P(ฝน > เกณฑ์)ความน่าจะเป็นรายพื้นที่

Trigger 2 จังหวะเตรียมพร้อม · สั่งการ

นำร่อง 2 พื้นที่เสี่ยงสูงสถาปัตยกรรมขยายทั้งประเทศได้ (~7,400 ตำบล)

GEOHACKATHON 2026 · PIXEL TO POLICY

ThaiFAST

ระบบแปลง “ความน่าจะเป็นของฝน”
เป็นคำสั่งการล่วงหน้ารายตำบล

Thailand Flood Anticipatory System with Triggers — รู้ก่อน สั่งการก่อน เสียหายน้อยลง

ทีม JinaLab (3 คน) · ข้อเสนอต่อเวที GeoHackathon 2026

ข้อเสนอโครงการรอบคัดเลือก · กรกฎาคม 2569

01 / 12

ภาพรวมสิ่งที่จะเล่า · 4 ส่วน 12 หน้า

ไทยมีข้อมูลครบ มีท่อส่งคำเตือนแล้ว — ขาดแค่ “ชั้นการตัดสินใจ”

1ปัญหา — ทำไมต้องตอนนี้

ปี 2568 พิสูจน์ว่า “เตือนเยอะ” ไม่เท่ากับ “รอดเยอะ”: หาดใหญ่ถูกเตือน 30+ ครั้ง แต่คำสั่งอพยพมาช้า และรัฐวินิจฉัยเองว่าขาดเกณฑ์ตัดสินใจ (หน้า 3–5)

2โซลูชัน ThaiFAST

สถาปัตยกรรม 4 ขั้น · AI สองชั้น (ฝน → ความน่าจะเป็น → ผลกระทบรายตำบล) · Trigger 2 จังหวะ พร้อมวิธีพิสูจน์ด้วยเหตุการณ์จริง (หน้า 6–8)

3หลักฐานว่าเป็นไปได้

ยุโรป ญี่ปุ่น สหรัฐฯ ใช้งานจริงมานานปี เพื่อนบ้านลาว–กัมพูชาก็เริ่มแล้ว — พร้อมหลักฐานงานวิจัยรองรับรายขั้น (หน้า 9)

4แผนการทำจริง

ส่งมอบ 3 ชิ้นใน 3 เดือน · ความเสี่ยงที่รู้และวิธีคุม · ทีม 3 คนที่แบ่งบทบาทตามเกณฑ์ตัดสิน (หน้า 10–12)

หนึ่งประโยค: ThaiFAST แปลงความน่าจะเป็นของฝน เป็นคำสั่งการล่วงหน้ารายตำบล — เริ่มที่ 2 พื้นที่เสี่ยงสูง ออกแบบให้ขยายได้ทั้งประเทศ

แผนการเล่าเรื่อง — 12 หน้าหลัก + ภาคผนวกเทคนิค 2 หน้า (A/B) ท้ายเด็ค

02 / 12

ส่วนที่ 1ปัญหา · ราคาของการรู้ช้า

ปี 2568 คือคำเตือนที่ แพงที่สุด ของประเทศไทย

126

ชีวิตที่เสียไป (สงขลา)

มหาอุทกภัยหาดใหญ่และ 9 จังหวัดภาคใต้ พฤศจิกายน 2568 — น้ำขึ้นเร็วเกินกว่าการอพยพจะทัน

2.3 หมื่นล้าน

บาท — ความเสียหายปี 2568

ทั้งอุทกภัยภาคเหนือ (น่าน เชียงราย เชียงใหม่) และภาคใต้ ในปีที่ถูกเรียกว่า “ปีแห่งภัยพิบัติสุดขั้ว”

1.4 ล้านล้าน

บาท — บทเรียนปี 2554

มหาอุทกภัยครั้งประวัติศาสตร์ และงานวิจัยยืนยันว่าความเสี่ยงฝนสุดขั้วใน SEA ยังเพิ่มขึ้นต่อเนื่อง

คำถามที่แท้จริงไม่ใช่ “พยากรณ์แม่นหรือไม่” — แต่คือ “ความไม่แน่นอนถูกแปลงเป็นการสั่งการ ทันเวลาหรือไม่”

ที่มา: Policy Watch · ThaiPBS (2568) · GISTDA สถานการณ์น้ำ 2568 · Weather and Climate Extremes (2026)

03 / 12

ส่วนที่ 1ปัญหา · กรณีศึกษาหาดใหญ่ พ.ย. 2568

เตือนกว่า 30 ครั้ง — แต่คำสั่ง “อพยพ” มาถึงเมื่อน้ำถึงคอ

ทุกตัวเลขอ้างอิงได้ตามที่มาใต้การ์ด — ไทม์ไลน์ฉบับเต็มพร้อมแหล่งข่าวอยู่ในเอกสารแนบท้ายข้อเสนอ

ไทม์ไลน์เหตุการณ์หาดใหญ่ พ.ย. 2568: คำเตือนมีจริง สัญญาณถี่แต่ไม่แปลงเป็นคำสั่ง คำสั่งอพยพครั้งแรก 24 พ.ย. และบทเรียน

ที่มา: BBC Thai · ประชาไท (ไทม์ไลน์ CB รายวัน) · สมุดปกขาว วช./ThaiPublica · TNN (พ.ย.–ธ.ค. 2568)

04 / 12

ส่วนที่ 1ปัญหา · ช่องว่างเชิงระบบ

ทุกชิ้นส่วนมีอยู่แล้ว — ขาดเพียง “ชั้นการตัดสินใจ”

ระบบนิเวศปัจจุบัน: GISTDA, ThaiWater, กรมอุตุฯ, Cell Broadcast เชื่อมเข้า GeoAI Decision Layer ที่หายไป ส่งต่อ ปภ. เทศบาล ชุมชน กู้ภัย

ช่วง “ก่อนเกิดเหตุ” คือช่องว่างเดียวที่ยังว่าง — ระบบกู้ภัย (เช่น FloodNav ผู้เข้ารอบปีก่อน) และแผนที่ GISTDA อยู่ช่วง “ระหว่าง/หลัง” ซึ่งรับผลลัพธ์ของเราไปใช้ต่อได้ทันที

ที่มา: disaster.gistda.or.th · thaiwater.net · tmd.go.th · การใช้งาน Cell Broadcast ของ ปภ. (2568–2569)

05 / 12

ส่วนที่ 2โซลูชัน · สถาปัตยกรรม 4 ขั้น

จากพิกเซล สู่คำสั่งการ ใน 4 ขั้น

สถาปัตยกรรม 4 ขั้น: รับข้อมูล → Rain Intelligence → Impact Intelligence → Trigger Engine (Readiness/Action, Dashboard, API, Cell Broadcast)

นำร่องระดับตำบลในพื้นที่เสี่ยงสูง — หาดใหญ่/ลุ่มน้ำอู่ตะเภา และภาคเหนือ — สถาปัตยกรรมเดียวกันขยายทั้งประเทศ (~7,400 ตำบล) ได้ทันที เพราะ inference ใช้เพียง CPU

รายละเอียดทางเทคนิคฉบับเต็มอยู่ใน Technical Guide และข้อเสนอโครงการ

06 / 12

ส่วนที่ 2โซลูชัน · AI สองชั้น

AI สองชั้น เรียนจากรอยน้ำท่วมจริง 21 ปี

AI สองชั้น: ชั้น 1 รู้ว่าฝนจะหนักแค่ไหน (inputs-process-output) ชั้น 2 รู้ว่าที่ไหนเปราะบาง พร้อม roadmap 3 เฟส

ERA5IMERGSentinel-1/2ขอบเขตท่วม GISTDACopernicus DEMTraffy FondueTHEOS-2

วิธีการและอ้างอิงรายขั้น (พร้อม DOI) — ภาคผนวก B และ Technical Guide ของทีม

07 / 12

ส่วนที่ 2โซลูชัน · Trigger และการพิสูจน์

Trigger 2 จังหวะ — พิสูจน์แบบ decision-grade

Trigger ladder จาก 120 ชม. ถึง 6 ชม.: Monitor → Readiness → Action → Confirm พร้อมตัวชี้วัด POD FAR CSI Brier Reliability

การพิสูจน์: hindcast หาดใหญ่ พ.ย. 2568 และ ภาคเหนือ ก.ย. 2567 ด้วยพยากรณ์จริงในอดีต เทียบ baseline การประกาศจริง — ความไม่แน่นอนรายงานตรงเป็น reliability map

กรอบ trigger หลายจังหวะตาม forecast-based action (IJDRR 2019, 2022) · WMO Impact-based Forecasting

08 / 12

ส่วนที่ 3หลักฐาน · โลกทำแล้ว และงานวิจัยรองรับ

หลายประเทศทำแล้ว — โอกาสของไทยคือ เชื่อมข้อมูลที่มีอยู่ให้เป็น decision layer เดียว

🌊Google Flood Hub — Nature 2024

AI เตือนน้ำท่วมล่วงหน้า 5–7 วัน ใน 80+ ประเทศ แม้ลุ่มน้ำไม่มีสถานีวัด — anticipation ระดับโลกทำได้จริง

🇱🇦FloodPROOFS — ลาว/กัมพูชา 2024

Impact-based warning operational แล้วในประเทศเพื่อนบ้าน (5 ลุ่มน้ำ, lead 5 วัน, ระดับอำเภอ) — ก้าวต่อไปคือประเทศไทย ในระดับที่ละเอียดกว่า

💸Anticipatory Cash — บังกลาเทศ

เงินช่วยเหลือ ก่อน น้ำท่วม: อดอาหารลดลง 36% · CERF ปล่อย $5.2M ก่อนน้ำมาถึง · ยืด lead time +2 วัน = มูลค่าที่รักษาได้ ×21.7 (IJDRR 2024)

🇯🇵ญี่ปุ่น — เตือน 5 ระดับผูกการอพยพ

ปฏิรูปหลังน้ำท่วม 2018 (ตาย 200+ ทั้งที่เตือนแล้ว — สถานการณ์เดียวกับหาดใหญ่): ระดับเตือนผูกกับ action ของท้องถิ่นตามกฎหมาย — แม่แบบที่ trigger ของเราเดินตาม

ความคุ้มค่า: EFAS ยุโรปประเมินผลตอบแทน ~400 ต่อ 1 (Env. Sci. & Policy 2015) · ทุกองค์ประกอบมีงานวิจัยรองรับ — reference library ~100 รายการแนบท้ายข้อเสนอ

ที่มา: Nature 627 (2024) · IJDRR (2024, 2025) · Oxford/CSAE · UN OCHA · Pappenberger et al. (2015) · Cao et al. (2024)

09 / 12

ส่วนที่ 4แผน · ส่งมอบ 3 ชิ้น (Pixel to Policy)

ผลลัพธ์ไม่ใช่แผนที่ — แต่คือ กติกาการตัดสินใจใหม่

Pixel to Policy: ข้อมูลดาวเทียม-พยากรณ์-รายงานประชาชน → ความน่าจะเป็นของผลกระทบรายตำบล → Trigger มาตรฐาน ข้อความเตือน งบเตรียมพร้อมก่อนภัย

ส่งมอบ 3 ชิ้น: Engine + Dashboard สาธิตสด · Hindcast & Skill Report · Policy Brief (เกณฑ์ trigger + งบก่อนภัย — รองรับหน้าต่างนโยบาย Thai Water Plan ก.พ. 2569)

ตรง theme “Pixel to Policy: Unlocking Insights, Accelerating Impact” และเกณฑ์ Evidence-based Policy ของงาน

10 / 12

ส่วนที่ 4แผน · ความเสี่ยงที่เรารู้ และวิธีคุม

ทีมเล็ก จึงออกแบบให้ ล้มได้เป็นขั้น ไม่ล้มทั้งระบบ

1ขอบเขตงานใหญ่เกินทีม

คุมด้วย roadmap 3 เฟส — เฟส 1 จบในตัวเองและ demo ได้ แม้เฟส 2–3 ไม่ทันกำหนด ก็ยังมีระบบใช้งานได้จริงส่งมอบ

2ข้อมูลบางแหล่งเข้าถึงยาก

แกนใช้ชุดที่เปิดแน่นอน (GFS, IMERG, GEFS reforecast, Sentinel, DEM, OSM) — ECMWF/AIFS และเรดาร์เป็นส่วนเสริม ไม่ใช่เงื่อนไขของความสำเร็จ

3Skill ต่ำในบางพื้นที่/ฤดูกาล

ไม่ซ่อน — รายงานตรงเป็น reliability map ว่าที่ไหนเชื่อระบบได้แค่ไหน ความโปร่งใสเรื่องข้อจำกัดตรงเกณฑ์ uncertainty ของรอบชิง (35%)

4ทีมไม่มีนักอุทกวิทยาประจำ

ชดเชยสามทาง: mentoring ผู้เชี่ยวชาญ EU/ESA ตามโปรแกรม · validate workflow กับผู้ใช้จริง (ปภ.จังหวัด/เทศบาล) · ยึด hindcast กับเหตุการณ์จริงเป็นผู้ตัดสิน

ข้อจำกัดที่เราประกาศเอง คือคำถามที่กรรมการไม่ต้องขุด — และเป็นคำตอบที่เตรียมไว้แล้ว

ตารางความเสี่ยงและแนวทางรับมือฉบับเต็มอยู่ในข้อเสนอโครงการ

11 / 12

ส่วนที่ 4แผน · ทีมและเส้นเวลา 3 เดือน

ทีมเล็ก ที่แบ่งบทบาทตาม เกณฑ์ตัดสิน

GEOAI LEAD

AI Engineer

โมเดล 2 ชั้น · hindcast/verification · conformal prediction และ reliability map

DATA & PLATFORM LEAD

Software Engineer

Pipeline ข้อมูลดาวเทียม/พยากรณ์อัตโนมัติ · API · dashboard สาธิตสด (นำร่อง + เดโมขยายผล)

IMPACT · PRODUCT · POLICY LEAD

Impact, Product & Policy Lead

สัมภาษณ์ผู้ใช้จริง (ปภ./เทศบาล/ชุมชน) · ออกแบบ trigger card และข้อความเตือน · validate workflow · policy brief · การนำเสนอ (พื้นฐานด้านการตลาด-สื่อสาร)

ส.ค. 2569Data pipeline + flood label inventory + baseline model

ก.ย. 2569 · Mentoring Iโมเดลเต็ม 2 ชั้น + hindcast รอบแรก + สัมภาษณ์ผู้ใช้

ต.ค. 2569 · Mentoring IITrigger optimization + dashboard + policy brief + pitch 31 ต.ค.

ThaiFAST — รู้ก่อน สั่งการก่อน เสียหายน้อยลง · จาก Pixel สู่ Policy ของจริง

GeoHackathon 2026 · Pixel to Policy — ข้อเสนอโครงการฉบับเต็มพร้อมภาคผนวกอ้างอิง

12 / 12

ภาคผนวก AWorkflow 10 ขั้น · สำหรับทีมเทคนิค

จากศูนย์ถึงระบบสาธิตสด ใน ~10 สัปดาห์

W1ขอบเขต

ตรึงขอบเขตตำบลเวอร์ชันเดียว + ประชากร — ทุกตารางใช้ tambon_id ชุดนี้

0.5 สัปดาห์

W2Static features

DEM→HAND/TWI/slope · WorldCover ผิวเมือง · OSM drainage — ทำครั้งเดียวใช้ทั้งประเทศ

1 สัปดาห์

W3Labels 4 แหล่ง

GISTDA ∪ Global Flood DB ∪ Sentinel-1 ∪ Traffy + QA ไขว้ — งานแพงสุดของโปรเจกต์

2 สัปดาห์ (ขนาน W4)

W4คลัง reforecast

GEFS reforecast 20 ปี (AWS) จับคู่ฝนจริง IMERG เป็น training pairs

1 สัปดาห์

W5เทรนชั้น 1

Calibration → XGBoost ราย lead-band · วัด Brier Skill Score รายฤดู/ภาค

1.5 สัปดาห์

W6Training table

Join dynamic + static + labels · จัดการ rare event ด้วย resampling

0.5 สัปดาห์

W7เทรนชั้น 2

XGBoost + SHAP + conformal · CV แบบ hold-out รายจังหวัด กัน leakage

1.5 สัปดาห์

W8Trigger

Cost-loss → เกณฑ์ p1 (Readiness) / p2 (Action) + hysteresis + ร่างข้อความ CB

1 สัปดาห์

W9Hindcast

หาดใหญ่ พ.ย. 68 + เหนือ ก.ย. 67 ด้วยพยากรณ์จริงในอดีต — แบบไม่เห็นอนาคต

1.5 สัปดาห์

W10Deploy

Batch 2 รอบ/วัน → GeoParquet → API → dashboard MapLibre สาธิตสด

1 สัปดาห์

รวม ~10 สัปดาห์ = ส.ค.–ต.ค. พอดีกับ Mentoring I/II — อ้างอิงงานวิจัยรายขั้น (พร้อม DOI) อยู่ใน Technical Guide ของทีม

ภาคผนวกสำหรับทีมเทคนิคและช่วงถาม-ตอบ — ไม่อยู่ในจังหวะนำเสนอหลัก

A / ภาคผนวก

ภาคผนวก Bสเปกโมเดล · สำหรับ AI Engineer

AI สองชั้น — Input → Output → วิธีพิสูจน์

1Aชั้น 1 · Input → Output

ECMWF ENS 51 + GEFS 31 สมาชิก (0.25°) ทุก 12 ชม. → features: mean/spread/P10–P90, fraction > เกณฑ์, ฤดูกาล, ภูมิประเทศ → P(ฝน 24 ชม. > 35/90/150 มม.) รายกริด 0.1° ที่ lead 24–120 ชม.

1Bชั้น 1 · เทรนอย่างไร

จับคู่ GEFS reforecast 2000–2019 กับฝนจริง IMERG · ensemble เขตร้อน under-dispersive + bias → raw fraction เชื่อไม่ได้ ต้อง calibrate · isotonic → XGBoost → U-Net (เฟส 3) · วัด BSS + reliability รายฤดู/ภาค

2Aชั้น 2 · Label คือของแพงที่สุด

หน่วย = ตำบล × เหตุการณ์ · แหล่ง: GISTDA ∪ Global Flood DB (MODIS 21 ปี) ∪ Sentinel-1 (pre-train Sen1Floods11) ∪ Traffy clusters (เมือง) · QA ไขว้ทุกชุดก่อนเทรน — label ผิด โมเดลผิดทั้งระบบ

2Bชั้น 2 · โมเดล + ความไม่แน่นอน

XGBoost + scale_pos_weight/resampling (เหตุท่วม = rare event) · spatial CV hold-out รายจังหวัด — ห้าม random split · SHAP รายตำบล · conformal → {p, p_lo, p_hi, band}

ตัวอย่างเดินเรื่องจริง — ต.คอหงส์ 21 พ.ย. 68: สมาชิก ensemble 42/51 ให้ฝน>90 มม. (0.82) → calibrate เป็น 0.91 → รวมฝนสะสม P98 + HAND ต่ำ → P(กระทบ) 0.84 [0.71–0.92] → เกิน p2 → แนะนำยิง Cell Broadcast รายตำบล

สเปกเต็ม + อ้างอิงรายขั้นอยู่ใน ThaiFAST Technical Guide

B / ภาคผนวก