|
การพัฒนาแบบจำลองเพื่อพยากรณ์ปริมาณฝุ่นละออง PM2.5 โดยใช้เทคนิคการเรียนรู้ของเครื่อง: กรณีศึกษาประเทศไทย |
|---|---|
| รหัสดีโอไอ | |
| Creator | ณิฏะญาร์ บรรเทา |
| Title | การพัฒนาแบบจำลองเพื่อพยากรณ์ปริมาณฝุ่นละออง PM2.5 โดยใช้เทคนิคการเรียนรู้ของเครื่อง: กรณีศึกษาประเทศไทย |
| Contributor | พูนศักดิ์ ศิริโสม, ปรมาภรณ์ แสงภารา, วริดา พลาศรี, อุเทน จิณโรจน์, รดา สมเขื่อน |
| Publisher | คณะเทคโนโลยีการเกษตร มหาวิทยาลัยราชภัฏมหาสารคาม |
| Publication Year | 2569 |
| Journal Title | วารสารเกษตรพระวรุณ |
| Journal Vol. | 23 |
| Journal No. | 1 |
| Page no. | 1-15 |
| Keyword | ฝุ่นละอองขนาดเล็กไม่เกิน 2.5 ไมครอน (PM2.5), การเรียนรู้ของเครื่อง, แบบจำลอง, สิ่งแวดล้อม, การเกษตร |
| URL Website | https://li01.tci-thaijo.org/index.php/pajrmu/index |
| Website title | วารสารเกษตรพระวรุณ |
| ISSN | 3088-1196 |
| Abstract | ฝุ่นละอองขนาดเล็กไม่เกิน 2.5 ไมครอน (PM2.5) เป็นปัญหาสำคัญที่ส่งผลกระทบต่อสุขภาพ สิ่งแวดล้อม และภาคการเกษตรของประเทศไทย โดยเฉพาะในช่วงฤดูแล้งที่ระดับฝุ่นมักเกินค่ามาตรฐาน งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองสำหรับการพยากรณ์ (Forecasting Model) ค่าฝุ่น PM2.5 โดยเปรียบเทียบวิธีการพยากรณ์อนุกรมเวลา (Time Series Forecasting Methods) ได้แก่ วิธีโฮลท์–วินเทอร์ส (Holt–Winters) และเออาร์ไอม่า (ARIMA) กับเทคนิคการเรียนรู้ของเครื่อง (Machine Learning Techniques) ได้แก่ เรนดอมฟอเรสต์ (Random Forest) และซัพพอร์ตเวกเตอร์รีเกรสชัน (Support Vector Regression: SVR) ใช้ข้อมูลรายเดือนจากกรุงเทพมหานคร เชียงใหม่ ขอนแก่น และสงขลา ครอบคลุมช่วงปี พ.ศ. 2561–2567 โดยแบ่งข้อมูลตามลำดับเวลาเป็นชุดฝึก (Training Set) และชุดทดสอบ (Test Set) ในสัดส่วน 80:20 และประเมินความแม่นยำด้วยตัวชี้วัด รากที่สองของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Squared Error: RMSE) และค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Error: MAE) ผลการศึกษาพบว่าเรนดอมฟอเรสต์ (Random Forest) ให้ค่าความคลาดเคลื่อนต่ำที่สุดในทุกพื้นที่ โดยเฉพาะจังหวัดที่มีความผันผวนสูง เช่น เชียงใหม่และขอนแก่น ขณะที่เอสวีอาร์ (SVR) ให้ผลลัพธ์แม่นยำน้อยกว่า แบบจำลองอนุกรมเวลา (Time Series Models) ยังคงให้ผลลัพธ์ที่ดีในพื้นที่ที่ข้อมูลมีความต่อเนื่อง เช่น สงขลา โดยปัจจัยสำคัญที่มีผลต่อความแม่นยำของแบบจำลอง ได้แก่ ตัวแปรแบบหน่วงเวลา (Lag Variables) และค่าเฉลี่ยเคลื่อนที่ (Moving Average) แบบจำลองที่พัฒนาขึ้น โดยเฉพาะเรนดอมฟอเรสต์ (Random Forest) แสดงศักยภาพสูงในการนำไปประยุกต์ใช้เป็นระบบแจ้งเตือนคุณภาพอากาศ (Air Quality Alert System) และสนับสนุนการตัดสินใจเชิงนโยบายด้านสิ่งแวดล้อมและภาคการเกษตรอย่างยั่งยืน |
