งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาขั้นตอนการจัดการของเสียจากม้า กระบวนการผลิตปุ๋ยอินทรีย์จากมูลม้า และความคิดเห็นต่อการใช้นวัตกรรมปุ๋ยอินทรีย์จากมูลม้า โดยใช้การวิจัยแบบผสมผสานระหว่างเชิงคุณภาพและเชิงปริมาณ ปุ๋ยอินทรีย์ดังกล่าวผลิตจากของเสียจากม้า ซึ่งเป็นของเสียที่ต้องเสียค่าใช้จ่ายในการกำจัด มาผ่านกระบวนการหมักจนกลายเป็นปุ๋ยที่เป็นมิตรต่อสิ่งแวดล้อมและมีธาตุอาหารที่จะเป็นต่อพืช จากผลการตรวจวิเคราะห์ปุ๋ยอินทรีย์ จากห้องปฏิบัติการปฐพีวิทยา คณะเทคโนโลยีเกษตร สถาบันพระจอมเกล้าเจ้าคุณทหารลาดกระบัง พบว่า ปุ๋ยอินทรีย์จากมูลม้านั้น มีธาตุอาหารที่จำเป็นต่อการเจริญเติบโตของพืช ทั้งธาตุอาหารหลัก ธาตุอาหารรอง และจุลธาตุ สะท้อนถึงศักยภาพในการกำจัดของเสียจากม้า กระบวนการผลิตปุ๋ยอินทรีย์จากมูลม้า ประสิทธิภาพของปุ๋ยอินทรีย์ และแนวทางเพิ่มคุณค่าเพื่อการขยายผลทางการตลาดเชิงพาณิชย์
ปัจจุบันกีฬาขี่ม้าในประเทศไทยได้รับความนิยม และเกิดฟาร์มเลี้ยงม้าในประเทศไทยมากขึ้น ส่งผลให้เกิดปัญหาการจัดการของเสียจากม้า โดยม้าแต่ละตัวผลิตมูลเฉลี่ย 18-23 กิโลกรัมต่อวัน หรือประมาณ 1 ตันต่อเดือน หากไม่มีการจัดการที่เหมาะสม อาจก่อให้เกิดปัญหาด้านสิ่งแวดล้อม เช่น กลิ่นเหม็น การแพร่กระจายของเชื้อโรค และข้อร้องเรียนจากชุมชนโดยรอบ เจ้าของฟาร์มต้องเสียค่าใช้จ่ายในการกำจัดมูลม้า แนวทางหนึ่งที่ช่วยลดปัญหาคือการนำของเสียจากม้ามาผลิตเป็นปุ๋ยอินทรีย์ ซึ่งเป็นกระบวนการที่ช่วยลดของเสียและเพิ่มมูลค่าทางเศรษฐกิจ เพื่อพัฒนาคุณภาพปุ๋ยอินทรีย์ สามารถนำสารเร่งหมักมาใช้เพื่อลดระยะเวลาการหมัก และเสริมแหนแดงเพื่อเพิ่มปริมาณไนโตรเจนในปุ๋ย ซึ่งช่วยให้ได้ปุ๋ยที่มีประสิทธิภาพสูงขึ้นและสามารถนำไปใช้เชิงพาณิชย์ สร้างรายได้ให้กับเจ้าของฟาร์มและเป็นมิตรกับสิ่งแวดล้อม
คณะเทคโนโลยีการเกษตร
-
คณะวิทยาศาสตร์
ด้วยการพัฒนาของเทคโนโลยีทางด้านอวกาศทำให้การสำรวจท้องฟ้าโดยใช้กล้องโทรทรรศน์ที่มีมุมมองกว้างขยายขอบเขตของข้อมูลใหม่ๆ สำหรับการวิจัยดาราศาสตร์โดเมนเวลามากยิ่งขึ้น ทำให้การวิเคราะห์ข้อมูลแบบดั้งเดิมไม่สามารถตอบสนองต่อข้อมูลได้อย่างรวดเร็วและแม่นยำเพียงพอต่อปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ดังนั้น การจำแนกประเภทของข้อมูลซีรีส์เวลาอย่างกราฟแสงจึงเป็นความท้าทายอย่างมากในยุคที่ข้อมูลมีขนาดใหญ่ ในปัจจุบันการวิเคราะห์กราฟแสงจึงจำเป็นต้องใช้เทคนิคการเรียนรู้ของเครื่องเข้ามาช่วยในการวิเคราะห์ คัดกรองข้อมูลอันมหาศาลอย่างหลีกเลี่ยงไม่ได้ โดยอัลกอริทึมการเรียนรู้ของเครื่องแบ่งออกได้ 2 ประเภท คือ แบบตื้นและแบบลึก นักวิจัยหลายๆ ท่านได้นำเสนอวิธีการและการพัฒนาอัลกอริทึมหลากหลายรูปแบบสำหรับการจำแนกประเภทของกราฟแสง ซึ่งในงานนี้เราได้ทำการทดลองใช้ Support Vector Machine (SVM) และ XGBoost ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องประเภทแบบตื้น และ 1D-CNN และ Long Short-Term Memory (LSTM) ซึ่งเป็นอัลกอริทึมการเรียนรู้เชิงลึกเป็นอีกหนึ่งสาขาของการเรียนรู้ของเครื่องที่เป็นประเภทแบบลึก เพื่อใช้ในการจำแนกประเภทของดาวแปรแสง โดยข้อมูลที่ใช้ในการอบรบและทดสอบ คือ ข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) เป็นข้อมูลของดาวแปรแสง โดยอยู่ในพื้นที่ Large Magellanic Cloud (LMC) ที่มีการแบ่งได้ 5 คลาสหลักส่วนใหญ่ (Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars และ Long-period variables) ผลลัพธ์แสดงให้เห็นถึงการวิเคราะห์ประสิทธิภาพของการเรียนรู้ของเครื่องแต่ละประเภทที่ใช้กับข้อมูลกราฟแสง อีกทั้งยังชี้ให้เห็นถึงความแม่นยำและค่าสถิติต่างๆ ของการเรียนรู้ของเครื่องที่ใช้ในทดลอง
คณะบริหารธุรกิจ
เครื่องวัดระดับคาร์บอนมอนอกไซด์ในลมหายใจพร้อมการตอบสนองด้วยเสียงเพื่อวัดระดับคาร์บอนมอนอกไซด์ที่ตกค้างในปอดของผู้ที่มีการใช้ยาสูบ ซึ่งเป็นการบอกระดับการติดยาสูบแทนที่จะวัดระดับนิโคติในเลือด