู้เสียชีวิต |
ผู้บาดเจ็บ |
จำนวนผู้ได้รับผลกระทบโดยตรง |
|
0.588905 |
0.48566 |
0.510742 |
0.505795 |
0.535766 |
|
|
R Square |
0.346809 |
0.265865 |
0.260857 |
0.255829 |
0.287045 |
|
Adjusted R
Square |
0.319966 |
0.204462 |
0.230482 |
0.225247 |
0.257746 |
|
Standard
Error |
2.05661 |
1.044026 |
2.991423 |
3.194109 |
5.600238 |
|
Observations |
77 |
77 |
77 |
77 |
77 |
|
F |
12.91969 |
7.510964 |
8.587695 |
8.365243 |
9.79692 |
|
Significance F |
7.37E-07 |
0.00019 |
5.89E-05 |
7.48E-05 |
1.65E-05 |
ตารางที่ 5
|
|
จำนวนครั้งฟ้าผ่า |
ผู้เสียชีวิตสูงสุด |
ผู้เสียชีวิต |
ผู้บาดเจ็บ |
จำนวนผู้ได้รับผลกระทบโดยตรง |
|||||
|
|
Coefficients |
P-value |
Coefficients |
P-value |
Coefficients |
P-value |
Coefficients |
P-value |
Coefficients |
P-value |
|
Intercept |
-1.386948845 |
0.239310828 |
1.076887 |
0.073693 |
-0.17451 |
0.918579 |
-3.35961 |
0.068443 |
-3.53412 |
0.270803 |
|
X
Variable 1 |
-0.77849674 |
0.018323052 |
-0.57795 |
0.000726 |
-1.26944 |
0.008368 |
-0.61145 |
0.225363 |
-1.8809 |
0.03526 |
|
X
Variable 2 |
0.094966869 |
2.79744E-05 |
0.018541 |
0.089758 |
0.090717 |
0.004319 |
0.143734 |
4.03E-05 |
0.234451 |
0.000119 |
|
X
Variable 3 |
0.090456928 |
1.19058E-05 |
0.022801 |
0.022335 |
0.097404 |
0.000869 |
0.104831 |
0.000796 |
0.202235 |
0.00025 |
3. การวิเคราะห์การถดถอยแบบถ่วงน้ำหนักทางภูมิศาสตร์
ตารางที่ 6 ค่าสถิติที่ได้จากการวิเคราะห์
GWR
|
OID |
Varname |
Variable |
Definition |
|
0 |
Bandwidth |
4.961726 |
|
|
1 |
ResidualSquares |
321.873553 |
|
|
2 |
EffectiveNumber |
9.625016 |
|
|
3 |
Sigma |
2.185714 |
|
|
4 |
AICc |
348.705054 |
|
|
5 |
R2 |
0.323721 |
|
|
6 |
R2Adjusted |
0.237147 |
|
|
7 |
Dependent Field |
0 |
Value |
|
8 |
Dependent Field |
1 |
terrain |
|
9 |
Dependent Field |
2 |
GPP |
|
10 |
Dependent Field |
3 |
proportion |
ภาพที่
2 การกระจายของความสัมพันธ์เชิงพื้นที่ LocalR2
ภาพที่
3
Observed + Predicted ค่าจริงและการคาดการณ์
ภาพที่
4 Residul
ค่าความคลาดเคลื่อนระหว่างค่าที่คาดการณ์ได้จากโมเดลกับค่าจริงของข้อมูล
ภาพที่
5 ตัวแปรอิสระ ภูมิประเทศ ผลผลิตมวลรวม (GPP) และสัดส่วนเกษตรกร
อภิปรายผล
งานวิจัยนี้มุ่งศึกษา
พื้นที่ที่ประชาชนเสียชีวิตจากฟ้าผ่าในประเทศไทย
โดยวัตถุประสงค์หลักคือการวิเคราะห์และระบุพื้นที่ที่มีความเสี่ยงสูงในการเกิดฟ้าผ่าและผลกระทบที่ตามมา
รวมถึงศึกษาปัจจัยที่อาจส่งผลต่อความเสี่ยงจากฟ้าผ่า เช่น ภูมิประเทศ ผลผลิตมวลรวม
อัตราส่วนของประชากรที่ทำการเกษตร และสภาพอากาศในแต่ละฤดูกาล
เพื่อให้ได้ข้อมูลที่ชัดเจนเกี่ยวกับพื้นที่เสี่ยงและเป็นพื้นฐานสำหรับการวางแผนเชิงนโยบายในการป้องกันและลดความสูญเสีย
การศึกษาครั้งนี้
พบว่า ฤดูกาลมีผลต่อความถี่ของฟ้าผ่า
โดยเฉพาะอย่างยิ่งฤดูฝนเป็นช่วงที่เกิดฟ้าผ่ามากที่สุด
ทั้งนี้การเปลี่ยนแปลงสภาพภูมิอากาศและความชื้นในอากาศอาจส่งผลต่อการเกิดฟ้าผ่าในแต่ละปี
เนื่องจากภาคเหนือและตะวันออกของประเทศไทยมีภูมิประเทศเป็นภูเขาและที่ราบสูงหลายแห่ง
ทำให้อากาศร้อนในเวลากลางวันลอยขึ้นสูงและสร้างกระแสลมหมุนที่ช่วยเพิ่มโอกาสการเกิดพายุฝนฟ้าคะนองและฟ้าผ่า
นอกจากนี้ ภาคตะวันออกยังได้รับความชื้นจากทะเลอ่าวไทย
ซึ่งทำให้เกิดพายุฝนฟ้าคะนองบ่อยในช่วงฤดูฝน ในช่วงฤดูฝน ความชื้นในอากาศที่สูงช่วยให้เกิดการสะสมของประจุไฟฟ้าในเมฆฝนฟ้าคะนองได้ดีขึ้น
และเมื่อเกิดความต่างศักย์มากพอ ฟ้าผ่าจะเกิดขึ้น
ทำให้ความถี่ของฟ้าผ่าเพิ่มขึ้นตามสภาพอากาศชื้นและไม่เสถียรนี้
โดยเฉพาะในช่วงปลายฤดูร้อนและต้นฤดูฝนที่อากาศเริ่มชื้นจากพายุฤดูร้อนและมรสุม
ซึ่งสอดคล้องกับงานวิจัยของ กิตติพัฒน์ บัญฑลนพรัตน์จันทร์เพ็ญ ปริกานต์
(2024)
ที่ทำการศึกษาการเปลี่ยนแปลงตามฤดูกาลและพื้นที่ของความหนาแน่นของการเกิดฟ้าผ่าและกระแสไฟฟ้าสูงสุดของลำฟ้าผ่าที่เกิดขึ้นในประเทศไทยโดยพบว่าการเกิดฟ้าผ่ามีความหนาแน่นต่างกันในแต่ละภูมิภาค
โดยมีการสังเกตเป็นพิเศษในภาคเหนือและตะวันออกของประเทศ
ส่วนกระแสไฟฟ้าสูงสุดของลำฟ้าผ่าเฉลี่ยอยู่ที่ 61.1 kA โดยมีค่าเฉลี่ยของการเกิดฟ้าผ่าสูงสุดในช่วงเดือนมีนาคมถึงพฤษภาคม
เช่นกัน
การศึกษานี้จึงเป็นพื้นฐานสำคัญที่นำมาใช้ในการวางแผนและจัดการฟ้าผ่าในอนาคตของประเทศไทยอย่างมีประสิทธิภาพและเป็นระบบ
สำหรับพื้นที่ที่มักจะถูกฟ้าผ่าจนทำให้มีผู้เสียชีวิต
พบว่า ส่วนใหญ่เป็นที่ราบลุ่มและมีการใช้ที่ดินเพื่อการเกษตร
มีโอกาสเกิดฟ้าผ่ามากกว่าพื้นที่อื่น
เนื่องจากลักษณะพื้นที่เปิดโล่งและขาดสิ่งปกป้อง
เนื่องจากพื้นที่เกษตรมักไม่มีสิ่งปลูกสร้างสูงหรือสิ่งกีดขวาง เช่น
ต้นไม้สูงหรืออาคาร ซึ่งทำให้พื้นดินกลายเป็นเป้าหมายของกระแสไฟฟ้าจากฟ้าผ่าโดยตรง
อีกทั้งพื้นที่เกษตรกรรมที่เป็นที่ราบลุ่มซึ่งมีระดับสูงจากพื้นที่ล้อมรอบเล็กน้อยยังเพิ่มโอกาสที่กระแสไฟฟ้าจะถูกดึงดูดลงมาจากบรรยากาศ
ในขณะที่การศึกษาของ Manoranjan
Mishra.(2022)
เรื่อง“การทำแผนที่พื้นที่เสี่ยงหลักของการเสียชีวิตจากฟ้าผ่าระหว่างปี
2000 ถึง 2020 ในรัฐโอริสสา (อินเดีย):
วิธีการวินิจฉัยเพื่อลดการเสียชีวิตจากฟ้าผ่าโดยใช้การวิเคราะห์ทางสถิติและกาลเทศะ”
โดยวิเคราะห์ความแปรผันเชิงปริภูมิและเวลาของสายฟ้าแลบและการเสียชีวิตจากฟ้าผ่าจำนวนแฟลชทั้งหมด
2,173,544 ครั้ง มีผู้เสียชีวิต 5,706 รายในเขตต่างๆ
ของรัฐโอริสสาในช่วงที่วิเคราะห์ ซึ่งพบว่าเขตชายฝั่งของ Mayurbhanj,
Sundergarh, และ Keonjhar ได้รับผลกระทบมากที่สุดจากฟ้าผ่าบนเมฆ
ในขณะที่เขตชายฝั่งของ Ganjam, Dhenkanal, และ Cuttack
ก็ได้รับผลกระทบหนัก การเพิ่มขึ้นของเหตุการณ์ฟ้า
นอกจากนี้การศึกษาของ Ferdous Ahmed. (2024)
“การวิเคราะห์เชิงพื้นที่ด้วย GIS เพื่อสร้างฉากทรรศน์ฟ้าผ่าในบังคลาเทศ”
วิเคราะห์ข้อมูลใช้ ArcGIS เพื่อวิเคราะห์การกระจายเชิงพื้นที่
และสรุปว่าภาคเหนือและภาคตะวันออกเฉียงเหนือเป็นพื้นที่เสี่ยงต่อภัยพิบัติฟ้าผ่ามากที่สุด
ในทางตรงกันข้าม พื้นที่ทางตอนใต้มีความอ่อนไหวต่อเหตุการณ์ดังกล่าวน้อยกว่า
โดยพื้นที่ Sunamganj, Habiganj, และ Naogaon รายงานจำนวนผู้เสียชีวิตสูงสุด กล่าวคือ Sunamganj มีอัตราการเสียชีวิตสูงสุดที่
6.49 Habiganj ที่ 5.88 และ Chapai Nawabganj ที่ 4.33 ต่อประชากรหนึ่งล้านคน
ซึ่งพื้นที่ดังกล่าวเป็นพื้นที่ปลูกข้าวหลักของประเทศ นอกจากนี้การศึกษาของ Leong
et al. (2024) “การสังเกตการณ์ 3
ปีในการวิเคราะห์ฟ้าผ่าจากเมฆสู่พื้นในคาบสมุทรมาเลเซียโดยใช้ทฤษฎีกราฟ”บ่งชี้ถึงความสัมพันธ์เชิงบวกที่แข็งแกร่งระหว่างกราฟกำกับที่สร้างขึ้นในช่วงหลายปีที่ผ่านมา
ซึ่งบ่งบอกถึงพฤติกรรมการโจมตีฟ้าผ่าจากเมฆสู่พื้นที่สอดคล้องกันในบางภูมิภาคของมาเลเซีย
วิธีการที่นำเสนอในรูปแบบของขอบโดยตรงจะช่วยลดความซับซ้อนในการคำนวณดังนั้นจึงทำให้สามารถบูรณาการเข้ากับระบบทำนายฟ้าผ่าที่มีอยู่ได้อย่างมีแนวโน้ม
งานวิจัยนี้ต่างก็ใช้ การวิเคราะห์เชิงพื้นที่และเชิงเวลา
เพื่อศึกษาพฤติกรรมการเกิดฟ้าผ่าจากเมฆสู่พื้น และการกระจายตัวในแต่ละภูมิภาค
โดยในงานของ Leong et al. ใช้การศึกษาฟ้าผ่าในคาบสมุทรมาเลเซีย
ซึ่งมีความใกล้เคียงกับภูมิภาคที่ศึกษาในงานวิจัยที่เป็นประเทศไทย
การวิเคราะห์โดยใช้
OLS
แสดงให้เห็นถึงความสัมพันธ์เชิงบวกระหว่างปัจจัยทางภูมิศาสตร์ (เช่น
ภูมิประเทศ ค่า GPPและสัดส่วนเกษตรกร)
กับจำนวนครั้งของฟ้าผ่า การวิเคราะห์ GWR พบความแตกต่างเชิงพื้นที่
โดยเฉพาะพื้นที่ชนบทที่มีการเกษตรมากมีความเสี่ยงสูงกว่าพื้นที่เขตเมือง
เนื่องจากใช้การวิเคราะห์ทั้ง OLS และ GWR การแสดงผลลัพธ์จากทั้งสองวิธีแสดงให้เห็นความสัมพันธ์ทั้งในภาพรวมและรายละเอียดเชิงพื้นที่
ช่วยให้เข้าใจถึงผลกระทบที่แตกต่างกันในแต่ละพื้นที่ได้มากขึ้น
นอกจากนี้การศึกษาของ Isabell Stucke. (2024)
“การวินิจฉัยฟ้าผ่าขาขึ้นจากวัตถุสูงจากสภาพแวดล้อมที่มีพายุฝนฟ้าคะนอง”จำลองฟอเรสต์ที่ใช้ตัวแปรอุตุนิยมเท่านั้นสามารถวินิจฉัยฟ้าผ่าที่หอคอย
Gaisberg ได้อย่างสำเร็จ
โดยมีประสิทธิภาพมากที่สุดในฤดูหนาวและช่วงเปลี่ยนผ่าน
และยังเห็นได้ว่ามีความสำเร็จในการวินิจฉัยฟ้าผ่าในภูมิภาคอื่น ๆ อีกด้วย
ซึ่งเป็นการท้าทายสำคัญสำหรับการประเมินความเสี่ยงจากฟ้าผ่าที่แม่นยำขึ้นในอนาคตสนใจในการใช้แบบจำลองเชิงพื้นที่เพื่อทำนาย
ความเสี่ยงจากฟ้าผ่า โดยงานของคุณใช้ GWR ในการประเมินความเสี่ยงจากฟ้าผ่าที่เกิดขึ้นในแต่ละภูมิภาคของประเทศไทย
ในขณะที่งานของ Stucke ใช้แบบจำลองป่าแบบสุ่ม (Random
Forest) ซึ่งก็เป็นหนึ่งในเครื่องมือที่ใช้ในงานด้านการประเมินความเสี่ยงทางภูมิศาสตร์เช่นกัน
ในขณะที่การศึกษาของ Shadrec Mpanga. (2024)
“ความแปรผันเชิงพื้นที่และเวลาของฟ้าผ่าแซมเบียสำหรับการออกแบบการป้องกันฟ้าผ่าของโครงสร้างพื้นฐาน”การวิจัยนี้นำเสนอวิธีการใช้ข้อมูล
Lightning จาก GLD360
เพื่อประมาณค่าความหนาแน่นของแสงวาบภาคพื้นดินและการวิเคราะห์ปัจจัยทางภูมิศาสตร์และสภาพอากาศที่มีผลต่อฟ้าผ่า
โดยใช้ Thunderstorm Manager จาก Vaisala Inc. เพื่อศึกษาพายุฝนฟ้าคะนองในแซมเบีย
เพื่อเสนอวิธีการป้องกันและประเมินความเสี่ยงจากฟ้าผ่าในภูมิภาคนี้ Mpanga ใช้ GLD360 และ Thunderstorm Manager เพื่อเก็บข้อมูลและวิเคราะห์พายุฝนฟ้าคะนอง
โดยเน้นการออกแบบการป้องกันฟ้าผ่าสำหรับโครงสร้างพื้นฐาน
ในขณะที่งานวิจัยพื้นที่ที่เสียชีวิตจากฟ้าผ่าเน้นการวิเคราะห์การเสียชีวิตจากฟ้าผ่าของประชาชนตามภูมิประเทศและปัจจัยทางเศรษฐกิจ-สังคม
แตกต่างจากการศึกษาที่เน้นป้องกันโครงสร้างพื้นฐานของ Mpanga
สรุปการวิจัย
การศึกษาพื้นที่ที่ประชาชนเสียชีวิตจากฟ้าผ่าในประเทศไทยครั้งนี้
มีวัตถุประสงค์เพื่อสำรวจการกระจายของการเสียชีวิตจากฟ้าผ่าตามภูมิภาคต่างๆ
ของประเทศไทยในรอบ 40
ปี และทำการวิเคราะห์ความสัมพันธ์เชิงสาเหตุของการเสียชีวิตจากฟ้าผ่ากับปัจจัยทางภูมิศาสตร์
ประกอบด้วย ภูมิประเทศ สภาพเศรษฐกิจ ความเป็นเมือง และการประกอบอาชีพทางการเกษตร ผลการศึกษาพบว่า
ฤดูกาลมีผลต่อความถี่ของฟ้าผ่า โดยเฉพาะในช่วง ฤดูฝน ซึ่งเป็นช่วงที่เกิดฟ้าผ่ามากที่สุด
การเปลี่ยนแปลงสภาพภูมิอากาศและความชื้นในอากาศอาจส่งผลต่อการเกิดฟ้าผ่าในแต่ละปี โดยพื้นที่ที่เป็นที่ราบลุ่มและมีการใช้ที่ดินเพื่อการเกษตร
มีโอกาสเกิดฟ้าผ่ามากกว่าพื้นที่อื่น
เนื่องจากลักษณะพื้นที่เปิดโล่งและขาดสิ่งปกป้อง และการวิเคราะห์โดยใช้
OLS
แสดงให้เห็นถึงความสัมพันธ์เชิงบวกระหว่างปัจจัยทางภูมิศาสตร์ (เช่น
ภูมิประเทศ ค่า GPP และสัดส่วนเกษตรกร)
กับจำนวนครั้งของฟ้าผ่า การวิเคราะห์ GWR พบความแตกต่างเชิงพื้นที่
โดยเฉพาะพื้นที่ชนบทที่มีการเกษตรมากมีความเสี่ยงสูงกว่าพื้นที่เขตเมือง
บรรณานุกรม
กิจธนาพัฒน์ บรรดลนพรัตน์ จันทร์เพ็ญ
ไพรแก่น จรัส บุญธรรมา มรกต พุทธกาล ณัฐพร อารีรัชชกุลกานต์ (2024) “การเปลี่ยนแปลงตามฤดูกาลและพื้นที่ของความหนาแน่นของการเกิดฟ้าผ่าและกระแสไฟฟ้าสูงสุดของลำฟ้าผ่าที่เกิดขึ้นในประเทศไทย” สืบค้นเมื่อวันที่ 15 สิงหาคม 2567 จาก https://li01.tci-thaijo.org/index.php/sci_01/article/view/259975/177749
Ferdous Ahmed,
Sakib Hasan, I.M. Mahbubul, Muhammad Abul Kalam Mallik, M. Nafiz Hossen (2024).
GIS-based spatial analysis for lightning scenario in Bangladesh. Volume 10,
Issue 7, 15 April 2024 https://doi.org/10.1016/j.heliyon.2024.e28708
Isabell Stucke,
Deborah Morgenstern, Achim Zeileis, Georg J. Mayr, Thorsten Simon, Gerhard
Diendorfer, Wolfgang Schulz, Hannes Pichle. (2024). Diagnosing upward lightning
from tall objects from meteorological thunderstorm environments .Volume
229,
April 2024, 110199. https://doi.org/10.1016/j.epsr.2024.110199
Manoranjan Mishra, Tamoghna Acharyya, Celso Augusto Guimarães
Santos, Richarde Marques da Silva, Pritam Chand, Debdeep Bhattacharyya, Sanjay
Srivastava, Omvir Singh. (2022). Mapping main risk areas of lightning
fatalities between 2000 and 2020 over Odisha state (India): A diagnostic
approach to reduce lightning fatalities using statistical and spatiotemporal
analyses.Volume 79, September 2022, 103145.
https://doi.org/10.1016/j.ijdrr.2022.103145
Shadreck
Mpanga, Ackim Zulu, Mabvuto Mwanza, Ronald L. Holle. (2024) Spatial and
temporal variation of Zambia lightning for designing lightning protection of
infrastructure. Volume
229,
April 2024, 110188 https://doi.org/10.1016/j.epsr.2024.110188
Yeng Weng Leong, Su Mei Goh, Chien Fat Chau, Betty Wan Niu Voon,
Hang See Ong, Mohd Pauzi Yahaya, Noradlina Abdullah, Norhasliza Mohd Hatta, Mai
Kai Suan Tial, Nur Fatin Sulaiman. (2024). A 3-year observation on analyzing
cloud-to-ground lightning in Peninsular Malaysia using graph theory. Volume 15, Issue 4,
April 2024, 102610. https://doi.org/10.1016/j.asej.2023.102610
ไม่มีความคิดเห็น:
แสดงความคิดเห็น