ความน่าจะเป็นของฝนหนักรายพื้นที่ ล่วงหน้า 1 ถึง 5 วัน

Trigger 2 จังหวะเตรียมพร้อม · สั่งการ

นำร่อง 2 พื้นที่เสี่ยงสูงสถาปัตยกรรมขยายทั้งประเทศได้ (7,400 ตำบล)

GEOHACKATHON 2026 · PIXEL TO POLICY

ThaiFAST

ระบบแปลงความน่าจะเป็นของฝน
เป็นคำสั่งการล่วงหน้ารายตำบล

Thailand Flood Anticipatory System with Triggers: รู้ก่อน สั่งการได้ก่อน ความสูญเสียลดลง

ทีม JinaLab (4 คน) · ข้อเสนอต่อเวที GeoHackathon 2026

ข้อเสนอโครงการรอบคัดเลือก · กรกฎาคม 2569

01 / 15

ส่วนที่ 1ปัญหา · กรณีศึกษาหาดใหญ่ พฤศจิกายน 2568

แจ้งเตือนมากกว่า 30 ครั้ง แต่คำสั่งอพยพมาถึงเมื่อระดับน้ำเข้าขั้นวิกฤต

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

ที่มา: BBC Thai · ประชาไท (ไทม์ไลน์ Cell Broadcast รายวัน) · สมุดปกขาว วช./ThaiPublica · TNN (พ.ย. ถึง ธ.ค. 2568) · ไทม์ไลน์ฉบับสมบูรณ์อยู่ในเอกสารแนบ

02 / 15

ส่วนที่ 1ปัญหา · ขนาดความสูญเสียระดับประเทศ

ปี 2568 สะท้อนต้นทุนของการเตือนภัยที่ไม่ทันเวลา

126

ชีวิตที่สูญเสีย (จังหวัดสงขลา)

มหาอุทกภัยหาดใหญ่และ 9 จังหวัดภาคใต้ พฤศจิกายน 2568 ระดับน้ำเพิ่มขึ้นเร็วเกินกว่าการอพยพจะดำเนินการได้ทัน

2.3 หมื่นล้าน

มูลค่าความเสียหายปี 2568 (บาท)

รวมอุทกภัยภาคเหนือ (น่าน เชียงราย เชียงใหม่) และภาคใต้ ในปีที่ถูกเรียกว่าปีแห่งภัยพิบัติสุดขั้ว

1.4 ล้านล้าน

มูลค่าความเสียหายปี 2554 (บาท)

มหาอุทกภัยครั้งประวัติศาสตร์ ขณะที่งานวิจัยยืนยันว่าความเสี่ยงฝนสุดขั้วในภูมิภาคยังคงเพิ่มขึ้นต่อเนื่อง

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

03 / 15

ส่วนที่ 1ปัญหา · ช่องว่างเชิงระบบ

ทุกองค์ประกอบมีอยู่แล้ว ขาดเพียงชั้นการตัดสินใจ

ระบบปัจจุบันครอบคลุมช่วงระหว่างเหตุการณ์ (เช่น ระบบนำทางกู้ภัย FloodNav) และหลังเหตุการณ์ (แผนที่ความเสียหายของ GISTDA) ThaiFAST เติมช่วงก่อนเกิดเหตุ ซึ่งเป็นช่วงเดียวที่ยังลดความสูญเสียได้จริง

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

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

04 / 15

ส่วนที่ 2โซลูชัน · สถาปัตยกรรมระบบ

จากพิกเซลสู่คำสั่งการใน 4 ขั้นตอน

Multi-model ensemble จาก GEFS 31 members และ ECMWF ENS 51 members ผ่าน statistical post-processing สู่แบบจำลองผลกระทบแบบ interpretable และ trigger ที่ปรับเทียบด้วย cost-loss analysis นำร่องพื้นที่เสี่ยงสูงสองแห่ง และขยายทั้งประเทศได้ด้วยสถาปัตยกรรมเดียวกัน

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

รายละเอียดทางเทคนิคฉบับสมบูรณ์อยู่ใน Technical Guide และข้อเสนอโครงการ

05 / 15

ส่วนที่ 2โซลูชัน · ภาพรวม AI สองชั้น

AI สองชั้น เรียนรู้จากเหตุการณ์จริงมากกว่า 21 ปี

ตัวอย่างการทำงานจริง ตำบลคอหงส์ 21 พฤศจิกายน 2568: สมาชิก ensemble 42 จาก 51 ให้ฝนเกิน 90 มม. (0.82) ระบบปรับเทียบเป็น 0.91 เมื่อรวมฝนสะสมล่วงหน้าและค่า HAND ต่ำ ได้ความน่าจะเป็นของผลกระทบ 0.84 ช่วงความเชื่อมั่น 0.71 ถึง 0.92 เกินเกณฑ์ p2 ระบบจึงแนะนำการแจ้งเตือนรายตำบล

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

รายละเอียดของแต่ละชั้นอยู่ในสองหน้าถัดไป

06 / 15

ส่วนที่ 2โซลูชัน · ชั้นที่ 1 Rain Intelligence

ชั้นที่ 1 แปลงพยากรณ์ ensemble เป็นความน่าจะเป็นของฝนรายพื้นที่

?ทำนายอะไร

ความน่าจะเป็นที่ฝนสะสม 24 ชั่วโมงจะเกิน 35, 90 และ 150 มม.
รายกริด 0.1 องศา (ประมาณ 11 กม.) ครอบคลุมประเทศไทย
ล่วงหน้า 24 ถึง 120 ชั่วโมง อัปเดตวันละ 2 รอบ
พร้อมตัวชี้ regime ว่าเป็นฝนแช่หรือฝนเฉียบพลัน

DBข้อมูลจากไหน

เทรน: GEFS reforecast v12 ของ NOAA (ค.ศ. 2000 ถึง 2019) จับคู่ฝนสังเกต IMERG V07 ของ NASA ประมาณ 2.5 ล้านตัวอย่าง
ใช้งานจริง: GEFS 31 members และ ECMWF ENS 51 members วันละ 2 รอบ
เสริม: NOAA OISST สำหรับดัชนีมรสุม SWMI ของ สสน.

MLด้วยวิธีอะไร

Isotonic regression และ EMOS เป็น baseline calibration
XGBoost แยกตามช่วง lead time พร้อม features: สถิติ ensemble, CAPE, K-index, Showalter, upslope moisture flux, SWMI
ตรวจสอบด้วย Brier Skill Score เทียบ climatology และ reliability diagram รายฤดูกาลและภูมิภาค
Spatial U-Net สำหรับ downscaling ในเฟสถัดไป

อ้างอิง: Hamill et al. (2013) · Rasp & Lerch (2018) · Jiang et al. (WACE 2023) · Humphries et al. (2026) · Deeprasertkul & Chitradon (2026)

07 / 15

ส่วนที่ 2โซลูชัน · ชั้นที่ 2 Impact Intelligence

ชั้นที่ 2 แปลงฝนและภูมิศาสตร์เป็นความน่าจะเป็นของผลกระทบรายตำบล

?ทำนายอะไร

ความน่าจะเป็นที่ตำบลจะเกิดน้ำท่วมแบบมีผลกระทบในเหตุการณ์ฝนหนึ่ง
หน่วยวิเคราะห์: ตำบลต่อเหตุการณ์ จาก event catalog มากกว่า 60 เหตุการณ์
พร้อมช่วงความเชื่อมั่นและเหตุผลประกอบรายตำบล ส่งต่อเป็นระดับความเสี่ยงให้ trigger engine

DBข้อมูลจากไหน

Labels 4 แหล่ง: GISTDA · Global Flood Database (MODIS 21 ปี) · Sentinel-1 ผ่าน Sen1Floods11 · Traffy Fondue พร้อมการตรวจสอบไขว้
เชิงพื้นที่: Copernicus DEM (HAND, TWI) · ESA WorldCover · OSM · WorldPop
เชิงพลวัต: ผลจากชั้นที่ 1 · IMERG antecedent 3, 7, 30 วัน · ฝนต้นน้ำตาม flow direction

MLด้วยวิธีอะไร

XGBoost binary classifier พร้อมการจัดการเหตุการณ์หายาก (resampling และ scale_pos_weight)
SHAP อธิบายปัจจัยขับเคลื่อน และ conformal prediction (MAPIE) ให้ช่วงความเชื่อมั่นเชิงสถิติ
Spatial block cross-validation แบบ leave-one-province-out ป้องกัน data leakage เชิงพื้นที่

อ้างอิง: Tellman et al. (Nature 2021) · Bonafilia et al. (2020) · J. Hydrology (2026) · Mahavik (2026)

08 / 15

ส่วนที่ 2โซลูชัน · ข้อมูลและแหล่งที่มา

ทุกชุดข้อมูลมาจากแหล่งที่เชื่อถือได้และตรวจสอบได้

แกนของระบบใช้ข้อมูลเปิดทั้งหมด สมัครใช้งานฟรีเพียง 2 บัญชี (NASA Earthdata และ Google Earth Engine) และทุกแหล่งกำหนดทางสำรองไว้ล่วงหน้า

1พยากรณ์และ Reforecast

NOAA GEFS 31 members และ GEFS reforecast v12 (AWS Open Data)
ECMWF ENS 51 members (open data 0.25 องศา) และ TIGGE archive สำหรับการวิจัย

2ฝนสังเกตและมหาสมุทร

NASA GPM IMERG V07 ราย 30 นาที (GES DISC)
ERA5 reanalysis (Copernicus/ECMWF) และ NOAA OISST v2.1 สำหรับดัชนี SWMI

3ภูมิสารสนเทศ

Copernicus DEM GLO-30 (ESA) · ESA WorldCover 10 เมตร · VIIRS Nighttime Lights
OpenStreetMap (Geofabrik) และ WorldPop สำหรับประชากร

4ข้อมูลประเทศไทย

ขอบเขตน้ำท่วมจาก GISTDA Open Data · รายงานน้ำท่วมขัง Traffy Fondue · ขอบเขตตำบลจาก data.go.th
ดัชนี SWMI ตามงานวิจัยของ สสน. และภาพ THEOS-2 ผ่านการสนับสนุนของโครงการ

รายการ URL เวอร์ชัน และ citation ครบทุกชุดข้อมูลอยู่ใน Data Sources Reference ของทีม

09 / 15

ส่วนที่ 2โซลูชัน · Trigger Engine และการพิสูจน์

Trigger สองจังหวะ พิสูจน์ด้วยเหตุการณ์จริง

Deterministic rule engine ที่เกณฑ์ได้จาก cost-loss optimization พร้อมกลไก hysteresis พิสูจน์แบบ no-peek กับเหตุการณ์หาดใหญ่ พฤศจิกายน 2568 และภาคเหนือ กันยายน 2567 วัดด้วย POD, FAR, CSI และ Brier score เทียบกับแนวปฏิบัติจริง

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

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

10 / 15

ส่วนที่ 3หลักฐาน · ระบบสากลและงานวิจัย

หลายประเทศใช้งานจริงแล้ว โอกาสของไทยคือการเชื่อมข้อมูลที่มีอยู่ให้เป็น decision layer เดียว

ระบบลักษณะเดียวกันในยุโรปให้ผลตอบแทนประมาณ 400 เท่าของงบประมาณที่ลงทุน (EFAS, Environmental Science & Policy 2015)

🌊Google Flood Hub (Nature 2024)

AI เตือนน้ำท่วมล่วงหน้า 5 ถึง 7 วันในกว่า 80 ประเทศ รวมถึงลุ่มน้ำที่ไม่มีสถานีวัด

🇱🇦FloodPROOFS ลาวและกัมพูชา (2024)

Impact-based warning ระดับปฏิบัติการในประเทศเพื่อนบ้าน (5 ลุ่มน้ำ lead 5 วัน ระดับอำเภอ) ก้าวต่อไปคือประเทศไทยในความละเอียดระดับตำบล

💸Anticipatory Cash บังกลาเทศ

เงินช่วยเหลือก่อนน้ำท่วมผ่าน forecast trigger ลดการอดอาหารลง 36% และการยืด lead time เพิ่ม 2 วัน เพิ่มมูลค่าที่รักษาได้ 21.7 เท่า (IJDRR 2024)

🇯🇵ญี่ปุ่น ระบบเตือน 5 ระดับ

ปฏิรูปหลังเหตุการณ์ปี 2018 ซึ่งมีผู้เสียชีวิตกว่า 200 รายแม้มีการเตือนแล้ว โดยผูกระดับเตือนกับการอพยพของท้องถิ่นตามกฎหมาย ซึ่งเป็นแม่แบบของ trigger ในระบบนี้

พัฒนาบนข้อมูลจากNASA Earthdata (GPM IMERG)NOAA (GEFS · OISST)ESA Copernicus (Sentinel · DEM)GISTDA (THEOS-2)สสน. (SWMI)

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

11 / 15

ส่วนที่ 4แผน · ผลลัพธ์ที่ส่งมอบ

ผลลัพธ์ที่ส่งมอบคือกติกาการตัดสินใจรูปแบบใหม่

ส่งมอบ 3 รายการ ได้แก่ (1) Engine และ Dashboard สาธิตสดในพื้นที่นำร่องพร้อมเดโมการขยายผล (2) Hindcast & Skill Report จากเหตุการณ์จริงสองเหตุการณ์ (3) Policy Brief ว่าด้วยเกณฑ์ trigger สำหรับ Cell Broadcast และงบเตรียมความพร้อมล่วงหน้า ซึ่งรองรับกรอบ Thai Water Plan ปี 2569

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

สอดคล้องกับแนวคิด Pixel to Policy: Unlocking Insights, Accelerating Impact และเกณฑ์ Evidence-based Policy ของการแข่งขัน

12 / 15

ส่วนที่ 4แผน · การต่อยอดสถาปัตยกรรมโมเดล

Roadmap โมเดลระยะถัดไป ภายใต้การทดลองที่มีเกณฑ์ชัดเจน

ทุกรายการมี experiment card กำหนดเงื่อนไขเริ่ม เกณฑ์ความสำเร็จ และงบเวลา รายการที่ไม่มี dependency ภายนอก (E1, E4) กำหนดเป็นเฟสที่ 2 ภายในช่วงการแข่งขันเมื่อเฟสที่ 1 สมบูรณ์ ส่วนรายการที่ต้นทุนสูงหรือรอสิทธิ์เข้าถึงข้อมูล (E2, E3) กำหนดไว้หลังการแข่งขัน

E1LSTM/GRU Sequence Encoder

เรียนลำดับฝน 30 วันแทน antecedent features ที่สร้างด้วยมือ
รวมกับ XGBoost แบบ out-of-fold stacking พร้อม re-calibration ของความน่าจะเป็น

เฟสที่ 2 ภายในการแข่งขัน

E2Spatio-Temporal GNN

Nodes เป็นตำบล edges ตามโครงข่ายลำน้ำ เรียนการส่งผ่านน้ำต้นทางโดยตรง
แนวทางเดียวกับงาน ST-GNN ของทีมวิจัยไทย (Results in Engineering 2026)

หลังการแข่งขัน

E3Nowcasting 0 ถึง 6 ชั่วโมง

ช่อง Himawari-9 (แบนด์ IR ทุก 10 นาที): ตรวจยอดเมฆเย็นจัดและอัตราการเย็นตัว ยืนยัน regime และเสริมจังหวะ Action trigger
CNN-GRU cascade กับเรดาร์ เมื่อได้สิทธิ์เข้าถึง

Himawari เฟสที่ 2 ในการแข่งขัน เรดาร์หลังการแข่งขัน

E4Chronos-2 Foundation Model

Time-series foundation model พยากรณ์ระดับน้ำสถานีหลักแบบ zero-shot
ใช้เป็นสัญญาณเสริมช่วง lead สั้นของลุ่มน้ำนำร่อง เช่น คลองอู่ตะเภา

เฟสที่ 2 ภายในการแข่งขัน

เงื่อนไขเริ่มและเกณฑ์ความสำเร็จรายการทดลองอยู่ใน Experiment Cards ของทีม

13 / 15

ส่วนที่ 4แผน · การบริหารความเสี่ยง

ออกแบบระบบให้ทนต่อความล้มเหลวเป็นลำดับขั้น

1ขอบเขตงานเกินกำลังทีม

ควบคุมด้วย roadmap 3 เฟส โดยเฟสที่ 1 สมบูรณ์ในตัวเองและสาธิตได้ แม้เฟสถัดไปไม่ทันกำหนด ยังคงมีระบบที่ใช้งานได้จริงส่งมอบ

2การเข้าถึงข้อมูลบางแหล่ง

แกนของระบบใช้ชุดข้อมูลเปิดที่เข้าถึงได้แน่นอน (GFS, IMERG, GEFS reforecast, Sentinel, DEM, OSM) ส่วน ECMWF, AIFS และเรดาร์เป็นส่วนเสริม ไม่ใช่เงื่อนไขของความสำเร็จ

3Skill ต่ำในบางพื้นที่หรือฤดูกาล

รายงานอย่างตรงไปตรงมาเป็น reliability map ว่าพื้นที่ใดเชื่อถือได้เพียงใด ความโปร่งใสด้านข้อจำกัดสอดคล้องกับเกณฑ์การประเมินด้าน uncertainty (35%)

4ความเชี่ยวชาญเฉพาะด้านอุทกวิทยา

มีนักภูมิศาสตร์ประจำทีมดูแลชั้นข้อมูลเชิงพื้นที่และการตรวจสอบผลลัพธ์ เสริมด้วย mentoring จากผู้เชี่ยวชาญ EU และ ESA การ validate ร่วมผู้ใช้จริง และยึดผล hindcast เป็นเกณฑ์ตัดสิน

ตารางความเสี่ยงและแนวทางรับมือฉบับสมบูรณ์อยู่ในข้อเสนอโครงการ

14 / 15

ส่วนที่ 4แผน · ทีมและเส้นเวลาการดำเนินงาน

ทีม 4 คน แบ่งบทบาทตามเกณฑ์การประเมิน

GEOAI LEAD

AI Engineer

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

DATA & PLATFORM LEAD

Software Engineer

Pipeline ข้อมูลอัตโนมัติ · API · dashboard สาธิตสด (พื้นที่นำร่องพร้อมเดโมขยายผล)

GEOSPATIAL & DOMAIN LEAD

Geographer

ชั้นข้อมูลเชิงพื้นที่ (HAND, TWI, land use) · จัดทำและ QA labels · ตรวจสอบความสมเหตุสมผลเชิงภูมิศาสตร์ของผลลัพธ์ · บริบทพื้นที่นำร่อง

IMPACT · PRODUCT · POLICY LEAD

Impact, Product & Policy Lead

สัมภาษณ์ผู้ใช้จริง (ปภ. เทศบาล ชุมชน) · trigger card และข้อความแจ้งเตือน · policy brief · การนำเสนอ

สิงหาคม 2569Data pipeline + flood label inventory + baseline model

กันยายน 2569 · Mentoring Iโมเดลครบ 2 ชั้น + hindcast รอบแรก + สัมภาษณ์ผู้ใช้

ตุลาคม 2569 · Mentoring IITrigger optimization + dashboard + policy brief + pitch วันที่ 31 ตุลาคม

ThaiFAST: รู้ก่อน สั่งการได้ก่อน ความสูญเสียลดลง

GeoHackathon 2026 · Pixel to Policy · ข้อเสนอโครงการฉบับสมบูรณ์พร้อมภาคผนวกอ้างอิง

15 / 15

ภาคผนวก AWorkflow 10 ขั้น · สำหรับทีมเทคนิค

จากศูนย์สู่ระบบสาธิตสดภายในประมาณ 10 สัปดาห์

ระยะเวลารวมสอดคล้องกับช่วง Mentoring I และ II ของการแข่งขัน อ้างอิงงานวิจัยรายขั้นตอน (พร้อม DOI) อยู่ใน Technical Guide ของทีม

W1ขอบเขต

ตรึงขอบเขตตำบลเวอร์ชันเดียวพร้อมข้อมูลประชากร ทุกตารางใช้ tambon_id ชุดนี้

0.5 สัปดาห์

W2Static features

DEM สู่ HAND, TWI, slope · WorldCover ผิวเมือง · OSM โครงข่ายระบายน้ำ ทำครั้งเดียวใช้ทั้งประเทศ

1 สัปดาห์

W3Labels 4 แหล่ง

GISTDA, Global Flood DB, Sentinel-1, Traffy พร้อม QA ไขว้ งานที่ใช้ทรัพยากรมากที่สุดของโครงการ

2 สัปดาห์ (ขนาน W4)

W4คลัง reforecast

GEFS reforecast 20 ปีจาก AWS จับคู่ฝนจริง IMERG เป็น training pairs

1 สัปดาห์

W5เทรนชั้นที่ 1

Calibration สู่ XGBoost ราย lead band วัดด้วย Brier Skill Score รายฤดูและภูมิภาค

1.5 สัปดาห์

W6Training table

Join ข้อมูลพลวัต static และ labels จัดการเหตุการณ์หายากด้วย resampling

0.5 สัปดาห์

W7เทรนชั้นที่ 2

XGBoost, SHAP และ conformal พร้อม cross-validation แบบ hold-out รายจังหวัด ป้องกัน leakage

1.5 สัปดาห์

W8Trigger

Cost-loss กำหนดเกณฑ์ p1 (Readiness) และ p2 (Action) พร้อม hysteresis และร่างข้อความแจ้งเตือน

1 สัปดาห์

W9Hindcast

หาดใหญ่ พฤศจิกายน 2568 และภาคเหนือ กันยายน 2567 ด้วยพยากรณ์จริงในอดีต แบบ no-peek

1.5 สัปดาห์

W10Deploy

Batch วันละ 2 รอบ สู่ GeoParquet, API และ dashboard MapLibre สำหรับสาธิตสด

1 สัปดาห์

ภาคผนวกสำหรับทีมเทคนิคและช่วงถามตอบ ไม่อยู่ในจังหวะการนำเสนอหลัก

A / ภาคผนวก

ภาคผนวก BFeature Set v1 · สรุปรวม

ทุก feature มีหลักฐานรองรับ ทุกแหล่งข้อมูลมีทางสำรอง

หลักการออกแบบ: AI ประเมินความน่าจะเป็น กติกาที่พิสูจน์แล้วเป็นผู้แนะนำ และมนุษย์เป็นผู้สั่งการ รายละเอียด URL และ citation ครบทุกชุดอยู่ใน Data Sources Reference ของทีม

ชั้น 1อากาศสู่ความน่าจะเป็น

6 กลุ่ม: สถิติ ensemble ของฝน · ลม ความชื้น CAPE, K-index, Showalter · upslope flux (ฝั่งรับลมและอับฝน) · regime ฝนแช่หรือเฉียบพลัน · ฤดูกาลและ SWMI ของ สสน. (r = −0.74 กับฝน 1,042 สถานี) · บริบทกริด

ชั้น 2ภูมิศาสตร์สู่ผลกระทบ

ความน่าจะเป็นของฝนทุกเกณฑ์และ lead · ฝนสะสม 3, 7, 30 วัน · ฝนต้นน้ำตามลำน้ำ · HAND, TWI, ความชัน · ผิวเมือง โครงข่ายระบายน้ำ ระยะจากลำน้ำ · ประชากร รวมประมาณ 35 features ที่ตีความได้ทุกตัว

แหล่งข้อมูลและเงื่อนไข

แกนระบบใช้ข้อมูลเปิดทั้งหมด (GEFS · IMERG · ERA5 · OISST · Sentinel · DEM · OSM · WorldPop) · สมัครใช้งานฟรีเพียง 2 บัญชี (Earthdata และ GEE) · THEOS-2 ขอรับการสนับสนุนผ่านโครงการ · ทุกแหล่งกำหนดทางสำรองไว้ล่วงหน้า

ภาคผนวกสำหรับทีมเทคนิคและช่วงถามตอบ หลักฐานราย feature อยู่ใน Feature Store spec

B / ภาคผนวก