The environmental quality monitoring of Chanthaburi municipality using regression analysis
Article Sidebar
Main Article Content
Abstract
This research aimed to investigate the environmental quality using data regression analysis. Data regarding air quality were collected in 17 communities of Chanthaburi municipality with four pollutants detected; PM2.5, PM10, CO and NO2 . All wastewater samples in an oxidation pond treatmentment system were chosen by grab sampling for organic substances analysis. The results of air quality index (AQI) indicated that very good air quality class. While, the amount of organic pollution in wastewater treatment system showed a continuous decline. The multiple regression analysis indicated that PM10 and season appropriated for AQI forecast. Moreover, the estimation of BOD value with simple regression equation showed the coefficient of determination (R2 ) of and dry seasons with high level, and were 0.837 and 0.873 respectively. Therefore, the forecast of water quality data could be applied to wastewater characteristic regulation.
Article Details
References
กรมส่งเสริมคุณภาพสิ่งแวดล้อม. (2562). การพัฒนาระบบเตือนภัยความร้อนและหมอกควันล่วงหน้าสำหรับพื้นที่ภาคเหนือตอนบนของประเทศไทย. กรุงเทพมหานคร: กรมส่งเสริมคุณภาพสิ่งแวดล้อม
จักรพันธ์ โพธิพัฒน์ และภัทร ศรีสรวล. (2563). คุณภาพน้ำและการฟอกตัวของธารน้ำจากอุทยานแห่งชาติในจังหวัดจันทบุรี. วารสารวิทยาศาสตร์บูรพา, 25(2), 524-535.
ธนิตย์ อินทรัตน์. (2554). การประยุกต์ใช้ภูมิสารสนเทศเพื่อประเมินคุณภาพอากาศ: กรณีศึกษา จังหวัดชลบุรี. วารสารวิทยาศาสตร์บูรพา, 16(1), 32-340.
ปภัสรา ขวัญมา, สมนิมิต พุกงาม และวันชัย อรุณประภารัตน์. (2562). ปัจจัยทางอุตุนิยมวิทยาที่มีผลต่อความเข้มข้นของฝุ่นละอองขนาดไม่เกิน 10 ไมครอน ในพื้นที่ตำบลหน้าพระลาน อำเภอเฉลิมพระเกียรติ จังหวัดสระบุรี. PSRU Journal of Science and Technology, 4(2), 85-94.
พิบูล อิสสระพันธุ์. (2557). ความสัมพันธ์ระหว่างดัชนีชี้วัดคุณภาพอากาศและฝุ่นละอองในบรรยากาศที่มีขนาดไม่เกิน 10 ไมครอนกับโรคทางเดินหายใจใน 8 จังหวัดภาคเหนือของประเทศไทยระหว่างปีงบประมาณ 2553 – 2554. Thammasart Medical Journal, 14(1), หน้า 13-26.
วารี สีดาคำ. (2561). การพยากรณ์ปริมาณออกซิเจนละลายน้ำของแม่น้ำบางปะกงด้วยการวิเคราะห์การถดถอยเชิงเส้นพหุคูณ. ปริญญานิพนธ์วิทยาศาสตรบัณฑิต สาขาวิชาสถิติ, มหาวิทยาลัยบูรพา.
ศิวิมล เชื้อรุ่ง และศิวพันธุ์ ชูอินทร์. (2562). แนวทางการเพิ่มประสิทธิภาพระบบบำบัดน้ำเสียของมหาวิทยาลัยราชภัฏสวนสุนันทาโดยใช้ความสัมพันธ์ระหว่างค่าบีโอดีกับค่าซีโอดี. วารสารวิชาการเทคโนโลยีอุตสาหกรรม : มหาวิทยาลัยราชภัฏสวนสุนันทา, 7(1), 6-12.
สาวิตรี จำปาหอม. (2559). ฝุ่นละอองขนาดไม่เกิน 10 ไมครอน (PM10) และโลหะใน PM10 ภายในและภายนอกอาคารในจังหวัดราชบุรี. วิทยานิพนธ์ระดับปริญญาตรีวิทยาศาสตรบัณฑิต สาขาวิชาวิทยาศาสตร์สิ่งแวดล้อม, มหาวิทยาลัยศิลปากร.
สำนักงานจังหวัดจันทบุรี. (2558). คู่มือการท่องเที่ยว. กรุงเทพมหานคร: สำนักพิมพ์ บริษัท พี.เอ.ลิฟวิ่ง จำกัด.
อุทัยวรรณ สายพัฒนะ และฉัตรศิริ ปิยะพิมลสิทธิ์. (2547). Collinearity. วารสารปาริชาต, 17(1), 55-62.
Abyaneh, H.Z. (2014). Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality prameters. Journal of Environmental Health Science and Engineering, 12(40), 1-8.
Baki, O.T., Aras, E., Akdemir, U.O., & Yilmaz, B. (2019). Biochemical oxygen demand prediction in wastewater treatment plant by using different regression analysis models. Desalination and Water Treatment, 157, 79-89.
Bhatt, A.H., Karanjekar, R.V., Altouqi, S., Sattler, M.L., Hossain, M.D.S., & Chen, V.P. (2017). Estimating landfill leachate BOD and COD based on rainfall, ambient temperature, and waste composition: Exploration of a MARS statistical approach. Environmental Technology & Innovation, 8, 1-16.
Bundao, S., Veeravaitaya, N., Kaewnern, M., & Ingthamjitr, S. (2018). The relationship between land use and water quality in Bangpakong Estuary, Thailand. Journal of Fisheries and Environment, 42(2), 24-31.
Cheng, Y., Ho, K.F., Lee, S.C., & Law, S.W. (2006). Seasonal and diurnal variations of PM1.0, PM2.5 and PM10 on the roadside environment of Hongkong. China Particuology, 4(6), 312-315.
Ebrahimi, M., Gerber, E.L., & Rockaway, T.D. (2017). Temporal performance assessment of wastewater treatment plants by using multivariate statistical analysis. Journal of Environmental Management, 193, 234-246.
Khodadadi, M., Mesdaghinia, A., Nasseri, S., Ghaneian, M.T., Ehrampoush, M.H., & Hadi, M. (2016). Prediction of the waste stabilization pond performance using linear multiple regression and multi-layer perceptron neural network: a case study of Birjard, Iran. Environmental Health Engineering and Management Journal, 3(2), 81-89.
Kliengchuay, W., Srimanus, R., Srimanus, W., Niampradit, S., Preecha, N., Mingkhwan, R., Worakhunpiset, S., Limpanont, Y., Moonsri, K., & Tantrakarnapa, K. (2021). Particulate matter (PM10) prediction based on multiple linear regression: a case study in Chiang Rai Province, Thailand. BMC Public Health, 21(2149), 1-9.
Lesar, T.T., & Filipcic, A. (2017). Multiple Linear Regression (MLR) model simulation of hourly PM10 concentrations during sea breeze events in the split area. International Journal of Maritime Science & Technology, 64(3), 77-85.
Oliveira-Esquerre, K.P., Mori, M., & Bruns, R.E. (2002). Simulation of an industrial wastewater treatment plant using artificial neural networks and principal components analysis. Brazilian Journal of Chemical Engimeering, 19(4), 365-370.
Pindyck, R.S., & Rubinfeld. (1998). Econometric medel and economic forecasts. McGraw-Hill.
Rene, E.R., & Saidutta, M.B. (2008). Prediction of water quality indices by regression analysis and artificial neural networks. International Journal of Environmental Research, 2(2), 183-188.
Sharma, P., Sood, S., & Mishra, S. (2020). Development of multiple linear regression model for biochemical oxygen demand (BOD) removal efficiency of different sewage treatment technologies in Delhi, India. Sustainable Water Resources Management, 6(29), 1-13.
