ระบบตรวจจับอัตโนมัติ · อัลกอริทึมจากงานวิจัยสมองแมลงวันผลไม้
บางสัญญาณบนเว็บนี้คำนวณด้วยอัลกอริทึมที่นักวิจัยถอดมาจากวงจรประสาทของแมลงวันผลไม้ (Drosophila)
แมลงวันมีเซลล์ประสาทแค่ราวแสนกว่าตัว แต่จำกลิ่น เห็นการเคลื่อนไหว และหลบสิ่งที่พุ่งเข้าหาได้ด้วยพลังงานน้อยมาก
วิธีคิดแบบนี้จึงคำนวณได้เร็วและใช้ทรัพยากรน้อย ทุกข้อด้านล่างประมวลผลโดยระบบของเว็บนี้เอง และผ่านการทดสอบกับข้อมูลจริงในระบบ (ต.ค. 2026)
1 · กล้องภาพไม่เปลี่ยน และฉากต่างจากปกติ
- ภาพไม่เปลี่ยน (อาจค้าง): กล้องที่ยังตอบกลับแต่ส่งภาพเดิมนานกว่า 2 ชั่วโมง
(ไฟล์เหมือนเดิมทุกไบต์ หรือภาพย่อ 32×32 แทบไม่ต่างกัน) จะขึ้นวงสีเหลืองอำพัน ภาพที่มืดสนิทตอนกลางคืนไม่นับ
- ฉากต่างจากปกติของกล้องนั้น: ภาพถูกแยกเป็นช่องสว่างและช่องมืด (คล้ายเส้นทาง ON/OFF ในตาแมลงวัน)
แปลงเป็นรหัส FlyHash แล้วเทียบกับ "ความจำ" ของกล้องตัวนั้นแบบ fly Bloom filter ที่ค่อย ๆ ลืมในราวหนึ่งสัปดาห์
ถ้าไม่เหมือนสิ่งที่เคยเห็นติดกัน 2 รอบสแกน จะขึ้นวงสีม่วงและรายการในแผงแจ้งเตือน (เริ่มทำงานหลังเรียนรู้ภาพปกติราว 1 วัน)
- ผลจำลองบนภาพจริงจากกล้อง 710 ตัว: จับสิ่งบังเลนส์ด้านข้างได้ 81% · น้ำทับ 40% ล่างของภาพ 44% · น้ำทับ 20% ล่าง 10% ·
แจ้งผิดราว 0.04% ของภาพปกติ
2 · สถานีวัดน้ำที่มีพฤติกรรมไม่เคยเห็น และเซ็นเซอร์ผิดปกติ
- รูปแบบระดับน้ำ 12 ชั่วโมงล่าสุดถูกเขียนเป็น "รหัสประชากร" แบบที่หนวดแมลงใช้แทนกลิ่น แล้วเทียบกับความจำของสถานีนั้นเองย้อนหลังราว 1 เดือน (FlyHash + fly Bloom filter)
ถ้าน้ำขึ้นในรูปแบบที่สถานีนี้ไม่เคยมี 2 ชั่วโมงติดกัน จะขึ้นสัญญาณในหน้าสถานี และแผงแจ้งเตือนเมื่อขึ้นอย่างมีนัยสำคัญ
- ตรวจเซ็นเซอร์ด้วยกฎตรง ๆ: ค่าไม่เปลี่ยนเลยเกิน 24 ชม. · ค่ากระโดดแล้วเด้งกลับ · ไม่มีค่าใหม่เกิน 6 ชม.
- ทดสอบบนประวัติจริง 14 วันของ 803 สถานี: เมื่อเติมน้ำขึ้นจำลอง 2% / 4% / 8% ของความลึกลำน้ำต่อชั่วโมง จับได้ 75% / 86% / 94% โดยเฉลี่ยในชั่วโมงที่ 2
3 · เครือข่ายต้นน้ำ → ปลายน้ำ (river effectome)
- แนวคิดจากงานที่ใช้แผนผังสมองแมลงวันหา "ใครส่งผลต่อใคร" (connectome → effectome): สถานีบนลำน้ำเดียวกันถูกเรียงตามระดับผิวน้ำ
แล้ววัดจากข้อมูล 14 วันว่าการขึ้นลงของสถานีต้นน้ำไปถึงสถานีถัดไปในกี่ชั่วโมง และแรงแค่ไหน เก็บไว้เฉพาะคู่ที่ข้อมูลยืนยัน
- ตอนนี้มี 151 เส้นเชื่อม (จาก 383 คู่) · เวลาเดินทางของน้ำมัธยฐาน 5 ชม. · เปิดดูได้ที่ชั้นข้อมูล "เครือข่ายต้นน้ำ → ปลายน้ำ" และหน้าสถานี
4 · คาดการณ์ระดับน้ำที่รวมฝน และแถบความไม่แน่นอน
- บทเรียนจากงานจำลองสมองแมลงวัน คือ ผลที่ดูสมจริงไม่ได้พิสูจน์ว่าแบบจำลองถูก ต้องวัดกับ baseline เสมอ
ทุกค่าคาดการณ์จึงถูกเทียบกับการทายว่า "ระดับน้ำเท่าเดิม" และกับวิธีเดิมของเว็บนี้ (ต่อแนวโน้มชั่วโมงล่าสุด + ปรับตามฝนด้วยสูตรตายตัว)
- แต่ละสถานีมีแบบจำลองของตัวเอง (สมการถดถอยแบบ ridge แยกตามระยะล่วงหน้า 1–72 ชม.) เรียนจากข้อมูล 60 วันล่าสุดของสถานีนั้น:
การขึ้นลงของระดับน้ำช่วงที่ผ่านมา สถานีต้นน้ำที่เชื่อมกัน ฝนที่ตกในรอบ 1–3 วัน และฝนพยากรณ์ของ ECMWF เฉลี่ยรอบสถานีราว 75 กม.
ฝนพยากรณ์ที่ใช้ฝึกเป็นค่าที่พยากรณ์ไว้ในตอนนั้นจริง (คลังพยากรณ์ย้อนหลังของ Open-Meteo) ไม่ใช่ฝนที่ตกจริงภายหลัง แบบจำลองจึงรู้ว่าควรเชื่อฝนพยากรณ์แค่ไหน
- ทุกสถานีถูกทดสอบกับ 14 วันล่าสุดที่ไม่ได้ใช้ฝึก แล้วใช้แบบใหม่ (หรือผสมกับวิธีเดิมและการทายว่าเท่าเดิม)
เฉพาะระยะล่วงหน้าที่แม่นกว่าวิธีเดิมชัดเจน ที่เหลือยังใช้วิธีเดิม · หน้าสถานีบอกว่าสถานีนั้นใช้แบบไหนและแม่นแค่ไหน
- ผลทดสอบนอกชุดฝึก 3 ช่วง ช่วงละ 14 วัน (ก.ย.–ต.ค. 2026, ราว 770 สถานี) ความคลาดเคลื่อนเฉลี่ย:
ที่ 6 ชม. 8.5 ซม. (วิธีเดิม 12.8 · เท่าเดิม 13.1) · ที่ 24 ชม. 19.7 ซม. (วิธีเดิม 26.1 · เท่าเดิม 21.3) ·
ที่ 72 ชม. 38.7 ซม. (วิธีเดิม 52.4 · เท่าเดิม 40.9) · แม่นกว่าวิธีเดิมที่ 24 ชม. ใน 617–674 สถานี และแย่ลง 52–120 สถานี
- ฝนช่วยเพิ่มความแม่นได้เพียงเล็กน้อย (ราว 2% ที่ 48–72 ชม.) ส่วนใหญ่ของการปรับปรุงมาจากการเรียนพฤติกรรมของแต่ละสถานีเอง
และระหว่างทดสอบพบว่าสูตรปรับตามฝนของวิธีเดิมทำให้คาดการณ์ 12–72 ชม. แย่กว่าการทายว่าเท่าเดิม
- แถบสีม่วงบนกราฟคำนวณแบบ split-conformal จากความคลาดเคลื่อนจริงของสถานีนั้นในช่วงทดสอบ แยกตามระยะล่วงหน้า
ครอบค่าจริงเฉลี่ย 82% ในการทดสอบ (79–84% แล้วแต่ระยะล่วงหน้า) แล้วขยายเพิ่มตามความต่างของฝนในพยากรณ์ชุด 51 แบบ (ensemble) ของ ECMWF
ส่วนที่ขยายนี้ยังทดสอบย้อนหลังไม่ได้ เพราะไม่มีคลังพยากรณ์ชุดย้อนหลัง
5 · ทิศทางกลุ่มฝน และ "ฝนกำลังเข้า"
- ทุก 1 ชั่วโมง ระบบนำภาพเรดาร์ย้อนหลัง (ภาพละ 10 นาที) มาวัดการเคลื่อนที่ด้วยตัวตรวจการเคลื่อนไหวแบบ Hassenstein–Reichardt (แบบเดียวกับเส้นทาง T4/T5 ในตาแมลงวัน
ที่หักลบทิศตรงข้ามเพื่อตัดสิ่งที่ไม่เคลื่อน) แล้วคำนวณเวลาที่ฝนจะถึงแต่ละจังหวัดแบบวงจร looming ที่แมลงวันใช้หลบสิ่งพุ่งเข้าหา
- ระบบทดสอบตัวเองทุกรอบ: ทายตำแหน่งฝนล่วงหน้า 20 นาทีแล้วเทียบกับภาพจริง ในการทดสอบ 9 รอบ (19 ต.ค. 2026) แม่นกว่าการทายว่าฝนอยู่ที่เดิมใน 8 รอบ
(CSI 0.51 เทียบ 0.49 · ที่ 40 นาที 0.37 เทียบ 0.34) ผลรอบล่าสุดแสดงใต้ชั้นข้อมูล "ทิศทางกลุ่มฝน"
- ข้อนี้ทำได้แค่ส่วนเรดาร์ ส่วนการวัดความเร็วน้ำจากกล้องริมแม่น้ำยังทำไม่ได้ เพราะกล้องน้ำส่วนใหญ่ให้ภาพนิ่งห่างกันหลายนาที ไม่ใช่วิดีโอ
6 · ภาพกล้องที่ดูเหมือนมีน้ำท่วมถนนหรือน้ำล้นตลิ่ง (ด่านที่สองของข้อ 1)
- ข้อนี้ไม่ได้มาจากงานวิจัยสมองแมลงวัน ใช้แบบจำลองภาพ CLIP ViT-B/32 (OpenAI) ดูว่าภาพมีลักษณะ "ถนนถูกน้ำท่วม / น้ำล้นตลิ่ง" แค่ไหน
โดยเทียบภาพกับคำบรรยายภาพน้ำท่วมและภาพปกติ ร่วมกับตัวจำแนกเชิงเส้นที่ฝึกจากภาพน้ำท่วมชุด European Flood 2013 และภาพจากกล้องไทยช่วงปกติ (ใช้คะแนนที่ต่ำกว่าของสองวิธี)
- คะแนนถูกเทียบกับภาพช่วงปกติของกล้องตัวเดียวกัน (แยกกลางวันกับกลางคืน) กล้องแม่น้ำที่เห็นน้ำขุ่นสูงอยู่ตลอดจึงถูกตัดสินจากการเปลี่ยนแปลง ไม่ใช่จากการที่มีน้ำ
ต้องเกินเกณฑ์ติดกัน 2 รอบตรวจ จึงขึ้นวงสีฟ้าบนแผนที่ ข้อความในการ์ดกล้อง และรายการในแผงแจ้งเตือน (เริ่มทำงานหลังเรียนรู้ภาพปกติของกล้องนั้นได้ 6 รอบตรวจ)
- วิธีนี้คำนวณหนักกว่า FlyHash มาก จึงตรวจเป็นรอบ ทุก 4 ชั่วโมง จากภาพล่าสุดของแต่ละกล้อง: ภาพที่ข้อ 1 เห็นว่าต่างจากปกติก่อน
ตามด้วยกล้องแม่น้ำ คลอง และเขื่อน (ทุกรอบ) และกล้องอื่น (ทุก 2 รอบ) โดยจำกัดจำนวนภาพต่อรอบ
(ทดสอบแล้วว่าถ้าส่งเฉพาะภาพที่ข้อ 1 เห็นว่าต่างจากปกติ จะพลาดน้ำท่วมเกือบทั้งหมด)
- ผลทดสอบ (ต.ค. 2026) กับกล้องริมแม่น้ำในอังกฤษ 2 ตัว ภาพรายชั่วโมงตลอด 1 ปี โดยใช้ระดับน้ำจากสถานีวัดของ Environment Agency เป็นเฉลย:
จับภาพน้ำล้นตลิ่งได้ 66% และ 81% ถูกต้อง 68% และ 98% ของที่แจ้ง และจับเหตุการณ์น้ำท่วมได้ 11 จาก 12 ครั้งภายใน 2 วันแรก
ส่วนข้อ 1 (FlyHash) จับภาพได้ 3–4% ถูกต้อง 26–37% และจับเหตุการณ์ได้ 4 จาก 12 ครั้ง ·
ภาพจากกล้องถนนในไทยที่ไม่มีน้ำท่วม 579 ภาพ ไม่แจ้งผิดเลย · ภาพน้ำท่วมในไทยจาก Wikimedia Commons จับได้ 44 จาก 59 ภาพ
- ข้อจำกัด: ยังไม่มีภาพน้ำท่วมจริงจากกล้องในไทยให้ทดสอบ · กล้องที่ภาพปกติดูคล้ายน้ำท่วมอยู่แล้วจะตรวจได้ยาก ·
น้ำสูงมากแต่ยังไม่ล้นตลิ่งก็อาจถูกแจ้ง (กล้องในอังกฤษตัวหนึ่งแจ้งใน 42 จาก 254 วันที่น้ำยังไม่ล้นตลิ่ง ส่วนใหญ่เป็นช่วงน้ำสูงกว่าปกติมาก)
ข้อจำกัดที่ควรรู้
- ทั้งหมดเป็นสัญญาณช่วยเฝ้าระวัง ให้คนเข้าไปดูข้อมูลต่อ ไม่ได้ยืนยันว่าน้ำท่วม และไม่ใช่ประกาศเตือนภัยทางการ
การไม่มีสัญญาณไม่ได้แปลว่าปลอดภัย
- เว็บนี้ไม่ได้ใช้ข้อมูล connectome (แผนผังการเชื่อมต่อของสมอง) ของโครงการ FlyWire
ใช้เฉพาะอัลกอริทึมที่ตีพิมพ์แล้ว และไม่ใช่การจำลองสมองแมลงวันทั้งสมอง
- ภาพทดสอบของข้อ 6 (กล้องริมแม่น้ำในอังกฤษ และภาพน้ำท่วมในไทยจาก Wikimedia Commons) ใช้เพื่อวัดผลเท่านั้น ไม่ได้ใช้ฝึกและไม่ได้เผยแพร่ต่อ
อ้างอิงและเครดิต
FlyHash — Dasgupta, Stevens & Navlakha, Science 2017
Fly Bloom filter — Dasgupta, Sheehan, Stevens & Navlakha, PNAS 2018
Effectome — Pospisil et al., Nature 2024
Looming / LPLC2 — Klapoetke et al., Nature 2017
ตัวตรวจการเคลื่อนไหว — Hassenstein & Reichardt, 1956
Split-conformal prediction — Lei, G'Sell, Rinaldo, Tibshirani & Wasserman, JASA 2018
FlyWire — แผนผังสมองแมลงวันทั้งสมอง (Nature 2024) เป็นแรงบันดาลใจ ไม่ได้ใช้ข้อมูล
เรดาร์ © RainViewer
CLIP — Radford et al., ICML 2021 (OpenAI, MIT licence)
European Flood 2013 — Barz et al., 2018 (ภาพจาก Wikimedia Commons)
ภาพกล้องริมแม่น้ำสำหรับทดสอบ — Vandaele, Dance & Ojha, University of Reading (ภาพ © Farson Digital)
ระดับน้ำอ้างอิง — Environment Agency (Open Government Licence)