การศึกษาโมเดลการลดมิติข้อมูลเพื่อจำแนกความผิดปกติของสถานีตรวจวัดสภาพอากาศ

สถานีตรวจวัดสภาพอากาศอัตโนมัติ (Automatic Weather Station หรือ AWS) เป็นเทคโนโลยีที่ใช้ในการตรวจวัดค่าทางอุตุนิยมวิทยาโดยใช้เซ็นเซอร์เฉพาะทางในการตรวจวัด เช่น อุณหภูมิ ความชื่นสัมพัทธ์ ปริมาณน้ำฝน ความเร็วและทิศทางลม ซึ่งมีโอกาสเกิดการชำรุด หรือเกิดข้อผิดพลาดขึ้นในการตรวจวัดค่าได้ เพื่อให้ทราบถึงความผิดปกติของข้อมูลตรวจวัด งานวิจัยนี้จึงมีเป้าหมายที่จะวิเคราะห์ความผิดปกติของสถานีตรวจวัดสภาพอากาศด้วยเทคนิคการลดมิติข้อมูล โดยประยุกต์ใช้อัลกอริทึม Autoencoder, t-SNE และ UMAP ในการลดมิติข้อมูลที่มิติสูงให้มีมิติที่ต่ำลงโดยที่ยังรักษาคุณลักษณะเด่นของข้อมูลดั้งเดิมไว้ ทั้งนี้อัลกอริทึมลดมิติข้อมูลมีคุณสมบัติในการจัดกลุ่มข้อมูล ทำให้สามารถแสดงข้อมูลมิติต่ำด้วยแผนภาพเพื่อศึกษาพฤติกรรมของข้อมูล และสามารถวิเคราะห์สถานะการทำงานของสถานี AWS ได้ งานวิจัยนี้ทำการแบ่งการทดลองออกเป็น 2 กลุ่มได้แก่ กลุ่มการทดลองที่ขนาดความถี่ข้อมูล 5 นาที และ 1 ชั่วโมง เพื่อศึกษาปัจจัยด้านขนาดของมิติข้อมูล ในขั้นตอนการลดมิติข้อมูลพบว่าอัลกอริทึม t-SNE ใช้เวลาประมวลผลน้อยที่สุด รองลงมาคืออัลกอริทึม UMAP และ Autoencoder ตามลำดับ เมื่อทำการลดมิติข้อมูลเสร็จแล้วจะทำการประเมินประสิทธิภาพการจัดกลุ่มข้อมูลของแต่ละอัลกอริทึม โดยใช้วิธีการจัดกลุ่มข้อมูล K-Means ซึ่งทำงานได้ดีกับข้อมูลที่มีมิติต่ำ และระยะห่างระหว่างกลุ่มชัดเจน กำหนดจำนวนกลุ่ม (k) เท่ากับ 2 เพื่อให้สอดคล้องกับกลุ่มข้อมูลจริง จากนั้นนำผลการจัดกลุ่มที่ได้จากการทำนาย ไปทดสอบประสิทธิภาพกับกลุ่มข้อมูลจริง พบว่าอัลกอริทึม UMAP มีค่าความคล้ายคลึงกลุ่มข้อมูลจริงสูงสุด โดยที่ค่า ARI เท่ากับ 0.53 ที่ความถี่ 5 นาที และ 0.66 ที่ความถี่ 1 ชั่วโมง และอัลกอริทึม Autoencoder และ t-SNE ได้ค่าความถูกต้องรองลงมาตามลำดับ