แผนบูรณาการองค์ความรู้ · เทศบาลเมืองตาก

ภาพรวมระบบ — System Architecture

เครือข่ายตรวจวัดคุณภาพอากาศ เทศบาลเมืองตาก

ระบบ IoT 4 สถานีที่เปิดใช้งาน ประเมินรอบส่งจาก median gap ล่าสุดของแต่ละสถานี (สถานีตัวอย่าง: 10 นาที/ครั้ง) ผ่าน WiFi → Cloud Server → Dashboard สาธารณะ

📡

ESP32 + Sensors

PMS7003 · BME688 · SCD30

→

📶

WiFi / JSON

HTTPS POST · cadence แยกตามสถานี

→

🗄️

PHP + MariaDB

tb1.ac.th Server

→

📊

Web Dashboard

Real-time + Historical

→

🤖

AI Tutor

Ollama + Qwen 2.5

สถานีตรวจวัด

โรงเรียน เทศบาล 1 กิตติขจร

TH-TAK-TB1-001 · อัปเดต 2026-09-20 22:42

PM2.5 ทันที: 2.0 µg/m³
เฉลี่ย 24 ชม.: — µg/m³ · AQI US: — (coverage ไม่พอ)
Temp: 25.3°C · Humidity: 44% · Heat Index: 25.2°C 🟢 ต่ำกว่า Caution
CO₂: — ppm · PM10: 0.0 µg/m³
สถานะ: 🟠 Stale · อายุข้อมูล 3638 นาที
Coverage 24h: 0% · WHO ratio: —

โรงเรียนเทศบาล 2 วัดดอนมูลชัย

TH-TAK-TB2-001 · อัปเดต 2026-09-23 11:16

PM2.5 ทันที: 2.7 µg/m³
เฉลี่ย 24 ชม.: 1.7 µg/m³ · AQI US: 9 (ดี)
Temp: 32.5°C · Humidity: 66% · Heat Index: 40.5°C 🟠 Extreme caution
CO₂: 409 ppm · PM10: 8.0 µg/m³
สถานะ: 🟢 Online · อายุข้อมูล 4 นาที
Coverage 24h: 99% · WHO ratio: 0.1×

โรงเรียนเทศบาล 3 วัดชัยชนะสงคราม

TH-TAK-TB3-001 · อัปเดต 2026-09-23 11:15

PM2.5 ทันที: 8.1 µg/m³
เฉลี่ย 24 ชม.: 4.4 µg/m³ · AQI US: 24 (ดี)
Temp: 31.4°C · Humidity: 69% · Heat Index: 38.5°C 🟠 Extreme caution
CO₂: 430 ppm · PM10: 20.0 µg/m³
สถานะ: 🟢 Online · อายุข้อมูล 5 นาที
Coverage 24h: 99% · WHO ratio: 0.3×

โรงเรียนเทศบาล 4 รัตนวิทยานุสรณ์

TH-TAK-TB4-001 · อัปเดต 2026-09-23 11:20

PM2.5 ทันที: 4.1 µg/m³
เฉลี่ย 24 ชม.: 1.7 µg/m³ · AQI US: 9 (ดี)
Temp: 30.7°C · Humidity: 71% · Heat Index: 37.2°C 🟠 Extreme caution
CO₂: 508 ppm · PM10: 12.0 µg/m³
สถานะ: 🟢 Online · อายุข้อมูล 0 นาที
Coverage 24h: 100% · WHO ratio: 0.1×

🤔 คำถามกระตุ้นความคิด — เปรียบเทียบสถานีบนฐานเวลาเดียวกัน

ระยะ Haversine: 4.69 km จากพิกัดในทะเบียนสถานี
ข้อมูล 24 ชม. ของอย่างน้อยหนึ่งสถานียังไม่ถึง coverage 75% จึงยังไม่คำนวณความต่างต่อระยะทาง

● LIVE ข้อมูลจริงจากเซ็นเซอร์

ค่าล่าสุดจาก เซ็นเซอร์จริง — ใช้ในบทเรียนทุกวิชา

หน้าเว็บตรวจข้อมูลใหม่ทุก 60 วินาที · ค่าทันทีใช้ดูการเปลี่ยนแปลง ส่วน AQI/WHO ใช้ค่าเฉลี่ย 24 ชั่วโมงเมื่อ coverage ≥75%

🌫️

2.0µg/m³

PM2.5

AQI 24h — · coverage 0%

🌡️

25.3°C

อุณหภูมิ

BME688

💧

44%RH

ความชื้นสัมพัทธ์

Relative Humidity

🫁

—ppm

CO₂

รอข้อมูล

☁️

0.0µg/m³

PM10

ฝุ่นหยาบ ≤10 µm

🥵

25.2°C

Heat Index

🟢 ต่ำกว่า Caution

📊

สถิติ 24 ชั่วโมงล่าสุด ● ข้อมูลจริง PM2.5 จาก โรงเรียน เทศบาล 1 กิตติขจร · 0/144 รอบ · coverage 0%

—

µg/m³

ค่าเฉลี่ย (x̄)

—

µg/m³

มัธยฐาน (Median)

—

µg/m³

SD (σ)

—

µg/m³

สูงสุด (Max)

—

µg/m³

ต่ำสุด (Min)

—

r (PM2.5 vs Temp)

ค่าทันที PM2.5 — 24 ชั่วโมงล่าสุด (เส้นมาตรฐานเป็นเพียงบริบท 24h)

PM2.5 เฉลี่ยรายชั่วโมง — Diurnal Pattern

CO₂ เฉลี่ยรายชั่วโมง — ตัวชี้วัดประกอบการระบายอากาศ

PM2.5 เฉลี่ยรายวัน — 7 วันเต็มล่าสุด (ไม่รวมวันนี้)

วิธีอ่านกราฟและการคำนวณ: แนวโน้ม 24 ชั่วโมงใช้ข้อมูลดิบจาก pm_readings_v2 เรียงตามเวลาและสุ่มลดจุดเพื่อให้กราฟลื่น; Diurnal Pattern คือค่าเฉลี่ย PM2.5/CO₂ แยกตามชั่วโมงของวันนี้; กราฟ 7 วันใช้วันเต็ม 7 วันล่าสุดและไม่รวมวันปัจจุบัน; AQI คำนวณจากค่าเฉลี่ยเคลื่อนที่ 24 ชั่วโมงเมื่อ coverage ≥75% และแยก US EPA 2024 กับ Thai PCD; Heat Index ใช้ขั้นตอน NWS simple formula/Rothfusz ภายใต้สมมติฐานร่มและลมอ่อน; Pearson r ใช้เฉพาะคู่ข้อมูล valid ในช่วง 24 ชั่วโมงล่าสุด เป็นสถิติเชิงพรรณนา ไม่ใช่หลักฐานเหตุ-ผล; CO₂ เป็นตัวชี้วัดประกอบเรื่องการระบายอากาศ ไม่ใช่คะแนนคุณภาพอากาศภายในทั้งหมด

คณิตศาสตร์ · วิทยาศาสตร์

สูตรคำนวณ AQI พร้อมตัวอย่างจากข้อมูลจริง

เปรียบเทียบ US EPA AQI, Thai AQI และแนวทาง WHO — ฐาน PM2.5 เฉลี่ย 24 ชม. = — µg/m³ · coverage 0%

US AQI 0–50
Good

51–100
ปานกลาง

101–150
กลุ่มเสี่ยง

151–200
มีผลต่อสุขภาพ

201–500
อันตราย

ฐานการคำนวณ: ใช้ PM2.5 เฉลี่ยเคลื่อนที่ 24 ชั่วโมงจากสถานีที่เลือก จำนวน 0/144 รอบ (coverage 0%). US EPA ต้อง truncate ความเข้มข้นเหลือ 0.1 µg/m³ ก่อน interpolation; WHO 15 µg/m³ เป็นแนวทางค่าเฉลี่ย 24 ชั่วโมงและ 99th percentile ไม่ใช่ระบบ AQI หรือเส้นตัดสินจากค่าทันที

1

US EPA AQI — มาตรฐานสหรัฐอเมริกา PM2.5 เฉลี่ย 24 ชม. = — µg/m³ → AQI = — (ข้อมูลยังไม่ครบ 75%)

📐 สูตร US EPA AQI — Linear Interpolation

\[AQI = \frac{I_{Hi} - I_{Lo}}{BP_{Hi} - BP_{Lo}} \times (C_p - BP_{Lo}) + I_{Lo}\]

📖 คำอธิบายตัวแปร — ค่าตัวอย่างจากข้อมูลจริง PM2.5 = 15.0 µg/m³
สัญลักษณ์	ชื่อ	คำอธิบาย	หน่วย	ค่าจริง
\(C_p\)	Concentration	ค่า PM2.5 จากเซ็นเซอร์ (ค่าเฉลี่ย 24h)	µg/m³	15.0
\(BP_{Lo}\)	Breakpoint Low	ขอบล่างของช่วงที่ \(C_p\) ตกอยู่	µg/m³	9.1
\(BP_{Hi}\)	Breakpoint High	ขอบบนของช่วงที่ \(C_p\) ตกอยู่	µg/m³	35.4
\(I_{Lo}\)	Index Low	ค่า AQI ที่ตรงกับ \(BP_{Lo}\)	—	51
\(I_{Hi}\)	Index High	ค่า AQI ที่ตรงกับ \(BP_{Hi}\)	—	100
\(AQI\)	Air Quality Index	ผลลัพธ์ 0–500	—	62

แบบฝึกหัด — คำนวณ AQI จากค่าเฉลี่ย 24 ชม. (— µg/m³)

📋 ตาราง Breakpoint PM2.5 — US EPA (2024)

Category	BP_Lo	BP_Hi	I_Lo	I_Hi	สี
Good	0.0	9.0	0	50	●
Moderate	9.1	35.4	51	100	●
Unhealthy for Sensitive	35.5	55.4	101	150	●
Unhealthy	55.5	125.4	151	200	●
Very Unhealthy	125.5	225.4	201	300	●
Hazardous	225.5	325.4	301	500	●

📚 อ้างอิง: US EPA AQI Breakpoints · PM2.5 averaging time 24 HOUR

2

Thai PCD AQI — กรมควบคุมมลพิษ AQI Thai = 0 · เกณฑ์ต่างจาก EPA

📐 สูตรเดียวกับ EPA แต่ Breakpoint ต่างกัน

\[AQI_{Thai} = \frac{I_{Hi} - I_{Lo}}{BP_{Hi} - BP_{Lo}} \times (C_p - BP_{Lo}) + I_{Lo}\]

Thai AQI และ US EPA AQI เป็นดัชนีคนละระบบ; WHO 15 µg/m³ เป็นแนวทางสุขภาพค่าเฉลี่ย 24 ชม. จึงไม่ควรเรียกรวมว่า “AQI 3 มาตรฐาน”

🤔 เปรียบเทียบ 2 ระบบ AQI กับ 1 แนวทาง — PM2.5 เฉลี่ย 24 ชม. = — µg/m³

US EPA: AQI = 0 (ข้อมูลยังไม่ครบ 75%)
Thai PCD: AQI = 0
WHO 2021: อัตราส่วนต่อแนวทาง 24h = 0.00× (15 µg/m³; 99th percentile)
→ บทเรียน: ค่าเท่ากัน แต่ "ระดับ" ต่างตามมาตรฐาน — นักเรียนต้องรู้ว่าดูมาตรฐานไหน

📚 อ้างอิง: กรมควบคุมมลพิษ — PM2.5 เฉลี่ย 24 ชม. 37.5 µg/m³ · WHO Global Air Quality Guidelines 2021

คณิตศาสตร์ ม.1–6 · Data Analytics

สถิติจาก ข้อมูล 24 ชั่วโมงจริง

ข้อมูล PM2.5 จำนวน 0 รายการ จากสถานี โรงเรียน เทศบาล 1 กิตติขจร

📐 สูตรที่ 1 — ค่าเฉลี่ยเลขคณิต (Arithmetic Mean)

\[\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}\]

✏️ ผลจากข้อมูลจริง 24h (n = 0)

\[\bar{x} = —\;\mu g/m^3\]

📐 สูตรที่ 2 — ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation)

\[s = \sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n-1}}\]

✏️ ผลจากข้อมูลจริง

\[s = —\;\mu g/m^3\]

📐 สูตรที่ 3 — เปอร์เซ็นไทล์ & IQR (v3.0 ใหม่)

\[Q_1 = P_{25}, \qquad Q_3 = P_{75}, \qquad IQR = Q_3 - Q_1\] \[\text{ค่าผิดปกติ (Outlier)}: x < Q_1 - 1.5 \times IQR \quad \text{หรือ} \quad x> Q_3 + 1.5 \times IQR\]

✏️ Percentile จากข้อมูลจริง 24h

📐 สูตรที่ 4 — Z-score ตรวจจับค่าผิดปกติ (v3.0 ใหม่)

\[z = \frac{x - \bar{x}}{s}\]

|z| > 2 หรือ 3 ใช้เป็น screening flag ตามบริบท ไม่ใช่หลักฐานว่าเกิดไฟไหม้/การเผา และไม่เท่ากับความน่าจะเป็น 95% หากข้อมูลไม่เป็น Normal distribution

📐 สูตรที่ 5 — สัมประสิทธิ์สหสัมพันธ์ Pearson (r)

\[r = \frac{n\sum x_i y_i - (\sum x_i)(\sum y_i)}{\sqrt{[n\sum x_i^2-(\sum x_i)^2][n\sum y_i^2-(\sum y_i)^2]}}\]

🤔 ตีความผล r = (รอข้อมูล) (PM2.5 กับ Temperature)

→ ต้องการข้อมูลอย่างน้อย 3 รายการในการคำนวณ

Advanced Math · วิทยาการคำนวณ ม.4–6

Kalman Filter — กรองสัญญาณรบกวนจากเซ็นเซอร์

สาธิต Kalman Filter 1D กับค่าจริงจาก PMS7003 เพื่อเรียนรู้การกรองสัญญาณ; ค่าพารามิเตอร์ Q/R ด้านล่างเป็นสมมติฐานการสอน ไม่ใช่ค่าที่สอบเทียบแล้ว

📐 Kalman Filter 1D — Predict

\[\hat{x}_{k|k-1} = \hat{x}_{k-1|k-1} \qquad P_{k|k-1} = P_{k-1|k-1} + Q\]

📐 Kalman Filter 1D — Update

\[K_k = \frac{P_{k|k-1}}{P_{k|k-1} + R}\] \[\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k \cdot (z_k - \hat{x}_{k|k-1})\] \[P_{k|k} = (1 - K_k) \cdot P_{k|k-1}\]

📖 คำอธิบายตัวแปร Kalman Filter — ค่าจากเซ็นเซอร์จริง + พารามิเตอร์สาธิต
สัญลักษณ์	ชื่อ (EN)	คำอธิบาย	ค่าในระบบ
\(z_k\)	Measurement	ค่าดิบจากเซ็นเซอร์ PMS7003 ณ เวลา k	2.0
\(K_k\)	Kalman Gain	"เชื่อใคร?" K→1 เชื่อเซ็นเซอร์, K→0 เชื่อค่าทำนาย	0.5025
\(Q\)	Process Noise	"ค่าจริงเปลี่ยนเร็วแค่ไหน" Q สูง = กรองเบา	0.01 (สมมติ)
\(R\)	Measurement Noise	"เซ็นเซอร์คลาดเคลื่อนแค่ไหน" R สูง = ไม่เชื่อเซ็นเซอร์	1.0 (สมมติ)
\(\hat{x}_{k\|k}\)	Updated Estimate	ผลลัพธ์สุดท้าย — ค่ากรองแล้ว	—

✏️ แบบฝึกหัด: ค่าป้อนจริง + Q/R สำหรับสาธิต

กำหนด: \(\hat{x}_0=50.0,\ P_0=1,\ Q=0.01,\ R=1.0\) · ค่าจากเซ็นเซอร์: \(z_1=2.0\) µg/m³

1

Predict: \(\hat{x}_{1|0}=50.0\), \(P_{1|0}=1+0.01=1.01\)

2

Kalman Gain: \[K_1 = \frac{1.01}{1.01+1.0} = 0.5025\]

3

Update: \[\hat{x}_{1|1} = 50.0 + 0.5025 \times (2.0-50.0)\]

= 25.87

เซ็นเซอร์บอก 2.0 µg/m³ แต่ Kalman กรองเป็น 25.87 µg/m³

ข้อจำกัด: ก่อนใช้ผลกรองเป็นข้อมูลรายงาน ต้องประมาณ Q/R จาก residual เทียบเครื่องอ้างอิง ตรวจ lag/step response และเก็บข้อมูลดิบไว้เสมอ การที่กราฟนิ่งขึ้นไม่ได้แปลว่าแม่นยำขึ้น

// C++ ตัวอย่างสำหรับห้องเรียน — ต้อง validate ก่อนใช้จริง
          class KalmanFilter {
          float x_est, P_est, Q, R;
          public:
          KalmanFilter(float q, float r, float x0=0)
          : Q(q), R(r), x_est(x0), P_est(1) {}
          float update(float z) {
          float P_pred = P_est + Q; // Predict
          float K = P_pred/(P_pred+R); // Gain
          x_est += K * (z - x_est); // Update
          P_est = (1-K) * P_pred; // Covariance
          return x_est;
          }
          };
          // พารามิเตอร์สาธิต ไม่ใช่ผลสอบเทียบ
          KalmanFilter pm25Filter(0.01, 1.0, 50.0);
          float filtered = pm25Filter.update(2.0);
          // → 25.87 µg/m³

กลุ่มสาระวิทยาศาสตร์ ม.1–6

บทเรียน วิทยาศาสตร์ — หลักการทำงานของเซ็นเซอร์

PMS7003

Plantower — Laser Scattering

วัดค่า: PM1.0 · PM2.5 · PM10
ช่วงวัด: 0–500 µg/m³
Interface: UART 9600 bps
ค่าล่าสุด: 2.0 µg/m³

BME688

Bosch — MEMS 4-in-1 Gas Sensor

วัดค่า: Temp · Humidity · Pressure · Gas
Interface: I2C 0x77
ล่าสุด: 25.3°C / 44%

SCD30

Sensirion — NDIR CO₂

วัดค่า: CO₂ · Temp · Humidity
ช่วงวัด: 400–10,000 ppm · ±30 ppm
ล่าสุด: 0 ppm

🔬 Mie Scattering (PMS7003)

\[I \propto \frac{d^6}{\lambda^4}\]

I = ความเข้มแสงกระเจิง · d = เส้นผ่านศูนย์กลาง · λ = ความยาวคลื่น Laser (~650 nm)

🔬 Beer-Lambert Law (SCD30 NDIR)

\[A = \varepsilon \cdot c \cdot l\]

A = Absorbance · ε = สัมประสิทธิ์ดูดกลืน · c = ความเข้มข้น CO₂ · l = ระยะทางแสง

🥵

Heat Index — ดัชนีความร้อน (v3.0 ใหม่) วัดจาก BME688 จริง → อุณหภูมิที่ "รู้สึก" จริงเมื่อรวมความชื้น

📐 Rothfusz Regression (NOAA/NWS)

\[HI = c_1 + c_2 T + c_3 R + c_4 TR + c_5 T^2 + c_6 R^2 + c_7 T^2 R + c_8 T R^2 + c_9 T^2 R^2\]

T = อุณหภูมิ (°F) · R = ความชื้นสัมพัทธ์ (%) · c₁…c₉ = สัมประสิทธิ์ Rothfusz

✏️ Heat Index จากข้อมูลจริง

Temp: 25.3°C · RH: 44%
→ Heat Index = 25.2°C 🟢 ต่ำกว่า Caution
→ ต่างจากอุณหภูมิจริง 0.1°C
สูตร NWS นี้ใช้สำหรับร่มและลมอ่อน ไม่รวมรังสีแดด เสื้อผ้า ภาระงาน หรือการปรับตัวต่ออากาศร้อน

ระดับ	Heat Index (°C)	อาการ	คำแนะนำ
🟢 ต่ำกว่า Caution	< 27	ต่ำกว่าช่วงเตือนของตาราง NWS	ยังต้องดูแดด ลม ระยะเวลา และอาการ
🟡 Caution	27–32	อ่อนเพลีย ถ้าออกกำลังนาน	ดื่มน้ำบ่อย พักเป็นช่วง
🟠 Extreme caution	32–41	ตะคริว เพลียแดด	ลดกิจกรรม ย้ายเข้าร่ม
🔴 อันตราย	41–54	ลมแดด	งดกิจกรรม เข้าอาคาร
🟣 อันตรายมาก	> 54	อันตรายถึงชีวิต	อยู่ในอาคารเท่านั้น

📚 อ้างอิง: US National Weather Service — Heat Index Equation · ค่ากลางแจ้งสำหรับร่ม/ลมอ่อน; ไม่แทน WBGT

กลุ่มสาระคณิตศาสตร์ ม.1–6

บทเรียน คณิตศาสตร์ จากข้อมูลจริง

ทุกโจทย์ใช้ข้อมูลจากเซ็นเซอร์จริง — ไม่ใช่ตัวเลขสมมุติ

1

สมการเชิงเส้นจากสูตร AQI (ม.2–3)เปลี่ยนสูตร AQI ให้อยู่ในรูป y = mx + b

📐 AQI ในรูปสมการเชิงเส้น

\[y = mx + b \qquad m = \frac{I_{Hi}-I_{Lo}}{BP_{Hi}-BP_{Lo}} \qquad b = I_{Lo} - m \cdot BP_{Lo}\]

✏️ ช่วง BP 9.1–35.4

\[m = \frac{100-51}{35.4-9.1} = 1.863, \qquad b = 51 - 1.863 \times 9.1 = 34.0\]

AQI = 1.863 × PM2.5 + 34.0

แทนค่าเฉลี่ย 24h (0.0 µg/m³): AQI ≈ 0

2

Haversine Formula — ระยะห่าง 2 สถานี (ม.4–6)ใช้พิกัด GPS จริงคำนวณระยะทางบนผิวโลก

📐 Haversine Formula

\[d = 2R \arcsin\sqrt{\sin^2\!\left(\frac{\Delta\phi}{2}\right) + \cos\phi_1 \cos\phi_2 \sin^2\!\left(\frac{\Delta\lambda}{2}\right)}\]

📖 ตัวแปร Haversine — พิกัดจริงของ 2 สถานี
สัญลักษณ์	ชื่อ	ค่าจริง
\(R\)	รัศมีโลก	6,371 km
\(\phi_1\)	โรงเรียน เทศบาล 1 กิตติขจร	16.867284°, 99.127582°
\(\phi_2\)	โรงเรียนเทศบาล 2 วัดดอนมูลชัย	16.903990°, 99.105876°
\(d\)	ระยะทาง	4.690 km

ยังไม่คำนวณความต่างต่อระยะทาง เพราะ coverage 24 ชม. ของทั้งสองสถานียังไม่ครบขั้นต่ำ 75%

3

ร้อยละและอัตราส่วน — WHO Ratio (ม.1–2)เปรียบเทียบค่าจริงกับเกณฑ์มาตรฐาน

ยังไม่คำนวณ WHO ratio เพราะข้อมูล 24 ชั่วโมงมี coverage 0% ซึ่งต่ำกว่าเกณฑ์ความพร้อม 75%

วิทยาการคำนวณ ม.1–6

บทเรียน Coding & IoT — ตัวอย่างที่ตรวจสอบความถูกต้อง

C

ESP32 — อ่าน PM2.5 จาก PMS7003C++ · Bit Manipulation · UART Protocol

// ตัวอย่างอ่าน PMS7003 — ตรวจ frame length และ checksum ก่อนใช้ค่า
              #include <HardwareSerial.h>

              HardwareSerial pms(2); // Serial2
              uint8_t frame[32];
              size_t pos = 0;

              void setup() {
              Serial.begin(115200);
              pms.begin(9600, SERIAL_8N1, 25, 26);
              }
              void loop() {
              while (pms.available()) {
              uint8_t b = pms.read();
              if (pos == 0 && b != 0x42) continue;
              if (pos == 1 && b != 0x4D) { pos = (b == 0x42) ? 1 : 0; continue; }
              frame[pos++] = b;
              if (pos == 32) {
              uint16_t frameLen = (frame[2] << 8) | frame[3];
              uint16_t sum = 0;
              for (int i = 0; i < 30; i++) sum += frame[i];
              uint16_t expected = (frame[30] << 8) | frame[31];
              if (frameLen == 28 && sum == expected) {
              uint16_t pm25 = (frame[12] << 8) | frame[13];
              Serial.printf("PM2.5=%d µg/m³\n", pm25);
              // ค่าทันที: 2 µg/m³
              }
              pos = 0;
              }
              }
              }

📖 คำอธิบายคำสั่งสำคัญ
คำสั่ง	ชื่อ	คำอธิบาย
0x42, 0x4D	Header Bytes	สัญญาณเริ่มต้น packet ของ PMS7003 (ASCII "BM")
<< 8	Bit Shift Left	เลื่อนบิตซ้าย 8 ตำแหน่ง = คูณ 256 รวม High+Low byte
frame[12], frame[13]	Data Position	ตำแหน่ง byte 12-13 = ค่า PM2.5 atmospheric ใน packet 32 bytes
Σ byte 0–29	Checksum	ต้องเท่ากับ byte 30–31 และ frame length ต้องเป็น 28 มิฉะนั้นต้องทิ้ง frame

🐍

Python — วิเคราะห์ข้อมูลเซ็นเซอร์pandas · matplotlib · scipy · ข้อมูลจาก API จริง

# ดึงข้อมูลจาก API และแยกค่าทันทีกับค่าเฉลี่ย 24 ชั่วโมง
              import pandas as pd
              import requests, matplotlib.pyplot as plt

              url = "https://tb1.ac.th/tak-aqm/integration_lessons.php?api=chart&station=TH-TAK-TB1-001"
              r = requests.get(url, timeout=15)
              r.raise_for_status()
              df = pd.DataFrame(r.json())
              df['reading_time'] = pd.to_datetime(df['reading_time'])
              df['pm25'] = pd.to_numeric(df['pm2_5_compensated'], errors='coerce')
              df['temperature'] = pd.to_numeric(df['temperature'], errors='coerce')
              df['temperature'] = df['temperature'].where(df['temperature'].between(-40, 85))
              df = df[df['pm25'].between(0, 1000)].sort_values('reading_time')
              df = df.set_index('reading_time')
              df['pm25_24h'] = df['pm25'].rolling('24h', min_periods=108).mean()

              # สถิติ
              print(f"Mean: {df['pm25'].mean():.2f}") # → 0.00
              print(f"SD: {df['pm25'].std():.2f}") # → 0.00
              print(f"r: {df['pm25'].corr(df['temperature']):.3f}")
              # → —

              # Z-score screening — ใช้ค้นจุดที่ควรตรวจ ไม่ใช่ข้อสรุปสาเหตุ
              df['z_score'] = (df['pm25'] - df['pm25'].mean()) / df['pm25'].std(ddof=1)
              anomalies = df[df['z_score'].abs() > 2]
              print(f"Anomalies: {len(anomalies)}")

              # วาดกราฟ
              fig, ax = plt.subplots(figsize=(10, 4))
              ax.plot(df.index, df['pm25'], color='#93C5FD', alpha=.45, label='instantaneous')
              ax.plot(df.index, df['pm25_24h'], color='#2563EB', label='rolling 24h')
              ax.axhline(y=37.5, color='red', ls='--', label='Thai 24h reference')
              ax.axhline(y=15, color='green', ls='--', label='WHO 24h guideline')
              plt.tight_layout(); plt.show()

ตัวอย่างนี้ใช้ cadence ที่ตรวจพบของ TH-TAK-TB1-001 (10 นาที/ครั้ง) จึงคาด 144 จุด/24 ชม. และกำหนดขั้นต่ำ 108 จุด = coverage 75% ก่อนแสดงค่า rolling 24h

กลุ่มสาระสังคมศึกษาฯ ม.1–6

บทเรียน สังคมศึกษา — SDGs, สิ่งแวดล้อม & ธรรมาภิบาล

3 สุขภาพดี

4 การศึกษา

11 เมืองยั่งยืน

13 ภูมิอากาศ

17 ความร่วมมือ

SDG 3 + 13 — สุขภาพ & สิ่งแวดล้อม

บริบทสุขภาพ: WHO ประเมินการเสียชีวิตก่อนวัยราว 7 ล้านคน/ปีจากผลรวมมลพิษอากาศภายนอกและในครัวเรือน ไม่ใช่ค่าที่อนุมานจากเซ็นเซอร์หน้านี้
ข้อมูลวันนี้: PM2.5 เฉลี่ย = 0.0 µg/m³
โจทย์วิจัยท้องถิ่น: ตรวจข้อมูลย้อนหลังรายเดือนร่วมกับจุดความร้อน ลม และฝน ก่อนสรุปรูปแบบฤดูกาลของจังหวัดตาก

SDG 11 — เมืองยั่งยืน & ธรรมาภิบาล

บทบาทเทศบาล: ตาม พ.ร.บ.สิ่งแวดล้อมแห่งชาติ
ระบบของเรา: ใช้ข้อมูลเซ็นเซอร์เป็นหลักฐานสนับสนุนหลังตรวจ coverage/คุณภาพ ไม่ใช่ฐานตัดสินนโยบายเพียงแหล่งเดียว
UNESCO GNLC 2025: เทศบาลเมืองตากได้รับการรับรอง

สุขศึกษาและพลศึกษา

บทเรียน สุขภาพ — ฝึกออกแบบแนวปฏิบัติจากข้อมูลจริง

ตารางนี้ดัดแปลงเพื่อการเรียนรู้จาก AirNow School Activity Guidance ไม่ใช่คำสั่งของโรงเรียน ต้องผ่านผู้บริหาร ครูพยาบาล และหน่วยงานสาธารณสุขก่อนนำไปใช้จริง

🏫

Decision-matrix example — กิจกรรมกลางแจ้งตาม US AQI AQI ฐาน 24h: — (ข้อมูลยังไม่ครบ 75%) · coverage 0%

AQI	ระดับ	กิจกรรมสั้น	กิจกรรมยาว/หนัก	สิ่งที่ต้องติดตาม
0–50	🟢 Good	ทำได้ตามแผน	ทำได้ตามแผน	ตรวจ AQI และอาการ
51–100	🟡 Moderate	ทำได้ตามแผน	ผู้ไวต่อมลพิษเฝ้าดูอาการ	แผนโรคหืด/ยาประจำตัว
101–150	🟠 Sensitive groups	ทำได้ โดยเฉพาะกิจกรรมสั้น	เพิ่มพักและลดความหนัก	ติดตามไอ หายใจลำบาก แน่นหน้าอก
151–200	🔴 Unhealthy	เพิ่มพักและลดความหนัก	พิจารณาย้ายในอาคาร/เลื่อนเวลา	ติดตามอาการของทุกคน
201–500	🟣 Very unhealthy+	ย้ายในอาคารหรือเลื่อน	ย้ายในอาคารหรือเลื่อน	ตรวจคุณภาพอากาศภายในด้วย

📚 อ้างอิง: AirNow — Air Quality and Outdoor Activity Guidance for Schools · ต้องปรับให้เข้ากับแนวทางไทยและแผนสุขภาพของโรงเรียน

💚 สถานการณ์วันนี้ — คุณภาพอากาศ

AQI ฐาน 24 ชม.: — — ข้อมูลยังไม่ครบ 75% · PM2.5 = 0.0 µg/m³
ตัวอย่างการตีความ: ⚠️ coverage ยังไม่พอสำหรับใช้ AQI เป็นฐานตัดสิน

🥵 สถานการณ์วันนี้ — ดัชนีความร้อน

Heat Index: 25.2°C 🟢 ต่ำกว่า Caution
คำแนะนำ: ต่ำกว่าช่วง Caution ของ NWS; ยังต้องดูแดด ลม ระยะเวลา และอาการ
Heat Index สมมติพื้นที่ร่มและลมอ่อน; แดดตรงอาจทำให้ค่ารู้สึกร้อนสูงขึ้น และไม่แทน WBGT สำหรับกิจกรรมกีฬา

AI Tutoring Systems

ระบบ AI Tutor เสริมการเรียนรู้

Ollama + Qwen 2.5 — สอนคณิตศาสตร์แบบ 1:1 ด้วยข้อมูลจริงจาก Dashboard

🤖

ตัวอย่างบทสนทนา — PM2.5 เฉลี่ย 24 ชม. = 15.0 µg/m³

🤖 AI Tutor
สวัสดี! ค่า PM2.5 เฉลี่ย 24 ชม. อยู่ที่ 15.0 µg/m³ ลองดูว่าอยู่ในช่วง Breakpoint ไหนก่อนนะ 🎯

👨‍🎓 นักเรียน
อยู่ในช่วง 9.1–35.4 µg/m³ ครับ!

🤖 AI Tutor
ถูกต้อง! 🎉 +10 XP · ลองแทนค่าดูครับ 💪 \[AQI = \frac{100-51}{35.4-9.1} \times (15.0 - 9.1) + 51\]

🎮 Gamification

XP: ตอบถูก +10, Combo +15, จบบท +50
Levels: 🌱 ฝึกหัด → ⭐ นักคิด → 🔥 นักแก้โจทย์ → 💎 อัจฉริยะ
Leaderboard: จัดอันดับในห้อง/ระดับชั้น

📚 เทคนิคการสอน

Socratic Method: ถามนำ ไม่เฉลยทันที
Adaptive: ตอบถูกมาก → ยากขึ้นอัตโนมัติ
RAG: สอนจากเนื้อหาที่ครูเตรียมไว้

แผนบูรณาการองค์ความรู้สู่รายวิชา
เทศบาลเมืองตาก — ระบบ IoT & AI คุณภาพอากาศ

เริ่มจากคำถามเดียว

อ่านข้อมูลจริงก่อนสูตร

ตรวจความสดของข้อมูลก่อนสอน

จาก STEM สู่พลเมืองเรียนรู้

เครือข่ายตรวจวัดคุณภาพอากาศ เทศบาลเมืองตาก

ค่าล่าสุดจาก เซ็นเซอร์จริง — ใช้ในบทเรียนทุกวิชา

สถิติ 24 ชั่วโมงล่าสุด ● ข้อมูลจริง PM2.5 จาก โรงเรียน เทศบาล 1 กิตติขจร · 0/144 รอบ · coverage 0%

สูตรคำนวณ AQI พร้อมตัวอย่างจากข้อมูลจริง

US EPA AQI — มาตรฐานสหรัฐอเมริกา PM2.5 เฉลี่ย 24 ชม. = — µg/m³ → AQI = — (ข้อมูลยังไม่ครบ 75%)

📋 ตาราง Breakpoint PM2.5 — US EPA (2024)

Thai PCD AQI — กรมควบคุมมลพิษ AQI Thai = 0 · เกณฑ์ต่างจาก EPA

สถิติจาก ข้อมูล 24 ชั่วโมงจริง

Kalman Filter — กรองสัญญาณรบกวนจากเซ็นเซอร์

บทเรียน วิทยาศาสตร์ — หลักการทำงานของเซ็นเซอร์

Heat Index — ดัชนีความร้อน (v3.0 ใหม่) วัดจาก BME688 จริง → อุณหภูมิที่ "รู้สึก" จริงเมื่อรวมความชื้น

บทเรียน คณิตศาสตร์ จากข้อมูลจริง

สมการเชิงเส้นจากสูตร AQI (ม.2–3)เปลี่ยนสูตร AQI ให้อยู่ในรูป y = mx + b

Haversine Formula — ระยะห่าง 2 สถานี (ม.4–6)ใช้พิกัด GPS จริงคำนวณระยะทางบนผิวโลก

ร้อยละและอัตราส่วน — WHO Ratio (ม.1–2)เปรียบเทียบค่าจริงกับเกณฑ์มาตรฐาน

บทเรียน Coding & IoT — ตัวอย่างที่ตรวจสอบความถูกต้อง

ESP32 — อ่าน PM2.5 จาก PMS7003C++ · Bit Manipulation · UART Protocol

Python — วิเคราะห์ข้อมูลเซ็นเซอร์pandas · matplotlib · scipy · ข้อมูลจาก API จริง

บทเรียน สุขภาพ — ฝึกออกแบบแนวปฏิบัติจากข้อมูลจริง

Decision-matrix example — กิจกรรมกลางแจ้งตาม US AQI AQI ฐาน 24h: — (ข้อมูลยังไม่ครบ 75%) · coverage 0%

ระบบ AI Tutor เสริมการเรียนรู้

ตัวอย่างบทสนทนา — PM2.5 เฉลี่ย 24 ชม. = 15.0 µg/m³

🎮 Gamification

📚 เทคนิคการสอน