Forecasting PM 2.5 in Upper Northern of Thailand using SARIMA-ANN Model

Abstract

This study aims to develop and compare the forecasting performance of a Seasonal Autoregressive Integrated Moving Average (SARIMA) model with a hybrid SARIMA–Artificial Neural Network (SARIMA–ANN) model for predicting particulate matter with a diameter of less than 2.5 microns (PM2.5) in the upper northern region of Thailand. The monthly average PM2.5 data were obtained from Giovanni in a gridded format, consisting of 26 grid points. Each grid point contains 108 monthly average PM2.5 values. The dataset was divided into a training set and a testing set. The training set, comprising 96 data points from January 2016 to December 2023, was used to build the models. The testing set, consisting of 12 data points from January 2024 to December 2024, was used to evaluate model performance.

The results indicate that incorporating residuals from the SARIMA model into an Artificial Neural Network (ANN) forming the hybrid SARIMA–ANN model significantly improved forecasting accuracy across all analyzed locations. The hybrid model was able to significantly reduce the Mean Absolute Percentage Error (MAPE). The most accurate model was the SARIMA(1,0,0)(2,1,0)12 – ANN15 for Nan Province (Longitude 100.625°E, Latitude 19.5°N), which achieved a MAPE of 0.0361%. The second-best model was the SARIMA(1,0,0)(1,1,1)12 –ANN20 for Phayao Province (Longitude 100°E, Latitude 19°N), with a MAPE of 0.0387%. The third-best model was the SARIMA(1,0,0)(2,1,0)12 – ANN5 for another location in Nan Province (Longitude 100.625°E, Latitude 18.5°N), with a MAPE of 0.0395%.

The proposed models demonstrate high potential in supporting air pollution forecasting and policymaking in high-risk areas, enabling effective planning of mitigation measures to address air quality issues.

งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองและเปรียบเทียบประสิทธิภาพของแบบจำลองอนุกรมเวลา SARIMA กับแบบจำลองผสม SARIMA–ANN ในการพยากรณ์ค่าฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในพื้นที่ภาคเหนือตอนบนของประเทศไทย โดยใช้ข้อมูล PM2.5 เฉลี่ยรายเดือน ที่ได้จาก Giovanni ซึ่งอยู่ในรูปแบบข้อมูลกริด (Grid) จำนวน 26 จุด(กริด) แต่ละจุดมีจำนวนข้อมูล PM2.5 เฉลี่ยรายเดือน 108 ค่า แบ่งข้อมูลออกเป็นชุดเรียนรู้ และชุดทดสอบ โดยชุดข้อมูลเรียนรู้ ใช้สำหรับสร้างแบบจำลอง เป็นข้อมูลตั้งแต่เดือนมกราคม พ.ศ. 2559 ถึงธันวาคม พ.ศ. 2566 จำนวน 96 ค่า ส่วนชุดข้อมูลทดสอบ ใช้สำหรับทดสอบประสิทธิภาพของแบบจำลอง เป็นข้อมูลตั้งแต่เดือนมกราคม พ.ศ. 2567 ถึงเดือนธันวาคม พ.ศ. 2567 จำนวน 12 ค่า ผลการศึกษาพบว่า การนำค่าความคลาดเคลื่อน (Residual) จากแบบจำลอง SARIMA มาประมวลผลเพิ่มเติมด้วยโครงข่ายประสาทเทียม (ANN) โดยเรียกว่า แบบจำลองผสม SARIMA-ANN เป็นแบบจำลองที่มีความแม่นยำในการพยากรณ์ในทุกพื้นที่ที่ทำการวิเคราะห์ โดยสามารถลดค่าความคลาดเคลื่อน MAPE ลงอย่างมีนัยสำคัญ ซึ่งแบบจำลองที่มีประสิทธิภาพในการพยากรณ์ค่าฝุ่น PM2.5 ได้ดีที่สุด คือ แบบจำลอง SARIMA(1,0,0)(2,1,0)12 – ANN15 ของจังหวัดน่าน (Longitude ที่ 100.625°E และ Latitude ที่ 19.5°N ) มีค่า MAPE เป็น 0.0361% รองลงมาคือ แบบจำลอง SARIMA(1,0,0)(1,1,1)12 – ANN20 ของจังหวัดพะเยา (Longitude ที่ 100°E และ Latitude ที่ 19°N ) มีค่า MAPE เป็น 0.0387% และแบบจำลอง SARIMA(1,0,0)(2,1,0)12 – ANN5 ของจังหวัดน่าน (Longitude ที่ 100.625°E และ Latitude ที่ 18.5°N ) มีค่า MAPE เป็น 0.0395% แบบจำลองที่ได้จึงมีศักยภาพสูงในการสนับสนุนการคาดการณ์มลพิษทางอากาศและการวางแผนเชิงนโยบายในพื้นที่เสี่ยง เพื่อวางแผนมาตรการรับมือปัญหามลพิษได้อย่างมีประสิทธิภาพ