Thunderstorm Nowcasting from Meteorological Terminal Air Report Using Machine Learning Techniques: A Case Study of the Airports in Northern Thailand

Abstract

The objectives of this thesis were to (1) create thunderstorm nowcasting models, and (2) evaluate the efficiency of the nowcasting models for thunderstorm forecasting at northern Thailand’s airports with forecasting times in one hour and two hours using machine learning techniques. The input datasets were obtained from the Meteorological Terminal Air Report (METAR) of nine airports located in northern Thailand. The hourly METAR reports generated by the Thai Meteorological Department during January 2015 and December 2022, covering a total of 364,382 datasets, were analyzed.In the research methodology, all input datasets were obtained from the Meteorological Terminal Air Report (METAR) of nine airports located in northern Thailand. The hourly METAR reports generated by the Thai Meteorological Department during January 2015 and December 2022, covering a total of 364,382 datasets, were analyzed. All input data were divided into 5 groups: the group of all airports, airports in the upper northern, airports in the lower northern, airports surrounded by mountains 1-2 sides, and 3-4 sides. By using machine learning algorithms, three classification standard algorithms were applied including the Naive Bayes, Decision Tree, and Neural Networks. Three algorithm methods with ensemble learning algorithms including Random Forest, Bagging, and AdaBoost were also used to create Classification models. The oversampling technique, known as SMOTE, was used for balancing datasets, and the 10-fold cross-validation method was employed to evaluate predictive models.According to the results of the data group that included all airports for one-hour forecasting time, the Random Forest was the most effective model, with the F-measure value of 76.62%, Balanced Accuracy of 81.60%, and the AUC of 0.918. For two-hour forecasting time, the combination of Neural Networks and Bagging was the most effective model, with the F-measure of 27.72%, Balanced Accuracy of 57.61%, and the AUC of 0.681.

วิทยานิพนธ์นี้มีวัตถุประสงค์เพื่อ (1) สร้างแบบจำลองในการพยากรณ์การเกิดพายุฝนฟ้าคะนองระยะปัจจุบัน และ (2) ประเมินประสิทธิภาพของแบบจำลองในการพยากรณ์การเกิดพายุฝนฟ้าคะนองระยะปัจจุบัน ที่มีระยะเวลาพยากรณ์ 1 และ 2 ชั่วโมงข้างหน้า สำหรับสนามบินภาคเหนือของประเทศไทยด้วยเทคนิคการเรียนรู้ของเครื่อง โดยชุดข้อมูลนำเข้า คือ ข่าวอากาศการบินของสนามบินในพื้นที่ภาคเหนือจำนวน 9 สนามบินที่มีการรายงานข่าวอากาศการบินรายชั่วโมงโดยกรมอุตุนิยมวิทยา ระหว่างเดือนมกราคม พ.ศ. 2558 ถึงเดือนธันวาคม พ.ศ. 2565 รวมทั้งสิ้น 364,382 ชุดข้อมูลระเบียบวิธีวิจัยดำเนินการโดยแบ่งข้อมูลทั้งหมดออกเป็น 5 กลุ่มข้อมูล คือ กลุ่มข้อมูลรวมสนามบินภาคเหนือ กลุ่มข้อมูลสนามบินภาคเหนือตอนบน กลุ่มข้อมูลสนามบินภาคเหนือตอนล่าง กลุ่มข้อมูลสนามบินที่มีภูเขาล้อมรอบ 1-2 ด้าน และกลุ่มข้อมูลสนามบินที่มีภูเขาล้อมรอบ 3-4 ด้าน โดยพยากรณ์การเกิดพายุฝนฟ้าคะนองระยะปัจจุบันด้วยเทคนิคการเรียนรู้ของเครื่อง และสร้างแบบจำลองการจำแนกด้วยอัลกอริทึมมาตรฐาน 3 อัลกอริทึม ได้แก่ Naive Bayes Decision Tree และ Neural Networks และอัลกอริทึมมาตรฐานร่วมกับอัลกอริทึมการเรียนรู้แบบกลุ่ม ซึ่งได้แก่ Random Forest Bagging และ AdaBoost และทำการปรับความสมดุลของข้อมูลด้วยเทคนิคการสุ่มตัวอย่างเกิน SMOTE และเปรียบเทียบประสิทธิภาพของแบบจำลองด้วยวิธี 10-Fold Cross Validationผลการวิจัยพบว่า แบบจำลองที่ดีที่สุดสำหรับกลุ่มข้อมูลรวมสนามบินภาคเหนือ ระยะเวลาการพยากรณ์ 1 ชั่วโมงข้างหน้า คือ Random Forest โดยมีค่า F-measure เท่ากับร้อยละ 76.62 ค่า Balanced Accuracy เท่ากับ 81.60 และค่า AUC เท่ากับ 0.918 และสำหรับระยะเวลาการพยากรณ์ 2 ชั่วโมงข้างหน้า คือ Neural Networks ร่วมกับ Bagging โดยมีค่า F-measure เท่ากับร้อยละ 27.72 ค่า Balanced Accuracy เท่ากับ 57.61 และค่า AUC เท่ากับ 0.681