เทศบาลเมืองตากเปลี่ยนข้อมูลมลพิษทางอากาศให้เป็นระบบนิเวศการเรียนรู้ทั้งเมือง — เสริมพลังโรงเรียน ชุมชน และผู้กำหนดนโยบาย ผ่านเทคโนโลยีเปิดและการรู้เท่าทันข้อมูล How a small Thai municipality transformed air pollution data into a citywide learning ecosystem — empowering schools, communities, and policymakers through open technology and data literacy.
รายงานนี้ควรสื่อสารต่อ UNESCO และผู้บริหารเมืองว่า เทศบาลเมืองตากไม่ได้ทำเพียง “ติดตั้งเซ็นเซอร์” แต่สร้างวงจรเรียนรู้ครบชุด: ตรวจวัด → วิเคราะห์ → สื่อสารประชาชน → ปรับกิจกรรมโรงเรียน → ใช้เป็นหลักฐานเชิงนโยบาย โดยแยกตัวเลขที่มาจากข้อมูลสถานีจริงออกจากตัวเลขเชิงแผนและตัวเลขด้านหลักสูตรอย่างชัดเจน This report should show UNESCO and municipal leaders that Tak is not only installing sensors; it is building a complete learning loop: monitoring, analysis, public communication, school action, and evidence-based policy. It separates station-derived metrics from planned network and curriculum-design figures.
เทศบาลเมืองตากใช้ข้อมูลคุณภาพอากาศเป็นฐานการเรียนรู้ของโรงเรียนและชุมชน ชุดข้อมูลนี้แสดงรูปแบบตามฤดูกาลได้ แต่ไม่ใช้ระบุสาเหตุของฝุ่นโดยลำพัง—การยืนยันแหล่งกำเนิดต้องอาศัยข้อมูลลม ไฟป่า การเผา การจราจร และวิธีวิเคราะห์แหล่งกำเนิดเพิ่มเติมTak Municipality uses air-quality observations as a learning resource for schools and communities. These data can describe seasonal patterns, but cannot identify pollution sources on their own; source attribution requires meteorology, fire, burning, traffic and additional source-apportionment evidence.
"เมื่อนักเรียนวิเคราะห์ข้อมูลคุณภาพอากาศของโรงเรียนตนเอง พวกเขาไม่ได้แค่เรียนสถิติ — พวกเขาเรียนรู้ว่าความรู้สร้างพลังในการเปลี่ยนแปลงโลก""When students analyze their own school's air quality data, they don't just learn statistics — they learn that knowledge creates power to change their world."
— นายณพล ชยานนท์ภักดี นายกเทศมนตรีเมืองตาก, UNESCO GNLC Initiative 2569แนวทางของเราบูรณาการเทคโนโลยี การศึกษา การมีส่วนร่วมของชุมชน และการกำหนดนโยบายบนหลักฐาน เป็นระบบนิเวศการเรียนรู้แบบครบวงจร ขับเคลื่อนด้วยข้อมูลสิ่งแวดล้อมแบบ real-timeOur approach integrates technology, education, community engagement, and evidence-based policymaking into a unified learning ecosystem powered by real-time environmental data.
เครือข่ายเซ็นเซอร์ IoT (ESP32 + BME688 + SCD30 + PMS7003) เก็บ PM2.5, PM10, อุณหภูมิ ความชื้น CO₂ และ VOC ตามรอบส่งที่กำหนดในแต่ละสถานี พร้อมใช้เป็นสื่อเรียนรู้ด้านข้อมูลและเซ็นเซอร์The IoT network (ESP32 + BME688 + SCD30 + PMS7003) records PM2.5, PM10, temperature, humidity, CO₂ and VOC at each station's configured reporting cadence and serves as a practical sensor and data-literacy resource.
หลักสูตร STEM ตั้งแต่ ป.4 ถึง ม.6 ใช้ข้อมูลคุณภาพอากาศจริง: สถิติ (Mean, SD, Correlation), การสร้างกราฟ (Chart.js), เขียนโค้ด (Arduino, Python) และระเบียบวิธีวิจัยทางวิทยาศาสตร์STEM curriculum from Grade 4–12 using real air quality data: statistics (Mean, SD, Correlation), data visualization (Chart.js), coding (Arduino, Python), and scientific research methodology.
Open Data API, แดชบอร์ดสองภาษา (ไทย/อังกฤษ), รายงานสัปดาห์อัตโนมัติภาษาชาวบ้าน, แจ้งเตือน LINE สำหรับกลุ่มเสี่ยง และโปรแกรม Citizen Science ให้ชุมชนเป็นนักวิจัยOpen Data API, bilingual dashboard (Thai/English), automated weekly reports in plain language, LINE alerts for vulnerable populations, and Citizen Science program for community researchers.
เครื่องมือ Pearson/Spearman, OLS, clustering, anomaly detection และพยากรณ์ช่วยสำรวจรูปแบบและตั้งสมมติฐาน ผลลัพธ์เชิงสหสัมพันธ์ไม่ถือเป็นเหตุและผล และต้องตรวจสอบก่อนใช้ตัดสินใจPearson/Spearman, OLS, clustering, anomaly detection and forecasting support pattern exploration and hypothesis generation. Association is not causation; results require validation before decisions.
กระบวนการข้อมูลแบบครบวงจร ตั้งแต่เซ็นเซอร์กายภาพจนถึงการดำเนินการของชุมชน — ทั้งหมดเป็น open-source สร้างและดูแลโดยครูและนักเรียนในพื้นที่End-to-end data flow from physical sensors to community action — entirely open-source, built and maintained by local educators and students.
ESP32 + BME688 + SCD30 + PMS7003
4 สถานีลงทะเบียน · เป้าหมาย 5
รอบส่งขึ้นกับการตั้งค่าสถานี
มีการคัดกรอง warm-up และธงคุณภาพESP32 + BME688 + SCD30 + PMS7003
4 registered · target 5
Cadence varies by station configuration
Warm-up and quality-flag screening applied
ฐานข้อมูล MySQL
สรุปรายวันอัตโนมัติ
สรุปรายเดือนอัตโนมัติ
105,889 ค่าที่จัดเก็บMySQL database
Daily aggregation
Monthly summary pipeline
105,889 readings stored
โมดูลวิเคราะห์แยกต่างหาก
Pearson · Spearman · OLS
Clustering · Anomaly · Forecast
ผลลัพธ์ต้องผ่าน validationSeparate analysis module
Pearson · Spearman · OLS
Clustering · Anomaly · Forecast
Outputs require validation
แดชบอร์ดสองภาษา
20 กราฟ interactive
Calendar heatmap
สถานะสถานี real-timeBilingual dashboard
20 interactive charts
Calendar heatmap
Real-time station status
ระบบโปรโตคอล 4 ระดับ
LINE Notify
เฝ้าระวังค่าเกณฑ์
0 การแจ้งเตือน4-level protocol system
LINE Notify integration
Threshold monitoring
0 alerts triggered
RESTful JSON API
ส่งออก CSV/JSON
ชุมชนเข้าถึงได้
แบ่งปันข้ามหน่วยงานRESTful JSON API
CSV/JSON export
Community access
Inter-agency sharing
สถิติเชิงพรรณนาคำนวณจาก 105,889 ค่าที่ผ่านการคัดกรอง รวม 384 station-days และ 158 วันปฏิทินที่มีอย่างน้อยหนึ่งสถานีผ่านเกณฑ์ ≥18/24 ชั่วโมง (23 Feb 2026 — 04 Aug 2026)Descriptive statistics use 105,889 screened observations, 384 validated station-days and 158 calendar days with at least one station meeting ≥18/24-hour coverage (23 Feb 2026 — 04 Aug 2026).
| Metric | Value | Benchmark | Status |
|---|---|---|---|
| PM2.5 Reporting-Period Mean | 22.3 µg/m³ | Descriptive period statistic | ℹ️ Not a 24h/annual compliance metric |
| Highest Municipal Daily Mean | 91.4 µg/m³ | 6.1× WHO 24h AQG | ⚠️ Screening signal |
| Observed Daily P99 | 86.2 µg/m³ | WHO 24h AQG: 15 | ℹ️ Partial-period estimate |
| PM2.5 Minimum | 3.7 µg/m³ | Lowest municipal daily mean | ℹ️ Descriptive |
| WHO Exceedance | 71/158 days (44.9%) | WHO AQG uses annual daily P99 | ℹ️ Descriptive count only |
| Thai Standard Exceedance | 34/158 days (21.5%) | 24h standard: 37.5 µg/m³ | ℹ️ Screening network; not regulatory certification |
| Days ≤ WHO 24h AQG | 87 days (55%) | ≤15 µg/m³ daily mean | ℹ️ Descriptive share |
| Protocol Signal ≥3 | 84 days | Any valid reading reached threshold | ⚠️ Action confirmation not stored here |
| Protocol Signal 4 | 26 days | Any valid reading reached threshold | ⚠️ Action confirmation not stored here |
| Temperature Average | 32.1 °C | Tropical climate | 📊 Recorded |
| Humidity Average | 52.9 %RH | Comfort: 40–60% | ✅ Comfortable |
| CO₂ Average | 522 ppm | 1,000 ppm operational screen | ℹ️ Below screen |
| Heat Index | 35.3 °C | Derived sensor metric | ⚠️ Elevated |
| Dew Point | 20.3 °C | Derived sensor metric | ⚠️ Humid |
| Data Collection | 105,889 readings | 384 station-days · 158 calendar days | ✅ Temporal rule met |
| Community Access | 32 pageviews | 31 unique | ℹ️ Recorded traffic, not learning outcome |
Monthly PM2.5 averages — descriptive seasonal pattern; this chart alone cannot attribute a pollution source:
รายการนี้อ่านจากทะเบียนสถานีจริง ไม่ใช้รายการคงที่ ข้อมูลหลายจุดช่วยเปรียบเทียบความแตกต่างเชิงพื้นที่ แต่ยังไม่เพียงพอสำหรับระบุแหล่งกำเนิดมลพิษโดยไม่มีข้อมูลประกอบThis registry is read from the live station table rather than a hard-coded list. Multiple sites support spatial comparison, but do not identify pollution sources without supporting evidence.
● 4 reported within 3h · 4 maximum validated stations represented on one reporting day
กิจกรรมของโครงการสอดคล้องเชิงแนวคิดกับ 4 เป้าหมาย SDGs ด้านสุขภาพ การศึกษา เมือง และภูมิอากาศ การอ้าง “ผลลัพธ์” ต้องมีค่าเริ่มต้น เป้าหมาย และบันทึกกิจกรรม/ผู้เข้าร่วมเพิ่มเติมProject activities are conceptually aligned with four SDGs covering health, education, cities and climate. Outcome claims still require baselines, targets and activity/participant records.
ระบบตรวจพบ 84 วันซึ่งมีค่าถึงระดับสัญญาณโปรโตคอล ≥3 ตัวเลขนี้ไม่เท่ากับจำนวนวันที่โรงเรียนดำเนินมาตรการจริงจนกว่าจะเชื่อมกับ action logThe system detected 84 days reaching protocol signal ≥3. This is not the number of days schools acted until an action log is linked.
แผนหลักสูตรครอบคลุม ป.4–ม.6 และการพัฒนาครู 3 ระดับ ก่อนรายงานผลควรบันทึกชั่วโมงเรียน จำนวนผู้เรียน ผลก่อน–หลัง และผลงานนักเรียนThe curriculum design spans Grades 4–12 and three teacher-training levels. Reporting should add learning hours, participants, pre/post results and student artifacts.
มีสถานีลงทะเบียน 4 แห่งและเป้าหมาย 5 แห่ง ระบบบันทึก 32 pageviews ซึ่งสะท้อนการเปิดหน้า ไม่ใช่ผู้เรียนที่มีส่วนร่วมโดยตรง4 stations are registered against a target of 5. The system records 32 pageviews, which are page loads rather than verified learning engagements.
เครื่องมือวิเคราะห์ช่วยสำรวจแนวโน้ม ความสัมพันธ์ และความผิดปกติ เพื่อสร้างสมมติฐานและวางแผนติดตาม ไม่ใช้ยืนยันแหล่งกำเนิดหรือเหตุและผลโดยลำพังAnalytics support trend, association and anomaly exploration for hypothesis generation and monitoring plans; they do not independently establish source or causality.
ตารางนี้เป็นบัญชีวิธีที่โมดูลวิเคราะห์เชิงวิทยาศาสตร์รองรับ ไม่ใช่ผลยืนยันจากหน้านี้โดยอัตโนมัติ การนำค่าพยากรณ์ ค่า p หรือแบบจำลองไปใช้ต้องตรวจสมมติฐาน ตรวจ holdout/backtest และรายงานความไม่แน่นอนThis is an inventory of methods supported by the scientific-analysis module, not automatically validated findings on this page. Forecasts, p-values and models require assumption checks, holdout/backtesting and uncertainty reporting.
| Category | Methods | Application |
|---|---|---|
| Descriptive Statistics | mean · median · SD · skewness · kurtosis · quantile | Data profiling and distribution analysis |
| Correlation Analysis | Pearson r · Spearman ρ · p-value (incomplete Beta) | Variable relationship identification |
| Regression | OLS Multiple · Polynomial (degree 2) · 95% CI | Exploratory association; not causal attribution |
| Unsupervised ML | K-Means++ (4 clusters, 30 iterations) | Day classification: Good/Fair/Poor/Critical |
| Anomaly Detection | Z-Score (>2σ) + IQR (×1.5) dual method | Statistical outlier identification |
| Forecasting | EMA(α=0.118) + Linear Trend + 95% PI | Experimental 7-day projection; backtesting required |
| Decomposition | Additive: Trend(SMA₁₄) + Seasonal + Residual | Seasonal pattern and trend separation |
| Linear Algebra | Gauss-Jordan · Matrix inverse · Transpose | OLS normal equations (AᵀA)⁻¹Aᵀy |
กรอบผลลัพธ์ที่เสนอสำหรับติดตามด้านการศึกษา การใช้มาตรการ และการมีส่วนร่วม ปัจจุบันตัวเลขหลักสูตรเป็นค่าออกแบบ ส่วนสัญญาณฝุ่นมาจากเซ็นเซอร์Proposed outcome framework for education, response actions and participation. Curriculum figures are design targets; pollution signals come from sensors.
| Grade Level | Mathematics | Science | Technology |
|---|---|---|---|
| Grade 4–6 | Mean, counting, bar charts | Weather observation, seasons | Reading dashboard, color codes |
| Grade 7–9 | Mean, Median, SD, % change | Air quality factors, health impacts | Scatter plots, data interpretation |
| Grade 10–12 | Correlation, regression, p-value | Research methodology, hypothesis | Arduino/Python, sensor assembly |
แผนดำเนินการ 12 เดือน แบ่งเป็น 4 ระยะ จากโรงเรียนนำร่อง 1 แห่งสู่ระบบนิเวศการเรียนรู้ทั้งเมือง12-month phased rollout from single school pilot to citywide learning ecosystem.
สถานีหลักเปิดใช้ · Dashboard ใช้งานได้ · โปรโตคอลโรงเรียน · อบรมครูระดับ 1 · LINE แจ้งเตือน · สำรอง N95Primary station operational · Dashboard live · School protocol established · Teacher training Level 1 · LINE alert system · N95 stockpile
ติดตั้งสถานี 2–3 · เซ็นเซอร์ CO₂ ในห้องเรียน · นำร่องหลักสูตร STEM · รายงานสัปดาห์อัตโนมัติ · เริ่มติดตามสุขภาพ-AQStation 2–3 deployed · CO₂ sensors in classrooms · STEM curriculum pilot · Weekly auto-report · Health-AQ tracking begins
เปิดใช้ AI Analytics Engine · เปรียบเทียบข้ามสถานี · วิเคราะห์ข้อมูลสุขภาพ · จัดทำเอกสารงบประมาณ · Citizen ScienceAI Analytics Engine deployed · Station Comparison active · Cross-referencing health data · Budget documentation · Citizen Science program
5 สถานีครบ · วิเคราะห์เปรียบเทียบปีต่อปี · ส่งรายงาน UNESCO GNLC · แบ่งปันข้อมูลข้ามหน่วยงาน · เอกสารโมเดลสำหรับขยายผล5 stations complete · Year-over-year analysis · UNESCO GNLC submission · Inter-agency data sharing · Model documentation for replication
ออกแบบให้เมืองแห่งการเรียนรู้อื่นทั่วโลกนำไปใช้ได้ — ราคาย่อมเยา, open-source และปรับใช้ได้ง่ายDesigned for adoption by other Learning Cities worldwide — affordable, open-source, and adaptable.
| อุปกรณ์Component | หน้าที่Function | ราคาโดยประมาณEst. Cost |
|---|---|---|
| ESP32-WROOM-32U | ไมโครคอนโทรลเลอร์ + WiFiMCU + WiFi | ฿250 |
| BME688 | อุณหภูมิ / ความชื้น / ความดัน / VOCTemp / Hum / Press / VOC | ฿450 |
| SCD30 | CO₂ (NDIR) / อุณหภูมิ / ความชื้นCO₂ (NDIR) / Temp / Hum | ฿1,500 |
| PMS7003 | PM1.0 / PM2.5 / PM10 (Laser)PM1.0 / PM2.5 / PM10 (Laser) | ฿550 |
| TFT 1.8" Display | แสดงผล real-timeOn-site display | ฿180 |
| อื่นๆMisc | กล่อง, สาย, อะแดปเตอร์, PCBEnclosure, wires, adapter, PCB | ฿500 |
| รวมอุปกรณ์หลักต่อสถานีCore electronics subtotal | ~฿3,430 |
"โมเดลนี้แสดงแนวทางต้นทุนต่ำสำหรับการเรียนรู้และการเฝ้าระวังเบื้องต้น การขยายผลควรทดสอบคุณภาพข้อมูล เทียบเครื่องอ้างอิง ประเมินค่าบำรุงรักษา และยืนยันงบประมาณก่อนใช้งานเชิงนโยบาย""This model demonstrates a low-cost pathway for learning and preliminary surveillance. Replication should validate data quality against a reference instrument, assess maintenance and confirm budgets before policy use."
— Tak Municipality Air Quality Network, 2569