ผลกระทบของสภาพอากาศต่อความเข้มข้นฝุ่นละอองขนาด 2.5 ไมครอน ในกรุงเทพฯ และปริมณฑล โดยใช้ MACHINE LEARNING

ผู้แต่ง

  • ชนิดาภา วินาลัย คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร
  • ศตวรรษ นันทะเสน คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร
  • สุดารัตน์ ชาติสุทธิ คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร

DOI:

https://doi.org/10.14456/lsej.2022.31

คำสำคัญ:

ฝุ่นละออง PM2.5 , ตัวแปรทางสภาพอากาศ , โครงข่ายประสาทเทียม

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาความสัมพันธ์ระหว่างตัวแปรทางสภาพอากาศ ได้แก่ อุณหภูมิ ปริมาณน้ำฝน ความชื้นสัมพัทธ์ ความเร็วลม และความดันบรรยากาศมาตรฐาน ที่ส่งผลต่อการเพิ่มหรือลดความเข้มข้นฝุ่นละออง PM2.5 รวมถึงสร้างแบบจำลองโครงข่ายประสาทเทียมหน่วยความจำระยะสั้นแบบยาว (LSTM) เพื่อทำนายความเข้มข้นฝุ่นละออง PM2.5 โดยผู้วิจัยใช้ข้อมูลฝุ่นละออง PM2.5 จากกรมควบคุมมลพิษ (กระทรวงทรัพยากรธรรมชาติและสิ่งแวดล้อม) และข้อมูลตัวแปรทางทางสภาพอากาศจาก Global Surface Summary of the Day (GSOD)
ซึ่งมีขอบเขตงานวิจัยคือ พื้นที่กรุงเทพฯ และปริมณฑล ผู้วิจัยมีสมมติฐานว่า ตัวแปรทางสภาพอากาศจะมีความสัมพันธ์ต่อการเกิดฝุ่นละออง PM2.5 และสามารถใช้สร้างแบบจำลองทำนายค่าความเข้มข้นของฝุ่นละออง PM2.5 ได้ จากการศึกษาพบว่ามีตัวแปรทางสภาพอากาศที่สามารถใช้ทำนายค่าความเข้มข้นของฝุ่นละออง PM2.5 ได้ดี ได้แก่ อุณหภูมิและปริมาณน้ำฝน และช่วงเวลาที่แบบจำลองทำนายได้แม่นยำที่สุด คือช่วงข้อมูลตัวแปรทางสภาพอากาศ ณ เวลาเดียวกัน
กับปริมาณความเข้มข้นของ PM2.5

References

Air Quality and Noise Management Bureau. Thailand's air quality and situation reports. 2020. Available at: http://air4thai.pcd.go.th/webV2/download.php. Accessed June 6, 2021.

Aryal RK, Lee BK, Karki R, Gurung A, Kandasamy J, Pathak BK, Sharma S. et al. Seasonal PM10 dynamics in Kathmandu Valley. Atmospheric Environment 2008;42(37):8623-8633.

Cabaneros SMS, Calautit JKS, Hughes BR. Hybrid artificial neural network models for effective prediction and mitigation of Urban Roadside NO2 Pollution. Energy Procedia 2017;142(9):3524-3530.

Dajsakdipon T. PM2.5. 2020. Available at: https://www.vejthani.com/th/2020/02/pm2-5/. Accessed June 10, 2021.

Das M, Das A, Sarkar R, Mandal P, Saha S, Ghosh S. Exploring short term Spatio-temporal pattern of PM2.5 and PM10 and their relationship with meteorological parameters during COVID-19 in Delhi. Urban Climate; 2021.

Harnkijroong T, Panich N. Influence of meteorological factors on PM10 at roadside of Bangkok. The 10th KU KPS Conference; 2013.

Mok KM, Hoi KI. Effects of meteorological conditions on PM10 concentrations - A study in Macau. Environ Monit Assess; 2005.

NGThai. PM 2.5. 2019. Available at: https://ngthai.com/environment/18251/factofparticlematters/. Accessed June 10, 2021.

NOAA. 2021. Available at: https://www1.ncdc.noaa.gov/pub/data/gsod/. Accessed May 15, 2021.

Pobsuk J. PM2.5. Journal of Science and Technology (Royal Thai Naval Academy) 2019; 2(1):48-55.

Shams SR, Jahani A, Kalantary S, Moeinaddini M, Khorasani N. The evaluation on artificial neural networks (ANN) and multiple linear regressions (MLR) models for predicting SO2 concentration. Urban Climate; 2021.

Singhaworawong P. Forecasting PM2.5 in Chiangmai using Long Short-Term Memory Models, Srinakharinwirot University; 2020.

Thai Meteorological Department. Thailand weather. 2021. Available at: https://www.tmd.go.th/ info/info.php?FileID=22. Accessed May 15, 2021.

Thaweephol K, Wiwatwattana N. A long short-term memory deep neural network model for PM2.5 prediction in the Urban Bangkok Area, Srinakharinwirot University; 2020.

Downloads

เผยแพร่แล้ว

2022-09-09

How to Cite

วินาลัย ช., นันทะเสน ศ., & ชาติสุทธิ ส. (2022). ผลกระทบของสภาพอากาศต่อความเข้มข้นฝุ่นละอองขนาด 2.5 ไมครอน ในกรุงเทพฯ และปริมณฑล โดยใช้ MACHINE LEARNING. Life Sciences and Environment Journal, 23(2), 409–421. https://doi.org/10.14456/lsej.2022.31