ระบบพยากรณ์และเฝ้าระวังคุณภาพน้ำอัจฉริยะตามดัชนีคุณภาพน้ำ ด้วยเทคนิคการเรียนรู้ของเครื่องและอินเทอร์เน็ตของสรรพสิ่ง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ใช้เทคโนโลยีอินเทอร์เน็ตของสรรพสิ่ง (IoT) ร่วมกับการเรียนรู้ของเครื่อง (Machine Learning) เพื่อพัฒนาต้นแบบระบบพยากรณ์และเฝ้าระวังคุณภาพน้ำอัจฉริยะ โดยมุ่งเน้นการวิเคราะห์ค่าดัชนีคุณภาพน้ำแบบลดรูป (Reduced Water Quality Index: rWQI) จากข้อมูลอุณหภูมิน้ำ ค่าความเป็นกรด-ด่าง (pH) และปริมาณของแข็งละลายน้ำรวม (TDS) ผ่านการเปรียบเทียบประสิทธิภาพของ 4 โมเดล ได้แก่ Extremely Randomized Trees (ET), Random Forest (RF), Simple Linear Regression (LR) และ Multiple Linear Regression (MLR) ในการพยากรณ์ค่าคุณภาพน้ำล่วงหน้าระยะเวลา 1–6 ชั่วโมง โดยทำการทดสอบประสิทธิภาพของอัลกอริทึมผ่านตัวชี้วัด 4 ด้าน ได้แก่ สัมประสิทธิ์การตัดสินใจ (R2) ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ย (MAPE) และค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ยแบบสมมาตร (sMAPE) โดยผลการทดลองพบว่าประสิทธิภาพของแบบจำลองมีความแปรผันตามระยะเวลาพยากรณ์ ซึ่งในระยะสั้น (1–3 ชั่วโมงล่วงหน้า) แบบจำลอง RF ให้ประสิทธิภาพการพยากรณ์ดีที่สุด (โดยในชั่วโมงแรกมีค่า R2 = 0.566 และ MAE = 5.215) ในขณะที่การพยากรณ์ระยะยาว (4–6 ชั่วโมงล่วงหน้า) พบว่าทุกแบบจำลองมีประสิทธิภาพลดลงอย่างมาก (R2 < 0) ซึ่งมีความคลาดเคลื่อนสูงกว่าการใช้ค่าเฉลี่ยของข้อมูล (Mean Baseline) โดยข้อจำกัดนี้มีสาเหตุมาจากความผันผวนของคุณภาพน้ำที่สูงในสภาพแวดล้อมจริง ร่วมกับความคลาดเคลื่อนสะสมของการทำนายข้ามช่วงเวลาหลายก้าว (Multi-step Ahead Forecasting) ดังนั้นจากข้อค้นพบดังกล่าวจึงสรุปได้ว่าการใช้แบบจำลองให้สอดคล้องกับกรอบเวลาพยากรณ์เป็นปัจจัยสำคัญในการเพิ่มประสิทธิภาพและความเสถียรในการประเมินและพยากรณ์ดัชนีคุณภาพน้ำ ซึ่งพบว่าโมเดลที่พัฒนาขึ้นมีความแม่นยำและเหมาะสมสำหรับแจ้งเตือนล่วงหน้าในระยะสั้น ในระยะ 1-3 ชั่วโมง ซึ่งองค์ความรู้นี้จะช่วยให้ผู้ใช้สามารถวางแผนควบคุมคุณภาพน้ำได้อย่างแม่นยำและรวดเร็ว ช่วยลดต้นทุนและความเสี่ยงในการสูญเสียสัตว์น้ำ อีกทั้งยังเป็นต้นแบบทางเทคโนโลยีเกษตรดิจิทัลที่ช่วยยกระดับการเฝ้าระวังคุณภาพน้ำทั่วไปสู่การบริหารจัดการเชิงรุกด้วยเทคโนโลยีอัจฉริยะ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา (JSSE) เป็นผู้ถือลิสิทธิ์บทความทุกบทความที่เผยแพร่ใน JSSE นี้ ทั้งนี้ ผู้เขียนจะต้องส่งแบบโอนลิขสิทธิ์บทความฉบับที่มีรายมือชื่อของผู้เขียนหลักหรือผู้ที่ได้รับมอบอำนาจแทนผู้เขียนทุกนให้กับ JSSE ก่อนที่บทความจะมีการเผยแพร่ผ่านเว็บไซต์ของวารสาร
แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
ทางวารสาร JSSE ได้กำหนดให้มีการกรอกแบบโอนลิขสิทธิ์บทความให้ครบถ้วนและส่งมายังกองบรรณาธิการในข้อมูลเสริม (supplementary data) พร้อมกับนิพนธ์ต้นฉบับ (manuscript) ที่ส่งมาขอรับการตีพิมพ์ ทั้งนี้ ผู้เขียนหลัก (corresponding authors) หรือผู้รับมอบอำนาจ (ในฐานะตัวแทนของผู้เขียนทุกคน) สามารถดำเนินการโอนลิขสิทธิ์บทความแทนผู้เขียนทั้งหมดได้ ซึ่งสามารถอัพโหลดไฟล์บทความต้นฉบับ (Manuscript) และไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนู “Upload Submission” ดังนี้
1. อัพโหลดไฟล์บทความต้นฉบับ (Manuscript) ในเมนูย่อย Article Component > Article Text
2. อัพโหลดไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนูย่อย Article Component > Other
ดาวน์โหลด ไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
เอกสารอ้างอิง
Al-Shareeda, M. A., Ali, A. M., Hammoud, M. A., Kazem, Z. H. M. and Hussein, M. A. (2025). Secure IoT-based real-time water level monitoring system using ESP32 for critical infrastructure. Journal of Cyber Security and Risk Auditing, 2025(2), 44-52.
Arthi, P., Mahesh, N., Saipurusoth, H. and Janardhanam, B. (2024). IoT based smart aquaculture monitoring system for fish tank management. Journal of Ubiquitous Computing and Communication Technologies, 6(3), 214–227.
Bakar, A. A., Bakar, Z., Yusoff, Z., Ibrahim, M., Mokhtar, N. and Zaiton, S. (2025). IoT-based real-time water quality monitoring and sensor calibration for enhanced accuracy and reliability. International Journal of Interactive Mobile Technologies, 19(1), 155–170.
Boyd, C. E. (1990). Water quality in ponds for aquaculture. Birmingham: Birmingham Publishing Co.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Brown, R. M., McClelland, N. I., Deininger, R. A. and Tozer, R. G. (1970). A water quality index-do we dare?. Water and Sewage Works, 117(10), 339–343.
Dayaday, M. G. and Namoco, C. S. (2021). An innovative real-time water quality monitoring system for aquaculture application. Journal of Engineering and Applied Sciences, 16(24), 2737-2740.
De Oliveira, A. R. M., Borges, A. C., Da Silva, G. J. and Nascimento, M. (2022). Development of a water quality index with a reduced number of parameters. Engenharia Agrícola, 42(3), e20220006.
Department of Fisheries. (2024). Director-general of the department of fisheries reveals ornamental fish and Thai Siamese fighting fish are popular worldwide, generating over 1,000 million baht in exports (in Thai). Retrieved 30 May 2026, from Department of Fisheries: https://www4.fisheries.go.th/local/index.php/main/view_activities/1210/255678
Duangwongsa, J., Ungsethaphand, T., Akaboot, P., Khamjai, S. and Unankard, S. (2022). Real-time water quality monitoring and notification system for aquaculture. Proceedings of IEEE International Conference on Internet of Things and Intelligence System (pp. 1–6). Bali, Indonesia.
Fandiño Pelayo, J. S., Mendoza Castellanos, L. S., Cazes Ortega, R. and Hernández-Rojas, L. G. (2025). AI-driven monitoring for fish welfare in aquaponics: a predictive approach. Sensors, 25(19), 6107.
Forhad, H. M., Uddin, M. R., Chakrovorty, R. S., Ruhul, A. M., Faruk, H. M., Kamruzzaman, S., Sharmin, N., Jamall, A. S. M. M., Haque, M. M. and Morshed, A. K. M. (2024). IoT based real-time water quality monitoring system in water treatment plants (WTPs). Heliyon, 10(23), e40746.
Gaya, M. S., Abba, S. I., Abdu, A. M., Tukur, A. I., Saleh, M. A., Esmaili, P. and Wahab, N. A. (2020). Estimation of water quality index using artificial intelligence approaches and multi-linear regression. IAES International Journal of Artificial Intelligence, 9(1), 126–134.
Geurts, P., Ernst, D. and Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42.
Hridoy, M. A. A. M., Shawkat, A. I., Bordin, C., Acharjee, M. R., Masood, A., Baki, A. O. and Al Mamun, M. A. (2025). Advanced machine learning models for accurate water quality classification and WQI prediction: Implications for aquatic disease risk management. Science of The Total Environment, 1008, 180965.
Jais, N. A. M., Abdullah, A. F., Kassim, M. S. M., Abd Karim, M. M. and Muhadi, N. A. (2024). Improved accuracy in IoT-Based water quality monitoring for aquaculture tanks using low-cost sensors: Asian seabass fish farming. Heliyon, 10(8), e29022.
Mohd Zebaral Hoque, J., Ab. Aziz, N. A., Alelyani, S., Mohana, M. and Hosain, M. (2022). Improving water quality index prediction using regression learning models. International Journal of Environmental Research and Public Health, 19(20), 13702.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830.
Palabıyık, S. and Akkan, T. (2024). Evaluation of water quality based on artificial intelligence: performance of multilayer perceptron neural networks and multiple linear regression versus water quality indexes. Environment, Development and Sustainability, 26(6), 7521–7545.
Palconit, M., Concepcion, R. S, Tobias, R. R., Alejandrino, J., Almero, V. J. D, Bandala, A. A, Vicerra, R. R. P., Sybingco, E. and Dadios, E. P. (2021). Development of IoT-based fish tank monitoring system. In Proceedings of the 2021 IEEE 13th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control Environment (HNICEM) (pp. 1–6). Manila, Philippines.
Patel, D., Kiradia, K. and Sharma, P. (2025). IoT-Based Water Quality Monitoring System using ESP32. International Journal for Research in Applied Science and Engineering Technology, 13(4), 4942–4949.
Shams, M. Y., Elshewey, A. M., El-Kenawy, E. S. M., Ibrahim, A., Talaat, F. M. and Tarek, Z. (2023). Water quality prediction using machine learning models based on grid search method. Multimedia Tools and Applications, 83, 35307–35334.
Siswanto, B., Dani, Y., Morika, D. and Mardiyana, B. (2023). A simple dataset of water quality on aquaponic fish ponds based on an internet of things measurement device. Data in Brief, 48, 109218.
Stojanovic, N. and Chaudhary, S. (2023). Real-time water quality monitoring in aquaculture using IoT sensors and cloud-based analytics. Research Journal of Computer Systems and Engineering, 4(2), 174–187.
Straits Research. (2024). Ornamental fish market size, share and trends analysis report by type (tropical freshwater, temperate freshwater, marine), by application, by distribution channel, and segment forecasts 2024–2032. Retrieved 30 May 2026, from Straits Research: https://straitsresearch.com/report/ornamental-fish-market
Zhu, M., Wang, J., Yang, X., Zhang, Y., Zhang, L., Ren, H., Wu, B. and Ye, L. (2022). A review of the application of machine learning in water quality evaluation. Eco-Environment and Health, 1(2), 107–116.
