A Hybrid deep learning model for forecasting PM2.5 concentrations in northern Thailand from satellite images

ตัวแบบการเรียนรู้เชิงลึกแบบผสมสำหรับการพยากรณ์ค่าความเข้มข้นของพีเอ็ม 2.5 ในภาคเหนือของประเทศไทยจากภาพถ่ายดาวเทียม

Name: Chutinun Potavijit

LCSH: Deep Learning (Deep learning)

LCSH: Machine learning

LCSH: Dust -- Measurement

LCSH: Remote-sensing images -- Thai

Abstract: Air pollution is a major environmental issue that causes widespread impacts, particularly fine particulate matter smaller than 2.5 microns, known as PM2.5, which poses serious health risks to the public. Northern Thailand has been significantly impacted by PM2.5 pollution, particularly during the dry season, mainly because of a result of agricultural burning practices and wildfires. This study intends to create hybrid deep learning models, specifically CNN-ANN, CNN-DNN, and CNN-LSTM, that can forecast PM2.5 concentrations by utilizing satellite imagery that represents four important environmental variables: aerosol optical depth (AOD), temperature, precipitation, and ozone (O3). These variables are recognized as being closely associated with the occurrence of PM2.5. The traditional models, such as MLR, SARIMAX, and individual deep learning models, are compared and evaluated against the proposed hybrid deep learning models. According to the research, the fundamental models are outperformed by all hybrid models in terms of predictive accuracy. In addition to them, the CNN-LSTM model demonstrated the most outstanding performance, with a coefficient of determination (R²) of 0.9982, a mean absolute percentage error (MAPE) of 0.94%, a mean absolute error (MAE) of 0.2497 µg/m³, and a root mean squared error (RMSE) of 1.0212 µg/m³. This investigation underscores the efficacy of hybrid deep learning methodologies in conjunction with satellite imagery to encourage the development of public policy and improve community preparedness in regions without ground monitoring stations, where the severity of PM2.5 pollution fluctuates during different seasons and regions.

Abstract: มลพิษทางอากาศเป็นปัญหาสิ่งแวดล้อมที่สำคัญ ซึ่งก่อให้เกิดผลกระทบในวงกว้าง โดยเฉพาะฝุ่นละอองขนาดเล็กกว่า 2.5 ไมครอน หรือพีเอ็ม 2.5 ที่เป็นอันตรายต่อสุขภาพของประชาชนภาคเหนือของประเทศไทยเป็นพื้นที่ที่ประสบปัญหา PM2.5 อย่างรุนแรง โดยเฉพาะในช่วงฤดูแล้ง ซึ่งมีสาเหตุหลักมาจากไฟป่าและการเผาเกษตรของประชาชน โดยงานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบการเรียนรู้เชิงลึกแบบผสม ได้แก่ CNN-ANN CNN-DNN และ CNN-LSTM สำหรับการพยากรณ์ค่าความเข้มข้นของพีเอ็ม 2.5 โดยใช้ภาพถ่ายดาวเทียมของตัวแปรด้านสิ่งแวดล้อม 4 ตัวแปร ได้แก่ ค่าความหนาแน่นของละอองลอยในบรรยากาศ อุณหภูมิ ปริมาณน้ำฝน และโอโซน ซึ่งเป็นปัจจัยสำคัญที่สัมพันธ์กับการเกิด PM2.5 โดยตัวแบบการเรียนรู้เชิงลึกแบบผสมจะได้รับการประเมินประสิทธิภาพและเปรียบเทียบกับตัวแบบอื่นๆ ได้แก่ ตัวแบบการถดถอยเชิงเส้นพหุคูณ SARIMAX และตัวแบบการเรียนรู้เชิงลึกแบบเดี่ยว โดยผลการศึกษาแสดงให้เห็นว่าตัวแบบการเรียนรู้เชิงลึกแบบผสมทั้งหมดมีประสิทธิภาพมากกว่าตัวแบบเดี่ยว และ CNN-LSTM เป็นแบบจำลองที่มีประสิทธิภาพดีที่สุด โดยให้ค่าสัมประสิทธิ์การตัดสินใจเท่ากับ 0.9982 ค่าความคลาดเคลื่อนสัมบูรณ์สัมพัทธ์เฉลี่ย เท่ากับ 0.94 เปอร์เซ็นต์ ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย เท่ากับ 0.2497 ไมโครกรัมต่อลูกบาศก์เมตร และค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย เท่ากับ 1.0212 ไมโครกรัมต่อลูกบาศก์เมตร งานวิจัยนี้สะท้อนให้เห็นถึงประสิทธิภาพของการประยุกต์ใช้ตัวแบบการเรียนรู้เชิงลึกแบบผสมร่วมกับข้อมูลจากภาพถ่ายดาวมเทียม เพื่อสนับสนุนการจัดทำนโยบายและการเตรียมความพร้อมของประชาชนในการรับมือกับปัญหา พีเอ็ม 2.5 ในพื้นที่ที่ไม่มีสถานีตรวจวัดภาคพื้นดิน ซึ่งมีความรุนแรงแตกต่างกันไปตามพื้นที่และฤดูกาล

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Chalermrat Nontapa

Role: Advisor

Name: Parichart Pattarapanitchai

Role: Advisor

Created: 2568

Issued: 2025-10-03

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Applied Statistics and Analytics

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ใช้เวลา

0.023695 วินาที