วันที่เอกสารถูกเผยแพร่ครั้งแรก | 2023-07-18
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง สําหรับการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ (PM2.5) โดยตัวแปรที่ใช้ในการสร้างตัวแบบฝุ่น PM2.5จํานวน 16 ตัวแปร จากสถานีตรวจวัดคุณภาพอากาศและอุตุนิยมวิทยา ของกรมควบคุมมลพิษจังหวัดอุดรธานี ที่ถูกจัดเก็บในรูปแบบรายชั่วโมง ตั้งแต่เดือนมิถุนายน ถึงเดือนธันวาคม ปี พ.ศ.2564 รวมทั้งสิ้น 4,608 แถว โดยนํามาวิเคราะห์ตามกระบวนการวิเคราะห์ข้อมูล เพื่อสร้างตัวแบบพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ ด้วยเทคนิคการประมาณค่าข้อมูล (Regression Model) โดยในงานวิจัยในครั้งนี้ได้เลือกใช้เทคนิคการเรียนรู้ของเครื่องทั้งหมด 4 เทคนิค ได้แก่ เทคนิคการถดถอยเชิงเส้น (Linear Regression) เทคนิคโครงข่ายประสาทเทียม (Neural Network) เทคนิคซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machines) และเทคนิคการเรียนรู้เชิงลึก (Deep Learning) จากผลการวิจัยพบว่าเทคนิคที่มีความเหมาะสมที่สุดสําหรับการสร้างตัวแบบการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ คือ เทคนิคโครงข่ายประสาทเทียม (Neural Network) โดยให้ค่าความคลาดเคลื่อนกําลังสองเฉลี่ย (MSE) น้อยที่สุดเท่ากับ 8.673 ค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกําลังสอง (RMSE) เท่ากับ 2.945 ค่าความคลาดเคลื่อนสัมบูรณ์ (AE) เท่ากับ 2.126 ค่าความคลาดเคลื่อนกําลังสอง(SE) เท่ากับ 8.709 และค่าสัมประสิทธิ์การตัดสินใจพหุคูณ (R2) เท่ากับ 0.948 ผลลัพธ์จากการวิเคราะห์ข้อมูลนี้สามารถนําไปสร้างตัวแบบที่เหมาะสมไปใช้สําหรับการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ เพื่อให้หน่วยงานที่เกี่ยวข้องสามารถเข้าถึงข้อมูลและนําไปใช้ในการกําหนดมาตรการการเฝ้าระวังการเกิดฝุ่นละอองขนาดเล็ก อีกทั้งสามารถพัฒนาต่อยอดไปเป็นระบบสารสนเทศสําหรับการการพยากรณ์ฝุ่นละอองขนาดเล็กที่จะเกิดขึ้นในอนาคต
อ้างอิง : กฤติกา ทิพย์คํามี อนุพงศ์ สุขประเสริฐ, สุพัตรา กอผจญ และณัฐกานต์ ชุติมารังสรรค์. 2566. ประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง สําหรับการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ. วารสารวิทยาศาสตร์ เทคโนโลยีและนวัตกรรม มหาวิทยาลัยกาฬสินธุ์. 2 (1): หน้า 58-74.© DUST INFORMATION. All Rights Reserved. Design by HTML Codex