การพยากรณ์ความเข้มข้น PM 2.5 ล่วงหน้า 24 ชั่วโมงจากภาพถ่าย

ชนกานต์ บุญดิษฐ์สถาพร; สิดาพร แย้มวาทีทอง; สุชานาถ ยอดกล้า

การพยากรณ์ความเข้มข้น PM 2.5 ล่วงหน้า 24 ชั่วโมงจากภาพถ่าย

ชนกานต์ บุญดิษฐ์สถาพร; สิดาพร แย้มวาทีทอง; สุชานาถ ยอดกล้า

URI: https://ir.swu.ac.th/jspui/handle/123456789/10053

Date: 2562

Abstract:

ในปีที่ผ่านมา เกิดวิกฤตฝุ่นละออง PM 2.5 ปกคลุมทั่วในประเทศไทย นับว่าเป็นปัญหาด้าน มลพิษทางอากาศของประเทศไทยมาอย่างต่อเนื่องซึ่งส่งผลกระทบต่อสุขภาพของมนุษย์โดยตรง ใน งานวิจัยนี้ทางผู้จัดทําจึงได้เสนอแนวคิดโครงการในการพยากรณ์ความเข้มข้นของ PM 2.5 ล่วงหน้า 24 ชั่วโมงจากภาพถ่ายด้วยเทคนิคการเรียนรู้เชิงลึกโดยเลือกใช้สถาปัตยกรรมแบบจําลองแบบ Convolutional Neural Network (CNN) ร่วมกับ Long Short-Term Memory (LSTM) โดยการ เก็บภาพถ่ายจากวีดีโอจากทิศทางด้านอาคาร GMM จํานวน 927 ภาพ และทิศทางด้านห้างสรรพสินค้า Show DC จํานวน 1690 ภาพ ณ ช่วงเวลา 07.00 น. ถึง 18.00 น. เพื่อใช้ในการฝึกฝนแบบจําลอง เปรียบเทียบกับข้อมูลค่าความเข้มข้น PM 2.5 ของสถานีใกล้เคียงจากกรมควบคุมมลพิษ ตั้งแต่วันที่ 3 สิงหาคม พ.ศ.2562 ถึงวันที่ 31 ธันวาคม พ.ศ. 2562 โดยเเบ่งข้อมูลเป็น Training, Validation และ Testing เเละประเมินประสิทธิภาพสําหรับการวิเคราะห์การถดถอย ด้วยค่า Root Mean Square Error (RMSE) โดยทิศทางแรก ได้ผลลัพธ์ 9.11 9.23 และ 8.74 ทิศทางที่สองได้ผลลัพธ์ 10.62 12.37 เเละ 10.62 ไมโครกรัมต่อลูกบาศก์เมตรตามลําดับ ค่า Mean Absolute Error (MAE) ทิศทางทางด้าน อาคาร GMM ได้ผลลัพธ์ 6.84 6.97 และ 6.39 ทิศทางทางด้านห้างสรรพสินค้า Show DC ได้ผลลัพธ์ 7.35 8.64 เเละ 7.76 ไมโครกรัมต่อลูกบาศก์เมตรตามลําดับ ค่า Mean Absolute Percentage Error (MAPE) ทิศทางทางด้านอาคาร GMM ได้ผลลัพธ์ 25.31 26.82 และ 24.75 ทิศทางทางด้าน ห้างสรรพสินค้า Show DC ได้ผลลัพธ์ 38.36 38.46 37.85 เปอร์เซ็นต์ ตามลําดับ

Description:

In the past few years, PM 2.5 crisis has loomed over Thailand's air quality situations, a crisis that will continuously and directly affect human health. In this work, we built a model to forecast PM 2.5 concentration for the next 24 hours from images using deep learning's Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). The images were captured from two CCTV cameras facing toward different directions: 927 images from the GMM Grammy direction, and 1690 images from the Show DC direction at each hour interval from August 3, 2019 to December, 31, 2019, 7:00 am until 6:00 pm. The image dataset were split into training set, validation set, and testing set. The forecasting results were evaluated with data from the Pollution Control Department's nearby air pollution stations using regression metrics: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). RMSE of the three data set for the GMM direction are 9.11, 9.23, and 8.74 micrograms per cubic meter. For the Show DC direction, they are 10.62, 12.37, and 10.62 micrograms per cubic meter. MAE of the three data set for the GMM direction are 6.84, 6.97, and 6.39 micrograms per cubic meter. For the Show DC direction, they are 7.35, 8.64, and 7.76 micrograms per cubic meter. Lastly, MAPE of the three data set for the GMM direction are 25.31, 26.82, and 24.75 percent. For the Show DC direction, they are 38.36, 38.46, and 37.85 percent.

Show full item record