การปรับปรุงประสิทธิภาพสำหรับการจำแนกประเภทของ กลุ่มเมฆโดยใช้วิธีการเรียนรู้แบบรวมกลุ่ม Improve Performance for Cloud Classification Using Ensemble Method ปภัทท์ อุปการ์1, เกรียงศักดิ์ เตมีย์2*, เกรียงศักดิ์ โยธาภักดี3, ถิรนันท์ สอนแก้ว4 และ โรนัลด์ มาคาทังงัย5 Paphat Auppakar1, Kreangsak Tamee2*, Kriengsak Yothapakdee3, Thiranan Sonkaew4 and Ronald Macatangay5 1 นิสิตบัณฑิตศึกษา ภาควิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร 2 อาจารย์ประจำหลักสูตร ภาควิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร 3 อาจารย์ประจำสาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาราชภัฏเลย 4 อาจารย์ประจำสาขาวิชาฟิสิกส์ คณะวิทยาศาสตร์ มหาวิทยาราชภัฏลำปาง 5 นักวิจัย สถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน)
วัตถุประสงค์ของการวิจัย วิธีการดำเนินงานวิจัย หัวข้อนำเสนอ ความเป็นมาและความสำคัญของปัญหา วัตถุประสงค์ของการวิจัย วิธีการดำเนินงานวิจัย สรุปผลการทดลอง งานวิจัยในอนาคต เอกสารและงานวิจัยที่เกี่ยวข้อง
ความเป็นมาและความสำคัญของปัญหา Cloud Type เนื่องจากสภาพอากาศในปัจจุบันมีความสำคัญต่อการใช้ชีวิตประจำวันเป็นอย่างมาก ไม่ว่าจะเป็น การเกิดฟ้าร้องฟ้าผ่า การเกิดลมพายุ การเกิดฝน ซึ่งสิ่งเหล่านี้มีผลกระทบต่อการดำรงชีวิตประจำวันทั้งสิ้น เมฆบางชนิดสามารถบ่งบอกถึงสภาพอากาศได้เป็นอย่างดี เช่น อัลโตคิวมูลัส(Altocumulus) อัลโตสเตรตัส(Altostratus) และนิมโบสเตรตัส(Nimbostratus) เมฆเหล่านี้สามารถบ่งบอกถึงการเกิดสภาพอากาศแปรปรวน ลมพายุ ฟ้าร้องฟ้าผ่า รวมถึงการเกิดฝนตก เป็นต้น ดังนั้นการจำแนกประเภทของเมฆจึงมีส่วนสำคัญต่อการพยากรณ์อากาศเป็นอย่างมาก
ความเป็นมาและความสำคัญของปัญหา Techniques 2 Researcher 1 3 Meteorological 4
เอกสารงานวิจัยที่เกี่ยวข้อง Heinle et al., (2010) Pallavi and Vaithiyanathan, (2013) Chauvin et al., (2015) Taravat et al., (2015) ถิรนันท์ สอนแก้ว และคณะ, (2558)
เอกสารงานวิจัยที่เกี่ยวข้อง Pour, S.G., Leod, P.M., Verma, B., and Maeder, A., (2012) Tiwari A. and Prakash A., (2014) SHI, L., YWANG, Q., MA, X., WENG, M. and QIAO, H., (2012) Meshram, S.B. and Shinde, S.M., (2015)
วัตถุประสงค์ของการวิจัย ปรับปรุงประสิทธิภาพการจำแนกประเภทชนิดของกลุ่มเมฆโดยใช้อัลกอริทึม J48 และ ANN ร่วมกับเทคนิคการเรียนรู้แบบรวมกลุ่ม แสดงผลการเปรียบเทียบประสิทธิภาพของเทคนิคการเรียนรู้แบบรวมกลุ่ม 4 วิธีการคือ Bagging Boosting(Adaboost) Voting Random Forest
วิธีการดำเนินงานวิจัย 1 3P3C 3P8C 7P3C 7P8C Single classification Ensemble classification 2 Model Evaluatio n Performance Co mparison 3 วิธีการดำเนินงานวิจัยแบ่งออกเป็น 3 ขั้นตอนหลัก ประกอบด้วย ขั้นตอนที่ 1 การจัดเตรียมข้อมูลที่ใช้ในการทดลอง ขั้นตอนที่ 2 การสร้างแบบจำลองสำหรับจำแนกประเภทของกลุ่มเมฆโดยได้แบ่งแบบจำลองออกเป็น 2 แบบ ได้แก่ แบบจำลองการจำแนกประเภทแบบเดี่ยวและแบบจำลองการจำแนกประเภทแบบรวมกลุ่ม ขั้นตอนที่ 3 ขั้นตอนการวัดประสิทธิภาพของแบบจำลองและเปรียบเทียบผลลัพธ์
วิธีการดำเนินงานวิจัย(ต่อ) ขั้นตอนที่ 1 Cloud Data Set 4 Parameter A / M= (AV) S / M= (SD) Cloud Cover (CC) 3 Parameter 3 Class 8 Class 4 Meteorology Parameters Image from whole sky-camera Solar Radiance from Pyranometer(S, A) Average Solar Radiance(M) T WS P RH Data Preparation AV คือ ค่าอัตราส่วนที่วัดได้จากการ แผ่รังสีจากดวงอาทิตย์ SD คือ ค่าส่วนเบี่ยงเบนมาตรฐานของ ดวงอาทิตย์ CC คือ ค่าอัตราส่วนของเมฆต่อท้องฟ้าทั้งหมด T คือ อุณหภูมิ P คือ ความกดอากาศ RH คือ ความชื้นสัมพัทธ์ WS คือ ความเร็วลม 3P3C 3P8C 7P3C 7P8C
วิธีการดำเนินงานวิจัย(ต่อ) ขั้นตอนที่ 1 Data Preparation 3P3C 3P8C 7P3C 7P8C
วิธีการดำเนินงานวิจัย(ต่อ) Machine Learning ขั้นตอนที่ 2 Single Model Model Builder ในขั้นตอนนี้จะใช้อัลกอริทึมทาง Machine Learning ทำการวิเคราะห์ข้อมูลด้วยอัลกอริทึม ANN และ J48 สำหรับการสร้างตัวจำแนกประเภทแบบเดี่ยว Ensemble Model และใช้อัลกอริทึม ANN และ J48 ทำงานร่วมกันกับวิธีการเรียนรู้แบบรวมกลุ่ม 4 วิธีการ สำหรับการสร้างตัวจำแนกประเภทแบบรวมกลุ่ม
วิธีการดำเนินงานวิจัย(ต่อ) ขั้นตอนที่ 3 Model Evaluation รอบที่ 1 รอบที่ 2 รอบที่ 3 รอบที่ 4 รอบที่ 5 Average Confusion matrix Performance Accuracy
สรุปผลการทดลอง 7 Parameter 3 Class Accuracy 89.59% 85.67% 87.16% 85.90% 87.54% 86.03% 85.56% 85.65% Cloud Dataset Single Model (%) Ensemble Model (%) ANN J48 Bagging Boosting Voting (ANN+J48) RF (1) 3P8C 56.73 54.72 57.07 57.46 56.78 54.80 55.73 57.04 (2) 3P3C 84.38 83.59 84.48 84.24 84.25 83.60 83.70 84.42 (3) 7P8C 63.00 60.04 63.76 72.82 62.10 73.50 65.75 77.02 (4) 7P3C 85.65 85.56 86.03 87.54 85.90 87.16 85.67 89.59
งานวิจัยในอนาคต (1) (2) (3) (4) (5) (6) (7) (8) 7367 Example (8 กลุ่ม) (1) (2) (3) (4) (5) (6) (7) (8) 7367 Example (8 กลุ่ม) งานวิจัยในอนาคต 7367 Example (3 กลุ่ม) (1) (2) (3) สำหรับในอนาคตผู้วิจัยและคณะ มีแนวคิดที่จะนำเอาเทคนิควิธีการที่จะช่วยแก้ไขปัญหาความไม่สมดุลกันของข้อมูลมาประยุกต์ใช้กับตัวอย่างข้อมูลของกลุ่มเมฆ เพื่อเพิ่มประสิทธิภาพความถูกต้องในการจำแนกประเภทชนิดของกลุ่มเมฆให้สูงยิ่งขึ้น
THE END Thank & Question
ภาคผนวก การแบ่งกลุ่มเมฆตามรายงานการวิจัยของ ถิรนันท์ สอนแก้ว และคณะ, (2558) 1) การแบ่งประเภทของเมฆออกเป็น 8 กลุ่ม 1.1 กลุ่มเมฆที่เป็นก้อนและอยู่ระดับต่ำ (Cu) 1.2 กลุ่มเมฆที่เป็นริ้วๆและบาง (Ci, Cs) 1.3 กลุ่มเมฆที่เป็นก้อนและอยู่ระดับกลางขึ้นไป (Cc, Ac) 1.4 ท้องฟ้าโปร่งไม่มีเมฆ (Clear sky) 1.5 กลุ่มเมฆที่เป็นก้อนและแผ่นอยู่รวมกัน (Sc) 1.6 กลุ่มเมฆที่เป็นแผ่น (St, As) 1.7 กลุ่มเมฆฝน (Cb, Ns) 1.8 กลุ่มที่ไม่ใช่เมฆ เช่น หมอก (Fog) หรือฝุ่นละออง 2) การแบ่งประเภทของเมฆออกเป็น 3 กลุ่ม 2.1 ท้องฟ้าประกอบไปด้วยเมฆที่มีลักษณะเป็นก้อน (Cu, Cc , Ac) 2.2 ท้องฟ้าที่เป็นท้องฟ้าโปร่ง ประกอบไปด้วยเมฆที่มีลักษณะเป็น ริ้วๆ (Clear sky, Ci and Cs) 2.3 ท้องฟ้าที่ประกอบไปด้วยเมฆที่มีลักษณะเป็นแผ่นและกระจาย ค่อนข้างทั่วบนท้องฟ้า (Sc, St, As, Cb, Ns and Fog)
เอกสารอ้างอิง ถิรนันท์ สอนแก้ว และคณะ. (2558). การจำแนกชนิดของเมฆโดยใช้ข้อมูลการแผ่รังสีดวงอาทิตย์จากหอดูดาวแห่งชาติ อยอินทนนท์. รายงานการวิจัย, สถาบันดาราศาสตร์แห่งชาติ (องค์การมหาชน). Chauvin, R., Nou, J., Thil, S., Traoré, A., and Grieu, S. (2015). Cloud Detection Methodology Based on a Sky-imaging System. Energy Procedia, 69, pp. 1970-1980. Heinle, A., Macke, A., and Srivastav, A. (2010). Automatic cloud classification of whole sky images. Atmos. Meas. Tech., 3(3), pp. 557–567. Mahrooghy, M., Younan, N.H., Anantharaj, V.G. and Aanstoos J. (2011). High resolution satellite precipitation estimate using cluster ensemble cloud classification. Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International, pp. 2645-2648. Meshram, S.B. and Shinde, S.M. (2015). A Survey on Ensemble Methods for High Dimensional Data Classification in biomedicine Field. International Journal of Computer Applications, 111(11), pp. 5-7. Pallavi, V. P. and Vaithiyanathan, V. (2013). Combined Artificial Neural Network and Genetic Algorithm for Cloud Classification. International Journal of Engineering and Technology, 5(2), pp. 787-794. .
เอกสารอ้างอิง Pour, S.G., Leod, P.M., Verma, B., and Maeder, A. (2012). Comparing Data Mining with Ensemble Classification of Breast Cancer Masses in Digital Mammograms. The Second Australian Workshop on Artificial Intelligence in Health AIH 2012, 55. SHI, L., YWANG, Q., MA, X., WENG, M. and QIAO, H. (2012). Spam Email Classification Using Decision Tree Ensemble. Journal of Computational Information Systems. 2012, 949–956. Taravat, A., Del Frate, F., Cornaro, C., and Vergari, S. (2015). Neural Networks and Support Vector Machine Algorithms for Automatic Cloud Classification of Whole-Sky Ground-Based Images. IEEE Geoscience and Remote Sensing Letters, 12(3), pp. 666–670. Tiwari A. and Prakash A. (2014). Improving classification of J48 algorithm using bagging, boosting and blending ensemble methods on SONAR dataset using WEKA. International Journal of Engineering and Technical Research (IJETR), 2(9), pp. 207-209. World Meteorological Organization. (1975). International Cloud Atlas: Manual on the observation of clouds and other meteors. WMO-No. 407. Geneva. .