PM2.5 Concentration value estimation from images and weather data using image processing and machine learning

การประมาณความเข้มข้นของฝุ่นจิ๋วโดยใช้การประมวลผลภาพและการเรียนรู้ของเครื่อง

Name: Anupam Kamble

LCSH: Particulate matter

LCSH: Air quality -- Measurement

LCSH: Air quality management

Abstract: Particulate pollution (PM2.5) is an important concern in Asian countries because of its health hazards. When planning outdoor activities, understanding the PM2.5 concentration measurement is essential. Because of the lower number of government-run Air Quality Monitoring Stations, other options for obtaining location-specific PM2.5 concentration values are sought. This research proposes to use photo image processing to estimate the PM2.5 concentration. This research aims to improve the efficacy and reduce the computational complexity of the PM2.5 concentration estimation process. The proposed Efficient PM2.5 estimation framework uses EfficientNet-B1 and BiLSTM to estimate PM2.5 concentrations. The Met-EfficientNet-B1-BiLSTM has been designed and implemented to incorporate the Meteorological features, temperature, wind speed, and humidity to improve the estimation accuracy further. The EfficientNet-B1 neural network is applied in the image feature vector extraction process. EfficientNet-B1, with a resolution of 240 x 240 pixels, is determined to be the optimal EfficientNet variant for a small dataset of images needed for PM2.5 concentration value estimation. The BiLSTM is used for the regression of these image features with PM2.5 concentration values to obtain the estimated PM2.5 concentration. A dataset comprising HDR and non-HDR images was explicitly created for this study to compare the types of images that improve the accuracy of PM2.5 concentration estimation and the feature extraction process. The proposed Efficient PM2.5 estimation framework reduces computational complexity and outperforms the ResNet-18-LSTM by improving efficacy by 5.75% in in MAE 11.43% in SMAPE matrices. The proposed Efficient PM2.5 estimation framework with less computational complexity, archives high accuracy when estimating PM2.5 concentration values using photo images.

Abstract: ฝุ่นควันหรือฝุ่นละอองขนาดเล็ก (PM2.5) เป็นประเด็นสำคัญในประเทศแถบเอเชียเนื่องจากอันตรายต่อสุขภาพ การได้รับข้อมูลค่าความเข้มข้นของฝุ่นควันจึงมีความสำคัญอย่างยิ่งในการวางแผนกิจกรรมกลางแจ้ง แต่เนื่องจากจำนวนสถานีตรวจวัดคุณภาพอากาศที่ดำเนินการโดยภาครัฐมีจำนวนน้อย จึงมีความต้องการทางเลือกอื่นในการวัดค่าความเข้มขั้นฝันควันเฉพาะพื้นที่ งานวิจัยนี้นำเสนอ การใช้การประมวลผลภาพถ่ายเพื่อประมาณค่าความเข้มข้นของฝุ่นควัน โดยมีวัตถุประสงค์เพื่อ ปรับปรุงประสิทธิภาพและลดความซับช้อนในการคำนวณของกระบวนการประมาณค่าความเข้มข้น ของฝุ่นควัน โดยได้นำเสนอการใช้ EfficientNet-B1 และ BiLSTM ในการประมาณค่าความเข้มข้น ของฝุ่นควัน แนวทางการหาค่าเข้มข้นของฝุ่นควันได้รับการออกแบบและพัฒนาขึ้นเพื่อรวม คุณลักษณะทางอุตุนิยมวิทยา อุณหภูมิ ความเร็วลม และความชื้น เพื่อปรับปรุงความแม่นยำในการ ประมาณค่าให้ดียิ่งขึ้น โครงข่ายประสาทเทียม EfficientNet-B1 ถูกนำมาใช้ในกระบวนการสกัด เวกเตอร์คุณลักษณะของภาพ โดย EfficientNet-B1 ที่มีความละเอียด 240 x 240 พิกเซล พบว่าเป็น รูปแบบ EfficientNet ที่เหมาะสมที่สุดสำหรับชุดข้อมูลภาพขนาดเล็กที่จำเป็นสำหรับการประมาณค่า ความเข้มข้น PM2.5 BiLSTM ถูกใช้สำหรับการถดถอยของคุณลักษณะภาพเหล่านี้กับค่าความเข้มข้น PM2.5 เพื่อให้ได้ค่าประมาณความเข้มขั้น PM2.5 ชุด ข้อมูลที่ทดสอบประกอบใช้ภาพที่ถ่ายด้วย เทคนิคช่วงการเปลี่ยนแปลงสูง (HDR) เพื่อช่วยปรับปรุงความแม่นยำในการประมาณค่าความเข้มข้น PM2.5 โดยปรับปรุงประสิทธิภาพได้ 5.75% (MAE) และ 11.43% (SMAPE)

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Paskorn Champrasert

Role: Advisor

Created: 2024

Issued: 2025-09-22

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ใช้เวลา

0.012605 วินาที