The Estimation of air pollutants from biomass burning emissions and prediction of air quality using multilayer perceptron artificial neural network in Northern Thailand

การประมาณค่าสารมลพิษอากาศจากการเผาชีวมวลและคาดการณ์คุณภาพ อากาศโดยใช้โครงข่ายประสาทเทียมชนิดเพอร์เซปตรอนหลายชั้นในภาคเหนือของประเทศไทย

Name: Phakphum Paluang

LCSH: Air -- Pollution

LCSH: Biomass -- Combustion

Abstract: Air quality issues exceeding the standard Air Quality Index (AQI) threshold are prevalent in many countries, particularly in Northern Thailand during the dry season (January-April), largely due to open biomass burning. This study had three objectives: 1. To estimate the air emissions from open biomass burning and agro-industries. Open biomass burning covers forest areas, and agricultural waste burning in rice, maize, and sugarcane plantations, while agro-industries are assessed based on bagasse used in sugar factories. Data on burned areas and the amount of bagasse from each sugar factory were used as primary sources for air emissions estimation. Burned areas were identified using the Random Forest (RF) algorithm, with training datasets of 100 data points per area, generated by the Geo-Informatics and Space Technology Development Agency (GISTDA). The amount of bagasse was estimated according to guidelines from the Department of Alternative Energy Development and Efficiency. 2. To understand the influence of meteorological data and air emission inventory on ground-level PM2.5 concentrations. This objective focuses on using the Pearson correlation coefficient to identify factors influencing the level of PM 2.5 mass concentration changes. 3. To develop a model for estimating ground-level of PM 2.5 mass concentrations using a Multilayer Perceptron Artificial Neural Network (MLP-ANN), evaluating the model’s performance through Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). The results for the first objective showed that the RF algorithm effectively identified burned areas, though it detected more areas than reported by GISTDA, primarily due to differences in satellite image spatial resolution. This discrepancy led to higher estimated emissions than in previous studies. In 2019, air emissions were the highest, with PM 2.5 emissions reaching 90,424.8 tons/year, followed by 87,822.5 tons/year in 2020 and 59,367.3 tons/year in 2021. Similarly, emissions from sugar factories peaked in 2019 at 3,604.8 tons/year, then decreased to 2,182.6 tons/year in 2020 and 2,045.0 tons/year in 2021. For the second objective, it was found that all factors were correlated with the level of PM 2.5 mass concentration variations under different conditions, with location-specific and temporal differences being key determinants in defining these relationships. Finally, for the third objective, the optimal network architecture of 8-16-1 achieved the highest model efficiency, with MAE and RMSE values of 0.0187 and 0.0282, respectively. However, the model underestimated the level of PM 2.5 mass concentrations compared to ground station observations, primarily due to spatial differences, pollution sources, meteorological factors, and transboundary pollution influences, which pose significant c

Abstract: ปัญหาคุณภาพอากาศเกินค่ามาตรฐานของเกณฑ์คุณภาพอากาศ (Air quality index standard) เป็นปัญหาที่เกิดขึ้นในหลายพื้นที่ โดยเฉพาะภาคเหนือของประเทศไทย ที่เกิดเป็นประจำในช่วงฤดูแล้ง (มกราคม-เมษายน) โดยมีสาเหตุจากการเผาชีวมวลในที่โล่ง จึงนำมาซึ่งวัตถุประสงค์ของการศึกษานี้จำนวน 3 วัตถุประสงค์ ได้แก่ 1. เพื่อประมาณค่าสารมลพิษจากการเผาชีวมวลในโล่งและในอุตสาหกรรมการเกษตร โดยการเผาชีวมวลในที่โล่งครอบคลุมการเผาในพื้นที่ป่า การเผาเศษวัสดุเหลือใช้ทางการเกษตรในพื้นที่เพาะปลูกข้าว ข้าวโพด และอ้อย สำหรับอุตสาหกรรมการเกษตร คือ การใช้ชานอ้อยในกระบวนการผลิต โรงงานน้ำตาล โดยข้อมูลพื้นที่เผาไหม้ และปริมาณชานอ้อยในแต่ละโรงงานน้ำตาล จะถูกใช้เป็นข้อมูลหลักในการประมาณค่าสารมลพิษ ทั้งนี้ข้อมูลพื้นที่เผาไหม้ เป็นผลจากการจำแนกโดยใช้อัลกอริทึมการสุ่มแบบป่าไม้ (Random Forest) โดยสร้างชุดข้อมูลเรียนรู้ (Training datasets) พื้นที่ละ 100 จุด จากชุดข้อมูลที่ได้รับจากหน่วยงานภาครัฐ สำหรับปริมาณชานอ้อย จะประเมินตามแนวทางของกรมพัฒนาพลังงานทดแทนและอนุรักษ์พลังงาน 2. เพื่อศึกษาอิทธิพลของปัจจัยทางอุตุนิยมวิทยา และปริมาณสารมลพิษจากการเผาชีวมวลในที่โล่ง ต่อระดับความเข้มข้นของ PM 2.5 วิเคราะห์โดยใช้ Pearson correlation coefficient เพื่อบ่งชี้ปัจจัยที่ส่งผลต่อการเปลี่ยนแปลงของระดับความเข้มข้นของ PM 2.5 และ 3. เพื่อพัฒนาแบบจำลองเพื่อประเมินปริมาณความเข้มข้นของ PM 2.5 โดยใช้อัลกอริทึมโครงข่ายประสาทเทียมชนิดหลายชั้น (multilayer perceptron artificial neural network algorithm) ประเมินประสิทธิภาพของแบบจำลองจากค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) และรากที่สองของความคลาดเคลื่อนเฉลี่ย (RMSE) ผลการศึกษาในวัตถุประสงค์ข้อที่ 1 พบว่า อัลกอริทึมการสุ่มแบบป่าไม้ มีประสิทธิภาพสำหรับนำมาจำแนกพื้นที่เผาไหม้ แม้ว่าจะสามารถจำแนกได้สูงกว่ารายงานจากหน่วยงานภาครัฐของประเทศไทย โดยเฉพาะสำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน) สาเหตุคือ ความแตกต่างของความละเอียดเชิงพื้นที่ของภาพถ่ายดาวเทียมที่ใช้ในการจำแนก ลักษณะนี้ยังส่งผลเมื่อนำมาประมาณค่าสารมลพิษที่พบว่า ผลการประเมินมีปริมาณที่สูงกว่าการศึกษาก่อนหน้า โดยปีพ.ศ.2562 ปลดปล่อยปริมาณสารมลพิษมากที่สุด โดยเฉพาะฝุ่น PM 2.5 จำนวน 90,424.8 ตันต่อปี รองลงมาคือ ปี พ.ศ.2563 จำนวน 87,822.5 ตันต่อปี และ ปี พ.ศ.2564 จำนวน 59,367.3 ตันต่อปี ตามลำดับ ในลักษณะเดียวกันกับสารมลพิษจากโรงงานน้ำตาล พบว่า ปี พ.ศ.2562 ปลดปล่อยสารมลพิษมากที่สุด จำนวน 3,604.8 ตันต่อปี ตามมาด้วยปี พ.ศ.2563 จำนวน 2,182.6 ตันต่อปี และสุดท้าย ปี พ.ศ.2564 จำนวน 2,045.0 ตันต่อปี ทางด้านวัตถุประสงค์ข้อที่ 2 พบว่า ทุกปัจจัยมีความสัมพันธ์กับการเปลี่ยนแปลงความเข้มข้นของ PM 2.5 ภายใต้เงื่อนไขและบริบทที่แตกต่างกัน โดยลักษณะทางพื้นที่และช่วงเวลา คือ ปัจจัยสำคัญในการกำหนดลักษณะความสัมพันธ์ และสุดท้ายวัตถุประสงค์ข้อที่ 3 พบว่า โครงข่ายสถาปัตยกรรม 8-16-1 มีคลาดเคลื่อนสัมบูรณ์เฉลี่ยและค่ารากที่สองของความคลาดเคลื่อนเฉลี่ย เท่ากับ 0.0187 และ 0.0282 เป็นโครงข่ายสถาปัตยกรรมที่ทำให้แบบจำลองมีประสิทธิภาพมากที่สุด แต่แบบจำลองดังกล่าวสามารถประเมินค่าความเข้มข้นของ PM 2.5 ได้ต่ำกว่าค่าจริงจากสถานีตรวจวัดภาคพื้นมีสาเหตุหลักมาจากความแตกต่างทางพื้นที่ แหล่งกำเนิดมลพิษและความแตกต่างทางลักษณะทางอุตุนิยมวิทยา โดยเฉพาะอิทธิพลของมลพิษข้ามพรมแดน ซึ่งส่งผลให้การประเมินจากการใช้เพียงข้อมูลในพื้นมีความท้าทายเพิ่มมากขึ้น

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Watinee Thavorntam

Role: Advisor

Created: 2024

Modified: 2025-01-12

Issued: 2025-01-12

วิทยานิพนธ์/Thesis

application/pdf

eng

Spatial: Thailand

DegreeName: Master of Science

Level: Master's Degree

Descipline: Geography and Geoinformatics

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	640431026.pdf	1.79 MB

ใช้เวลา

0.027869 วินาที