ตารางวิเคราะห์ความแปรผันของค่าฝุ่น PM2.5 แบบเรียลไทม์

ระบบวิเคราะห์และประมวลผลสถิติความแปรผันเทียบกับอุณหภูมิและความชื้นสัมพัทธ์จากฐานข้อมูลสด

📥 ส่งออก JSON
เชื่อมต่อฐานข้อมูลแบบเรียลไทม์ (Live Analysis) (กำลังดึงข้อมูล...)

🏢 ข้อมูลสถานีตรวจวัดคุณภาพอากาศ (Monitoring Station Information)

รายละเอียดจุดติดตั้ง อุปกรณ์เซนเซอร์ และพิกัดตำแหน่งของสถานีที่นำมาวิเคราะห์

🏢
ชื่อสถานีตรวจวัด
กำลังโหลด...
🆔
รหัสสถานี / โหนดตรวจวัด
Station ID #-- (ESP32 Node)
📍
พิกัดทางภูมิศาสตร์ (GPS)
-- , --
📍 เปิดบน Google Maps ↗
🟢
สถานะการเชื่อมต่อเครือข่าย
● ออนไลน์ / ส่งข้อมูลเรียลไทม์
🔬
เซนเซอร์ตรวจวัดฝุ่น
Laser Optical Particle Counter (PM2.5 / PM10)
🌡️
เซนเซอร์สภาพอากาศ
Digital Temperature & Relative Humidity (DHT/SHT)
📶
ไมโครคอนโทรลเลอร์ & เครือข่าย
ESP32 IoT Node (Wi-Fi 2.4GHz / HTTP REST)
🏛️
โครงการวิจัยและผู้รับผิดชอบ
วช. (NRCT) ปี 2568 ร่วมกับ วิทยาลัยเทคนิคเชียงใหม่
🗺️ แผนที่พิกัดที่ตั้งสถานีและสถานะสด (Live Station Location Map)
คลิกที่หมุดบนแผนที่เพื่อดูข้อมูลสรุปคุณภาพอากาศล่าสุด
🔴 ค่าฝุ่น PM2.5 ล่าสุดจากเซนเซอร์
-- µg/m³
สถานะ: กำลังโหลด...
⚖️ ความแปรผันเทียบกับค่าเฉลี่ย
-- µg/m³
Z-Score: --
🌡️ อุณหภูมิตรวจวัดล่าสุด
-- °C
ค่าเฉลี่ยระบบ: -- °C
💧 ความชื้นสัมพัทธ์ล่าสุด
-- %
ค่าเฉลี่ยระบบ: -- %

📉 กราฟวิเคราะห์แนวโน้มความแปรผันแบบเรียลไทม์ (Diurnal & Trend Variation)

แสดงความสัมพันธ์ระหว่างความเข้มข้นของฝุ่น PM2.5, อุณหภูมิ และความชื้นสัมพัทธ์ตามลำดับเวลา (ข้อมูลจากปัจจุบันย้อนหลัง 30 วัน)

📊 ตารางไขว้แจกแจงความแปรผัน 2 มิติ (2D Cross-Tabulation: อุณหภูมิ × ความชื้นสัมพัทธ์)

คำนวณสดจากฐานข้อมูล: แสดงค่าเฉลี่ย PM2.5 (µg/m³), ส่วนเบี่ยงเบนมาตรฐาน (SD) และจำนวนตัวอย่าง (n)

ช่วงอุณหภูมิ \ ความชื้น ต่ำกว่า 85.0% 85.0 - 89.9% 90.0 - 94.9% ตั้งแต่ 95.0% ขึ้นไป
กำลังประมวลผลข้อมูลสดจากฐานข้อมูล...

💡 ข้อค้นพบทางสถิติจากการวิเคราะห์ความแปรผันแบบเรียลไทม์:

ข้อมูลวิเคราะห์สดชี้ว่า สภาวะที่มี ความชื้นสัมพัทธ์สูงจัด (≥ 95.0%) ร่วมกับอุณหภูมิช่วงเช้ามืด ส่งผลให้ค่าฝุ่นเฉลี่ยพุ่งสูงขึ้นอย่างมีนัยสำคัญ

📈 ค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation Matrix) และสมการถดถอยพหุคูณ

วิเคราะห์ระดับและทิศทางความสัมพันธ์เชิงตัวเลขระหว่างตัวแปรจากฐานข้อมูล

คู่ตัวแปร (Variables) Pearson Correlation (r) Spearman Rank (ρ) ทิศทางความสัมพันธ์ ระดับนัยสำคัญ (p-value)
กำลังประมวลผล...

📐 สมการการถดถอยพหุคูณ (Multiple Linear Regression Model):

PM2.5 = กำลังคำนวณ...
• สัมประสิทธิ์การตัดสินใจ (R²): -- • Adjusted R²: -- • ANOVA F-statistic: -- • ขนาดตัวอย่าง (N): -- รายการ

🌡️ ความแปรผันตามช่วงอุณหภูมิ (Temperature Bins)

แจกแจงค่าเฉลี่ยฝุ่นและผลการทดสอบ One-Way ANOVA

ช่วงอุณหภูมิ จำนวน (n) PM2.5 เฉลี่ย SD Min - Max ความชื้นเฉลี่ย
กำลังโหลด...

💧 ความแปรผันตามช่วงความชื้นสัมพัทธ์ (Humidity Bins)

แจกแจงค่าเฉลี่ยฝุ่นและผลการทดสอบ One-Way ANOVA

ช่วงความชื้น จำนวน (n) PM2.5 เฉลี่ย SD Min - Max อุณหภูมิเฉลี่ย
กำลังโหลด...

⏰ ความแปรผันตามช่วงเวลาของวัน (Diurnal Cycle Analysis)

เปรียบเทียบพฤติกรรมความแปรผันของฝุ่น อุณหภูมิ และความชื้น ใน 4 ช่วงเวลาตลอด 24 ชั่วโมง

ช่วงเวลา จำนวนชุดข้อมูล (n) PM2.5 เฉลี่ย (µg/m³) SD ค่าต่ำสุด-สูงสุด อุณหภูมิเฉลี่ย (°C) ความชื้นเฉลี่ย (%) ระดับคุณภาพอากาศ
กำลังโหลด...

🔬 การแปลผลและการวิเคราะห์ทางอุตุนิยมวิทยาเชิงลึก

ผลการวิเคราะห์ความแปรผันจากฐานข้อมูลสดของสถานี วิทยาลัยเทคนิคเชียงใหม่ ให้ข้อค้นพบทางฟิสิกส์บรรยากาศดังนี้:

  1. การพองตัวของอนุภาคละอองลอย (Hygroscopic Growth): ความชื้นสัมพัทธ์มีความสัมพันธ์เชิงบวกต่อค่าฝุ่น PM2.5 อย่างมีนัยสำคัญสูงมาก (Spearman ρ ในระดับสูง) เมื่อความชื้นสัมพัทธ์เกิน 90-95% ไอน้ำในบรรยากาศจะควบแน่นรอบนิวเคลียสของอนุภาค ส่งผลให้เซนเซอร์ตรวจวัดฝุ่นแบบกระเจิงแสง (Light Scattering) ตรวจวัดการกระเจิงของแสงได้เข้มข้นขึ้น
  2. ปรากฏการณ์อุณหภูมิผกผันและการกดทับของชั้นบรรยากาศ (Temperature Inversion & Boundary Layer): ในช่วงกลางคืนและเช้ามืด (00:00 - 06:00 น.) ผิวพื้นดินคลายความร้อนอย่างรวดเร็วเกิดชั้น Inversion กดทับให้อนุภาคฝุ่นและไอน้ำไม่สามารถลอยตัวขึ้นสู่บรรยากาศระดับสูงได้ ทำให้ค่าเฉลี่ยฝุ่นในช่วงนี้สูงที่สุดของวัน ในขณะที่ช่วงบ่ายอากาศยกตัวระบายฝุ่นได้ดีกว่า
  3. การปรับผลกระทบของตัวแปรกวน (Confounder Adjustment): เมื่อควบคุมตัวแปรความชื้นด้วยการถดถอยพหุคูณ (Multiple Regression) จะพบว่าอุณหภูมิส่งผลเชิงบวกต่อค่าฝุ่นอย่างมีนัยสำคัญ ซึ่งช่วยขจัดปรากฏการณ์ความสัมพันธ์ลวง (Simpson's Paradox) ที่เกิดจากการที่อุณหภูมิต่ำมักเกิดขึ้นคู่กับความชื้นสูงในธรรมชาติ