เทคนิคการพยากรณ์การระบาดของไข้เลือดออกในเขตพื้นที่จังหวัดศรีสะเกษ โดยใช้ข้อมูลดัชนีดาวเทียมที่เกี่ยวข้องสภาวะอากาศและพืชพันธุ์

Article Sidebar

PDF
เผยแพร่แล้ว: ธ.ค. 21, 2023
คำสำคัญ:
การวิเคราะห์ถดถอย เทคนิคการพยากรณ์ ไข้เลือดออก ซัพพอร์ทเวกเตอร์รีเกรชชั่น เชิงพื้นที่ ข้อมูลดาวเทียม

Main Article Content

ชนินทร เรืองอุดมสกุล
มหาวิทยาลัยราชภัฏศรีสะเกษ
อภิญญา ดวงสิน
กลุ่มงานระบาดวิทยาและข่าวกรอง สำนักงานป้องกันควบคุมโรคที่ 10 จังหวัดอุบลราชธานี
ภาคภูมิ ชินพฤทธิวงศ์
มหาวิทยาลัยราชภัฏศรีสะเกษ

บทคัดย่อ

การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาการนำค่าดัชนีสภาวะอากาศและพืชพันธุ์จากดาวเทียม NOAA มาประยุกต์ใช้เป็นตัวพยากรณ์สำหรับสร้างตัวแบบพยากรณ์ที่เหมาะสมสำหรับพยากรณ์อัตราป่วยไข้เลือดออกในเขตพื้นที่จังหวัดศรีสะเกษ ชุดข้อมูลผู้ป่วยไข้เลือดออกที่ใช้ในการศึกษาครั้งนี้เป็นชุดข้อมูลการเฝ้าระวังไข้เลือดออกของจังหวัดศรีสะเกษ ตั้งแต่เดือนมกราคม 2550 ถึง ธันวาคม 2556 จัดเก็บและรวบรวมโดย สำนักงานป้องกันควบคุมโรคที่ 10 จังหวัดอุบลราชธานี ข้อมูลนี้ถูกนำมาคำนวณหาอัตราป่วยต่อแสนประชากรเป็นรายสัปดาห์ สำหรับชุดข้อมูลดัชนีสภาวะอากาศและพืชพันธุ์นั้นเป็นข้อมูลการตรวจวัดด้วยดาวเทียม NOAA ชุดข้อมูลทั้ง 2 ชุดถูกนำมาวิเคราะห์สหสัมพันธ์เพื่อหาค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างอัตราการป่วยต่อแสนประชากรกับดัชนีแต่ละตัวเพื่อหาค่าล้าหลังเวลาและคัดเลือกดัชนีที่เหมาะสมสำหรับสร้างตัวแบบพยากรณ์ ดัชนีที่เหมาะสมสำหรับสร้างตัวแบบพยากรณ์คือ SMN, SMT, VCI และ VHI ตามลำดับและค่าล้าหลังเวลาที่เหมาะสมคือ 37, 21, 30, 30 ตามลำดับ หลังจากนั้นนำดัชนีที่ได้จากการทดสอบสหสัมพันธ์มาสร้างเป็นตัวแบบทำนายด้วย linear regression และ SVR (Support Vector Regression) ทั้งสิ้น 8 ตัวแบบ และทำการวัดประสิทธิภาพความแม่นยำของตัวแบบพยากรณ์ด้วยวิธี RMSE MAPE และ MAP พบว่าตัวแบบที่ถูกสร้างจากวิธี SVR และใช้ดัชนีสภาวะพืชพันธุ์ทั้ง 4 ตัว สามารถพยากรณ์อัตราป่วยต่อแสนประชากรล่วงหน้าได้ 21 สัปดาห์ และเมื่อนำตัวแบบพยากรณ์ที่ได้ไปทำการพยากรณ์เปรียบเทียบกับเทคนิคพยากรณ์ด้วยการวิเคราะห์อนุกรมเวลาด้วยขั้นตอนวิธี ARIMA พบว่า ตัวแบบพยากรณ์จากการศึกษานี้สามารถพยากรณ์อัตราป่วยต่อแสนประชากรล่วงหน้า 21 สัปดาห์ในสัปดาห์ที่ 32-52 ของปี 2556 ได้ดีกว่า
ARIMA อย่างเห็นได้ชัด

Article Details

How to Cite
ฉบับ
ปีที่ 3 ฉบับที่ 2 (2023): กรกฎาคม - ธันวาคม 2566
บท
บทความวิจัย
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ

บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ถือเป็นลิขสิทธิ์ของวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ก่อนเท่านั้น



References

Bureau of Epidemiology, Department of Disease Control, MoPH, Thailand. (2015). Retrieved 8 April 2023, from http://www.boe.moph.go.th/fact/Dengue_Haemorrhagic_Fever.htm.

ศูนย์สารสนเทศเพื่อการบริหารและงานปกครอง. (2559). ข้อมูลการปกครอง. สืบค้น 15 ตุลาคม 2559, จาก http://www.dopa.go.th/padmic/jungwad76/jungwad76.htm

Buczak, AL., Koshute, PT., Babin, SM., Feighner, BH., and Lewis, SH. (2012). A data-driven epidemiological prediction method for dengue outbreaks using local and remote sensing data. BMC medical informatics and decision making, 12(1), 1.

Dom, NC., Hassan, AA., Latif, ZA., and Ismail, R. (2013). Generating temporal model using climate variables for the prediction of dengue cases in Subang Jaya, Malaysia. Asian Pacific Journal of Tropical Disease, 3(5), 352-361.

Cheong, YL., Leitão, PJ., and Lakes, T. (2014). Assessment of land use factors associated with dengue cases in Malaysia using Boosted Regression Trees. Spatial and Spatio-temporal Epidemiology, 10, 75-84.

NOAA STAR center for satellite application. (2016). STAR - Global Vegetation Health Products: Si Sa Ket, Thailand. Retrieved 6 May 2023, from

http://www.star.nesdis.noaa.gov/smcd/emb/vci/VH/vh_browseByCountry_ province.php?country_code=THA&province_id=62&year1=2007&year2=2013.

Montgomery, DC., Peck, EA., and Vining, GG. (2015). Introduction to linear regression analysis. 4rd ed. John Wiley & Sons.

Wang, L. (2005). Support Vector Machines: Theory and Applications. Berlin: Springer.

Rao, AL., Semma, B., and Tilahun, T. (2018). Time series analysis of International Tourist Arrival to Ethioia2006-2015, A statistical analysis. International Journal of Business Management and Economic Review, 1(6), 117-141.

Herrera, V., & Nicolás, E. (2019). Skew index: descriptive analysis, explanatory power and short-term forecast. Retrieved 8 April 2023, from https://repositorio.uniandes.edu.co/server/api/core/bitstreams/ada1f1ed-95de-46e2-869b-a2f8b3939d50/content

Aghelpour, P., Mohammadi, B. and Biazar, S.M. (2019). Long-term monthly average temperature forecasting in some climate types of Iran, using the models SARIMA, SVR, and SVR-FA. Theor Appl Climatol, 138, 1471–1480 .

Gu H, Leung RK, Jing Q, Zhang W, Yang Z, Lu J, Hao Y, and Zhang D. (2016). Meteorological Factors for Dengue Fever Control and Prevention in South China. Int J Environ Res Public Health, 13(9), 867.

Benvenuto, D., Giovanetti, M., Vassallo, L., Angeletti, S., and Ciccozzi, M. (2020). Application of the ARIMA model on the COVID-2019 epidemic dataset. Data in Brief, 29, 1-4.