Dr.Nattapong Puttanapong Faculty of Economics, Thammasat University Thailand

Impacts of Climate Change on Major Crops’

Yields and Thai Economy: The Nationwide Analysis Using Static and Monte-

Carlo Computable General Equilibrium Models

Dr.Nattapong PuttanapongFaculty of Economics, Thammasat University Thailand

1. Background2. Literature Review 3. Models and Results4. Conclusion and Policy

Recommendations5. Extension of the Project

Main Contents

1. BackgroundGlobal statistics : natural disasters have become more frequent and severe

1. BackgroundGlobal statistics : natural disasters have become more frequent and severe

1. Background

1. Background

1. Background

8

Four Main Crops of Thailand

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

World Market Share

34.91%

(Ranked

#1)

70%(Ranked

#1)

9.61% (Ranked #2)

0.31%Office of Agricultural Economics, Ministry of Agriculture

1. Background

1. Background71.1% 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)

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 socio-economic condition. According to its report, the severe drought in that year caused the income problem to 17.9% of all farmer households.

1. Background

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.

1. Background

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

1.Background

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.

2.Literature Reviews

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


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.

2.Literature ReviewsResearch Gap

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.

3.Models and ResultsMain Data

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

3.Models and ResultsCGE Model

3.Models and ResultsMain Structure

Demand SideSupply 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.Models and Results

3.Models and Results

Calibrate the CGE model

Is the base-case result identical to the

actual data

Report an error and stop

No

Yes

Shock the model with stochastic productivity of main crops

Store the simulation result for scenario n

n = N?

Repeat the process

until n = N

No

Analyze the output

Read main crops’ productivity coefficients of scenario n

3.2 Stochastic Simulation (Monte-Carlo Simulation)

Irrigated - Rice

Rain-Fed Rice

Cassava

Sugar Cane

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.Models and ResultsMonte-Carlo Simulation

Distribution Property of Stochastic Shocks (i.e. Crop Yields)

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 yieldStochastic 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%

3.Models and Results3.2 Monte-Carlo Simulation

Volatilities of price and quantity of corn and cassava are higher than those of rice and sugar cane.

Simulation 1 Simulation 2 Simulation

3Simulation

4 Simulation 5

Stochastic shock of rice

yield


yield

Stochastic shock of

cassava yield

Stochastic shock of

sugar cane yield

Stochastic shock of all crop yields

Real GDP (S.D./Mean) 0.327% 0.217% 0.108% 0.021% 0.335%Consumer Price Index (CPI ) (S.D./Mean) 0.395% 0.255% 0.129% 0.018% 0.403%

Total Consumption (S.D./Mean)0.241% 0.205% 0.098% 0.006% 0.275%

Total Export (S.D./Mean) 0.248% 0.162% 0.073% 0.020% 0.249%Total Import (S.D./Mean) 0.048% 0.036% 0.012% 0.006% 0.053%

Total Employment (S.D./Mean)1.963% 1.066% 0.376% 0.091% 1.940%


(2) Impacts on macro variables

• 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

Simulation 1 Simulation 2 Simulation 3 Simulation 4 Simulation 5

Stochastic shock of rice

yield


yield

Stochastic shock of

cassava yield

Stochastic shock of sugar

cane yieldStochastic 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%


(3) Impacts on institutions

• 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.

4.Conclusion and Policy Recommendations

The Design of Crop Insurance Program

5. The Extension of the Project

32

ดร.ณฐพงษ พฒนพงษ ดร.โสมรศม จนทรตนดร.ปรสาร รกวาทนดร.ธนสน ถนอมพงษพนธ

การศกษากลไกการบรหารจดการความเสยงของภาคสวนเกษตรตอสภาวะรนแรงโดยระบบประกนภยพชผล : กรณศกษาระบบเพาะปลกขาว

(งานวจยยงไมเสรจสมบรณ โปรดอยานำาไปใชอางอง)

5. The Extension of the Project

33

วตถประสงค1. การประเมนความเสยหายของการผลตขาวในพนทสำาคญ 2 พนท ไดแก บรเวณทราบ

ลมเจาพระยา และบรเวณทงกลารองไห โดยการศกษาและพฒนาวธการประเมนความเสยหายทเกดจากสภาวะอากาศรนแรงจากการใชขอมลดาวเทยมและเทคโนโลยการรบรระยะไกล (remote sensing) รวมถงการความสมพนธของผลทไดจากการวเคราะหโดยใชเทคโนโลยการรบรระยะไกล (remote sensing) กบขอมลความเสยหายทไดจากการรายงานผานกระบวนการของกระทรวงเกษตรและสหกรณ

2. ศกษาและเสนอแนะแนวทางการพฒนาระบบประกนภยทงดานการวเคราะหคณลกษณะของความเสยง การคำานวณราคาเบยประกน และการบรหารความเสยงของผรบประกนภย โดยใชขอมลความเสยหายทไดจากการรบรระยะไกล (remote sensing) รวมกบการประยกตใชแบบจำาลองผลผลตขาว และวธการทางคณตศาสตรประกนภย

3. ศกษาแนวทางการพฒนาบรหารเงนทนประกนภย โดยการกระจายความเสยงภายในประเทศระหวางพนทปลกขาวบรเวณทราบลมเจาพระยา และบรเวณทงกลารองไห และการกระจายความเสยงในระดบนานาชาตโดยใชเครองมอทางการเงนในตลาดสนคาซอขายลวงหนา หรอในตลาดตราสารทางการเงนอนๆ เชน พนธบตรภยพบต (catastrophe bond) เพอศกษาแนวทางซงนำาไปสระบบประกนภยดานการผลตขาวของประเทศทยงยนในอนาคต

34

กจกรรม 1.1 ขอมลภาพถายดาวเทยมทผานการประมวลผลและ

แสดงพนททประสบความแหงแลงโดยใช VCI,

VTI, และ SVI

35

กจกรรม 1.1 : VCI, VTI และ SVI Index Vegetation Condition Index (VCI) คอ ดชนสภาวะของพชพรรณ โดยจะเกยวของกบสภาพภมอากาศ

ชนดดน และระบบนเวศ ทงนในการคำานวณ VCI จะตองใชขอมลของดาวเทยม Terra MODIS มาคำานวณคาดชนพชพรรณผลตางแบบน

อรแมลไลซ (หรอ NDVI) กอนในเบองตน แลวจงนำาคา NDVI มาคำานวณเปนคาดชน VCI ดงแสดงในสมการตอไปน

• Vegetation – Temperature Condition Index (VTI) เปนดชนทผสมขอมลจาก VCI และ Temperature Condition Index (TCI) ซงคาของ VTI ทคำานวณไดจะแสดงถงสภาวะของพชพรรณ รวมถงการประสบภยแลงของพช ดงทไดนำาเสนอในงานวจยของ สวทย (2554) โดยในงานวจยนไดใชการสรางดชน VTI ดงสมการ

VTI = 0.3* VCI + 0.7 * TCI

• Temperature Condition Index (TCI) คอ กระบวนการแยกสญญาณสภาพอากาศ โดยจะเปนการจดชวงชนบนพนฐานคาสงสดและคาตำาสดของอณภมความสวางในแตละจดตามชวงเวลา (เชน 10 ป)

36

• การคำานวณคา TCI จะใชการรวมคาความสวางของจดภาพสงสด ในชวงเวลา 16 วนของคาอณภมความสวาง คา TCI เปนคาทไดจากการทำาใหเปนบรรทดฐานดวยคาสงสด และคาตำาสดของคาอณภมความสวางในหลายป

ในสวนของดชน Standardized Vegetation Index (SVI) จะเปนการคำานวณหาคาดชนบงชสภาวะของพชโดยการหาผลตางของวนทสำารวจกบคาเฉลยของดชนพรรณพช ณ ตำาแหนงดงกลาว และหารผลตางดงกลาวดวยคาเบยงเบนมาตรฐานของชดขอมลดชนพรรณพชในชวงเวลาทงหมด โดยมรปแบบของการคำานวณดงน

โดยท BT คอ คาอณหภมความสวาง ราย 16 วน

𝑆𝑉𝐼 𝑖 , 𝑡=𝑁𝐷𝑉𝐼 𝑖 , 𝑡−𝑁𝐷𝑉𝐼 𝑖 𝑆 .𝐷 .𝑜𝑓 𝑁𝐷𝑉𝐼𝑖

โดยท NDVIi,t คอ คาดชนพชพรรณ (Normalized Different Vegetation Index)

370

0.2

0.4

0.6

0.8

1

1.2

Avg_2000

Avg_2001

Avg_2002

Avg_2003

Avg_2004

Avg_2005

Avg_2006

Avg_2007

Avg_2008

Avg_2009

Avg_2010

Avg_2011

Avg_2012

-30

-20

-10

0

10

20

30

40600700800900

100011001200130014001500

VTI

VCI

SVI

BuriRam

VTI SVI VCIVTI 1.0 0.20

80.35

6SVI

1.0 0.170

VCI

1.0

Correlation among drought indexes

38

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

600700800900

100011001200130014001500

2000200120022003200420052006200720082009201020112012

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

0

0.2

0.4

0.6

0.8

1

1.2

VTI

VCI

SVI

Kalasin


40.24

8SVI

1.0 0.162

VCI

1.0


39

Avg_2000

Avg_2001

Avg_2002

Avg_2003

Avg_2004

Avg_2005

Avg_2006

Avg_2007

Avg_2008

Avg_2009

Avg_2010

Avg_2011

Avg_2012

-30

-20

-10

0

10

20

30

40

2001200220032004200520062007200820092010201120120

0.2

0.4

0.6

0.8

1

1.2

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012700800900

100011001200130014001500

MahasarakamVTI

VCI

SVI


60.26

5SVI

1.0 0.206

VCI

1.0


40

Avg_2000

Avg_2001

Avg_2002

Avg_2003

Avg_2004

Avg_2005

Avg_2006

Avg_2007

Avg_2008

Avg_2009

Avg_2010

Avg_2011

Avg_2012

-40

-30

-20

-10

0

10

20

30

40

2001200220032004200520062007200820092010201120120

0.2

0.4

0.6

0.8

1

1.2

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012700800900

1000110012001300140015001600

SurinVTI

VCI

SVI


80.35

2SVI

1.0 0.206

VCI

1.0


41

กจกรรม 2.1 การนำาขอมลทไดจากเทคโนโลยการรบรระยะ

ไกล(remote sensing) และขอมลสภาพอากาศ รวมกบขอมลความเสยหายของการปลกขาวทเกดขนจากภย

แลงและอทกภย(จดเกบโดยกระทรวงเกษตรฯ)

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) กรมสงเสรมการเกษตร (ทงประเทศ) (2) กรมสงเสรมการเกษตร (รายจงหวด) (3) สำานกงานเศรษฐกจการเกษตร (สำารวจรายครวเรอน) (4) สำานกงานสถตแหงชาต(สำารวจรายครวเรอน)

DroughtRainfall data : (1) TMD Rain Stations (Ground data)(2) TRMM (Remote Sensing)


Loss report : (1) กรมสงเสรมการเกษตร (โดยรวมทงประเทศและรายจงหวด) (2) สำานกงานเศรษฐกจการเกษตร (สำารวจรายครวเรอน) (3) สำานกงานสถตแหงชาต(สำารวจรายครวเรอน)

Analysis #1: TMD and TRMM

Drought Analysis #1: TRMM and TMD’s Rain

Stations

Cumulative Data (2-Week)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

0

50

100

150

200

250

300

350

TMD Rain StationTRMM

Latitude LongitudeTRMM: 17.25 103.5TMD: 17.25 103.28

SAKON NAKORNCorrelation : 0.617

Cumulative Data (3-Week)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

0

50

100

150

200

250

300

350

TMD Rain Station

TRMM Latitude LongitudeTRMM: 17.25 103.5TMD: 17.25 103.28

SAKON NAKORNCorrelation : 0.859

Drought Analysis #2: TRMM and SVI

DroughtRainfall data : (1) TMD Rain Stations (Ground data)(2) TRMM (Remote Sensing)


Loss report : (1) กรมสงเสรมการเกษตร (โดยรวมทงประเทศและรายจงหวด) (2) สำานกงานเศรษฐกจการเกษตร (สำารวจรายครวเรอน) (3) สำานกงานสถตแหงชาต(สำารวจรายครวเรอน)

Analysis #2: TRMM and SVI

TRMM and SVI – Selected Tambon in Buriram

-1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4

-10

-5

0

5

10

15

20

25Standardized Difference of TRMM

SVI (Standardized Vegetation Index)

รอยละของจำานวนตำาบลทมระดบคา Correlation ระหวาง TRMM และ SVI ในชวงตางๆ

< 0 .0 0.0-0.25

0.25-0.5

0.5-0.75

0.75-1.0

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%

5.71%

2.86%

Drought Analysis #3: SVI and ความเสย

หายโดยรวมจากภยแลง

DroughtRainfall : (1) TMD Rain Stations (Ground data)(2) TRMM (Remote Sensing)


Loss Report : (1) กรมสงเสรมการเกษตร (ความเสยหายโดยรวมและรายจงหวด) (2) สำานกงานเศรษฐกจการเกษตร (สำารวจรายครวเรอน) (3) สำานกงานสถตแหงชาต(สำารวจรายครวเรอน)

Analysis #3: SVI and ความเสยหายโดยรวม

53

ความสมพนธระหวางพนทประสบภยแลงกบ SVI

2000200120022003200420052006200720082009201020112012

-25

-20

-15

-10

-5

0

5

10

15

20

0

2,000,000

4,000,000

6,000,000

8,000,000

10,000,000

12,000,000

14,000,000

16,000,000

TOTAL DROUGHT AREAS BURIRAM KALASIN MAHA SARAKHAM ROI ET SURINYASOTHON

Drought areas (rai)SVI Value

54

จงหวด คาสหสมพนธระหวางพนทประสบภยแลงโดยรวมและ SVI เฉลยของ

จงหวด

KALASIN -0.603MAHA SARAKHAM -0.672ROI ET -0.632SURIN -0.736YASOTHON -0.680KALASIN -0.603

FloodAnalysis #1: SVI and ความเสยหาย

พนทการเกษตรโดยรวมจากอทกภย

Flood

Flooded Area (Remote Sensing) : (1) Radarsat – verified with ground truth by GISTDA

Vegetation Index (Remote Sensing) : (1) SVI – Standardized Vegetation Index

Loss report : (1) กรมสงเสรมการเกษตร (รายจงหวด) (2) สำานกงานเศรษฐกจการเกษตร (สำารวจรายครวเรอน) (3) สำานกงานสถตแหงชาต(สำารวจรายครวเรอน)

Analysis #1 : SVI and ความเสยหายทางการเกษตรจากนำาทวม

SVI (First Week of October) : AngThong Province (Tambon’s Average )

2544

2545

2546

2547

2548

2549

2550

2551

2552

2553

2554

2555

-12

-10

-8

-6

-4

-2

0

2

4Bang 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

Aggregated SVI (weighted by planted areas) : AngThong

2544 2545 2546 2547 2548 2549 2550 2551 2552 2553 2554 2555

-600

-500

-400

-300

-200

-100

0

SVI and ground report : AngThongLoss as % of the total planted areas

-600 -500 -400 -300 -200 -100 00

5

10

15

20

25

30

35

2544

2545

254625472548

2549

2550

2551

2552

2553

2554

2555

Sum of SVI (weighted by planted area)

SVI and ground report : Chai Nart

-500 -400 -300 -200 -100 0 1000

5

10

15

20

25

30

35

2544

2545

2546

2547

2548

2549

2550

2551

2552

2553

2554

2555

Loss as % of the total planted areas


SVI and ground report :Ayutthaya

-1200 -1000 -800 -600 -400 -200 0 2000

5

10

15

20

25

30

35

2544

2545

254625472548

2549

2550

2551

2552

2553

2554

2555



SVI and ground report : Lop Buri

-1000 -800 -600 -400 -200 0 200 4000

5

10

15

20

25

30

35

2544

2545

254625472548

2549

2550

25512552

2553

2554

2555



ขอมลจากดาวเทยม MODIS ซงเปนขอมลท NASA เผยแพรโดยไมคดคาใชจายสามารถนำามาใชประยกตในการตดตามพนทการเกษตรทเสยหายจากภยแลงและนำาทวมในประเทศไทยได (ความละเอยด 250 * 250 เมตร)

นอกจากนขอมลจากดาวเทยม MODIS ยงสามารถแสดงวนเรมปลกและวนเรมเกบเกยวของนาขาวทวประเทศไทยได (ความละเอยด 250 * 250 เมตร)

ขอมลจากดาวเทยม TRMM ซงเปนขอมลทเผยแพรโดยไมคดคาใชจายสามารถนำามาใชเปนขอมลปรมาณนำาฝนของทกบรเวณทวประเทศไทยได ซงจะเปนประโยชนอยางยงตอการศกษาเกยวกบผลกระทบของภมอากาศกบผลผลตการเกษตรและสถานะทางเศรษฐกจของเกษตรกร

มการกำาหนดแนวทางการวจยและพฒนาตอเนองเพอปรบปรงคณภาพของขอมล ซงไดรบสญญาณรบกวนจากเมฆ ฝน และรงสตางๆ

ผวจยกำาลงอยในระหวางการประมาณการเพอคำานวณมลคาเบยประกนภย ผวจยพบวามความเปนไปไดในการ Hedge เพอปกปองความเสยงของผรบประกนภยผาน

ตลาดสนคาลวงหนาในสหรฐอเมรกา (ตลาดสนคาโภคภณฑลวงหนาทชคาโกและนวยอรค) ขอมลบางสวนเรมทดลองสราง web service เพอเผยแพรและประมวลขอมลผานระบบ

ภมสารสนเทศออนไลน

ขอสรปผลการดำาเนนงาน ณ ปจจบน

Documents

Dr.Nattapong Puttanapong Faculty of Economics, Thammasat University Thailand