Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/78792
| Title: | การประมาณค่าความหนาแน่นของ PM 2.5 ด้วยการเรียนรู้ของเครื่อง |
| Other Titles: | A Density Estimation of PM 2.5 using Machine Learning |
| Authors: | ศีลวัต หมื่นสุวรรณ |
| Advisors: | ภัทรสินี ภัทรโกศล |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์ |
| Subjects: | การเรียนรู้ของเครื่อง ฝุ่น -- การวัด Machine learning Dust -- Measurement |
| Issue Date: | 2563 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | โครงการวิจัยเรื่อง “การประมาณค่าความหนาแน่นของ PM 2.5 ด้วยการเรียนรู้ของเครื่อง” มีวัตถุประสงค์ คือ กำหนดปัจจัยที่มีผลต่อการเกิด PM 2.5 และ พัฒนาโมเดลความสัมพันธ์ของปัจจัยที่พิจารณากับปริมาณ PM 2.5 ที่วัดได้ จุดมุ่งหมายของงานวิจัยเพื่อให้ทราบว่าปัจจัยใดบ้างที่ส่งผลต่อ PM 2.5 ที่ทำให้ระดับความอันตรายของ PM 2.5 มีค่าสูง หรือต่ำ ขอบเขตการวิจัยภายใต้ข้อมูลเชิงประวัติของค่า PM 2.5 ที่จะนำมาพิจารณาจะอยู่ในช่วงปีพุทธศักราช 2563 เท่านั้น และแหล่งข้อมูลที่ใช้ คือ สำนักงานสถิติแห่งชาติ กรมอุตุนิยมวิทยา กรมควบคุมมลพิษ เว็บไซต์ Thai Meteorlogical Department เว็บไซต์ Air Quality Historial Data Platform และ Google Earth วิธีการวิจัยซึ่งมีวัตถุประสงค์ในการวิเคราะห์ข้อมูล PM 2.5 เพื่อนำมาหาโมเดลการคาดคะเนที่ดีที่สุดของปริมาณความเป็นมลพิษของ PM 2.5 ด้วยโปรแกรม RapidMiner Studio ผลการวิจัยที่ได้แสดงให้เห็นว่าปัจจัยที่มีผลต่อ PM 2.5 ทางสนับสนุน หรือทำให้ระดับความอันตรายสูงขึ้น คือ จำนวนประชากรหญิงของจังหวัด ปริมาณหยาดน้ำฟ้า จำนวนประชากรหญิงของอำเภอ ความกดอากาศที่ระดับน้ำทะเลและความสูงจากระดับน้ำทะเล ส่วนปัจจัยที่ส่งผลในทางตรงข้าม หรือ ทำให้ค่าความอันตรายลดลงคือ จำนวนประชากรรวมของอำเภอ จำนวนประชากรชายของอำเภอ ฤดูกาล อุณหภูมิ และความชื้น |
| Other Abstract: | The topic of this research is "A Density Estimation of PM 2.5 using Machine Learning". The objectives of this research are to define important factors for PM 2.5 and to develop relationships between considered factors and PM 2.5. The aim of this research is to determine factors those affect the risk-level of PM 2.5 as high or low. The research scopes on the the historical data of PM 2.5 values in the year 2020 only, and the data sources are the National Statistical Office, Meteorological Department, Pollution Control Department, Thai Meteorlogical Department website, Air Quality Historical Data Platform website, and Google Earth. The research method aims to analyze the collected data of PM 2.5 to find the best volume-prediction model of the PM 2.5 pollution using RapidMiner Studio. The results have shown that factors affecting PM 2.5 those support or push the danger level are female populations of the province, precipitation, female populations of the district, air pressure at sea level, and metres above sea level. In contrast, the total population of the district, male populations of the district, season, temperature, and humidity are all factors that can decrease the hazard level of PM 2.5. |
| Description: | โครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาคณิตศาสตร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2563 |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/78792 |
| Type: | Senior Project |
| Appears in Collections: | Sci - Senior Projects |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 63-SP-MATH-022 - Seenlawat Muensuwan.pdf | 33.08 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.