Forecasting of PM2.5 in Nakhon Sawan Province Using Machine Learning Techniques
Keywords:
PM2.5, Machine Learning, Linear Regression, Artificial Neural Network, Random ForestAbstract
This research aims to forecast the concentration of fine particulate matter (PM2.5) in Nakhon Sawan Province using three machine learning techniques: Linear Regression (LR) Artificial Neural Network (ANN) and Random Forest (RF). The dataset consists of 9 variables, collected from the air quality monitoring station in the Nakhon Sawan Irrigation Project from January 2020 to December 2022. The findings indicate that the Random Forest (RF) technique outperforms the other models, achieving a Mean Squared Error (MSE) of 18.96, a Root Mean Squared Error (RMSE) of 4.35, and a Coefficient of Determination (R2) of 0.83. This forecasting model provides a valuable tool for governmental agencies to proactively manage air pollution and mitigate its adverse effects on public health.
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
Published
How to Cite
Issue
Section
Categories
License
Copyright (c) 2024 Academic Journal of Science and Applied Science
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Academic articles/research papers accepted for publication are considered copyrights of the Faculty of Science and Technology, Uttaradit Rajabhat University.
