การพัฒนาแบบจำลองเพื่อพยากรณ์ปริมาณฝุ่นละออง PM2.5 โดยใช้เทคนิคการเรียนรู้ของเครื่อง: กรณีศึกษาประเทศไทย
Main Article Content
บทคัดย่อ
ฝุ่นละอองขนาดเล็กไม่เกิน 2.5 ไมครอน (PM2.5) เป็นปัญหาสำคัญที่ส่งผลกระทบต่อสุขภาพ สิ่งแวดล้อม และภาคการเกษตรของประเทศไทย โดยเฉพาะในช่วงฤดูแล้งที่ระดับฝุ่นมักเกินค่ามาตรฐาน งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองสำหรับการพยากรณ์ (Forecasting Model) ค่าฝุ่น PM2.5 โดยเปรียบเทียบวิธีการพยากรณ์อนุกรมเวลา (Time Series Forecasting Methods) ได้แก่ วิธีโฮลท์–วินเทอร์ส (Holt–Winters) และเออาร์ไอม่า (ARIMA) กับเทคนิคการเรียนรู้ของเครื่อง (Machine Learning Techniques) ได้แก่ เรนดอมฟอเรสต์ (Random Forest) และซัพพอร์ตเวกเตอร์รีเกรสชัน (Support Vector Regression: SVR) ใช้ข้อมูลรายเดือนจากกรุงเทพมหานคร เชียงใหม่ ขอนแก่น และสงขลา ครอบคลุมช่วงปี พ.ศ. 2561–2567 โดยแบ่งข้อมูลตามลำดับเวลาเป็นชุดฝึก (Training Set) และชุดทดสอบ (Test Set) ในสัดส่วน 80:20 และประเมินความแม่นยำด้วยตัวชี้วัด รากที่สองของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Squared Error: RMSE) และค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Error: MAE) ผลการศึกษาพบว่าเรนดอมฟอเรสต์ (Random Forest) ให้ค่าความคลาดเคลื่อนต่ำที่สุดในทุกพื้นที่ โดยเฉพาะจังหวัดที่มีความผันผวนสูง เช่น เชียงใหม่และขอนแก่น ขณะที่เอสวีอาร์ (SVR) ให้ผลลัพธ์แม่นยำน้อยกว่า แบบจำลองอนุกรมเวลา (Time Series Models) ยังคงให้ผลลัพธ์ที่ดีในพื้นที่ที่ข้อมูลมีความต่อเนื่อง เช่น สงขลา โดยปัจจัยสำคัญที่มีผลต่อความแม่นยำของแบบจำลอง ได้แก่ ตัวแปรแบบหน่วงเวลา (Lag Variables) และค่าเฉลี่ยเคลื่อนที่ (Moving Average) แบบจำลองที่พัฒนาขึ้น โดยเฉพาะเรนดอมฟอเรสต์ (Random Forest) แสดงศักยภาพสูงในการนำไปประยุกต์ใช้เป็นระบบแจ้งเตือนคุณภาพอากาศ (Air Quality Alert System) และสนับสนุนการตัดสินใจเชิงนโยบายด้านสิ่งแวดล้อมและภาคการเกษตรอย่างยั่งยืน
Article Details
เอกสารอ้างอิง
Gupta, P., Zhan, S., Mishra, V., Aekakkararungroj, A., Markert, A., Paibong, S., & Chishtie, F. (2021). Machine learning algorithm for estimating surface PM2.5 in Thailand. Aerosol and Air Quality Research, 21(11), 210105. doi:10.4209/aaqr.210105.
Duan, M., Sun, Y., Zhang, B., Chen, C., Tan, T., & Zhu, Y. (2023). PM2.5 concentration prediction in six majorChinese urban agglomerations: A comparative study of various machine learning methods based on meteorological data. Atmosphere, 14(5), 903. doi: 10.3390/atmos14050903.
Hasnain, A., Hashmi, M. Z., Khan, S., Bhatti, U. A., Min, X., Yue, Y., He, Y., & Wei, G. (2024). Predicting ambient PM2.5 concentrations via time series models in Anhui Province, China. Environmental Monitoring and Assessment, 196(487). doi: 10.1007/s10661-024-12644-9.
Jiang, C. (2025). Comparative Analysis of ARIMA and Deep Learning Models for Time Series Prediction.Proceedings of the 2nd International Conference on Data Analysis and Machine Learning (DAML 2024) (p306–310). Kuala Lumpur: Science and Technology Publications.
Kontopoulou, V. I., Panagopoulos, A. D., Kakkos, I., & Matsopoulos, G. K. (2023). A review of ARIMA vs. machine learning approaches for time series forecasting in data driven networks. Future Internet, 15(8), 255. doi: 10.3390/fi15080255.
Li, X., Li, L., Chen, L., Zhang, T., Xiao, J., & Chen, L. (2022). Random Forest Estimation and Trend Analysis of PM2.5 Concentration over the Huaihai Economic Zone, China (2000–2020). Sustainability, 14(14), 8520. doi: 10.3390/SU14148520.
Liu, R., Pang, L., Yang, Y., Gao, Y., Gao, B., Liu, F., & Wang, L. (2023). Air Quality—Meteorology CorrelationModeling Using Random Forest and Neural Network. Sustainability, 15(5), 4531. doi: 10.3390/su15054531.
Makhdoomi, A., Sarkhosh, M., & Ziaei, S. (2025). PM2.5 concentration prediction using machine learning algorithms: an approach to virtual monitoring stations. Scientific Reports, 15, 14775. doi: 10.1038/s41598-025-92019-3.
Merdani, A. (2024). Comparative machine learning analysis of PM2.5 and PM10 forecasting in Albania. InInternational Conference on Software, Telecommunications and Computer Networks (SoftCOM). 1-7. doi: 10.23919/SoftCOM62040.2024.10721971.
Minsan, W., Minsan, P., & Panichkitkosolkul, W. (2024). Enhancing Decomposition and Holt–Winters WeeklyForecasting of PM2.5 Concentrations in Thailand’s Eight Northern Provinces Using the Cuckoo Search Algorithm. Thailand Statistician, 22(4), 963–985.
Mohammadi, F., Teiri, H., Hajizadeh, Y., Abdolahnejad, A., & Ebrahimi, A. (2024). Prediction of atmospheric PM2.5 level by machine learning techniques in Isfahan Iran. Scientific Reports, 14, 2109. doi:10.1038/s41598-024-52617-z.
Pollution Control Department (PCD). (2023). Thailand air quality situation report 2023. Accessed 15 March2024, Retrieved from http://www.pcd.go.th.
Ratchagit, M. (2024). Forecasting PM2.5 concentrations in Chiang Mai using machine learning models.International Journal on Robotics, Automation and Sciences, 6(2), 37–41. doi:10.33093/ijoras.2024.6.2.6.
Thai Quality Historical Data Platform. (2024). Historical air quality data and monthly PM2.5 statistics.Accessed 12 March 2024. Retrieved from https://aqicn.org/historical.
Wongoutong, C. (2021). The effect on forecasting accuracy of the Holt–Winters method when using the incorrect model on a non-stationary time series. Thailand Statistician, 19(3), 565–582.
World Health Organization. (2021). WHO global air quality guidelines: Particulate matter (PM2.5 and PM10),ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. Accessed 10 March 2024, Retrieved from https://www.who.int/publications/i/item/9789240034228.
Joharestani, M. Z., Cao, C., Ni, X., Bashir, B., & Talebiesfandarani, S. (2019). PM2.5 prediction based on random forest, XGBoost, and deep learning using multisource remote sensing data. Atmosphere, 10(7), 373. doi: 10.3390/atmos10070373.
