Capsicum chinense is a high-potential economic crop in the food and pharmaceutical industries due to its role as a primary source of capsaicin, a bioactive compound with significant physiological effects. However, capsaicin levels and fruit quality will be influenced by genetic factors, environmental conditions, and genetic-by-environment (G×E) interactions, leading to variability in capsaicin biosynthesis. This study will aim to analyze the impact of different environmental conditions on the growth, fruit quality, and capsaicin content of C. chinense ‘Scotch Bonnet’. The field experiments will be conducted at the demonstration plots of the Faculty of Agricultural Technology, King Mongkut’s Institute of Technology Ladkrabang, during two growing seasons: July–October (rainy season) and December–April (dry season). Four condition environments will be evaluated, and environmental parameters such as temperature, relative humidity, and light quality will be monitored to assess their effects on plant physiology and capsaicin biosynthesis. Additionally, an F1 hybrid breeding program will be established using six parental lines through a Half-diallel mating design, generating 15 hybrid combinations. The general combining ability (GCA) and specific combining ability (SCA) will be assessed to identify promising hybrid combinations with high and stable capsaicin content and yield. The findings from this study will be expected to provide valuable insights into optimizing cultivation conditions for high-pungency chili production and supporting the development of F1 hybrid seeds with commercial viability and consistent capsaicin levels.
พริก (Capsicum spp.) เป็นพืชเศรษฐกิจที่มีความสำคัญในอุตสาหกรรมอาหารและยา เนื่องจากเป็นแหล่งของสารแคปไซซิน ซึ่งมีฤทธิ์ทางชีวภาพที่สามารถนำไปใช้ประโยชน์ทางเภสัชกรรมได้ พริกที่มีความเผ็ดร้อนสูง เช่น C. chinense เป็นแหล่งแคปไซซินที่สำคัญ อย่างไรก็ตาม ระดับความเผ็ดในพริกเผ็ดสูงเป็นอุปสรรคสำคัญต่อการผลิตเชิงพาณิชย์ ซึ่งสามารถแก้ไขได้โดยการพัฒนาเมล็ดพันธุ์ลูกผสม (F1) เนื่องจากพืชลูกผสมมักมีลักษณะทางสัณฐานวิทยาและสรีรวิทยาที่สม่ำเสมอ รวมถึงให้ผลผลิตที่สูงกว่าพันธุ์พื้นเมือง ดังนั้น การพัฒนาเมล็ดพันธุ์ลูกผสมของพริกเผ็ดสูงจึงเป็นเทคนิคในการเพิ่มผลผลิตและปริมาณแคปไซซินสำหรับอุตสาหกรรม อย่างไรก็ตาม ปัจจัยสภาพแวดล้อม อุณหภูมิและความเข้มแสง ส่งผลโดยตรงต่อการเจริญเติบโตและการผลิตแคปไซซินของพริก โดยช่วงอุณหภูมิที่เหมาะสมสำหรับการเจริญเติบโตอยู่ระหว่าง 20–25°C และระดับความเข้มแสงที่เหมาะสมอยู่ที่ระดับที่สามารถกระตุ้นการสังเคราะห์แสงได้สูงสุด โดยการปลูกพริกในแปลงเปิด (Open field) เป็นวิธีที่ได้รับความนิยมเนื่องจากมีต้นทุนต่ำและใช้ทรัพยากรธรรมชาติได้อย่างเต็มที่ อย่างไรก็ตาม พริกที่ปลูกกลางแจ้งมักเผชิญกับปัจจัยแวดล้อมที่อุปสรรค เช่น อุณหภูมิสูง ความเข้มแสงที่มากเกินไป ปริมาณน้ำฝน และการเข้าทำลายของศัตรูพืชและเชื้อโรค ซึ่งมีผลกระทบต่ออัตราการติดผลและการสะสมแคปไซซิน ในปัจจุบัน เทคโนโลยีการเกษตรได้มีการพัฒนาโรงเรือนเพื่อช่วยควบคุมปัจจัยแวดล้อมที่ส่งผลต่อการเจริญเติบโตของพืช ซึ่งสามารถจำแนกออกเป็น 3 ประเภทหลัก ได้แก่ โรงเรือนตาข่าย (Net house) ซึ่งช่วยลดความเข้มแสงและป้องกันแมลงศัตรูพืช อุโมงค์ (Greenhouse) ที่สามารถควบคุมอุณหภูมิและความชื้นได้บางส่วน และเรือนกระจกควบคุมเต็มรูปแบบ (Controlled-environment greenhouse) ที่สามารถควบคุมสภาพแวดล้อมทั้งหมด เช่น อุณหภูมิ ความชื้น และความเข้มแสง โรงเรือนเหล่านี้สามารถลดผลกระทบจากปัจจัยแวดล้อมที่ไม่เหมาะสม เช่น ฝนตกหนักในช่วงฤดูฝนและความเข้มแสงที่มากเกินไป ซึ่งอาจเป็นอุปสรรคต่อการเจริญเติบโตของพืช นอกจากนี้ การควบคุมปัจจัยแวดล้อมภายในโรงเรือนยังช่วยเพิ่มผลผลิตของพริกและปรับปรุงคุณภาพของผลผลิตให้มีความสม่ำเสมอมากขึ้น อย่างไรก็ตาม ยังมีข้อจำกัดเกี่ยวกับต้นทุนและเทคโนโลยีที่ต้องใช้ในการบริหารจัดการ ซึ่งเป็นที่ทราบกันดีว่า การผลิตแคปไซซินได้รับอิทธิพลจากพันธุกรรม สภาพแวดล้อม และปฏิสัมพันธ์ระหว่างพันธุกรรมกับสิ่งแวดล้อม นอกจากนี้ พริก C. annuum ซึ่งมีระดับความเผ็ดต่ำกว่าสายพันธุ์อื่น ไม่สามารถผลิตแคปไซซินในปริมาณที่สูงเพียงพอสำหรับการใช้งานในระดับอุตสาหกรรมได้ ส่งผลให้พริกในกลุ่ม C. chinense เป็นทางเลือกที่มีศักยภาพมากกว่าในการผลิตสารออกฤทธิ์ทางชีวภาพสำหรับอุตสาหกรรมอาหารและยา แม้ว่าการปลูกพริกกลางแจ้งจะเป็นแนวทางที่ใช้กันอย่างแพร่หลาย แต่ข้อจำกัดด้านปัจจัยแวดล้อม เช่น อุณหภูมิที่สูงเกินไปและความไม่แน่นอนของปริมาณน้ำฝน อาจส่งผลให้ผลผลิตลดลง ในขณะที่การปลูกในโรงเรือนสามารถควบคุมสภาพแวดล้อมให้เหมาะสมกับการผลิตพริกที่มีคุณภาพสูง อย่างไรก็ตาม การศึกษาเพิ่มเติมเกี่ยวกับสภาพการปลูกที่เหมาะสมสำหรับพริกเผ็ดสูงในกลุ่ม C. chinense ยังคงเป็นสิ่งจำเป็น เพื่อให้สามารถเพิ่มผลผลิตและปริมาณแคปไซซินสูง
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.
คณะเทคโนโลยีการเกษตร
Public Park Project: Coastal folk Park is a design park in the area of Ang Sila Subdistrict, Chonburi Province. In an area of 22 acre, it is intended to be a place of rest, recreation, and also a source of learning and conservation of the seashore and the traditional way of life of the area.