การพยากรณ์ปริมาณฝุ่นละออง PM2.5 ในจังหวัดนครสวรรค์ ด้วยเทคนิคการเรียนรู้ของเครื่อง
คำสำคัญ:
ฝุ่นละออง PM2.5, การเรียนรู้ของเครื่อง, เทคนิคการถดถอยเชิงเส้น, เทคนิคโครงข่ายประสาทเทียม, เทคนิคการสุ่มป่าไม้บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์ปริมาณฝุ่นละอองขนาดเล็กกว่า 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ โดยใช้เทคนิคการเรียนรู้ของเครื่อง 3 เทคนิค ได้แก่ เทคนิคการถดถอยเชิงเส้น (Linear Regression: LR) เทคนิคโครงข่ายประสาทเทียม (Artificial Neural Network: ANN) และเทคนิคการสุ่มป่าไม้ (Random Forest: RF) ข้อมูลที่ใช้ประกอบด้วยปัจจัย 9 ตัวแปร ซึ่งเก็บรวบรวมจากสถานีตรวจคุณภาพอากาศในพื้นที่โครงการชลประทานนครสวรรค์ ระหว่างเดือนมกราคม พ.ศ. 2563 ถึงเดือนธันวาคม พ.ศ. 2565 ผลการวิจัยแสดงให้เห็นว่า เทคนิคการสุ่มป่าไม้ (RF) มีประสิทธิภาพสูงสุดในการพยากรณ์ โดยมีค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) เท่ากับ 18.96 ค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสอง (RMSE) เท่ากับ 4.35 และสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.83 การใช้ตัวแบบพยากรณ์นี้ช่วยให้หน่วยงานภาครัฐสามารถวางแผนเชิงรุกเพื่อจัดการมลพิษทางอากาศและลดผลกระทบต่อสุขภาพของประชาชนได้อย่างมีประสิทธิภาพ
References
สมพร จันทระ, ชาคริต โชติอมรศักดิ์, & ว่าน วิริยา. (2561). การติดตามตรวจสอบการเผาในที่โล่งใน ภาคเหนือของประเทศไทย สำหรับการประเมินการปล่อยและการเคลื่อนที่ของมลพิษทาง อากาศเพื่อการวางแผนการจัดการปัญหาหมอกควัน. รายงานวิจัยฉบับสมบูรณ์. สำนักงานกองทุนสนับสนุนการวิจัย (สกว.).
วรนารา ชนะบวรสกุล, เสรีย์ ตู้ประกาย, ปิยะรัตน์ ปรีย์มาโนช, & มงคล รัชชะ. (2566). ความสัมพันธ์ระหว่างค่ามลพิษฝุ่นละออง PM2.5กับโรคระบบทางเดินหายใจ และโรคหัวใจหลอดเลือด : กรณีศึกษาพื้นที่กรุงเทพมหานครและจังหวัดนครสวรรค์. วารสารวิจัย วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา, 8(1), 61-72.
Karimian, H., Li, Q., Wu, C., Qi, Y., Mo, Y., Chen, G., Zhang, X., & Sachdeva, S. (2019). Evaluation of Different Machine Learning Approaches to Forecasting PM2.5 Mass Concentrations. Aerosol Air Qual. Res. 19: 1400-1410. https://doi.org/10.4209/aaqr.2018.12.0450
กฤติกา ทิพย์คำมี, อนุพงศ์ สุขประเสริฐ, สุพัตรา กอผจญ, & ณัฐกานต์ ชุติมารังสรรค. (2566). ประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง สำหรับการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ. วารสารวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม มหาวิทยาลัยกาฬสินธุ, 2(1), 58-74.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis (5th ed.). Wiley.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Granata, F., Saroli, M., de Marinis, G., & Gargano, R. (2018). Machine learning models for spring discharge forecasting. Geofluids, 2018, 1-15.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: With applications in R. Springer.
Draper, N. R., & Smith, H. (1998). Applied regression analysis (3rd ed.). Wiley.
Breiman, L. (2001). "Random Forests." Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
หมวดหมู่
License
Copyright (c) 2024 วารสารวิชาการวิทยาศาสตร์และวิทยาศาสตร์ประยุกต์
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความวิชาการ/บทความวิจัยที่ได้ตอบรับการตีพิมพ์ถือเป็นลัขสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยราชภัฏอุตรดิตถ์
