Solar erythemal ultraviolet radiation forecasting using machine learning techniques for Thailand

Abstract

This study aimed to develop machine learning models to forecast erythemal ultraviolet radiation under all sky conditions in Thailand. Two machine learning methods, Artificial Neural Networks (ANN) and Extreme Gradient Boosting (XGBoost), were applied at four observation stations representing major regions in Thailand. The stations including the Northern Meteorological Center in Chiang Mai, Northeastern Meteorological Center in Ubon Ratchathani, Southern Meteorological Center (East Coast) in Songkhla, and the Faculty of Science, Silpakorn University in Nakhon Pathom. The data used in this research were collected from 2019 to 2023, and consisted of variables such as erythemal ultraviolet radiation, global solar radiation, solar zenith angle, atmospheric clearness index, total column ozone, total cloud cover, low cloud cover, middle cloud cover, high cloud cover, total column water vapour, day of the year, and time of the day. To develope models, input variables were selected using Pearson’s correlation coefficient, resulting in six input variables selected for the models: erythemal ultraviolet radiation, global solar radiation, solar zenith angle, atmospheric clearness index, day of the year, and time of the day. The results demonstrated that both ANN and XGBoost models effectively forecasted one-hour ahead erythemal ultraviolet radiation, with root mean square error values below 20%. Additionally, further investigation into the influence of input variables using the ANN model revealed that reducing erythemal ultraviolet radiation resulted in lower model performance, whereas reducing other variables resulted in comparable model performance.

งานวิจัยนี้มีจุดมุ่งหมายเพื่อพัฒนาแบบจำลองสำหรับพยากรณ์ความเข้มรังสีอัลตราไวโอเลตที่มีผลต่อผิวหนังมนุษย์ในทุกสภาพท้องฟ้า โดยใช้แบบจำลอง Machine Learning ได้แก่ Artificial Neural Networks (ANN) และแบบจำลอง Extreme Gradient Boosting (XGBoost) ณ 4 สถานีในภูมิภาคหลักของประเทศไทย คือ ศูนย์อุตุนิยมวิทยาภาคเหนือ จังหวัดเชียงใหม่ ศูนย์อุตุนิยมวิทยาภาคตะวันออกเฉียงเหนือ จังหวัดอุบลราชธานี ศูนย์อุตุนิยมวิทยาภาคใต้ฝั่งตะวันออก จังหวัดสงขลา และคณะวิทยาศาสตร์ มหาวิทยาลัยศิลปากร จังหวัดนครปฐม ซึ่งข้อมูลที่ใช้ในงานวิจัยเป็นข้อมูลรายชั่วโมงในช่วงปี ค.ศ. 2019 – 2023 ได้แก่ ความเข้มรังสีอัลตราไวโอเลตที่มีผลต่อผิวหนังมนุษย์ ความเข้มรังสีอาทิตย์ มุมเซนิธของดวงอาทิตย์ ดัชนีความแจ่มใสของบรรยากาศ ปริมาณโอโซน ปริมาณเมฆรวม ปริมาณเมฆระดับต่ำ ปริมาณเมฆระดับกลาง ปริมาณเมฆระดับสูง ปริมาณไอน้ำรวมในคอลัมน์ของบรรยากาศ ลำดับวันในรอบปี และเวลา อย่างไรก็ตามในกระบวนการสร้างแบบจำลองผู้วิจัยได้ทำการคัดเลือกตัวแปรอินพุตด้วยการหาค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สันทำให้ได้ตัวแปรสำหรับใช้เป็นอินพุตในแบบจำลอง 6 ตัว ได้แก่ ความเข้มรังสีอัลตราไวโอเลตที่มีผลต่อผิวหนังมนุษย์ ความเข้มรังสีอาทิตย์ มุมเซนิธของดวงอาทิตย์ ดัชนีความแจ่มใสของบรรยากาศ ลำดับวันในรอบปี และเวลา จากนั้นผู้วิจัยได้ทำการสร้างแบบจำลองโดยใช้อินพุตทั้ง 6 ตัวแปร ผลที่ได้พบว่า แบบจำลอง ANN และแบบจำลอง XGBoost สามารถพยากรณ์ค่าความเข้มรังสีอัลตราไวโอเลตที่มีผลต่อผิวหนังมนุษย์ล่วงหน้า 1 ชั่วโมงได้อย่างมีประสิทธิภาพและให้ผลที่ใกล้เคียงกัน โดยให้ค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสองน้อยกว่า 20% นอกจากนี้ผู้วิจัยได้ทำการศึกษาอิทธิพลของตัวแปรอินพุตที่มีต่อการพยากรณ์โดยใช้แบบจำลอง ANN ซึ่งพบว่าในการลดตัวแปรความเข้มรังสีอัลตราไวโอเลตที่มีผลต่อผิวหนังมนุษย์ส่งผลให้แบบจำลองมีประสิทธิภาพลดลงอย่างชัดเจน แต่การลดตัวแปรอื่น ๆ ส่งผลให้แบบจำลองมีประสิทธิภาพใกล้เคียงกัน