การวิเคราะห์และติดตามมลพิษทางอากาศในระดับจุลภาค

Micro-climate air pollution analysis and monitoring

Name: นิติการ นาคเจือทอง

keyword: แผนที่ความร้อน

ThaSH: สถานีตรวจอากาศ -- การเฝ้าติดตามการทำงาน

; Heatmap.

ThaSH: ฝุ่นละออง -- การวัด

ThaSH: ฝุ่น -- การวัด

ThaSH: มลพิษทางอากาศ -- พยากรณ์

ThaSH: การเรียนรู้ของเครื่อง

ThaSH: นิวรัลเน็ตเวิร์ค ‪(วิทยาการคอมพิวเตอร์)‬

Abstract: การติดตามและวิเคราะห์ปัญหามลพิษทางอากาศโดยเฉพาะฝุ่นละอองอนุภาคขนาดไม่เกิน 2.5 ไมครอน (Particulate Matter : PM2.5) ที่ส่งผลกระทบต่อการดำรงชีวิตของประชาชนทั่วโลกนั้น ได้มีการนำเสนอข้อมูลที่แสดงปริมาณมลพิษทางอากาศเฉพาะบริเวณพื้นที่ขนาดใหญ่ เช่น เขตพื้นที่เมือง จังหวัด หรือประเทศเท่านั้น ซึ่งทำให้ไม่เพียงพอที่จะแสดงให้ทราบถึงปริมาณมูลพิษทางอากาศในพื้นที่ขนาดเล็ก และบริเวณที่ไม่มีสถานีตรวจวัดมลพิษทางอากาศ จากปัญหาดังกล่าว วิทยานิพนธ์นี้จึงได้พัฒนาวิธีการติดตามมลพิษทางอากาศในพื้นที่ขนาดเล็ก โดยสร้างสถานีตรวจวัดมลพิษทางอากาศ PM2.5 จำนวน 7 สถานี ในพื้นที่วิจัย ซึ่งกำหนดให้ระยะห่างระหว่างสถานีไม่เกิน 1 กิโลเมตร ที่สอดคล้องกับลักษณะของสภาพภูมิอากาศระดับจุลภาค เพื่อจัดเก็บรวบรวมข้อมูลฝุ่นละออง PM2.5 ตลอด 24 ชั่วโมง เป็นระยะเวลา 2 ปี ตั้งแต่เดือนธันวาคม พ.ศ. 2564 ถึงเดือนธันวาคม พ.ศ. 2566 อีกทั้งจัดเก็บข้อมูลปัจจัยอุณหภูมิอากาศ ความชื้นในอากาศ ความเร็วลม และทิศทางลมร่วมด้วย เพื่อศึกษาและวิเคราะห์ปัจจัยที่เกี่ยวข้องกับการเปลี่ยนแปลงปริมาณมลพิษทางอากาศในภูมิอากาศระดับจุลภาค จากผลการวิจัยพบว่า ปัจจัยความชื้นในอากาศ และความเร็วลมมีผลต่อการเปลี่ยนแปลงปริมานฝุ่นละออง PM2.5 ในพื้นที่วิจัยอย่างมีนัยสำคัญ จากนั้นได้พัฒนาวิธีการติดตามมลพิษทางอากาศในพื้นที่วิจัย โดยใช้รูปแบบการแสดงผลด้วยแผนที่ความร้อน (Heatmap) ที่สร้างขึ้นจากวิธีการ Inverse Distance Weighting (IDW) เพื่อประมาณการ ค่าฝุ่นละออง PM2.5 ในบริเวณที่ไม่มีสถานีตรวจวัดฯ และแทนค่าระดับปริมาณมลพิษทางอากาศด้วยการใช้เฉดสีที่แตกต่างกัน ทำให้สามารถแสดงการเปลี่ยนแปลงและการเคลื่อนที่ของปริมาณฝุ่นละออง PM2.5 ในพื้นที่วิจัยได้ จากนั้นนำข้อมูลฝุ่นละออง PM2.5 และปัจจัยทางอุตุนิยมวิทยามาประยุกต์ใช้เพื่อพัฒนาแบบจำลองการพยากรณ์ปริมาณฝุ่นละออง PM2.5 ให้มีความเหมาะสมกับสภาพอากาศที่แตกต่างกัน โดยการทำคลัสเตอร์ (Cluster) เพื่อแบ่งกลุ่มสภาพอากาศโดยแบ่งออกได้ 4 กลุ่มคลัสเตอร์ ที่ได้จากการวิเคราะห์ปัจจัยทางอุตุนิยมวิทยา ได้แก่ อุณหภูมิ ความชื้น และความเร็วลม จากผลการวิจัยพบว่าแบบจำลองการพยากรณ์ที่สร้างด้วยวิธี LSTM (Long Short-Term Memory) ANN (Artificial Neural Network) และ WNN (Wavelet Neural Network) ให้ประสิทธิภาพที่ดีและเหมาะสมสำหรับการพยากรณ์ฝุ่นละออง PM2.5.5 ในแต่ละคลัสเตอร์ของสภาพอากาศ โดยให้ค่าความถูกต้อง (Accuracy) ของผลการพยากรณ์เกิน 90 เปอร์เซ็นต์ ทำให้สามารถนำไปใช้ในการพยากรณ์ และติดตามการเปลี่ยนแปลงของปริมาณฝุ่นละออง PM2.5 จากปัจจัยทางอุตนิยมวิทยาของภูมิอากาศในระดับจุลภาคในพื้นที่วิจัยได้

Abstract: Air pollution monitoring and analysis, particularly for particulate matter with a diameter of 2.5 microns or less (PM2.5), is crucial due to its significant impact on public health worldwide. Existing air pollution data primarily focus on large-scale areas such as cities, provinces, or entire countries, which may not provide sufficient information on pollution levels in smaller areas or locations without air quality monitoring stations. In this issue, the thesis was to develop a method for monitoring air pollution at a microclimate level by establishing seven PM2.5 monitoring stations within the research area. These stations are strategically placed within a 1-kilometer radius of each other to capture pollution variations in microclimatic conditions. The stations continuously collect PM2.5 concentration data for 24 hours over two years, from December 2021 to December 2023. Additionally, meteorological factors such as air temperature, humidity, wind speed, and wind direction were recorded to study and analyze their influence on air pollution variations in microclimate environments. The research findings indicate that air humidity and wind speed significantly influence PM2.5 concentration variations in the study area. Based on these findings, an air pollution monitoring approach was developed using a heatmap visualization technique generated through the Inverse Distance Weighting (IDW) method. This method estimates PM2.5 levels in areas without monitoring stations and represents pollution levels using different color shades, illustrating the movement and variation of PM2.5 concentrations. Furthermore, PM2.5 data and meteorological factors were used to develop an air pollution forecasting model tailored to different weather conditions. A clustering approach was employed to categorize the meteorological conditions into 4 clusters based on temperature, humidity, and wind speed. The results demonstrate that forecasting models based on Long Short-Term Memory (LSTM), Artificial Neural Network (ANN), and Wavelet Neural Network (WNN) achieved high accuracy, exceeding 90% in predicting PM2.5 concentrations for each weather cluster. These models can effectively forecast and monitor PM2.5 variations influenced by microclimatic meteorological factors in the study area.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: ผุสดี บุญรอด

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : pudsadee.b@it.kmutnb.ac.th

Name: อนิราช มิ่งขวัญ

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : anirach.m@fitm.kmutnb.ac.th

Created: 2567

Modified: 2568-09-03

Issued: 2568-09-03

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: เทคโนโลยีสารสนเทศ

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17713420.pdf	8.03 MB

ใช้เวลา

0.033632 วินาที