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.
เทศบาลเมืองตาก ประชากร ~30,000 คน ในหุบเขาแม่น้ำปิงของภาคเหนือประเทศไทย เผชิญมลพิษทางอากาศรุนแรงจากการเผาทางการเกษตรตามฤดูกาล แทนที่จะแค่ตรวจวัดปัญหา เราเปลี่ยนมันให้เป็นโอกาสการเรียนรู้ที่ทรงพลังที่สุดของเมืองTak Municipality, population ~30,000, in northern Thailand's Ping River valley, faces severe seasonal air pollution from agricultural burning. Rather than simply monitoring the problem, we turned it into the city's most powerful learning opportunity.
"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) เก็บข้อมูล PM2.5, PM10, อุณหภูมิ, ความชื้น, CO₂ และ VOC ทุก 30 วินาที พร้อม Heat Index และ Dew Point (FW v1.9.0) ฮาร์ดแวร์ open-source ออกแบบและประกอบโดยนักเรียนและครูIoT sensor network (ESP32 + BME688 + SCD30 + PMS7003) collecting PM2.5, PM10, temperature, humidity, CO₂, VOC, Heat Index & Dew Point (FW v1.9.0) every 30 seconds. Open-source hardware designed and assembled by students and teachers.
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.
AI Analytics Engine พร้อม Pearson/Spearman correlation, OLS regression, K-Means clustering, anomaly detection และพยากรณ์ 7 วัน — ให้ผู้บริหารท้องถิ่นมีหลักฐานทางวิทยาศาสตร์สำหรับนโยบายคุณภาพอากาศAI Analytics Engine with Pearson/Spearman correlation, OLS regression, K-Means clustering, anomaly detection, and 7-day forecasting — providing municipal leaders with scientific evidence for air quality policy.
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
5 สถานีทั่วเทศบาล
เก็บข้อมูลทุก 30 วินาที
FW v1.9.0: Heat Index · Dew PointESP32 + BME688 + SCD30 + PMS7003
5 stations across municipality
30-second data intervals
FW v1.9.0: Heat Index · Dew Point
ฐานข้อมูล MySQL
สรุปรายวันอัตโนมัติ
สรุปรายเดือนอัตโนมัติ
131,724 ค่าที่จัดเก็บMySQL database
Daily aggregation
Monthly summary pipeline
131,724 readings stored
20 ฟังก์ชันทางสถิติ
Pearson · Spearman · OLS
K-Means · Anomaly · Forecast
สร้างรายงานอัตโนมัติ20 statistical functions
Pearson · Spearman · OLS
K-Means · Anomaly · Forecast
Auto-generated reports
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
2,635 การแจ้งเตือน4-level protocol system
LINE Notify integration
Threshold monitoring
2,635 alerts triggered
RESTful JSON API
ส่งออก CSV/JSON
ชุมชนเข้าถึงได้
แบ่งปันข้ามหน่วยงานRESTful JSON API
CSV/JSON export
Community access
Inter-agency sharing
ผลการวิเคราะห์ทั้งหมดคำนวณจาก 131,724 ค่าเซ็นเซอร์ ตลอด 191 วันของการตรวจวัดต่อเนื่อง (23 Feb 2026 — 22 Sep 2026)All findings computed from 131,724 sensor readings across 191 days of continuous monitoring (23 Feb 2026 — 22 Sep 2026).
| Metric | Value | Benchmark | Status |
|---|---|---|---|
| PM2.5 Annual Mean | 19.8 µg/m³ | WHO: 15 · Thai: 37.5 | ⚠️ Above WHO |
| PM2.5 Maximum | 91.4 µg/m³ | 6.1× WHO | ⚠️ Extreme event |
| PM2.5 Minimum | 0.8 µg/m³ | Best recorded | ✅ Excellent |
| WHO Exceedance | 73/191 days (38.2%) | Target: <20% | ⚠️ |
| Thai Standard Exceedance | 35/191 days (18.3%) | Target: 0% | ⚠️ |
| Good Air Quality Days | 131 days (69%) | Target: >80% | 🔄 |
| Warning Protocol | 55 days | Outdoor cancelled | 🛡️ Protected |
| Critical Protocol | 16 days | Online learning | 🛡️ Protected |
| Temperature Average | 31.9 °C | Tropical climate | 📊 Recorded |
| CO₂ Average | 508 ppm | ASHRAE: <1000 | ✅ Good ventilation |
| Health Score | 88.7/100 | PM2.5 + CO₂ | ✅ Good |
| Data Collection | 131,724 readings | 191 days | ✅ Operational |
| Community Access | 32 pageviews | 31 unique | ✅ Active |
Monthly PM2.5 averages — strong seasonal dependence from agricultural burning (Jan–Apr):
ครอบคลุมพื้นที่เทศบาลเมืองตาก — จากโรงเรียนถึงพื้นที่สาธารณะ — เปิดให้วิเคราะห์เปรียบเทียบและระบุแหล่งกำเนิดมลพิษSpatial coverage across Tak Municipality — from schools to public spaces — enabling comparative analysis and pollution source identification.
โครงการนี้มีส่วนช่วยโดยตรงต่อ 4 เป้าหมาย SDGs ขององค์การสหประชาชาติ ผ่านเทคโนโลยี การศึกษา และการมีส่วนร่วมของชุมชนแบบบูรณาการThis initiative directly contributes to four UN Sustainable Development Goals through integrated technology, education, and community engagement.
โปรโตคอลสุขภาพ 4 ระดับ ปกป้อง 35,500 วัน-นักเรียนต่อปี ติดตาม Health Score เชื่อมโยงคุณภาพอากาศกับสุขภาวะนักเรียน แจ้งเตือนกลุ่มเสี่ยงผ่าน LINE Notify4-level health protocol protects 35,500 student-days annually. Health Score tracking links air quality to student wellness. Vulnerable population alerts via LINE Notify.
บูรณาการหลักสูตร STEM ตั้งแต่ ป.4 ถึง ม.6 ใช้ข้อมูลจริง นักเรียนเรียนรู้สถิติ เขียนโค้ด และระเบียบวิธีวิจัย จากข้อมูลคุณภาพอากาศของโรงเรียนตนเอง โปรแกรมพัฒนาครู 3 ระดับSTEM curriculum integration from Grade 4–12 using real-world data. Students learn statistics, coding, and scientific methodology. Teacher data literacy at 3 levels.
เครือข่าย IoT 5 สถานีตรวจวัดสิ่งแวดล้อมทั้งเมือง Open API เปิดให้หน่วยงานแบ่งปันข้อมูล ชุมชนเข้าถึงข้อมูล 32 ครั้ง5-station IoT network provides citywide environmental monitoring. Open API enables inter-agency data sharing. 32 community data accesses.
AI Analytics Engine (Correlation, Regression, K-Means, Forecasting) ให้หลักฐานทางวิทยาศาสตร์สำหรับนโยบายสิ่งแวดล้อม วิเคราะห์รูปแบบตามฤดูกาลเพื่อเตรียมรับมือฤดูเผาAI Analytics Engine provides scientific evidence for environmental policy. Seasonal analysis informs burning-season preparedness. Source attribution guides mitigation strategy.
Machine Learning และการวิเคราะห์ทางสถิติฝั่ง Client-side — ไม่พึ่งพา API ภายนอก ฟังก์ชันคณิตศาสตร์ทั้ง 20 ตัวทำงานในเบราว์เซอร์ ระบบพึ่งพาตนเองสมบูรณ์Client-side machine learning and statistical analysis — no external API dependencies. All 20 mathematical functions run in the browser, making the system fully self-contained.
| 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 | Feature importance, source 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 | 7-day PM2.5 prediction |
| Decomposition | Additive: Trend(SMA₁₄) + Seasonal + Residual | Seasonal pattern and trend separation |
| Linear Algebra | Gauss-Jordan · Matrix inverse · Transpose | OLS normal equations (AᵀA)⁻¹Aᵀy |
ผลกระทบที่วัดได้ครอบคลุมทั้งด้านการศึกษา การปกป้องสุขภาพ และการมีส่วนร่วมของชุมชนMeasurable impact across education, health protection, and community engagement.
| 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 |
| รวมต่อสถานีTotal per station | ~฿3,430 |
"โมเดลนี้พิสูจน์ว่า การตรวจวัดสิ่งแวดล้อมระดับโลกและการเรียนรู้จากข้อมูลจริง ไม่ใช่สิทธิพิเศษของเมืองร่ำรวย ด้วยเงินเพียง 60,000 บาท และความมุ่งมั่นของชุมชน เทศบาลใดก็สร้างระบบนี้ได้""This model proves that world-class environmental monitoring and data-driven learning are not privileges of wealthy cities. With $1,700 and community commitment, any municipality can build this."
— Tak Municipality Air Quality Network, 2569