การวิเคราะห์ข้อมูลพยากรณ์อากาศสำหรับการควบคุมพลังงานไฟฟ้าในฟาร์มเกษตรด้วยการเรียนรู้ของนิวรอลเน็ตเวิร์ค
Article Sidebar
Main Article Content
Abstract
งานวิจัยเชิงทดลองนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการวิเคราะห์ข้อมูลพยากรณ์อากาศสำหรับการควบคุมพลังงานไฟฟ้าในฟาร์มเกษตร โดยผู้วิจัยได้นำทฤษฎีการเรียนรู้ของนิวรอลเน็ตเวิร์คมาประยุกต์ใช้กับข้อมูลกลุ่มตัวอย่างที่ถูกเก็บรวบรวมจากกรมอุตุนิยมวิทยา ประเทศไทย ระหว่างปี พ.ศ. 2560 – 2561 ได้แก่ ข้อมูลอุณหภูมิ ปริมาณน้ำฝน และความชื้นสัมพัทธ์อากาศ เพื่อใช้ประมวลผลวิเคราะห์เชิงเปรียบเทียบกับข้อมูลปัจจุบัน และพยากรณ์ความน่าจะเป็นของสภาพอากาศล่วงหน้าสำหรับใช้ควบคุมพลังงานไฟฟ้าในฟาร์มเกษตร ผลการวิจัย พบว่า จำนวนนิวรอลเน็ตเวิร์คที่อยู่ในโครงสร้างถูกจัดเรียงในรูปแบบการแพร่กลับหลายชั้น (3-3-3) และมีค่าเอนเอียงเท่ากับ 0.178 เพื่อให้เหมาะสมสำหรับวิเคราะห์ข้อมูลการพยากรณ์อากาศ โดยมีค่าเฉลี่ยของความถูกต้องเท่ากับ 93.1%, ค่าความผิดพลาดจากการจำแนกกลุ่มเท่ากับ 6.9% และค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง (MSE) เท่ากับ 3.88461% ซึ่งผลลัพธ์อยู่ในเกณณ์ระดับดีมากและสามารถนำไปใช้ขยายผลทางด้านวิชาการหรือนำไปประยุกต์ใช้ในฟาร์มเกษตรต่อไป
Article Details
- The original content that appears in this journal is the responsibility of the author excluding any typographical errors.
- The copyright of manuscripts that published in PKRU SciTech Journal is owned by PKRU SciTech Journal.
References
[2] สำนักงานประสานงานการขับเคลื่อน Thailand 4.0. (2560). พิมพ์เขียวและแผนปฏิบัติการขับเคลื่อน Thailand 4.0 โมเดลขับเคลื่อนประเทศไทยสู่ความมั่งคั่งมั่นคง และยั่งยืน. สืบค้น 16 พฤศจิกายน 2560, จาก https://www.libarts.up.ac.th/v2/img/Thailand-4.0.pdf.
[3] Moon A., Kim J., Jialing Z. & Liu H. (2017). Understanding the Impact of Lossy Compressions on IoT Smart Farm Analytics. 2017 IEEE International Conference on Big Data (BIGDATA), 4602-4609.
[4] สกุล คำนวนชัย และชม กิ้มปาน. (2560). อินเทอร์เน็ตออฟติงการรดน้ำในแปลงผักชีพร้อมแจ้งเตือนผ่านไลน์ แอปพลิเคชัน. วารสารวิชาการคณะเทคโนโลยีอุตสาหกรรมเทพสตรี I-TECH, 12(1), 89-99.
[5] Aziz I. A., Hasan M. H., Ismail M.J., Mehat., M. J. M. Haron., Haron., N. & S. (2013). Remote Monitoring in Agricultural Greenhouse Using Wireless Sensor and Short Message Service (SMS). International Journal of Engineering & Technology IJET-IJENS, 9(9), 35-43.
[6] นราธิป ทองปาน และธนาพัฒน์ เที่ยงภักดิ์. (2559). ระบบรดน้ำอัตโนมัติผ่านเครือข่ายเซ็นเซอร์ไร้สาย. วารสารวิชาการการจัดการเทคโนโลยีสารสนเทศและนวัตกรรม, 3(1), 35-43.
[7] Nandurkar, S. R., Thool, V. R., & Thool, R. C. (2014). Design and development of precision agriculture system using wireless sensor network. First International Conference on Automation, Control, Energy and Systems (ACES), 1(1), 1-6.
[8] หทัยเทพ วงศ์สุวรรณ. (2554). การทำนายค่าอุณหภูมิ ล่วงหน้าโดยใช้ระบบนิวโรฟัซซี่. (วิทยานิพนธ์ปริญญามหาบัณฑิต). มหาวิทยาลัยเกษตรศาสตร์ (กำแพงแสน).
[9] คงฤทธิ์ โกมาสถิตย์ และปารเมศ ชุติมา (2555). การพยากรณ์ความต้องการไฟฟ้าของประเทศไทยในระยะยาวด้วยวิธีโครงข่ายประสาทเทียม. (วิทยานิพนธ์ปริญญามหาบัณฑิต). กรุงเพทฯ: จุฬาลงกรณ์มหาวิทยาลัย.
[10] Nattawuttisit S. & Usanavasin. S. (2012). Ontology Mapping Based on Machine Learner, International Journal of Research in Engineering and Technology (IJRET), 1(6), 2277 – 4378.
[11] อรนุช พันโท และมนต์ชัย เทียนทอง. (2557). การเปรียบเทียบประสิทธิภาพการจำแนกรูปแบบการเรียนรู้ด้วยเทคนิคเหมืองข้อมูล. วารสารเทคโนโลยี อุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี, 4(1), 1-11.
[12] Bendre, M. R., Thool, R. C., & Thool, V. R. (2015). Big data in precision agriculture: Weather forecasting for future farming. 2015 1st International Conference on Next Generation Computing Technologies (NGCT), 744-75.