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
คณะครุศาสตร์อุตสาหกรรมและเทคโนโลยี
มัลเบอร์รีคีเฟอร์ เป็นเครื่องดื่มจากผลหม่อนสุกที่ผ่านการหมัก ผลิตจากน้ำสกัดจากผลหม่อนสุก มีลักษณะปรากฎเป็นสีแดงชมพูซึ่งเป็นสีของสารแอนโทไซยานินตามธรรมชาติในผลหม่อน โดยแอนโทไซยานินมีคุณสมบัติเป็นสารต้านอนุมูลอิสระ มีสารพรีไบโอติกฟรุคโทโอลิโกแซคคาไรด์ จุลินทรีย์โพรไบโอติก Lactobacillus และ Saccharomeces มีรสชาติหวานอมเปรี้ยว มีความซ่า มีแอลกอฮอล์เล็กน้อย รสชาติและความซ่าเกิดจากเทคโนโลยีการผลิต ซึ่งใช้กระบวนการหมักจากจุลินทรีย์ มัลเบอร์รีคีเฟอร์ จัดเป็นเครื่องดื่มฟังค์ชัน (Functional Beverage) ที่ผลิตจากพืช (Plant Based Beverage) เหมาะกับผู้ที่แพ้น้ำตาลแลคโทส รวมถึงผู้ที่ไม่บริโภคเครื่องดื่มที่ผลิตจากน้ำนม ดื่มแล้วรู้สึกสดชื่น
คณะเทคโนโลยีการเกษตร
ปลาทรายแดงเป็นปลาที่มีความสำคัญทางเศรษฐกิจสามารถพบเจอได้จากการทำประมงทั้งฝั่งอ่าวไทยและอันดามันและมีราคาถูก อีกทั้งในปัจจุบันการบริโภคปลาดิบแบบซาชิมิได้รับความนิยมเพิ่มมากขึ้นในประเทศไทย จึงต้องมีการส่งเสริมการบริโภคเพื่อเพิ่มมูลค่าให้กับปลาทรายแดง การศึกษานี้ได้ศึกษาวิธีการรักษาสภาพปลาทรายแดง (N. furcosus) เพื่อการบริโภคแบบดิบหรือซาชิมิ โดยการรักษาสภาพปลาทรายแดงประกอบไปด้วยการฆ่าปลาแบบ Ikejime (K) และ น็อคด้วยน้ำทะเลเย็น (S) และเก็บรักษาปลาแบบผ่าท้อง (G) และทั้งตัว (W) และเก็บรักษาไว้ 3 วัน ด้วยน้ำแข็ง (I) หรือตู้เย็น (F) ประเมินคุณภาพความสดของปลาทรายแดงด้วยวิธีทางประสาทสัมผัส, ทางเคมีกายภาพ (TVB-N, TMA-N และ pH) ดัชนีความสด (Ki-value) และทางจุลชีววิทยา พบว่าหลังจากเก็บรักษาไว้นาน 3 วัน ปลาทรายแดงกลุ่ม KGF มีคะแนนทางประสาทสัมผัสโดยรวมมากที่สุด คือ 8.36±0.80 คะแนน และปลาทรายแดงกลุ่ม KWI, SWI และ SWF มีคะแนนทางประสาทสัมผัสโดยรวมน้อยที่สุด คือ 8.13±0.77, 8.13±0.77 และ 8.13±0.81 คะแนน ตามลำดับ และคะแนนทางประสาทสัมผัสโดยรวมของปลาทุกกลุ่มการทดลองเพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติ (p<0.05) ค่าTVB-N ของปลาทรายแดงกลุ่ม KGF มีค่า TVB-N น้อยที่สุด คือ 1.37±0.93 มิลลิกรัมไนโตรเจน/ตัวอย่าง 100 กรัม ปลาทรายแดงกลุ่ม SGI มีค่า TVB-N มากที่สุด คือ 2.36±1.15 มิลลิกรัมไนโตรเจน/ตัวอย่าง 100 กรัม และ TVB-N ของปลาทุกกลุ่มการทดลองเพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติ (p<0.05) ค่า TMA-N ของปลาทรายแดงกลุ่ม KGF มีค่า TMA-N น้อยที่สุด คือ 1.56±0.88 มิลลิกรัมไนโตรเจน/ตัวอย่าง 100 กรัม ปลาทรายแดง กลุ่ม SWF มีค่า TMA-N มากที่สุด คือ 2.17±1.22 มิลลิกรัมไนโตรเจน/ตัวอย่าง 100 กรัม และ TMA-N ของปลาทุกกลุ่มการทดลองเพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติ (p<0.05) ค่า pH ของปลาทรายแดงกลุ่ม KGF มีค่า pH น้อยที่สุด คือ 6.40±0.12 ปลาทรายแดงกลุ่ม SWF มีค่า pH มากที่สุด คือ 6.78±0.25และ pH ของปลาทุกกลุ่มการทดลองเพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติ (p<0.05) Ki value ของปลาทรายแดงกลุ่ม KGF มีค่า Ki value น้อยที่สุด คือ 9.05±0.73% ปลาทรายแดงกลุ่ม KWI มีค่า Ki value มากที่สุด คือ 12.88±4.19% และ Ki value ของปลาทุกกลุ่มการทดลองเพิ่มขึ้นอย่างไม่มีนัยสำคัญทางสถิติ (p>0.05) และ คุณภาพความสดทางด้านจุลชีววิทยาพบว่าในปลาทรายแดงทุกกลุ่มการทดลองพบจุลินทรีย์ชนิด Salmonella spp., S. aureus, B. cereus, C. perfringens และ E. coli และจุลินทรีย์ทุกชนิดของปลาทรายแดงทุกกลุ่มเพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติ (p<0.05) โดยเมื่อนำมาเปรียบเทียบกับเกณฑ์คุณภาพความสดทั้งทางด้านประสาทสัมผัส เคมีกายภาพ ดัชนีความสดและจุลชีววิทยาพบว่าปลาทรายแดงทุกกลุ่มมีความสดมากและเหมาะสมต่อการบริโภคแบบดิบในระหว่างการรักษาสภาพและเก็บรักษาไว้นาน 3 วัน หลังจากการเก็บรักษาไว้นาน 3 วัน ควรบริโภคปลาทรายแดงแบบปรุงสุกเนื่องจากคุณภาพความสดของปลาไม่เหมาะสมต่อการนำมาบริโภคแบบดิบจากการเพิ่มขึ้นของค่าพารามิเตอร์ต่างๆ ซึ่งการเพิ่มขึ้นของค่าพารามิเตอร์ต่างๆมีผลมาจากการเสื่อมสภาพของปลาและกิจกรรมจากจุลินทรีย์ ดังนั้นปลาทรายแดงเหมาะสมที่จะมีการส่งเสริมให้มีการบริโภคแบบดิบในระยะเวลาการเก็บรักษาภายใน 3 วัน อีกทั้งการรักษาสภาพปลาโดยเฉพาะวิธี Ikejime แล้วผ่าท้องและเก็บรักษาไว้ในตู้เย็น สามารถช่วยให้ปลามีคุณภาพความสดที่ดีมากยิ่งขึ้น ซึ่งผลการศึกษานี้สามารถนำไปพัฒนาเทคนิคในการรักษาสภาพปลาที่เกิดขึ้นหลังการจับให้กับชาวประมงและสามารถส่งเสริมให้มีการเพิ่มมูลค่าปลาทรายแดงได้ในอนาคต
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-