ปัญหาพิเศษนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพการทำนายดัชนีคุณภาพอากาศ (AQI) ด้วยวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่ม 5 วิธี ได้แก่ วิธีป่าสุ่ม วิธี XGBoost วิธี CatBoost วิธีรวมกลุ่มป่าสุ่มและ XGBoost และวิธีรวมกลุ่มป่าสุ่ม SVR และ MLP โดยใช้ชุดข้อมูลจากกรมควบคุมมลพิษกลางของประเทศอินเดีย (CPCB) ซึ่งชุดข้อมูลประกอบด้วยตัวแปรด้านมลพิษ 15 ตัวแปร และข้อมูลด้านสภาพอากาศ 9 ตัวแปร เก็บรวบรวมตั้งแต่มกราคม ค.ศ. 2021 ถึงธันวาคม ค.ศ. 2023 มีจำนวนข้อมูล 1,024,920 ค่า และวิธีการที่ใช้วัดประสิทธิภาพ 3 วิธี ได้แก่ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error : RMSE) ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error : MAE) และสัมประสิทธิ์การกำหนด (Coefficient of Determination) ผลการศึกษาพบว่าวิธีรวมกลุ่มป่าสุ่มและ XGBoost มีค่าวัดประสิทธิภาพทั้ง 3 วิธีดีที่สุด โดยมีค่า RMSE น้อยที่สุดเท่ากับ 0.1040 ค่า MAE น้อยที่สุดเท่ากับ 0.0675 และค่า มากที่สุดเท่ากับ 0.8128 แล้วทำการอธิบายผลลัพธ์จากการเรียนรู้ของเครื่องสำหรับสร้างแผนภาพด้วย SHAP ของวิธีการเรียนรู้ของเครื่องทั้ง 5 วิธี ทุกวิธีได้ข้อสรุปในทำนองเดียวกันคือตัวแปรที่มีผลกระทบต่อ ค่าทำนายโดยรวมมากที่สุด 2 อันดับแรกคือตัวแปร PM2.5 และ PM10 ตามลำดับ
ทั่วโลกกำลังเผชิญกับวิกฤตมลพิษทางอากาศที่รุนแรงที่สุดในประวัติศาสตร์ การเพิ่มขึ้นของสารมลพิษในอากาศ เช่น ฝุ่นละอองขนาดเล็ก PM2.5 PM10 ก๊าซโอโซน ก๊าซคาร์บอนมอนอกไซด์ ไนโตรเจนไดออกไซด์ และซัลเฟอร์ไดออกไซด์ ซึ่งส่งผลกระทบต่อระบบทางเดินหายใจและระบบไหลเวียนโลหิตของมนุษย์ นอกจากนี้ยังมีผลกระทบทางลบต่อพืชและสัตว์ในระบบนิเวศอีกด้วย หลายพื้นที่ทั่วโลกเผชิญกับค่า PM2.5 เกินมาตรฐานอย่างต่อเนื่อง องค์การอนามัยโลก (World Health Organization : WHO) ประกาศเตือนว่า PM2.5 เป็นสารก่อมะเร็ง ส่งผลให้เกิดโรคทางเดินหายใจ โรคหัวใจ และโรคหลอดเลือดสมอง PM2.5 เป็นมลพิษทางอากาศที่อันตรายที่สุด ส่งผลต่อระบบทางเดินหายใจและเพิ่มความเสี่ยงต่อมะเร็งปอด สถิติปี 2020 มีผู้เสียชีวิตจากมะเร็งปอด 1.79 ล้านคน และคาดว่าจำนวนผู้เสียชีวิตจะเพิ่มมากขึ้นทุกปีอย่างต่อเนื่อง ดัชนีคุณภาพอากาศ (Air Quality Index : AQI) เป็นตัวชี้วัดสำคัญในการประเมินคุณภาพอากาศและบ่งชี้ถึงระดับของมลพิษ โดยใช้ข้อมูลความเข้มข้นของมลพิษในอากาศคำนวณเป็นค่าดัชนีคุณภาพอากาศที่ช่วยให้ประชาชนทราบถึงระดับความปลอดภัยของอากาศ ดังนั้นหากในชีวิตประจำวันสามารถทำนายดัชนีคุณภาพอากาศได้ ประชาชนจะสามารถวางแผนการเดินทางหรือการทำกิจกรรมกลางแจ้ง โดยหลีกเลี่ยงบริเวณที่มีมลพิษสูงได้ โดยเฉพาะกลุ่มเสี่ยง เช่น ผู้สูงอายุ เด็กเล็ก และผู้ป่วยเรื้อรัง ในช่วงหลายปีที่ผ่านมา มีงานวิจัยที่ได้พัฒนาวิธีการทำนายดัชนีคุณภาพอากาศโดยนักวิจัยได้ประยุกต์ใช้วิธีการเรียนรู้ของเครื่อง (Machine Learning) เพื่อการทำนายคุณภาพอากาศให้ดียิ่งขึ้น ในงานวิจัยนี้ คณะผู้วิจัยจึงมีความสนใจนำวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่มมาใช้ในการทำนายดัชนีคุณภาพอากาศ จากการทบทวนวรรณกรรมเกี่ยวกับงานวิจัยที่เกี่ยวข้อง คณะผู้วิจัยพบว่าในงานวิจัยของ Zhang et al. (2023) ที่ศึกษาในกลุ่มเมืองของจีน 6 แห่ง ด้วยข้อมูลมลพิษและสภาพอากาศ พบได้ว่าวิธีป่าสุ่มมีประสิทธิภาพดีที่สุดเมื่อวัดด้วย MAE ต่อมาในงานวิจัยของ Dao et al. (2022) ที่ได้ใช้ข้อมูลมลพิษในอินเดีย พบว่าวิธี XGBoost มีประสิทธิภาพดีที่สุด เช่นเดียวกับงานวิจัยของ Kumar and Pande (2023) ในขณะที่ Ravindiran et al. (2023) ได้ศึกษาด้วยข้อมูลมลพิษและสภาพอากาศในรัฐอานธรประเทศ พบว่าวิธี CatBoost มีประสิทธิภาพดีที่สุด และอีก 2 งานวิจัยที่ได้อาศัยแนวทางการรวมกลุ่มแบบ Stacking ได้แก่ งานวิจัยของ Sharma et al. (2024) ที่ศึกษาในหลายเมืองของอินเดียโดยได้ใช้วิธีการรวมกลุ่มของต้นไม้ตัดสินใจหลายวิธี หนึ่งในนั้นคือวิธีการรวมกลุ่มป่าสุ่มและ XGBoost ซึ่งก็พบว่าวิธีดังกล่าวมีประสิทธิภาพดีที่สุด และ Emeç and Yurtsever (2024) ได้ศึกษาการทำนายความเข้มข้นของ PM2.5 ซึ่งเป็นหนึ่งในมลพิษสำคัญที่ส่งผลต่อดัชนีคุณภาพอากาศของเมืองอิสตันบลูและปักกิ่งโดยใช้วิธีการเรียนรู้ของเครื่อง 3 วิธีมารวมกันเป็นวิธีรวมกลุ่มป่าสุ่ม, SVR และ MLP พบว่าวิธีนี้มีประสิทธิภาพดีกว่าการใช้ทั้ง 3 วิธีแยกกัน ดังนั้นคณะผู้วิจัยจึงสนใจนำวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่มทั้ง 5 วิธี ได้แก่ วิธีป่าสุ่ม วิธี XGBoost วิธี CatBoost วิธีรวมกลุ่มป่าสุ่มและ XGBoost และวิธีรวมกลุ่มป่าสุ่ม, SVR และ MLP โดยใช้ข้อมูลเกี่ยวกับค่ามลพิษและสภาพอากาศจากสถานีตรวจวัดในรัฐเดลี ประเทศอินเดีย ซึ่งเป็นพื้นที่ที่มีปัญหาด้านคุณภาพอากาศเป็นอันดับต้น ๆ ของโลก โดยใช้ข้อมูลตั้งแต่วันที่ 1 มกราคม 2021 ถึง 31 ธันวาคม 2023 และวิธีการวัดประสิทธิภาพ 3 วิธี ได้แก่ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย และสัมประสิทธิ์การกำหนด (Coefficient of Determination) เปรียบเทียบประสิทธิภาพของวิธีการต่าง ๆ และระบุแนวทางที่เหมาะสมที่สุดในการทำนายดัชนีคุณภาพอากาศ
คณะทันตแพทยศาสตร์
Aggregatibacter actinomycetemcomitans เป็นเชื้อก่อโรคหลักของโรคปริทันต์ โดยสามารถทำลายเอ็นยึดปริทันต์และกระดูกเบ้าฟันผ่านการสร้างไบโอฟิล์ม D-LL-31 ซึ่งเป็นเปปไทด์ต้านจุลชีพที่ถูกดัดแปลงทางวิศวกรรม แสดงศักยภาพที่สูงในการกำจัดเชื้อที่ฝังตัวในไบโอฟิล์มได้ดีกว่าวิธีรักษาแบบดั้งเดิม ขณะที่ DNase I ช่วยเสริมประสิทธิภาพโดยการสลายเมทริกซ์ของไบโอฟิล์ม โดยวัตถุประสงศ์ของงานวิจัยนี้ต้องศึกษาผลของ D-LL-31 ร่วมกับ DNase I ต่อไบโอฟิล์มของ A. actinomycetemcomitans ผลการทอลองพบว่า D-LL-31 สามารถกำจัดไบโอฟิล์มได้อย่างมีประสิทธิภาพ และเมื่อใช้ร่วมกับ DNase I จะช่วยเพิ่มการทำลายไบโอฟิล์มได้มากขึ้น โดยไม่ก่อให้เกิดความเป็นพิษต่อเซลล์เยื่อบุเหงือก ดังนั้นการใช้ D-LL-31 ร่วมกับ DNase I มีศักยภาพในการพัฒนาเป็นน้ำยาบ้วนปาก เพื่อช่วยรักษาสุขภาพช่องปากและลดความเสี่ยงของโรคปริทันต์
คณะวิทยาศาสตร์
โครงงานนี้นำเสนอการพัฒนา "บ้านแมวอัจฉริยะ (Smart Cat House)" โดยใช้เทคโนโลยี Internet of Things (IoT) และการประมวลผลภาพ เพื่ออำนวยความสะดวกและเพิ่มความปลอดภัยในการดูแลแมวของเจ้าของ โครงสร้างพื้นฐานของบ้านแมวอัจฉริยะประกอบด้วยบอร์ด ESP8266 ที่เชื่อมต่อกับกล้อง ESP32 CAM สำหรับการตรวจสอบแมว และบอร์ด Arduino ที่ควบคุมเซ็นเซอร์ต่างๆ เช่น เซ็นเซอร์ตรวจจับการเคลื่อนไหวในกระบะทราย เซ็นเซอร์อุณหภูมิและความชื้น DHT22 เซ็นเซอร์วัดระดับน้ำและอาหารด้วย Ultrasonic รวมถึงระบบจ่ายน้ำดื่มสำหรับแมว ระบบให้อาหารอัตโนมัติ และระบบระบายอากาศที่ควบคุมด้วย DC FAN ซึ่งปรับการทำงานตามอุณหภูมิที่วัดได้ เพื่อรักษาสภาพแวดล้อมที่เหมาะสม นอกจากนี้ยังมี IR sensor สำหรับตรวจจับการเข้าห้องน้ำของแมว และระบบเปลี่ยนทรายอัตโนมัติด้วย SERVO MOTOR ระบบทั้งหมดเชื่อมต่อและควบคุมผ่านแอปพลิเคชัน Blynk ที่สามารถใช้งานบนมือถือ ทำให้เจ้าของสามารถติดตามและดูแลสัตว์เลี้ยงได้จากระยะไกล การตรวจจับและยืนยันตัวตนของแมว ใช้เทคโนโลยีการประมวลผลภาพจากกล้อง ESP32 CAM ร่วมกับ YOLO (You Only Look Once) ซึ่งเป็นอัลกอริทึมตรวจจับวัตถุที่มีประสิทธิภาพสูง เพื่อตรวจจับและแยกแยะระหว่างแมวกับคน ข้อมูลจากเซ็นเซอร์ต่างๆ จะถูกส่งไปยังบอร์ด Arduino เพื่อควบคุมการทำงานของอุปกรณ์ต่างๆ ในบ้านแมวอัจฉริยะ เช่น การเปิด-ปิดไฟ การเปลี่ยนทรายอัตโนมัติ การปรับอุณหภูมิและความชื้น การให้อาหารและน้ำตามเวลาที่กำหนด หรือการระบายอากาศ การใช้ระบบเชื่อมต่อผ่าน ESP8266 และแอปพลิเคชัน Blynk ช่วยให้การควบคุมอุปกรณ์ต่างๆ ทำได้ง่ายและสะดวก เจ้าของสามารถติดตามและควบคุมการทำงานของระบบทั้งหมดได้จากทุกที่ที่มีอินเทอร์เน็ต
คณะวิศวกรรมศาสตร์
ระบบไฮโดรโปนิกส์แบบควบคุมอัตโนมัติสำหรับใช้ในครัวเรือนได้รับการพัฒนาขึ้นเพื่อตอบโจทย์ผู้ที่มีพื้นที่น้อยแต่ต้องการปลูกผักสลัดเองในบ้านอย่างสะดวกและง่ายดาย ระบบนี้ออกแบบมาให้สามารถควบคุมการให้ธาตุอาหารโดยอัตโนมัติผ่านการตั้งค่าสภาพการนำไฟฟ้า (EC) และ pH ที่เหมาะสมสำหรับผักสลัดที่ต้องการปลูก มีแสงประดิษฐ์ร่วมเพื่อให้สามารถปลูกในพื้นที่จำกัดที่อาจมีแสงอาทิตย์ไม่เพียงพอได้ และยังเป็นระบบที่มีต้นทุนต่ำกว่าที่มีจำหน่ายในท้องตลาด จากการตรวจสอบระบบการควบคุมค่า EC และ pH พบว่าระบบปลูกนี้สามารถทำงานได้ดีและควบคุมการให้ธาตุอาหารจนถึงค่า EC และ pH ที่ตั้งไว้ได้ภายในเวลาไม่เกิน 30 นาที และรักษาค่าที่ตั้งไว้ได้ตลอดการเปิดทำงานของระบบ ในการทดลองปลูกผักสลัดกรีนโอ๊คโดยจำลองการตั้งระบบปลูกบริเวณระเบียง พบว่าต้นกรีนโอ๊คมีการเจริญเติบโตด้วยอัตราการเติบโตที่สูงกว่าการปลูกตามปกติ โดยเฉพาะเมื่อใช้แสงประดิษฐ์ร่วม