| รหัสโครงการ : | R000000663 |
| ชื่อโครงการ (ภาษาไทย) : | การทำนายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ ด้วยแบบจำลองการเรียนรู้ของเครื่อง |
| ชื่อโครงการ (ภาษาอังกฤษ) : | Particulate Matter PM2.5 Prediction in Nakhon sawan Province Using Machine Learning Model |
| คำสำคัญของโครงการ(Keyword) : | แบบจำลองการเรียนรู้ของเครื่อง, ฝุ่นละออง, มลพิษทางอากาศ |
| หน่วยงานเจ้าของโครงการ : | คณะวิทยาศาสตร์และเทคโนโลยี > ภาควิชาวิทยาศาสตร์ประยุกต์ สาขาวิชาคอมพิวเตอร์ และเทคโนโลยีสารสนเทศ |
| ลักษณะโครงการวิจัย : | โครงการวิจัยเดี่ยว |
| ลักษณะย่อยโครงการวิจัย : | ไม่อยู่ภายใต้แผนงานวิจัย/ชุดโครงการวิจัย |
| ประเภทโครงการ : | โครงการวิจัยใหม่ |
| สถานะของโครงการ : | propersal |
| งบประมาณที่เสนอขอ : | 76000 |
| งบประมาณทั้งโครงการ : | 76,000.00 บาท |
| วันเริ่มต้นโครงการ : | 18 มีนาคม 2567 |
| วันสิ้นสุดโครงการ : | 17 มีนาคม 2568 |
| ประเภทของโครงการ : | งานวิจัยประยุกต์ |
| กลุ่มสาขาวิชาการ : | วิศวกรรมศาสตร์และเทคโนโลยี |
| สาขาวิชาการ : | สาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์ |
| กลุ่มวิชาการ : | วิทยาการคอมพิวเตอร์ |
| ลักษณะโครงการวิจัย : | ระดับชาติ |
| สะท้อนถึงการใช้ความรู้เชิงอัตลักษณ์ : | ไม่สะท้อนถึงการใช้ความรู้เชิงอัตลักษณ์ |
| สร้างความร่วมมือประหว่างประเทศ GMS : | ไม่สร้างความร่วมมือทางการวิจัยระหว่างประเทศ |
| นำไปใช้ในการพัฒนาคุณภาพการศึกษา : | นำไปใช้ประโยชน์ในการพัฒนาณภาพการศึกษา |
| เกิดจากความร่วมมือกับภาคการผลิต : | ไม่เกิดจากความร่วมมือกับภาคการผลิต |
| ความสำคัญและที่มาของปัญหา : | ที่ทำการวิจัย ด้วยการพัฒนาอุตสาหกรรมและเศรษฐกิจอย่างรวดเร็ว ปัญหาสิ่งแวดล้อมของเมือง (โดยเฉพาะเมืองใหญ่) มีสูงขึ้น ปัญหามลพิษทางอากาศซึ่งเป็นปัญหาสำคัญของมลภาวะต่อสิ่งแวดล้อม ส่งผลกระทบต่อสุขภาพของมนุษย์ ปัญหาหนึ่งของมลพิษทางอากาศคือการสัมผัสกับฝุ่นละอองขนาดเล็ก (PM2.5) สาเหตุดังกล่าวล้วนเกิดมาจากพฤติกรรม กิจกรรมต่าง ๆ ของมนุษย์ทั้งสิ้น มลพิษทางอากาศยังส่งผลกระทบต่อสุขภาพของประชาชนในพื้นที่ทั้งในระยะสั้น และระยะยาว เนื่องจากองค์การอนามัยโลกได้มีรายงานเมื่อเดือนมีนาคม พ.ศ. 2557 อย่างชัดเจนว่าฝุ่นละอองขนาดเล็กก่อให้เกิดผลกระทบต่อสุขภาพของประชาชน ทั้งโรคระบบทางเดินหายใจ โรคปอดติดเชื้อ โรคปอดอุดกั้นเรื้อรัง โรคหัวใจและหลอดเลือด โรคมะเร็ง และสุขภาพ อนามัยแม่และเด็ก เป็นต้น โดยกลุ่มเสี่ยง เช่น เด็ก ผู้สูงอายุ ผู้มีรายได้น้อย เป็นกลุ่มที่ต้องให้การดูแลเป็นพิเศษ ในแต่ละปีมีผู้เสียชีวิตจากปัญหามลพิษทางอากาศทั่วโลกถึง 7 ล้านคน (1 ใน 8 ของการเสียชีวิตทั่วโลก) ในปี 2563 ภาพรวมคุณภาพอากาศดีขึ้นกว่าปีที่ผ่านมา สาเหตุเนื่องมาจากการขับเคลื่อนการดำเนินงานของหน่วยงานที่เกี่ยวข้องตามแผนปฏิบัติการขับเคลื่อนวาระแห่งชาติ “การแก้ไขปัญหามลพิษด้านฝุ่นละออง” ประกอบกับสถานการณ์การแพร่ระบาดของโรคติดเชื้อไวรัสโคโรน่า 2019 ทำให้กิจกรรมอันก่อให้เกิดมลพิษทางอากาศลดลงในทุกภาคส่วน โดยเฉพาะในภาคการจราจรขนส่ง โดยปริมาณการใช้น้ำมันสำเร็จรูปของประเทศ ในปี 2563 ลดลงจากปีก่อนหน้าร้อยละ 12 การใช้พลังงานไฟฟ้าลดลงร้อยละ 3 การเผาในที่โล่งลดลง โดยตรวจพบ จุดความร้อนลดลงร้อยละ 7 ภาคอุตสาหกรรมลดกำลังการผลิต และปิดกิจการเพิ่มมากขึ้นต่อเนื่องมาจาก สภาพเศรษฐกิจของโลกที่ขยายตัวลดลง อย่างไรก็ตามมลพิษทางอากาศที่ยังเกินค่ามาตรฐาน ได้แก่ ฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ฝุ่นละอองขนาดไม่เกิน 10 ไมครอน (PM10) ก๊าซโอโซน (O3) และสารอินทรีย์ระเหยง่าย (VOCs) (กรมควบคุมมลพิษ, 2563) ในช่วงวันที่ 16-20 มกราคม 2564 พบว่าคุณภาพอากาศเริ่มมีผลกระทบต่อสุขภาพของประชาชน รวมทั้งในพื้นที่จังหวัดนครสวรรค์ โดยเกิดจุดความร้อนสะสมสูงสุดในพื้นที่ 3 อำเภอ ได้แก่ อำเภอไพศาลี จำนวน 133 จุด อำเภอท่าตะโก จำนวน 124 จุดและอำเภอหนองบัว จำนวน 113 จุด (สำนักงานประชาสัมพันธ์จังหวัดนครสวรรค์ ,2564) อย่างไรก็ตาม แม้จะมีความสำคัญของแบบจำลองในการพยากรณ์มลพิษทางอากาศ แต่มีข้อจำกัดที่จะระบุลักษณะเฉพาะที่เกิดจากปรากฏการณ์ทางธรรมชาติที่ไม่ใช่เชิงเส้นได้อย่างมีประสิทธิภาพ ในทางตรงข้ามวิธีการเรียนรู้ของเครื่อง เช่น โครงข่ายประสาทเทียม (Artificial Neural Network: ANN) และซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machines: SVM) ให้การคาดการณ์ที่รวดเร็วขึ้น แม่นยำยิ่งขึ้น และง่ายต่อการดำเนินการกับข้อมูลหลายมิติ จำนวนของการศึกษาประสบความสำเร็จในการใช้แนวทางการเรียนรู้ของเครื่องในการพยากรณ์มลพิษทางอากาศ ตัวอย่างเช่น Moisan et เปรียบเทียบประสิทธิภาพของแบบจำลองสมการพหุคูณแบบไดนามิก (DME) ในการคาดการณ์ความเข้มข้นของ PM2.5 ด้วย ANN และ ARIMAX สรุปได้ว่า ANN มีประสิทธิภาพโดยรวมของโมเดลดีกว่า DME ในการศึกษาของ Suleiman et ประเมินและเปรียบเทียบกลยุทธ์การควบคุมคุณภาพอากาศสามกลยุทธ์ รวมถึงการสนับสนุน ซัพพอร์ตเวกเตอร์แมชชีน (SVM), โครงข่ายประสาทเทียม (ANN) และ Boosted Regression Trees (BRT) สำหรับการพยากรณ์และควบคุมฝุ่นละออง PM10 และ PM2.5 ริมถนน พบว่า ANN และ BRT เป็นแบบจำลองที่ใช้แสดงประสิทธิภาพการทำนายที่ดีกว่าเมื่อเทียบกับแบบจำลอง SVM สำหรับการพยากรณ์ PM10 ในขณะที่โมเดลมีแนวโน้มที่จะมีประสิทธิภาพต่ำกว่าเล็กน้อยสำหรับการพยากรณ์ PM2.5 ดังนั้น ผู้วิจัยจึงสนใจการทำนายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ ด้วยแบบจำลองการเรียนรู้ของเครื่อง เพื่อนำผลการวิเคราะห์ครั้งนี้เสนอต่อหน่วยงานที่เกี่ยวข้องหรืออาจเป็นประโยชน์ต?อประชาชนที่อาศัยในจังหวัดนครสวรรค์ เพื่อใช้เป็นแนวทางในการป้องกันและแก?ไขปัญหาเกี่ยวกับฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ต่อไป |
| จุดเด่นของโครงการ : | - |
| วัตถุประสงค์ของโครงการ : | 1. เพื่อสร้างแบบจำลองสำหรับการทำนายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ ด้วยแบบจำลองการเรียนรู้ของเครื่อง
2. เพื่อเปรียบเทียบประสิทธิภาพและหาตัวแบบที่เหมาะสมที่สุดสำหรับการพยากรณ์ปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5)
3. เพื่อสนับสนุนการตัดสินใจในระบบปฏิบัติการของสำนักงานทรัพยากรธรรมชาติและสิ่งแวดล้อมจังหวัดนครสวรรค์ ในวิธีการทำนายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) |
| ขอบเขตของโครงการ : | งานวิจัยนี้ได้ใช้ชุดข้อมูลที่ได้จากการเก็บรวบรวมข้อมูลปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ของจังหวัดนครสวรรค์ จากกรมควบคุมมลพิษและกรมอุตุนิยมวิทยา และ โดยเก็บข้อมูลเป็นรายเดือนตั้งแต่เดือน พฤศจิกายน พ.ศ. 2561 ถึง ปี พฤศจิกายน พ.ศ. 2566 เป็นข้อมูลทุติยภูมิ ได้แก่ ข้อมูลฝุ่นละอองขนาดไม่เกิน 10 ไมครอน (PM) ก๊าซคาร์บอนมอนอกไซด์ (CO) ก๊าซไนโตรเจนไดออกไซด์ (NO2) ก๊าซซัลเฟอร์ไดออกไซด์ (SO2) ก๊าซโอโซน (O3) ความเร็วลม (Wind Speed) ทิศทางลม (Wind Direction) อุณหภูมิ (Temp) ความชื้นสัมพัทธ์ (Relative Humidity) ความกดอากาศ (Pressure) และปริมาณน้ำฝน (Rain) |
| ผลที่คาดว่าจะได้รับ : | 1. ได้ตัวแบบจำลองที่เหมาะสมสำหรับการทำนายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ 2. สามารถนำแบบจำลองไปใช้กำหนดมาตรการในการป้องกันและแก?ไขปัญหาเกี่ยวกับฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ได้ 3. สามารถช่วยสนับสนุนการตัดสินใจในระบบปฏิบัติการของสำนักงานทรัพยากรธรรมชาติและสิ่งแวดล้อมจังหวัดนครสวรรค์ |
| การทบทวนวรรณกรรม/สารสนเทศ : | - |
| ทฤษฎี สมมุติฐาน กรอบแนวความคิด : | 1. การเรียนรู้ของเครื่อง (Machine Learning)
เป็นการทำให้ระบบคอมพิวเตอร์เรียนรู้ได้ด้วยตนเอง โดยใช้ ข้อมูล เป็นระบบที่สามารถเรียนรู้ได้จากตัวอย่างด้วยตนเองโดยปราศจากการป้อนคำสั่งของโปรแกรมเมอร์ ความก้าวหน้านี้มาพร้อมกับความคิดที่ว่าเครื่องคอมพิวเตอร์สามารถเรียนรู้เพียงแค่จากข้อมูลอย่างเดียวเพื่อที่จะผลิตผลลัพธ์ที่แม่นยำออกมาได้ Machine Learning ประกอบด้วยข้อมูลและเครื่องมือทางสถิติเพื่อทำนายผลลัพธ์ออกมา ผลลัพธ์ในที่นี้จะถูกใช้เพื่อทำประโยชน์กับองค์กรเชิงลึกต่อไป Machine Learning เกี่ยวข้องอย่างมากกับ การทำเหมืองข้อมูล (Data mining) และ โมเดลการทำนายของ Bayes ( Bayesian predictive models) เครื่องคอมพิวเตอร์จะรับข้อมูลเข้ามาและใช้อัลกอริทึมเพื่อหาคำตอบนั้น งานของ Machine Learning โดยทั่วไปจะเป็นการคอยสนับสนุนด้านการแนะนำ (provide a recommendation ) สำหรับคนที่เป็นสมาชิกของ Netflix ,ทุกคำแนะนำหนังหรือซีรี่ต่าง ๆ ขึ้นอยู่กับข้อมูลในการเข้าชมของผู้ใช้ที่ผ่านมา บริษัทเทคโนโลยีกำลังใช้วิธี การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) เพื่อปรับปรุงตามประสบการณ์ของผู้ใช้และการแนะนำส่วนบุคคล Machine Learning ยังถูกใช้กับงานหลากหลายด้าน เช่น การตรวจจับการฉ้อโกง ( Fraud detection ) การพยากรณ์เพื่อปรับปรุงแก้ไข (Predictive Maintenance) การเพิ่มประสิทธิภาพในการถือหุ้น (Portfolio optimization) การทำงานอัตโนมัติ และอื่น ๆ
2. แบบจำลองการเรียนรู้ของเครื่อง (Machine Learning Model)
ผู้วิจัยได้ศึกษาเอกสารและงานวิจัยที่เกี่ยวข้อง ที่ใช้แบบจำลองการเรียนรู้ของเครื่องในการทำนานปริมาณฝุ่น พบว่า เทคนิคที่นิยมใช้ในการวิเคราะห์ข้อมูลและการประมวลผล ได้แก่ เทคนิคโครงข่ายประสาทเทียม (Artificial Neural Networks: ANN) เทคนิควิธีซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine : SVM) และแบบจำลองหน่วยความจำระยะสั้นแบบยาว (Long Short-Term Memory)
2.1 เทคนิคโครงข่ายประสาทเทียม (Artificial Neural Networks: ANN) เป็นวิธีที่จำลองโมเดลทางคณิตศาสตร์หรือโมเดลทางคอมพิวเตอร์สำหรับประมวลผลสารสนเทศด้วยการคำนวณแบบคอนเนคชันนิสต์ (Connectionist) แนวคิดเริ่มต้นของเทคนิคนี้ได้มาจากการศึกษาโครงข่ายไฟฟ้าชีวภาพ (Bioelectric network) ในสมอง ซึ่งประกอบด้วย เซลล์ประสาท (Neurons) และ จุดประสานประสาท (Synapses) ด้วยวัตถุประสงค์ที่จะสร้างเครื่องมือซึ่งมีความสามารถในการเรียนรู้การจดจำรูปแบบ (Pattern Recognition) และการสร้างความรู้ใหม่ (Knowledge Extraction) (อนุพงศ์ สุขประเสริฐ, 2562)
2.2 เทคนิควิธีซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine : SVM) เป็นวิธีที่สร้างสมการที่ใช้ในการจำแนกค่าคุณลักษณะของสองกลุ่มที่วางตัวอยู่ในพื้นที่คุณลักษณะ (Feature Space) ออกจากกันโดยจะสร้างเส้นแบ่ง (Plane) ที่เป็นเส้นตรงขึ้นมา และเพื่อให้ทราบว่าเส้นตรงที่แบ่งสองกลุ่มออกจากกันนั้น เส้นตรงใดเป็นเส้นตรงที่ดีที่สุดโดยเส้นตรงนั้นก็จะถูกเพิ่มเส้นขอบ (Margin) ออกไปทั้งสองข้าง โดยเส้นขอบที่เพิ่มนั้น จะขนานกับเส้นเดิมเสมอ เส้นขอบที่เพิ่มมานี้จะขยายออกไปจนกว่าจะสัมผัสกับค่าของกลุ่มตัวอย่างที่ใกล้ที่สุด (วีรศักดิ์ ฟองเงิน และคณะ, 2560)
2.3 แบบจำลองหน่วยความจำระยะสั้นแบบยาว (Long Short-Term Memory) เป็นแบบจำลองที่พัฒนามาจากเครือข่ายประสาทเทียมตัวเดิม คือ Recurrent Neural Network (RNN) โดยที่ แบบจำลองหน่วยความจำระยะสั้นแบบยาวจะเข้ามาแก้ไขปัญหา Vanishing Gradient และ ปัญหา Exploding Gradientของ RNN และแบบจำลองหน่วยความจำระยะสั้นแบบยาวสามารถจดจำ (Memory) สถานะของแต่ละโหนดทำให้สามารถย้อนกลับไปหาค่าที่แท้จริงของเดิมได้ ยังมีประตู (Gate) ที่ทำหน้าที่ในการตัดสินใจว่าจะให้ข้อมูลนั้นผ่านไปได้หรือไม่
|
| วิธีการดำเนินการวิจัย และสถานที่ทำการทดลอง/เก็บข้อมูล : | งานวิจัยนี้เป็นการทำนายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ ด้วยแบบจำลองการเรียนรู้ของเครื่อง โดยดำเนินการวิจัยตามขั้นตอน 4 ขั้นตอนดังนี้ 1. ศึกษาทฤษฎีและงานวิจัยที่เกี่ยวข้อง 2. เก็บรวบรวมข้อมูลจากกรมควบคุมมลพิษและกรมอุตุนิยมวิทยา โดยเก็บข้อมูลเป็นรายเดือนตั้งแต่ปี เดือน พฤศจิกายน พ.ศ. 2561 ถึง ปี พฤศจิกายน พ.ศ. 2566 3. ดำเนินการตามรูปแบบของ CRISP-DM 4. สรุปผลและจัดทำเอกสาร เผยแพร่งานวิจัย |
| คำอธิบายโครงการวิจัย (อย่างย่อ) : | - |
| จำนวนเข้าชมโครงการ : | 24 ครั้ง |