Koh Tao, a picturesque island in Thailand, is famous for its breathtaking coral reefs and vibrant marine life, attracting diving enthusiasts from all over the world. Despite its natural beauty, the island currently lacks innovative accommodations that enhance the visitor experience and promote environmental sustainability. This project proposes the development of a unique four-star floating resort with underwater villas, designed to offer an extraordinary lodging experience that fosters a deeper connection with the marine environment. By incorporating sustainable practices into the resort's design and operations, the project addresses the growing demand for eco-friendly tourism in the region. The floating resort concept aims not only to provide guests with an immersive experience but also to raise awareness about marine conservation. Through eco-friendly design and operations, the resort seeks to set a benchmark for sustainable tourism in Koh Tao, showcasing how accommodations can align with environmental stewardship, benefiting both the local ecosystem and tourism.
ที่มาเริ่มแรกของโครงการนี้ เกิดขึ้นจากการรับรู้ถึงปัญหาที่ทวีความรุนแรงขึ้นจากการเปลี่ยนแปลงสภาพภูมิอากาศ โดยเฉพาะปัญหาการเพิ่มขึ้นของระดับน้ำทะเลซึ่งส่งผลกระทบต่อพื้นที่ชายฝั่งและเมืองใหญ่ต่างๆ รวมถึงกรุงเทพฯ ที่อาจจะได้รับผลกระทบจากการท่วมในอนาคต จากรายงานการศึกษาการคาดการณ์ของแผนที่โลกในปี 2050 พบว่า การเพิ่มขึ้นของระดับน้ำทะเลจะทำให้เมืองใหญ่หลายเมืองทั่วโลก รวมถึงประเทศไทยเสี่ยงต่อการจมลงใต้น้ำ ปัญหานี้ทำให้เกิดความตระหนักถึงความจำเป็นในการหาวิธีแก้ไข เพื่อการอยู่ร่วมกับน้ำอย่างยั่งยืน แนวคิดการออกแบบอาคารลอยน้ำจึงเป็นแนวทางหนึ่งที่เกิดขึ้นจากการพยายามหาทางออกในระยะสั้นและระยะยาว เพื่อให้มนุษย์สามารถอยู่ร่วมกับน้ำได้อย่างมีความสุขและยั่งยืน การศึกษาและพัฒนาอาคารลอยน้ำจึงมีความสำคัญในการมองหาแนวทางใหม่ๆ ที่สามารถตอบโจทย์การอยู่อาศัยในอนาคต ต่อมาจากการพัฒนาและค้นคว้าหาข้อมูลมากมาย ทำให้โครงการมีเป้าหมายหลักที่จะศึกษาและพัฒนาอาคารลอยน้ำในพื้นที่เกาะเต่า ซึ่งเป็นจุดหมายปลายทางที่ได้รับความนิยมจากนักท่องเที่ยวและนักดำน้ำจากทั่วโลก เกาะเต่ามีความสวยงามของแนวปะการังและระบบนิเวศทางทะเลที่หลากหลาย แต่ยังขาดที่พักที่สามารถเสริมสร้างประสบการณ์ใหม่ให้กับนักท่องเที่ยว โดยเฉพาะนักดำน้ำที่ต้องการใกล้ชิดกับธรรมชาติและประสบการณ์ดำน้ำ การพัฒนารีสอร์ทลอยน้ำจึงเป็นทางเลือกใหม่ในการพัฒนาอุตสาหกรรมการท่องเที่ยวที่ยั่งยืนและเป็นมิตรกับสิ่งแวดล้อม รีสอร์ทนี้จะช่วยเสริมสร้างความตระหนักรู้เกี่ยวกับการอนุรักษ์สิ่งแวดล้อมทางทะเล พร้อมทั้งให้ประสบการณ์ใหม่แก่ผู้เข้าพักในการเชื่อมโยงกับทะเลและระบบนิเวศทางทะเล การออกแบบรีสอร์ทลอยน้ำในเกาะเต่าจะเป็นต้นแบบที่สามารถนำไปต่อยอดการพัฒนาในพื้นที่อื่นๆ ที่มีความเสี่ยงจากระดับน้ำทะเลที่สูงขึ้นในอนาคต ทั้งนี้ยังสามารถเป็นแนวทางในการสร้างความยั่งยืนในอุตสาหกรรมการท่องเที่ยว
คณะวิศวกรรมศาสตร์
-
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.
คณะเทคโนโลยีสารสนเทศ
Facial Expression Recognition (FER) has attracted considerable attention in fields such as healthcare, customer service, and behavior analysis. However, challenges remain in developing a robust system capable of adapting to various environments and dynamic situations. In this study, the researchers introduced an Ensemble Learning approach to merge outputs from multiple models trained in specific conditions, allowing the system to retain old information while efficiently learning new data. This technique is advantageous in terms of training time and resource usage, as it reduces the need to retrain a new model entirely when faced with new conditions. Instead, new specialized models can be added to the Ensemble system with minimal resource requirements. The study explores two main approaches to Ensemble Learning: averaging outputs from dedicated models trained under specific scenarios and using Mixture of Experts (MoE), a technique that combines multiple models each specialized in different situations. Experimental results showed that Mixture of Experts (MoE) performs more effectively than the Averaging Ensemble method for emotion classification in all scenarios. The MoE system achieved an average accuracy of 84.41% on the CK+ dataset, 54.20% on Oulu-CASIA, and 61.66% on RAVDESS, surpassing the 71.64%, 44.99%, and 57.60% achieved by Averaging Ensemble in these datasets, respectively. These results demonstrate MoE’s ability to accurately select the model specialized for each specific scenario, enhancing the system’s capacity to handle more complex environments.