การวิเคราะห์สารมลพิษที่เกี่ยวข้องและสร้างแบบจำลองสำหรับประมาณค่าความเข้มข้นของฝุ่น PM2.5 ด้วยข้อมูลภาพดาวเทียม ในภาคเหนือตอนบนของประเทศไทย
คำสำคัญ:
ค่าความลึกเชิงแสงของละอองลอย , ฝุ่น PM2.5 , สารมลพิษทางอากาศ , ภาพดาวเทียม , แบบจำลองบทคัดย่อ
วัตถุประสงค์และที่มา : มลพิษทางอากาศ เป็นภาวะที่อากาศมีการปนเปื้อนของสารหรือสิ่งปนเปื้อนปริมาณมากในระยะเวลาที่ยาวนานมากพอจนเกิดอันตรายต่อสิ่งมีชีวิต สิ่งปนเปื้อนเหล่านี้อาจอยู่ในรูปของแข็ง ของเหลว หรือก๊าซ สารมลพิษทางอากาศที่ส่งผลต่อสุขภาพอนามัยของมนุษย์มีหลายชนิด เช่น ฝุ่นละอองขนาดเล็ก (PM) ก๊าซคาร์บอนมอนอกไซด์ (CO) ก๊าซไนโตรเจนไดออกไซด์ (NO2) ก๊าซซัลเฟอร์ไดออกไซด์ (SO2) สารตะกั่ว (Lead, Pb) ก๊าซโอโซน (O3) และสารอินทรีย์ระเหยง่าย การอยู่ในสภาพแวดล้อมที่มีมลพิษทางอากาศทำให้เกิดความเสี่ยงในการเกิดโรคร้ายแรงตามมา เช่น โรคระบบทางเดินหายใจ และโรคระบบหัวใจหลอดเลือด การตรวจวัดคุณภาพอากาศในระดับภาคพื้นดินของประเทศไทยยังคงมีข้อจำกัดหลายประการ เช่น จำนวนสถานีตรวจวัดที่มีจำกัดและความครอบคลุมที่ไม่ทั่วถึงในหลาย ๆ พื้นที่ โดยเฉพาะในพื้นที่ห่างไกลหรือชนบทที่ไม่มีการติดตั้งสถานีตรวจวัด อาจทำให้เกิดผลเสียต่อประชาชนกลุ่มเปราะบางในด้านการป้องกันสุขภาพ โดยลักษณะของอนุภาคฝุ่นละอองขนาดเล็ก ควัน และมลพิษทางอากาศมีคุณสมบัติในการดูดกลืนและสะท้อนรังสีจากดวงอาทิตย์ และมีเพียงบางส่วนเท่านั้นที่สามารถเดินทางมาถึงพื้นโลกได้ จึงสามารถประยุกต์ใช้ค่าความลึกเชิงแสงของละอองลอย ในการตรวจสอบปริมาณรังสีที่มาจากดวงอาทิตย์ที่ได้รับผลกระทบจากอนุภาคแขวนลอยในอากาศก่อนจะเดินทางมายังโลก แสดงความสัมพันธ์ของสัดส่วนอนุภาคที่วัดได้เหนือพื้นดินในแนวดิ่งกับค่าอนุภาคในบริเวณพื้นผิวดิน การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อวิเคราะห์ความสัมพันธ์ระหว่างความเข้มข้นของฝุ่น PM2.5 กับมลพิษทางอากาศที่เกี่ยวข้องในพื้นที่ภาคเหนือตอนบนของประเทศไทยและสร้างแบบจำลองสำหรับการประมาณค่าสารมลพิษทางอากาศโดยใช้ข้อมูลภาพดาวเทียมรายวัน ตั้งแต่ มกราคม พ.ศ.2557 ถึง ธันวาคม พ.ศ.2566 จำนวน 2,721 ภาพ และแบ่งผลการศึกษาเปรียบเทียบเป็นรายฤดูกาลเพื่อเพิ่มประสิทธิภาพและความแม่นยำของแบบจำลอง การนำเทคโนโลยีรีโมทเซนซิงมาประยุกต์ใช้งานไม่เพียงช่วยเพิ่มความครอบคลุมในการตรวจวัดคุณภาพอากาศ แต่ยังเป็นการสนับสนุนการวางแผนเชิงนโยบาย การวิจัย และการจัดการด้านสิ่งแวดล้อมในระยะยาว ทำให้สามารถรับมือกับปัญหามลพิษทางอากาศได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
วิธีดำเนินการวิจัย : ข้อมูลที่ใช้ในการศึกษาประกอบด้วย 1) ข้อมูลค่าความลึกเชิงแสงของละอองลอย (AOD) จากผลิตภัณฑ์ MCD19A2v061 เป็นข้อมูลที่ได้จากเซนเซอร์ MODIS บนดาวเทียม Terra และ Aqua ใช้สำหรับวิเคราะห์ปริมาณละอองลอยในชั้นบรรยากาศ และ 2) ข้อมูลการตรวจวัดภาคพื้นดินของฝุ่น PM2.5 และสารมลพิษทางอากาศที่เกี่ยวข้อง ได้แก่ ก๊าซคาร์บอนมอนอกไซด์ (CO) ก๊าซไนโตรเจนไดออกไซด์ (NO2) และก๊าซซัลเฟอร์ไดออกไซด์ (SO2) จากกองจัดการคุณภาพอากาศและเสียง กรมควบคุมมลพิษ ในส่วนของการวิเคราะห์ความสัมพันธ์ระหว่างความเข้มข้นของฝุ่น PM2.5 กับมลพิษทางอากาศที่เกี่ยวข้อง ใช้ข้อมูลการตรวจวัดภาคพื้นดินมาวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรทีละคู่ด้วยสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson correlation) และการสร้างแบบจำลองใช้ข้อมูลการตรวจวัดภาคพื้นดินของฝุ่น PM2.5 และสารมลพิษทางอากาศแต่ละชนิดมาหาวิเคราะห์ร่วมกับค่า AOD ด้วยแบบจำลองจากสมการถดถอย 6 แบบ ได้แก่ แบบเส้นตรง (Linear model)แบบล็อกการิธมิค (Logarithmic model) แบบควอดราติกส์ (Quadratic model) แบบคิวบิค (Cubic model) แบบเลขยกกำลัง (Power model) และแบบเอ็กโปเนนเชียล (Exponential model) เพื่อหาสมการที่ดีที่สุด หลังจากนั้นดำเนินการตรวจสอบความถูกต้องของแบบจำลอง (Validation) โดยนำค่าความเข้มข้นของฝุ่น PM2.5 และสารมลพิษทางอากาศที่ประมาณค่าด้วยแบบจำลอง (Estimated) มาเปรียบเทียบกับค่าความเข้มข้นของฝุ่น PM2.5 และสารมลพิษทางอากาศจากสถานีตรวจวัดภาคพื้นดิน (Observed)
ผลการวิจัย : ผลการศึกษาความสัมพันธ์ระหว่างฝุ่น PM2.5 กับมลพิษทางอากาศที่เกี่ยวข้อง ได้แก่ ก๊าซคาร์บอนมอนอกไซด์ (CO) ก๊าซไนโตรเจนไดออกไซด์ (NO2) และก๊าซซัลเฟอร์ไดออกไซด์ (SO2) ด้วยการวิเคราะห์สัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson correlation) แสดงให้เห็นความแตกต่างของความสัมพันธ์ตามช่วงฤดูกาล โดยความเข้มข้นของฝุ่น PM2.5 กับ ก๊าซคาร์บอนมอนอกไซด์มีความสัมพันธ์สูงที่สุดในช่วงฤดูร้อน (R2 = 0.789) ขณะที่ในช่วงฤดูหนาวมีความสัมพันธ์ปานกลาง (R2 = 0.560) และในช่วงฤดูฝนมีความสัมพันธ์ต่ำที่สุด (R2 = 0.124) สำหรับความเข้มข้นของฝุ่น PM2.5 กับก๊าซไนโตรเจนไดออกไซด์และก๊าซซัลเฟอร์ไดออกไซด์ พบความสัมพันธ์ปานกลางในช่วงฤดูหนาว (R2 = 0.501 และ R2 = 0.395 ตามลำดับ) ส่วนในช่วงฤดูร้อนและฤดูฝนพบความสัมพันธ์ระหว่างความเข้มข้นของฝุ่น PM2.5 กับก๊าซไนโตรเจนไดออกไซด์ และก๊าซซัลเฟอร์ไดออกไซด์ต่ำที่สุด (R2 = 0.103, R2 = 0.018 และ R2 = 0.002, R2 = 0.001 ตามลำดับ) ผลการสร้าแบบจำลองพบว่าข้อมูลการตรวจวัดภาคพื้นดินของฝุ่น PM2.5 และก๊าซคาร์บอนมอนอกไซด์มีความสัมพันธ์แบบคิวบิค (Cubic model)กับค่า AOD โดยแบบจำลองในช่วงฤดูร้อนมีความเหมาะสมสูงที่สุดด้วยค่า R2 = 0.923 และ R2 = 0. 823 ตามลำดับ การประเมินประสิทธิภาพของแบบจำลองสำหรับประมาณค่าความเข้มข้นของฝุ่น PM2.5 มีความถูกต้องรวมร้อยละ 92.5 ส่วนการประมาณค่าความเข้มข้นของก๊าซคาร์บอนมอนอกไซด์มีความถูกต้องรวมร้อยละ 80 เมื่อพิจารณาแนวโน้มความเข้มข้นรายเดือนระหว่างค่าที่ได้จากการประมาณด้วยแบบจำลองกับค่าจริงจากการตรวจวัดที่สถานี พบว่าค่าความเข้มข้นของทั้งสองชุดข้อมูลมีแนวโน้มใกล้เคียงกัน
สรุปผลการวิจัย : การวิเคราะห์ความสัมพันธ์ระหว่างฝุ่น PM2.5 และก๊าซคาร์บอนมอนอกไซด์พบว่ามีความสัมพันธ์ระหว่างกัน สูงที่สุดในช่วงฤดูร้อน เนื่องจากการเผาไหม้ในพื้นที่เกษตรกรรมหรือการเกิดไฟป่าที่เป็นสาเหตุหลักของการเกิดมลพิษทางอากาศที่มักเกิดในช่วงฤดูร้อนในพื้นที่ภาคเหนือตอนบนของประเทศไทย ในช่วงฤดูหนาวพบความสัมพันธ์ปานกลาง และในช่วงฤดูฝนพบความสัมพันธ์ต่ำที่สุด ส่วนค่าความเข้มข้นของฝุ่น PM2.5 กับก๊าซไนโตรเจนไดออกไซด์ และค่าความเข้มข้นของฝุ่น PM2.5 กับก๊าซซัลเฟอร์ไดออกไซด์พบว่ามีความสัมพันธ์ปานกลางในช่วงฤดูหนาว เนื่องจากอิทธิพลของปรากฏการณ์อุณหภูมิผกผันที่กักเก็บมลพิษเอาไว้ ส่วนในช่วงฤดูร้อนและฤดูฝนพบว่ามีความสัมพันธ์ที่ต่ำมาก โดยเฉพาะในช่วงฤดูฝนที่มีปริมาณน้ำฝนช่วยลดความเข้มข้นของมลพิษทางอากาศผ่านกระบวนการชะล้างมลพิษ (Wet Deposition) พื้นที่ภาคเหนือตอนบนของประเทศไทยมักเผชิญปัญหามลพิษทางอากาศรุนแรง โดยเฉพาะค่าฝุ่น PM2.5 ที่สูงเกินค่ามาตรฐานคุณภาพอากาศที่กำหนด โดยเฉพาะในช่วงเดือนกุมภาพันธ์ถึงพฤษภาคมมลพิษทางอากาศในช่วงเวลาดังกล่าวอยู่ในระดับที่เริ่มมีผลกระทบต่อสุขภาพถึงระดับที่มีผลกระทบต่อสุขภาพและอาจส่งผลกระทบต่อการเกิดปัญหาสุขภาพทั้งในระยะสั้นและระยะยาว ในการศึกษาครั้งนี้ได้พัฒนาแบบจำลองสำหรับประมาณค่าความเข้มข้นของฝุ่น PM2.5 และมลพิษทางอากาศที่เกี่ยวข้อง โดยใช้ค่าความลึกเชิงแสงของละอองลอย (AOD) ร่วมกับข้อมูลการตรวจวัดคุณภาพอากาศจากสถานีตรวจวัดคุณภาพอากาศภาคพื้นดิน ผลการศึกษาพบว่าแบบจำลองที่ได้เมื่อนำมาวิเคราะห์ผ่านภาพถ่ายดาวเทียมมีความแม่นยำสูง สามารถนำไปประยุกต์ใช้กับพื้นที่ที่ไม่มีสถานีตรวจวัดคุณภาพอากาศภาคพื้นดิน ซึ่งเป็นประโยชน์กับหน่วยงานที่เกี่ยวข้องสามารถดำเนินมาตรการป้องกันและแก้ไขปัญหามลพิษทางอากาศได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
References
Asadi, A., Goharnejad, H., & Niri, M. Z. (2019). Regression modelling of air quality based on meteorological parameters and satellite data. Journal of Elementology, 24(1).
Bao, V. Q., & Van, T. T. (2021). An empirical relationship between PM2. 5 and aerosol optical depth from MODIS satellite images for spatial simulation over Ho Chi Minh city. Vietnam Journal of Science, Technology and Engineering, 63(4), 72-78.
Buya, S., Usanavasin, S., Gokon, H., & Karnjana, J. (2023). An Estimation of daily PM2. 5 Concentration in Thailand using satellite Data at 1-kilometer resolution. Sustainability, 15(13), 10024.
Chairattanawan, K., & Patthirasinsiri, N. (2020). Emission source impact and problem solving and management on PM2. 5 in the Northern part of Thailand. J Assoc Res, 25(1), 432-446.
Charoenpanyanet, A., & Hemwan, P. (2019). Suitable Model for Estimation of PM2. 5 Concentration Using Aerosol Optical Thickness (AOT) and Ground based Station: Under the Dome in Upper Northern, Thailand.International Journal of Geoinformatics, 15(3).
Kawichai, S., Prapamontol, T., Cao, F., Song, W., & Zhang, Y. L. (2024). Characteristics of Carbonaceous Species of PM2. 5 in Chiang Mai City, Thailand. Aerosol and Air Quality Research, 24(4), 230269.
Lalchandani, V., Srivastava, D., Dave, J., Mishra, S., Tripathi, N., Shukla, A. K., Sahu, R., Thamban, N. M., Gaddamidi, S., Dixit, K., Ganguly, D., Tiwari, S., Srivastava, A. K., Sahu, L., Rastogi, N., Gargava, P., & Tripathi, S. N. (2022). Effect of biomass burning on PM2. 5 composition and secondary aerosol formation during post‐monsoon and winter haze episodes in Delhi. Journal of Geophysical Research: Atmospheres, 127(1), e2021JD035232.
Niedźwiedź, T., Łupikasza, E. B., Małarzewski, Ł., & Budzik, T. (2021). Surface-based nocturnal air temperature inversions in southern Poland and their influence on PM10 and PM2.5 concentrations in Upper Silesia. Theoretical and Applied Climatology, 146(3), 897-919.
Onivefu, A. P., & Imarhiagbe, O. (2024). Types of Air Pollutants. Air Pollutants in the Context of One Health: Fundamentals, Sources, and Impacts (pp. 123-160). Cham: Springer Nature Switzerland.
Peng-In, B., Sanitluea, P., Monjatturat, P., Boonkerd, P., & Phosri, A. (2022). Estimating ground-level PM2. 5 over Bangkok Metropolitan Region in Thailand using aerosol optical depth retrieved by MODIS. Air Quality, Atmosphere & Health, 15(11), 2091-2102.
Satheesh, S. K., & Moorthy, K. K. (2005). Radiative effects of natural aerosols: A review. Atmospheric Environment, 39(11), 2089-2110.
Shahriyari, H. A., Nikmanesh, Y., Jalali, S., Tahery, N., Zhiani Fard, A., Hatamzadeh, N., Zarea, K., Cheraghi, M., & Mohammadi, M. J. (2022). Air pollution and human health risks: mechanisms and clinical Manifestations of cardiovascular and respiratory diseases. Toxin Reviews, 41(2), 606-617.
Shao, M., Xu, X., Lu, Y., & Dai, Q. (2023). Spatio-temporally differentiated impacts of temperature inversion on surface PM2. 5 in eastern China. Science of the Total Environment, 855, 158785.
Srianan, K., & Lalitaporn, P. (2022). Estimating particulate matter concentration by using satellite data over central Thailand. Journal of Environmental and Sustainable Management, 18(2), 4-25.
Tao, J., Zhang, L., Engling, G., Zhang, R., Yang, Y., Cao, J., Zhu, C., Wang, Q., & Luo, L. (2013). Chemical composition of PM2. 5 in an urban environment in Chengdu, China: Importance of springtime dust storms and biomass burning. Atmospheric Research, 122, 270-283.
Zhang, Y., & Li, Z. (2015). Remote sensing of atmospheric fine particulate matter (PM2. 5) mass concentration near the ground from satellite observation. Remote Sensing of Environment, 160, 252-262.

Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2025 คณะวิทยาศาสตร์ มหาวิทยาลัยบูรพา

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Burapha Science Journal is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information