การประยุกต์ใช้โมเดลการเรียนรู้ของเครื่องเพื่อทำนายปริมาณการปล่อยก๊าซเรือนกระจกในโรงเรียน: กรณีศึกษาโรงเรียนในการสนับสนุนของบริษัทเอกชนแห่งหนึ่ง

การเปลี่ยนแปลงสภาพภูมิอากาศที่ทวีความรุนแรงขึ้นได้ผลักดันให้ประเทศไทยกำหนดเป้าหมายในการเป็นกลางทางคาร์บอนภายในปี 2050 และการปล่อยก๊าซเรือนกระจกสุทธิเป็นศูนย์ภายในปี 2065 การจัดการขยะในภาคการศึกษานับเป็นหนึ่งในกลยุทธ์สำคัญที่ภาครัฐเริ่มให้ความสนใจ ควบคู่ไปกับเป้าหมายการลดการปล่อยก๊าซในระยะยาวอย่างยั่งยืนในภาคอุตสาหกรรมต่าง ๆ การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบทำนายปริมาณการลดการปล่อยก๊าซคาร์บอนไดออกไซด์เทียบเท่าจากการจัดการขยะในโรงเรียน โดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อสนับสนุนการวางแผนและดำเนินนโยบายในการลดก๊าซเรือนกระจกในระดับประเทศ นอกจากนี้ ยังมีการศึกษาปัจจัยที่มีผลต่อปริมาณก๊าซคาร์บอนไดออกไซด์เทียบเท่า รวมถึงการเปรียบเทียบประสิทธิภาพของโมเดล Machine Learning ต่าง ๆ ได้แก่ Linear Regression, Random Forest, Gradient Boosting, XGBoost และ ANN ข้อมูลที่ใช้ในการศึกษาได้มาจากโรงเรียน 45 แห่งที่เข้าร่วมโครงการลดขยะเป็นระยะเวลา 1 ปี 1 เดือน ซึ่งได้รับการสนับสนุนจากบริษัทเอกชนแห่งหนึ่ง หลังจากการจัดเตรียมข้อมูลและนำเข้าโมเดลด้วยวิธี 10-fold Validation เนื่องจากปริมาณข้อมูลที่ไม่มากนัก ผลการวิจัยพบว่าเทคนิคที่ให้ค่าความแม่นยำที่สุดคือ XGBoost โดยให้ค่า RMSE เท่ากับ 0.0017 และค่า R² อยู่ที่ 99.98% ภายใต้พารามิเตอร์ max_depth เท่ากับ 7 และ learning_rate เท่ากับ 1 แต่อีกโมเดลที่มีประสิทธิภาพเช่นกันคือ Gradient Boosting ซึ่งมีพารามิเตอร์ที่ดีที่สุด คือ learning_rate เท่ากับ 0.1, max_depth เท่ากับ 5, min_samples_split เท่ากับ 5 และ n_estimators เท่ากับ 200 โดยให้ค่า RMSE เท่ากับ 0.0029 และค่า R² อยู่ที่ 99.94% อีกทั้งปัจจัยที่ส่งผลโดยตรงต่อปริมาณก๊าซคาร์บอนไดออกไซด์เทียบเท่าคือ น้ำหนักและประเภทของขยะ ซึ่งสอดคล้องกับบริบทในสถานการณ์จริง