Dr.Nattapong Puttanapong
Faculty of Economics, Thammasat University Thailand
1.
2.
3.
4.
5.
Background
Literature Review
Models and Results
Conclusion and Policy
Recommendations
Extension of the Project
Global statistics : natural disasters have become more frequent and severe
Global statistics : natural disasters have become more frequent and severe
1. Background
1. Background
Rice
Cassava
Sugar cane
Corn
% of Total Arable Lands
53.85%
5.68%
5.06%
5.07%
Numbers of Households
involved
4,150,400
480,484
200,000
308,671
34.91%
(Ranked #1)
70%
(Ranked #1)
9.61%
(Ranked #2)
0.31%
World Market Share
Office of Agricultural Economics, Ministry of Agriculture
8
of arable land was utilized for growing four main
crops, which were rice, sugar cane, cassava and corn
(Ministry of Agriculture)
 According to FAO’s statistics, Thailand has been the world’s
major exporter of rice and cassava, and sugar cane.
 29.2% of total households is involved in the production of
those four main crops, and 46.1% and 38.7% of farmer
households in the Northeastern and Northern regions are
indebted due to agricultural loans. (Ministry of Finance)
 71.1%
 The farmer
household’s debt is significantly influenced by
the quantity and price of main crops, which are directly
correlated with weather volatility and the outbreak of pests
and diseases.
 Ministry of Agriculture reported in 2008 that the extreme
weather can cause a substantial impact on the socioeconomic condition. According to its report, the severe
drought in that year caused the income problem to 17.9% of
all farmer households.
 The total amount of subsidies
for crop losses had
increased by fivefold during 2005 – 2008, and this
amount is still increasing continuously.
 It is highly possible that the government's subsidy to
crop losses will continuously increment and
subsequently cost the future fiscal burden.
Main Objective


exploring the economy-wide impact of weather
volatility on Thai economy, particularly through
agricultural production,
examining the possibility of developing the crop
insurance to lessen the future fiscal burden
Group 1: impacts of crop yields' volatility on agricultural
markets
•
•
•
•
•
Darwin (1995) is among the first studies in this area
Boussard and Christensen (1999) explore the impact of agricultural
prices' volatility to Poland’s and Hungary’s economies.
Arndt (1999) also uses the similar analytical framework to study the
economic impacts of drought on African countries, and Arndt and
Tarp (2000) employ the same model to explore the economic of
Mozambique caused by volatility of its cassava
Burfisher et al. (2000) study the impact of agricultural production's
volatility on North American economies.
Group 2: impacts of weather volatility on the economy
• Harris and Robinson (2001) integrate the El Nina and La Nina
phenomena with CGE model to explore their impacts on Mexico.
• Pauw et al. (2010) conducts the study to examine the impact of weather
volatility on Malawi's economy.
• Thurlow (2010) explores the weather impacts on Zambia.
• Zhai (2010) applies the similar analysis to the case of China.
• Nelson et al.(2010) studies the global relationship between climate
change and international food markets
• Bosello and Zhang (2005) publish the survey of related literatures in this
field.
Group 3: Projection the future volatility of
weather caused by climate change
•
•
Tangtham (2005) and SEA START(2008) have produced the
models projecting future climate scenarios.
Sorawat (2009), Pannangpetch (2010) and Buddhaboon
(2010) use these simulated climate scenarios as inputs for
crop-yield models to estimate the future volatility of major
crops' yield
Research Gap
 the integration of crop
yield volatility caused by climate
change to the economic model does not exist
 this paper is aimed at bridging this gap by using the
existing scenarios of crop-yield volatility as the input to
the CGE model to explore the economy-wide impacts in
the case Thailand.
Main Data
1.) The projected yield’s volatility of rice, cassava, sugar cane, and corn in
Thailand, generated by SEA START (2008) 's climate scenarios and
Pannangpetch (2010)'s crop models. These data are inputs for CGE
model representing the changing productivity of main crops' production.
2.) The data set for CGE are mainly from National Economic and Social
Development Board's national account and from the Social Accounting
Matrix of 2008 produced by the Office of Agricultural Economics of MoA.
The data used as the base case of model includes 42 production sectors,
5 groups of households, the aggregate representative of corporate, the
government and details of the country’s international trade.
CGE Model






Producers have the main purpose to maximize profit and productions behavior are under
the constant-return-to-scale condition
Consumers aim at maximizing under the budget constraint, and making decision of
consuming a combination of domestic and imported goods.
All markets of goods and services are in equilibrium and prices are equilibrating variables
There are non-linear behaviors of the frictional substitution mechanism between domestic
and export products and the similar frictional mechanism of substitution between domestic
and imported goods.
An exchange rate, all tax rates and government's consumption, are specified as exogenous
variables representing policy instruments
There exists unemployment in the labor market, and also the capital utilization is allowed to
be below the fully utilized rate
Main Structure
Supply Side
Demand Side

There are two sets of simulations
3.1 Static Simulation
- Examining the nationwide impacts of changing yields of main
crops
- Measuring the results in term of percentage change
3.2 Stochastic Simulation
- Exploring the stochastic adjustment of key economic
indicators responding to stochastic shocks of main crops’ yields
- Studying the possibility of risk diversification across crops
3.2 Stochastic Simulation (Monte-Carlo Simulation)
Calibrate the CGE model
No
Report an error and
stop
Is the base-case
result identical to the
actual data
Yes
Read main crops’ productivity
coefficients of scenario n
Repeat the process
until n = N
Shock the model with stochastic
productivity of main crops
Store the simulation result for scenario
n
n = N?
Analyze the output
No
Rain-Fed Rice
Monte-Carlo Simulation
Distribution Property of Stochastic Shocks (i.e. Crop Yields)
Rice Cultivation
Corn
Cultivation
Cassava
Cultivation
Sugar Cane
Cultivation
Mean
(tons/hectare)
2.77
3.12
20.20
62.38
Standard Deviation
(tons/hectare)
1.03
0.68
3.19
18.63
3.2 Monte-Carlo Simulation
Simulation 1
Simulation 2
Simulation 3
Simulation 4
Simulation 5
Stochastic shock
of rice yield
Stochastic
shock of corn
yield
Stochastic
shock of
cassava yield
Stochastic
shock of sugar
cane yield
Stochastic shock
of all crop yields
Price of rice (S.D./Mean)
9.72%
0.28%
0.15%
0.02%
9.83%
Price of corn (S.D./Mean)
0.90%
17.92%
0.21%
0.03%
18.21%
Price of cassava (S.D./Mean)
0.60%
0.28%
16.21%
0.02%
16.23%
Price of sugar cane (S.D./Mean)
0.76%
0.37%
0.18%
9.36%
9.17%
Quantity of rice (S.D./Mean)
9.67%
0.30%
0.16%
0.02%
9.81%
Quantity of corn (S.D./Mean)
1.03%
17.23%
0.24%
0.04%
17.59%
Quantity of cassava (S.D./Mean)
0.67%
0.33%
14.33%
0.07%
14.29%
Quantity of sugar cane
(S.D./Mean)
0.76%
0.38%
0.23%
7.45%
7.26%
Volatilities of price and quantity of corn and cassava are higher than those of
rice and sugar cane.
Monte-Carlo Simulation
(2) Impacts on macro variables
Real GDP (S.D./Mean)
Consumer Price Index (CPI ) (S.D./Mean)
Total Consumption (S.D./Mean)
Total Export (S.D./Mean)
Total Import (S.D./Mean)
Total Employment (S.D./Mean)
•
•
Simulation 1
Simulation 2
Simulation 3
Simulation 4
Simulation 5
Stochastic
shock of rice
yield
Stochastic
shock of corn
yield
Stochastic
shock of
cassava yield
Stochastic
shock of
sugar cane
yield
Stochastic
shock of all
crop yields
0.327%
0.217%
0.108%
0.021%
0.335%
0.395%
0.255%
0.129%
0.018%
0.403%
0.241%
0.205%
0.098%
0.006%
0.275%
0.248%
0.162%
0.073%
0.020%
0.249%
0.048%
0.036%
0.012%
0.006%
0.053%
1.963%
1.066%
0.376%
0.091%
1.940%
Variation of rice’s yield causes the highest volatility to the economy
The Coefficient of Variation of unemployment declines when risks from all crops are
pooled
Monte-Carlo Simulation
(3) Impacts on institutions
Simulation 1
Simulation 2
Simulation 3
Simulation 4
Simulation 5
Stochastic
shock of rice
yield
Stochastic
shock of corn
yield
Stochastic
shock of
cassava yield
Stochastic
shock of sugar
cane yield
Stochastic shock of
all crop yields
Household group 1
0.0215%
0.0122%
0.0067%
0.0010%
0.0221%
Household group 2
0.0215%
0.0122%
0.0067%
0.0010%
0.0221%
Household group 3
0.0216%
0.0122%
0.0067%
0.0010%
0.0221%
Household group 4
0.0216%
0.0122%
0.0067%
0.0010%
0.0221%
Household group 5
0.0304%
0.0162%
0.0004%
0.0024%
0.0292%
Government
0.8601%
0.3953%
0.2071%
0.0197%
0.8375%
Corporate
0.3926%
0.2187%
0.0932%
0.0219%
0.3942%
• The government’s saving faces the highest volatilities
• However, volatilities of government’s saving can be reduced through pooling
variations of all crop yields
(1) The rice yield contributes the highest degree of
volatility to the economy.
(2) The S.D. of employment and that of
government’s saving can be reduced through
pooling of volatilities of all crop yields.
5. The Extension of the Project
5. The Extension of the Project
การศึกษากลไกการบริหารจัดการความเสี่ยงของภาค
ส่ วนเกษตรต่ อสภาวะรุ นแรงโดยระบบประกันภัย
พืชผล : กรณีศกึ ษาระบบเพาะปลูกข้ าว
ดร.ณัฐพงษ์ พัฒนพงษ์
ดร.โสมรัศมิ์ จันทรัตน์
ดร.ปรี สาร รักวาทิน
ดร.ธนสิน ถนอมพงษ์ พนั ธ์
(งานวิจัยยังไม่ เสร็จสมบูรณ์ โปรดอย่ านาไปใช้ อ้างอิ
32ง)
้ ส
่ าคัญ 2 พืนที
้ ่ ได ้แก่
1. การประเมินความเสียหายของการผลิตข ้าวในพืนที
่
บริเวณทีราบลุ
ม
่ เจ ้าพระยา และบริเวณทุ่งกุลาร ้องไห ้ โดยการศึกษาและ
่ ดจากสภาวะอากาศรุนแรง
พัฒนาวิธก
ี ารประเมินความเสียหายทีเกิ
จากการใช้ขอ
้ มู ลดาวเทียมและเทคโนโลยีการร ับรู ้ระยะไกล
่ ้จากการ
(remote sensing) รวมถึงการความสัมพันธ ์ของผลทีได
วิเคราะห ์โดยใช ้เทคโนโลยีการร ับรู ้ระยะไกล (remote sensing) กับข ้อมูล
่ ้จากการรายงานผ่านกระบวนการของกระทรวงเกษตรและ
ความเสียหายทีได
สหกรณ์
้ ้านการวิเคราะห ์
2.ศึกษาและเสนอแนะแนวทางการพัฒนาระบบประกันภัยทังด
่ การคานวณราคาเบียประก
้
คุณลักษณะของความเสียง
ัน และการ
่
่ ้
บริหารความเสียงของผู
ร้ ับประก ันภัย โดยใช ้ข ้อมูลความเสียหายทีได
จากการร ับรู ้ระยะไกล (remote sensing) ร่วมกับการประยุกต ์ใช ้
แบบจาลองผลผลิตข ้าว และวิธก
ี ารทางคณิ ตศาสตร ์ประกันภัย
3.ศึกษาแนวทางการพัฒนาบริหารเงินทุนประก ันภัย โดยการกระจาย
่
้ ปลู
่ กข ้าวบริเวณทีราบลุ
่
ความเสียงภายในประเทศระหว่
างพืนที
ม
่
่
เจ ้าพระยา และบริเวณทุ่งกุลาร ้องไห ้ และการกระจายความเสียงในระด
ับ
่ อทางการเงินในตลาดสินค ้าซือขายล่
้
นานาชาติโดยใช ้เครืองมื
วงหน้า หรือ
่ เช่น พันธบัตรภัยพิบต
ในตลาดตราสารทางการเงินอืนๆ
ั ิ (catastrophe
33
34


่
Vegetation Condition Index (VCI) คือ ดัชนี สภาวะของพืชพรรณ โดยจะเกียวข
้องกับ
สภาพภูมอ
ิ ากาศ ชนิ ดดิน และระบบนิ เวศ
้ ในการค
้
ทังนี
านวณ VCI จะต ้องใช ้ข ้อมูลของดาวเทียม Terra MODIS มาคานวณค่าดัชนี พช
ื
้ ้น แล ้วจึงนาค่า NDVI มาคานวณ
พรรณผลต่างแบบนอร ์แมลไลซ ์ (หรือ NDVI) ก่อนในเบืองต
เป็ นค่าดัชนี VCI ดังแสดงในสมการต่อไปนี ้
• Vegetation – Temperature Condition Index (VTI) เป็ นดัชนี ทผสมข
ี่
้อมูล
จาก VCI และ Temperature Condition Index (TCI) ซึง่ ค่าของ VTI ที่คานวณได้ จะแสดงถึง
สภาวะของพืชพรรณ รวมถึงการประสบภัยแล้ งของพืช ดังที่ได้ นาเสนอในงานวิจยั ของ สุวิทย์ (2554) โดยในงานวิจยั นี ้ได้ ใช้
การสร้ างดัชนี VTI ดังสมการ
VTI = 0.3* VCI + 0.7 * TCI
• Temperature Condition Index (TCI) คือ กระบวนการแยกสัญญาณสภาพอากาศ
้ั
้
โดยจะเป็ นการจัดช่วงชนบนพื
นฐานค่
าสูงสุดและค่าต่าสุดของอุณภูมค
ิ วามสว่างในแต่ละจุด
ตามช่วงเวลา (เช่น 10 ปี )
35
•

การคานวณค่า TCI จะใช้ การรวมค่าความสว่างของจุดภาพสูงสุด ในช่วงเวลา 16 วันของค่าอุณภูมคิ วามสว่าง ค่า
TCI เป็ นค่าที่ได้ จากการทาให้ เป็ นบรรทัดฐานด้ วยค่าสูงสุด และค่าต่าสุดของค่าอุณภูมคิ วามสว่างในหลายปี
โดยที่ BT คือ ค่าอุณหภูมคิ วามสว่าง ราย 16 วัน
ในส่วนของดัชนี Standardized Vegetation Index (SVI) จะเป็ นการคานวณหาค่าดัชนีบง่ ชี ้สภาวะของพืชโดยการ
หาผลต่างของวันที่สารวจกับค่าเฉลี่ยของดัชนีพรรณพืช ณ ตาแหน่งดังกล่าว และหารผลต่างดังกล่าวด้ วยค่า
เบี่ยงเบนมาตรฐานของชุดข้ อมูลดัชนีพรรณพืชในช่วงเวลาทั ้งหมด โดยมีรูปแบบของการคานวณดังนี ้
𝑆𝑉𝐼𝑖, 𝑡
𝑁𝐷𝑉𝐼𝑖, 𝑡 −𝑁𝐷𝑉𝐼 𝑖
=
𝑆. 𝐷. 𝑜𝑓 𝑁𝐷𝑉𝐼𝑖
โดยที่ NDVIi,t คือ ค่าดัชนีพืชพรรณ (Normalized Different Vegetation Index)
36
1500
1400
1300
1200
1100
BuriRam
VTI
1000
900
800
700
Correlation among drought indexes
600
40
30
20
10
SVI
0
Avg_2012
Avg_2011
Avg_2010
Avg_2009
Avg_2008
Avg_2007
Avg_2006
Avg_2005
Avg_2004
Avg_2003
Avg_2002
Avg_2001
Avg_2000
-10
-20
VTI
SVI
VCI
VTI SVI
1.0 0.208
1.0
VCI
0.356
0.170
1.0
-30
1.2
1
0.8
0.6
VCI
0.4
0.2
0
37
1500
1400
1300
1200
1100
Kalasin
VTI
1000
900
800
700
600
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
0.6
Correlation among drought indexe
0.4
0.2
SVI
0
2012
2010
2008
2006
2004
2002
2000
-0.2
VTI
SVI
VCI
VTI SVI
VCI
1.0 0.274 0.248
1.0
0.162
1.0
-0.4
-0.6
1.2
1
0.8
VCI
0.6
0.4
0.2
0
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
38
1500
1400
1300
1200
Mahasarakam
VTI
1100
1000
900
800
Correlation among drought indexe
700
30
20022003200420052006200720082009201020112012
20
10
0
Avg_2012
Avg_2011
Avg_2010
Avg_2009
Avg_2008
Avg_2007
Avg_2006
Avg_2005
Avg_2004
Avg_2003
Avg_2002
Avg_2001
Avg_2000
-10
SVI
VTI
SVI
VCI
-20
VTI SVI
VCI
1.0 0.246 0.265
1.0
0.206
1.0
-30
1.2
1
0.8
0.6
VCI
0.4
0.2
0
39
1700
1500
1300
Surin
VTI
1100
900
Correlation among drought indexes
700
40
20022003200420052006200720082009201020112012
30
20
10
0
Avg_2012
Avg_2011
Avg_2010
Avg_2009
Avg_2008
Avg_2007
Avg_2006
Avg_2005
Avg_2004
Avg_2003
Avg_2002
Avg_2001
-20
Avg_2000
-10
SVI
VTI
SVI
VCI
-30
VTI SVI
VCI
1.0 0.238 0.352
1.0
0.206
1.0
-40
1.2
1
0.8
0.6
VCI
0.4
0.2
0
40
41
Rainfall data :
(1) TMD Rain Stations (Ground data)
(2) TRMM (Remote Sensing)
Vegetation Index (Remote Sensing) :
(1) SVI – Standardized Vegetation Index
(2) VCI – Vegetation Condition Index
(3) VTI - Vegetation-Temperature Index
Loss report :
(1) กรมส่งเสริมการเกษตร (ทั ้งประเทศ)
(2) กรมส่งเสริมการเกษตร (รายจังหวัด)
(3) สานักงานเศรษฐกิจการเกษตร (สารวจรายครัวเรื อน)
(4) สานักงานสถิตแิ ห่งชาติ(สารวจรายครัวเรื อน)
Drought
Rainfall data :
(1) TMD Rain Stations (Ground data)
(2) TRMM (Remote Sensing)
Vegetation Index (Remote Sensing) :
(1) SVI – Standardized Vegetation Index
(2) VCI – Vegetation Condition Index
(3) VTI - Vegetation-Temperature Index
Loss report : (1) กรมส่งเสริ มการเกษตร (โดยรวมทังประเทศและรายจั
้
งหวัด)
(2) สานักงานเศรษฐกิจการเกษตร (สารวจรายครัวเรื อน)
(3) สานักงานสถิตแิ ห่งชาติ(สารวจรายครัวเรื อน)
Analysis #1: TMD and TRMM
300
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
121
126
131
136
141
146
151
156
161
166
171
176
181
186
191
196
201
206
211
216
221
226
231
236
241
246
251
350
SAKON NAKORN
Latitude Longitude
TRMM: 17.25
103.5
TMD: 17.25
103.28
Correlation :
0.617
TMD Rain Station
TRMM
250
200
150
100
50
0
300
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
101
105
109
113
117
121
125
129
133
137
141
145
149
153
157
161
165
169
173
177
181
185
189
193
197
201
205
209
213
217
221
225
229
233
237
241
245
249
350
SAKON NAKORN
Latitude Longitude
TRMM: 17.25
103.5
TMD: 17.25
103.28
Correlation :
0.859
TMD Rain Station
TRMM
250
200
150
100
50
Drought
Rainfall data :
(1) TMD Rain Stations (Ground data)
(2) TRMM (Remote Sensing)
Analysis #2: TRMM and SVI
Vegetation Index (Remote Sensing) :
(1) SVI – Standardized Vegetation Index
(2) VCI – Vegetation Condition Index
(3) VTI - Vegetation-Temperature Index
Loss report : (1) กรมส่งเสริ มการเกษตร (โดยรวมทังประเทศและรายจั
้
งหวัด)
(2) สานักงานเศรษฐกิจการเกษตร (สารวจรายครัวเรื อน)
(3) สานักงานสถิตแิ ห่งชาติ(สารวจรายครัวเรื อน)
Standardized Difference of TRMM
25
20
15
10
5
SVI (Standardized Vegetation Index)
0
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
-5
-10
0.2
0.4
< 0 .0
0.0-0.25
0.25-0.5
Buriram
13.79%
44.83%
41.38%
MahaSarakam
55.17%
0.00%
44.83%
Roi Et
82.50%
10.00%
7.50%
Yasothorn
66.76%
20.83%
12.50%
Surin
5.56%
47.22%
38.89%
0.5-0.75
0.75-1.0
5.71%
2.86%
Drought
Rainfall :
(1) TMD Rain Stations (Ground data)
(2) TRMM (Remote Sensing)
Vegetation Index (Remote Sensing) :
(1) SVI – Standardized Vegetation Index
(2) VCI – Vegetation Condition Index
Analysis #3: SVI and ความเสียหายโดยรวม
(3) VTI - Vegetation-Temperature Index
Loss Report : (1) กรมส่งเสริ มการเกษตร (ความเสียหายโดยรวมและรายจังหวัด)
(2) สานักงานเศรษฐกิจการเกษตร (สารวจรายครัวเรื อน)
(3) สานักงานสถิตแิ ห่งชาติ(สารวจรายครัวเรื อน)
Drought areas (rai)
SVI Value
20
16,000,000
15
14,000,000
10
12,000,000
5
10,000,000
0
SURIN
2012
2011
ROI ET
2010
MAHA SARAKHAM
2009
2008
KALASIN
2007
2006
BURIRAM
2005
2004
TOTAL DROUGHT AREAS
2003
2002
-15
2001
-10
2000
-5
8,000,000
6,000,000
YASOTHON 4,000,000
-20
2,000,000
-25
0
53
จังหวัด
ค่ าสหสัมพันธ์ ระหว่ างพืน้ ที่ประสบภัยแล้ งโดยรวม
และ SVI เฉลี่ยของจังหวัด
KALASIN
-0.603
MAHA SARAKHAM
-0.672
ROI ET
-0.632
SURIN
-0.736
YASOTHON
-0.680
KALASIN
-0.603
54
Flood
Flooded Area (Remote Sensing) :
(1) Radarsat – verified with ground truth by GISTDA
Vegetation Index (Remote Sensing) :
(1) SVI – Standardized Vegetation Index
Analysis #1 : SVI and ความเสียหายทางการเกษตรจากนา้ ท่วม
Loss report :
(1) กรมส่งเสริมการเกษตร (รายจังหวัด)
(2) สานักงานเศรษฐกิจการเกษตร (สารวจรายครัวเรื อน)
(3) สานักงานสถิตแิ ห่งชาติ(สารวจรายครัวเรื อน)
4
2
0
2555
2554
2553
2552
2551
2550
-12
2549
-10
2548
-8
2547
-6
2546
-4
2545
2544
-2
Bang Chak
Bang Chao Cha
Bang Phlap
Bang Rakam
Bang Sadet
Bo Rae
Chaiyaphum
Chaiyarit
Chamlong
Champa Lo
Chawai
Chorakhe Rong
Don Masang
Don Pru
Ekkarat
Hua Phai
Huai Khan Laen
Huai Phai
Inthapramun
Kham Yat
Khlong Khanak
Khlong Wua
Khok Kho Thao
Khok Phutsa
Lak Fa
Lak Kaeo
Mahat Thai
Muang Tia
Na Khu
Nong Krathum
Nong Mae Kai
Nong Nam Yai
Norasing
Ongkharak
Op Thom
Pa Ngio
Phai Cham Sin
Phai Dam Phatthana
Phai Wong
Pho Muang Phan
Pho Prachak
Pho Rang Nok
Pho Thale
Phong Pheng
Phosa
Phra Ngam
Plai Na
Ram Masak
Ratchasathit
Rong Chang
Sai Thong
Sala Daeng
Sam Ngam
San Chao Rong Thong
Sao Rong Hai
Sawaeng Ha
Si Bua Thong
Si Phran
Si Roi
Talat Kruat
Talat Mai
Tha Chang
Tha To
Thang Phra
Thewarat
Tri Narong
Wang Luek
Wang Nam Yen
Wang Yang
Yan Sue
Yang Sai
Yi Lon
0
2544
-100
-200
-300
-400
-500
-600
2545
2546
2547
2548
2549
2550
2551
2552
2553
2554
2555
Loss as % of the total planted areas
35
30
2544
25
20
15
2554
2545
10
2553
2549
2551
2548
5
2552
2555
2550
2547
2546
0
-600
-500
-400
Sum of SVI (weighted by planted area)
-300
-200
-100
0
Loss as % of the total planted areas
35
30
2544
25
20
15
2554
2545
2553
10
2551
2549
2548
-500
-400
-300
Sum of SVI (weighted by planted area)
5
2550
2555
-200
-100
0
2547
2552
2546
0
100
Loss as % of the total planted areas
35
30
2544
25
20
15
2545
2554
10
2553
2551
2548
-1200
-1000
2549
2550
-800
Sum of SVI (weighted by planted area)
5
2552 2547
2546
2555
-600
-400
0
-200
0
200
Loss as % of the total planted areas
35
30
2544
25
20
15
2554
10
2545
2553
2549
5
2551
2548
2555
2550
2552
0
-1000
-800
-600
Sum of SVI (weighted by planted area)
-400
-200
0
2547
2546
200







ข้ อมูลจากดาวเทียม MODIS ซึง่ เป็ นข้ อมูลที่ NASA เผยแพร่โดยไม่คิดค่าใช้ จ่ายสามารถนามาใช้
ประยุกต์ในการติดตามพื ้นที่การเกษตรที่เสียหายจากภัยแล้ งและน ้าท่วมในประเทศไทยได้ (ความ
ละเอียด 250 * 250 เมตร)
นอกจากนี ้ข้ อมูลจากดาวเทียม MODIS ยังสามารถแสดงวันเริ่ มปลูกและวันเริ่ มเก็บเกี่ยวของนา
ข้ าวทัว่ ประเทศไทยได้ (ความละเอียด 250 * 250 เมตร)
ข้ อมูลจากดาวเทียม TRMM ซึง่ เป็ นข้ อมูลที่เผยแพร่โดยไม่คิดค่าใช้ จ่ายสามารถนามาใช้ เป็ นข้ อมูล
ปริ มาณน ้าฝนของทุกบริ เวณทัว่ ประเทศไทยได้ ซึง่ จะเป็ นประโยชน์อย่างยิ่งต่อการศึกษาเกี่ยวกับ
ผลกระทบของภูมิอากาศกับผลผลิตการเกษตรและสถานะทางเศรษฐกิจของเกษตรกร
มีการกาหนดแนวทางการวิจยั และพัฒนาต่อเนื่องเพื่อปรับปรุงคุณภาพของข้ อมูล ซึ่งได้ รับ
สัญญาณรบกวนจากเมฆ ฝน และรังสีตา่ งๆ
ผู้วิจยั กาลังอยูใ่ นระหว่างการประมาณการเพื่อคานวณมูลค่าเบี ้ยประกันภัย
ผู้วิจยั พบว่ามีความเป็ นไปได้ ในการ Hedge เพื่อปกป้องความเสี่ยงของผู้รับประกันภัยผ่านตลาด
สินค้ าล่วงหน้ าในสหรัฐอเมริ กา (ตลาดสินค้ าโภคภัณฑ์ลว่ งหน้ าที่ชิคาโก้ และนิวยอร์ ค)
ข้ อมูลบางส่วนเริ่ มทดลองสร้ าง web service เพื่อเผยแพร่และประมวลข้ อมูลผ่านระบบภูมิ
สารสนเทศออน์ไลน์