การได้รับฝุ่นละอองขนาดเล็กอย่าง PM2.5 ส่งผลกระทบต่อสุขภาพร่างกายของมนุษย์ ในระบบทางเดินหายใจ ก่อให้เกิดการระคายเคืองและทำลายเนื้อเยื่อของอวัยวะภายในร่างกาย ในการวิจัยนี้ผู้วิจัยเล็งเห็นว่าการมองด้วยตาเปล่านั้นพอที่จะสังเกตเห็นได้ว่าเวลานั้นมีฝุ่นละอองอยู่ในอากาศหรือไม่ คณะผู้จัดทำจึงเลือกใช้ภาพถ่ายในการนำมาทำนายความเข้มข้นของฝุ่นละอองในอากาศโดยใช้การเรียนรู้เเบบมีผู้สอนเชิงลึกด้วยสถาปัตยกรรมแบบจำลอง Convolutional Neural Network (CNN) เเละทำการประเมินประสิทธิภาพเเละผลลัพธ์ด้วยมาตราการประเมินสำหรับการวิเคราะห์การถดถอย จากการสร้างเเบบจำลองการทำนายความเข้มข้น PM2.5 จากภาพถ่ายจำนวน 1369 เก็บภาพจากทิศทางทางด้านตึก GMM เก็บภาพด้วยผู้วิจัยเองในช่วงเวลา 07.00 น. - 18.00 น. ระหว่างวันที่ 5 กันยายน พ.ศ.2561 จนถึงวันที่ 1 มกราคม พ.ศ.2562 เเละสร้างเเบบจำลองการทำนายความเข้มข้น PM2.5 จากภาพถ่ายจำนวน 910 เก็บภาพจากทิศทางทางห้างสรรพสินค้า Show DC เก็บภาพด้วยผู้วิจัยเองในช่วงเวลา 07.00 น. - 18.00 น. ระหว่างวันที่ 1 พฤษจิกายน พ.ศ.2561 จนถึงวันที่1 มกราคม พ.ศ.2562 เทียบกับข้อมูลค่าความเข้มข้น PM2.5 ของสถานีใกล้เคียงจากกรมควบคุมมลพิษ โดยเเบ่งข้อมูลเป็น 3 ส่วน ได้เเก่ Training Validation และ Testing และประเมินประสิทธิภาพการทำนายด้วยค่า Root Mean Square Error (RMSE) ทิศทางทางด้านตึก GMM ได้ผลลัพธ์ 10.09 11.83 และ 14.26 ทิศทางทางด้านห้างสรรพสินค้า Show DC ได้ผลลัพธ์ 8..69 12.15 เเละ 12.31 ไมโครกรัมต่อลูกบาศก์เมตรตามลำดับ ค่า Mean Absolute Error (MAE) ทิศทางทางด้านตึก GMM ได้ผลลัพธ์ 7.40 9.29 และ 10.68 ทิศทางทางด้านห้างสรรพสินค้า Show DC ได้ผลลัพธ์ 6.63 8.56 เเละ 8.70 ไมโครกรัมต่อลูกบาศก์เมตร ตามลำดับ ค่า Mean Absolute Percentage Error (MAPE) ทิศทางทางด้านตึก GMM ได้ผลลัพธ์ 26.71 30.90 และ 34.91 ทิศทางทางด้านห้างสรรพสินค้า Show DC ได้ผลลัพธ์ 19.19 26.78 23.90 เปอร์เซ็นต์ตามลำดับ
จากผลการทดลองเเบบจำลองการทำนายความเข้มข้น PM2.5 จากภาพถ่ายมีความคาดเคลื่อนในการทำนาย โดยมีสาเหตุมาจากข้อมูลภาพที่ใช้ในขั้นตอน Training มีน้อยเกินไป เเละเเสงจากดวงอาทิตย์ในช่วง เวลาที่แตกต่างกัน มีผลต่อการทำนายค่า PM2.5 โดยมีเเนวทางในการเเก้ไขคือผู้วิจัยจะทำการเเบ่งกลุ่มของข้อมูลภาพ (Clustering) ออกเป็น 3 ช่วงคือ เช้า กลางวัน เย็นเเละสร้างเเบบจำลองขึ้นมา เพื่อทำนายภาพในเเต่ละกลุ่มเเละปรับจูนเเบบจำลองด้วยข้อมูลภาพที่มากขึ้น
Exposure to small particulate matters such as PM2.5 can affect human health, causing irritation and damaging tissues of the internal organs of the body. Based on the observation that naked eyes can, by and large, notice that there is dust in the air or not, the work in this research used photos to estimate the concentration of PM2.5 by means of supervised machine learning. The Convolutional Neural Network (CNN) deep learning mode and evaluating performance and results with an assessment section for regression analysis From the creation of a simulation model to predict PM2.5 concentrations from 1369 photos capture images from the direction of the GMM building collect images with the researcher during 07.00 - 18.00 hrs. from 5 September 2561 to 1 January 2019 and Create a model to predict the PM2.5 concentration from 910 photos capture images from the direction of Show DC mall collect images with the researcher during 07.00 - 18.00 hrs. 1 from November 2561 to 31 December 2018, .Compared with the PM2.5 concentration data of nearby stations from the Pollution Control Department and were divided into three portions, training, validation, and testing. Estimation from the CNN model results in the RMSE direction of the GMM building Result 10.09 11.83 14.26 and direction of the Show DC department store results 8..69 12.15 and 12.31 micrograms per cubic meter, respectively, the MAE direction of the GMM building results in 7.40 9.29 10.68 and direction of Show DC department store can get results 6.63 8.56 and 8.70 micrograms per cubic meter, respectively, the MAPE direction of the GMM building is 26.71 30.90 34.91 and direction of Show DC department store results 19.19 26.78 23.90 percent, respectively.
Based on the simulation results, the predictions of PM2.5 concentrations from photos were predicted for predictability. Which is caused by the image data used in the training process is too small and from the sun during Different times Effect on the prediction of PM2.5. There is a way to solve the problem. The researcher will identify the cluster of image data (Clustering) into 3 phases: morning, lunch, evening and create a model. To predict images in each group As pools of photos becomes more available for learning and tuning, it is expected that the performance of the model will be better.
