· วัตถุประสงค์...

วตถประสงควารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม จดทำาขนโดยมวตถประสงคเพอเปนแหลงเผยแพรผลงานทางวชาการทมคณภาพของนกวชาการทงในและตางประเทศ โดยเผยแพรบทความวจย (research article) บทความปรทศน (review article) ในสาขาวชาตางๆ ไดแก คณตศาสตร วทยาศาสตร เทคโนโลย วศวกรรมศาสตร เกษตรศาสตร แพทยศาสตร วทยาศาสตรสขภาพ และสหวทยาการดานวทยาศาสตรและเทคโนโลย

เจาของมหาวทยาลยมหาสารคาม สำานกงานกองบรรณาธการ กองสงเสรมการวจยและบรการวชาการ มหาวทยาลยมหาสารคาม ตำาบลขามเรยง อำาเภอกนทรวชย จงหวดมหาสารคาม 44150 โทรศพทภายใน 1754 โทรศพท/โทรสาร 0-4375-4416

ทปรกษาอธการบดมหาวทยาลยมหาสารคามศาสตราจารย ดร.วสทธ ใบไมศาสตราจารย ดร.วชย บญแสง

บรรณาธการศาสตราจารย ดร.ปรชา ประเทพา

ผชวยบรรณาธการศาสตราจารย ดร.ไพโรจน ประมวล มหาวทยาลยมหาสารคามรองศาสตราจารย นายสตวแพทย ดร.วรพล เองวานช มหาวทยาลยมหาสารคามรองศาสตราจารย ดร.ศรธร ศรอมรพรรณ มหาวทยาลยมหาสารคามรองศาสตราจารย ดร.วลยา สทธขำา มหาวทยาลยมหาสารคาม

กองบรรณาธการศาสตราจารย ดร.ทวศกด บญเกด จฬาลงกรณมหาวทยาลยศาสตราจารย ดร.ละออศร เสนาะเมอง มหาวทยาลยขอนแกนศาสตราจารย ดร.สพรรณ พรหมเทศ มหาวทยาลยขอนแกนศาสตราจารย ดร.ปราณ อานเปรอง จฬาลงกรณมหาวทยาลยศาสตราจารย ดร.นวฒ เสนาะเมอง มหาวทยาลยขอนแกนศาสตราจารย ดร.อนงคฤทธ แขงแรง มหาวทยาลยมหาสารคามรองศาสตราจารย ดร.สนนท สายกระสน มหาวทยาลยมหาสารคามรองศาสตราจารย ดร.สวรรณา บญยะลพรรณ มหาวทยาลยขอนแกนรองศาสตราจารย ดร.ขวญใจ กนกเมธากล มหาวทยาลยขอนแกน

รองศาสตราจารย ดร.ฉนทนา อารมยด มหาวทยาลยขอนแกนรองศาสตราจารย ดร.บญจง ขาวสทธวงษ สถาบนบณฑตพฒนาบรหารศาสตรรองศาสตราจารย ดร.พรเทพ ถนนแกว มหาวทยาลยขอนแกนรองศาสตราจารย ดร.นฤมล แสงประดบ มหาวทยาลยขอนแกนรองศาสตราจารย ดร.เทอดศกด คำาเหมง มหาวทยาลยขอนแกนรองศาสตราจารยยน ภวรวรรณ มหาวทยาลยเกษตรศาสตรรองศาสตราจารย ดร.บงอร กมพล มหาวทยาลยมหาสารคามรองศาสตราจารย นายแพทยศรเกษม ศรลกษณ มหาวทยาลยนเรศวรผชวยศาสตราจารย ดร.ชวลต บญปก มหาวทยาลยมหาสารคามผชวยศาสตราจารย ดร.นพรตน พทธกาล มหาวทยาลยเทคโนโลยราชมงคลธญบรผชวยศาสตราจารย ดร.อนชา เพยรชนะ มหาวทยาลยราชภฏอบลราชธานผชวยศาสตราจารย ดร.เสกสรร สขะเสนา มหาวทยาลยนเรศวรผชวยศาสตราจารย ดร.อภญญา วงศพรยโยธา มหาวทยาลยมหาสารคามผชวยศาสตราจารย ดร.อลงกรณ ละมอม มหาวทยาลยมหาสารคามผชวยศาสตราจารย น.สพ.ดร.ณฐพล ภมพนธ มหาวทยาลยมหาสารคามอาจารย ดร.รกษจนดา วฒนาลย มหาวทยาลยสยามอาจารย ดร.สมนก พวงพรพทกษ มหาวทยาลยมหาสารคามMr.Adrian R. Plantมหาวทยาลยมหาสารคาม

เลขานการฉววรรณ อรรคะเศรษฐง

ผชวยเลขานการพกตรวไล รงวสยจรารตน ภสฤทธ

กำาหนดเผยแพร ปละ 6 ฉบบ ฉบบท 1 มกราคม-กมภาพนธ ฉบบท 2 มนาคม-เมษายน ฉบบท 3 พฤษภาคม-มถนายน ฉบบท 4 กรกฎาคม-สงหาคม ฉบบท 5 กนยายน-ตลาคม ฉบบท 6 พฤศจกายน-ธนวาคม

วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม

บทความและความคดเหนในวารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม เปนความคดเหนของผเขยน กองบรรณาธการ ไมจำาเปนตองเหนดวยเสมอไป และบทความในวารสารวทยาศาสตรและเทคโนโลย สงวนสทธตามกฎหมายไทย การจะนำาไปเผยแพรตอง ไดรบอนญาตเปนลายลกษณอกษรจากกองบรรณาธการเทานน

วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม http://www.journal.msu.ac.th เผยแพรเมอวนท 30 มถนายน 2563

คำาอธบายภาพปก : การศกษาแครโอไทปของตกแตนตวหำาหวหอกเพศผ (Palaeoagraecia brunnea) และตกแตนขาวไฮโรไกลฟสเพศผ (Hieroglyphus banian) ในภาคเหนอของประเทศไทย

ภาพปก : อรอนงค ยามเลย, อสสระ ปะทะวง. 2563, 290-297

บทบรรณาธการ

วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม ฉบบน ประกอบไปดวยเนอหาครอบคลมในศาสตรทางดานวทยาศาสตรกายภาพ วทยาศาสตรชวภาพ วทยาศาสตรสขภาพ ดานเทคโนโลย เทคโนโลยสารสนเทศ การเกษตร และดานอนๆ ซงเปนองคความรใหมๆ ทไดจากวจย โดยไดนำามารวบรวมและจดพมพเผยแพรอยางตอเนองจากฉบบกอนๆ ซงผอานจะไดรบความรและสาระทเปนประโยชนทสามารถนำาไปตอยอดในศาสตรทผอานสนใจ หรอพฒนาตอใหเปนนวตกรรมทเปนรปธรรม สอดคลองนโยบายและยทธศาสตรการพฒนาประเทศ

วารสารฯ ฉบบน จงมประโยชนอยางยงสำาหรบ นสต นกศกษา นกวจย นกวชาการ และผสนใจทวไป ในการใชประกอบการศกษาและเตมเตมองคความรใหมๆ ซงอาจสามารถนำาไปใชเปนตนแบบหรอแนวคดสำาหรบการพฒนาตอยอดถงขนเปนนวตกรรมทสามารถสรางตลาดและเพมมลคาใหกบตวผลตภณฑไดในอนาคต อยางไรกตาม เนองจากประเทศยงอยในชวงทตองเฝาระวงการระบาดของเชอไวรสโคโรนา-19 (COVID-19) ซงอาจสงผลกระทบตอการดำาเนนการวจยทจำาเปนตองอาศยขอมลจากผใหขอมลจำานวนมากๆ หรอมความไมสะดวกในการเดนทางไปเกบขอมลหรอดำาเนนกจกรรมวจยอนๆ ซงทางกองบรรณาธการวารสารมความหวงใยและขอเปนกำาลงใจใหกบนกวจยทกๆ ทาน ใหทานสามารถผานวกฤตนไปดวยกน และปรบตวดวยการดำาเนนการวจยตามรปแบบชวตวถใหม (New Normal) เพอพลกวกฤตใหเปนโอกาส สามารถผลตงานวจยทมคณภาพเพอนำาเสนอตอสาธารณชนดงเชนทผานมา นอกจากน อยากเรยนใหทานไดทราบวา ในปจจบน นพนธตนฉบบทสงมาใหวารสารฯ พจารณาเพอลงตพมพนนยงคงมจำานวนมากขนเรอยๆ สำาหรบกระบวนการพจารณาคดเลอกบทนพนธเพอลงตพมพในวารสารฯ ยงมความเขมขนและใชเกณฑในการพจารณาตดสนโดยยดและรกษาคณภาพของงานเปนหลก กองบรรณาธการหวงเปนอยางยงวา วารสารฯ ฉบบน คงเปนประโยชนสำาหรบผอานทกทาน และขอเชญชวนทกทานสงผลงานวจยหรอบทความทางวชาการมาลงตพมพในวารสารฯ มา ณ โอกาสน

รองศาสตราจารย ดร.สนนท สายกระสน

กองบรรณาธการ

สารบญ

Physical Scienceเครองนบจำานวนฟองกาซโดยใชตวควบคม Raspberry Pi สำาหรบกระบวนการหมก 251A Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process

มงคล วรรณประภาMongkol Wannaprapa

Mathematics Scienceความสมพนธของกรนบนโมนอยดของโคไฮเพอรซบสตตวชนเชงเสนชนด τ = (n) 258Green’s Relations on the Monoid of Linear Cohypersubstitutions of Type τ = (n)

จฬาลกษณ บญศล, กตตศกด แสงสระJulaluk Boonsol, Kittisak Saengsura

Engineeringการประยกตใชแบบจำาลองคณตศาสตร HEC-HMS และ HEC-RAS เพอศกษาแนวทางการบรรเทา

อทกภยของอำาเภอชะอวด จงหวดนครศรธรรมราช 264The Application of HEC-HMS and HEC-RAS Mathematical Models for Study of Flood Mitigation

in Cha-Uat, Nakhon Si Thammarat ณฐพล แกวทอง, ปกรณ ดษฐกจ, สรายทธ นาครอด, ชยณฐ บวทองเกอNatapon Kaewthong, Pakorn Ditthakit, Sarayoot Nakrod, Chayanat Buathongkhue

ปจจยทเหมาะสมของอณหภมและเวลาการอบเพมคารบอนทมตอสมบตเชงกลของมดโตทชบแขงในกระบวนการแพกคารเบอไรซงโดยใชกระดกววเปนสารเรงปฏกรยา 273

Optimization of Carburizing Temperature and Time on Mechanical Properties of Hardening the Big Knives in Pack Carburizing Process by Using Cow Bone as an Energizerณรงคศกด ธรรมโชต, สมบต นอยมง, ศกดสทธ ศรสข, วรรณา หอมจะบก, อมรศกด มาใหญ, จารพงษ บรรเทาNarongsak Thammachot, Sombut Noyming, Saksit Srisuk, Wanna Homjabok, Amornsak Mayai, Jarupong Banthao

Biological Scienceการใชเชอบาซลลสและสเตรปโตมยซสควบคมเชอราโรคพชบางชนดโดยชววธ 284Use of Bacillus sp. and Streptomyces sp. for biological control of some plant pathogens

สวภา สาวภาค, ชนญกาญจน แสงประสาน, อรณ วงศจรฐตSuwapha Sawiphak, Chanankarn Saengprasan, Aroon Wonggiratthiti

การศกษาแครโอไทปของตกแตนตวหำาหวหอกเพศผ (Palaeoagraecia brunnea) และตกแตนขาวไฮโรไกลฟสเพศผ (Hieroglyphus banian) ในภาคเหนอของประเทศไทย 290

Karyotypic Study of Male Predaceous Spear-headed Katydid (Palaeoagraecia brunnea) and Male Bluish-green Rice Grasshopper (Hieroglyphus banian) in Northern Thailandอรอนงค ยามเลย, อสสระ ปะทะวงOnanong Yamloei, Isara Patawang

สารบญ

สารออกฤทธทางชวภาพ ฤทธตานออกซเดชนและฤทธยบยงแอลฟากลโคซเดสจากสวนสกดเอทานอลของตดหมตดหมา (Paederia linearis Hook.f.) 298

Bioactive Compounds, Antioxidant and α-Glucosidase Inhibitory Activities from Ethanolic Extracts of Tot Mu Tot Ma (Paederia linearis Hook.f.)พรทพย ปดตาเคนง, วลาวณย พรอมพรม, วรรณชย ชาแทนPhorntip Padtakenang, Wilawan Promprom, Wannachai Chatan

Chemical Scienceการเตรยมสเลคจากใบประดบเฟองฟาสมวงแดงเพอพฒนาผลตภณฑลปสตก 306Lake Preparation and Lipstick Development from Red-Purple Bracts of Paper Flower

ณรงคฤทธ หลาพนธ, ณฐณชา ผลศรNarongrit Lahpun, Nattanicha Phonsiri

GeoInformaticsการวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทยโดยใชดชนปรมาณนำาฝนมาตรฐาน 313Analysis of Drought in Northern Thailand Using Standardized Precipitation Index

วรลกษณ ไกงาม, ชาครต โชตอมรศกดVoraluck Kaingam, Chakrit Chotamonsak

Health Scienceปจจยเชงสาเหตทมอทธพลตอพฤตกรรมการใชหมวกนรภยในนกศกษาสาขาสาธารณสขศาสตร

มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก 323Causal Factors Affecting Helmet Use Behavior among Public Health Students of Pibulsongkram

Rajabhat University, Phitsanulok Provinceกเกยรต กอนแกว, วภาดา ศรเจรญKukiet Konkaew, Wiphada Srijaroen

Computer and Information Technologyการเปรยบเทยบประสทธภาพโครงสรางเหมองขอมลเพอจำาแนกโรคซมเศราจากพฤตกรรม

การโพสตขอความบนทวตเตอร 331Comparison of data mining structure performance for depressive classifi cation if twitter

users from their posts on twitter of user behaviorsดำารงเดช เดนรบรมย, ฉตรเกลา เจรญผล, จรยา จรานกลDamrongdet Doenribram, Chatklaw Jareanpon, Jariya Jiranukool

วธการปรบปรงคณลกษณะสำาหรบการจำาแนกภาพใบหนาทถกรบกวนจากแสงโดยขนตอนวธผสมผสาน 344

Feature improvement for classifi cation of face images under varying light conditions using a hybird algorithmวทศน จาตรงคกร, ฉตรเกลา เจรญผลWitas Jaturongkorn, Chatklaw Jareanpon

เครองนบจำานวนฟองกาซโดยใชตวควบคม Raspberry Pi สำาหรบกระบวนการหมกA Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process

มงคล วรรณประภา1*

Mongkol Wannaprapa1*

Received: 3 August 2019 ; Revised: 18 October 2019 ; Accepted: 4 November 2019

บทคดยองานวจยนไดพฒนาเครองนบจำานวนฟองกาซจากเดมทควบคมดวยตวควบคม Arduino mega 2560 เปลยนมาเปนควบคมดวยตวควบคม Raspberry Pi3 model B โดยตดตงตวจบสญญาณแสง เพอนบจำานวนฟองกาซคารบอนไดออกไซดทเกดจากกระบวนการหมกทอตราการเกดจำานวนฟองกาซสงๆไดถกตองยงขน เครองนบฟองกาซนสามารถตงคาจำานวนฟองกาซทตองการนบ พรอมบนทกภาพของฟองกาซทเกดขนดวยกลองบนทกภาพ และมสญญาณเสยงเตอนเมอทำางานเสรจสน ผลการวจยพบวา มความคลาดเคลอนของการนบเพมขนเมออตราการเกดฟองกาซเพมขน โดยพบวาไมมความผดพลาด เมออตราการเกดฟองกาซ 0-70 ฟองตอนาท และเรมเกดความคลาดเคลอนเฉลยรอยละ 0.1-0.25 ทอตราการเกดฟองกาซ 70-100 ฟองตอนาท เพมขนเปนเฉลยรอยละ 0.25-1.5 เมออตราการเกดฟองกาซ 100-130 ฟองตอนาท และเฉลยรอยละ 1.5 เมออตราการเกดฟองกาซ 130-140 ฟองตอนาทตามลำาดบ ซงเครองนบจำานวนฟองกาซทควบคมดวยตวควบคม Raspberry Pi3 model B ใหความถกตองในการนบจำานวนฟองสงกวาเครองนบจำานวนฟองกาซทควบคมดวยตวควบคม Arduino mega 2560 นอกจากนผลจากการนบจำานวนฟองกาซดวยเครองนสามารถนำาไปประยกตใช เพอแสดงอตราการเกดฟองกาซจากกระบวนการหมก ซงสอดคลองกบอตราการเจรญเตบโตของยสตไดอกดวย

คำาสำาคญ: ตวควบคม จำานวนฟองกาซ กระบวนการหมก

AbstractThis research developed a gas bubble counter in which the Arduino mega 2560 controller was changied to the Raspberry Pi3 model B controller. A Photo sensor was also installed in order to provide highly accurate counts at high rate of the number of carbon dioxide gas bubbles generated from the fermentation process. This gas bubble counter can be set to the desired value of the number of gas bubbles to be counted. It can also record images of gas bubbles during the fermentation process by camera and has an alarm (buzzer) activated at the completion of work. The results showed that the error of counting increased with the increase of the rate of gas bubbles from 0% at gas bubble rate of 0-70 bubbles/minute; 0.1-0.25% at gas bubble rate of 70-100 bubbles/minute, 0.25-1.5% at gas bubble rate of 100-130 bubbles/minute and remained constant at 1.5% at gas bubble rate of 130-140 bubbles/minute. The gas bubble counter controlled by the Raspberry Pi3 model B controller provides higher accuracy of gas bubble count than the gas bubble counter controlled by the Arduino mega 2560 controller. In addition, the number of bubble counted by the gas bubble counter indicated that the rate of bubbles produced from the fermentation process corresponded to the growth rate of yeast.

Keywords: Controller, Gas Bubble Counter, Fermentation Process

1 รองศาสตราจารย ภาควชาอเลกทรอนกส คณะวทยาศาสตร มหาวทยาลยรามคำาแหง กรงเทพมหานคร 102401 Associate Professor, Lecturer in Department of Electronics Technology, Faculty of Science, Ramkhamhaeng University, Bangkok, 10240 Thailand* Corresponding author: E-mail: [email protected]

J Sci Technol MSUMongkol Wannaprapa252

IntroductionThe fermentation process is a specific process of anaerobic microorganism such as yeast mold and some bacteria. In this process, the microorganism uses organic substances as hydrogen acceptor or electron in the laSt Step of the process instead of oxygen1.

Currently, ethyl alcohol is produced from fermentation by using enzyme from yeast to convert starch to maltose and glucose sugar by diastase and maltase enzyme respectively. Then glucose is converted to ethyl alcohol and carbon dioxide by enzyme as in the following reaction.

(1)

This type of fermentation will obtain alcohol 12-15%. For a complete reaction 1 molecule of glucose will be broken down to 2 molecules of ethyl alcohol and 2 molecules of carbon dioxide as in the following reaction.

(2)

Glucose Ethyl alcohol Carbon dioxide There are many kinds of microorganism such as mold, yeast, algae, and protozoa. Yeast is classified in the fungi kingdom and mold kingdom. Its growth pattern divides in to 4 phases: Lag phase (A phase); the first phase in which microorganisms begin to find new food and environment, Exponential or log phase (B phase); a period in which the microbes have increased in the most number and have a constant rate of divisive cell, Stationary phase (C phase); a period in which the microorganism shows no increase in the number, and Death phase or decline phase (D phase); the last phase in which the microorganism’s die. The pattern of the growth cycle of microorganisms (bacteria/yeast) is shown in figure 12.

In previous work, a gas bubble counter us-ing Arduino mega 2560 as the controller showed that the average of gas bubble related to carbon dioxide and ethyl alcohol produced by fermentation as shown in reaction (2)4, which still provides high error on counting gas bubbles especially at a high rate of gas bubble production. In this work, the study of the relationships of gas bubble, carbon dioxide, and yeast growth are shown in figure 1 by using the gas bubble counter controlled by Raspberry Pi3 B. Moreover, in order to reduce errors at higher rates of gas bubble production the device had a higher processing speed than the Arduino mega 25605.

Design and Experiment The gas bubble counter controlled by the Raspberry Pi3 model B consists of 5 important functional parts: 1) Fermenter or experiment glass, 2) S-shaped glass tube, 3) Photo sensor, 4) processing cycle counts gas bubbles, and 5) spherical glass bulb, as shown in figure 2.

Vol xx, No 6, Nov-Dec 2019 A Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process bubble counter indicated that the rate of bubbles produced from the fermentation process correspondeding to the growth rate of yeast.

KEYWORDS: Controller, Gas Bubble Counter, Fermentation Process

J Sci Technol MSU 2019;(1):106-115 1 รองศาสตราจารย ภาควชาอเลกทรอนกส คณะวทยาศาสตร มหาวทยาลยรามคาแหง กรงเทพมหานคร 10240 1 Associate Professor, Dr., Lecturer in Department of Electronics Technology, Faculty of Science, Ramkhamhaeng University, RU. Bangkok, 10240 Thailand * Corresponding author: E-mail: [email protected], Received: August 2019; Accepted: 3 December 2019.

Introduction

The fFermentation process is a specific process of anaerobic microorganism such as yeast mold and some bacteria. In this process, the microorganism uses organic substances as hydrogen acceptor or electron in the last step of the process instead of oxygen (Buchner, E., 1897). Currently, ethyl alcohol is produced from fermentation by using enzyme from yeast to convert starch to maltose and glucose sugar by diastase and maltase enzyme respectively. Then glucose is converted to ethyl alcohol and carbon dioxide by enzyme as in the following reaction.

(𝐶�𝐻��𝑂�)𝑛��⎯⎯⎯⎯�𝐶��𝐻��𝑂��

��⎯⎯⎯⎯�𝐶�𝐻��𝑂�

��⎯⎯⎯⎯�𝐶𝐻�𝐶𝐻�

− 𝑂𝐻 + 𝐶𝑂� (1) This type of fermentation will obtain alcohol 12-15%. For a complete reaction 1 molecule of glucose will disintegrates be broken down to 2 molecules of ethyl alcohol and 2 molecules of carbon dioxide as in the following reaction.

𝐶�𝐻��𝑂� → 2𝐶�𝐻� − 𝑂𝐻 + 2𝐶𝑂� (2)

Glucose Ethyl alcohol Carbon dioxide

There are many kinds of microorganism such as mold, yeast, algae, and protozoa. Yeast is classified in the fungi kingdom and mold kingdom. Its growth pattern divides in to 4 phases: Lag phase (A phase); the first phase in which microorganisms begin to find new food and environment, Exponential or log phase (B phase); a period in which the microbes have increased in the most number and have a constant rate of divisive cell, Stationary phase (C phase); a period in which the microorganism has a fixed number, indicating that the microorganism wasshows no increase in the number again, and Death phase or decline phase (D phase); the last phase in which the microorganism'ss existing die down over the microorganisms grow. The pattern of the growth cycle of microorganisms (bBacterial/yYeast) is shown in figure 1. (Pornchalermpong P., 2019)

ใหขอคดเหน [A2]: No it is not. Fermentation can involve both aerobic and anaerobic organisms

ใหขอคดเหน [A3]: These are mostly aerobic !

Wannaprapa M J Sci Technol MSU

Figure 1 Microorganism: hypothetical Bacterial/Yeast growth curve (Komorniczak M., 2012)

In previous work, the a gas bubble counter using Arduino mega 2560 as the controller showed that the average of gas bubble related to carbon dioxide and ethyl alcohol produced by fermentation as shown in reaction (2) (Wannaprapa,2018), which still provides high error on counting gas bubbles especially at a high rate of gas bubble producedproduction. In this work, the study of the relationships of gas bubble, carbon dioxide, and yeast growth are shown in figure 1 by using the gas bubble counter controlled by Raspberry Pi3 B. Moreover, controlled by Raspberry Pi3 B in order to reduce errors a t higher rates of gas bubble produced production in fermentation, which the device had a higher processing speed than the Arduino mega 2560 was conducted (Wikipedia., 2017).

Design and Experiment

The gas bubble counter controlled by the Raspberry Pi3 model B consists of 5 important functional parts: 1 ) Fermenter or experiment glass, 2 ) S-shaped glass tube, 3) Photo sensor, 4) processing cycle counts gas bubbles, and 5) spherical glass bulb, as shown in figure 2.

(a) Diagram of A Newly Developed Gas Bubble Counter

(b) Actual of A Newly Developed Gas Bubble Counter Figure 2 Structure of the newly developed gas bubble counter for fermentation process

Raspberry Pi3B

Display

Power supply

Sensor

Fermenter

Monitor

KeyPad

Buzzer

Camera

ใหขอคดเหน [A4]: The average (WHAT?) of gas bubbles… size, number etc etc

Vol xx, No 6, Nov-Dec 2019 A Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process bubble counter indicated that the rate of bubbles produced from the fermentation process correspondeding to the growth rate of yeast.

KEYWORDS: Controller, Gas Bubble Counter, Fermentation Process

J Sci Technol MSU 2019;(1):106-115 1 รองศาสตราจารย ภาควชาอเลกทรอนกส คณะวทยาศาสตร มหาวทยาลยรามคาแหง กรงเทพมหานคร 10240 1 Associate Professor, Dr., Lecturer in Department of Electronics Technology, Faculty of Science, Ramkhamhaeng University, RU. Bangkok, 10240 Thailand * Corresponding author: E-mail: [email protected], Received: August 2019; Accepted: 3 December 2019.

Introduction

The fFermentation process is a specific process of anaerobic microorganism such as yeast mold and some bacteria. In this process, the microorganism uses organic substances as hydrogen acceptor or electron in the last step of the process instead of oxygen (Buchner, E., 1897). Currently, ethyl alcohol is produced from fermentation by using enzyme from yeast to convert starch to maltose and glucose sugar by diastase and maltase enzyme respectively. Then glucose is converted to ethyl alcohol and carbon dioxide by enzyme as in the following reaction.

(𝐶�𝐻��𝑂�)𝑛��⎯⎯⎯⎯�𝐶��𝐻��𝑂��

��⎯⎯⎯⎯�𝐶�𝐻��𝑂�

��⎯⎯⎯⎯�𝐶𝐻�𝐶𝐻�

− 𝑂𝐻 + 𝐶𝑂� (1) This type of fermentation will obtain alcohol 12-15%. For a complete reaction 1 molecule of glucose will disintegrates be broken down to 2 molecules of ethyl alcohol and 2 molecules of carbon dioxide as in the following reaction.

𝐶�𝐻��𝑂� → 2𝐶�𝐻� − 𝑂𝐻 + 2𝐶𝑂� (2)

Glucose Ethyl alcohol Carbon dioxide

There are many kinds of microorganism such as mold, yeast, algae, and protozoa. Yeast is classified in the fungi kingdom and mold kingdom. Its growth pattern divides in to 4 phases: Lag phase (A phase); the first phase in which microorganisms begin to find new food and environment, Exponential or log phase (B phase); a period in which the microbes have increased in the most number and have a constant rate of divisive cell, Stationary phase (C phase); a period in which the microorganism has a fixed number, indicating that the microorganism wasshows no increase in the number again, and Death phase or decline phase (D phase); the last phase in which the microorganism'ss existing die down over the microorganisms grow. The pattern of the growth cycle of microorganisms (bBacterial/yYeast) is shown in figure 1. (Pornchalermpong P., 2019)

ใหขอคดเหน [A2]: No it is not. Fermentation can involve both aerobic and anaerobic organisms

ใหขอคดเหน [A3]: These are mostly aerobic !

Figure 1 Microorganism: hypothetical Bacterial/ Yeast growth curve3

Vol 39. No 3, May-June 2020 A Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process

253


Figure 1 Microorganism: hypothetical Bacterial/Yeast growth curve (Komorniczak M., 2012)

In previous work, the a gas bubble counter using Arduino mega 2560 as the controller showed that the average of gas bubble related to carbon dioxide and ethyl alcohol produced by fermentation as shown in reaction (2) (Wannaprapa,2018), which still provides high error on counting gas bubbles especially at a high rate of gas bubble producedproduction. In this work, the study of the relationships of gas bubble, carbon dioxide, and yeast growth are shown in figure 1 by using the gas bubble counter controlled by Raspberry Pi3 B. Moreover, controlled by Raspberry Pi3 B in order to reduce errors a t higher rates of gas bubble produced production in fermentation, which the device had a higher processing speed than the Arduino mega 2560 was conducted (Wikipedia., 2017).

Design and Experiment

The gas bubble counter controlled by the Raspberry Pi3 model B consists of 5 important functional parts: 1 ) Fermenter or experiment glass, 2 ) S-shaped glass tube, 3) Photo sensor, 4) processing cycle counts gas bubbles, and 5) spherical glass bulb, as shown in figure 2.


(b) Actual of A Newly Developed Gas Bubble Counter Figure 2 Structure of the newly developed gas bubble counter for fermentation process

Raspberry Pi3B

Display

Power supply

Sensor

Fermenter

Monitor

KeyPad

Buzzer

Camera

ใหขอคดเหน [A4]: The average (WHAT?) of gas bubbles… size, number etc etc


(b) Actual of A Newly Developed Gas Bubble Counter

Figure 2 Structure of the newly developed gas bubble counter for fermentation process

a) KeyPad is used to input data and the number of gas bubbles desired to be counted.

b) Controller is a main control unit which Raspberry Pi3 B is used. It is used as:

- a signal receiver from the photo sensor

- a signal sector Received from photo sensor and sent to display the number of bubble at Seven-segment 4 digits

- a signal sender to Buzzer in order to generate alarm when the work is finished.

c) OP-Amp is used to amplify the signal Received from the photo sensor

d) Display is used as a 4- digit seven- segment. It displays the result of counting and the number of gas bubbles.

e) Buzzer is used as an alarm when the work is finished.

f) Camera is a recording device where the gas bubbles are generated. These images are used to compare with the number of gas bubbles counted by the gas bubble counter.

No.5 Spherical glass bulb is forced to create a gas bubble in a circular shape with a gas bubble size: each average bubble is similar to the size of a spherical glass bulb and has photo sensor installed. The counting of carbon dioxide gas bubbles can be divided in to 2 steps as shown in figure 3.

From figure 2 (a) No.1 Fermenter or experiment glass is a container with a sealed lid and a hole for inserting the S-shaped glass tube on the lid above

No.2 The S-shaped glass tube is the passage for gas bubbles and liquid.

No.3 The photo sensor is used as a photo sensor: the Opto-diode is a sensor to measure the number of gas bubbles that occur in the fermentation process. It consists of 2 parts, transmitter (T) and receiver (R).

No. 4 Counting processing circuit consists of 6 important parts as follows.


When fermentation takes place, carbon dioxide will be produced as gas bubbles and then flows in to the S-shape glass tube equipped with the photo sensor at the spherical glass bulb. The bubble will break up in the first spherical glass bulb resulting in accumulation of ethyl alcohol carried by the bubble’s wall as shown in figure 3 (1) position A. As more carbon dioxide is produced and high pressure is generated, this gas can push through ethyl alcohol accumulated at the bottom of S-shape tube and reforms as a gas bubble in the second spherical glass bulb where the sensor is installed as shown in figure 3 (2) position C. This bubble will attenuate the light Received by a light’s receiver (R); this status is called “OFF”. A signal will be generated using this criterion and this signal is called “the carbon dioxide bubble count”. Whereas, when there is no gas bubble present inside the spherical glass

bulb, the light of the photo sensor’s transmitter (T) is able to pass through the spherical glass to the photo sensor’s receiver (R) as shown in figure 3 (1) position C. This status is called “ON” which means that gas bubblea are not present. This phenomenon can be applied to calculate ethyl alcohol produced from fermentation process as in equation (2). Moreover, this can also indicate the relationship between growth rate of bacteria by using a gas bubble counter controlled by Raspberry Pi3 B as shown in figure 1.The controller used in this gas bubble counter, Raspberry Pi, is a small single board microprocessor with speed of 700 MHz to 1.4 GHz. For Raspberry Pi3 model B, it is called Embedded Computer5 while Arduino mega 2560 used in previous work is at speed of 16 MHz6. The main processor, Raspberry Pi3 B controller equipped with camera is shown in figure 4.

Figure 3 Formation of carbon dioxide gas bubble in fermenter take, S-shaped glass tube

Figure 4 (a) Schematic diagram of main processor Raspberry Pi3 B: 1) Raspberry Pi3 B, 2) KeyPad 4X3, 3) Photo sensor: Opto-diode (Transmitter:T and Receiver: R), 4) Display: 4 digit Seven-segment, 5) Buzzer and 6) Camera (Roboplan., 2016),

(b) Schematic of Raspberry Pi3 B controller circuit

(a) Diagram of Raspberry Pi3 B controller (b) Schematic of Raspberry Pi3 B controller circuit


255

Pin in main controller Raspberry Pi3 B was defined as following step7: # set GPIO pin numbering method to BCM import RPi.GPIO as GPIO

GPIO.setmode (GPIO.BCM)

import cv2

# define pins

Keypad4x3:

#define KEYPAD_PIN_COL2 18, COL3 27, COL1 17

#define KEYPAD_PIN_ROW3 24, ROW1 22, ROW2 23, ROW4 25

Photo sensor:

#define IRPSENSOR_PIN_VOUT 0

Seven-segment:

#define S7SEG_PIN_DIG1 12, DIG2 13, DIG3 19, DIG4 16

#define S7SEG_PIN_A 7, B 0, C 1, D 5, E 26, F 20, G 21

#define S7SEG_PIN_DECIMAL 6

Buzzer:

#define BUZZER_PIN_SIG 4

Camera:

#define Cam_PIN_T 2, R 3

#Copyright(C) 2016 Roboplan Technologies Ltd.

The operation of the gas bubble counter runs the following steps: First, the bubble number value input from KeyPad is Received. Then the Raspberry Pi3 B computer processor controller will wait for the signal to count the gas bubbles from the photo sensor installed on the S-shaped glass tube. The photo sensor will generate a signal when each gas bubble is detected then forward it to the Raspberry Pi3 B. This signal will be counted and compared to the set count value which shows on display. The result of counting of the number of gas bubbles will be shown on a 4-digit 7-segment display. This process will rerun by returning to check the status and waiting for new input value as shown in figure 5. When finishing the task, the controller will turn on the buzzer to generate an alarm sound. In addition, this gas bubble counter can

also store images during gas bubbles passing through the camera to bring the real time image to compare the bubble count with the gas bubble counter and record number of the gas bubble counted. The operating step

Figure 5 Operating steps of gas bubble counter program8

of the bubble counter is shown in figure 5.

The experiment was carried out at temperature of 25 ๐C and normal ambient light. The fermentation time was 1-15 days. The average rate of number of bubble gas is calculated from number of bubbles counted by the gas bubble counter in every 1 minute for 20 times. The average rate of bubble counted by the gas bubble counter (X

m) was compared to human counting bubbles from

image (Xt) obtained from the camera in order to determine

error of the gas bubble counter9. Relative error or percentage error can be calculated from equation (3).

(3)

Where Xm the number is counted by the sensor

and Xt is actual count by human respectively

Results and Discussions The average rate of bubble counted by the gas bubble counter and human counting from image by camera, and yeast growth rate is shown in figure 6 (a) and 6 (b), respectively.


glass tube. The photo sensor will generate a signal when each gas bubble is detected then forward it to the Raspberry Pi3 B. This signal will be counted and compared to the set count value which shows on display. The result of counting of the number of gas bubbles will be shown at on a 4- digit seven7-segment display. This process will rerun by returning to check the status and waiting for new input value as shown in figure 5. When finishing the task, the controller will turn on the buzzer to generate an alarm sound. In addition, this gas bubble counter can also store images during gas bubbles passing through the camera to bring the real time image to compare the bubble count with the gas bubble counter and record number of the gas bubble counted. The operating step of the bubble counter is shown in figure 5.

Figure 5 Operating steps of gas bubble counter program (Blum, J., 2013)

The experiment was carried out at temperature of 25 ๐ C and normal ambient

light. The fermentation time was 1-15 days. The average rate of number of bubble gas is calculated from number of bubbles counted by the gas bubble counter in every 1 minute for 20 times. The average rate of bubble counted by the gas bubble counter (𝑋�) was compared to human counting bubbles from image (𝑋�) obtained from the camera in order to determine error of the gas bubble counter. (Pumphrey, B., C. Julien., 1996) Relative error or percentage error can be calculated from equation (3).

Percentage error = ��

� × 100 (3)

Where 𝑋� the number is counted by the sensor and 𝑋� is actual count by human respectively

Results and Discussions

The average rate of bubble counted by the gas bubble counter and human counting from image by camera, and yeast growth rate is shown in figure 6 (a) and 6 (b), respectively.

(a) Experimental of yeast growth rate of gas bubble counter in fermentation process


Figure 6 (a) and 6 (b) showed correspondence of the average rate of gas bubble and yeast growth rate which can be divided in to 4 phases; “Lag phase A” at 1-2 day where yeaSt Started to grow and the fermentation reaction began with low bubble rate of 50 bubbles/minute, “Exponential phase B” at 2-4 day where the number of bacteria increased and grew well with higher bubble rate of 135 bubbles/minute, “Stationary phase C” at 6-10 day where yeast remained constant in number with constant bubble rate of 70 bubbles/minute, and “Dead phase D” at 11-15 day where yeast died and decreased in number with bubble rate of 30 bubbles/minute. This showed that the result of the rate of gas bubble was related to the growth rate of yeast in the fermentation process. Therefore, the results of the gas bubble counter can be applied to investigate the progress of the fermentation process4.

The comparison of the percentage error on the average rate of gas bubble of the gas bubble counter controlled by Raspberry Pi3 B compared to human counting is shown in figure 7. It can be divided in to 3 regions.

From figure 7, it is seen that the percentage error of the gas bubble counter can be divided into 4 ranges. At a low bubble rate of 0-70 bubbles/minute there was no error on counting. At bubble rate of 70-100 bubbles/minute in region “A” the error was 0.1%. At bubble rate of 100-130 bubbles/minute in region “B” the error increased to 1.0-1.5%. At bubble rate of 130-140 bubbles/minute in region “C” the error remained constant at 1.5%. In comparison with previous work (Wannaprapa, 2018), it was found that the Raspberry Pi3 B controller provides higher accuracy on gas bubble count than the Arduino mega 2560 controller, especially, at higher gas bubble rate at 130-140 bubbles/minute when the error was at 2.25% for the Arduino controller. The error reduction by 0.75% is due to the Raspberry Pi having a higher processing speed than Arduino.

Vol xx, No 6, Nov-Dec 2019 A Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process

(b) Theory of bacterial growth curve

Figure 6 Rate of bubble counted by Raspberry Pi3 B and human counting, camera recorder (a), and Bacterial/Yeast growth curve (b)

From Ffigure 6 (a) and 6 (b) showed correspondence of the average rate of gas bubble and yeast growth rate which can be divided in to 4 phases; “Lag phase A” at 1-2 day where yeast started to grow and the fermentation reaction began with low bubble rate of 50 bubbles/minute, “Exponential phase B” at 2-4 day where the number of bacteria increased and grew well with higher bubble rate of 135 bubbles/minute, “Stationary phase C” at 6-10 day where yeast remained constant in number with constant bubble rate of 70 bubbles/minute, and “Dead phase D” at 11-15 day where yeast died and decreased in number with bubble rate of 30 bubbles/minute. It This showed that the result of the rate of gas bubble was related to the growth rate of yeast in the fermentation process. Therefore, the results of the gas bubble counter can be applied to investigate the

progress of the fermentation process (Wannaprapa, 2018).


Figure 7 Percentage error of the rate of gas bubble counter compare to human counting

From figure 7, it was showedis seen that the percentage error of the gas bubble counter can be divided in to 4 ranges. At a low bubble rate of 0-70 bubbles/minute there was no error on counting. At bubble rate of 70-100 bubbles/minute in region “A” the error showed atwas 0.1%. At bubble rate of 100-130 bubbles/minute in region “B” the error increased to 1.0-1.5%. At bubble rate of 130-140 bubbles/minute in region “C” the error remained constant at 1.5%. In cComparison with previous work (Wannaprapa, 2018), it was found that the Raspberry Pi3 B controller provides higher accuracy on gas bubble count than the Arduino mega 2560 controller,. eEspecially, at higher gas bubble rate at 130-140

B

A

C

D


glass tube. The photo sensor will generate a signal when each gas bubble is detected then forward it to the Raspberry Pi3 B. This signal will be counted and compared to the set count value which shows on display. The result of counting of the number of gas bubbles will be shown at on a 4- digit seven7-segment display. This process will rerun by returning to check the status and waiting for new input value as shown in figure 5. When finishing the task, the controller will turn on the buzzer to generate an alarm sound. In addition, this gas bubble counter can also store images during gas bubbles passing through the camera to bring the real time image to compare the bubble count with the gas bubble counter and record number of the gas bubble counted. The operating step of the bubble counter is shown in figure 5.

Figure 5 Operating steps of gas bubble counter program (Blum, J., 2013)

The experiment was carried out at temperature of 25 ๐ C and normal ambient

light. The fermentation time was 1-15 days. The average rate of number of bubble gas is calculated from number of bubbles counted by the gas bubble counter in every 1 minute for 20 times. The average rate of bubble counted by the gas bubble counter (𝑋�) was compared to human counting bubbles from image (𝑋�) obtained from the camera in order to determine error of the gas bubble counter. (Pumphrey, B., C. Julien., 1996) Relative error or percentage error can be calculated from equation (3).

Percentage error = ��

� × 100 (3)

Where 𝑋� the number is counted by the sensor and 𝑋� is actual count by human respectively

Results and Discussions

The average rate of bubble counted by the gas bubble counter and human counting from image by camera, and yeast growth rate is shown in figure 6 (a) and 6 (b), respectively.


Vol xx, No 6, Nov-Dec 2019 A Newly Developed Gas Bubble Counter using Raspberry Pi Controller for Fermentation Process



From Ffigure 6 (a) and 6 (b) showed correspondence of the average rate of gas bubble and yeast growth rate which can be divided in to 4 phases; “Lag phase A” at 1-2 day where yeast started to grow and the fermentation reaction began with low bubble rate of 50 bubbles/minute, “Exponential phase B” at 2-4 day where the number of bacteria increased and grew well with higher bubble rate of 135 bubbles/minute, “Stationary phase C” at 6-10 day where yeast remained constant in number with constant bubble rate of 70 bubbles/minute, and “Dead phase D” at 11-15 day where yeast died and decreased in number with bubble rate of 30 bubbles/minute. It This showed that the result of the rate of gas bubble was related to the growth rate of yeast in the fermentation process. Therefore, the results of the gas bubble counter can be applied to investigate the

progress of the fermentation process (Wannaprapa, 2018).



From figure 7, it was showedis seen that the percentage error of the gas bubble counter can be divided in to 4 ranges. At a low bubble rate of 0-70 bubbles/minute there was no error on counting. At bubble rate of 70-100 bubbles/minute in region “A” the error showed atwas 0.1%. At bubble rate of 100-130 bubbles/minute in region “B” the error increased to 1.0-1.5%. At bubble rate of 130-140 bubbles/minute in region “C” the error remained constant at 1.5%. In cComparison with previous work (Wannaprapa, 2018), it was found that the Raspberry Pi3 B controller provides higher accuracy on gas bubble count than the Arduino mega 2560 controller,. eEspecially, at higher gas bubble rate at 130-140

B

A

C

D






257

Conclusion The gas bubble counter controlled by Raspberry Pi3 B provides low percentage error at a maximum of 1.5% while for the Arduino mega 2560 used in previous work, the percentage error was a maximum of 2.25% since the Raspberry Pi has higher processing speed than Arduino. This result is also due to unresponsive or incompatible photo sensors and controller types. The results of the gas bubble counted by the gas bubble counter indicates that the amount of ethyl alcohol produced from the fermentation process and the bubble rate produced from the fermentation process corresponds to the yeast growth rate. In addition, this gas bubble counter can be applied to monitor other reactions that produce gas in close system. In future work, the photo sensor should be changed in order to achieve higher sensitivity and the synchronous sensor type with Raspberry Pi3 B controller used for the fermentation process with higher rate of gas bubbles produce more efficiently.

Acknowledgement Thank you to Ramkhamhaeng University for supporting experiment facilities for this research and thank you to Roboplan Technologies Ltd. for schematics circuit software.

References1. Buchner, E., 1897. For his biochemical researches

and his discovery of cell-free fermentation. Munich Germany.

2. Pornchalermpong P., 2019. Available from: Generation time. http://www.foodnetworksolution.com/wiki/word/1543/generation-time [Accessed 5 December 2018], Thailand.

3. Komorniczak M., 2012. Available from: https:// commons.wikimedia.org/wiki/User:M.Komorniczak#/media/File:Bacterial_growt h_en.svg [Accessed 21 July 2018], the University Medical of Gdansk in Poland.

4. Wannaprapa M., 2018. Gas Bubble Counters in the Fermentation Process by using Arduino Controller. Veridian E-journal Science and Technology Silpakorn University Current Vol 5 No 6: pp. 62-73.Thailand.

5. Wikipedia., 2017. Available from: Raspberry Pi. https://en.wikipedia.org/wiki/Raspberry_Pi [Accessed 9 October 2018], English.

6. Wikipedia., 2017. Available from: Arduino. https://en.wikipedia.org/wiki/List_of_Arduino_boards_and_compatible_systems [Accessed 9 October 2018], English.

7. Roboplan Technologies Ltd., 2016. Available from: https://www.circuito.io/app?components [Accessed 21 July 2018], Israeli.

8. Blum, J., 2013. Exploring Arduino: Tools and Techniques for Engineering Wizardry. John Wiley & Sons, Inc., Indianapolis, Indiana.

9. Pumphrey, B., C. Julien., 1996. An Introduction to Fermentation. New Brunswick Scientific. (UK) Ltd, Canada.

ความสมพนธของกรนบนโมนอยดของโคไฮเพอรซบสตตวชนเชงเสนชนด τ = (n) Green’s Relations on the Monoid of Linear Cohypersubstitutions of Type τ = (n)

จฬาลกษณ บญศล1, กตตศกด แสงสระ2

Julaluk Boonsol1, Kittisak Saengsura2

Received: 24 August 2019 ; Revised: 1 October 2019 ; Accepted: 4 November 2019

บทคดยอโคไฮเพอรซบสตตวชนเชงเสนชนด τ = (n) เปนการสงสญลกษณการดำาเนนการรวมแบบ n-ary ไปยงพจนรวมเชงเสนชนด τ. สำาหรบทกโคไฮเพอรซบสตตวชนเชงเสน σ ชนด τ = (n) ทำาใหเกดการสง ŝ บนเซตของพจนรวมเชงเสนชนด τ. ทงหมด เซตของโคไฮเพอรซบสตตวชนเชงเสนชนด τ ทงหมด ภายใตการดำาเนนการทวภาค o

coh ซงถกกำาหนดนยามโดย σ

1 o

cohσ

2

:= 1 o σ

2 สำาหรบทก σ

1,σ

2 ∈ Cohyplin(n) เปนโมนอยด ในนเราจำาแนกลกษณะความสมพนธของกรนบน Cohyplin(n).

คำาสำาคญ: โคไฮเพอรซบสตตวชนเชงเสน พจนรวมเชงเสน การซอนทบ ความสมพนธของกรน

AbstractLinear cohypersubstitutions of type τ = (n) are mappings which map the n-ary co-operation symbols to linear coterms of type τ. Every linear cohypersubstitution σ of type τ = (n) induces a mapping ŝ on the set of all linear coterms of type τ. The set of all linear cohypersubstitutions of type τ under the binary operation o

coh which is defined by σ

1 o

cohσ

2

:= 1 o σ

2 for all σ

1,σ

2 ∈ Cohyplin(n) forms a monoid. In this paper, we characterize Green’s relations on Cohyplin(n).

Keywords: linear cohypersubstitutions, linear coterms, superposition, Green’s relations.

1 นสตปรญญาโท, คณะวทยาศาสตร มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวดมหาสารคาม 441502 ผชวยศาสตราจารย, คณะวทยาศาสตร มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวดมหาสารคาม 441501 Master degree student, Faculty of Science, Mahasarakham University, Kantharawichai District, Maha Sarakham 44150, Thailand.2 Asst. Prof., Faculty of Science, Mahasarakham University, Kantharawichai District, Maha Sarakham 44150, Thailand.* Corresponding author ; Kittisak Saengsura, Faculty of Science, Mahasarakham University, Kantharawichai District, Maha Sarakham 44150, Thailand. [email protected]. Julaluk Boonsol is supported by the Science Achievement Scholarship of Thailand (SAST). [email protected].

Vol 39. No 3, May-June 2020 Green’s Relations on the Monoid of Linear Cohypersubstitutions of Type τ = (n)

259

IntroductionLet A be a non-empty set and n be a positive integer. The n-th copower A∪n is the Cartesian product A∪n := n x A, where n:=1,...,n. An element (i,a) in the copower corresponds to the element a in the i-th copy of A, for 1 ≤ i ≤ n. A co-operation on A is a mapping f A:A→A∪n for some n ≥ 1 ; the natural number n is called the arity of the co-operation f A. We also need to recall that any n-ary co-operation f A on set A can be uniquely expressed as a pair (f1

A, f2A) of mappings, f1

A:A→n and f2A:A→A ;

the first mapping gives the labeling used by f A in mapping elements to copies of A, and the second mapping tells us what element of A is mapped to.

We shall denote by cOA(n) = {f A A→A∪n}

the set of all n-ary co-operations defined on A, and by cOA:= ∪n≥1cOA

(n) he set of all finitary co-operations defined on A. An indexed coalgebra is a pair (A ; (fi

A)i∈l), where fiA is a ni-ary co-operation defined on

A, and τ = (ni )i∈l for ni ≥ 1 is called the type of the coalgebra. Coalgebras were studied by Drbohlav1. In2, the following superposition of co-operations was introduced. If f A∈cOA

(n) and g0A,...,gA

n-1∈cOA(k) then

the k-ary co-operation f A[g0A,...,gA

n-1]:A→A∪k is defined by a ((gA

f1A (a))1(f2

A(a)),(gAf1

A (a))2 (f2A(a)))

for all a∈A.

The co-operat ion f A[g0A,...,gA

n-1] is cal led the superposition of f A and g0

A,...,gAn-1. It will also be denoted

by compkn(f A, g0

A,...,gAn-1).

The injection co-operations iin,A : A→A∪n are

special co-operations which are defined for each 0 ≤ i ≤ n-1 by ii

n,A : A→A∪n with a (i,a) for all a∈A. Then we get a multi-based algebra ((cOA

(n))n≥1,(compkn)k,n≥1,(ii

n,A)0≤i≤n-1), called the clone of co-operations on A. In2, it is mentioned that this algebra is a clone, i.e. it satisfies the three clone axioms. In3, K. Denecke and K. Saengsura gave a full proof of this fact and introduced the following coterms of type τ = (ni )i∈l were introduced. Let (fi

)i∈l be an indexed set of co-operation symbols such that for each i∈l. We say that symbol fi has arity ni, for i∈l. Let U{ei

n n ≥ 1, n∈N, 0 ≤ j ≤ n-1} be a set of symbols which is disjoint from the set {fi i∈l}. We assign to each ej

n the positive integer n as its arity. Then coterms of type τ are defined as follows:

(i) For every i∈l, the co-operation symbol fi is an ni-ary coterm of type τ.

(i) For every n ≥ 1 and 0 ≤ j ≤ n-1, the symbol ej

n is an n-ary coterm of type τ.

(i) If t1,...,tniare n-ary coterms of type τ, then

fi[t1,...,tni] is an n-ary coterm of type τ and

if t0,...,tn-1 are m-ary coterms of type τ, then ej

n[t0,...,tn-1] is an m-ary coterm of type τ, for every i∈l and n ≥ 1 and 0 ≤ j ≤ n-1.

Let cTt(n) be the set of all n-ary coterms of

type τ and let cTt :=UcTt

(n) be the set of all (finitary) coterms of type τ.

Definition 1.1 Let t∈cTt be a coterm and E(t) = {ei

n ein occurs in t and 0 ≤ i ≤ n-1. Then t is a linear

coterm if for each ein∈E(t), ei

n occurs only once in t.

We denote by cTtlin,(n) the set of all n-ary linear

coterms of type τ and cTtlin:=UcTt

lin,(n) the set of all (finitary) linear coterms of type τ.

We define a family of superposition operations (Sm

n)m,n ≥ 1 on this sequence, as follows.

D e f i n i t i o n 1 . 2 T h e o p e r a t i o n Sm

n:cTtlin,(n) x (cTt

lin,(m))n→ cTtlin,(m) is defined by induction

on the complexity of linear coterm definition, as follows:

(i) If ein is an n-ary linear coterm of type τ,

t0,...,tn-1 are m-ary linear coterms of type τ for 0 ≤ j ≤ n-1 and E(tj)∩E(tk)=∅ for j,k∈{0,...,n-1} and j ≠ k, then Sm

n(ein,t0,...,tn-1)

:= ti is an m-ary linear coterm of type τ.

(ii) If f is an n-ary linear coterm of type τ, t1,...,tn are m-ary linear coterms of type τ and E(tj)∩E(tk)=∅ for j,k∈{1,...,n}, then Sm

n(f,tt,...,tn) := f[tt,...,tn] is an n-ary linear coterm of type τ.

(iii) If f is an n-ary co-operation symbol, S1,...,Sn are n-ary linear coterms of type τ where E(sj)∩E(sk)=∅ for j,k∈{1,...,n} and t1,...,tn are m-ary linear coterms of type τ where E(tj)∩E(tk)=∅ for j,k∈{1,...,n}, then Sm

n(f[s1,...,sn],tt,...,tn):= f[Smn(s1,t1,...,tn),...,

Smn(sn,t1,...,tn)] is an n-ary linear coterm of

type t.

n≥1

n≥1

J Sci Technol MSUJulaluk Boonsol, Kittisak Saengsura260

Together with these operations we obtain a heterogeneous algebra cTt

lin:=((cTtlin,(n))n≥1, (Sm

n)m,n≥1, (ej

n)0≤ j≤n-1).

Definition 1.3 A linear cohypersubstitution of type t is a mapping S : { f }→cTt

lin from the set of all co-operation symbols to the set of all linear coterms which is inductively defined by the following steps:

(i) [ejn]:= ej

n for every n ≥ 1 and 0 ≤ j ≤ n-1,

(ii) [f]:= σ[f],

(iii) [f[t1,...,tn]]:= Snn (σ(f), [t1],..., [tn]) and

assume that [tj] is already defined and E(tj ) are distinct for all 1 ≤ j ≤ n.

Let Cohyplin(τ) be the set of al l l inear cohypersubstitutions of type τ. Since the extension of a linear cohypersubstitution of type τ maps cTτ

lin to cTτlin,

we may define a binary operation ocoh by 1 ocoh σ2:= 1 o σ2 where o is the usual composition of mappings. Let σid be the linear cohypersubstitution defined by σid (f): = f.

In 2016, D. Boonchari and K. Saengsura studied the monoid of cohypersubstitutions of type τ=(n)4. In this paper, we characterize Green’s relations on Cohyplin(n).

Main results In th is sect ion, we obta in the l inear cohypersubstitutions σt and σs which are R-related, L-related, H-related, D-related and J-related as following theorem:

We characterize the Green’s relation R on Cohyplin(n) and we recall the definition of Green’s relation R i.e., let a, b be elements of semigroup S. Then a R b if and only if there exists x,y in S such that xa=b, yb=a.

Theorem 2.1 Let σt, σs∈Cohyplin(n). If t = ein,

s = ejn∈cTt

lin,(n) for all i,j∈{0,...,n-1} then σt R σs.

Proof Assume that t = ein, s = ej

n∈cTtlin,(n)

for all i,j∈{0,...,n-1}. We will show that there are σr, σw∈Cohyplin(n) such that σt = σs ocoh σr and σs = σt ocoh σw.

Since σs(f) = s = ejn and t[ej

n]=ejn, then σs(f) =

ejn

= t[ejn]

= t[σej

n (f)]

= t[σs(f)]

= (σt ocoh σs)(f).

Therefore, σs = σt ocoh σs.

Similarly, one can show that σt = σs ocoh σr for some σr∈Cohyplin(n).

This implies that σt R σs.

Theorem 2.2 Let σt,σs∈Cohyplin(n). If t = f[enjni

, ..., en

jni

]∈cTtlin,(n)

and s = f[en

j0

,..., enjn-1

]∈cTtlin,(n)

where

io,...,in-1, jo,...,jn-1∈{0,...,jn-1} then σt R σs.

Proof Let r = f[r1,...,rn]∈cTtlin,(n) such that

rjk

= enik

for all jk∈{0,...,n-1} and k = 0,...,n-1.

Then σt (f) = f[enj0

,..., enjn-1

], and so (σs ocoh σr)(f) = [ r(f)]

= s[f [r1,...,rn]]

= σs(f)[r1,...,rn]

= (f[en

j0

,..., enjn-1

][r1,...,rn]

= f[en

j0

[r1,...,rn],..., enjn-1

[r1,...,rn]]

= f[en

i0

,..., enin-1

]

= t

= σt (f).

Therefore, σs ocoh σr = σt.

Similarly, one can show that σs = σt ocoh σw for some σw∈Cohyplin(n).

Hence, σt R σs.

Therefore, (σt , σs)∈R.

For linear cohypersubstitutions σt , σs such that t and s are different form i.e., t∈{ei

n 0 ≤ i ≤ n-1} and s∈cTt

lin,(n)\{ein 0 ≤ i ≤ n-1}, we have that (σt , σs.)∉R as

the following example:

Example 2.3 Let σt, σs∈Cohyplin(n) and t = eni ,

s = f[enj0,...,en

jn-1]∈cTt

lin,(n)

for all i, Jo,..., Jn-1∈{0,..., n-1}

and E(s) be distinct.

Assume that (σt, σs)∈R.

Then there is σw∈Cohyplin(n). such that σs = σt ocoh σw.

Hence

f[en

j0,...,en

jn-1] = s


261

= σs( f)

= t[σw ( f)]

= t[w].

But we cannot find w∈cTtlin,(n) such that

t[w] = f[enj1,...,en

jn].

So (σt , σs)∈R.

Remark The number of pairs (σt, σs) in which σt Rσs is n

2 + (n!)2.

Next, we characterize the Green’s relation L on Cohyplin(n) and we recall the definition of Green’s relation L i.e., a L b if and only if there exists u, v in S such that au = v, bv = u.

Theorem 2.4 Let σt, σs∈Cohyplin(n) and t, s∈{ein

n ≥ 1, 0 ≤ i ≤ n-1}. If σt L σs, then t = s.

Proof Assume that σt L σs.

Then there are σu, σv∈Cohyplin(n) such that σt = σu ocoh σs and σs = σv ocoh σt.

Let σt(f) = t = ejn and σs(f) = s = ej

n.

Then

ein = t

= σt(f)

= u [σs (f)]

= u [ein ]

= ein

= s.

Therefore, t = s.

For linear cohypersubstitutions σt, σs such that t, s∈{ei

n 0 ≤ i ≤ n-1}. and t ≠ s, we have that (σt , σs)∈L. as the following example:

Example 2.5 Let σt, σs∈Cohyplin(n)

Assume that t=ein, s=e j

n∈cTtlin,(n) for al l

i,j∈{0,...,n-1} and i ≠ j.

Then ein = t = σt(f) and ej

n = s = σs(f).

Since for all σs∈Cohyplin(n), we have that

u[ejn]=ej

n. Then u [σs (f)] = σs (f)≠ σt (f).

Therefore, (σt, σs)∈L.

Theorem 2.6 If t = f[enio

,..., enin-1

]∈cTtlin,(n)

and

s = f[enj

o

,..., enj

n-1

]∈cTtlin,(n)

where io,...,in-1, jo,...,jn-1∈

{0,...,n-1}, then σt L σs.

Proof Let v = f[v1,...,vn]∈cTtlin,(n) such that

v1,...,vn∈{ein i = 0,...,n-1} and v1[en

i0,...,en

in-1] = en

j0,...,en[en

i

0,...,en

in-1] = en

jn-1.

Then

v[σt(f)]= v [f[eni0,...,en

in-1]]

= σv(f)[eni0,...,en

in-1]

= (f[v1,...,vn])[eni0,...,en

in-1]

= f[v1[eni0,...,en

in-1] = en

j0,...,vn[en

i0,...,en

in-1]]

= f[enj0,...,en

jn-1]

= s

= σs(f).

Therefore, σv ocoh σt = σs.

Similarly, one can show that σt = σu ocoh σs for some σu∈Cohyplin(n).

Hence, σt L σs.

Remark The number of pairs (σt, σs) in which

σt L σs is n + (n!) 2.

Next, we characterize the Green’s relation H on Cohyplin(n).

Theorem 2.7 Let σt, σs∈Cohyplin(n) and t, s∈{ein

n ≥ 1, 0 ≤ i ≤ n-1}. Then σt H σs if and only if t = s.

Proof Assume that σt H σs.

Then σt H σs and σt R σs.

By Theorem 2.4, we get that t = s.

Similarly, assume that t = s.

Then σt = σs.

Since and are equivalence relations,

we have σt L σs and σt R σs.

Therefore, σt H σs.

Theorem 2.8 Let t, s∈cTtlin,(n)\ {ei

n n ≥ 1, 0 ≤ i ≤ n-1}. Then σt H σs.

Proof Let t = f[enio

,..., enin-1

]∈cTtlin,(n)

and s = f[en

j

o

,..., enjn-1

]∈cTtlin,(n)

for io,...,in-1, jo,...,jn-1∈{0,...,n-1}.

By Theorem 2.2, we have that σt R σs.

By Theorem 2.6, we have that σt L σs.

J Sci Technol MSUJulaluk Boonsol, Kittisak Saengsura262

Therefore, σt H σs.

Remark The number of pairs (σt, σs) in which σt H σs is n + (n!)2.

Next, we characterize the Green’s relation D on Cohyplin(n).

Theorem 2.9 Let (σt, σs)∈Cohyplin(n) and t, s∈{ei

n n ≥ 1, 0 ≤ i ≤ n-1}. Then σt D σs.

Proof Since σt L σt and by Theorem 2.2,

we have that σt R σt.

Then σt D σt.


n n ≥ 1, 0 ≤ i ≤ n-1}. Then σt D σs.


,..., enin-1

]∈cTtlin,(n)

and s = f[en

jo

, ..., en

jn-1

]∈cTtlin,(n)

for io,...,in-1, jo,...,jn-1∈{0,...,n-1}.

By Theorem 2.2, we have that σt R σs.

By Theorem 2.6, we get that σt L σs.

Therefore, σt D σs.

For linear cohypersubstitutions σt, σs such that t and s are different form i.e., t∈{ei

n 0 ≤ i ≤ n-1} and s∈cTt

lin,(n)\{ein 0 ≤ i ≤ n-1}, we have that (σt , σs)∉D as

the following example:

Example 2.11 Let σt,σs∈Cohyplin(n) and t = ein,

s = f[enjo

,..., enjn-1

]∈cTtlin,(n) for all i, jo,...,jn-1∈{0,...,n-1} and

E(s) be distinct.

Then σt(f) = ein and σs (f) = f[en

j0,...,en

jn-1].

By Theorem 2.4, we get that σt L σs.

But by Theorem 2.3, we have that (σt, σs)∉R.

Hence, (σt, σs)∉D.


σt D σs is n2 + (n!)2.

Next, we characterize the Green’s relation J on Cohyplin(n).

Theorem 2.12 Let (σt, σs)∈Cohyplin(n) and t, s∈{ei

n n ≥ 1, 0 ≤ i ≤ n-1}. Then σt J σs.

Proof Let t = ein, s = ej

n and u∈cTtlin,(n).

Since u[ekn]= ek

n for all k = 0,...,n-1.

we have

σt(f) = ein

= s[ein]

= u[ s[ein]]

= u[ s [σei

n (f)]]

= u[ s [σt (f)]].

Therefore, σt = σu ocoh σs ocoh σt.

Similarly, one can show that σs = σx ocoh σt ocoh σy for some σx,σy∈Cohyplin(n).

Hence, σt J σs.


n n ≥ 1, 0 ≤ i ≤ n-1}. Then σt J σs.


,..., enin-1

]∈cTtlin,(n)

and s = f[en

j

o

,..., enjn-1

]∈cTtlin,(n)

for io,...,in-1, jo,...,jn-1∈{0,...,n-1}.

We let r = f[r1,...,rn] such that rjk= en

jk where

jk∈{0,...,n-1} and k = 0,...,n-1.

By Theorem 2.2, we get that σt (f)] = s [σr (f)].

Let v= (f)[eno,...,e

nn-1]∈cTt

lin,(n).

Then

v[σt(f)]= v [f[eni0,...,en

in-1]]

= σv(f)[eni0,...,en

in-1]

= (f[v1,...,vn])[eni0,...,en

in-1]

= f[v1[eni0,...,en

in-1] = en

j0,...,vn[en

i0,...,en

in-1]]

= f[enj0,...,en

jn-1]

= t

= σt(f).

Therefore, σv ocoh σs ocoh σr = σt.

Similarly, one can show that σs = σx ocoh σt ocoh σy for some σx, σy∈Cohyplin(n).

Hence, σt J σs.


σt J σs is n2 + (n!)2.

We conclude the R, L, H, D and J as the following diagram:

U={(σt, σs) t, s∈cTtlin,(n)}.


263

If t, s∈{ein n ≥ 1, 0 ≤ i ≤ n-1} and t = s in L, then

L ⊆ R.

Acknowledgements The authors would like to thank the referee for useful remarks. We also would like to thank the Faculty of Science of Mahasarakham University Thailand and the Science Achievement Scholarship of Thailand (SAST) for the financial support.

References1. Drbohlav K. On quasicovarieties. Acta Fac. Rerum

Natur. Univ. Comenian. Math. Mimoriadne Cislo. 1971 ; 17-20.

2. Csa’ka’ny B. Completeness in coalgebras. Acta Sci. Math. 1985 ; 48: 75-84.

3. Denecke K, Saengsura K. Menger Algebras and Clones of Cooperations. Algebra Colloquium. 2008 ; 15(2): 223-234.

4. Boonchar i D , Saengsu ra K . Mono id o f Cohypersubstitutions of type t = (n). Thai Journal of Mathematics. 2016 ; 14: 191-201.

5. Denecke K. The partial clone of linear terms. Siberian Mathematical Journal. 2016 ; 57(4): 589-598

6. Denecke K, Lau D, Poschel R, Schweigert D. Hyperidentities, hyperequational classes and clone congruences. Contribution to General Algebra. 2002 ; 7: 97-118.

7. Denecke K, Saengsura K. Cohyperidentities and M-solid classes of coalgebras. Discrete Mathematics. 2009 ; 304(4): 772-783.

8. Denecke K, Wismath SL. Universal algebra and applications in theoretical computer science. Boca Raton, Chapman&Hall/CRC. 2002.

9. Howie JM. Fundamentals of Semigroup Theory. Oxford Science Publications, Clarendon Press. Oxford. 1995.

10. Jermji tporn S, Saengsura N. General ized cohypersubstitutions of type · = (·i)i∈i Thai Journal of Mathematics. 2013 ; 4: 747-755.

11. Koppitz J, Denecke K. M-solid varieties of algebras. Springer Science+Business Media. Inc. 2006.

12. Leeratanavalee S, Denecke K. Generalized hypersubstitutions and strongly solid varieties. Proceedings of the “59th Workshop on General Algebra”, Conference for Young Algebraists. Potsdam. 200 ; 135-145.

tσ 𝒟𝒟

sσ is 2 2( !) .n n+

Next, we characterize the Green’s relation 𝒥𝒥

on ( ).lin

Cohyp n

Theorem 2.12 Let , ( )lin

t sCohyp nσ σ ∈ and

, { | 1, 0 1}.n

it s e n i n∈ ≥ ≤ ≤ − Then

tσ 𝒥𝒥 .

sσ

Proof Let , n n

i jt e s e= = and ,( ) .lin n

u cTτ∈

Since ˆ [ ]n n

u k ke eσ = for all 0, ..., 1,k n= −

we have

( ) n

t if eσ =

ˆ [ ]n

s ieσ=

ˆ ˆ[ [ ]]n

u s ieσ σ=

ˆ ˆ[ [ ( )]]n

iu s e

fσ σ σ=

ˆ ˆ[ [ ( )]].u s t

fσ σ σ=

Therefore, .t u coh s coh t

σ σ σ σ= o o

Similarly, one can show that s x coh t coh y

σ σ σ σ= o o

for some , ( ).lin

x yCohyp nσ σ ∈

Hence, t

σ 𝒥𝒥 .s

σ

Theorem 2.13 Let ,( ), \ { | 1,lin n n

it s cT e nτ∈ ≥

0 1}.i n≤ ≤ − Then t

σ 𝒥𝒥 .s

σ

Proof Let 0 1

,( )[ , ..., ]n

n n lin n

i it f e e cTτ−= ∈ and

0 1

,( )[ , ..., ]n

n n lin n

j js f e e cTτ−= ∈ for

0 1 0 1, ..., , , ..., {0, ..., 1}.n n

i i j j n− − ∈ −

We let 1[ , ..., ]n

r f r r= such that k k

n

j ir e= where

{0, ..., 1}kj n∈ − and 0, ..., 1.k n= −

By Theorem 2.2, we get that ˆ( ) [ ( )].t s r

f fσ σ σ=

Let ,( )0 1[ , ..., ] .n n lin n

nv f e e cTτ−= ∈

Then

0 1ˆ ˆ ˆ[ [ ( )]] [ [ , ..., ]]

n

n n

v s r v i if f e eσ σ σ σ

−=

0 1( )[ , ..., ]

n

n n

v i if e eσ

−=

0 10 1( [ , ..., ])[ , ..., ]n

n n n n

n i if e e e e

−−=

0 1 0 10 1[ [ , ..., ], ..., [ , ..., ]]n n

n n n n n n

i i n i if e e e e e e

− −−=

0 1[ , ..., ]

n

n n

i if e e

−=

t=

( ).t

fσ=

Therefore, .v coh s coh r t

σ σ σ σ=o o

Similarly, one can show that s x coh t coh y

σ σ σ σ= o o

for some , ( ).lin

x yCohyp nσ σ ∈

Hence, t

σ 𝒥𝒥 .s

σ

Remark The number of pairs ( , )t s

σ σ in which

tσ 𝒥𝒥

sσ is 2 2( !) .n n+

We conclude the ℛ, ℒ, ℋ, 𝒟𝒟 and 𝒥𝒥 as the

following diagram:

𝒰𝒰 ,( ){( , ) | , }.lin n

t st s cTτσ σ= ∈

If , { | 1, 0 1}n

it s e n i n∈ ≥ ≤ ≤ − and t s= in ℒ,

then ℒ ⊆ ℛ.

Acknowledgements

𝒰𝒰 ℛ=𝒟𝒟=𝒥𝒥

ℒ=ℋ

การประยกตใชแบบจำาลองคณตศาสตร HEC-HMS และ HEC-RAS เพอศกษาแนวทาง การบรรเทาอทกภยของอำาเภอชะอวด จงหวดนครศรธรรมราชThe Application of HEC-HMS and HEC-RAS Mathematical Models for Study of Flood Mitigation in Cha-Uat, Nakhon Si Thammarat

ณฐพล แกวทอง1, ปกรณ ดษฐกจ2*, สรายทธ นาครอด3, ชยณฐ บวทองเกอ4

Natapon Kaewthong1, Pakorn Ditthakit2*, Sarayoot Nakrod3, Chayanat Buathongkhue4

Received: 9 June 2019 ; Revised: 23 August 2019 ; Accepted: 27 September 2019

บทคดยอบทความนนำาเสนอการจำาลองสถานการณนำาทวมและมาตรการบรรเทาอทกภยของเทศบาลตำาบลชะอวด อ.ชะอวด จ.นครศรธรรมราช โดยใชแบบจำาลอง HEC–HMS รวมกบแบบจำาลอง HEC–RAS ในการประเมนปรมาณนำาทาและวเคราะหสภาพการเกดนำาทวมในพนทศกษา ผลการสอบเทยบ (ป 2548) และตรวจพสจน (ป 2543) สำาหรบแบบจำาลอง HEC-HMS พบวาใหคาสมประสทธสหสมพนธ (r) เทากบ 0.95 และ 0.82 ตามลำาดบ ผลการสอบเทยบ (ป 2548) และตรวจพสจน (ป 2543) ในแบบจำาลอง HEC–RAS โดยใชระดบคราบนำาทวมเชงสะพานเทศบาลตำาบลชะอวด พบวามความคลาดเคลอน เทากบ 0.15 เมตร และ 0.23 เมตร ตามลำาดบ โดยผลการวเคราะหสภาพนำาทวมพบวาเขตเทศบาลตำาบลชะอวดสามารถรองรบปรมาณนำาทาทรอบปการเกดซำา 2 ป แตจะเกดนำาทวมบรเวณนอกเขตเทศบาลมความลกประมาณ 0.5-1.5 เมตร เมอพจารณาปรมาณนำาทาทรอบปการเกดซำา 5 10 และ 25 ป พบวาจะเกดนำาทวมในพนทชมชนเขตเทศบาลตำาบลชะอวดมความลกโดยประมาณ 1-2 เมตร และระดบนำาจะเพมสงขนไปจนถง 2-3 เมตร ทรอบปการเกดซำาท 50 ถง 100 ป ทงนไดเสนอแนวทางในการบรรเทาอทกภยในพนทโดยการสรางคลองผนนำาออกทางชองคางคาวเพอระบายนำากอนเขาเขตเทศบาลตำาบลชะอวด ซงเมอพจารณาทรอบปการเกดซำา 5 ป พบวาอตราการไหลสงสดลดลงทงสน 90 ลบ.ม.ตอวนาท

คำาสำาคญ: แบบจำาลองคณตศาสตร HEC-HMS HEC-RAS อตราการไหล

AbstractThis article presents flooding simulation and flooding alleviation measures of Cha-Uat Municipality, Cha-Uat District, Nakhon Si Thammarat. HEC-HMS and HEC-RAS were applied to determine runoff and simulate flooding events in the study area. The results of the HEC-HMS model’s calibration (2005) and verification (2000) gave correlation coefficients (r) of 0.95 and 0.82, respectively. The results of the HEC-RAS model’s calibration (2005) and verification (2000) using recorded water levels at Cha-Uat municipality bridge gave errors of water levels of 0.15 m and 0.23 m, respectively. The results of flooding simulation found that there was no flooding at Cha-Uat Municipality for 2 years return periods, but the areas out of Cha-Uat Municipality were flooded at approximately of 0.5-1.0 m. Considering 5, 10 and 25 years return periods, Cha-Uat Municipality was flooded at approximately of 1.0-2.0 m. and up to 2-3 m for 50 and 100 years return periods. We proposed flooding alleviation measures by construction of a floodway at Kangkao channel in order to drain water before entering the area of Cha-Uat Municipality. By doing this, flood peak decreased by 90 m3/s for a 5 year return period.

keywords: Mathematial model, HEC-HMS, HEC-RAS, Flow rate

1 อาจารย คณะวศวกรรมศาสตร มหาวทยาลยเทคโนโลยราชมงคลศรวชย อำาเภอเมอง จงหวดสงขลา 2 ผชวยศาสตราจารย, สำานกวชาวศวกรรมกรรมและทรพยากรมหาวทยาลยวลยลกษณอำาเภอทาศาลาจงหวดนครศรธรรมราช3 นกวจย, สำานกวชาวศวกรรมกรรมและทรพยากรมหาวทยาลยวลยลกษณอำาเภอทาศาลาจงหวดนครศรธรรมราช 4 ผชวยศาสตราจารย วทยาลยเทคโนโลยและการจดการ มหาวทยาลยเทคโนโลยราชมงคลศรวชย อำาเภอขนอม จงหวดนครศรธรรมราช1 Lecturer, Faculty of Engineering, Rajamangala University of Technology Srivijaya, Bo Yang, Muang, Songkhla2 Assistant professor, School of Engineering and Resources, Walailak University, Thasala District Nakhonsithammarat3 Researcher, School of Engineering and Resources, Walailak University, Thasala District Nakhonsithammarat 4 Assistant professor, College of Industrial Technology and Management University of Technology Srivijaya, Tongnien, Khanom, Nokhon Si Thammarat* Corresponding author: Pakorn Ditthakit, School of Engineering and Resources, Walailak University, [email protected]

Vol 39. No 3, May-June 2020 The Application of HEC-HMS and HEC-RAS Mathematical Models for Study of Flood Mitigation in Cha-Uat, Nakhon Si Thammarat

265

บทนำา ในชวงระยะเวลาประมาณ 10 ป ทผานมา ประเทศไทยประสบกบปญหาอทกภยเกอบทกปกระจายไปยงพนทตางๆ ของประเทศ รฐบาลตองเสยงบประมาณในการปรบปรงระบบสาธารณปโภคทเสยหายจากการเกดนำาทวม รวมถงความ เสยหายทางดานเกษตรกรรม อตสาหกรรม การทองเทยว และสงทสำาคญทสดคอสภาพจตใจของประชาชนผประสบปญหา ซงไมอาจเทยบเปนมลคาความเสยหายได อกทงมงานวจยหลายๆ งานวจยทบงชวาประเทศไทยมความเสยงในการเกดภาวะนำาทวมในระดบรนแรง1-4 สวนจงหวดนครศรธรรมราชกเปนอกพนทหนงทประสบปญหาการเกดอทกภยมาอยางตอเนอง5 ลาสดเมอปลายป พ.ศ.2554 และตนป พ.ศ.2555 กไดรบความเสยหายเปนวงกวาง โดยเฉพาะเทศบาลตำาบล ชะอวด จงหวดนครศรธรรมราช ดงปรากฎหลกฐานรอยคราบนำาทชาวบานไดทำาการบนทกไว ซงจะมตงแตวนท 9 ธนวาคม พ.ศ.2509 จนถงปจจบนพบวาระดบนำาคอนขางสงขน ดงแสดงใน Figure 1 ดงนนเพอปองกนและบรรเทาอทกภยทอาจเกดขนในอนาคตจงมความจำาเปนตองการศกษาเพอหามาตรการรองรบเหตการณดงกลาว การนำาแบบจำาลองคณตศาสตรมาใชเปนเครองมอในการจดการปญหากเปนทางเลอกหนงทไดรบความนยมอยางแพรหลาย เนองจากสามารถใชจำาลองสถานการณทอาจเกดขน และสามารถหามาตรการทเหมาะสมในการบรรเทาอทกภย และแจงเตอนภยนำาทวมทอาจเกดขนไดทนทวงท

ทมโอกาสเกดขนในรอบปการเกดซำาตางๆ เพอหาแนวทางในการบรรเทาอทกภยของอำาเภอชะอวด จงหวดนครศรธรรมราช ตอไป

วสดอปกรณและวธการศกษา 1. แบบจำาลองทใชในการศกษา การศกษาครงนใชแบบจำาลอง HEC–HMS เพอจำาลองนำาทาจากปรมาณฝนทตกในพนท สำาหรบสรางเปนขอมลนำาเขาในแบบจำาลองนำาทวม HEC-RAS เพอจำาลองสภาพการเกดนำาทวม โดยมรายละเอยด ดงน

1.1 แบบจำาลองคณตศาสตร HEC-HMS11

แบบจำาลอง HEC-HMS เปนแบบจำาลองทางอทกศาสตร (Hydrologic Model) ทจำาลองการเปลยนปรมาณนำาฝนใหกลายเปนปรมาณนำาทา โดยพจารณาชวงระยะเวลาการเกดนำาทา และระยะเวลาการเคลอนตวของนำาผานลำานำา แมนำา และอางเกบนำา ตามองคประกอบทมอยจรงในพนท โดยแบบจำาลอง HEC-HMS แบงออกเปน 4 แบบจำาลองยอย ดงน (1) แบบจำาลองปรมาณนำาทา (Models that compute runoff volume) เปนแบบจำาลองทใชในการวเคราะหการสญเสย ของฝนดานตางๆ (2) แบบจำาลองการไหลผวดน (Direct Runoff Model) เปนแบบจำาลองการรวบรวมการไหลบนผวดน (Overland flow) และสญเสยพลงงานของนำาทไหลจากพนทรบนำาลงสแหลงนำาธรรมชาต (3) แบบจำาลองการไหลพนฐาน (Baseflow model) เปนแบบจำาลองการไหลของนำาใตดนลงสลำานำา (4) แบบจำาลองการเคลอนตวของนำาในลำานำา (Channel Routing Model) เปนแบบจำาลองการเคลอนตวของนำาในแหลงนำาธรรมชาต ดงแสดงใน Figure 2 และในแบบจำาลอง HEC-HMS เวอรชน 4.2.1 นยงมเครองมอเพมขนมาเพอความอำานวยสะดวกในการปรบเทยบแบบจำาลองคอเครองมอในการหาคาพารามเตอรทดทสด (Optimization Tools) โดยแบบจำาลองจะทำาการประมาณคาของพารามเตอรตางๆ ทตองการเพอใหชดขอมลจากแบบจำาลองมคาใกลเคยงกบชดขอมลทใชในการสอบเทยบ

Title of the conference

1. บทนา

ในชวงระยะเวลาประมาณ 10 ป ทผานมา ประเทศไทยประสบกบปญหาอทกภยเกอบทกปกระจายไปยงพนทตางๆของประเทศ รฐบาลตองเสยงบประมาณในการปรบปรงระบบสาธารณปโภคท เสยหายจากการเกดนาทวม รวมถงความเสยหายทางดานเกษตรกรรม อตสาหกรรม การทองเทยว และสงทสาคญทสดคอสภาพจตใจของประชาชนผประสบปญหา ซงไมอาจเทยบเปนมลคาความเสยหายได อกทงมงานวจยหลายๆงานวจยทบงชวาประเทศไทยมความเสยงในการเกดภาวะนาทวมในระดบรนแรง1-4 สวนจงหวดนครศรธรรมราชกเปนอกพนทหนงทประสบปญหาการเกดอทกภยมาอยางตอเนอง5 ลาสดเมอปลายป พ.ศ.2554 และตนป พ.ศ.2555 กไดรบความเสยหายเปนวงกวาง โดยเฉพาะเทศบาลตาบล ชะอวด จงหวดนครศรธรรมราช ดงปรากฎหลกฐานรอยคราบน าทชาวบานไดทาการบนทกไว ซ งจะมต งแต วนท 9 ธนวาคม พ .ศ.2509 จนถงปจจบนพบวาระดบนาคอนขางสงขน ดงแสดงใน Figure 1 ดงนนเพอปองกนและบรรเทาอทกภยทอาจเกดขนในอนาคตจงมความจาเปนตองการศกษาเพอหามาตรการรองรบเหตการณดงกลาว การนาแบบจาลองคณตศาสตรมาใชเปนเครองมอในการจดการปญหากเปนทางเลอกหนงทไดรบความนยมอยางแพรหลาย เนองจากสามารถใชจาลองสถานการณทอาจเกดขน และสามารถหามาตรการทเหมาะสมในการบรรเทาอทกภย และแจงเตอนภยนาทวมทอาจเกดขนไดทนทวงท

Figure 1 The traces of the floods in Cha-Uat.

ในงานวจ ยน จ งไดท าการประยกต ใช แบบจาลอง HEC–HMS6-8 เพอประเมนปรมาณนาทาทมโอกาสเกดขนใน

รอบปการเกดซาตางๆ บรเวณตอนบนของพนทอาเภอชะอวด ซงปรมาณนาจานวนดงกลาวนจะตองไหลผานในเขตเทศบาลเมองชะอวด เปนสาเหตหลกของการเกดอทกภยในพนเทศบาลเมองชะอวด และประยกต ใช แบบจาลอง HEC–RAS9-10 เพอวเคราะหเวลาในการไหลรวมกนของนาจากทางตอนบนของลมนา และระดบนาทมโอกาสเกดขนในรอบปการเกดซาตางๆ เพอหาแนวทางในการบรรเทาอทกภยของอาเภอชะอวด จงหวดนครศรธรรมราช ตอไป

2. วสดอปกรณและวธการศกษา 2.1 แบบจาลองทใชในการศกษา

การศกษาครงนใชแบบจาลอง HEC–HMS เพอจาลองนาทาจากปรมาณฝนทตกในพนท สาหรบสรางเปนขอมลนาเขาในแบบจาลองนาทวม HEC-RAS เพอจาลองสภาพการเกดนาทวม โดยมรายละเอยด ดงน

2.1.1 แบบจาลองคณตศาสตร HEC-HMS11 แบบจาลอง HEC-HMS เปนแบบจาลองทางอทกศาสตร

(Hydrologic Model) ทจาลองการเปลยนปรมาณนาฝนใหกลายเปนปรมาณนาทา โดยพจารณาชวงระยะเวลาการเกดนาทา และระยะเวลาการเคลอนตวของนาผานลานา แมนา และอางเกบนา ตามองคประกอบทมอยจรงในพนท โดยแบบจาลอง HEC-HMS แบงออกเปน 4 แบบจาลองยอยดงน (1) แบบจาลองปรมาณนาทา (Models that compute runoff volume) เปนแบบจาลองทใชในการวเคราะหการสญเสยของฝนดานตางๆ (2) แบบจาลองการไหลผวดน (Direct Runoff Model) เปนแบบจาลองการรวบรวมการไหลบนผวดน (Overland flow) และสญเสยพลงงานของนาทไหลจากพนทรบนาลงสแหลงนาธรรมชาต (3) แบบจาลองการไหลพนฐาน (Baseflow model) เปนแบบจาลองการไหลของนาใตดนลงสลาน า (4) แบบจ าลองการเคล อนต วของน าในล าน า (Channel Routing Model) เปนแบบจาลองการเคลอนตวของนาในแหลงนาธรรมชาต ดงแสดงใน Figure 2 และในแบบจาลอง HEC-HMS เวอรชน 4.2.1 นยงมเครองมอเพมขนมาเพอความอานวยสะดวกในการปรบเทยบแบบจาลองคอเครองมอในการหาคาพารามเตอรทดทสด (Optimization Tools) โด ย แ บ บ จ าล อ งจ ะท าก ารป ร ะม าณ ค าข อ งพารามเตอรตางๆ ทตองการเพอใหชดขอมลจากแบบจาลองมคาใกลเคยงกบชดขอมลทใชในการสอบเทยบ

Figure 1 The traces of the floods in Cha-Uat

ในงานวจยนจงไดทำาการประยกตใชแบบจำาลอง HEC–HMS6-8 เพอประเมนปรมาณนำาทาทมโอกาสเกดขนในรอบปการเกดซำาตางๆ บรเวณตอนบนของพนทอำาเภอชะอวด ซงปรมาณนำาจำานวนดงกลาวนจะตองไหลผานในเขตเทศบาลเมองชะอวด เปนสาเหตหลกของการเกดอทกภยในพนเทศบาลเมองชะอวด และประยกตใชแบบจำาลอง HEC–RAS9-10 เพอวเคราะหเวลาในการไหลรวมกนของนำาจากทางตอนบนของลมนำา และระดบนำา

Figure 2 The framework of the HEC-HMS model.11

2.1.2 แบบจาลองคณตศาสตร HEC – RAS12 HEC-RAS มชอเตมวา U.S. Army Corps of Engineer

River Analysis System เปนแบบจาลองในการหาหนาขางการไหล (Water surface profile) และใชสาหรบวเคราะหดานชลศาสตรในหนงมต (one-dimensional) ซงถกพฒนาขนโดย Hydrologic Engineering Center for the U.S. Army Corps of Engineering มความสามารถในการวเคราะห 4 อยางคอ (1) การคานวณการไหลของนา แบบทรงตวมน (steady flow) (2) การคานวณการไหลของนาแบบไมทรงตว (unsteady flow) (3) การคานวณการเคลอนทของตะกอน และ (4) การคานวณการกระจายตวของคณภาพนา

Figure 3 Flow in rivers and floodplains.

การประยกตใชสมการเซนตวแนนตในแบบจาลอง HEC-RAS ดงแสดงใน Figure 3 อธบายถงลกษณะของปฏสมพนธการไหลสองมตระหวางการไหลในทางนาหลกและทราบนาทวมถง (floodplain) เมอนาในลานามระดบสงขนจนเกนระดบของตล ง น ากจะไหลออกจากลาน าไปทางดานขางเขาทวมพนทราบนาทวมถงและไหลเขาไปเตมในพนทแกมลง (storage area) ในขณะทความลกของการไหลเพมขน พนทราบนาทวมถงกจะเรมนาพานาใหไหลไปยงดานทายนา ซงโดยทวไปแลวระยะทางของการไหลบนทราบนาทวมถงจะสนกวาระยะทางในการไหลของทางนาหลก

มาก และเมอความลกของการไหลลดลง นาจากพนทนอกตลงกจะไหลกลบเขาไปยงทางนาหลก ทาใหระดบนาของการไหลในทางนาหลกเพมสงขนอกครง

เนองจากการไหลของนาออกดานขางของลานา (เขาทวมทราบนาทวมถง) มสดสวนทนอยมาก เมอเทยบกบการไหลของนาไปตามลานา ทาใหสามารถประมาณการไหลในหนงมตแทนการไหลในสองมตดงทกลาวมาแลว โดยการกาหนดใหการไหลในทางนาหลกสามารถแลกเปลยนนากบทราบนาทวมถงได ทาใหอตราการไหลของนาในทราบนาทวมถงแยกออกจากอตราการไหลของนาในทางนาหลก โดยทาการแบงระบบของการไหลออกเปนสองสวนคอการไหลในทางนาหลกและการไหลบนทราบน าท วมถ ง แล วกาหนดสมการความตอเน อง (continuity equation) และสมการโมเมนตม (momentum equation) สาหรบทงสองสวนของการไหล และเพอใหงายขนไดกาหนดใหผวนาของแตละหนาตดเปนตวกาหนดวาเปนการไหลในทางนาหลกหรอการไหลบนทราบนาทวมถง นนหมายความวาจะไมพจารณาการแลกเปลยนโมเมนตมระหวางทางนาหลกกบทราบน าทวมถง และใหอตราการไหล (discharge) มการกระจายตวตามชองทางลานา นนคอ

QQC (1)

โดย Qc = อตราการไหลในลานาหลก (เมตร3/วนาท) Q = อตราการไหลรวม (เมตร3/วนาท)

= สมประสทธการไหลรวม

= KKK fcc / (2)

โดย Kc = สมประสทธการไหลในทางนาหลก

Kf = สมประสทธการไหลในทราบนาทวมถง

ดวยสมมตฐานนสามารถรวมสมการการเคลอนทในหนงมต ทงทางนาหลกและพนทราบนาทวมถงเปนสมการเดยว คอ

0

1

XX fc

QQtA (3)

0// 2222 1

S

XgAS

XgA

XAQ

XAQ

ff

fffc

cc

f

f

c

c ZZtQ

(4)

สญลกษณ c และ f ในทนหมายถงลานาหลกและพนทราบนาทวมถงตามลาดบ สมการเหลานไดถกประมาณคาโดยใช


J Sci Technol MSUNatapon Kaewthong, Pakorn Ditthakit, Sarayoot Nakrod, Chayanat Buathongkhue

266

1.2 แบบจำาลองคณตศาสตร HEC-RAS12

HEC-RAS มชอเตมวา U.S. Army Corps of Engineer River Analysis System เปนแบบจำาลองในการหาหนาขางการไหล (Water surface profile) และใชสำาหรบวเคราะหดานชลศาสตรในหนงมต (one-dimensional) ซงถกพฒนาขนโดย Hydrologic Engineering Center for the U.S. Army Corps of Engineering มความสามารถในการวเคราะห 4 อยางคอ (1) การคำานวณการไหลของนำา แบบทรงตวมน (steady flow) (2) การคำานวณการไหลของนำาแบบไมทรงตว (unsteady flow) (3) การคำานวณการเคลอนทของตะกอน และ (4) การคำานวณการกระจายตวของคณภาพนำา

โมเมนตม (momentum equation) สำาหรบทงสองสวนของการไหล และเพอใหงายขนไดกำาหนดใหผวนำาของแตละหนาตด เปนตวกำาหนดวาเปนการไหลในทางนำาหลกหรอการไหลบนทราบนำาทวมถง นนหมายความวาจะไมพจารณาการแลกเปลยนโมเมนตมระหวางทางนำาหลกกบทราบนำาทวมถง และใหอตราการไหล (discharge) มการกระจายตวตามชองทางลำานำา นนคอ

(1)

โดย Qc= อตราการไหลในลำานำาหลก (เมตร3/วนาท)

Q = อตราการไหลรวม (เมตร3/วนาท)

φ= สมประสทธการไหลรวม

φ= Kc/(K

c-K

f) (2)

โดย Kc= สมประสทธการไหลในทางนำาหลก

Kf= สมประสทธการไหลในทราบนำาทวมถง

ดวยสมมตฐานนสามารถรวมสมการการเคลอนทในหนงมต ทงทางนำาหลกและพนทราบนำาทวมถงเปนสมการเดยว คอ

(3)

(4)

สญลกษณ c และ f ในทนหมายถงลำานำาหลกและพนทราบนำาทวมถงตามลำาดบ สมการเหลานไดถกประมาณคาโดยใช implicit finite differences และแกหาคาโดยใช Newton-Raphson iteration technique

2. พนทศกษา อำาเภอชะอวด จงหวดนครศรธรรมราช ตงอยในลมนำา ปากพนงตอนบน เปนพนทราบอยดานทศตะวนออกของแนวเทอกเขานครศรธรรมราช มอางเกบนำาหวยนำาใส เปนแหลงเกบกกนำาบรเวณตนนำาครอบคลมพนทรอยตอของจงหวดนครศรธรรมราช จงหวดพทลง และจงหวดตรง อำาเภอชะอวด มลำานำาหลก 4 สายไหลรวมกนบรเวณเทศบาลตำาบลชะอวดกอนรวมกนเปนแมนำาปากพนง คอ คลองไมเสยบ คลองลาไม คลองถำาพระ และคลองนาหมอบญ ดงแสดงใน Figure 4








QQC (1)



= KKK fcc / (2)




0

1

XX fc

QQtA (3)

0// 2222 1

S

XgAS

XgA

XAQ

XAQ

ff

fffc

cc

f

f

c

c ZZtQ

(4)









QQC (1)



= KKK fcc / (2)




0

1

XX fc

QQtA (3)

0// 2222 1

S

XgAS

XgA

XAQ

XAQ

ff

fffc

cc

f

f

c

c ZZtQ

(4)









QQC (1)



= KKK fcc / (2)




0

1

XX fc

QQtA (3)

0// 2222 1

S

XgAS

XgA

XAQ

XAQ

ff

fffc

cc

f

f

c

c ZZtQ

(4)


Figure 3 Flow in rivers and floodplains

การประยกตใชสมการเซนตวแนนตในแบบจำาลอง HEC-RAS ดงแสดงใน Figure 3 อธบายถงลกษณะของปฏสมพนธการไหลสองมตระหวางการไหลในทางนำาหลกและทราบนำาทวมถง (floodplain) เมอนำาในลำานำามระดบสงขนจนเกนระดบของตลง นำากจะไหลออกจากลำานำาไปทางดานขางเขาทวมพนทราบนำาทวมถงและไหลเขาไปเตมในพนทแกมลง (storage area) ในขณะทความลกของการไหลเพมขน พนทราบนำาทวมถงกจะเรมนำาพานำาใหไหลไปยงดานทายนำา ซงโดยทวไปแลวระยะทางของการไหลบนทราบนำาทวมถงจะสนกวาระยะทางในการไหลของทางนำาหลกมาก และเมอความลกของการไหลลดลง นำาจากพนทนอกตลงกจะไหลกลบเขาไปยงทางนำาหลก ทำาใหระดบนำาของการไหลในทางนำาหลกเพมสงขนอกครง

เนองจากการไหลของนำาออกดานขางของลำานำา (เขาทวมทราบนำาทวมถง) มสดสวนทนอยมาก เมอเทยบกบการไหลของนำาไปตามลำานำา ทำาใหสามารถประมาณการไหลในหนงมตแทนการไหลในสองมตดงทกลาวมาแลว โดยการกำาหนดใหการไหลในทางนำาหลกสามารถแลกเปลยนนำากบทราบนำาทวมถงได ทำาใหอตราการไหลของนำาในทราบนำาทวมถงแยกออกจากอตราการไหลของนำาในทางนำาหลก โดยทำาการแบงระบบของการไหลออกเปนสองสวนคอการไหลในทางนำาหลกและการไหลบนทราบนำาทวมถง แลวกำาหนดสมการความตอเนอง (continuity equation) และสมการ








QQC (1)



= KKK fcc / (2)




0

1

XX fc

QQtA (3)

0// 2222 1

S

XgAS

XgA

XAQ

XAQ

ff

fffc

cc

f

f

c

c ZZtQ

(4)



267

implicit finite differences และแก ห าค าโดยใช Newton-Raphson iteration technique

2.2 พนทศกษา

อาเภอชะอวด จงหวดนครศรธรรมราช ตงอยในลมนา ปากพนงตอนบน เปนพนทราบอยดานทศตะวนออกของแนวเทอกเขานครศรธรรมราช มอางเกบนาหวยนาใส เปนแหลงเกบกกนาบรเวณตนนาครอบคลมพนทรอยตอของจงหวดนครศรธรรมราช จงหวดพทลง และจงหวดตรง อาเภอชะอวด มลาน าหลก 4 สายไหลรวมกนบร เวณเทศบาลตาบลชะอวดกอนรวมกนเปนแมนาปากพนง คอ คลองไมเสยบ คลองลาไม คลองถาพระ และคลองนาหมอบญ ดงแสดงใน Figure 4

Figure 4 Main river in the study area.

2.3 ขนตอนการดาเนนงาน 2.3.1 การรวบรวมขอมล

1) การรวบขอมลแผนทภมประเทศ บรเวณพนทลมนาปากพนงตอนบนและพนทท เกยวของกบอาเภอชะอวด มาตราสวน 1: 50,000 เพอใชศกษาลกษณะทางกายภาพของพนทศกษา อาทเชน พนทลมนา ความยาวลานา และใชเปนแผนทพนฐาน (Base Map) ในการจดทาแผนทนาทวม

2) ขอมลทางชลศาสตร และอาคารชลศาสตร ไดแกอาคารหวงาน คลองสงนา คลองแยกซอย อาคารบงคบนา ประตระบายนา อาคารระบายนา เปนตน

3) การรวบรวมขอมลอตนยมวทยาและอทกวทยา ประกอบดวย

(1) ขอมลภมอากาศ ไดแก อณหภม ความ ชนสมพทธ กระแสลม ความครมของเมฆ และปรมาณการระเหย เปนตน โดยทาการรวบรวมขอมลรายวนจากรายงานสถตภมอากาศของสถานตรวจอากาศนครศรธรรมราช 552201

(2) ขอมลปรมาณฝน รวบรวมจากสถานวดนาฝนทอยในลมนาปากพนง และสถานขางเคยง ขอมลนาฝนทนามาศกษาเปนขอมลนาฝนรายวน ประกอบดวย สถาน อ.รอนพบลย (552007) อาเภอชะอวด (552010) สถานฝายไมเสยบ (27370) และสถานอางหวยนาใส (27142)

(3) ขอมลปรมาณนาทา ไดแก ขอมลปรมาณนาทารายวน รายเดอน และรายป โดยใชขอมลระดบนารายวนทสถานวดนาทา X.105 และใชขอมลระดบนาทวมอางองบรเวณรานเยยมซงตงอยในบรเวณเทศบาลตาบลชะอวดแสดงใน Figure 5

4) รวบรวมขอมลดนและลกษณะการใชทดน ของพนทลมนาปากพนงตอนบน ประกอบดวย แผนทแสดงการใชทดนและแผนทหนวยดน มาตราสวน 1: 25,000 และ 1: 50,000

Figure 5 Locations of runoff stations and flood levels

reference.

2.3.2 การสารวจขอมลภาคสนามเพอจดทาขอมลรปตดลานา สารวจรปตดลานาดวย Ground Survey โดยใชกลอง

ระดบเดนคาระดบจากหมดอางองเพอถายคาระดบไปยงรปตดลานาตางๆ โดยระยะในการสารวจรปตดลานาประมาณ 1-4 กโลเมตร ตอ 1 รปตดลานา ทงนพจารณาถงความยากงายในการเขาสารวจพนท และในบางชวงทขนาดรปตดลานาไมเปลยนแปลงมากๆ อาจเวนระยะชวงหางการเกบรปตดลานาใหมาก แตถาบางชวงของรปตดลานามขนาดทเปลยนแปลงมากๆ อาจตองทาการเกบรปตดลานาใหถขน ซงในงานวจยนมการสารวจรปตดลานาทงสน 62 รปตด แสดงใน Figure 6

3. ขนตอนการดำาเนนงาน 3.1 การรวบรวมขอมล 1) การรวบขอมลแผนทภมประเทศ บรเวณพนทลมนำาปากพนงตอนบนและพนททเกยวของกบอำาเภอชะอวด มาตราสวน 1: 50,000 เพอใชศกษาลกษณะทางกายภาพของพนทศกษา อาทเชน พนทลมนำา ความยาวลำานำา และใชเปนแผนทพนฐาน (Base Map) ในการจดทำาแผนทนำาทวม

2) ขอมลทางชลศาสตร และอาคารชลศาสตร ไดแกอาคารหวงาน คลองสงนำา คลองแยกซอย อาคารบงคบนำา ประตระบายนำา อาคารระบายนำา เปนตน


( 1 ) ขอ มล ภ มอากาศ ไ ดแ ก อณหภ ม ความชนสมพทธ กระแสลม ความครมของเมฆ และปรมาณการระเหย เปนตน โดยทำาการรวบรวมขอมลรายวนจากรายงานสถตภมอากาศของสถานตรวจอากาศนครศรธรรมราช 552201

(2) ขอมลปรมาณฝน รวบรวมจากสถานวดนำาฝนทอยในลมนำาปากพนง และสถานขางเคยง ขอมลนำาฝนทนำามาศกษาเปนขอมลนำาฝนรายวน ประกอบดวย สถาน อ.รอนพบลย (552007) อำาเภอชะอวด (552010) สถานฝายไมเสยบ (27370) และสถานอางหวยนำาใส (27142)

(3) ขอมลปรมาณนำาทา ไดแก ขอมลปรมาณนำาทารายวน รายเดอน และรายป โดยใชขอมลระดบนำารายวนทสถานวดนำาทา X.105 และใชขอมลระดบนำาทวมอางองบรเวณรานเยยมซงตงอยในบรเวณเทศบาลตำาบลชะอวดแสดงใน Figure 5

4) รวบรวมขอมลดนและลกษณะการใชทดน ของพนทลมนำาปากพนงตอนบน ประกอบดวย แผนทแสดงการใชทดนและแผนทหนวยดน มาตราสวน 1:25,000 และ 1:50,000

3.2 การสำารวจขอมลภาคสนามเพอจดทำาขอมลรปตดลำานำา สำารวจรปตดลำานำาดวย Ground Survey โดยใชกลองระดบเดนคาระดบจากหมดอางองเพอถายคาระดบไปยงรปตดลำานำาตางๆ โดยระยะในการสำารวจรปตดลำานำาประมาณ 1-4 กโลเมตร ตอ 1 รปตดลำานำา ทงนพจารณาถงความยากงาย ในการเขาสำารวจพนท และในบางชวงทขนาดรปตดลำานำา ไมเปลยนแปลงมากๆ อาจเวนระยะชวงหางการเกบรปตดลำานำาใหมาก แตถาบางชวงของรปตดลำานำามขนาดท เปลยนแปลงมากๆ อาจตองทำาการเกบรปตดลำานำาใหถขน ซงในงานวจยนมการสำารวจรปตดลำานำาทงสน 62 รปตด แสดงใน Figure 6

implicit finite differences และแก ห าค าโดยใช Newton-Raphson iteration technique

2.2 พนทศกษา

อาเภอชะอวด จงหวดนครศรธรรมราช ตงอยในลมนา ปากพนงตอนบน เปนพนทราบอยดานทศตะวนออกของแนวเทอกเขานครศรธรรมราช มอางเกบนาหวยนาใส เปนแหลงเกบกกนาบรเวณตนนาครอบคลมพนทรอยตอของจงหวดนครศรธรรมราช จงหวดพทลง และจงหวดตรง อาเภอชะอวด มลาน าหลก 4 สายไหลรวมกนบร เวณเทศบาลตาบลชะอวดกอนรวมกนเปนแมนาปากพนง คอ คลองไมเสยบ คลองลาไม คลองถาพระ และคลองนาหมอบญ ดงแสดงใน Figure 4

Figure 4 Main river in the study area.

2.3 ขนตอนการดาเนนงาน 2.3.1 การรวบรวมขอมล

1) การรวบขอมลแผนทภมประเทศ บรเวณพนทลมนาปากพนงตอนบนและพนทท เกยวของกบอาเภอชะอวด มาตราสวน 1: 50,000 เพอใชศกษาลกษณะทางกายภาพของพนทศกษา อาทเชน พนทลมนา ความยาวลานา และใชเปนแผนทพนฐาน (Base Map) ในการจดทาแผนทนาทวม

2) ขอมลทางชลศาสตร และอาคารชลศาสตร ไดแกอาคารหวงาน คลองสงนา คลองแยกซอย อาคารบงคบนา ประตระบายนา อาคารระบายนา เปนตน


(1) ขอมลภมอากาศ ไดแก อณหภม ความ ชนสมพทธ กระแสลม ความครมของเมฆ และปรมาณการระเหย เปนตน โดยทาการรวบรวมขอมลรายวนจากรายงานสถตภมอากาศของสถานตรวจอากาศนครศรธรรมราช 552201

(2) ขอมลปรมาณฝน รวบรวมจากสถานวดนาฝนทอยในลมนาปากพนง และสถานขางเคยง ขอมลนาฝนทนามาศกษาเปนขอมลนาฝนรายวน ประกอบดวย สถาน อ.รอนพบลย (552007) อาเภอชะอวด (552010) สถานฝายไมเสยบ (27370) และสถานอางหวยนาใส (27142)

(3) ขอมลปรมาณนาทา ไดแก ขอมลปรมาณนาทารายวน รายเดอน และรายป โดยใชขอมลระดบนารายวนทสถานวดนาทา X.105 และใชขอมลระดบนาทวมอางองบรเวณรานเยยมซงตงอยในบรเวณเทศบาลตาบลชะอวดแสดงใน Figure 5

4) รวบรวมขอมลดนและลกษณะการใชทดน ของพนทลมนาปากพนงตอนบน ประกอบดวย แผนทแสดงการใชทดนและแผนทหนวยดน มาตราสวน 1: 25,000 และ 1: 50,000

Figure 5 Locations of runoff stations and flood levels

reference.

2.3.2 การสารวจขอมลภาคสนามเพอจดทาขอมลรปตดลานา สารวจรปตดลานาดวย Ground Survey โดยใชกลอง

ระดบเดนคาระดบจากหมดอางองเพอถายคาระดบไปยงรปตดลานาตางๆ โดยระยะในการสารวจรปตดลานาประมาณ 1-4 กโลเมตร ตอ 1 รปตดลานา ทงนพจารณาถงความยากงายในการเขาสารวจพนท และในบางชวงทขนาดรปตดลานาไมเปลยนแปลงมากๆ อาจเวนระยะชวงหางการเกบรปตดลานาใหมาก แตถาบางชวงของรปตดลานามขนาดทเปลยนแปลงมากๆ อาจตองทาการเกบรปตดลานาใหถขน ซงในงานวจยนมการสารวจรปตดลานาทงสน 62 รปตด แสดงใน Figure 6

Figure 6 Position in cross section survey.

2.3.2 การศกษาดวยแบบจาลองคณตศาสตร ศกษาแนวทางการบรรเทาอทกภยของอาเภอชะอวด

จงหวดนครศรธรรมราช ดวยแบบจาลองคณตศาสตรครงนมการใช 2 แบบจาลองคอ แบบจาลอง HEC-RAS สาหรบจาลองสภาพการเกดน าท วมในพ นท และการจ าลองเหตการณ ตามแนวทางการบรรเทาผลกระทบ และใชแบบจาลอง HEC–HMS สาหรบจาลองสภาพนาทาท เกดจากนาฝน และจาลองปรมาณนาทาทรอบปการเกดซาตางๆ เพอเปนขอมลนาเขาของแบบจาลองนาทวม โดยมขนตอนการดาเนนงาน แสดงใน Figure 7

Figure 7 framework

3. ผลการศกษา 3.1 ผลการสอบเทยบและตรวจพสจนแบบจาลอง 3.1.1 ผลการสอบเทยบและตรวจพสจนแบบจาลอง HEC-HMS

จากผลการสอบเทยบและตรวจพสจน ไดคาพารามเตอรทเหมาะสมของแบบจาลองยอยดงแสดงใน (Table 1) และ

Figure 8-9 โดยทาการเปรยบเทยบขอมลปรมาณการไหลทไดจากแบบจาลองกบขอมลจากการตรวจวดจรง พบวาผลการสอบเทยบแบบจาลอง (ป 2548) มคาความคลาดเคลอนสมบรณเฉลย (MAE) เทากบ 8.19 ลบ.ม.ตอวนาท และคาสมประสทธสหสมพนธ (r) เทากบ 0.95 สวนผลการตรวจพสจน (ป 2543) พบวามคาความคลาดเคลอนสมบรณเฉลย (MAE) เท ากบ 6.48 ลบ.ม.ต อวนาท และคาสมประสทธสหสมพนธ (r) เทากบ 0.82

Table 1 Parameters from the model calibration.

Hydrologic Element Parameters Value

Upper MaiSiap Reach Muskingum K (HR) 7.43

Upper MaiSiap Reach Muskingum X 0.12

Upper MaiSiap SB. Baseflow Initial Flow (m3/s) 0.10

Upper MaiSiap SB. Baseflow Threshold Ratio 0.99

Upper MaiSiap SB. Curve Number 60

Upper MaiSiap SB. Initial Abstraction (mm) 29.99

Upper MaiSiap SB. Recession Constant 0.15

Upper MaiSiap SB. Snyder Peaking Coefficient 0.93

Upper MaiSiap SB. Snyder Time to Peak (HR) 34.44

Figure 8 Calibration model at station X.105 in 2005

Figure 9 Validation model at station X.105 in 2000

Figure 4 Main river in the study area

Figure 5 Locations of runoff stations and flood levels reference

Figure 6 Position in cross section survey


268

3.3 การศกษาดวยแบบจำาลองคณตศาสตร ศกษาแนวทางการบรรเทาอทกภยของอำาเภอชะอวด จงหวดนครศรธรรมราช ดวยแบบจำาลองคณตศาสตรครงน มการใช 2 แบบจำาลองคอ แบบจำาลอง HEC-RAS สำาหรบจำาลองสภาพการเกดนำาทวมในพนทและการจำาลองเหตการณตามแนวทางการบรรเทาผลกระทบ และใชแบบจำาลอง HEC–HMS สำาหรบจำาลองสภาพนำาทาทเกดจากนำาฝน และจำาลองปรมาณนำาทาทรอบปการเกดซำาตางๆ เพอเปนขอมลนำาเขาของแบบจำาลองนำาทวม โดยมขนตอนการดำาเนนงาน แสดงใน Figure 7















Figure 7 framework




















Figure 7 framework

















Figure 7 framework

ผลการศกษา 1. ผลการสอบเทยบและตรวจพสจนแบบจำาลอง 1.1 ผลการสอบเทยบและตรวจพสจนแบบ จำาลอง HEC-HMS จากผลการสอบเทยบและตรวจพสจน ไดคาพารามเตอรทเหมาะสมของแบบจำาลองยอยดงแสดงใน (Table 1) และ Figure 8-9 โดยทำาการเปรยบเทยบขอมลปรมาณการไหลทไดจากแบบจำาลองกบขอมลจากการตรวจวดจรง พบวาผลการสอบเทยบแบบจำาลอง (ป 2548) มคาความคลาดเคลอนสมบรณเฉลย (MAE) เทากบ 8.19 ลบ.ม.ตอวนาท และคาสมประสทธสหสมพนธ (r) เทากบ 0.95 สวนผลการตรวจพสจน (ป 2543) พบวามคาความคลาดเคลอนสมบรณเฉลย (MAE) เทากบ 6.48 ลบ.ม.ตอวนาท และคาสมประสทธ สหสมพนธ (r) เทากบ 0.82




Figure 7 framework




















269

1.2 การปรบเทยบและตรวจพสจนแบบจำาลอง HEC-RAS เนองจากพนทศกษาสภาพการเกดนำาทวมครงนไมมสถานวดนำาทาสำาหรบใชเปนคาระดบในการปรบเทยบและตรวจพสจนแบบจำาลอง ดงนนในการศกษาครงนจงเลอกใชคาระดบนำาจากเหตการณนำาทวมทมการบนทกโดยชาวบานในพนทนำาทวม (บรเวณรานเยยมซงตงอยในบรเวณเทศบาลตำาบลชะอวด) มาปรบคาใหอางองตามระดบนำาทะเลปานกลาง ดงแสดงใน Figure 10 โดยในการสอบเทยบใชขอมลระดบ นำาทวมในป พ.ศ.2548 เนองจากเปนปมมระดบนำาทวมสงสดในชวง 10 ปยอนหลง ทำาใหมเหตการณครอบคลมในทกกรณศกษา และเลอกใช พ.ศ.2543 ในการตรวจสอบเนองจากมขอมลทนำาเขาแบบจำาลองคอนขางสมบรณ ผลการสอบเทยบแบบจำาลองพบวาคาสมประสทธความขรขระของแมนนงสำาหรบลำานำาหลกมคาเทากบ 0.03 และมคาเทากบ 0.04 สำาหรบในพนทนำาทวม และผลการวเคราะหการสอบเทยบแบบจำาลองพบวาระดบนำาทไดจากแบบจำาลองในป พ.ศ. 2548 มคาระดบ 3.87 เมตรจากระดบนำาทะเลปานกลาง ซงสอดคลองกบระดบนำาทวมทมการบนทกไว แตกตางกนประมาณ 0.15 เมตร ดงแสดงใน Figure 11 และผลการ ตรวจพสจนพบวา ระดบนำาในป พ.ศ. 2543 จากแบบจำาลองมความเขากนไดดกบระดบนำาทวมทมการบนทกระดบในป ดงกลาวไว โดยมคาความคลาดเคลอนประมาณ 0.23 เมตร ดงแสดงใน Figure 12

2. ผลการจำาลองสภาพนำาทวม จากการประยกตใชแบบจำาลอง HEC–RAS จำาลองสภาพการเกดนำาทวมทรอบปการเกดซำา 2, 5, 10, 25, 50 และ100 พบวาระดบนำามความแตกตางกน ดงแสดงใน Figure 13 ทรอบปการเกดซำา 2 ป ลมนำาคลองนาหมอบญจะเกดนำาทวมบรเวณบานทงไมไผ ตำาบลควนหนองหงษ มระดบนำาทวมประมาณ 0.2 เมตร ถง 1 เมตร และบรเวณบานควนมดตลอดแนวสองขางของลำาคลองจะมระดบนำาทวมประมาณ 0.5 เมตร สวนลมนำาคลองถำาพระจะเกดนำาทวมบรเวณบานเหมองพ ตำาบลควนหนองหงษ มระดบนำาทวมประมาณ 0.3–0.6 เมตร สำาหรบลมนำาคลองลาไมจะเกดนำาทวมบรเวณบานดอนมะปราง ตำาบลทาประจะ มระดบนำาทวมสงประมาณ 0.1 เมตร และลมนำาคลองไมเสยบจะเกดนำาทวมบานหวยแหยง ตำาบลทาประจะ ระดบนำาทวมสงประมาณ 0.5–1.5 เมตร และบรเวณ จดบรรจบของลำานำาทง 4 สาย ในเขตเทศบาลตำาบลชะอวด จะมระดบนำาทวมสงประมาณ 1–2 เมตร

ทรอบการเกดซำา 5 ป พบวาระดบการเกดนำาทวมในเขตเทศบาลตำาบลชะอวดมระดบนำาไมเปลยนแปลงไปจากปรมาณนำาทรอบการเกด 2 ป คอมระดบความสงของนำาประมาณ 1–2 เมตร แตในพนทตอนบนของเขตเทศบาลตำาบลชะอวดระดบนำาและพนทนำาทวมของทง 4 ลมนำายอยมขนาดพนทและระดบสงขนในบางพนทโดยเฉพาะในพนทลมนำาคลองนาหมอบญ ระดบนำาในพนทมระดบสงกวาทรอบบการเกดซำา 2 ป ประมาณ 0.3 เมตร ในสวนลมนำาคลองถำาพระพนทนำาทวมขยายเพมขนไปถงบานมาบครา ทางตอน

3.1.2 การปรบเทยบและตรวจพสจนแบบจาลอง HEC – RAS เนองจากพนทศกษาสภาพการเกดนาทวมครงนไมม

สถานวดนาทาสาหรบใชเปนคาระดบในการปรบเทยบและตรวจพสจนแบบจาลอง ดงนนในการศกษาครงนจงเลอกใชคาระดบนาจากเหตการณนาทวมทมการบนทกโดยชาวบานในพนทนาทวม (บรเวณรานเยยมซงตงอยในบรเวณเทศบาลตาบลชะอวด) มาปรบคาใหอางองตามระดบนาทะเลปานกลาง ดงแสดงใน Figure 10 โดยในการสอบเทยบใชขอมลระดบนาทวมในป พ .ศ.2548 เนองจากเปนปมมระดบนาท วมส งส ดในช วง 10 ป ย อนหล ง ท าให ม เหต ก ารณครอบคลมในทกกรณศกษา และเลอกใช พ.ศ.2543 ในการตรวจสอบเนองจากมขอมลทนาเขาแบบจาลองคอนขางสมบรณ ผลการสอบเทยบแบบจาลองพบวาคาสมประสทธความขรขระของแมนนงสาหรบลานาหลกมคาเทากบ 0.03 และมคาเทากบ 0.04 สาหรบในพนทนาทวม และผลการวเคราะหการสอบเทยบแบบจาลองพบวาระดบนาทไดจากแบบจาลองในปพ .ศ . 2548 มค าระดบ 3.87 เมตรจากระดบนาทะเลปานกลาง ซงสอดคลองกบระดบนาทวมทมการบนทกไว แตกตางกนประมาณ 0.15 เมตร ดงแสดงใน Figure 11 และผลการตรวจพสจนพบวา ระดบน าในป พ.ศ. 2543 จากแบบจาลองมความเขากนไดดกบระดบนาทวมทมการบนทกระดบในป ดงกลาวไว โดยมคาความคลาดเคลอนประมาณ 0.23 เมตร ดงแสดงใน Figure 12

Figure 10 The water level at the reference point is

adjusted according to the mean sea level.

Figure 11 Water level from calibration model in 2005.

Figure 12 Water level from validation model in 2000.

3.2 ผลการจาลองสภาพนาทวม

จากการประยกตใชแบบจาลอง HEC–RAS จาลองสภาพการเกดนาทวมทรอบปการเกดซา 2, 5, 10, 25, 50 และ100 พบวาระดบนามความแตกตางกน ดงแสดงใน Figure 13 ทรอบปการเกดซา 2 ป ลมนาคลองนาหมอบญจะเกดนาทวมบรเวณบานทงไมไผ ตาบลควนหนองหงษ มระดบนาทวมประมาณ 0.2 เมตร ถง 1 เมตร และบรเวณบานควนมดตลอดแนวสองขางของลาคลองจะมระดบนาทวมประมาณ 0.5 เมตร สวนลมนาคลองถาพระจะเกดนาทวมบรเวณบานเหมองพ ตาบลควนหนองหงษ มระดบนาทวมประมาณ 0.3–0.6 เมตร สาหรบลมนาคลองลาไมจะเกดนาทวมบรเวณบานดอนมะปราง ต าบลท าประจะ ม ระดบน าท วมส งประมาณ 0.1 เมตร และลมนาคลองไมเสยบจะเกดนาทวมบานหวยแหยง ตาบลทาประจะ ระดบนาทวมสงประมาณ 0.5–1.5 เมตร และบรเวณจดบรรจบของลานาทง 4 สาย ในเขตเทศบาลตาบลชะอวด จะมระดบนาทวมสงประมาณ 1–2 เมตร

ทรอบการเกดซา 5 ป พบวาระดบการเกดนาทวมในเขตเทศบาลตาบลชะอวดมระดบนาไมเปลยนแปลงไปจากปรมาณนาทรอบการเกด 2 ป คอมระดบความสงของนาประมาณ 1–2 เมตร แตในพนทตอนบนของเขตเทศบาลตาบลชะอวดระดบ

Figure 10 The water level at the reference point is adjusted according to the mean sea level


สถานวดนาทาสาหรบใชเปนคาระดบในการปรบเทยบและตรวจพสจนแบบจาลอง ดงนนในการศกษาครงนจงเลอกใชคาระดบนาจากเหตการณนาทวมทมการบนทกโดยชาวบานในพนทนาทวม (บรเวณรานเยยมซงตงอยในบรเวณเทศบาลตาบลชะอวด) มาปรบคาใหอางองตามระดบนาทะเลปานกลาง ดงแสดงใน Figure 10 โดยในการสอบเทยบใชขอมลระดบนาทวมในป พ .ศ.2548 เนองจากเปนปมมระดบนาท วมส งส ดในช วง 10 ป ย อนหล ง ท าให ม เหต ก ารณครอบคลมในทกกรณศกษา และเลอกใช พ.ศ.2543 ในการตรวจสอบเนองจากมขอมลทนาเขาแบบจาลองคอนขางสมบรณ ผลการสอบเทยบแบบจาลองพบวาคาสมประสทธความขรขระของแมนนงสาหรบลานาหลกมคาเทากบ 0.03 และมคาเทากบ 0.04 สาหรบในพนทนาทวม และผลการวเคราะหการสอบเทยบแบบจาลองพบวาระดบนาทไดจากแบบจาลองในปพ .ศ . 2548 มค าระดบ 3.87 เมตรจากระดบนาทะเลปานกลาง ซงสอดคลองกบระดบนาทวมทมการบนทกไว แตกตางกนประมาณ 0.15 เมตร ดงแสดงใน Figure 11 และผลการตรวจพสจนพบวา ระดบน าในป พ.ศ. 2543 จากแบบจาลองมความเขากนไดดกบระดบนาทวมท มการบนทกระดบในป ดงกลาวไว โดยมคาความคลาดเคลอนประมาณ 0.23 เมตร ดงแสดงใน Figure 12









สถานวดนาทาสาหรบใชเปนคาระดบในการปรบเทยบและตรวจพสจนแบบจาลอง ดงนนในการศกษาครงนจงเลอกใชคาระดบนาจากเหตการณนาทวมทมการบนทกโดยชาวบานในพนทนาทวม (บรเวณรานเยยมซงตงอยในบรเวณเทศบาลตาบลชะอวด) มาปรบคาใหอางองตามระดบนาทะเลปานกลาง ดงแสดงใน Figure 10 โดยในการสอบเทยบใชขอมลระดบนาทวมในป พ .ศ.2548 เนองจากเปนปมมระดบนาท วมส งส ดในช วง 10 ป ย อนหล ง ท าให ม เหต ก ารณครอบคลมในทกกรณศกษา และเลอกใช พ.ศ.2543 ในการตรวจสอบเนองจากมขอมลทนาเขาแบบจาลองคอนขางสมบรณ ผลการสอบเทยบแบบจาลองพบวาคาสมประสทธความขรขระของแมนนงสาหรบลานาหลกมคาเทากบ 0.03 และมคาเทากบ 0.04 สาหรบในพนทนาทวม และผลการวเคราะหการสอบเทยบแบบจาลองพบวาระดบนาทไดจากแบบจาลองในปพ .ศ . 2548 มค าระดบ 3.87 เมตรจากระดบนาทะเลปานกลาง ซงสอดคลองกบระดบนาทวมทมการบนทกไว แตกตางกนประมาณ 0.15 เมตร ดงแสดงใน Figure 11 และผลการตรวจพสจนพบวา ระดบน าในป พ.ศ. 2543 จากแบบจาลองมความเขากนไดดกบระดบนาทวมท มการบนทกระดบในป ดงกลาวไว โดยมคาความคลาดเคลอนประมาณ 0.23 เมตร ดงแสดงใน Figure 12








Figure 11 Water level from calibration model in 2005

Figure 12 Water level from validation model in 2000


270

บนของลมนำา โดยมระดบนำาเพมขนประมาณ 0.1 เมตร สวนลมนำาคลองลาไมระดบนำาทวมขยายมากกวารอบการเกดท 2 ป เชนกน โดยบานวงเคยน มระดบนำาเพมขนประมาณ 0.3 เมตร และพนทลมนำาคลองไมเสยบ จะมพนทนำาทวมขยายขนไปจนถงบานทาไทรและบานไสหาร โดยมระดบนำาทวมเพมขนประมาณ 0.6 เมตร

ซงภาพรวมของการจำาลองสภาพนำาหลากทรอบการเกดซำา 5 ป ถงรอบปการเกด 25 ป แสดงใน Figure 14 พบวาระดบนำาบรเวณเทศบาลตำาบลชะอวดไมมการเปลยนแปลง จะเรมเกดการเปลยนแปลงทรอบการเกดซำาตงแต 50 และ 100 ป โดยมคาระดบนำาทวมสงเฉลยประมาณ 2–3 เมตร

นาและพนทนาทวมของทง 4 ลมนายอยมขนาดพนทและระดบสงขนในบางพนทโดยเฉพาะในพนทลมนาคลองนาหมอบญ ระดบนาในพนทมระดบสงกวาทรอบบการเกดซา 2 ป ประมาณ 0.3 เมตร ในสวนลมนาคลองถาพระพนทนาทวมขยายเพมขนไปถงบานมาบครา ทางตอนบนของลมนา โดยมระดบนาเพมขนประมาณ 0.1 เมตร สวนลมนาคลองลาไมระดบนาทวมขยายมากกวารอบการเกดท 2 ป เชนกน โดยบานวงเคยน มระดบนาเพมขนประมาณ 0.3 เมตร และพนทลมนาคลองไมเสยบ จะมพนทนาทวมขยายขนไปจนถงบานทาไทรและบานไสหาร โดยมระดบนาทวมเพมขนประมาณ 0.6 เมตร

ซงภาพรวมของการจาลองสภาพนาหลากทรอบการเกดซา 5 ป ถงรอบปการเกด 25 ป แสดงใน Figure 14 พบวาระดบนาบรเวณเทศบาลตาบลชะอวดไมมการเปลยนแปลง จะเรมเกดการเปลยนแปลงทรอบการเกดซาตงแต 50 และ 100 ป โดยมคาระดบนาทวมสงเฉลยประมาณ 2–3 เมตร

(a)

(b)

Figure 13 Water levels in the Cha-uat River that are return period (2, 5, 10, 25, 50 and 100 years)

(a) Profile Leveling (b) Cross section

Figure 14 Flood map are a variety of return period

(a) return period 2 year (b) return period 5 year (c) return period 10 year (d) return period 25 year (e) return period 50 year (f) return period 100 year

3.3 การบรรเทาผลกระทบจากการเกดนาทวม

ผลจากแบบจาลองคณตศาสตรพบวาลมนาหรอลานาทมผลกระทบตอระดบนาในเขตชมชนเทศบาลตาบลชะอวด และพนทสวนใหญของลมนาปากพนงตอนบน คอ ลมนาคลองถาพระและลมนาคลองลาไมโดยทงสองลมมปรมาณนาหลากสงสดรวมกนมากกวา 300 ลกบาศกเมตรตอวนาท แตลานาทงสองมประสทธภาพการระบายนาทตากวา ทาใหพนททางผานของลานาจงประสบปญหานาทวม แนวทางการแกไขปญหาหนงคอการตดยอดนาออกจากลานากอนทจะไหลเขาสตวเขตเทศบาลตาบลชะอวด ซงจากสภาพภมประเทศจะมบรเวณจดทเสนลานาไหลเรยบทางรถไฟ และทางรถไฟนจะเปนตวกนนาไมใหนาไหลไปเกบในปาพร ดงนนแนวทางแกปญหาคอตองขยายชองทางระบายนาลอดทางรถไฟน จากเดมมความกวางประมาณ 15 เมตร ซงไมสามารถระบายไดอยางเตมท ดงนนเมอทาการออกแบบเพอขยายชองระบายภายใตสมการท 5



(a)

(b)









(a)

(b)







(a)

(b)


(a) Profile Leveling(b) Cross section

Figure 14 Flood map are a variety of return period(a) return period 2 year (b) return period 5 year (c) return period 10 year (d) return period 25 year(e) return period 50 year (f) return period 100 year

3. การบรรเทาผลกระทบจากการเกดนำาทวม ผลจากแบบจำาลองคณตศาสตรพบวาลมนำาหรอลำานำาทมผลกระทบตอระดบนำาในเขตชมชนเทศบาลตำาบลชะอวด และพนทสวนใหญของลมนำาปากพนงตอนบน คอ ลมนำาคลองถำาพระและลมนำาคลองลาไมโดยทงสองลมมปรมาณนำาหลากสงสดรวมกนมากกวา 300 ลกบาศกเมตรตอวนาท แตลำานำาทงสองมประสทธภาพการระบายนำาทตำากวา ทำาใหพนททางผานของลำานำาจงประสบปญหานำาทวม แนวทางการแกไขปญหาหนงคอการตดยอดนำาออกจากลำานำากอนทจะไหลเขาสตวเขตเทศบาลตำาบลชะอวด ซงจากสภาพภมประเทศจะมบรเวณจดทเสนลำานำาไหลเรยบทางรถไฟ และทางรถไฟนจะเปนตวกนนำาไมใหนำาไหลไปเกบในปาพร ดงนนแนวทางแกปญหาคอตองขยายชองทางระบายนำาลอดทางรถไฟน จากเดมมความกวางประมาณ 15 เมตร ซงไมสามารถระบายไดอยางเตมท ดงนนเมอทำาการออกแบบเพอขยายชองระบายภายใตสมการท 5


271

(5)

เมอ Q = อตราการไหลในทางระบายนำา ( m3/s )

n = สมประสทธความขรขระของทางระบายนำา

A = พนทหนาตดการไหล (m2)

R = รศมชลศาสตร (m)

S = ความลาดของเสนระดบพลงงาน

พบวาขนาดความกวางของทองคลองลอดใตทางรถไฟ (ชองคางคาว) ตองมความกวางอยางนอย 40 เมตร เพอระบายนำาใหไดตามปรมาณนำาทรอบปการเกดซำา 5 ป ดงแสดงตำาแหนงชองทางระบายนำาใน Figure 15

ขอมลทจำาเปนตองใชสำาหรบเปนขอมลนำาเขาแบบจำาลอง พบวา จากลำานำา 4 สาย มเพยงสายนำาเดยวทมสถานวดนำาทา คอสถานวดนำาทาในคลองไมเสยบซงเปนลำาคลองสายหลกของตนแมนำาปากพนง ซงการสรางขอมลนำาทาเพอใชเปนขอมลนำาเขาสำาหรบการจำาลองสภาพนำาทวมจงเปนสงทจำาเปน โดยตองใชแบบจำาลอง HEC-HMS ในการสรางนำาทาจากปรมาณฝนทตกในพนท ซงเมอทำาการสอบเทยบและตรวจพสจนปรมาณนำาทาทไดจากแบบจำาลองปรมาณกบนำาทาจากสถานทมการตรวจวดพบวาใหคาคาสมประสทธสหสมพนธ (r) อยในระดบทนาพอใจ คอมคาอยระหวาง 0.82-0.95 ในสวนของการปรบเทยบแบบจำาลอง HEC-RAS โดยใชคาระดบนำาทบนทกในพนททำาใหไดคาสมประสทธความขรขระของแมนนง สำาหรบลำานำาหลกเทากบ 0.03 และในพนทนำาทวมเทากบ 0.04 และจากการวเคราะหการเกดนำาทวมทรอบปการเกดซำาตางๆ พบวาทรอบปการเกดซำา 2 และ 5 ป ระดบนำาทวมทไดจากแบบจำาลองไมแตกตางกนมากในพนทตอนลางโดยเฉพาะพนทเทศบาลตำาบลชะอวด คออยในชวงความลก 1-2 เมตร สวนพนทตอนบนดานทศตะวนตกของทางหลวงสาย 41 ระดบนำาลกประมาณ 0.30 เมตร โดยระดบนำาในเขตเทศบาลทรอบการเกดซำาท 50 และ 100 ป นำาทวมสงเฉลยประมาณ 2-3 เมตร นอกจากนนแบบจำาลองยงพบวาปรมาณนำาทไหลเขาทวมพนทชมชนหนาแนนของเทศบาลตำาบลชะอวด สวนใหญเปนนำาจาก ลมนำาคลองถำาพระและลมนำาคลองลาไมซงมสภาพเปนคลองขาด โดยสภาพคลองเปนคลองบนทสงและสนสดสภาพคลองบรเวณทงรบนำากอนไหลผานชองระบายของทางรถไฟทมขนาดความกวางไมมากนก ทำาใหเกดการสะสมของนำาในชองทางดงกลาวคอนขางสง จงไดมการการออกแบบขยายชองทางระบายนำา โดยใชขอมลนำาทวมทรอบปการเกดซำา 5 ป พบวาขนาดของชองทางระบายควรมทองคลองกวาง 40 เมตร จะทำาใหระบายนำาจากทงดงกลาวไดปรมาณ 90 ลบ.ม.ตอวนาท จงจะสามารถลดปรมาณนำาทจะไหลเขาทวมในเขตพนทเทศบาลชะอวดได ซงจะเปนการลดงบประมาณของประเทศทตองเสยงบประมาณในการปรบปรงระบบสาธารณปโภคทเสยหาย ไดในอนาคต

กตตกรรมประกาศ ขอขอบคณโครงการความรวมมอเพอพฒนางานวจยเชงพนท (ABC) ระหวาง มหาวทยาลยวลยลกษณ และสำานกงานกองทนสนบสนนการวจย ผสนบสนนทนในการวจยครงน

ARSn

Q 3/22/11 (5)

เมอ Q = อตราการไหลในทางระบายนา ( m3/s ) n = สมประสทธความขรขระของทางระบายนา A = พนทหนาตดการไหล ( m2 ) R = รศมชลศาสตร ( m )


พบวาขนาดความกวางของทองคลองลอดใตทางรถไฟ (ชองคางคาว) ตองมความกวางอยางนอย 40 เมตร เพอระบายน าใหไดตามปรมาณน าท รอบปการเกดซ า 5 ป ดงแสดงตาแหนงชองทางระบายนาใน Figure 15

Figure 15 Location of the drainage canal that extends

the drainage channel (Chong Klangkhaw)

และจากการประยกต ใชแบบจาลองเพ อ ศกษาแนวทางการบรรเทาผลกระทบจากนาทวม โดยการขดขยายชองทางระบายนาลอดทางรถไฟบรเวณชองคางคาว พบวาถาขยายชองลอดใตทางรถไฟใหมขนาดทองคลองกวาง 40 เมตร จะสามารถระบายนาไดประมาณ 90 ลบ.ม.ตอวนาท

4. วจารยและสรปผล ผลการใชแบบจาลองคณตศาสตรเพอจาลองสภาพการ

เกดนาทวมและการทดสอบแนวทางการบรรเทาอทกภยในพนทอาเภอชะอวด จงหวดนครศรธรรมราช โดยจากการตรวจสอบขอมลทจาเปนตองใชสาหรบเปนขอมลนาเขาแบบจาลองพบวา จากลานา 4 สาย มเพยงสายนาเดยวทมสถานวดนาทา คอสถานวดนาทาในคลองไมเสยบซงเปนลาคลองสายหลกของตนแมนาปากพนง ซงการสรางขอมลนาทาเพอใชเปนขอมลนาเขาสาหรบการจาลองสภาพนาทวมจงเปนสงทจาเปน โดยตองใชแบบจาลอง HEC-HMS ในการสรางนาทาจากปรมาณฝนทตกในพนท ซงเมอทาการสอบเทยบและตรวจพสจนปรมาณนาทาทไดจากแบบจาลองปรมาณกบนาทาจากสถานทมการตรวจวดพบวาใหคาคาสมประสทธสหสมพนธ (r) อยในระดบทนาพอใจ คอมคาอยระหวาง 0.82-0.95 ในสวนของการปรบเทยบแบบจาลอง HEC-RAS โดยใชคาระดบนาท บนทกในพนททาใหไดคาสมประสทธความขรขระของแมนน ง สาหรบลาน าหลกเทากบ 0.03 และในพนทนาทวมเทากบ 0.04 และจากการวเคราะหการเกดนาทวมทรอบปการเกดซาตางๆ พบวาทรอบปการเกดซ า 2 และ 5 ป ระดบน าท วมท ได จากแบบจาลองไมแตกตางกนมากในพนทตอนลางโดยเฉพาะพนทเทศบาลตาบลชะอวด คออยในชวงความลก 1-2 เมตร สวนพนทตอนบนดานทศตะวนตกของทางหลวงสาย 41 ระดบนาลกประมาณ 0.30 เมตร โดยระดบนาในเขตเทศบาลทรอบการเกดซาท 50 และ 100 ป นาทวมสงเฉลยประมาณ 2-3 เมตร นอกจากนนแบบจาลองยงพบวาปรมาณนาทไหลเขาทวมพนทชมชนหนาแนนของเทศบาลตาบลชะอวด สวนใหญเปนนาจาก ลมนาคลองถาพระและลมนาคลองลาไมซงมสภาพเปนคลองขาด โดยสภาพคลองเปนคลองบนทสงและสนสดสภาพคลองบรเวณทงรบนากอนไหลผานชองระบายของทางรถไฟทมขนาดความกวางไมมากนก ทาใหเกดการสะสมของนาในชองทางดงกลาวคอนขางสง จงไดมการการออกแบบขยายชองทางระบายนา โดยใชขอมลนาทวมทรอบปการเกดซา 5 ป พบวาขนาดของชองทางระบายควรมทองคลองกวาง 40 เมตร จะทาใหระบายนาจากทงดงกลาวไดปรมาณ 90 ลบ.ม.ตอวนาท จงจะสามารถลดปรมาณนาทจะไหลเขาทวมในเขตพนทเทศบาลชะอวดได ซงจะเปนการลดงบประมาณของประเทศท ตองเสยงบประมาณในการปรบปรงระบบสาธารณปโภคทเสยหาย ไดในอนาคต

ARSn

Q 3/22/11 (5)

เมอ Q = อตราการไหลในทางระบายนา ( m3/s ) n = สมประสทธความขรขระของทางระบายนา A = พนทหนาตดการไหล ( m2 ) R = รศมชลศาสตร ( m )


พบวาขนาดความกวางของทองคลองลอดใตทางรถไฟ (ชองคางคาว) ตองมความกวางอยางนอย 40 เมตร เพอระบายน าใหไดตามปรมาณน าท รอบปการเกดซ า 5 ป ดงแสดงตาแหนงชองทางระบายนาใน Figure 15

Figure 15 Location of the drainage canal that extends

the drainage channel (Chong Klangkhaw)

และจากการประยกต ใชแบบจาลองเพ อ ศกษาแนวทางการบรรเทาผลกระทบจากนาทวม โดยการขดขยายชองทางระบายนาลอดทางรถไฟบรเวณชองคางคาว พบวาถาขยายชองลอดใตทางรถไฟใหมขนาดทองคลองกวาง 40 เมตร จะสามารถระบายนาไดประมาณ 90 ลบ.ม.ตอวนาท

4. วจารยและสรปผล ผลการใชแบบจาลองคณตศาสตรเพอจาลองสภาพการ

เกดนาทวมและการทดสอบแนวทางการบรรเทาอทกภยในพนทอาเภอชะอวด จงหวดนครศรธรรมราช โดยจากการตรวจสอบขอมลทจาเปนตองใชสาหรบเปนขอมลนาเขาแบบจาลองพบวา จากลานา 4 สาย มเพยงสายนาเดยวทมสถานวดนาทา คอสถานวดนาทาในคลองไมเสยบซงเปนลาคลองสายหลกของตนแมนาปากพนง ซงการสรางขอมลนาทาเพอใชเปนขอมลนาเขาสาหรบการจาลองสภาพนาทวมจงเปนสงทจาเปน โดยตองใชแบบจาลอง HEC-HMS ในการสรางนาทาจากปรมาณฝนทตกในพนท ซงเมอทาการสอบเทยบและตรวจพสจนปรมาณนาทาทไดจากแบบจาลองปรมาณกบนาทาจากสถานทมการตรวจวดพบวาใหคาคาสมประสทธสหสมพนธ (r) อยในระดบทนาพอใจ คอมคาอยระหวาง 0.82-0.95 ในสวนของการปรบเทยบแบบจาลอง HEC-RAS โดยใชคาระดบนาท บนทกในพนททาใหไดคาสมประสทธความขรขระของแมนน ง สาหรบลาน าหลกเทากบ 0.03 และในพนทนาทวมเทากบ 0.04 และจากการวเคราะหการเกดนาทวมทรอบปการเกดซาตางๆ พบวาทรอบปการเกดซ า 2 และ 5 ป ระดบน าท วมท ได จากแบบจาลองไมแตกตางกนมากในพนทตอนลางโดยเฉพาะพนทเทศบาลตาบลชะอวด คออยในชวงความลก 1-2 เมตร สวนพนทตอนบนดานทศตะวนตกของทางหลวงสาย 41 ระดบนาลกประมาณ 0.30 เมตร โดยระดบนาในเขตเทศบาลทรอบการเกดซาท 50 และ 100 ป นาทวมสงเฉลยประมาณ 2-3 เมตร นอกจากนนแบบจาลองยงพบวาปรมาณนาทไหลเขาทวมพนทชมชนหนาแนนของเทศบาลตาบลชะอวด สวนใหญเปนนาจาก ลมนาคลองถาพระและลมนาคลองลาไมซงมสภาพเปนคลองขาด โดยสภาพคลองเปนคลองบนทสงและสนสดสภาพคลองบรเวณทงรบนากอนไหลผานชองระบายของทางรถไฟทมขนาดความกวางไมมากนก ทาใหเกดการสะสมของนาในชองทางดงกลาวคอนขางสง จงไดมการการออกแบบขยายชองทางระบายนา โดยใชขอมลนาทวมทรอบปการเกดซา 5 ป พบวาขนาดของชองทางระบายควรมทองคลองกวาง 40 เมตร จะทาใหระบายนาจากทงดงกลาวไดปรมาณ 90 ลบ.ม.ตอวนาท จงจะสามารถลดปรมาณนาทจะไหลเขาทวมในเขตพนทเทศบาลชะอวดได ซงจะเปนการลดงบประมาณของประเทศท ตองเสยงบประมาณในการปรบปรงระบบสาธารณปโภคทเสยหาย ไดในอนาคต

Figure 15 Location of the drainage canal that extends the drainage channel (Chong Klangkhaw)

และจากการประยกตใชแบบจำาลองเพอศกษาแนวทางการบรรเทาผลกระทบจากนำาทวม โดยการขดขยายชองทางระบายนำาลอดทางรถไฟบรเวณชองคางคาว พบวาถาขยายชองลอดใตทางรถไฟใหมขนาดทองคลองกวาง 40 เมตร จะสามารถระบายนำาไดประมาณ 90 ลบ.ม.ตอวนาท

วจารณและสรปผล ผลการใชแบบจำาลองคณตศาสตรเพอจำาลองสภาพการเกดนำาทวมและการทดสอบแนวทางการบรรเทาอทกภยในพนทอำาเภอชะอวด จงหวดนครศรธรรมราช โดยจากการตรวจสอบ


272

เอกสารอางอง1. พงศธร เพยรพทกษ, พงศธร เพยรพทกษ, ธญภค

พงษสรพพฒน และบณฑต อนรกษ. (2550). การศกษาพนทเสยงตอการเกดนำาทวมและดนถลมของประเทศไทย. การประชมทางวชาการของมหาวทยาลยเกษตรศาสตร ครงท 45: สาขาสถาปตยกรรมศาสตรและวศวกรรมศาสตร สาขาทรพยากรธรรมชาตและ สงแวดลอม, หนา 714-721

2. ปรยาพร โกษา. (2558). การประเมนพนทเสยงภยนำาทวมดวยแบบจำาลอง MIKE FLOOD. รายงานการวจยงบประมาณอดหนนการวจยจากมหาวทยาลยเทคโนโลย สรนาร ปงบประมาณ 2558.

3. ศรศกด ผลานสงค. (2559). การวเคราะหเชงพนทในการลดความเสยงนำาทวม ในเขตพนทลมนำานานตอนบน จงหวดนาน. การคนควาอสระวศวกรรมศาสตรมหาบณฑต สาขาวชาวศวกรรมและการบรหารการกอสราง บณฑตวทยาลย มหาวทยาลยเชยงใหม.

4. ลขต นอยจายสน. (2559). การประยกตระบบสารสนเทศทางภมศาสตรเพอประเมนพนทเสยงภยนำาทวมในจงหวดสระแกว. วารสารวทยาศาสตรบรพา. ปท 21, ฉบบท 1 (ม.ค.-เม.ย. 2559), หนา 51-63.

5. ประเสรฐ มหากจ. (2552). การเตอนภยนำาทวมชมชนเมองนครศรธรรมราชดวยวธนวโรเจเนตก. การคนควาอสระวศวกรรมศาสตรมหาบณฑต สาขาวศวกรรมทรพยากรนำา บณฑตวทยาลย มหาวทยาลยเกษตรศาสตร.

6. เกษม ไกรสกาจ. (2548). การศกษาสภาพอทกวทยาของลมนำานานโดยใชแบบจำาลองคณตศาสตร HEC-HMS. วทยานพนธวศวกรรมศาสตรมหาบณฑต หลกสตรวศวกรรมทรพยากรนำา คณะวศวกรรมศาสตร มหาวทยาลยเกษตรศาสตร.

7. วรายา สกแสงฉาย. (2557). การศกษาการเปลยนแปลงคาพารามเตอรนำาฝน-นำาทาของแบบจำาลองคณตศาสตร HEC-HMS ในลมนำาภาคตะวนออก. วทยานพนธวศวกรรมศาสตรมหาบณฑต หลกสตรวศวกรรม ทรพยากรนำา คณะวศวกรรมศาสตร มหาวทยาลยเกษตรศาสตร.

8. พฒนศกด แสนมาตย (2550). การศกษาคณลกษณะ ทางอทกวทยาของลมนำายม โดยใชแบบจำาลองทางคณตศาสตร HEC-HMS. วทยานพนธวศวกรรมศาสตร มหาบณฑต หลกสตรวศวกรรมทรพยากรนำา คณะวศวกรรมศาสตร มหาวทยาลยเกษตรศาสตร.

9. Nareth Nut. (2013). Determination of flooding on Nam Pong River by HEC-RAS. A THESIS FOR THE DE-GREE OF MASTER OF ENGINEERING KHON KAEN UNIVERSITY.

10. สดารตน ภรมย. (2554). การจำาลองสภาพนำาทวมดวยแบบจำาลอง HEC-RAS และระบบสารสนเทศทางภมศาสตรเพอบรรเทาอทกภยในแมนำาเจาพระยาตอนลางโดยใชแกมลง. วทยานพนธวทยาศาสตรมหาบณฑต สาขาวชาวทยาศาสตรสงแวดลอม ภาควชาวทยาศาสตรสงแวดลอม บณฑตวทยาลย มหาวทยาลยศลปากร.

11. US Army Crops of Engineers Hydrologic Engineering Center. (2000). Hydrologic Modeling System HEC-HMS Technical Reference Manual. Approved for Public Release. Distribution Unlimited.

12. US Army Corps of Engineers Hydrologic Engineering Center. (2016). HEC-RAS River Analysis System Hydraulic Reference Manual Version 5.0. Approved for Public Release. Distribution Unlimited.

ปจจยทเหมาะสมของอณหภมและเวลาการอบเพมคารบอนทมตอสมบตเชงกลของมดโต ทชบแขงในกระบวนการแพกคารเบอไรซงโดยใชกระดกววเปนสารเรงปฏกรยาOptimization of Carburizing Temperature and Time on Mechanical Properties of Hardening the Big Knives in Pack Carburizing Process by Using Cow Bone as an Energizer

ณรงคศกด ธรรมโชต1, สมบต นอยมง1*, ศกดสทธ ศรสข2, วรรณา หอมจะบก1, อมรศกด มาใหญ1, จารพงษ บรรเทา1

Narongsak Thammachot1, Sombut Noyming1*, Saksit Srisuk2, Wanna Homjabok1, Amornsak Mayai1, Jarupong Banthao1

Received: 25 July 2019 ; Revised: 20 August 2019 ; Accepted: 18 September 2019

บทคดยอ งานวจยนมวตถประสงคเพอศกษาปจจยทเหมาะสมของอณหภมและเวลาการอบเพมคารบอนทมผลตอสมบตเชงกลของมดโตทชบแขงดวยกระบวนการแพกคารเบอไรซงโดยใชกระดกววเปนสารเรงปฏกรยา สมบตเชงกลของมดโตประกอบดวยคาความแขงและความตานทานแรงกระแทกทนำามาเปรยบเทยบเปนคาทไดจากมดโตทตขนรปและชบแขงจากชมชนตมด โดยมคาความแขงเฉลย 607.0 HV คาความตานทานแรงกระแทกเฉลย 14.0 Joules การทดลองชบแขงมดโตดวยกระบวนการแพกคารเบอไรซงใชเหลกกลาคารบอนตำาตขนรปใหมรปทรงเดยวกบมดโตของชมชน สารเพมคารบอนประกอบดวยผงถานไมยคาลปตสสดสวน 80% ผสมกบผงกระดกววสดสวน 20% โดยนำาหนก การวเคราะหผลการทดลองอบชบทางความรอนใชหลกการออกแบบการทดลอง (DOE) และวเคราะหปจจยทเหมาะสมตามหลกการทางสถต ปจจยในการศกษาแบงออกเปน 2 ปจจย โดยปจจยแรก คอ อณหภมอบเพมคารบอนมอย 3 ระดบ ไดแก 960, 980 และ 1,000 องศาเซลเซยส ปจจยทสอง คอ เวลาอบเพมคารบอนมอย 3 ระดบ ไดแก 60, 90 และ 120 นาท การทดลองอบเพมคารบอนทำาตามระดบปจจยทกำาหนด จากนนนำาชนทดสอบไปทำาการชบแขงดวยอณหภมออสเทไนท 780 องศาเซลเซยส ใชเวลาอบแช 15 นาทจมชบในนำา แลวนำาไปทำาเทมเพอรทอณหภม 180 องศาเซลเซยส เปนเวลา 60 นาท ผลจากการวเคราะห พบวา ปจจยทเหมาะสมของอณหภมอบเพมคารบอน คอ 1,000 องศาเซลเซยส เวลาในการอบเพมคารบอน คอ 120 นาท โดยไดคาความแขงเฉลย 604.0 HV และคาความตานทานแรงกระแทกเฉลยตำาสด 9.13 Joules ผลของการชบแขงเพอยนยนผลโดยใชอณหภมและเวลาอบเพมคารบอนทไดจากการวเคราะหปจจยทเหมาะสม ไดคาความแขงเฉลย 605.2 HV และคาความตานทานแรงกระแทกเฉลย 17.6 Joules ซงเปนคาทอยในขอบเขตของสมบตเชงกลของมดทตและชบแขงจากชมชนตมด

คำาสำาคญ: กระบวนการแพกคารเบอไรซง อณหภมอบเพมคารบอน เวลาอบเพมคารบอน มดโต กระดกวว

AbstractThe objective this research is to study the optimization of the factors between carburizing temperature and time that effect the mechanical properties of the hardened big knives in pack carburizing process. The mechanical properties were hardness and impact values. These were used for comparison with the experimental values and delivered from

1 หนวยวจยโลหวทยาและการอบชบความรอนโลหะ, คณะวศวกรรมศาสตรและสถาปตยกรรมศาสตร, มหาวทยาลยเทคโนโลยราชมงคลอสาน จงหวดนครราชสมา 300002 นกศกษาปรญญาโท, สาขาวศวกรรมอตสาหการ, คณะวศวกรรมศาสตรและสถาปตยกรรมศาสตร, มหาวทยาลยเทคโนโลยราชมงคลอสาน จงหวดนครราชสมา 300001 Metallurgy and Heat Treatment of Metals Research Unit, Faculty of Engineering and Architecture, Rajamangala University of Technology Isan, Nakhonratchasima, 300002 Master degree student, Industrial Engineering Department, Faculty of Engineering and Architecture, Rajamangala University of Technology Isan, Nakhonratchasima, 30000* Corresponding author ; Sombut Noyming, Faculty of Engineering and Architecture, Rajamangala University of Technology Isan, Nakhon Ratchasima, 30000, Thailand. *E-mail: [email protected], 081-2654795

J Sci Technol MSUNarongsak Thammachot, Sombut Noyming, Saksit Srisuk, Wanna Homjabok, Amornsak Mayai, Jarupong Banthao

274

the big knives forged and hardened by knives forging community. The average hardness value was 607.0 HV and the average impact value was 14.0 Joules. The experiment was conducted by forging the big knives made from low carbon steel with the same shape as community big knives. The pack carburizing compound used eucalyptus wood charcoal powder as carburizer with the proportion of 80% and cow bone powder as energizer with the proportion of 20% by weight. The principle of Design of Experiment (DOE) was used to design the experimental and analyze the optimization by statistics. There were two factors in this study such as carburizing temperature and carburizing time. The carburizing temperature consists of three levels ; at 960, 980 and 1,000 °C, and also, the carburizing time consists of three levels such as 60, 90 and 120 minutes. After carburizing, the knives were then austenitized at 780 °C for 15 minutes and quenched in water. After quenched, the knives were tempered 180 °C for 60 minutes. The analyzed results showed that the optimization of the carburizing temperature was 1,000 °C and the optimization of the carburizing time was 120 minutes. Those of them gave the average hardness of 604.0 HV and the minimum average impact value of 9.13 Joules. The optimum values of carburizing temperature and time were used for verifies. The result of average hardness was 605.2 HV and the average impact value was 17.6 Joules, which coincided with the hardness of the community big knives.

Keywords: Pack carburizing process, Carburizing temperature, Carburizing time, Big knives, Cow bone

บทนำาประเทศไทยมประชากรประกอบอาชพเกษตรกรรมจำานวน 11.89 ลานคน1 โดยอาชพเกษตรกรรมสวนใหญ ไดแก การ ทำานาขาว การทำาสวน การทำาไร และการเลยงสตว เปนตน เครองมอประจำาตวของเกษตรกรทใชสวนมาก ไดแก มดทางการเกษตร ซงเปนเครองมอพนฐานทสามารถนำามาใชงานไดอยางเอนกประสงค มดทางการเกษตรทนำามาใชงาน เปนมดทผลตขนจากชมชนตมด โดยการใชเหลกกลาคารบอนปานกลาง เหลกกลาคารบอนสง หรอเหลกกลาผสม เชน เหลกแหนบ มาทำาการตขนรปและชบแขงเพอใชงาน จากการศกษาขอมลวสาหกจชมชนกลมตมดบานมะคา จงหวดนครราชสมา พบวาเหลกทนำามาใชตขนรปมดโต ไดแก เหลกใบเลอย และเหลกแหนบของรถยนต ซงปจจบนเหลกทงสองชนดน มราคาสง หาซอไดยากขน หากสามารถประยกตใชเหลกกลาคารบอนตำาทหาซอไดตามทองตลาดและมราคาทถก นำามา ชบแขงดวยกระบวนการแพกคารเบอไรซง ซงเปนการปรบปรงสมบตของเหลกกลาคารบอนตำาใหมความแขงทผว เพมขน วธการชบแขงแบบน มตนทนในการทำางานตำา สามารถ ใชวสดเพมคารบอนไดงาย หลกการของวธการนอาศยการเพมคารบอนเขาไปทบรเวณผวของเหลกกลาคารบอนตำา โดยคารบอนทไดมาจากถานโคกหรอถานไมทบดเปนผง นำามาผสมกบสารเรงปฏกรยาเพอชวยใหเกดการแตกตวของคารบอน2,3 เมอสารเพมคารบอนถกความรอนจะเกดการแตกตวใหแกส CO

2 และเมอ CO

2 รวมตวเขากบคารบอนทไดจากผงถาน

ทำาใหไดแกส CO เมอแกส CO สมผสกบผวเหลกทำาใหเกดการแตกตวของอะตอมของคารบอนแพรเขาไปในเนอเหลกทำาใหปรมาณคารบอนทผวของเหลกเพมขนดงปฏกรยา

3Fe + 2CO → 3Fe + C(สารละลายใน γ)

+ CO2

จากการศกษางานวจยของณรงคศกด ธรรมโชต และคณะ4 ไดศกษาประสทธภาพของสารเพม คารบอนจาก ถานไมชนดตางๆ ในการแพกคารเบอไร ซง ไดแก ถานไม ยคาลปตส ถานกะลามะพราว ถาน ไมมะขาม ถานไมไผ และถานเหงามนสำาปะหลง พบวา ถานไมยคาลปตสมประสทธภาพในการเพมคารบอนสงทสด ในขณะเดยวกนงานวจยทศกษาการใชสารแพกคารเบอไรซงโดยใชสารเพมคารบอนทเปนถานไมเพยงอยางเดยวกบสารแพกคารเบอไรซง ทผสมกนระหวางสารเพมคารบอนทเปนถานกบสารเรง ปฏกรยา5 พบวา การใชสารเพมคารบอนทเปนถานเพยง อยางเดยว สงผลใหปรมาณคารบอนแพรเขาสผวเหลกได นอยกวาการใชสารเพมคารบอนทเปนถาน ผสมกบสารเรงปฏกรยา ดงนน สารเรงปฏกรยาจงถอวาเปนตวชวยสำาคญททำาใหคารบอนแพรเขาสผวเหลกไดดยงขน โดยสารเรงปฏกรยาทนยมใชทวไปมหลายชนด ทงสารสงเคราะหและสารจากธรรมชาต จากการศกษางานวจยของณรงคศกด ธรรมโชต และคณะ6 ไดศกษาประสทธภาพของสารเรงปฏกรยาเกรดทางการคาชนดตางๆ ในกระบวนการแพกคารเบอไรซง โดยสารเรงปฏกรยาประกอบไปดวยแคลเซยม คารบอเนต (CaCO

3) โซเดยมคารบอเนต (Na

2CO

3) และ

แบเรยมคารบอเนต (BaCO3) ผลจากการศกษาทำา ใหทราบวา

แคลเซยมคารบอเนตมประสทธภาพในการ ชบแขงดวย กระบวนการแพกคารเบอไรซงไดสงทสด สารแคลเซยม คารบอเนตมอยในวสดจากธรรมชาต ไมวาจะเปนหนปน

Vol 39. No 3, May-June 2020 Optimization of Carburizing Temperature and Time on Mechanical Properties of Hardening the Big Knives in Pack Carburizing Process...

275

เปลอกหอย หรอกระดกสตว ดงนน วสดธรรมชาตจงมโอกาสทจะนำามาใชเปนสารเรง ปฏกรยาไดมนกวจยไดทำาศกษาโดย การนำากระดกปน มาใชเปนสารเรงปฏกรยา7 และพบวา สารเรง ปฏกรยาจากกระดกปนสามารถนำามาใชเปนสารเรง ปฏกรยาในกระบวนการแพกคารเบอไรซงได

ในขณะเดยวกน มนกวจยไดทำาการศกษาปจจย ทมผลกระทบตอการชบผวแขงของเหลกกลาดวยวธการ แพกคารเบอไรซง8 โดยวตถประสงคของการศกษา เพอ ลดตนทนของสารแพกคารเบอไรซงทนำาเขาจาก ตางประเทศจงไดทำาการศกษาเปอรเซนตของสารเคม ของกลมคารบอเนต เปอรเซนตของถานไม อณหภมคารเบอไรซงและเวลาในการอบแชของแตละปจจย ผลการทดลองพบวา ปจจยทสงผล ต อค าความแขงและความลกผวแขงอย างมนยสำาคญ คอ เปอรเซนตสารเคมของกล มคารบอเนตและอณหภม คารเบอไรซง สวนปจจยทมผลตอความลกผวแขง คอ เวลา อบแช โดยรปแบบของสมการถดถอยสามารถกำาหนดระดบ ปจจยทเหมาะสมของสวนผสมสารแพกคารเบอไรซง ในขณะเดยวกนมนกวจยไดนำากระบวนการแพกคาร เบอไรซง มาประยกตใชในการชบแขงมด9 โดยศกษา ปจจยทเกยวของ ตอสมบตเชงกลของมดทชบแขงดวย กระบวนการแพกคารเบอไรซง ซงประกอบไปดวย ชนดของสารเรงปฏกรยา อณหภมและเวลาในการอบเพมคารบอน และทำาใหทราบผลการศกษาวา ปจจยทงสามอยางมผลตอสมบตเชงกล ในกรณของการหาพารามเตอรทเหมาะสม งานวจยของสภทรวทย ศรนอก และคณะ10 ทำาการศกษาพารามเตอรทเหมาะสมในกระบวนการแพกคารเบอไรซง โดยใชสารเรงปฏกรยาจากผงหนปนสำาหรบการชบแขงมดตดออยทมความบาง โดยใชการวเคราะหทางสถตและการออกแบบการทดลองหาเพอหาพารามเตอรทสงผลตอคาความแขงและระยะลกของความแขง ผลการทดลองทำาใหทราบวา พารามเตอรทเหมาะสมประกอบไปดวยอณหภมอบเพมคารบอนท 900 องศาเซลเซยส และเวลาในการอบเพมคารบอน 86.729 นาท จะใหคาความแขงไมนอยกวามดตดออยทจำาหนายตามทองตลาด

จากการศกษางานวจยขางตนทำาใหทราบวาการ ออกแบบการทดลองและการวเคราะหทางสถตนน สามารถหาคาปจจยทเหมาะสมทใชในการชบแขงมด ดวยกระบวนการแพกคารเบอไรซงได ดงนน งานวจยนจงมวตถประสงคเพอศกษาปจจยทเหมาะสมระหวาง อณหภมและเวลาการอบเพมคารบอนทมผลตอสมบต เชงกลของมดโตทผานการ ชบแขงดวยกระบวนการ แพกคารเบอไรซงโดยใชผงถานไม ยคาลปตสเปนสาร เพมคารบอนผสมกบสารเรงปฏกรยาจาก ผงกระดกวว ซงผลทไดจากงานวจยนสามารถใชเปนทางเลอกในการนำาวสดทหาซอไดงายในชมชนมาสรางเปนมดทางการเกษตรได

วสด อปกรณและวธการศกษา วสด - เหลกกลาคารบอนตำาปรมาณคารบอนไมเกน 0.2%

- กระดกวว

- ถานไมยคาลปตส

- มดโตของชมชนทผานการตขนรปและชบแขง ดงแสดงใน Figure 1

วสด อปกรณและวธการศกษา วสด - เหลกกลาคารบอนตาปรมาณคารบอนไมเกน 0.2% - กระดกวว - ถานไมยคาลปตส - มดโตของชมชนทผานการตขนรปและชบแขงดง

แสดงในรปท 1

Figure 1 Shape of community big knife

อปกรณ - เตาอบชบความรอนแบบขดลวดความตานทาน ยหอ MODUTEMP รน WW51A - เค รองทดสอบแรงกระแทก ยห อ Leeds รน LS102DE - เครองทดสอบความแขงแบบไมโครวกเกอรส ยหอ Mitsuzawa รน MHT2 - กลองจลทรรศนแบบแสง ยหอ OLYMPUS รน BX 60 M - เครอง Spectrometer ยหอ Spectro Max รน MAX x LMF 05 วธการศกษา การเตรยมมดโต มด โตท ใช ส าห รบ นาม าท าการช บแ ข งด วย

กระบวนการแพกคารเบอไรซง เตรยมโดยการนาเหลกกลาคารบอนตาทมลกษณะแบนมาตขนรปใหมรปรางและขนาดเชนเดยวกบมดโตชมชน ดงแสดงในรปท 2 จากนน การทดลองชบแขงดวยกระบวนแพกคารเบอไรซงจะตดเฉพาะสวนทเปนตวมดทถกใชงาน คอ สวนท 1 มาทาการทดลอง ภายหลงการอบชบแลว ชนทดสอบทจะทาการทดสอบความแขงจะตดจากสวนท 2 และชนทดสอบทจะทาการทดสอบการรบแรงกระแทกจะตดจากสวนท 3

Figure 2 The big knife made of low carbon steel and positions for test pieces

การตรวจสอบสวนผสมทางเคม เหลกกลาคารบอนตาทใชในการตขนรปมดโต จะ

ถกนามาทาการตรวจสอบสวนผสมทางเคมดวยเครองสเปกโทรมเตอรเพอใหทราบปรมาณคารบอนและธาตผสมอน ๆ ในเนอเหลก

การเตรยมสารแพกคารเบอไรซง สารแพกคารเบอไรซงทใชทาการทดลองประกอบ

ไปดวยสารเพมคารบอนจะใชถานไมยคาลปตส สวนสารเรงปฏกรยาใชกระดกวว ซงมองคประกอบสารแคลเซยมคารบอเนตอย 36% [11] การเตรยมสารแพกคารเบอไรซง ทาโดยการนากอนถานไมยคาลปตส ดงแสดงใน รปท 3 (a) มาบดแลวรอนดวยตะแกรงทมขนาดรตะแกรง 5.00 มลลเมตร โดยผงถานท รอนแลว แสดง ใน รปท 3 (b) ส วนสารเรงปฏกรยากระดกววเตรยมโดยนากระดกมาตมเพอใหไขมนทกระดกหลดออกมา จากนนนามาตากใหแหง นามาบดแลวรอนดวยตะแกรงขนาดร 2.00 มลลเมตร ผงของกระดกววทผานการรอนแลวดงแสดงในรปท 3 (c) ภายหลงจากการเตรยมผงเสรจแลวจงนาผงถานและผงกระดกววมาผสมกนในสดสวนผงถานไม 80% และผงกระดกวว 20% โดยนาหนก

(a) (b)

(c)

Figure 3 (a) Piece of eucalyptus wood charcoal (b) Eucalyptus wood charcoal powder

(c) Cow bone powder











(a) (b)

(c)


(c) Cow bone powder

อปกรณ - เตาอบชบความรอนแบบขดลวดความตานทาน ยหอ MODUTEMP รน WW51A

- เครองทดสอบแรงกระแทก ยหอ Leeds รน LS102DE

- เครองทดสอบความแขงแบบไมโครวกเกอรส ยหอ Mitsuzawa รน MHT2

- กลองจลทรรศนแบบแสง ยหอ OLYMPUS รน BX 60 M

- เครอง Spectrometer ยหอ Spectro Max รน MAXxLMF05

วธการศกษา ๏ การเตรยมมดโต

มด โต ท ใช สำ าหรบนำ ามาทำ าการชบแ ขงด วย กระบวนการแพกคารเบอไรซง เตรยมโดยการนำาเหลกกลาคารบอนตำาทมลกษณะแบนมาตขนรปใหมรปรางและขนาดเชนเดยวกบมดโตชมชน ดงแสดงใน Figure 2 จากนน การทดลองชบแขงดวยกระบวนแพกคารเบอไรซงจะตดเฉพาะ สวนทเปนตวมดทถกใชงาน คอ สวนท 1 มาทำาการทดลอง ภายหลงการอบชบแลว ชนทดสอบทจะทำาการทดสอบ ความแขงจะตดจากสวนท 2 และชนทดสอบทจะทำาการทดสอบการรบแรง กระแทกจะตดจากสวนท 3




276

๏ การตรวจสอบสวนผสมทางเคม

เหลกกลาคารบอนตำาทใชในการตขนรปมดโตจะถก นำามาทำาการตรวจสอบสวนผสมทางเคมดวยเครองสเปกโทรมเตอรเพอใหทราบปรมาณคารบอนและธาตผสมอนๆ ในเนอเหลก

๏ การเตรยมสารแพกคารเบอไรซง

สารแพกคารเบอไรซงทใชทำาการทดลองประกอบไปดวยสารเพมคารบอนจะใชถานไมยคาลปตส สวนสารเรงปฏกรยาใชกระดกวว ซงมองคประกอบสารแคลเซยม คารบอเนตอย 36%11 การเตรยมสารแพกคารเบอไรซง ทำาโดยการนำากอนถานไมยคาลปตส ดงแสดงใน Figure 3 (a) มาบดแลวรอนดวยตะแกรงทมขนาดรตะแกรง 5.00 มลลเมตร โดยผงถานทรอนแลว แสดงใน Figure 3 (b) สวนสารเรงปฏกรยากระดกววเตรยมโดยนำากระดกมาตมเพอใหไขมนทกระดกหลดออกมา จากนนนำามาตากใหแหง นำามาบดแลวรอนดวยตะแกรงขนาดร 2.00 มลลเมตร ผงของกระดกววทผาน การรอนแลวดงแสดงใน Figure 3 (c) ภายหลงจากการเตรยมผงเสรจแลวจงนำาผงถานและผงกระดกววมาผสมกนในสดสวนผงถานไม 80% และผงกระดกวว 20% โดยนำาหนก

ขนตอนถดไปเปนขนตอนการอบชบ ซงมลำาดบ ขนตอนการใหความรอนและการเยนตวแสดงดงแผนภาพใน Figure 5 การทดลองทำาโดยนำากระบอก เหลกทบรรจชนงานทดสอบและสารแพกคารเบอไรซง แลวไปอบเพมคารบอน ทอณหภม 960, 980 และ 1,000 องศาเซลเซยส การเลอกอณหภมในชวงนใชผลการทดลองในการชบแขงมดโตของ Narongsak Thammachot et al9. ทไดผลการชบแขงทดในชวงอณหภม 950-1,000 องศาเซลเซยส สวนเวลาอบ เพมคารบอนใช 60, 90 และ 120 นาท ตามลำาดบ จากนนนำากระบอกเหลกออกมาจากเตาแลวปลอยใหเยนตวในอากาศ แลวนำาชนทดสอบมาทำาการชบแขงทอณหภมออสเทไนต 780 องศาเซลเซยส เวลา 15 นาท แลวนำามาจมชบในนำาทนท จากนนทำาการอบเทมเพอรทอณหภม 180 องศาเซลเซยส เวลา 60 นาท ปลอยใหเยนตวในอากาศ

การแพกคารเบอไรซงและการชบแขง มดโตท ถกตขนรปจากเหลกกลาคารบอนตาตาม

ขนาดและรปรางของมดทางชมชน จะถกนามาตดบรเวณทถกใชงาน จากนนทาการบรรจสารแพกคารเบอไรซงทผสมเสรจแลวลงในกระบอกเหลกกลาแลวนาชนทดสอบทเตรยมไวใสเขาไปในกระบอก ดงแสดงในรปท 4 (a) จากนนเตมสารแพกคารเบอไรซงใหเตม ปดดวยฝาเหลกแลวใชดนเหนยวปดทบเพอกนการรวซมของแกส ดงแสดงในรปท 4 (b)

(a) (b) Figure 4 (a) A part of the big knife embedded in a

carburizing box (b) The lid of the carburizing box was sealed using clay

ขนตอนถดไปเปนขนตอนการอบชบ ซงมลาดบ

ขนตอนการใหความรอนและการเยนตวแสดงดงแผนภาพในรปท 5 การทดลองทาโดยนากระบอกเหลกทบรรจชนงานทดสอบและสารแพกคารเบอไรซงแลวไปอบเพมคารบอนทอณหภม 960, 980 และ 1,000 องศาเซลเซยส การเลอกอณหภมในชวงนใชผลการทดลองในการชบแขงมด โต ของ Narongsak Thammachot et al. [9] ทไดผลการชบแขงทดในชวงอณหภม 950 – 1,000 องศาเซลเซยส สวนเวลาอบเพมคารบอนใช 60, 90 และ 120 นาท ตามลาดบ จากนนนากระบอกเหลกออกมาจากเตาแลวปลอยใหเยนตวในอากาศ แลวนาชนทดสอบมาทาการชบแขงทอณหภมออสเทไนต 780 องศาเซลเซยส เวลา 15 นาท แลวนามาจมชบในนาทนท จากนนทาการอบเทมเพอรท อณหภม 180 องศาเซลเซยส เวลา 60 นาท ปลอยใหเยนตวในอากาศ

Figure 5 Time-temperature sequence for experiment

การออกแบบการทดลอง เพอหาปจจยทมผลตอสมบตเชงกลของมดทชบ

แขงดวยกระบวนการแพกคารเบอไรซง โดยใหมความสอดคล องตามหลกการทางสถ ต จง น าหล กการออกแบบการทดลองในรปแบบของ Full factorial design มาใช โดยกาหนดให คาความแขงเปนผลคาตอบหลกของการทดลอง เพราะคาความแขงเปนองคประกอบทนามาพจารณาคณภาพของมดภายหลงการชบแขง ปจจยทใชในการศกษามอย 2 ปจจย ดงแสดงในตารางท 1 ประกอบไปดวย ปจจยแรก คอ อณหภมอบเพมคารบอน และปจจยทสอง คอ เวลาอบเพมคารบอน

Table 1 Parameters and notations

Factors

Level

Unit Low (-1)

Medium(0)

High (+1)

Temperature (A) 960 980 1,000 °C

Time (B) 60 90 120 minutes

จากปจจยในการทดลองทมอย 2 ปจจย ในแตละ

ปจจยมอย 3 ระดบ จากการออกแบบการทดลองแบบ Full factorial design จะไดจานวนครงในการทดลองเทากบ 9 ครง และเพอให เกดความนาเชอถอของขอมลในทกปจจยจงมการทดลองซา 5 ครง จงทาใหมการทดลองทงหมดเทากบ 45 การทดลอง โดยการท ดล องจะ ใช ก ารจด ล า ดบ แบบ ส ม เ พ อลดค าความคลาดเคลอนทอาจเกดจากปจจยทควบคมไมไดดงแสดงในตารางท 2











(a) (b)

(c)


(c) Cow bone powder

Figure 3 (a) Piece of eucalyptus wood charcoal (b) Eucalyptus wood charcoal powder (c) Cow bone powder

Figure 5 Time-temperature sequence for experiment ๏ การแพกคารเบอไรซงและการชบแขง

มดโตทถกตขนรปจากเหลกกลาคารบอนตำาตาม ขนาดและรปรางของมดทางชมชน จะถกนำามาตดบรเวณทถกใชงาน จากนนทำาการบรรจสารแพกคารเบอไรซงทผสมเสรจแลวลงในกระบอกเหลกกลาแลว นำาชนทดสอบทเตรยมไว ใสเขาไปในกระบอก ดงแสดงใน Figure 4 (a) จากนนเตมสารแพกคารเบอไรซงใหเตม ปดดวยฝาเหลกแลวใชดนเหนยวปดทบเพอกนการรวซมของแกส ดงแสดงใน Figure 4 (b)

การแพกคารเบอไรซงและการชบแขง มดโตท ถกตขนรปจากเหลกกลาคารบอนตาตาม

ขนาดและรปรางของมดทางชมชน จะถกนามาตดบรเวณทถกใชงาน จากนนทาการบรรจสารแพกคารเบอไรซงทผสมเสรจแลวลงในกระบอกเหลกกลาแลวนาชนทดสอบทเตรยมไวใสเขาไปในกระบอก ดงแสดงในรปท 4 (a) จากนนเตมสารแพกคารเบอไรซงใหเตม ปดดวยฝาเหลกแลวใชดนเหนยวปดทบเพอกนการรวซมของแกส ดงแสดงในรปท 4 (b)

(a) (b) Figure 4 (a) A part of the big knife embedded in a

carburizing box (b) The lid of the carburizing box was sealed using clay

ขนตอนถดไปเปนขนตอนการอบชบ ซงมลาดบ

ขนตอนการใหความรอนและการเยนตวแสดงดงแผนภาพในรปท 5 การทดลองทาโดยนากระบอกเหลกทบรรจชนงานทดสอบและสารแพกคารเบอไรซงแลวไปอบเพมคารบอนทอณหภม 960, 980 และ 1,000 องศาเซลเซยส การเลอกอณหภมในชวงนใชผลการทดลองในการชบแขงมด โต ของ Narongsak Thammachot et al. [9] ทไดผลการชบแขงทดในชวงอณหภม 950 – 1,000 องศาเซลเซยส สวนเวลาอบเพมคารบอนใช 60, 90 และ 120 นาท ตามลาดบ จากนนนากระบอกเหลกออกมาจากเตาแลวปลอยใหเยนตวในอากาศ แลวนาชนทดสอบมาทาการชบแขงทอณหภมออสเทไนต 780 องศาเซลเซยส เวลา 15 นาท แลวนามาจมชบในนาทนท จากนนทาการอบเทมเพอรทอณหภม 180 องศาเซลเซยส เวลา 60 นาท ปลอยใหเยนตวในอากาศ

Figure 5 Time-temperature sequence for experiment

การออกแบบการทดลอง เพอหาปจจยทมผลตอสมบตเชงกลของมดทชบ

แขงดวยกระบวนการแพกคารเบอไรซง โดยใหมความสอดคล องตามหลกการทางสถ ต จง น าหล กการออกแบบการทดลองในรปแบบของ Full factorial design มาใช โดยกาหนดให คาความแขงเปนผลคาตอบหลกของการทดลอง เพราะคาความแขงเปนองคประกอบทนามาพจารณาคณภาพของมดภายหลงการชบแขง ปจจยทใชในการศกษามอย 2 ปจจย ดงแสดงในตารางท 1 ประกอบไปดวย ปจจยแรก คอ อณหภมอบเพมคารบอน และปจจยทสอง คอ เวลาอบเพมคารบอน


Factors

Level

Unit Low (-1)

Medium(0)

High (+1)



จากปจจยในการทดลองทมอย 2 ปจจย ในแตละ

ปจจยมอย 3 ระดบ จากการออกแบบการทดลองแบบ Full factorial design จะไดจานวนครงในการทดลองเทากบ 9 ครง และเพอให เกดความนาเชอถอของขอมลในทกปจจยจงมการทดลองซา 5 ครง จงทาใหมการทดลองทงหมดเทากบ 45 การทดลอง โดยการท ดล องจะ ใช ก ารจด ล า ดบ แบบ ส ม เ พ อลดค าความคลาดเคลอนทอาจเกดจากปจจยทควบคมไมไดดงแสดงในตารางท 2

(a) (b)

Figure 4 (a) A part of the big knife embedded in a carburizing box (b) The lid of the carburizing box

was sealed using clay

๏ การออกแบบการทดลอง

เพอหาปจจยทมผลตอสมบตเชงกลของมดทชบแขงดวยกระบวนการแพกคารเบอไรซง โดยใหมความสอดคลองตามหลกการทางสถต จงนำาหลกการออกแบบการทดลองในรปแบบของ Full factorial design มาใช โดยกำาหนดใหคาความแขงเปนผลคำาตอบหลกของการทดลอง เพราะคาความแขง


277

เปนองคประกอบทนำามาพจารณาคณภาพของมดภายหลง การชบแขง ปจจยทใชในการศกษามอย 2 ปจจย ดงแสดง ใน Table 1 ประกอบไปดวย ปจจยแรก คอ อณหภมอบเพมคารบอนและปจจยทสอง คอ เวลาอบเพมคารบอน


Factors

Level

UnitLow (-1)

Medium (0)

High (+1)



จากปจจยในการทดลองทมอย 2 ปจจย ในแตละปจจยมอย 3 ระดบ จากการออกแบบการทดลองแบบ Full factorial design จะไดจำานวนครงในการทดลองเทากบ 9 ครง และเพอใหเกดความนาเชอถอของขอมลในทกปจจยจงมการทดลองซำา 5 ครง จงทำาใหมการทดลองทงหมดเทากบ 45 การทดลอง โดยการทดลองจะใชการจดลำาดบแบบสม เพอลดคาความคลาดเคลอนทอาจเกดจากปจจยทควบคมไมไดดงแสดงใน Table 2

Table 2 Design table showing the randomized run order of the experiment

Run Order Std Order Temperature (°C) Time (Min)1 41 980 90

2 36 1000 120

3 1 960 60

4 29 960 90

5 40 980 606 16 1000 607 10 960 608 13 980 609 12 960 12010 14 980 9011 35 1000 9012 22 980 6013 24 980 12014 42 980 12015 18 1000 12016 11 960 9017 44 1000 9018 26 1000 9019 8 1000 9020 4 980 6021 32 980 9022 25 1000 6023 7 1000 6024 39 960 12025 31 980 6025 2 960 90

Run Order Std Order Temperature (°C) Time (Min)

27 6 980 12028 20 960 9029 30 960 12030 45 1000 12031 38 960 9032 5 980 9033 37 960 6034 33 980 12035 19 960 6036 3 960 12037 17 1000 9038 15 980 12039 34 1000 6040 27 1000 12041 21 960 12042 23 980 9043 43 1000 6044 9 1000 12045 28 960 60

๏ การทดสอบความแขง

การทดสอบความแขง ใชเครองทดสอบความแขง แบบไมโครวกเกอรส เนองจากขนาดของชนทดสอบมขนาดเลก จงตองมการตรงชนทดสอบดวยเรซน ดงแสดงใน Figure 6 (a) ตำาแหนงททำาการทดสอบความแขง แสดงดง Figure 6 (b) โดยตำาแหนงแรกเรมตนทระยะ 0.1 มลลเมตร จากคมมด จากนนแตละตำาแหนงจะหางกน 0.5 มลลเมตร จนถงระยะ 8.0 มลลเมตร ซงเปนบรเวณทมการชบแขงเพอการใชงาน

Table 2 Design table showing the randomized run order of the experiment Run Order Std Order Temperature

(°C) Time (Min)

1 41 980 90 2 36 1000 120 3 1 960 60 4 29 960 90 5 40 980 60 6 16 1000 60 7 10 960 60 8 13 980 60 9 12 960 120 10 14 980 90 11 35 1000 90 12 22 980 60 13 24 980 120 14 42 980 120 15 18 1000 120 16 11 960 90 17 44 1000 90 18 26 1000 90 19 8 1000 90 20 4 980 60 21 32 980 90 22 25 1000 60 23 7 1000 60 24 39 960 120 25 31 980 60 25 2 960 90 27 6 980 120 28 20 960 90 29 30 960 120 30 45 1000 120 31 38 960 90 32 5 980 90 33 37 960 60 34 33 980 120 35 19 960 60 36 3 960 120 37 17 1000 90 38 15 980 120 39 34 1000 60 40 27 1000 120 41 21 960 120 42 23 980 90 43 43 1000 60 44 9 1000 120 45 28 960 60

การทดสอบความแขง การทดสอบความแขง ใชเครองทดสอบความแขง

แบบไมโครวกเกอรส เนองจากขนาดของชนทดสอบม

ขนาดเลก จงตองมการตรงชนทดสอบดวยเรซน ดงแสดงในรปท 6 (a) ตาแหนงททาการทดสอบความแขงแสดงดงรปท 6 (b) โดยตาแหนงแรกเรมตนทระยะ 0.1 มลลเมตร จากคมมด จากนนแตละตาแหนงจะหางกน 0.5 มลลเมตร จนถงระยะ 8.0 มลลเมตร ซงเปนบรเวณทมการชบแขงเพอการใชงาน

(a) (b)

Figure 6 (a) Test piece embed in solid resin (b) Hardness test positions on the sharp edge of the knife

การทดสอบความตานทานแรงกระแทก ชนทดสอบแรงกระแทกขนาด 20 70 มลลเมตร

จะถกนามาวางในลกษณะตง โดยหนดานขางของชนทดสอบเขาหาจดกระทบของลกตม ดงแสดงในรปท 7 เนองจากสภาวะในการแตกหกของมดนนมกเกดจากแรงในการดดทางดานขางมด

Figure 7 Position of test piece on impact test ผลการทดลอง

สวนผสมทางเคม ผลของการตรวจสอบสวนผสมทางเคมของชน

ทดสอบเหลกกลาคารบอนตา กอนนาไปทาการแพกคารเบอไรซง แสดงในตารางท 3 จะเหนไดวา ปรมาณคารบอนทมอยในเนอเหลกมปรมาณ 0.146% ซงเปนปรมาณคารบอนในเหลกกลาคารบอนตา (%C<0.2%)

(a) (b)


Table 2 Design table showing the randomized run order of the experiment (continue)


278

๏ การทดสอบความตานทานแรงกระแทก

ชนทดสอบแรงกระแทกขนาด 20 x 70 มลลเมตร จะถกนำามาวางในลกษณะตง โดยหนดานขางของชนทดสอบเขาหาจดกระทบของลกตม ดงแสดงใน Figure 7 เนองจากสภาวะในการแตกหกของมดนนมกเกดจากแรงในการดด ทางดานขางมด

Table 3 Chemical composition of test piece

SteelNo.

Chemical Composition (% by weight)

C Si Mn P S Cr Mo Ni

1 0.147 0.024 0.469 0.003 0.003 0.007 0.002 0.024

2 0.147 0.023 0.465 0.003 0.003 0.007 0.002 0.024

3 0.145 0.017 0.468 0.003 0.003 0.007 0.002 0.026

Average 0.146 0.021 0.467 0.003 0.003 0.007 0.002 0.025

Table 2 Design table showing the randomized run order of the experiment Run Order Std Order Temperature

(°C) Time (Min)

1 41 980 90 2 36 1000 120 3 1 960 60 4 29 960 90 5 40 980 60 6 16 1000 60 7 10 960 60 8 13 980 60 9 12 960 120 10 14 980 90 11 35 1000 90 12 22 980 60 13 24 980 120 14 42 980 120 15 18 1000 120 16 11 960 90 17 44 1000 90 18 26 1000 90 19 8 1000 90 20 4 980 60 21 32 980 90 22 25 1000 60 23 7 1000 60 24 39 960 120 25 31 980 60 25 2 960 90 27 6 980 120 28 20 960 90 29 30 960 120 30 45 1000 120 31 38 960 90 32 5 980 90 33 37 960 60 34 33 980 120 35 19 960 60 36 3 960 120 37 17 1000 90 38 15 980 120 39 34 1000 60 40 27 1000 120 41 21 960 120 42 23 980 90 43 43 1000 60 44 9 1000 120 45 28 960 60

การทดสอบความแขง การทดสอบความแขง ใชเครองทดสอบความแขง

แบบไมโครวกเกอรส เนองจากขนาดของชนทดสอบม

ขนาดเลก จงตองมการตรงชนทดสอบดวยเรซน ดงแสดงในรปท 6 (a) ตาแหนงททาการทดสอบความแขงแสดงดงรปท 6 (b) โดยตาแหนงแรกเรมตนทระยะ 0.1 มลลเมตร จากคมมด จากนนแตละตาแหนงจะหางกน 0.5 มลลเมตร จนถงระยะ 8.0 มลลเมตร ซงเปนบรเวณทมการชบแขงเพอการใชงาน

(a) (b)


การทดสอบความตานทานแรงกระแทก ชนทดสอบแรงกระแทกขนาด 20 70 มลลเมตร

จะถกนามาวางในลกษณะตง โดยหนดานขางของชนทดสอบเขาหาจดกระทบของลกตม ดงแสดงในรปท 7 เนองจากสภาวะในการแตกหกของมดนนมกเกดจากแรงในการดดทางดานขางมด

Figure 7 Position of test piece on impact test ผลการทดลอง

สวนผสมทางเคม ผลของการตรวจสอบสวนผสมทางเคมของชน

ทดสอบเหลกกลาคารบอนตา กอนนาไปทาการแพกคารเบอไรซง แสดงในตารางท 3 จะเหนไดวา ปรมาณคารบอนทมอยในเนอเหลกมปรมาณ 0.146% ซงเปนปรมาณคารบอนในเหลกกลาคารบอนตา (%C<0.2%)

Figure 7 Position of test piece on impact test

ผลการทดลอง สวนผสมทางเคม ผลของการตรวจสอบสวนผสมทางเคมของชนทดสอบเหลกกลาคารบอนตำา กอนนำาไปทำาการแพก คารเบอไรซง แสดงใน Table 3 จะเหนไดวา ปรมาณ คารบอนทมอยในเนอเหลกมปรมาณ 0.146% ซงเปน ปรมาณคารบอนในเหลกกลาคารบอนตำา (%C<0.2%)

ความแขง การวจยครงนใชคาเฉลยความแขงของมดโตทตขนรปและชบแขงจากทางชมชนเปนเกณฑ โดยนำามดโตมาทำาการทดสอบจำานวน 5 เลม ผลของคาความแขงแสดงใน Table 4 จากขอมลพบวามดโตของชมชนมคาความแขงเฉลยอยท 607.0 HV โดยมชวงระดบความเชอมนคาควบคมสงสดอยท 625.3 HV และคาควบคมตำาสดอยท 588.7 HV

คาความแขงดงกลาวนจะใชเปนเกณฑเปรยบเทยบกบเหลกกลาคารบอนตำาทผานการชบแขงดวยกระบวนการ แพกคารเบอไรซง

สำาหรบผลของคาความแขงของชนทดสอบทผาน การชบแขงดวยกระบวนการแพกคารเบอไรซง แสดงดง Table 5 จะเหนไดวา เมออณหภมและเวลาการอบเพมคารบอนเพมขน จะทำาใหคาความแขงเพมขน

Table 4 Hardness values of the big knife of communityPosition Number Average sd LCL UCL

0.1 5 680.2 20.0 661.8 698.5

0.5 5 675.4 13.1 657.0 698.7

1.0 5 670.6 13.1 652.2 688.9

1.5 5 647.8 12.0 629.4 666.1

2.0 5 661.8 23.0 643.5 680.1

2.5 5 652.4 19.2 634.0 670.7

3.0 5 639.4 21.5 621.0 657.7

3.5 5 639.8 29.9 621.5 658.1

4.0 5 618.2 14.5 599.8 636.5

4.5 5 591.4 32.4 573.1 609.7


279

ความตานทานแรงกระแทก ผลการทดสอบคาความตานทานแรงกระแทกของ มดโตของชมชน แสดงใน Table 6 ซงมคาความตานทานแรงกระแทกเฉลยอยท 14.0 Joules สวนชนทดสอบเหลกกลา คารบอนตำาทผานการชบแขงดวยกระบวนการแพกคารเบอ- ไรซง ผลของคาความตานทานแรงกระแทก แสดงดง Table 7

โดยคาความตานทานแรงกระแทกนนจะแตกตางจากคา ความแขง นนคอ เมออณหภมและเวลาการอบเพมคารบอนเพมขน จะทำาใหคาความตานทานแรงกระแทกนนลดลง ทเปนเชนนเพราะชนทดสอบทมความแขงเพมขน จะทำาใหเหลกเปราะจงรบแรงกระแทกไดนอยลง

Table 5 Hardness values of the test pieces

Temperature (°C) Time (Min) Hardness Values (HV)

No. 1 2 3 4 5 Average sd

960

60 362.8 351.4 387.9 401.8 366.1 374.0 20.5

90 457.4 460.4 479.1 453.9 456.9 461.5 10.0

120 540.2 552.5 559.8 535.8 523.0 542.3 14.5

980 60 402.0 397.0 413.4 437.7 393.9 408.8 17.8

90 464.4 483.9 454.2 466.3 447.9 463.3 13.7

120 573.9 534.4 505.8 534.1 552.8 540.2 25.2

1,000 60 427.0 453.6 433.4 458.8 473.0 449.2 18.9

90 529.2 547.7 569.8 562.1 550.2 551.8 15.5

120 597.2 604.5 607.6 592.1 609.6 602.2 7.3

Table 6 Impact values of the big knife of community

Impact values (Joules)


17.0 12.0 14.0 16.0 11.0 14.0 2.2

Table 7 Impact values of the test pieces

Temperature (°C) Time (Min)Impact values (Joules)


960 60 44.0 51.0 68.0 48.0 64.0 55.0 10.4

90 50.0 60.0 52.0 43.0 62.0 53.0 7.7

120 31.0 24.0 34.0 30.0 28.0 29.0 3.7

980 60 46.0 64.0 56.0 67.0 54.0 57.0 8.3

90 40.0 48.0 40.0 37.0 32.0 39.0 5.8

120 21.0 12.0 16.0 23.0 25.0 19.0 5.3

1,000 60 38.0 29.0 40.0 30.0 35.0 34.0 4.8

90 18.0 21.0 16.0 24.0 12.0 18.0 4.6

120 10.0 14.0 20.0 16.0 12.0 14.0 3.8

Position Number Average sd LCL UCL

5.0 5 607.2 36.5 588.9 625.5

5.5 5 587.2 25.3 568.9 605.5

6.0 5 533.4 8.7 515.0 551.7

6.5 5 527.0 16.0 508.6 545.3

7.0 5 537.0 15.1 518.6 555.3

7.5 5 517.4 14.3 499.0 535.7

8.0 5 530.6 21.5 512.2 548.9

607.0 1.7 588.7 625.3

Table 4 Hardness values of the big knife of community (continue)


280

การวเคราะหทางสถตการตรวจสอบความถกตองของขอมล การวเคราะหทางสถตทางผวจยใชโปรแกรม Minitab 17 ในการวเคราะห กอนการวเคราะหหาปจจยทเหมาะสม จำาเปนอยางยงทจะตองมการตรวจสอบความถกตองของขอมล ของผลการทดสอบคาความแขงและคาความตานทานแรงกระแทก รวมถงการตรวจสอบสมมตฐานดวยหลกทางสถต และตรวจสอบคาความแปรปรวน โดยมรายละเอยดดงตอไปน

การทดสอบ Test for normality ของคาความแขง และคาความตานทานแรงกระแทกของมดโตทใชในการทดลอง โดยตงสมมตฐาน คอ

H0 : เศษตกคางมการแจกแจงแบบปกต

H1 : เศษตกคางไมไดมการแจกแจงแบบปกต

จากการทดสอบดวย Anderson-darling test ของคาความแขง ผลการทดสอบแสดงใน Figure 8 จะเหนไดวามคา P-Value 0.094 ในขณะทคาความตานทานแรงกระแทก ผลการทดสอบแสดงใน Figure 9 ซงมคา P-Value 0.173 จะเหนไดวา คา P-Value ของสมบตทางกลทงสองมคามากกวาคานยสำาคญ 0.05 จงไมสามารถปฏเสธ H

0 แสดงถงเศษตกคาง

มการแจกแจงแบบปกต

17.0 12.0 14.0 16.0 11.0 14.0 2.2 Table 7 Impact values of the test pieces

Temperature (°C)

Time (Min)

Impact values (Joules) No. 1 2 3 4 5 Average sd

960

60 44.0 51.0 68.0 48.0 64.0 55.0 10.4 90 50.0 60.0 52.0 43.0 62.0 53.0 7.7 120 31.0 24.0 34.0 30.0 28.0 29.0 3.7

980

60 46.0 64.0 56.0 67.0 54.0 57.0 8.3 90 40.0 48.0 40.0 37.0 32.0 39.0 5.8 120 21.0 12.0 16.0 23.0 25.0 19.0 5.3

1,000

60 38.0 29.0 40.0 30.0 35.0 34.0 4.8 90 18.0 21.0 16.0 24.0 12.0 18.0 4.6 120 10.0 14.0 20.0 16.0 12.0 14.0 3.8

การวเคราะหทางสถต การตรวจสอบความถกตองของขอมล

การว เคราะหทางสถตทางผวจยใช โปรแกรม Minitab 17 ในการว เคราะห กอนการว เคราะหหาปจจยท เหมาะสม จาเปนอยาง ยงท จะตองมการตรวจสอบความถกตองของขอมล ของผลการทดสอบคาความแขงและคาความตานทานแรงกระแทก รวมถงการตรวจสอบสมม ตฐานดวยหลกทางสถต และตรวจสอบคาความแปรปรวน โดยมรายละเอยดดงตอไปน


H0 : เศษตกคางมการแจกแจงแบบปกต H1 : เศษตกคางไมไดมการแจกแจงแบบปกต จากการทดสอบดวย Anderson-darling test ของ

คาความแขง ผลการทดสอบแสดงในรปท 8 จะเหนไดวามคา P-Value 0.094 ในขณะทคาความตานทานแรงกระแทก ผลการทดสอบแสดงในรปท 9 ซงมคา P-Value 0.173 จะเหนไดวา คา P-Value ของสมบตทางกลท ง สองม ค าม ากกว าคานยสาคญ 0.05 จงไมสามารถปฏเสธ H0 แสดงถงเศษตกคางมการแจกแจงแบบปกต

Figure 8 Probability plot of hardness

Figure 9 Probability plot of impact

สาห รบการท ดสอ บ Test for homogeneity of variance ของคาความแขงและคาความตานทานแรงกระแทกทใชในการทดลอง ตงสมมตฐานไว คอ

H0 : ความแปรปรวนของเศษตกคางทกกลมเทากน H1 : ความแปรปรวนของเศษตกคางแตกตางกน

อยางนอย 2 กลม จากผล ของค า Multiple comparisons ข องค า

ความแขง แสดงดงรปท 10 พบวาไดคาของ P-Value

700600500400300

99

95

90

80

70

60

5040

30

20

10

5

1

Mean 488.1StDev 73.02N 45AD 0.631P-Value 0.094

Hardness

Per

cent

Probability Plot of HardnessNormal

80706050403020100

99

95

90

80

70

60

5040

30

20

10

5

1


Impact

Per

cent

Probability Plot of ImpactNormal

17.0 12.0 14.0 16.0 11.0 14.0 2.2 Table 7 Impact values of the test pieces

Temperature (°C)

Time (Min)

Impact values (Joules) No. 1 2 3 4 5 Average sd

960

60 44.0 51.0 68.0 48.0 64.0 55.0 10.4 90 50.0 60.0 52.0 43.0 62.0 53.0 7.7 120 31.0 24.0 34.0 30.0 28.0 29.0 3.7

980

60 46.0 64.0 56.0 67.0 54.0 57.0 8.3 90 40.0 48.0 40.0 37.0 32.0 39.0 5.8 120 21.0 12.0 16.0 23.0 25.0 19.0 5.3

1,000

60 38.0 29.0 40.0 30.0 35.0 34.0 4.8 90 18.0 21.0 16.0 24.0 12.0 18.0 4.6 120 10.0 14.0 20.0 16.0 12.0 14.0 3.8

การวเคราะหทางสถต การตรวจสอบความถกตองของขอมล

การว เคราะหทางสถตทางผวจยใช โปรแกรม Minitab 17 ในการว เคราะห กอนการว เคราะหหาปจจยท เหมาะสม จาเปนอยาง ยงท จะตองมการตรวจสอบความถกตองของขอมล ของผลการทดสอบคาความแขงและคาความตานทานแรงกระแทก รวมถงการตรวจสอบสมม ตฐานดวยหลกทางสถต และตรวจสอบคาความแปรปรวน โดยมรายละเอยดดงตอไปน


H0 : เศษตกคางมการแจกแจงแบบปกต H1 : เศษตกคางไมไดมการแจกแจงแบบปกต จากการทดสอบดวย Anderson-darling test ของ

คาความแขง ผลการทดสอบแสดงในรปท 8 จะเหนไดวามคา P-Value 0.094 ในขณะทคาความตานทานแรงกระแทก ผลการทดสอบแสดงในรปท 9 ซงมคา P-Value 0.173 จะเหนไดวา คา P-Value ของสมบตทางกลท ง สองม ค าม ากกว าคานยสาคญ 0.05 จงไมสามารถปฏเสธ H0 แสดงถงเศษตกคางมการแจกแจงแบบปกต



สาห รบการท ดสอ บ Test for homogeneity of variance ของคาความแขงและคาความตานทานแรงกระแทกทใชในการทดลอง ตงสมมตฐานไว คอ

H0 : ความแปรปรวนของเศษตกคางทกกลมเทากน H1 : ความแปรปรวนของเศษตกคางแตกตางกน

อยางนอย 2 กลม จากผล ของค า Multiple comparisons ข องค า

ความแขง แสดงดงรปท 10 พบวาไดคาของ P-Value

700600500400300

99

95

90

80

70

60

5040

30

20

10

5

1


Hardness

Per

cent

Probability Plot of HardnessNormal

80706050403020100

99

95

90

80

70

60

5040

30

20

10

5

1


Impact

Per

cent

Probability Plot of ImpactNormal



สำาหรบการทดสอบ Test for homogeneity of variance ของคาความแขงและคาความตานทานแรงกระแทกทใชในการทดลอง ตงสมมตฐานไว คอ

H0 : ความแปรปรวนของเศษตกคางทกกลมเทากน

H1 : ความแปรปรวนของเศษตกคางแตกตางกนอยาง

นอย 2 กลม

จากผลของคา Multiple comparisons ของคาความแขง แสดงดง Figure 10 พบวาไดคาของ P-Value 0.527 คาความตานทานแรงกระแทก แสดงดง Figure 11 ไดคาของ P-Value 0.365 ในขณะเดยวกนคา Levene’s teSt Statistic ของคาความแขงไดคา P-Value 0.769 สวนคาความตานทานแรงกระแทกไดคา P-Value 0.451 มคามากกวาคานยสำาคญ 0.05 จงไมสามารถปฏเสธ H

0 แสดงวาเศษตกคางมความ

แปรปรวนทเทากน

0.527 คาความตานทานแรงกระแทก แสดงดงรปท 11 ได ค าข อ ง P-Value 0.365 ใน ข ณ ะ เด ย ว ก น ค า Levene’s test statistic ของค าความแข งไดค า P-Value 0.769 สวนคาความตานทานแรงกระแทกไดคา P-Value 0.451 มคามากกวาคานยสาคญ 0.05 จงไมสาม ารถปฏ เสธ H0 แสดงวาเศษตกค างมความแปรปรวนทเทากน

Figure 10 Test for homogeneity of variance of hardness values

Figure 11 Test for homogeneity of variance of impact values

การทดสอบ Test for independence ของคาความ

แขงและคาความตานทานแรงกระแทกของมดโตทใชในการทดลอง แสดงผลดงรปท 12 โดยตงสมมตฐาน คอ

H0 : เศษตกคางเปนอสระกน H1 : เศษตกคางไมไดเปนอสระกน

จากผลการทดสอบ พบวาคาความแขงมคา P-Value 0.587 และคาความตานทานแรงกระแทกมคา P-Value 0.053 ซงมคามากกวาคานยสาคญ 0.05 จงไมสามารถปฏเสธ H0 แสดงวาเศษตกคางเปนอสระตอกน

(a)

(b)

Figure 12 (a) Test for independence of hardness values (b) Test for independence of Impact values

จากการตรวจสอบขอสมมตฐานดวยหลกทางสถต

ท ง 3 ส ว น ค อ Test for normality, Test for independence แ ล ะ Test for homogeneity of variance คา P-Value ของทง 3 สวนมคามากกวาคานยสาคญ 0.05 จงสามารถสรปไดวาขอมลมการแจกแจงความนาจะเปนแบบปกต มความเปนอสระตอกน และมความแปรปรวนไมแตกตางกน ดงนน จงสามารถนาขอมลไปทาการวเคราะหในขนตอนตอไปได

การหาอทธพลของปจจย การว เคราะหผลการทดลอง พบวาปจจยของ

อณหภมอบเพมคารบอน เวลาอบเพมคารบอน และปจจยรวมนนมผลตอคาความแขงเฉลยของมดโตทนามาทาการทดลองอยางมนยสาคญ โดยตารางท 8 แสดงรายละเอยดของปจจยรวมมคา P-value นอยกวาคาระดบนยสาคญท 0.05 ทกปจจย ดงนน สามารถสรปไดวาปจจยรวมดงกลาวนนมผลตอคาความแขงเฉลยอยางมนยสาคญ และจากผลการทดลองไดคา








(a)

(b)








การทดสอบ Test for independence ของคาความแขงและคาความตานทานแรงกระแทกของมดโตทใชในการทดลอง แสดงผลดง Figure 12 โดยตงสมมตฐาน คอ


281

จากการตรวจสอบขอสมมตฐานดวยหลกทางสถต ทง 3 สวน คอ Test for normality, Test for independence และ Test for homogeneity of variance คา P-Value ของทง 3 สวนมคามากกวาคานยสำาคญ 0.05 จงสามารถสรปไดวาขอมลมการแจกแจงความนาจะเปนแบบปกต มความเปนอสระตอกน และมความแปรปรวนไมแตกตางกน ดงนน จงสามารถนำาขอมลไปทำาการวเคราะหในขนตอนตอไปได

การหาอทธพลของปจจย การวเคราะหผลการทดลอง พบวาปจจยของอณหภมอบเพมคารบอน เวลาอบเพมคารบอน และปจจยรวมนนมผลตอคาความแขงเฉลยของมดโตทนำามาทำาการทดลองอยางมนยสำาคญ โดย Table 8 แสดงรายละเอยดของปจจยรวมมคา P-value นอยกวาคาระดบนยสำาคญท 0.05 ทกปจจย ดงนน สามารถสรปไดวาปจจยรวมดงกลาวนนมผลตอคาความแขงเฉลยอยางมนยสำาคญ และจากผลการทดลองไดคาของ R-sq เทากบ 95.67% ขณะทคา R-sq (adj) มคาเทากบ 94.70% ซงใกลเคยงกบคาของ R-sq แสดงถงจำานวนของขอมลมจำานวนเพยงพอทใชในการวเคราะหปจจยทเหมาะสม

Table 8 Variance analysis resultsGeneral factorial regression: Hardness versus tempurature, time

Factorial information

Fac-

tor

Lev-

els

Values

Temp 3 960 980 1,000

Time 3 60 90 120

Analysis of variance

Source Df Adj. SS Adj. MS F-

Value

P-

Value

Model 8 224464 28058 99.31 0.000

Linear 4 220366 55091.6 194.99 0.000

Temp 2 49150 24574.9 86.98 0.000

Time 2 171217 85608.3 303 0.000

2-Way interaction 4 4098 1024.4 3.63 0.014

Temp*Time 4 4098 1024.4 3.63 0.014

Error 36 10171 282.5

Total 44 234635

Model summary

S R-Sq R-Sq (adj) R-Sq (pred)

16.8087 95.67% 94.70% 93.23%

ปจจยทเหมาะสมตอคาความแขง จากรปกราฟ Optimal ใน Figure 13 แสดงใหเหนวาปจจยทเหมาะสมของอณหภมอบเพมคารบอน คอ 1,000 องศาเซลเซยส เวลาในการอบเพมคารบอน คอ 120 นาท โดยไดคาความแขงเฉลย 604.0 HV และคาความตานทานแรงกระแทกเฉลยตำาสด 9.13 Joulesจากผลของปจจยทเหมาะสม ทได ผวจยจงไดนำาระดบปจจยของทงสองเงอนไขดงกลาวมาทำาการทดลองเพอยนยนผลจำานวน 5 การทดลอง โดยเงอนไขทใช คอ อณหภมอบเพมคารบอน 1,000 องศาเซลเซยสและเวลาอบเพมคารบอน 120 นาท









(a)

(b)













(a)

(b)






(a)

(b)

ของ R-sq เทากบ 95.67% ขณะทคา R-sq (adj) มคาเทากบ 94.70% ซงใกลเคยงกบคาของ R-sq แสดงถงจานวนของขอมลมจานวนเพยงพอทใชในการวเคราะหปจจยทเหมาะสม

Table 8 Variance analysis results General factorial regression: Hardness versus tempurature, time Factorial information Factor Levels Values Temp 3 960 980 1,000 Time 3 60 90 120 Analysis of variance Source Df Adj. SS Adj. MS F-

Value P-

Value Model 8 224464 28058 99.31 0.000 Linear 4 220366 55091.6 194.99 0.000 Temp 2 49150 24574.9 86.98 0.000 Time 2 171217 85608.3 303 0.000 2-Way interaction 4 4098 1024.4 3.63 0.014 Temp*Time 4 4098 1024.4 3.63 0.014 Error 36 10171 282.5 Total 44 234635 Model summary

S R-Sq R-Sq (adj) R-Sq (pred) 16.8087 95.67% 94.70% 93.23%

ปจจยทเหมาะสมตอคาความแขง จากรปกราฟ Optimal ในรปท 13 แสดงใหเหนวา

ปจจยทเหมาะสมของอณหภมอบเพมคารบอน คอ 1,000 องศาเซลเซยส เวลาในการอบเพมคารบอน คอ 120 นาท โดยไดคาความแขงเฉลย 604.0 HV และคาความตานทานแรงกระแทกเฉลยตาสด 9.13 Joulesจากผลของปจจยทเหมาะสมทได ผวจยจงไดนาระดบปจจยของทงสองเงอนไขดงกลาวมาทาการทดลองเพอยนยนผลจานวน 5 การทดลอง โดยเงอนไขทใช คอ อณหภมอบเพมคารบอน 1,000 องศาเซลเซยสและเวลาอบเพมคารบอน 120 นาท

Figure 13 Optimization plot of the effect of each factors

การทดลองเพอยนยนผล เพอเปนการตรวจสอบความ ถกตองของระดบ

ปจจยท เหมาะสมท ไดจากคาทางสถต จงทาการทดลองชบแขงมดโตดวยกระบวนการแพกคารเบอไรซง ตามสภาวะของอณหภมและเวลาอบเพมคารบอนทไดจากการหาคาท เหมาะสมของสารเรงปฏ ก รยากระดกวว โดยผลการทดสอบคาความแขงแสดงดงตารางท 9 และคาความตานทานแรงกระแทกแสดงดงตารางท 10 จะเหนไดวา คาความแขงเฉลยมคาเทากบ 605.2 HV และความ ต านท านแรงกระแทก 17.6 Joules ซงอยในคาตามเปาหมายของมดชมชน Table 9 Hardness values of repeated experiment

No. Average sd 1 2 3 4 5

595.5 612.1 597.6 609.0 611.5 605.2 7.8

Table 10 Impact values of repeated experiment

No. Average sd 1 2 3 4 5

16.0 18.0 14.0 22.0 18.0 17.6 3.0

Figure 13 Optimization plot of the effect of each factors

H0 : เศษตกคางเปนอสระกน

H1 : เศษตกคางไมไดเปนอสระกน

จากผลการทดสอบ พบวาคาความแขงมคา P-Value 0.587 และคาความตานทานแรงกระแทกมคา P-Value 0.053 ซงมคามากกวาคานยสำาคญ 0.05 จงไมสามารถปฏเสธ H

0

แสดงวาเศษตกคางเปนอสระตอกน


282

การทดลองเพอยนยนผล เพอเปนการตรวจสอบความถกตองของระดบปจจยทเหมาะสมทไดจากคาทางสถต จงทำาการทดลองชบแขงมดโตดวยกระบวนการแพกคารเบอไรซง ตามสภาวะของอณหภมและเวลาอบเพมคารบอนทไดจากการหาคาทเหมาะสมของสารเรงปฏกรยากระดกวว โดยผลการทดสอบคาความแขงแสดงดง Table 9 และคาความตานทานแรงกระแทกแสดงดง Table 10 จะเหนไดวา คาความแขงเฉลยมคาเทากบ 605.2 HV และความตานทานแรงกระแทก 17.6 Joules ซงอยในคาตามเปาหมายของมดชมชน

Table 9 Hardness values of repeated experiment

No.Average sd

1 2 3 4 5

595.5 612.1 597.6 609.0 611.5 605.2 7.8

Table 10 Impact values of repeated experimentNo.

Average sd1 2 3 4 5

16.0 18.0 14.0 22.0 18.0 17.6 3.0

วจารณผลและสรปผลวจารณผลผลการทดลองชบแขงมดโตดวยกระบวนการแพกคารเบอไรซง โดยการใชสารเรงปฏกรยาจากกระดกวว จะเหนไดวาเมอเวลาการอบเพมคารบอนเพมขนจะทำาใหคาความแขงเพมขน ทเปนเชนนเพราะเวลาทเพมขนจะทำาใหคารบอนสามารถแพรเขาไปในผวเหลกไดมากขนเปนไปตาม Fick’s first law12 ทวาการแพรจะแปรผนตามความเขมขนของอะตอมและเวลาในการแพร ดงนนเวลาในการอบเพมคารบอนท 60, 90 และ 120 นาท จงทำาใหคาความแขงของชนงานเพมขนไปตามลำาดบ

ในขณะทปจจยอกประการหนงทมสวนในการเพมคารบอนไดมากหรอนอย คอ อณหภม โดยการทดลองใชอณหภม 960, 980 และ 1,000 องศาเซลเซยส จะเหนไดวาอณหภมทสงขนสงผลใหคาความแขงเพมขน ทเปนเชนนเพราะอณหภมทสงขนทำาใหคารบอนสามารถแพรเขาไปในเนอเหลกไดมากขนจงทำาใหความแขงสงขนซงเปนไปตามหลกการของ Arrhenius13 ทวาสมประสทธของการแพรจะมความสมพนธกบอณหภม โดยเมออณหภมของวสดสงขนจะทำาใหสมประสทธการแพรเพมสงขนดวย ดงนนเมออณหภมสงขนสงผลใหมพลงงานกระตนทสงขนทำาใหอตราการแพรเพมขน

อยางไรกตามเมอมดโตมคาความแขงทสงขนสงผลใหคาความตานทานแรงกระแทกลดลงซงเปนผลมาจากเวลาและอณหภมอบเพมคารบอนทเพมขน สอดคลองกบงานวจยของ Narongsak Thammachot et al 9. ทวาอณหภมและเวลาอบเพมคารบอน สงผลตอคาความแขงของชนงานทดสอบ โดยเมออณหภมอบเพมคารบอนสงขนจะทำาใหคารบอนสามารถแพรเขาสผวของชนงานไดด เนองจากชนผวแขงของมดเพมขนสงผลใหความเหนยวลดลงจงทำาใหความสามารถการรบแรงกระแทกของมดลดลง

ในขณะทการออกแบบการทดลองแบบแฟกทอเรยลทใชวเคราะหความแปรปรวนของขอมลการทดลอง และหาปจจยทเหมาะสมในกระบวนการแพกคารเบอไรซง สามารถนำาไปใชหาระดบของอณหภมและเวลาอบเพมคารบอนททำาใหคาความแขงมดโตทผานการชบแขงผวดวยกระบวนการแพกคารเบอไรซงใหใกลเคยงกบคาความแขงและคาความตานทานแรงกระแทกตามทตองการได และจากผลของการทดลองยนยนผล พบวา คาความแขงและคาความตานทานแรงกระแทก นนมคาอยในขอบเขตของสมบตทางกลของมดโตของชมชน

สรปผลการทดลอง จากการนำาหลกการของการออกแบบการทดลองและการใชสถตในการวเคราะหปจจยทเหมาะสมในการชบแขงมดโตดวยกระบวนการแพกคารเบอไรซง โดยใชสมบตทางกลของมดโตทตขนรปและชบแขงโดยชมชนทมคาความแขงเฉลยอยท 607.0 HV โดยมคาควบคมบนอยท 625.3 HV และคาควบคมลางอยท 588.7 HV ในขณะทคาความตานทานแรงกระแทกมคาอยท 14.0 Joules เปนคาเปรยบเทยบกบมดทชบแขงดวยกระบวนการแพกคารเบอไรซง โดยใชสารเพมคารบอนจากถานไมยคาลปตสผสมกบสารเรงปฏกรยาจากกระดกวว ทำาใหทราบวา จากการวเคราะหปจจยทเหมาะสมของอณหภมและเวลาทมผลตอสมบตทางกล ทำาใหไดเวลาในการอบเพมคารบอน 120 นาท อณหภมการอบเพมคารบอน 1,000 องศาเซลเซยส โดยทงสองปจจยจะใหคาความแขงอยท 604.0 HV และคาความตานทานแรงกระแทกอยท 9.13 Jules และเมอนำาปจจยทเหมาะสมระหวางเวลาและอณหภมไปทำาการทดลองเพอยนยนผลโดยไดคาความแขงอยท 605.2 HV และความตานทานแรงกระแทกอยท 17.6 Jules

กตตกรรมประกาศ คณะผวจยขอขอบพระคณ สาขาวศวกรรมวสด สาขาวศวกรรมอตสาหการ คณะวศวกรรมศาสตรและสถาปตยกรรมศาสตร มหาวทยาลยเทคโนโลยราชมงคลอสาน ในความอนเคราะหสถานทและอปกรณ ในการทดลองครงน


283

เอกสารอางอง1. สำานกงานสถตแหงชาต. สรปผลภาวการณทำางานของ

ประชากรประจำาเดอนมนาคม พ.ศ.2562. กระทรวงเทคโนโลยสารสนเทศและการสอสาร. [ออนไลน] แหลงทมา: http://www.nso.go.th สบคนเมอ 20 เมษายน 2562.

2. Sinha AK. Physical metallurgy handbook. The McGraw-Hill Companies. Two Penn Plaza: New York ; 2003.

3. Lakhtin YM. Engineering physical metallurgy and heat treatment. Mir Publishers Moscow: Russia ; 1990.

4. ณรงคศกด ธรรมโชต, วรรณา หอมจะบก, และนฤดม ทาด. ประสทธภาพการเพมคารบอนทผวในเหลกกลาคารบอนตำาของถานไมชนดตางๆ ในกระบวนการแพกคารเบอไรซง. วศวกรรมสาร มข. 2555 ; 41(3):383-391.

5. Ihom PA. Case hardening of mild steel using cow bone as energizer. African Journal of Engineering Research. 2013 ; 1(4): 97-101.

6. ณรงคศกด ธรรมโชต, วรรณา หอมจะบก, นฤดม ทาด. การเปรยบเทยบประสทธภาพในการเรงปฏกรยาของสารเกรดทางการคาชนดตางๆ ในการเพมคารบอนทผวของมดโตทชบแขงดวยกระบวนการแพกคารเบอไรซง. วารสาร มทร. อสาน 2557 ; 7(2): 67-80.

7. Aramide FO, Ibitoye SA, Oladele IO, Borode JO. Pack carburization of mild steel using pulverized bone as carburizer optimizing process parameters. Leonardo Electronic Journal of Practices and Technologies. 2010 ; 1-12.

8. กฤษดา ประสพชยชนะ. การศกษาปจจยทมผลตอการชบผวแขงของเหลกกลาดวยวธแพกคารเบอไรซง. การประชมวชาการขายงานวศวกรรมอตสาหการ. 2556.

9. Narongsak Thammachot, Prin Nachaisit, Wanna Homjabok, Chaiyawat Peeratatsuwan, Amornsak Mayai, and Jittiwat Nithikarnjanatharn, The efficiency of energizer, carburizing temperature and time on the mechanical properties of hardened big knives in a pack carburizing process. KKU Engineering Journal. October-December 2016 ; 172-177.

10. สภทรวทย ศรนอก, ณรงคศกด ธรรมโชต, จตตวฒน นธกาญจนธาร, รสรนทร ดอขนทด, สมบต นอยมง, ชยวฒน พรทตสวรรณ, อมรศกด มาใหญ, การหาพารามเตอรทเหมาะสมในกระบวนการแพกคารเบอไรซงโดยใชสารเรงปฏกรยาจากผงหนปนสำาหรบการชบผวแขงมดตดออย. การประชมวชาการขายงานวศวกรรมอตสาหการ. 2559.

11. ศกดสทธ ศรสข, การศกษาอทธพลของปจจยทสงผลตอสมบตทางกลของมดโตทตขนรปจากเหลกกลาคารบอนตำาและชบผวแขงดวยกระบวนการแพกคารเบอไรซง, วทยานพนธวศวกรรมอสาหการ, คณะวศวกรรมศาสตรและสถาปตยกรรมศาสตร มหาวทยาลยเทคโนโลยราชมงคลอสาน. 2561.

12. Askeland DR, Phulé PP. The science and engineering of materials. 4th Edition. USA: Thomson Learning Inc. ; 2003.

13. Smith WF. Foundations of materials science and engineering. 4th Edition. USA: McGrall-Hill Inc. ; 2006.

การใชเชอบาซลลสและสเตรปโตมยซสควบคมเชอราโรคพชบางชนดโดยชววธUse of Bacillus sp. and Streptomyces sp. for biological control of some plant pathogens

สวภา สาวภาค1*, ชนญกาญจน แสงประสาน2, อรณ วงศจรฐต1

Suwapha Sawiphak1*, Chanankarn Saengprasan2, Aroon Wonggiratthiti1

Received: 22 May 2019 ; Revised: 2 September 2019 ; Accepted: 20 September 2019

บทคดยอ เชอราโรคพชเปนปญหาสำาคญในการเกษตรซงสงผลกระทบตอผลผลตและคณภาพของผลตภณฑทางการเกษตร ในการศกษานไดศกษาผลการยบยงของแบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. ตอการเจรญเชอราโรคพชBipolaris oryzae DOAC 1760, Aspergillus flavus TISTR 3366, Phytophthora palmivora DOAC 2072 และ Penicillium sp. ทดสอบความสามารถในการยบยงการเจรญของเชอราโดยการสงเกตบรเวณวงใสรอบ ๆ เชอรา โดยใชวธราดทบ ผลการศกษาพบวา แบคทเรยปฏปกษ Streptomyces sp. สามารถยบยงการเจรญของ Aspergillus flavus TISTR 3366, Phytophthora palmivora DOAC 2072 และ Penicillium sp. ได มขนาดเสนผานศนยกลางวงใส เทากบ 6.58±0.54, 2.83±0.47 และ 6.03±0.10 ตามลำาดบ สวนแบคทเรยปฏปกษ Bacillus sp. สามารถยบยงการเจรญของ Bipolaris oryzae DOAC 1760, Aspergillus flavus TISTR 3366 และ Phytophthora palmivora DOAC 2072 ได มขนาดเสนผานศนยกลางวงใส เทากบ 15.53±0.67, 1.78±0.43 และ 1.81±0.01 ตามลำาดบ ผลการศกษาแสดงใหเหนวาแบคทเรยทงสองชนดสามารถใชเปนจลนทรยควบคมทางชวภาพได

คำาสำาคญ: การควบคมโดยชววธ เชอราโรคพช บาซลลส สเตรปโตมยซส

Abstract Plant parasitic fungi are major problem in agriculture that affect yield and quality of agricultural products. In this study, antagonistic effects of Streptomyces sp. and Bacillus sp. were evaluated against plant parasitic fungi Bipolaris oryzae DOAC 1760, Aspergillus flavus TISTR 3366, Phytophthora palmivora DOAC 2072 and Penicillium sp. The abilities of Streptomyces sp. and Bacillus sp. in inhibiting the growth of parasitic fungi were tested by the agar overlay method. Streptomyces sp. inhibited the radial growth of Aspergillus flavus TISTR 3366, Phytophthora palmivora DOAC 2072 and Penicillium sp was 6.58±0.54, 2.83±0.47 and 6.03±0.10, respectively.The antagonist Bacillus sp. was shown to inhibit the growth of Bipolaris oryzae DOAC 1760, Aspergillus flavus TISTR 3366 and Phytophthora palmivora DOAC 2072 was 15.53±0.67, 1.78±0.43 and 1.81±0.01, respectively. This study demonstrated that both bacteria can be used as biological control microorganisms.

Keywords: Biological control, Plant pathogens, Bacillus sp., Streptomyces sp.

1 อาจารย สาขาวชาชววทยา คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏสกลนคร จงหวดสกลนคร 470002 อาจารย สาขาวชาคณตศาสตรและสถต คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏสกลนคร จงหวดสกลนคร 470001 Lecturer, Program of Biology, Faculty of Science and Technology, Sakonnakhon Rajabhat University, Sakonnakhon 470002 Lecturer, Program of Mathematics and Statistics, Faculty of Science and Technology, Sakonnakhon Rajabhat University, Sakonnakhon 47000* Corresponding author: Suvapa Yottakot, Program in Biology, Faculty of Science and Technology, Sakonnakhon Rajabhat University,

Sakonnakhon 47000, [email protected]

Vol 39. No 3, May-June 2020 Use of Bacillus sp. and Streptomyces sp. for biological control of some plant pathogens

285

บทนำาปจจบนการควบคมโรคพชโดยชววธมบทบาทในการปองกนโรคพชมากขน เนองจากการควบคมโรคพชดวยสารเคมมกมผลเสยตกคางกบพชผลการเกษตรและสงแวดลอม อกทงยงทำาใหโรคพชดอยา ดงนนการควบคมโรคพชโดยชววธ จงเปนอกวธทจะชวยลดปรมาณการใชสารเคม ลดปญหาสารพษทสะสมในผลตผลทางการเกษตร และรกษาความสมดลของธรรมชาต1 การควบคมโดยชววธโดยใชแบคทเรยแกรมบวก เปนทางเลอกทมความปลอดภยโดยเฉพาะการใชแบคทเรย Bacillus sp และ Streptomyces sp. แบคทเรยแกรมบวกทงสองชนดมความสามารถในสรางสารประกอบระเหยทสามารถออกฤทธทำาลายเชอรากอโรคพชได2,3 นอกจากนยงสามารถสรางสปอรททนสภาพรอนและแหงไดด สามารถมชวตอยทผวของพชผลทแหงไดเปนระยะเวลานาน1 ประเทศไทยเปนประเทศเกษตรกรรม คนสวนใหญเปนเกษตรกร ดงนนการปลกพชเศรษฐกจจงเหมาะสำาหรบคนไทยอยางมาก และในปจจบนนกไดรบการสนบสนนจากภาครฐ

พชเศรษฐกจทสำาคญของประเทศไทยมหลายอยาง ไดแก ขาว มนสำาปะหลง ขาวโพด ออย ยางพารา เปนตน ปญหาสำาคญในการปลกพชเศรษฐกจ คอ โรคทเกดจากเชอรา ซงกอใหเกดความเสยหายตอปรมาณและคณภาพของพช เชอรา Bipolaris oryzae เปนสาเหตทำาใหเกดโรคใบจดสนำาตาลของขาว เชอราจะแพรระบาดไปทรวงและเมลดทำาใหเกดอาการเมลดดาง คลมเมลดขาวเปลอก ทำาใหเมลดขาวเปลอกสกปรก และหกงาย ทำาใหผลผลตและคณภาพของขาวลดลง4 เชอรา Aspergillus flavus สามารถผลตสารพษอะฟลาทอกซน ซงเปนสารกอมะเรง อาหารทมการปนเปอนสารพษอะฟลาทอกซน คอ ผลตภณฑอาหารแหง ผลตภณฑจากแปง ผลตภณฑททำาจากถวลสง ขาวโพด มนสำาปะหลง เปนสาเหตสำาคญททำาใหอาหารเสอมสภาพ5 Phytophthora palmivora เปนเชอราทำาลายสวนตางๆ ของพช ทำาใหเกดอาการรากเนา โรคเนาระดบดน โรคเนาระดบลำาตนและหว อกทงยงทำาใหเกดโรคกบพช เชน มะละกอ มะเขอเทศ ยาสบ มนฝรง และยางพารา6 Penicillium sp. เปนราทพบไดทวไป สรางสารพษ ทำาใหเกดโรคผลเนาเสยหาย โดยเฉพาะโรคหลงการเกบเกยว7

ดงนน งานวจยนจงสนใจศกษาการควบคมเชอรา โรคพช B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. โดยการใชแบคท เรยปฏปกษ S t r e p t omy c e s sp.ซ งแยกไดจากดน และ แบคทเรยปฏปกษ Bacillus sp. ทแยกไดจากปยหมก จากผลการวจยการใชเชอ Streptomyces s p . แ ล ะ Bacil lus sp. เ บองตนในการควบคมเชอ Colletotrichum sp. สาเหตโรคแอนแทรคโนสในมะละกอ พบวา เชอแบคทเรยปฏปกษทงสองชนดสามารถควบคม เชอ

Colletotrichum sp. ได และมรายงานวาของ Streptomyces และ Bacillus สามารถสรางสารออกฤทธทางชวภาพไดมากกวา 10,000 ชนด8 จากคณลกษณะดงกลาว Streptomyces sp.และ Bacillus sp. จงเปนเชอทมศกยภาพในการนำามาประยกตใชควบคมเชอราโรคพช และสามารถนำาไปใชประโยชนเพอลดการใชสารเคมทอาจมสารตกคางในพชผล และสงแวดลอมไดในอนาคต

วธการดำาเนนงานวจย ก า ร เ ต ร ย ม เ ช อ แ บ ค ท เ ร ย ป ฏ ป ก ษ Streptomyces sp. Streptomyces sp. เปนแบคทเรยท แยกไดจากดนบรเวณสวนพฤกษศาสตร มหาวทยาลยราชภฏสกลนคร เตรยมโดยใชทเจาะจกคอรกขนาดเสนผานศนยกลาง 0.5 เซนตเมตร ตดชนวนโคโลนของเชอแบคทเรยปฏปกษ Strep-tomyces sp.วางบนอาหาร Nutrient agar (NA) โดยวางในแนวเสนผานศนยกลางของจานอาหาร บมทอณหภม 37 องศาเซลเซยส เปนเวลา 72 ชวโมง

การเตรยมเชอแบคทเรยปฏปกษ Bacillus sp. Bacillus sp. เปนแบคทเรยทแยกไดจากปยหมกบรเวณคอกโค คณะเทคโนโลยการเกษตร มหาวทยาลยราชภฏสกลนคร เตรยมโดยใชลปแตะโคโลนของเชอแบคทเรยปฏปกษ Bacillus sp.วางบนอาหาร NA โดยแตะในแนวเสนผานศนยกลางของจานอาหาร บมทอณหภม 37 องศาเซลเซยส เปนเวลา 48 ชวโมง

การเตรยมสปอรเชอรา B. oryzae DOAC 1760 ใชเขมเขยชนวนทมเสนใยของเชอรา B. oryzae DOAC 1760 มาวางบนอาหารสำาเรจรป Potato Dextrose Agar (PDA) บมทอณหภม 25 องศาเซลเซยส เปนเวลา 168 ชวโมง จากนนนำาเชอรา B. oryzae DOAC 1760 ไปฉายรงสเนยรยว เปนเวลา 7 ชวโมง แลวนำาเชอรา B. oryzae DOAC 1760 บมไวทมด อณหภม 25 องศาเซลเซยส เปนเวลา 24 ชวโมง

การเตรยมสปอรเชอรา A. flavus TISTR 3366 และ เชอรา Penicillium sp. ใชเขมเขยชนวนทมเสนใยของเชอรา A. flavus TISTR 3366 และเชอรา Penicillium sp. มาวางบนอาหารสำาเรจรป PDA บมทอณหภม 25 องศาเซลเซยส เปนเวลา 96 ชวโมง

การเตรยมสปอรเชอรา P. palmivora DOAC 2072 ใชเขมเขยชนวนทมเสนใยของเชอรา P. palmivora DOAC 2072 วางบนอาหารสำาเรจรป PDA บมทอณหภม

J Sci Technol MSUSuwapha Sawiphak, Chanankarn Saengprasan, Aroon Wonggiratthiti286

25 องศาเซลเซยส เปนเวลา 192 ชวโมง จากนนนำาเชอรา P. palmivora DOAC 2072 ไปเลยงในนำากลน เปนเวลา 96 ชวโมง

การเตรยมสารละลายสปอรเชอรา ทำาการเกบสปอร B. oryzae DOAC 1760, A. flavus TISTR 3366 และ Penicillium sp. โดยเตมนำากลนฆาเชอปรมาตร 10 มลลลตร ลงในจานอาหาร ใชหวงเขยเชอขดบรเวณผวหนาอาหาร กรองเพอแยกเสนใยทตดมาออก ดวยกระดาษกรอง Whatman No.1 ลางสปอรดวยนำากลนฆาเชอ 1 ครง นบสปอรดวย Haemacytometer ใหไดความเขมขนของสปอรเปน 107 spore/mL สำาหรบเชอรา P. palmivora DOAC 2072 ทำาการเกบสปอร โดยนำาไปกรองดวยกระดาษกรอง whatman no.1 เพอแยกเสนใยรา นบสปอรดวย Hae-macytometer ใหไดความเขมขนของสปอรเปน 107 spore/mL

การทดสอบประสทธภาพการยบยงเชอรา โดยใชวธราดทบ9

นำาสารละลายสปอรความเขมขน 107 spore/mL ปรมาตร 10 มลลลตร ผสมกบอาหารสำาเรจรป PDA หลอมเหลว ปรมาตร 100 มลลลตร แลวราดทบบนจานอาหาร NA ทมการเจรญของแบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. ปรมาตร 10 มลลลตร จากนนนำาไปบมทอณหภม 25 องศาเซลเซยส เปนเวลา 24 ชวโมง

การวเคราะหทางสถต ตรวจผลการทดสอบโดยการสงเกตวงใสรอบๆ โคโลน (Inhibition zone) ของแบคทเรยปฏปกษ Streptomyces sp.และ Bacillus sp. และวดขนาดเสนผานศนยกลางวงใสดวยเวอรเนย (หนวยเปนมลลเมตร) ทำาการทดลอง 3 ซำา จากนนนำาไปวเคราะหหาคาเฉลย และสวนเบยงเบนมาตรฐาน แลวทำาการวเคราะหความแปรปรวนทางเดยว (One-Way ANOVA) และเปรยบเทยบคาเฉลยดวย Tukey ท P<0.05 โดยใชโปรแกรม Statistical Package for the Social Sciences (SPSS) เวอรชน 22

ผลการทดลอง ผลการทดสอบประสทธภาพการยบยงเชอรา B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. โดยใชแบคทเรยปฏปกษ Streptomyces sp.

แบคทเ รยปฏปกษ S t r ep t omyces s p . มประสทธภาพในการยบยงการเจรญของสปอรรา A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. ไดภายในเวลา 24 ชวโมง โดยการสรางบรเวณใสรอบๆ โคโลน พบบรเวณใสของการยบยงกวาง 6.58±0.54, 2.83±0.47

และ 6.03±0.10 มลลเมตร ตามลำาดบ แตอยางไรกตาม พบวา แบคทเรยปฏปกษ Streptomyces sp. ไมสามารถยบยงการเจรญของสปอรรา B. oryzae DOAC 1760 ได (Table 1) และเม อนำาขอมลไปวเคราะหโดยใชโปรแกรมทางสถต พบวา แบคทเรยปฏปกษ Streptomyces sp. มประสทธภาพในการยบยงการเจรญของสปอรรา A. flavus TISTR 3366 และP. palmivora DOAC 2072 อยางมนยสำาคญทางสถตท (P≤0.05) Figure 1 แสดงลกษณะบรเวณใสรอบๆ โคโลนแบคทเรยปฏปกษ Streptomyces sp.

Table 1 Antifungal activity of Streptomyces sp. and Bacillus sp.

Test organismsZone of inhibition (mm)

Streptomyces sp. Bacillus sp.

B. oryzae DOAC 1760

0c 15.53±0.67a

A. flavus TISTR 3366

6.58±0.54a 1.78±0.43b

P. palmivora DOAC 2072

2.83±0.47b 1.81±0.01b

Penicillium sp. 6.03±0.10a 0c

หมายเหต ในแตละคอลมน อกษรทแตกตางกนแสดงความแตกตางกนอยางมนยสำาคญทางสถต (P < 0.05)

ผลการทดสอบประสทธภาพการยบยงเชอรา B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. โดยใชแบคทเรยปฏปกษ Bacillus sp.

แบคทเรยปฏปกษ Bacillus sp. มประสทธภาพในการยบยงการเจรญของสปอรรา A. flavus TISTR 3366, P. palmivora DOAC 2072 และ B. oryzae DOAC 1760 ไดภายในเวลา 24 ชวโมง โดยการสรางบรเวณใสรอบๆ โคโลน พบบรเวณใสของการยบยงกวาง 1.81±0.01, 1.78±0.43 และ 15.53±0.67 มลลเมตร ตามลำาดบ แตอยางไรกตาม พบวา แบคทเรยปฏปกษ Bacillus sp. ไมสามารถยบยงการเจรญของสปอรรา Penicillium sp. ได (Table 1) และเม อนำาขอมลไปวเคราะหโดยใชโปรแกรมทางสถต พบวา แบคทเรยปฏปกษ Bacillus sp. มประสทธภาพในการยบยงการเจรญของสปอรรา B. oryzae DOAC 1760 อยางมนยสำาคญทางสถตท (P≤0.05) ลกษณะบรเวณใสรอบๆ โคโลนแบคทเรยปฏปกษ Bacillus sp. แสดงใน Figure 2


287

Table 1 Antifungal activity of Streptomyces sp. and Bacillus sp.

Test organisms Zone of inhibition (mm) Streptomyces

sp. Bacillus sp.

B. oryzae DOAC 1760

0c 15.53±0.67a

A. flavus TISTR 3366

6.58±0.54a

1.78±0.43b

P. palmivora DOAC 2072

2.83±0.47b 1.81±0.01b

Penicillium sp. 6.03±0.10a 0c หมายเหต ในแตละคอลมน อกษรทแตกตางกนแสดงความแตกตางกนอยางม นย สาคญทางสถต (P – value 0.05) ผลการทดสอบประสท ธภาพการ ยบย ง เชอรา B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. โด ย ใชแบคทเรยปฏปกษ Bacillus sp.

แ บ ค ท เ ร ย ป ฏ ป ก ษ Bacillus sp. มประสทธภาพในการยบยงการเจรญของสปอรรา A. flavus TISTR 3366, P. palmivora DOAC 2072 และ B. oryzae DOAC 1760 ไดภายในเวลา 24 ชวโม ง โดยการสรางบรเวณใสรอบๆ โคโลน พบบรเวณใสของก า ร ย บ ย ง ก ว า ง 1.81±0.01, 1.78±0.43 แ ล ะ 15.53±0.67 มลลเมตร ตามลาดบ แตอยางไรกตาม พบวา แบคท เรยปฏปกษ Bacillus sp. ไมสามารถยบยงการเจรญของสปอรรา Penicillium sp. ได (Table 1) และเมอนาขอมลไปวเคราะหโดยใชโปรแกรมทางส ถ ต พ บ ว า แ บคท เรย ป ฏ ป กษ Bacillus sp. มประสทธภาพในการยบยงการเจรญของสปอรรา B.

oryzae DOAC 1760 อย างมนย ส า คญท างส ถตท (P≤0.05) ลกษณะบรเวณใสรอบๆ โคโลนแบคทเรยปฏปกษ Bacillus sp. แสดงใน Figure 2

A

B

C

Figure 1 Inhibition zone of Streptomyces sp. against (A) A. flavus TISTR 3366, (B) P. palmivora DOAC 2072 and (C) Penicillium sp.

Figure 2 Inhibition zone of Bacillus sp. against (A) P. palmivora DOAC 2072, A. flavus TISTR 3366, (B) and (C) B. oryzae DOAC 1760 สรปผลและวจารณผลการทดลอง

จากการทดสอบประสทธภาพการยบยงเชอรา B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. โดยใชแบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. พบวาเชอแบคทเรยปฏปกษทงสองชนด มความสามารถในการยบยงเชอรา ซงสอดคลองกบหลายงานวจยทแสดงให เห นถงศกยภาพในการยบย งเชอ ราของแบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. Oskay 10 ได ศ ก ษ าก ารย บ ย งข อ ง เช อ ส าย พ น ธ Streptomyces KVK30, KEH23, KGG13, KMY10 และ KAK35 ต อ เช อ รา Penicillium sp. พบว าสาย พน ธ Streptomyces KEH23, KGG13, KMY10 และ KAK35 สามารถยบยง Penicillium sp. ได อกทงยง สอดคลองกบการศกษาของ Lee และคณะ11 ไดศกษาการยบยงของ Streptomyces sp. AMG-P1 ตอเชอรา Aspergillus flavus, Phytophthora palmivora แ ล ะ Penicillium oxalicum พบวา Streptomyces sp. AMG-P1 สามารถสรางสารปฏชวนะ Paromomycin ออกมายบยงเชอรา Aspergillus flavus, Phytophthora palmivora แ ล ะ Penicillium oxalicum ได

สาหรบการศกษาฤทธยบยงของแบคทเรยปฏปกษ Bacillus sp. ตอเชอ B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 แ ล ะ Penicillium sp. พบ ว า แ บ ค ท เร ย ป ฏ ป ก ษ Bacillus sp. สาม ารถยบย ง เช อ A. flavus TISTR 3366, P. palmivora DOAC 2072 แ ล ะ B. oryzae DOAC 1760 ซ ง ส อ ด ค ล อ ง ก บ ก าร ศ ก ษ าข อ ง Siahmoshteh และคณะ12 ไดศกษาฤทธการยบยงเชอแบคท เร ย Bacillus พบว าสาม ารถยบยง เช อรา Aspergillus parasiticus ไ ด ก า ร ศ ก ษ า ข อ ง Zongzheng และคณ ะ 13 ไดศ กษาฤทธยบย งเชอรา Phytophthora parasitica (Dast) . โ ด ย ใ ช Bacillus subtilis SY1 พบวา Bacillus subtilis SY1 สามารถยบยงเช อ รา Phytophthora parasitica (Dast). รวม ท ง ย ง

A

B

C

Figure 1 Inhibition zone of Streptomyces sp. against (A) A. flavus TISTR 3366, (B) P. palmivora DOAC 2072 and (C)

Penicillium sp.

Figure 2 Inhibition zone of Bacillus sp. against (A) P. palmivora DOAC 2072, A. flavus TISTR 3366, (B) and (C) B.

oryzae DOAC 1760

J Sci Technol MSUSuwapha Sawiphak, Chanankarn Saengprasan, Aroon Wonggiratthiti288

สรปผลและวจารณผลการทดลอง จากการทดสอบประสทธภาพการยบยงเชอรา B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. โดยใชแบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. พบวาเชอแบคทเรยปฏปกษทงสองชนด มความสามารถในการยบยงเชอรา ซงสอดคลองกบหลายงานวจยทแสดงใหเหนถงศกยภาพในการยบยงเชอราของแบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. Oskay 10 ไดศกษาการยบยงของเชอสายพนธ Streptomyces KVK30, KEH23, KGG13, KMY10 และ KAK35 ตอเชอรา Penicillium sp. พบวาสายพนธ Streptomyces KEH23, KGG13, KMY10 และ KAK35 สามารถยบยง Penicillium sp. ได อกทงยง สอดคลองกบการศกษาของ Lee และคณะ11

ไดศกษาการยบยงของ Streptomyces sp. AMG-P1 ตอเชอรา Aspergillus flavus, Phytophthora palmivora และ Penicillium oxalicum พบวา Streptomyces sp. AMG-P1 สามารถสรางสารปฏชวนะ Paromomycin ออกมายบยงเชอรา Aspergillus flavus, Phytophthora palmivora และ Penicillium oxalicum ได

สำาหรบการศกษาฤทธยบยงของแบคทเรยปฏปกษ Bacillus sp. ตอเชอ B. oryzae DOAC 1760, A. flavus TISTR 3366, P. palmivora DOAC 2072 และ Penicillium sp. พบวา แบคทเรยปฏปกษ Bacillus sp. สามารถยบยงเชอ A. flavus TISTR 3366, P. palmivora DOAC 2072 และ B. oryzae DOAC 1760 ซงสอดคลองกบการศกษาของ Siahmoshteh และคณะ12 ไดศกษาฤทธการยบยงเช อแบคทเรย Bacillus พบวาสามารถยบย งเช อรา Aspergillus parasiticus ได การศกษาของ Zongzheng และคณะ13 ไดศกษาฤทธยบยงเชอรา Phytophthora parasitica (Dast). โดยใช Bacillus subtilis SY1 พบวา Bacillus subtilis SY1 สามารถยบยงเชอรา Phytophthora parasitica (Dast). รวมทงยงสอดคลองกบการศกษาของ Carissimi และคณะ14 ทไดศกษาฤทธของ Bacillus sp. E164 ตอการยบยงเชอรา Bipolaris sorokiniana พบวา Bacillus sp. E164 สามารถยบยงเชอรา Bipolaris sorokiniana ได

แบคทเรยปฏปกษ Streptomyces sp. และ Bacillus sp. สามารถนำามาประยกตใชในการลดปรมาณการใชสารเคมทกำาจดเชอราทกอใหเกดผลเสยตอพช สงผลทำาใหอตราการเนาเสยของพชลดลง

กตตกรรมประกาศ คณะผวจยขอขอบคณมหาวทยาลยราชภฏสกลนครทใหทนสนบสนนการวจย และขอขอบคณสาขาวชาชววทยา คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏสกลนคร ในการสนบสนนเครองมอ และหองปฏบตการในการดำาเนนงานวจย

เอกสารอางอง1. Emmert EAB, Handelsman J. Biocontrol of plant

disease: a (Gram-) positive perspective, FEMS Microbiology Letters 1999 ; 171(1): 1-9.

2. Sumi CD, Yang BW, Yeo IC, Hahm YT. Antimicrobial peptides of the genus Bacillus: a new era for antibiotics, Can J Microbiol 2014 ; 61(2): 93-103.

3. Procópio REDL, Silvaa IRD, Martins MK, Azevedo JLD, Araújo JM. Ant ib iot ics produced by Streptomyces, Braz j infect dis 2012 ; 16(5): 466-471.

4. Picco AM, Rodolfi M. Pyricularia grisea and Bipolaris oryzae: a preliminary study on the occurrence of airborne spores in a rice field, Aerobiologia 2002 ; 18: 163-167.

5. Okoth S, Boevre MD, Vidal A, Mavungu JDD, Landschoot S, Kyallo M, Njuguna J, Harvey J, Saeger SD. Genetic and Toxigenic Variability within Aspergillus flavus Population Isolated from Maize in Two Diverse Environments in Kenya, Frontiers in Microbiology 2018 ; 9(57): 1-14.

6. Torres GA, Sarria GA, Martinez G, Varon F, Drenth A, Guest DI. Bud Rot Caused by Phytophthora palmivora: A Destructive Emerging Disease of Oil Palm, Phytopathology 2016 ; 106(4): 320-329.

7. Visagie CM, Houbraken J, Frisvad JC, Hong SB, Klaassen CHW, Perrone G, Seifert KA, Varga J, Yaguchi T, Samson RA. Identif ication and nomenclature of the genus Penicillium, Studies in mycology 2014 ; 78: 343-371

8. Bérd J. Bioactive Microbial Metabolites, The Journal of Antibiotics 2005 ; 58(1): 1-26.

9. Hockett KL, Baltrus DA. Use of the Soft-agar Overlay Technique to Screen for Bacterially Produced Inhibitory Compounds, Journal of Visualized Experiments 2017 ; 119: 1-5.

10. Oskay M. Antifungal and antibacterial compounds form Streptomyces strains, African Journal of Biotechnology 2009 ; 8(13): 3007-3017.

11. Lee HB, Kim Y, Kim JC, Choi GJ, Park SH, Kim CJ, Jung HS. Activity of some aminoglycoside antibiotics against true fungi, Phytophthora and Pythium species, Journal of Applied Microbiology 2004 ; 99: 836-843.


289

12. Siahmoshteh F, Sicilianob I, Banani H, Hamidi ZE, Razzaghi AM, Gullinob ML, Spadarob D. Efficacy of Bacillus subtilis and Bacillusamylo liquefaciens in the control of Aspergillus parasiticus growth and aflatoxins production on pistachio, International Journal of Food Microbiology 2017 ; 254: 45-53.

13. Zongzheng Y, Xin L, Zhong L, Jinzhao P, Jin Q, Wenyan Y. Effect of Bacillus subtilis SY1 on antifungal activity and plant growth, International Journal of Agricultural and Biological Engineering 2009 ; 2(4): 55-61.

14. Carissimi M, Schipani MG, Carlos JG, Van Der Sand ST. Antifungal activity of Bacillus sp. E164 against Bipolaris sorokiniana, BIOCIENCIAS 2009 ; 17(1): 48.

การศกษาแครโอไทปของตกแตนตวหำาหวหอกเพศผ (Palaeoagraecia brunnea) และตกแตนขาวไฮโรไกลฟสเพศผ (Hieroglyphus banian) ในภาคเหนอของประเทศไทยKaryotypic Study of Male Predaceous Spear-headed Katydid (Palaeoagraecia brunnea) and Male Bluish-green Rice Grasshopper (Hieroglyphus banian) in Northern Thailand

อรอนงค ยามเลย1, อสสระ ปะทะวง2*

Onanong Yamloei1, Isara Patawang2*

Received: 3 July 2019 ; Revised: 29 October 2019 ; Accepted: 22 November 2019

บทคดยอการศกษาแครโอไทปและอดโอแกรมของตกแตนตวหำาหวหอกเพศผ [Palaeoagraecia brunnea (Ingrisch, 1998)] และตกแตนขาวไฮโรไกลฟสเพศผ [Hieroglyphus banian (Fabricius, 1798)] ในภาคเหนอของประเทศไทย เกบตวอยางจากจงหวดลำาพน และเชยงใหม เตรยมโครโมโซมไมโทซสโดยตรงจากเนอเยอทางเดนอาหารและอณฑะของตกแตนเพศผ ดวยเทคนคการใชโคลชซน- สารละลายไฮโปโทนค-นำายาตรงเซลล ยอมสโครโมโซมดวยเทคนคการยอมสแบบธรรมดาดวยสจมซาความเขมขน 20% (v/v) ตรวจสอบโครโมโซมดวยกลองจลทรรศนแบบใชแสงธรรมดาทกำาลงขยาย 1,000 เทา ผลการศกษาพบวาตกแตนตวหำาหวหอกเพศผมจำานวนโครโมโซมดพลอยดเทากบ 13 แทง ประกอบดวยออโตโซม 12 แทง และโครโมโซมเอกซ 1 แทง มสตรแครโอไทป คอ 2n (13)=Lm

12 + X (Lm) chromosome ตกแตนขาวไฮโรไกลฟสเพศผมจำานวนโครโมโซมดพลอยดเทากบ 23 แทง ประกอบ

ดวยออโตโซม 22 แทง และโครโมโซมเอกซ 1 แทง มสตรแครโอไทป คอ 2n (23)=Lt8 + Mt

6 + St

8 + X (Lt) chromosome

คำาสำาคญ: ตกแตนตวหำาหวหอก ตกแตนขาวไฮโรไกลฟส แครโอไทป โครโมโซม ภาคเหนอของประเทศไทย

AbstractKaryotypic and idiogram studies were preformed using male predaceous spear-headed katydid, Palaeoagraecia brunnea (Ingrisch, 1998), and male bluish-green rice grasshopper, Hieroglyphus banian (Fabricius, 1798), collected from Lamphun and Chiang Mai provinces in Northern Thailand . The mitotic chromosomes were directly prepared from gut tissue and male testis tissue by colchicine-hypotonic-fixation techniques and stained by conventional staining 20% (v/v) Giemsa working solution. Chromosomes were observed under compound light microscope (1,000 times). The results showed that the diploid chromosome number of the male Palaeoagraecia brunnea was 2n=13, including 12 autosomes and 1 X chromosome. The karyotype formula of the male Palaeoagraecia brunnea was deduced as: 2n (13)=Lm

12 + X (Lm) chromosome. The diploid chromosome number of the male Hieroglyphus banian was 2n=23,

including 22 autosomes and 1 X chromosome. The karyotype formula of the male Hieroglyphus banian was deduced as: 2n (23)=Lt

8 + Mt

6 + St

8 + X (Lt) chromosome.

Keywords: Palaeoagraecia brunnea, Hieroglyphus banian, Karyotype, Chromosome, North Thailand

1 นกศกษาบณฑตวทยาลย ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยเชยงใหม อำาเภอเมอง จงหวดเชยงใหม 502002 อาจารย ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยเชยงใหม อำาเภอเมอง จงหวดเชยงใหม 502001 Master’s degree student, Graduate School, Department of Biology, Faculty of Science, Chiang Mai University, Mueang District, Chiang Mai 50200, Thailand2 Instructor, Department of Biology, Faculty of Science, Chiang Mai University, Mueang District, Chiang Mai 50200, Thailand* Corresponding author: [email protected]

Vol 39. No 3, May-June 2020 Karyotypic Study of Male Predaceous Spear-headed Katydid (Palaeoagraecia brunnea) and Male Bluish-green Rice Grasshopper...

291

บทนำาตกแตนตวหำาหวหอก [Palaeoagraecia brunnea (Ingrisch, 1998)] เปนสตวไมมกระดกสนหลงในไฟลม Arthropoda ชน Insecta อนดบ Orthoptera วงศ Tettigoniidae วงศยอย Conocephalinae และเผา Agraeciini ตกแตนตวหำาหวหอกมเขตการแพรกระจายพนธตงแต อนเดย ตะวนออกเฉยงใตของเทอกเขาหมาลย มาเลเซย และประเทศไทย1 ปจจบนตกแตนตวหำาหวหอกในสกล Palaeoagraecia ม 6 ชนด ไดแก P. ascenda, P. brunnea, P. chyzeri, P. globiceratus, P. lutea และ P. philippina ลกษณะเดนภายนอกของตกแตน ตวหำาหวหอก คอ ลำาตวสครมอมชมพ มแถบบนหว อก และโคนปกดานบนสดำา2 ลกษณะเฉพาะทใชจำาแนกชนดของตกแตนตวหำาหวหอกคอ สวนของสนหวและอกมแถบสนำาตาลเขมอยตรงกลาง สวนทองดานบนปลองท 10 แบงเปนสองพ มขนาดใหญ และโปงออกเปนมมแหลมยนออกมา ปลายทองม styli อยชดตดกน และม subgenital plate อยกงกลางทางดานทายสวนทอง3

ตกแตนขาวไฮโรไกลฟส [Hieroglyphus banian (Fabricius, 1798)] จดอยในวงศ Acrididae วงศยอย Hemiacridinae และเผา Hieroglyphini1 ตกแตนขาวไฮโรไกลฟสในสกล Hieroglyphus ม 13 ชนด ไดแก H. acuticercus, H. africanus, H. akbari, H. banian, H. annulicornis, H. concolor, H. daganensis, H. indicus, H. kolhapurne-sis, H. nigrorepletus, H. oryzivorus, H. perpolita และ H. tonkinensis ลกษณะเดนภายนอกของตกแตนขาว ไฮโรไกลฟส คอ ตวเตมวยมสเหลองปนเขยวหรอสนำาตาลออนปนเขยว ความยาวของลำาตว 30-50 มลลเมตร หนวดสนำาตาล ตรงขอตอมสเหลองปนเขยว สวนหวโต หนาผากกวาง ตารปไขมขดยาวสดำาในดวงตา สของนยนตาสนำาตาลออนหรอ สนำาตาลแดง สวนอกเปนทรงรปกระบอกและมรอยคาดขวางสดำา 4 เสน ปกยาวคลมปลองทองจนมด ทเบยของขาคหลงมสฟา2 ลกษณะเฉพาะทใชจำาแนกตกแตนชนดขาวไฮโรไกลฟสคอ สวนปลายแพนหางม 2 แฉก ลกษณะเรยวแหลม แฉกบนโคงลง สวนแฉกลางยาวและแหลม4

ระบบกำาหนดเพศของตกแตนในวงศ Tettigoniidae และ Acrididae โดยสวนใหญแลวเปนระบบโครโมโซมเพศแบบ XX/XO (XX ในเพศเมย และ XO ในเพศผ)5,6 ในอดตมรายงานการศกษาโครโมโซมของตกแตนในวงศ Tettigoniidae พบวามความผนแปรของจำานวนโครโมโซมหลายรปแบบ ไดแก ตกแตนเพศผบางชนดมจำานวนโครโมโซมดพลอยดเทากบ 21 แทง7 บางชนดมจำานวนโครโมโซมดพลอยดเทากบ 23 แทงในเพศผ 24 แทงในเพศเมย7,8,9 นอกจากนยงมจำานวน โครโมโซมดพลอยดเทากบ 24 แทง ซงมระบบโครโมโซมเพศแบบ neo-XY system10 จำานวนโครโมโซมดพลอยดเทากบ 27

แทง7,10,11,12 จำานวนโครโมโซมดพลอยดเทากบ 29 แทงในเพศผ 30 แทงในเพศเมย6,9,11,12,13,14 จำานวนโครโมโซมดพลอยด เทากบ 316,7 แทง 33 แทง และ 35 แทงในเพศผ7,14 32 แทง และ 34 แทง ในเพศเมย7,14 สำาหรบตกแตนในสกล Palaeoagraecia ยงไมมรายงานการศกษาโครโมโซมมากอน การศกษาโครโมโซมในตกแตนตวหำาหวหอก (Palaeoagraecia brunnea) ครงน จงเปนรายงานแรกของสกล Palaeoagraecia

สวนตกแตนในวงศ Acrididae มรายงานการศกษาจำานวนโครโมโซมของตกแตนเพศผมจำานวนโครโมโซมดพลอยดเทากบ 19 แทง และ 20 แทงในเพศเมย5 บางชนดมจำานวนโครโมโซมดพลอยดเทากบ 21 แทงในเพศผ และ 22 แทงในเพศเมย15,16 นอกจากนยงมจำานวนโครโมโซมดพลอยดเทากบ 23 แทงในเพศผ และ 24 แทงในเพศเมย5,15,16,17,18,19,20,21,22 สำาหรบตกแตนในสกล Hieroglyphus เคยมรายงานไวในชนด Hieroglyphus banian มจำานวนโครโมโซมดพลอยดเทากบ 23 แทง และมระบบโครโมโซมเพศเปน XX/XO17,19

วสดอปกรณและวธการดำาเนนการศกษา ใชตวอยางตกแตนตวหำาหวหอกเพศผ 10 ตว (หมายเลข AC i1-i10) และตกแตนขาวไฮโรไกลฟสเพศผ 10 ตว (หมายเลข AC i11-i20) (Figure 1) โดยเทยบเคยงกบคำาบรรยายลกษณะสณฐานวทยาจากเอกสารของพสทธ2 รปวธาน ของสกล Palaeoagraecia ตามเอกสารของ Kim and Lee3 และรปวธานของสกล Hieroglyphus ตามเอกสารของ Kumar and Usmani4 ซงใชลกษณะของสลำาตว หนวด หว อก โคนปก ทเบยของขาคหลง แพนหาง และ subgenital plate เพอจำาแนก โดยเกบรวบรวมจากพนทจงหวดลำาพน และเชยงใหม ในชวงเดอนกรกฎาคมถงเดอนตลาคม พ.ศ. 2561 นำาตกแตนมาผานขนตอนการกระตนดวยสารโคลชซนความเขมขน 0.01% (w/v) โดยฉดเขาบรเวณชองทองเปนเวลา 1 ชวโมง หลงจากนนเตรยมโครโมโซมโดยตรงจากเนอเยอทางเดนอาหารและเนอเยออณฑะ สบใหละเอยดในสารละลายโพแทสเซยมคลอไรด (KCl) ความเขมขน 0.075 โมลาร (M) บมไวทอณหภมหองเปนเวลา 30 นาท นำาไปปนเหวยงทความเรว 3,000 รอบตอนาท (rpm) เปนเวลา 10 นาท และทำาการตรงเซลลดวยนำายาตรงเซลลสตรคารนอย (Carnoy’s fixative) จำานวน 3 รอบ จากนนหยดเซลลลงบนสไลดและนำาไปยอมดวยเทคนคการยอมสแบบธรรมดา (conventional Giemsa) ดวยสจมซาความเขมขน 20% (v/v) ตรวจสอบโครโมโซมดวยกลองจลทรรศนแบบใชแสงธรรมดาทกำาลงขยาย 1,000 เทา ถายภาพเพอนำามาวเคราะห จดทำาแครโอไทปจากโครโมโซมระยะเมทาเฟส จำาแนกชนดโครโมโซมโดยอางองตามวธการของอลงกลด และคณะ23 และ Turpin and Lejeune24

J Sci Technol MSUOnanong Yamloei, Isara Patawang292

ตวอยางตกแตนทเหลอจากการตดเอาเนอเยอทางเดนอาหารและอณฑะ ถกรกษาสภาพไวในเอทลแอลกอฮอลล 70% จดทำาบนทกทะเบยนตวอยางและเกบรกษาไว ณ แหลงรวบรวมสตวของหองปฏบตการวจยพนธศาสตรระดบเซลลและเซลลซสเทเมตคส (Animal Collection of Cytogenetics and Cytosystematics Research, AC) ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยเชยงใหม เพอใชสำาหรบการศกษาอนๆ ทเกยวของตอไปในอนาคต

2n (13)=Lm12 + X (Lm) chromosome

ตกแตนขาวไฮโรไกลฟสเพศผมชดโครโมโซมแบบ ดพลอยดจำานวน 23 แทง ประกอบดวยออโตโซม 22 แทง เปนโครโมโซมชนดเทโลเซนทรก (telocentric) ทงหมด โดยแบงออกเปน 3 ขนาด ประกอบดวยโครโมโซมขนาดใหญ 4 ค (คท 1-4) ขนาดกลาง 3 ค (คท 5-7) และขนาดเลก 4 ค (คท 8-11) และโครโมโซมเพศ 1 แทง โดยเปนโครโมโซม X ทมขนาดใหญ ทงนจากการยอมสโครโมโซมดวยสจมซาแบบธรรมดา ไมสามารถตรวจพบตำาแหนงรอยคอดทสองหรอตำาแหนงเอนโออารบนแครโอไทปของตกแตนขาวไฮโรไกลฟสเพศผได (Figures 3, 4B and Table 1B) และสามารถเขยนสตรแครโอไทปไดดงน

2n (23)=Lt8 + Mt

6 + St


Figure 1 General characteristics of Palaeoagraecia brunnea (A) and Hieroglyphus banian (B) ผลการศกษาตกแตนตวห าหวหอกเพศผ ม ชดโครโมโซมแบบ ดพลอยดจานวน 13 แทง ประกอบดวยออโตโซม 12 แทง เปนโครโมโซมชนดเมทาเซนทรกขนาดใหญ (large metacentric) ท ง หมด แล ะ โคร โม โซมเพศ 1 แทง โดยเปนโครโมโซม X ซงเปนชนดเมทาเซน ทรกขนาดใหญ โครโมโซมเครองหมายทสงเกตจากลกษณะรปรางโดยวธการยอมสโครโมโซมแบบธรรมดาสามารถตรวจพบทโครโมโซมคท 4 มลกษณะเปนรอยคอดทสองซงเปนบรเวณทเปนตาแหนงของเอนโออาร (NOR) ปรากฏบนแขนขางสนใกลกบตาแหนงของเซนโทรเมยร (Figures 2, 4A and Table 1A) และสามารถเขยนสตรแครโอไทปไดดงน 2n (13) = Lm

12 + X (Lm) chromosome

ตกแตนขาวไฮโรไกลฟสเพศผมชดโครโมโซม แบบดพลอยดจานวน 23 แทง ประกอบดวยออโตโซม 22 แทง เปนโครโมโซมชนดเทโลเซนทรก (telocentric) ทงหมด โดยแบงออกเปน 3 ขนาด ประกอบดวย โครโมโซมขนาดใหญ 4 ค (คท 1-4) ขนาดกลาง 3 ค (คท 5-7) และขนาดเลก 4 ค (คท 8-11) และโครโมโซมเพศ 1 แทง โดยเปนโครโมโซม X ทมขนาดใหญ ทงนจากการยอมสโครโมโซมดวยสจมซาแบบธรรมดา ไมสามารถตรวจพบตาแหนงรอยคอดทสองหรอตาแหนงเอนโออารบนแครโอไทปของตกแตนขาวไฮโรไกลฟสเพศผได (Figures 3, 4B and Table 1B) และสามารถเขยนสตรแครโอไทปไดดงน 2n (23) = Lt

8 + Mt6 + St


Figure 2 Metaphase chromosome plate and karyotype of male predaceos spear-headed katydid (Palaeoagraecia brunnea, 2n=13) by conventional staining technique

(A) (B)

X

1 2 3 4

5 6 7 8

5 µm

NOR NOR

X 1 2 3 4

5 6 X

Figure 1 General characteristics of Palaeoagraecia brunnea (A) and Hieroglyphus banian (B) ผลการศกษาตกแตนตวห าหวหอกเพศผม ชดโครโมโซมแบบ ดพลอยดจานวน 13 แทง ประกอบดวยออโตโซม 12 แทง เปนโครโมโซมชนดเมทาเซนทรกขนาดใหญ (large metacentric) ท ง หมด แล ะ โคร โม โซมเพศ 1 แทง โดยเปนโครโมโซม X ซงเปนชนดเมทาเซน ทรกขนาดใหญ โครโมโซมเครองหมายทสงเกตจากลกษณะรปรางโดยวธการยอมสโครโมโซมแบบธรรมดาสามารถตรวจพบทโครโมโซมคท 4 มลกษณะเปนรอยคอดทสองซงเปนบรเวณทเปนตาแหนงของเอนโออาร (NOR) ปรากฏบนแขนขางสนใกลกบตาแหนงของเซนโทรเมยร (Figures 2, 4A and Table 1A) และสามารถเขยนสตรแครโอไทปไดดงน 2n (13) = Lm



8 + Mt6 + St



(A) (B)

X

1 2 3 4

5 6 7 8

5 µm

NOR NOR

X 1 2 3 4

5 6 X

Figure 1 General characteristics of Palaeoagraecia brunnea (A) and Hieroglyphus banian (B)

ผลการศกษา ตกแตนตวหำาหวหอกเพศผมชดโครโมโซมแบบ ดพลอยดจำานวน 13 แทง ประกอบดวยออโตโซม 12 แทง เปนโครโมโซมชนดเมทาเซนทรกขนาดใหญ (large metacentric) ทงหมด และโครโมโซมเพศ 1 แทง โดยเปนโครโมโซม X ซงเปนชนดเมทาเซนทรกขนาดใหญ โครโมโซมเครองหมายทสงเกตจากลกษณะรปรางโดยวธการยอมสโครโมโซมแบบธรรมดาสามารถตรวจพบทโครโมโซมคท 4 มลกษณะเปนรอยคอดทสองซงเปนบรเวณทเปนตำาแหนงของเอนโออาร (NOR) ปรากฏบนแขนขางสนใกลกบตำาแหนงของเซนโทรเมยร (Figures 2, 4A and Table 1A) และสามารถเขยนสตรแครโอไทปไดดงน




8 + Mt6 + St



(A) (B)

X

1 2 3 4

5 6 7 8

5 µm

NOR NOR

X 1 2 3 4

5 6 X

Figure 1 General characteristics of Palaeoagraecia brunnea (A) and Hieroglyphus banian (B) ผลการศกษาตกแตนตวห าหวหอกเพศผม ชดโครโมโซมแบบ ดพลอยดจานวน 13 แทง ประกอบดวยออโตโซม 12 แทง เปนโครโมโซมชนดเมทาเซนทรกขนาดใหญ (large metacentric) ท ง หมด แล ะ โคร โม โซมเพศ 1 แทง โดยเปนโครโมโซม X ซงเปนชนดเมทาเซน ทรกขนาดใหญ โครโมโซมเครองหมายทสงเกตจากลกษณะรปรางโดยวธการยอมสโครโมโซมแบบธรรมดาสามารถตรวจพบทโครโมโซมคท 4 มลกษณะเปนรอยคอดทสองซงเปนบรเวณทเปนตาแหนงของเอนโออาร (NOR) ปรากฏบนแขนขาง สนใกลกบตาแหนงของเซนโทรเมยร (Figures 2, 4A and Table 1A) และสามารถเขยนสตรแครโอไทปไดดงน 2n (13) = Lm



8 + Mt6 + St



(A) (B)

X

1 2 3 4

5 6 7 8

5 µm

NOR NOR

X 1 2 3 4

5 6 X

Figure 2 Metaphase chromosome plate and karyotype of male predaceos spear-headed katydid (Palaeoagraecia

brunnea, 2n=13) by conventional staining technique


293

วจารณและสรปผล ผลการศกษาโครโมโซมของตกแตนขาวไฮโรไกลฟส (Hieroglyphus banian) พบวาโครโมโซมของตกแตนขาว ไฮโรไกลฟส สอดคลองกบรายงานกอนหนานทระบถงจำานวน โครโมโซมดพลอยดในตกแตนขาวไฮโรไกลฟสเพศผเทากบ 23 แทง มรปแบบแครโอไทปแบบเทโลเซนทรกทงหมด และพบโครโมโซมเพศเปนระบบ XX/XO17,19 (Table 3) นอกจากน ยงสอดคลองกบลกษณะแครโอไทปสวนใหญของตกแตนในวงศ Acrididae ทประกอบดวยโครโมโซมชนดเทโลเซนทรก และโครโมโซมเพศเปนระบบ XX/XO โดยเพศเมยมโครโมโซมเพศเปน XX และเพศผเปน XO5,15-22




8 + Mt6 + St



(A) (B)

X

1 2 3 4

5 6 7 8

5 µm

NOR NOR

X 1 2 3 4

5 6 X




8 + Mt6 + St



(A) (B)

X

1 2 3 4

5 6 7 8

5 µm

NOR NOR

X 1 2 3 4

5 6 X

Figure 3 Metaphase chromosome plate and karyotype of male bluish-green rice grasshopper (Hieroglyphus banian,

2n=23) by conventional staining technique

Table 1 Mean length of the short arm chromosome (Ls), long arm chromosome (Ll), total arm chromosome (LT), relative length (RL), centromeric index (CI) and standard deviation (SD) of RL, CI from metaphase cell of male predaceos spear-headed katydid (Palaeoagraecia brunnea, 2n=13) (A) and male bluish-green rice grasshopper (Hieroglyphus banian, 2n=23) (B)

Species Pair Ls Ll LT RL±SD CI±SD Size Type

A 1 4.023 5.090 9.113 0.180±0.012 0.559±0.036 Large Metacentric

2 3.415 5.001 8.416 0.166±0.007 0.594±0.044 Large Metacentric





X 3.018 3.765 6.783 0.134±0.008 0.555±0.037 Large Metacentric

B 1 0.000 6.677 6.677 0.149±0.024 1.000+0.000 Large Telocentric

2 0.000 5.843 5.843 0.131±0.011 1.000+0.000 Large Telocentric



5 0.000 3.962 3.962 0.089±0.019 1.000+0.000 Medium Telocentric




Table 1 Mean length of the short arm chromosome (Ls), long arm chromosome (Ll), total arm chromosome (LT), relative length (RL), centromeric index (CI) and standard deviation (SD) of RL, CI from metaphase cell of male predaceos spear-headed katydid (Palaeoagraecia brunnea, 2n=13) (A) and male bluish-green rice grasshopper (Hieroglyphus banian, 2n=23) (B) (continue)

Figure 4 Idiograms of male Palaeoagraecia brunnea, 2n=13 (A) and male Hieroglyphus banian, 2n=23 (B) by conventional staining technique

Table 2 Review of cytogenetic reports in the family Tettigoniidae

8 0.000 3.065 3.065 0.069±0.015 1.000+0.000 Small Telocentric 9 0.000 1.716 1.716 0.038±0.010 1.000+0.000 Small Telocentric 10 0.000 1.560 1.560 0.035±0.008 1.000+0.000 Small Telocentric 11 0.000 1.228 1.228 0.027±0.004 1.000+0.000 Small Telocentric X 0.000 4.088 4.088 0.092±0.037 1.000+0.000 Large Telocentric

NOR

Large Medium Small

Large (A)

(B)

1 2 3 4 5 6 7 8 9 10 11 X

1 2 3 4 5 6 X

Figure 4 Idiograms of male Palaeoagraecia brunnea, 2n=13 (A) and male Hieroglyphus banian, 2n=23 (B) by conventional staining technique

Table 2 Review of cytogenetic reports in the family Tettigoniidae

Family 2n Sex determination system Reference

Tettigoniidae 21(♂), XX/XO Na and Bing-Zhong6, Ferreira and Mesa7,14, Warchalowska-Sliwa et al.8,12,

Grzywacz et al.10, Hemp et al.9,11, Barranco et al.13

23(♂) 24(♀), 27(♂),

29(♂) 30(♀),

31(♂) 32(♀),

33(♂) 34(♀),

35(♂)

24(♂) 24(♀) Neo-XY Grzywacz et al.10

Only genus Palaeoagraecia

P. brunnea 13(♂) XX/XO This study

Species Pair Ls Ll LT RL±SD CI±SD Size Type

8 0.000 3.065 3.065 0.069±0.015 1.000+0.000 Small Telocentric




X 0.000 4.088 4.088 0.092±0.037 1.000+0.000 Large Telocentric


295

Table 3 Review of cytogenetic reports in the family Acrididae

Family 2n Sex determination system Reference

Acrididae 19(♂) 20(♀), XX/XO Mesa and Fontanetti5, Grzywacz et al.15,

Bugrov et al.16, บงอร17, Ashok18, Koli et al.19,

Phimphan et al.20, Sandhu and Chadha21,

John and Naylor22

21(♂) 22(♀),

23(♂) 24(♀)

Only genus Hieroglyphus

H. banian 23(♂) XX/XO บงอร17, Koli et al.19, This study

แครโอไทปของตกแตนขาวไฮโรไกลฟสมลกษณะแบบโบราณ (primitive) เนองจากมโครโมโซมเปนชนดเทโลเซนทรกทงหมด ซงเปนลกษณะแครโอไทปแบบโบราณทถายทอดมาจากบรรพบรษ โดยสอดคลองกบการศกษาของ Mesa and Fontanetti ทพบวาตกแตนในวงศ Acrididae มการอนรกษรปแบบของแครโอไทปแบบโบราณไวสง คอ จำานวน โครโมโซมดพลอยดเทากบ 23 ในเพศผ และเปนโครโมโซมชนดเทโลเซนทรกทงหมด5

ผลการศกษาในตกแตนตวหำาหวหอกพบวามโครโมโซมดพลอยดเทากบ 13 แทง และลกษณะแครโอไทปประกอบดวยโครโมโซมชนดเมทาเซนทรกขนาดใหญทงหมด ซงมความแตกตางจากรายงานการศกษากอนหนานของตกแตนชนดอนในวงศ Tettigoniidae ทงจำานวนโครโมโซม ดพลอยด ขนาดของโครโมโซม และชนดของโครโมโซม พบวา มจำานวนโครโมโซมดพลอยดตงแต 21 ถง 35 แทง (Table 2) นอกจากนยงพบความผนแปรของรปรางโครโมโซมในแบบตางๆ คอมรปแบบแครโอไทปทประกอบไปดวยโครโมโซมชนดเทโลเซนทรกหรออะโครเซนทรก ทงขนาดใหญและขนาดกลาง ซงเปนลกษณะแครโอไทปแบบโบราณของบรรพบรษ เรมแรก6-14 สวนระบบโครโมโซมเพศไมแตกตางกนคอเปนแบบ XX/XO โดยโครโมโซม X เปนโครโมโซมชนดเมทาเซนทรก เกอบทงหมด ยกเวน Grzywacz et al. ซงพบวามตกแตน บางชนดทมระบบโครโมโซมเพศแบบ neo-XY10

เมอเปรยบเทยบแครโอไทปของตกแตนตวหำาหวหอกกบตกแตนชนดอนในวงศ Tettigoniidae พบวาแครโอไทปของตกแตนตวหำาหวหอกมลกษณะแบบพฒนาหรอมอายววฒนาการคอนขางนอย เกดจากการเปลยนแปลงระดบโครโมโซมทแยกออกมาจากสายสมพนธหลก โดยสอดคลองกบทฤษฎววฒนาการระดบโครโมโซมของ White25 คอโครโมโซมอาจเกดการเปลยนแปลงมาจากบรรพบรษทเกดการแตกหกของชนสวนโครโมโซมชนดเทโลเซนทรกหรอ อะโครเซนทรก 2 แทง แลวเกดการเชอมรวมกนทบรเวณ เซนโทรเมยร (centric fusion)เปลยนแปลงเปนโครโมโซมชนดเมทาเซนทรกหรอซบเมทาเซนทรกจำานวน 1 แทง ชนสวน โครโมโซมบางสวนทไมมเซนโทรเมยรจะเกดการสญหาย (loss) และมผลทำาใหจำานวนโครโมโซมลดลง (Figure 5)

แบบจำาลองนเปนเพยงสมมตฐานการเปลยนแปลงของโครงสรางโครโมโซมทเกดขนระหวางววฒนาการโดยใชขอมลทางพนธศาสตรระดบเซลลสนบสนน ในการพสจนสมมตฐานตามแบบจำาลองการเกดววฒนาการระดบโครโมโซมของตกแตนวงศ Tettigoniidae จะตองศกษาเพมเตมดวย เทคนคอนๆ ตอไปในอนาคต เพอสนบสนนและใหไดแบบจำาลอง สมมตฐานทถกตองทสด


กตตกรรมประกาศ งานวจยนไดรบการสนบสนนทนวจยจากโครงการสงเสรมการผลตครทมความสามารถพเศษทางวทยาศาสตรและคณตศาสตร (สควค.) สถาบนสงเสรมการสอนวทยาศาสตร และเทคโนโลย (สสวท.) และไดรบอนญาตการใชสตวทดลองตามมาตรฐานสถาบนพฒนาการดำาเนนการตอสตวเพองานทางวทยาศาสตรสำานกงานคณะกรรมการวจยแหงชาต (เลขทคำาขอรบใบอนญาตใชสตว U1-04491-2559)

เอกสารอางอง1. Cigliano MM. Orthoptera Species File. Version 12.10.

Species File Group. 2019. Available: https://doi.org/10.15468/nn7jhc Accessed 19 February, 2019.

2. พสทธ เอกอำานวย. โลกของตกแตน จงหรด 2 ตกแตนตางๆ Grasshoppers. พมพครงท 1. กรงเทพฯ: พลสเพรส ; 2556: 10-34.

3. Kim T, Lee KW. A new record of Palaeoagraecia lutea (Orthoptera: Tettigoniidae: Conocephalinae: Agraeciini) in Korea. Animal Systematics, Evolution and Diversity 2019 ; 35(3): 143-150.

4. Kumar H, Usmani M. A review of the genus Hieroglyphus (Acrididae: Hemiacridinae) from India, with description of a new species. Tropical Zoology 2015 ; 28:1-21.

5. Mesa A, Fontanetti CS. Karyotypes of nine Brazilian species of acridids (Orthoptera, Acridoidea). Revista Brasileira de Genetica 1983 ; 6(2): 295-305.

6. Na L, Bing-Zhong R. Karyotypes of Tettigoniidae (Orthoptera: Tettigonioidea) in Northeast China. Zootaxa 2007 ; 1475: 61-68.

7. Ferreira A, Mesa A. Cytogenetics studies in thirteen brazilian species of Phaneropterinae (Orthoptera: Tettigonioidea: Tettigoniidae): main evolutive trends based on their karyological traits. Neotropical Entomology 2007 ; 36(4): 503-509.

8. Warchalowska-Sliwa E, Grzywacz B, Maryanska-Nadachowska A, Karamysheva TV, Rubtsov NB, Chobanov DP. Chromosomal differentiation among bisexual European species of Saga (Orthoptera: Tettigoniidae: Saginae) detected by both classi-cal and molecular methods. European Journal of Entomology 2009 ; 106(1): 1-9.

9. Hemp C, Heller K, Warchalowska-Sliwa E, Grzywacz B. A molecular phylogeny of east African amytta (Orthoptera: Tettigoniidae, Meconematinae) with data on their cytogenetics. Systematic Entomology 2018 ; 43(2): 239-249.

10. Grzywacz B, Hemp C, Heller KG, Hemp A, Chobanov DP, Warchalowska-Sliwa E. Cytogenetics and molecular differentiation in the African armoured ground bushcrickets (Orthoptera: Tettigoniidae: Hetrodinae). Zoologischer Anzeiger 2015 ; 259(1): 22-30.

11. Hemp C, Heller KC, Warchalowska-Sliwa E, Grzywacz B, Hemp A. Ecology, acoustics and chromosomes of the East Afr ican genus Afroanthracites Hemp & Ingrisch (Orthoptera, Tettigoniidae, Conocephalinae, Agraeciini) with the description of new species. Organisms Diversity & Evolution 2015 ; 15: 351-368.

12. Warchalowska-Sliwa E, Grzywacz B, Maryanska-Nadachowska A, Karamysheva TV, Chobanov DP, Heller KG. Cytogenetic variability among bradyporinae species (Orthoptera: Tettigoniidae). European Journal of Entomology 2013 ; 110(1): 1-12.

13. Barranco P, Cabrero J, Camacho JPM, Pascual F. Chromosomal basis for a bilateral gynandromorph in Pycnogaster inermis (Rambur,1838) (Orthoptera, Tettigoniidae). Contribution to Zoology 1995 ; 65(2): 123-127.

แบบตางๆ คอมรปแบบแครโอไทปทประกอบไปดวยโครโมโซมชนดเทโลเซนทรกหรออะโครเซนทรก ทงขนาดใหญและขนาดกลาง ซงเปนลกษณะแครโอไทปแบบโบราณของบรรพบรษเรมแรก6,7,8,9,10,11,12,13,14 สวนระบบโครโมโซมเพศไมแตกตางกนคอเปนแบบ XX/XO โ ดย โคร โม โซม X เป น โคร โม โซมชนด เมทาเซนทรกเกอบทงหมด ยกเวน Grzywacz et al.

ซงพบวามตกแตนบางชนดทมระบบโครโมโซมเพศแบบ neo-XY10 เมอเปรยบเทยบแครโอไทปของต กแตน ตวหาหวหอกกบตกแตนชนดอนในวงศ Tettigoniidae พบวาแครโอไทปของตกแตนตวหาหวหอกมลกษณะแบบพฒนาหรอมอายววฒนาการคอนขางนอย เกดจากการเปลยนแปลงระดบโครโมโซมทแยกออกมาจากสายสมพนธหลก โดยสอดคลอง กบทฤษฎว วฒนาการ ร ะ ดบ โคร โม โซมของ White25 ค อโครโมโซมอาจเกดการเปลยนแปลงมาจากบรรพบรษทเ ก ดการแ ต กห กข อง ชน ส วน โ คร โ ม โ ซ ม ช น ด เทโลเซนทรกหรออะโครเซนทรก 2 แทง แลวเกดการเชอมรวมกนทบรเวณเซนโทรเมยร (centric fusion)เปลยนแปลงเปนโครโมโซมชนดเมทาเซนทรกหรอ ซบเมทาเซนทรกจานวน 1 แทง ชนสวนโครโมโซมบางสวนทไมมเซนโทรเมยรจะเกดการสญหาย (loss) และมผลทาใหจานวนโครโมโซมลดลง (Figure 5) แบบจ าลองน เปน เพยงสมมต ฐ าน การเปลยนแปลงของโครงสรางโครโมโซมทเกดขนระหวางววฒนาการโดยใชขอมลทางพนธศาสตรระดบเซลลสนบสนน ในการพสจนสมมตฐานตามแบบจาลองการเกดววฒนาการระดบโครโมโซมของตกแตนวงศ Tettigoniidae จะตองศกษาเพมเตมดวยเทคนคอนๆ ตอไปในอนาคต เพอสนบสนนและใหไดแบบจาลองสมมตฐานทถกตองทสด

Figure 5 Model of chromosome rearrangement by centric fusion กตตกรรมประกาศ งานวจยนไดรบการสนบสนนทนวจยจากโครงการสง เสรมการผลตครทมความสามารถพ เศษทางวทยาศาสตรและคณตศาสตร (สควค.) สถาบนสงเสรมการสอนวทยาศาสตร และเทคโนโลย (สสวท.) และไดรบอนญาตการใชสตวทดลองตามมาตรฐานสถาบนพฒนาการดาเนนการตอสตวเพองานทางวทยาศาสตรสานกงานคณะกรรมการวจยแหงชาต (เลขทคาขอรบใบอนญาตใชสตว U1-04491-2559) เอกสารอางอง 1. Cigliano MM. Orthoptera Species File.

Version 12.10. Species File Group. 2019. Available: https://doi.org/10.15468/nn7jhc Accessed 19 February, 2019.

2. พสทธ เอกอานวย. โลกของตกแตน จงหรด 2 ตกแตนตางๆ Grasshoppers. พมพคร งท 1. กรงเทพฯ: พลสเพรส; 2556. หนา 10-34.

3. Kim T, Lee KW. A new record of Palaeoagraecia lutea (Orthoptera: Tettigoniidae: Conocephalinae: Agraeciini) in Korea. Animal Systematics, Evolution and Diversity 2019;35(3):143-150.

4. Kumar H, Usmani M. A review of the genus Hieroglyphus (Acrididae: Hemiacridinae) from India, with description of a new species. Tropical Zoology 2015;28:1-21.

5. Mesa A, Fontanetti CS. Karyotypes of nine Brazilian species of acridids (Orthoptera,

2 acrocentrics 1 metacentric

Loss

Break Break

Centric fusion

Figure 5 Model of chromosome rearrangement by centric fusion

2 acrocentrics 1 metacentric


297

14. Ferreira A, Mesa A. Cytogenetics studies in brazilian species of Pseudophyllinae (Orthoptera: Tettigoniidae): 2n(♂)=35 and FN=35 the probable basic and ancestral karyotype of the family Tettigoniidae. Neotropical Entomology 2010 ; 39(4): 590-594.

15. Grzywacz B, Tatsuta H, Shikat K, Elz bieta W. A comparative chromosome mapping study in Japanese Podismini grasshoppers (Orthoptera: Acrididae: Melanoplinae). Cytogenetic and Genome Research 2018 ; 154(1): 37-44.

16. Bugrov A, Warchalowska-Sliwa E, Maryanska - Nadachowska A. Karyotype evolut ion and chromosome C-banding patterns in some podismini grasshoppers (Orthoptera, Acrididae). Caryologia 1994 ; 47(2): 183-191.

17. บงอร กองอม. ไมโตตกคารโอไทปของตกแตนหนวดสนบางชนดในจงหวดขอนแกนและ สกลนคร. วทยานพนธปรญญาวทยาศาสตรมหาบณฑต สาขาวชาชววทยา, บณฑตวทยาลย มหาวทยาลยขอนแกน. ขอนแกน ; 2544: 108-109.

18. Ashok KS. Cytology and cytotaxonomy of Acrididae: a summary. Records of the Zoological Survey of India 2006 ; 106(3): 47-78.

19. Koli YJ, Gaikwad SM, Bharmal DL, Bhawane GP. Karyotypic studies of six species of grasshopper (Orthoptera: Acrididae) from Kolhapur District, Maharashtra, India. Cytologia 2013 ; 78(3): 255-260.

20. Phimphan S, Sangpakdee W, Sangpakdee K, Tanomtong A. Chromosomal analysis and meiosis studies of Oxya chinensis (Orthoptera: Acrididae) from Thailand. The Nucleus 2017 ; 60(1): 9-15.

21. Sandhu SK, Chadha P. Karyological studies of four species of grasshoppers from Gurdaspur District of Punjab, India. The Nucleus 2012 ; 55(3): 167-170.

22. John B, Naylor B. Anomalous chromosome behavior in the germ line of Schistocerca gregaria. Heredity 1961 ; 16: 187-198.

23. อลงกลด แทนออมทอง กฤษณ ปนทอง และอสสระ ปะทะวง. พนธศาสตรระดบเซลล. พมพครงท 1. กรงเทพฯ: สำานกพมพจฬาลงกรณมหาวทยาลย ; 2562: 429-505.

24. Turpin R, Lejeune J. Les chromosomes humains (caryotype normal et variations pathologiques). Paris: Gauthier Villars 1965 ; (6): 965-966.

25. White MJD. Animal cytology and evolution. Cambridge University Press, Cambridge ; 1973: 961.

สารออกฤทธทางชวภาพ ฤทธตานออกซเดชนและฤทธยบยงแอลฟากลโคซเดสจาก สวนสกดเอทานอลของตดหมตดหมา (Paederia linearis Hook.f.)Bioactive Compounds, Antioxidant and α-Glucosidase Inhibitory Activities from Ethanolic Extracts of Tot Mu Tot Ma (Paederia linearis Hook.f.)

พรทพย ปดตาเคนง1, วลาวณย พรอมพรม2*, วรรณชย ชาแทน2 Phorntip Padtakenang1, Wilawan Promprom2*, Wannachai Chatan2

Received: 3 October 2019 ; Revised: 30 January 2020 ; Accepted: 18 February 2020

บทคดยอวตถประสงคของการศกษาครงน เพอศกษาสารออกฤทธทางชวภาพ ฤทธตานออกซเดชน และฤทธการยบยงแอลฟากลโคสซเดส ของสารสกดหยาบสวนราก ลำาตน และใบของตดหมตดหมา ซงสกดดวยวธการแชดวยตวทำาละลายเอทานอล ในการทดสอบสารออกฤทธทางชวภาพหรอสารพฤกษเคมเบองตน ตรวจพบสารพฤกษเคมในทกสารสกด คอ ฟลาโวนอยด เทอรพนอยด ซาโปนน สเตยรอยด คารดแอคไกลโคไซด ปรมาณฟนอลกรวม และฟลาโวนอยดรวม

การตรวจสอบหาฤทธตานออกซเดชนดวยวธ 2,2-diphenyl-1-picrylhydrazyl (DPPH) และวธ Ferric reducing antioxidant power (FRAP) พรอมทงวเคราะหการยบยงเอนไซมแอลฟากลโคซเดส กถกนำามาวเคราะหดวย ผลการศกษาพบวา สารสกดจากใบมปรมาณฟนอลกและปรมาณฟลาโวนอยดรวมมากทสดเทากบ 174.42±2.07 mgGAE.g-¹ และ 41.32±1.94 mgQE.g-1 ใบของตดหมตดหมายงแสดงฤทธตานออกซเดชนมากทสดของทงสองวธ ดวยวธ DPPH และวธ FRAP คอ รอยละ 40.73±6.68 และ 21.35 ± 5.80 mMFe.g ¹ นอกจากนพบวาสวนใบของตดหมตดหมาแสดงฤทธการยบยงแอลฟากลโคซเดสมากทสด คอ รอยละ 93.04±1.63 ผลการศกษาแสดงใหเหนศกยภาพของสารสกดจากใบของตดหมตดหมาอาจจะสามารถใชในการบำาบดโรคเบาหวานชนดท 2

คำาสำาคญ: ตดหมตดหมา สารออกฤทธทางชวภาพ ฤทธตานออกซเดชน แอลฟากลโคซเดส

AbstractThe aims of this work were to study bioactive compounds, antioxidant and alpha glucosidase inhibitory activites of Tot Mu Tot Ma (Paederia linearis) in crude extracts of root, stem and leaf. The maceration method was used with ethanol as solvent. Bioactive compounds in the phytochemical screening study, were flavonoid, terpenoid, saponin, steroid and cardiac glycosides. Total phenolic and flavonoid content were measured in all extracts. Investigation of antioxidant activites used 2,2-diphenyl-1-picrylhydrazyl (DPPH) and ferric reducing antioxidant power (FRAP). In vitro α-glucosidase inhibitory assays were performed in this study. The results showed that the ethanolic leaf extracts had the highest total phenolic content (174.42±2.07 mgGAE.g-¹) and flavonoid content (41.32±1.94 mgQE.g-1). Antioxidant activity in leaf extracts was high in both testing methods, i.e. DPPH method (40.73±6.68%) and FRAP method (21.35±5.80 mMFe.g-1). In addition, the leaf of P. linearis revealed highest alpha glucosidase inhibitory activity at 93.04±1.63%. The results suggest that the leaf extract of P. linearis may be used to treat type 2 diabetes.

Keywords: Paederia linearis Hook. F., Bioactive compound, Antioxidant activities, Alpha glucosidase

1 นกศกษา หลกสตรวทยาศาสตรมหาบณฑต สาขาวชาชววทยาศกษา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม2 ผชวยศาสตราจารย ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม1 Master of Science (Biology Education), Faculty of Science, Mahasarakham University, Kantharawichai District, Mahasarakham Province. 44150 E-mail: [email protected] 2 Assistant Professor, Faculty of Science, Mahasarakham University, Kantharawichai District, Mahasarakham Province. 44150 * Correspondent author : [email protected]

Vol 39. No 3, May-June 2020 Bioactive Compounds, Antioxidant and α-Glucosidase Inhibitory Activities from Ethanolic Extracts of Tot Mu Tot Ma (Paederia linearis Hook.f.)

299

บทนำาปจจบนโลกเผชญกบปญหาสขภาพ โดยเฉพาะโรคเรอรงมมากขน มขอสนนฐานวาอนมลอสระ (free radicals) เปนสาเหตสำาคญทเกยวของกบการเกดโรค หากพบวาในรางกายมอนมลอสระมากจนเกนความสามารถของกลไกการตานออกซเดชนภายในเซลลแลว โมเลกลอนมลอสระอาจทำาใหเกดการเปลยนแปลงโครงสรางดเอนเอ สภาพของโปรตนและไขมนของเยอหมเซลล สงผลใหเกดความผดปกตของรางกาย เชน ภาวะความแกชรา โรคหวใจและหลอดเลอด และถาอนมลอสระสะสมในรางกายเปนระยะเวลายาวนานจะสงผลทำาใหเกดภาวะโรคเบาหวาน1 โดยเฉพาะโรคเบาหวานชนดท 2 (type 2 diabetes) ซงเปนเบาหวานชนดทไมพงอนซลน (non-insulin dependent diabetes) แนวทางในการศกษาการรกษาโรคเบาหวานชนดท 2 คอ ศกษากลไกการยบยงการทำางานของเอนไซมแอลฟากลโคซเดส ซงนบวาเปนแนวทางทนาสนใจอยางหนง เพราะเอนไซมแอลฟากโคซเดสเปนเอนไซมซงอยบรเวณผนงของลำาไสเลก ทำาหนาทยอยแปงและคารโบไฮเดรตใหเปนนำาตาลโมเลกลเดยวดวยปฏกรยาไฮโดรไลซสของเอนไซม การยบยงการทำางานของเอนไซมแอลฟากลโคซเดสทำาใหสามารถชะลอการดดซมกลโคสเขาสกระแสเลอด ทำาใหระดบนำาตาลในเลอดลดลง ซงเปนแนวทางหนงในการบำาบดรกษาโรคเบาหวาน ในปจจบนยาทใชรกษาโรคเบาหวานชนดท 2 ไดแก อะคาโบส (acarbose) โวกลโบส (voglibose) และ ไมกลทอล (miglitol) แตเมอรบประทานในระยะเวลาทยาวนาน จะทำาใหเกดอาการทองอด แนนทอง ผายลมบอย ถายเหลว และปวดทอง2 ดงนนนกวทยาศาสตรจงสนใจศกษาพชสมนไพรทลดอาการขางเคยงและมกลไกการออกฤทธยบยงการทำางานของเอนไซมแอลฟากลโคซเดส มคณสมบตเปนไดทงอาหารและสามารถลดระดบนำาตาลในเลอดและนำามาใชรกษาโรคเบาหวานไดอยางมประสทธภาพ

ตดหมตดหมา (Paederia linearis Hook.f.) จดอยในวงศ Rubiaceae เปนไมเถาขนาดเลกขนตามธรรมชาต เลอยตามพนดน หรอเกยวพนตนไมอน3กอนหนานมรายงานการวจยของตดหมตดหมา โดยใชสารสกดจากรากทสกดดวยเมทานอล ตรวจพบสารประกอบฟลาโวนอยด (flavonoid) และฟนอลก (phenolic) เมอนำาไปทดสอบฤทธตานออกซเดชนโดยวธ α-carotene bleaching assay, DPPH radical-scavenging assay และวธ Reducing power ability assay พบวา สารสกดจากรากมฤทธตานออกซเดชนเมอเทยบกบสารมาตรฐาน butylated hydrotoluene (BHT) และ ascorbic acid ดงนนสารสกดจากรากตดหมตดหมามฤทธตานออกซเดชนและ ไมเปนพษในระดบเซลล4

นอกจากนยงมรายงานเกยวกบฤทธทางชวภาพและคณสมบตทางเคมของพชสกล Paederia เชน สารสกดจากใบ P. foetida ทสกดดวยเมทานอลสามารถลดระดบนำาตาลในเลอดของหนเบาหวานไดใกลเคยงกบสารมาตรฐานไกลเบนคลาไมด5 และมฤทธตานออกซเดชนในปรมาณสง ททดสอบดวยวธ 2,2-diphenyl-1-picrylhydrazyl (DPPH)6

จากความสำาคญของตดหมตดหมาขางตน งานวจยนจงศกษาสารออกฤทธทางชวภาพ (ตรวจสอบสารพฤกษเคมเบองตน ปรมาณสารกอบฟนอลกรวม และฟลาโวนอยดรวม) ฤทธตานออกซเดชนและฤทธยบยงเอนไซมแอลฟากลโคซเดส

ของสารสกดจากราก ลำาตน และใบ ขอมลทไดจากงานวจยจะเปนแนวทางในการนำาสมนไพรตดหมตดหมาไปใชเพอพฒนาเปนยารกษาโรคเบาหวานชนดท 2 ไดตอไปในอนาคต

วตถประสงคของการวจย 1. เพอหาปรมาณสารประกอบฟนอลกรวม ปรมาณ ฟลาโวนอยดรวมของสารสกดจากราก ลำาตน และใบของ ตดหมตดหมา

2. เพอศกษาฤทธตานออกซเดชนของสารสกดจากราก ลำาตน และใบของตดหมตดหมา

3. เพอศกษาฤทธการยบยงเอนไซมแอลฟากลโคซเดส ของสารสกดจากราก ลำาตน และใบของตดหมตดหมา

วธการดำาเนนงานวจย 1. การเกบตวอยางพช ตนพชตดหมตดหมา เกบจากบานทาขอนยาง บรเวณหนองตนบาน หมท 3 ตำาบลทาขอนยาง อำาเภอกนทรวชย จงหวดมหาสารคาม ในชวงเดอน ตลาคม-ธนวาคม 2560 โดยมตวอยางพรรณไมทใชอางองงานวจย คอ P. Pad-takenang No. 01 ทเกบรกษาไวทภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม และระบชนดพชจากตวอยางพรรณไมอางองงานวจย ตรวจสอบจากเอกสารทางอนกรมวธานคอ Puff (2007)3

2. วธการสกดสารตวอยาง นำาราก ลำาตน และใบของตดหมตดหมามาลางใหสะอาด ผงลมใหแหง นำาไปบดใหละเอยด สกดดวยเอทานอล 95%7 ดวยวธการแชหมก ทอณหภมหอง เปนเวลา 3 วน นำามากรองผานกระดาษกรอง ระเหยตวทำาละลายออกดวยเครองระเหยแบบหมน (Rotary evaporator) ยหอ Heidolph รน Hei-VAP Advantage

J Sci Technol MSUPhorntip Padtakenang, Wilawan Promprom, Wannachai Chatan300

3 . ก า ร ต ร ว จ ส อ บ ส า ร พ ฤ ก ษ เ ค ม เ บ อ ง ต น (Phytochemical Screening) การตรวจสอบสารพฤษเคมเบองตนดดแปลงมาจากวธของ Ayoola และคณะ (2008)7 โดยอาศยปฏกรยาการเกดสหรอตะกอนดงน

3.1 การตรวจสอบแอลคาลอยด (alkaloids)

ชงสารสกด 0.2 g เตมสารละลาย 10% (H2SO

4)

ปรมาตร 1.0 mL เขยานำาไปอนบนเครององนำา 5 นาท กรองสวนทไมละลายออก แลวปลอยใหสารละลายเยนลงทอณหภมหอง แลวนำาของเหลวทไดจากการกรองไปหยดสารละลาย ดราเจนดอรฟ (dragendorff) จำานวน 5 หยด เขยา ถาปรากฏตะกอนสสมแดงแสดงวาพบแอลคาลอยด

3.2 การตรวจสอบฟลาโวนอยด (flavonoids)

ชงสารสกด 0.2 g ละลายดวย 50% เอทานอล ปรมาตร 1.0 mL เขยา กรองสวนทไมละลายออก นำาของเหลวทไดจากการกรอง ใสลวดแมกนเซยมชนเลก ๆ ลงไป 1 ชน และหยดกรดไฮโดรคลอรกเขมขน จำานวน 5 หยด เขยา แลวนำาไปอนบนเครององนำา 5 นาท ถาสารละลายเปลยนเปนสเหลองเขมแสดงวาพบฟลาโวนอยด

3.3 การตรวจสอบเทอรพนอยด (terpenoids)

ชงสารสกด 0.2 g ละลายดวยคลอโรฟอรม ปรมาตร 1.0 mL เขยา กรองสวนทไมละลายออก นำาของเหลวทไดจากการกรอง คอยๆ เตมกรดซลฟวรกเขมขน ปรมาตร 0.5 mL ลงไป ถาปรากฏวงแหวนสนำาตาลตรงรอยตอระหวางชนของสารสกดกบกรดซลฟวรกแสดงวาพบเทอรพนอยด

3.4 การตรวจสอบแอนทราควโนน (anthra quinones)

ชงสารสกด 0.2 g เตมสารละลาย 10% (H2SO

4)

ปรมาตร 1.0 mL เขยานำา ไปอนบนเครององนำา 5 นาท กรองสวนทไมละลายออก แลวปลอยใหสารละลายเยนลงทอณหภมหอง นำาของเหลวทไดจากการกรอง ไปเตมสารละลายแอมโมเนย 10%(NH

3) ปรมาตร 0.5 mL เขยา ถาปรากฏ

สารละลายเปนสชมพแดงเกดขนแสดงวาพบแอนทราควโนน

3.5 การตรวจสอบแทนนน (tannins)

ชงสารสกด 0.2 g เตมนำากลน ปรมาตร 1.0 mL นำาไปอนบนเครององนำา 5 นาท กรองสวนทไมละลายออก นำาของเหลวทไดจากการกรอง เตมสารละลายเฟอรกคลอไรด 1% (FeCl

3) จำานวน 5 หยด เขยา ถาปรากฏสารละลายเปนสเขยว

ดำาหรอนำาเงนดำาแสดงวาพบแทนนน

3.6 การตรวจสอบซาโปนน (Saponins)

ชงสารสกด 0.2 g เตมนำากลนปรมาตร 5.0 mL นำาไปอนบนเครององนำา 5 นาท เขยาอยางแรง ถาปรากฏฟองถาวรเกดขนในหลอดทดลองแสดงวาพบซาโปนน

3.7 การตรวจสอบสเตยรอยด (steroids)

ชงสารสกด 0.2 g ละลายดวยคลอโรฟอรม ปรมาตร 1.0 mL เขยา กรองสวนทไมละลายออก นำาของเหลวทไดจากการกรอง เตมกรดแกลเชยลแอซตก ปรมาตร 0.5 mL เขยา แลวเตมกรดซลฟวรกเขมขน จำานวน 3 หยด ถาปรากฏสารละลายเปนสนำาเงนหรอนำาเงนเขยวแสดงวาพบสเตยรอยด

3.8 การตรวจสอบคารดแอคไกลโคไซด (cardiac glycosides)

ชงสารสกด 0.2 g ละลายดวยคลอโรฟอรม ปรมาตร 1.0 mL เขยา กรองสวนทไมละลายออก นำาของเหลวทไดจากการกรอง เตมสารละลายเฟอรกคลอไรด 1% (FeCl

3) จำานวน

5 หยด เขยา เตมกรดแกลเชยลแอซตก จำานวน 5 หยด เขยา และคอย ๆ เตมกรดซลฟวรกเขมขน ปรมาตร 0.5 mL ลงไป ถาปรากฏวงแหวนสนำาตาลตรงรอยตอระหวางชนของสารสกดกบกรดซลฟวรกแสดงวาพบคารดแอคไกลโคไซด

4. การทดสอบฤทธการตานสารอนมลอสระ โดยวธ DPPH free radical scavenging7

เตรยมสารละลาย DPPH (2,2-diphenyl-1-picryl-hydrazyl) ความเขมขน 0.05 mM โดยชง DPPH 10.0 mg ละลายในเอทานอล 500 mL และเตรยมสารสกดราก ลำาตน และใบของตดหมตดหมา ทความเขมขน 500, 250, 125, 62.5, 31.25, 15.625 ppm โดยนำาสารสกดจากทเตรยมขางตน จำานวน 750 µL และ DPPH 0.1 µL ในอตราสวน 1:1 ใสลงในหลอดทดลองแลวนำาไปทงไวในทมด ทอณหภมหองเปนเวลา 20 นาท หลงจากนนนำาไปวดคาดดกลนแสงดวยเครอง UV spectrophotometer ทความยามคลน 517 nm วดคาดดกลนแสงทกหลอดรวมทงหลอดควบคม (DPPH) ทำาการทดลองทงหมด 3 ซำา คำานวณคา % Radical scavenging activity และคา IC

50 โดยใชสตรคำานวณ % Radical scavenging ดงน

% Radical Scavenging =

(A control-A sample) x 100

A control

เมอ A control คอ คาการดดกลนแสงของสารละลาย DPPH

A sample คอ คาการดดกลนแสงของสารละลาย DPPH เมอเตมสารตวอยางหรอสารมาตรฐาน


301

5. การทดสอบฤทธการตานสารอนมลอสระ โดยวธ FARP8

เตรยมสารละลาย FRAP ( Ferric Reducing antioxidant Power) reagent และสารตวอยาง 0.2 g ละลายในเอทานอล 10 ml แลวเจอจางใหมความเขมขนในชวง 2000-50 ppm โดยปเปตสารละลาย FRAP ปรมาตร 950 µL ลงในหลอดทดลอง เตมสารสกดราก ลำาตน และใบของตดหมตดหมา ททำาการเจอจางแลว ปรมาตร 50 µL ผสมใหเขากน เกบในทมดเปนเวลา 10 นาท และนำาไปวดคาการดดกลนแสงทความยาวคลน 595 nm สารมาตรฐานทำาเชนเดยวกนกบสารสกดราก ลำาตน และใบของตดหมตดหมา ทำาการทดลองทงหมด 3 ซำา คำานวณคารอยละการตานออกซเดชน และคา IC

50 โดยใชสตร

รอยละการตานออกซเดชน = [(A595-B)/M] × 100

โดยท A 595 คอ คาการดดกลนแสงทความยาวคลน 595 nm

B คอ จดตดแกน Y ของกราฟมาตรฐานเฟอรรสไอออน

M คอ คาความชนของกราฟมาตรฐานเฟอรรสไอออน

6. การทดสอบฤทธการยบยงเอนไซมแอลฟากลโคซเดส9

เตรยม alpha-glucosidases และสารตวอยาง 0.2 g ละลายใน DMSO 10 mL ใหมความเขมขน 2000-50 ppm โดยนำาสารสกดจากราก ลำาตน และใบของตดหมตดหมา 1 mg/mL ปรมาตร 20 µL ใน 100 มลลโมลารโซเดยมฟอสเฟตบฟเฟอร pH 6.9 เตมสารละลายไนโตรฟนลแอลฟาดกลโคไพราโนไซด (p-nitrophenyl-α-D-glucopyranoside) ในโซเดยมฟอสเฟตบฟเฟอร pH 6.9 ทมความเขมขน 5 mM ปรมาตร 50 µL จากนนทำาการบมทอณหภม 37 องศาเซลเซยส นาน 5 นาท เตมสารละลายแอลฟากลโคซเดส ปรมาตร 0.1 Unit/mL นำาไปบมทอณหภม 37 องศาเซลเซยส เปนเวลา 30 นาท ทำาการวดคาการดดกลนแสงดวยสเปกโตรโฟโตมเตอรทความยาวคลน 405 nm แลวทำาการคำานวณรอยละของกจกรรมยบยงเอนไซมแอลฟากลโคซเดส และคา IC

50 โดยใช

สตร [(ABSblank-ABSsample)/ABSblank]x100

เมอ ABSblank คอ คาการดดกลนแสงของสารละลายทไมมสารทดสอบ

ABSsample คอ คาการดดกลนแสงของสารละลายทมสารทดสอบ

7. การหาปรมาณฟนอลกรวม วเคราะหปรมาณสารประกอบฟนอลกรวมดวยวธ Folin-Ciocalteu ดดแปลงจากวธของ Basma และคณะ (2017)10 นำาสารละลายสารสกดหยาบเอทานอล 1 mg/mL ปรมาตร 200 µL เตมสารละลาย Folin-Ciocalteu 10% 500 µL นำากลน 500 µL และเตมสารละลายโซเดยมคารบอเนต 7.5% (w/v) 800 µL ตงไวในทมด อณหภมหองเปนเวลา 30 นาท กอนนำาไปวดคาการดดกลนแสงทความยาวคลน 750 nm และคำานวณหาปรมาณสารประกอบฟนอลกรวมเทยบกบกราฟมาตรฐานกรดแกลลก

8. การหาปรมาณฟลาโวนอยดรวม วเคราะหปรมาณฟลาโวนอยดรวมดวยวธ Alumini-um trichloride (AlCl

3) colorimetric โดยสารละลายสารสกด

หยาบเอทานอล 1 mg/mL ปรมาตร 200 µL เตมสารละลาย 5%(NaNO

2) ปรมาตร 75 µL ตงทงไวทอณหภมหอง 5 นาท

จากนนเตม 10% AlCl3 ปรมาตร 150 µL แลวตงทงไวท

อณหภมหอง 6 นาท หลงจากนนเตม 1 M (NaOH) ปรมาตร 500 µL และปรบปรมาตรสดทายใหเปน 2 mL ดวยนำากลน แลวตงทงไวทอณหภมหอง 30 นาท นำาไปวดคาการดดกลนแสง ทความยาวคลน 415 nm โดยใชนำากลนเปน blank ปรมาณ ฟลาโวนอยดทงหมดหาไดจากการนำาคาการดดกลนแสงของสารตวอยางเทยบกบกราฟมาตรฐาน ปรมาณทไดแสดงในหนวยมลลกรมสมมลของเคอรซตนตอนำาหนกสารสกดแหง 1 กรม (Quercetin equivalents, mgQE.g-1dried extract)

9. การวเคราะหทางสถต แสดงขอมลเปนคาเฉลย รอยละ และคาความคลาดเคลอนเฉลย (standard error means, SEM) เปรยบเทยบเทยบความแตกตางระหวางกลมการทดลองวเคราะหโดย one-way ANOVA ตามดวย post-hoc Duncan’s new multiple range test

ผลการวจย1. การตรวจสอบสารพฤกษเคมเบองตน Table 1 การทดสอบพฤกษเคมเบองตนของสารสกดหยาบจากสวน ราก ลำาตนและ ใบจำานวน 8 กลม พบ สารพฤกษเคมจำานวน 5 กลมในทง 3 สวน คอ ฟลาโวนอยด เทอรพนอยด ซาโปนน สเตยรอยด และคารดแอคไกลโคไซด


Table 1 Phytochemical analysis of screening of root,stem and leaf of Paederia linearis Hook.f.

PhytochemicalsEthanolic Extracts

Root Stem Leaf

Alkaloids + - -

Flavonoids + +++

Terpenoids + + +

Anthraquinones + - -

Tannins - + +

Saponins + + +

Steroids + + +

Cardiac Glycosides + + +

+ = Presence,-= Absence

2. การทดสอบฤทธการตานออกซเดชน โดยวธ DPPH และ FRAP

Table 2 การทดสอบฤทธการตานออกซเดชน โดยวธ DPPH พบวา สารสกดจากใบตดหมตดหมามรอยละของการตานออกซเดชนสงทสดและคาความเขมขนของสารสกดทมความสามารถในการตานออกซเดซนรอยละ 50 (IC

50) ได

ดทสด รองลงมา คอ ราก และลำาตน ซงมคาเทากบ 40.73 ± 6.68 ; 0.44±0.67 µg/mL, 17.92±1.70 ; 1.41±0.63 µg/mL และ 17.49±2.46 ; 1.84±0.48 µg/mL ตามลำาดบ เมอเปรยบเทยบกบสารมาตรฐานวตามนซ ซงมรอยละของการตานออกซเดชน เทากบ 27.09± 5.48 ; 0.77±0.15 µg/mL แสดงใหเหนวาสารสกดจากใบตดหมตดหมาสามารถตานออกซเดชนไดดทสด แตกตางอยางมนยสำาคญทางสถต (p<0.05) การทดสอบฤทธตานนอนมลอสระ ดวยวธ Ferric Reducing Antioxidant Power (FRAP) พบวา สารสกดจากใบตดหมตดหมามรอยละของการตานออกซเดชนสงทสด คาความเขมขนของสารสกดทมความสามารถในการตาน ออกซเดซนรอยละ 50 (IC

50) ไดดทสด รองลงมา คอ ราก และ

ลำาตน ซงมคาเทากบ 21.35±5.80 mM Fe.g ¹ ; 0.04±0.97 µg/mL, 6.63± 3.28 mM Fe.g ¹ ; 0.47±0.59 µg/mL และ 4.36 ± 2.21 mM Fe.g ¹ ; 0.52±0.63 µg/mL ตามลำาดบ แสดงใหเหนวา สารสกดจากใบตดหมตดหมาสามารถตานออกซเดชนได ดทสด แตกตางอยางมนยสำาคญทางสถต (p<0.05)

Table 2 Antioxidant test results of root, stem and leaf of extracts of Paederia linearis Hook.f. with DPPH assay method and FRAP method

Part of Paederia linearis Hook.f.DPPH FRAP

% Scavenging activity IC50

(µg/mL) FRAP value (mM Fe.g ¹) IC50

(µg/mL)

Root 17.92±1.70a 1.41±0.63 6.63±3.28b 0.47±0.59

Stem 17.49±2.46a 1.84±0.48 4.36±2.21b 0.52±0.63

Leaf 40.73±6.68b 0.44±0.67 21.35±5.80a 0.04±0.97

Vitamin C 27.09±5.48a 0.77±0.15 - -

a-b Mean within a column with different letters are different (p <0.05), One way ANOVA followed by post-hoc Duncan’s new multiple range test

3. การทดสอบฤทธการยบยงเอนไซมแอลฟากลโคซเดส การทดสอบฤทธการยบยงเอนไซมแอลฟากลโคซเดส พบวา สารสกดจากใบตดหมตดหมามรอยละของการยบยงเอนไซมแอลฟากลโคซเดสสงทสด คาความเขมขนของสารสกดทมความสามารถในการยบยงการทำางานของเอนไซมรอยละ 50 (IC

50) ไดดทสด รองลงมา คอ ราก และลำาตน ซง

มคา เทากบ 93.04±1.63 ; 0.81±0.10 µg/mL, 86.62±1.56 ;

2.20± 0.09 µg/mL และ 48.78±2.75 ; 3.65±0.07 µg/mL ตามลำาดบ โดยเมอเปรยบเทยบกบสารมาตรฐานอะคารโบส ซงมรอยละของการยบยงเอนไซมแอลฟากลโคซเดส เทากบ 90.78±0.69 ; 0.98±0.02 µg/mL แตกตางอยางมนยสำาคญทางสถต (p<0.05) เมอเทยบกบราก และลำาตน Table 3


303

Table 3 Results of α-glucosidase inhibition of root, stem and leaf of extracts of Paederia linearis Hook.f. with p-nitrophenol colorimetric method

Part of Paederia linearis Hook.f.

% α-glucosidase inhibition

IC50

(µg/mL)

Root 86.62±1.56a 2.20±0.09

Stem 48.78±2.75b 3.65±0.07

Leaf 93.04±1.63c 0.81±0.10

Acarbose 90.78±0.69ac 0.98±0.02 a-c Mean within a column with different letters are different (p <0.05), One way ANOVA followed by post-hoc Duncan’s new multiple range test

4 . ก า ร ห า ป ร ม า ณ ฟ น อ ล ก ร ว ม แ ล ะ ป ร ม า ณ ฟลาโวนอยดรวม Table 4 พบวา สวนสกดจากใบตดหมตดหมาม ปรมาณฟนอลกรวมสงทสด รองลงมาคอ ราก และลำาตนซง มคาเทากบ174.42±2.07 mgGAE.g-¹, 87.86±2.51 mgGAE.g-¹ และ 85.21±4.68 mg GAE.g-¹ ตามลำาดบ โดยเมอเปรยบเทยบคาทางสถต พบวา สารสกดจากใบตดหมดหมามปรมาณฟนอลก รวมแตกตางอยางมนยสำาคญทางสถต (p<0.05) จากทกสวน

สารสกดจากใบตดหมตดหมามปรมาณฟลาโวนอยด รวมสงทสดรองลงมา คอ ราก และลำาตน ซงมคาเทากบ 41.32±1.94 mgQE.g-1, 33.38±3.31mgQE.g-1 และ 29.99±1.55 mgQE.g-1 ตามลำาดบ โดยเมอเปรยบเทยบคาทางสถต พบวา สารสกดจากใบตดหมดหมามปรมาณ ฟลาโวนอยดรวมแตกตางอยางมนยสำาคญทางสถต (p<0.05) จากราก และลำาตน

Table 4 Total phenolic content and total flavonoids content from root, stem and leaf extracts of Paederia linearis Hook.f.

Part of Paederia linearis Hook.f.

Total phenolic content(mg GAE.g-¹)

Total flavonoids content (mg QE.g ¹)

Root 87.86±2.51b 33.38±3.31b

Stem 85.21±4.68b 29.99±1.55b

Leaf 174.42±2.07a 41.32±1.94a

a-b Mean within a column with different letters are different (p <0.05), One way ANOVA followed by post-hoc Duncan’s new multiple range test

วจารณและสรปผลในตวทำาละลายเอทานอลเปนตวทำาละลายอนทรยทมขวสงสามารถสกดสารพฤกษเคมจากสวน ราก ลำาตน และใบไดด

โดยพบสารพฤกษเคมจำานวน 5 กลมทเหมอนกนในทกสารสกด คอ ฟลาโวนอยด เทอรพนอยด ซาโปนน สเตยรอยด และคารดแอคไกลโคไซด ดงแสดงใน Table 1 ซงเปนททราบกนดแลววาสารพฤกษเคมในกลมฟลาโวนอยด มฤทธตานออกซเดชนไดและจากการศกษาฤทธตานออกซเดชนในหลอดทดลองในครงน เลอกการทดสอบคณสมบตในการเปนตวขจดอนมลอสระ (free radical scavenger) ดวยวธ DPPH ซงเปนวธททำาไดงาย สะดวก และรวดเรว เนองจากเปนอนมลอสระทคอนขางเสถยร11 นอกจากนยงศกษาคณสมบตในการเปนตวใหอเลกตรอนแกอนมลอสระดวยวธ FRAP assay ผลการศกษาทงสองวธนมความสอดคลองไปในแนวทางเดยวกน แสดงใหเหนวาสารสกดจากราก ลำาตน และใบของตดหมตดหมามฤทธตานออกซเดชน โดยสารสกดจากใบมฤทธตานออกซเดชนไดดทสด และมความสามารถในการใหอเลกตรอนกบอนมลอสระ เพอใหอยในสภาวะเสถยร เนองจากสารสกดจากราก ลำาตน และใบในการศกษาครงนเปนสารสกดหยาบ ประกอบดวยสารหลายชนด ซงฤทธตานออกซเดชนของสารสกดของราก ลำาตน และใบตดหมตดหมา อาจมาจากสารจำาพวกฟนอล ฟลาโวนอยด และจะเหนไดวาฤทธตานออกซเดชนทไดสอดคลองกบปรมาณสารประกอบฟนอลกรวมและ ฟลาโวนอยดรวม ทพบวาสารสกดจากใบของตดหมตดหมาทสกดดวยเอทานอลมปรมาณฟนอลกรวม และฟลาโวนอยดรวมมากทสด ซงสอดคลองกบงานวจยของ Silpi และคณะ (2014)12 ไดศกษาฤทธตานออกซเดชนในพชสกลเดยวกน คอ P. foetida พบวา มสารประกอบฟนอลก ฟลาโวนอยด และมฤทธตานออกซเดชนทด โดยจะเหนวาสารประกอบฟนอลก และฟลาโวนอยดเปนสารสกดทมฤทธตานออกซเดชนทด เปนทงตวขจดอนมลอสระ และเปนตวใหอเลกตรอนแกอนมลอสระ เพอใหอยในสภาวะเสถยร

เอนไซมแอลฟากลโคซเดสเปนเอนไซมทอยบรเวณผนงลำาไสเลก ทำาหนาทยอยแปงและคารโบไฮเดรตใหเปนนำาตาลโมเลกลเดยวดวยปฏกรยาไฮโดรไลซส13 ในการศกษาครงนเลอกใชวธการตานเบาหวาน โดยศกษากลไกการยบยงเอนไซมแอลฟากลโคซเดส จากผลการทดลอง พบวา สารสกดจากราก ลำาตน และใบทสกดดวยเอทานอลมความสามารถในการยบยงการทำางานของเอนไซมแอลฟากลโคซเดส โดยเฉพาะสวนสกดจากใบ มฤทธยบยงไดดทสด อาจเปนไปไดวาสารออกฤทธในการยบยงการทำางานของเอนไซมแอลฟากลโคซเดสเปนสารอนทรยในกลมทมขวคอนขางสง นอกจากนนยงพบสารอนทรยทมขวสงสวนใหญทจะพบเปนกลมฟลาโวนอยด หรอฟลาโวนอยดไกลโคไซดทมนำาตาลตดอยกบโครงสราง14 สงผลตอการยบยงไดดขน นอกจากนนสารดงกลาวกยงสงผลทำาใหเกดการตานออกซเดชนเพมขนอกดวย ซงสารออกฤทธ ทางชวภาพทมฤทธตานเบาหวาน เชน ไตรเทอรพนอยด


ซาโปนน ฟลาโวนอยด และฟนอลก15,16 จากผลการทดลองของสารสกดจากราก ลำาตน และใบของตดหมตดหมา พบฟลาโวนอยด เทอรพนอยด ซาโปนน สเตยรอยด และคารดแอคไกลโคไซด ซงเปนไปไดวาสารออกฤทธดงกลาวมฤทธตานเบาหวานได สอดคลองกบผลการศกษาของ Bhatnagar และคณะ (2016)17 ทพบวาสารสกดจากใบ P. foetida มฤทธการยบยงเอนไซมแอลฟากลโคซเดส มปรมาณฟนอลก และมฤทธตานออกซเดชนสง นอกจากนยงสอดคลองกบงานวจยของ Borgohain และคณะ (2017)5 พบวา สารสกดจากใบ P. foetida สามารถรกษาโรคเบาหวานได โดยผานการยบยงเอนไซมแอลฟากลโคซเดส

แตอยางไรจากผลการศกษาฤทธการยบยงเอนไซมแอลฟากลโคซเดส อาจเกดจากตวยบยงของสารสกดจากราก ลำาตน และใบของตดหมตดหมา ซงสารสกดจากใบมฤทธขดขวางการทำางานของเอนไซมไดดทสด โดยเกดจากการอออกฤทธเสรมกน หรออาจจะเปนสารองคประกอบหลกทอยในสวนของสารสกด มผลทำาใหโครงสรางของแอลฟากลโคซเดสเปลยนแปลง หรอไปแยงจบบรเวณเรงปฏกรยา จนไมสามารถเกดปฏกรยาไฮโดรไลซสกบซบสเตรทได จากการศกษาดงกลาวเปนขอมลเบองตน ซงควรจะตองแยกและพสจนโครงสรางทางเคมของสารออกฤทธทางชวภาพ รวมทงศกษากลไกการยบยง เพอนำาไปพฒนาสการเปนยารกษาโรคเบาหวานชนด ท 2 ตอไป

กตตกรรมประกาศ ขอขอบคณภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม ทใหความอนเคราะหอปกรณในการทำางานวจยจนสงผลใหสำาเรจลลวงไปไดดวยด

เอกสารอางอง1. Maritim AC, Sanders RA and Watkins JB. Diabetes,

oxidative stress, and antioxidants: a review. J Biochem Mol Toxicol 2003 ; 17(1): 24-38.

2. Borges ME, Silverira GA and Carvalho I. α-and β-glucosidase inhibitors: chemical structure and biological activity. Tetrahedrom 2006 ; 62(44): 10277-10320.

3. Puff C. Revision of the genus Paederia L. (Rubiaceae- Paederia) in Asia. A Multidisciplinary study 2007 ; 3: 207-289.

4. Sudta P, Sabyjai C and and Wanirat K. Phytochemical analysis, in vitro antioxidant and Cytotoxic activity of extracts of Paederia linearis Hook.f. root. J Sci Phetchaburi Rajabhat University 2013 ; 5-18.

5. Borgohain MP, Chowdhury L, Ahmed S, Bolshette N, Devasani K, Das TJ, Mohapatra A and Lahkar M. Renoprotective and antioxidative effects of methanolic Paederia foetida leaf extracton experimental diabetic nephropathy in rats. J Ethnopharmacology 2017 ; 198: 451-459.

6. Kanokporn S, Supap S and Kantarat J. Gastroprotective effects and antioxidant activities of Paederia pilifera Hook.f. root extract. J Sci 2014 ; 41(5): 1121-1131.

7. Ayoola GA, Coker H, Adesegun SA, Adepoju AA, Obaweya K, Ezennia EC. Phytochemical screening and antioxidant activities of some selected medicinal plants used for malaria therapy in southwestern Nigeria. J Pharmaceutical 2008 ; 7(3): 1019-1024.

8. Benzie FF, and Anek H. The ferric reducing ability of plasma (FRAP) as a measure of antioxidant power : the FRAP assay. J Analytical Biochemistry 1996 ; 239(1): 70-76.

9. Wongsa P, Chaiwarit J and Zamaludien A. n vitro screening of phenolic compounds, potential inhibition against α-amylase and α-glucosidase of culinary herbs in Thailand. J Food Chemistry 2012 ; 131(3): 964-971.

10. Basma AA, Zakaria Z, Latha LY, and Sasidharan S. Antioxidant activity and phytochemical screening of the methanol extracts of Euphorbia hirta L. J Tropical Medicine 2017 ; 4(5): 386-390.

11. Ahmad R, Ali AM, Isral DA, Ismai NH, Sharik, Laj is NH. Antioxidant, radical-scavenging, anti-inflammatory, cytotoxic and antibacterial activities of methanolic extracts of some Hedyotis species. J Life Sci 2005 ; 76: 1953-1964

12. Silpi C, Sayeed A and Kuldeep S. Comparison of in vitro antioxidant potential of fractioned Paederia foetida leaf extract. Int J Drug Dev. & Res 2014 ; 6 (2): 105-109.

13. Sung HJ, Kyoung SH, Kyoung SM, Lee OH, Jang HD ,Kwon YI. In vitro and in vivo anti-hyperglycemic effects of Omija (Schizandra chinensis) fruit. Int J Mol Sci 2011 ; 12(2): 1359-1370.


305

14. Thanakosai W, Phuwapraisirisan P. First identification of α-glucosidase inhibitors from okra (Abelmoschus esculentus) seeds. Natural Product Communications 2013 ; 8(8): 1085-1088.

15. Jouad H, Haloui M, Rhiouani H, Hilaly JEl and Eddouks M. Ethnobotanical survey of medicinal plants used for the treatment of diabetes, cardiac and renal diseases in the North centre region of Morocco (Fez-Boulemane). J Ethnopharmacology 2001 ; 77: 175-182.

16. Yin Z, Zhang W, Feng F, Zhang Y, Kang W. α-Glucosidase inhibitors isolated from medicinal plants. Food Science and Human Wellness 2014 ; 3(3): 136-174.

17. Bhatnagar S and Sahoo M. Cytotoxic and antidiabetic activity of leaf extracts of Paedaria foetida L. J Pharmacognosy and Phytochemical Research 2016 ; 8(4): 659-662.

การเตรยมสเลคจากใบประดบเฟองฟาสมวงแดงเพอพฒนาผลตภณฑลปสตก Lake Preparation and Lipstick Development from Red-Purple Bracts of Paper Flower

ณรงคฤทธ หลาพนธ1*, ณฐณชา ผลศร2

Narongrit Lahpun1*, Nattanicha Phonsiri2

Received: 21 May 2019 ; Revised: 2 October 2019 ; Accepted: 16 October 2019

บทคดยอ งานวจยนมวตถประสงคเพอศกษาสภาวะทเหมาะสมในการสกดสจากใบประดบเฟองฟาและพฒนาสเลคจากใบประดบเฟองฟาสมวงแดงเปนสวนผสมในผลตภณฑเครองสำาอาง ในการทดลองเฟองฟาสมวงแดงถกนำามาสกดสยอมเพอหาสภาวะทเหมาะสม (ความเขมขนของสารละลาย, อตราสวนของตวอยางแหงตอสารละลาย และระยะเวลาในการสกด) โดยเปรยบเทยบปรมาณเบตาไซยานนทวเคราะหโดยวธสเปกโทรสโคป และนำาสยอมไปเตรยมเปนสเลคโดยเกลอ 7 ชนด และทำาการวดสและวเคราะหดวยเครองฟเรยรทรานสฟอรม อนฟราเรด สเปคโทรมเตอร จากนนนำาสเลคทไดไปพฒนาเปนลปสตกแทงและประเมนผลตภณฑทได โดยผลการทดลองพบวา ในการสกดสจากใบประดบเฟองฟาทอตราสวนใบประดบแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 โดยปรมาตร ในอตราสวนตวอยางแหงตอสารละลายเทากบ 1:30 (g/mL) และระยะเวลาในการสกด 30 นาท ใหปรมาณเบตาไซยานนสงทสดในแตละการทดลอง และเกลอทสงเคราะหสเลคจากใบประดบเฟองฟาสมวงแดงได คอ อะลมเนยม คลอไรด โดยจากการวดสเลคทไดมคาความสวาง คาความแดง และคาความเหลอง เทากบ 37.51 (±1.62), 10.23 (±0.12) และ 12.65 (±0.22) ตามลำาดบ และจากผลการวเคราะหโดยเครองฟเรยรทรานสฟอรมอนฟราเรดสเปคโทรมเตอร พบพคทเลขคลน 1624.38 cm-1 ทบงชวามหมคารบอนล (C=O แบบยด) เชอมโยงกบพนธะเอไมด และจากการศกษาสตรพบวา สตรทเตมสเลคไมทำาใหเกดเหงอ และสตรทมสความใกลเคยงกบสตรตนแบบมากทสด คอ สตรทมสเลครอยละ 1 โดยนำาหนก (∆E=1.24) ซงมจดหลอมเหลวเทากบ 65.3 (±0.3) องศาเซลเซยส โดยสรป งานวจยนเปนการคนพบวตถดบทใชในเครองสำาอางทลดการเกดเหงอในลปสตก

คำาสำาคญ: สเลค เฟองฟา ใบประดบสมวงแดง ลปสตก

AbstractThis research aimed to study the optimal condition of natural color extraction from the bracts of Bougainvillea glabra and to develop a cosmetic product containing color lake from the red-purple bracts. The dye extraction was optimized for three conditions (solvent concentration, solid-liquid ratio, and extraction time) and analyzed by spectroscopy. The obtained dye was synthesized into lake pigments in 7 different salts. Then, the red-purple lake was investigated by colorimeter and Fourier-transform infrared spectroscopy (FTIR). Lipstick containing the pigment was developed. The optimal condition for dye extraction from the bracts was with 50% ethanol, a solid-liquid ratio of 1:30 g/mL, and an extraction time of 30 minutes. Interestingly, the paper flower lake pigment was only prepared from aluminum chloride. The whiteness (L), redness (a), and yellowness (b) of the aluminum lake were 37.51 (±1.62), 10.23 (±0.12), and 12.65 (±0.22), respectively. The infrared spectrum of the aluminum lake sample appeared at a wavenumber of 1624.38 cm-1 that indicated carbonyl group (C=O stretching) connected with amide bonds. All of the lipstick formulations containing aluminum lake in this experiment were not sweaty. The lipstick consisting of 1% red-purple lake had the closest color with the master formula (∆E=1.24), aand its melting point was 65.3 (±0.3) °C. In conclusion, this research found a novel cosmetic ingredient to overcome the lipstick sweating problem.

Keywords: Color Lake, Bougainvillea glabra, Red-Purple Bract, Lipstick

1 อาจารย, สาขาวชาวทยาศาสตรเครองสำาอาง คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏพระนคร บางเขน กรงเทพฯ 102202 นกศกษาปรญญาตร, สาขาวชาวทยาศาสตรเครองสำาอาง คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏพระนคร บางเขน กรงเทพฯ 102201 Lecturer, Cosmetic Science, Faculty of Science and Technology, Phranakhon Rajabhat University, Bangkhen, Bangkok 10220, Thailand.2 Undergraduate student, Cosmetic Science, Faculty of Science and Technology, Phranakhon Rajabhat University, Bangkhen, Bangkok 10220, Thailand.* Corresponding author: Narongrit Lahpun, Cosmetic Science, Faculty of Science and Technology, Phranakhon Rajabhat University, Bangkhen, Bangkok 10220, Thailand.

Vol 39. No 3, May-June 2020 Lake Preparation and Lipstick Development from Red-Purple Bracts of Paper Flower

307

บทนำา ลปสตก (lipstick) เปนผลตภณฑเครองสำาอางทถกใชเพอเสรมความมนใจแกผบรโภค และผลตภณฑเครองสำาอางยงเปนธรกจทมความเตบโตมากในประเทศไทย ซงกระทรวงอตสาหกรรมประเทศไทยมความคาดหวงวาอตสาหกรรมเครองสำาอางจะเตบโตไดถงรอยละ 10 โดยตองอาศยการวจยและพฒนา รวมถงนวตกรรม ในการสรางสรรคผลตภณฑใหมเพอแขงขนในตลาด ในปจจบนอตสาหกรรมเครองสำาอางในประเทศไทยมมลคาประมาณ 210 ลานบาท แบงเปนตลาดทองถน (local market) 120 ลานบาท และการนำาเขา 90 ลานบาท1

มาตรฐานอตสาหกรรม (มอก. 234-2559) แบงประเภทของลปสตกออกเปนสองประเภท ไดแก ลปสตกส และลปสตกมน2 โดยลปสตกสมกเปนผลตภณฑทดงดด ผบรโภค อยางไรกตามสารใหสในเครองสำาอางโดยทวไปเปนสารสงเคราะหซงอาจเปนสารอนทรยหรอสารอนนทรยขนอยกบการนำาไปใชในตำารบประเภทใด ซงในผลตภณฑทมนำาเปนสวนประกอบมกใชสอนทรยทละลายในตวทำาละลายไดหรอสยอม (dye) และผลตภณฑเครองสำาอาง อนๆ โดยเฉพาะกลมทใชตกแตงใบหนา (makeup) มกใชเปนสทไมละลายในตวทำาละลายหรอเมดส (pigment) ไดแก ส ในกลม เลค ( lake) และส ในก ลมอนนทรย (inorganic pigment)3 และยงไปกวานนสารใหสในทางเครองสำาอางยงไมสามารถผลตใชไดเองภายในประเทศไทย ยงตองนำาเขาจากตางประเทศจนถงปจจบน ซงการสกดสารสจากธรรมชาตเพอทดแทนการใชสารสงเคราะหเปนอกหนงวธทชวยลดการนำาเขาสารใหสทใชในผลตภณฑเครองสำาอาง

เฟองฟา (Bougainvillea) เปนทรจกอยางกวางขวาง หากนำาไปทำาการตลาดกจะเขาถงผบรโภคไดงาย ซงเฟองฟาถกคนพบโดยนกพฤกษศาสตรชาวฝรงเศสชอ Philibert Commerson จากการเดนเรอไปรอบโลกระหวางป พ.ศ. 2309 ถง พ.ศ. 2312 และไดพบเฟองฟาทประเทศบราซล และนำาเขาไปเผยแพรยงทวปยโรปและทวปเอเชย สำาหรบประเทศไทย เฟองฟาตนแรกไดถกนำามาปลกในป พ.ศ. 2423 ซงเปนพนธดอกสมวง และไดรบการตงชอวา “ตรษจน” เพราะเปนพนธ ทออกดอกในชวงเทศกาลตรษจน4 นอกจากนยงพบวา ดอกเฟองฟาถกนำามาใชในการแตงสสำาหรบการประกอบอาหาร ในทางเครองสำาอางใบของเฟองฟาถกนำาไปเพาะเลยงเนอเยอและนำามาเปนสารตานอนมลอสระในผลตภณฑซงมการจดสทธบตร (Patent No. WO 2015162051 A1) ทมการเผยแพรในวนท 29 ตลาคม พ.ศ. 2558 โดย Jacques Leclere และ Rachid Ennamany5

โดยวตถประสงคของการวจยครงน คอ การศกษาสภาวะทเหมาะสมในการสกดสยอมจากใบประดบเฟองฟา

โดยในการคดเลอกสภาวะทเหมาะสมตดสนจากปรมาณของเบตาไซยานนซงเปนสารสทอยในใบประดบเฟองฟา และเมอไดสภาวะทเหมาะสมในการสกดสยอมจงนำาไปเตรยมสเลคจากใบประดบเฟองฟาสมวงแดง และสเลคทไดจากการทดลองถกใชเปนสวนผสมในลปสตก

วธการดำาเนนงานวจย 1. การศกษาสภาวะทเหมาะสมในการสกดสยอมจากใบประดบเฟองฟาสมวงแดง ใบประดบเฟ องฟ าสม วงแดงถก เกบบร เวณมหาวทยาลยราชภฏพระนคร ชวงฤดรอน (เดอนกมภาพนธถงเดอนเมษายน) ป พ.ศ. 2562 และคดแยกใบประดบไปอบดวยเครองอบลมรอน (hot air oven) ทอณหภม 60 องศาเซลเซยส เปนเวลา 3 ชวโมง เมอใบประดบแหงเกบไวในตดดความชน (desiccator) ทความชนสมพนธไมเกนรอยละ 75 จนกวาจะนำาไปทำาการทดลองขนตอนตอไป

ในการวางแผนการทดลอง ใบประดบเฟองฟาสมวงแดงจะถกนำามาทดลองเพอทดสอบหาความเขมขนของ เอทานอลทเหมาะสมในการสกดสเปนลำาดบแรก โดยควบคมระยะเวลาในการสกด และอตราสวนของพชตวอยางตอปรมาณของตวทำาละลาย สำาหรบตวบงชความเหมาะสมในการการสกดสในใบประดบเฟองฟาสมวงแดง คอ ปรมาณเบตาไซยานน โดยกำาหนดใหสภาวะทมปรมาณสงสดในการทดลอง คอ สภาวะทเหมาะสมในการทดลองครงน นอกจากนยงมการทดสอบ ความแตกตางระหวางกลม (one-way ANOVA) โดยกำาหนดใหระดบความเชอมนเทากบรอยละ 95

เมอทราบผลการทดลองของความเขมขนสารละลายทมผลตอปรมาณเบตาไซยานนในพชตวอยางแลว จงนำาความเขมขนของตวทำาละลายทเหมาะสมในการทดลองกอนหนานมาใชในการทดลองอตราสวนทเหมาะสมในการสกดส โดยควบคมความเขมขนของเอทานอลและระยะเวลาในการสกด

การทดลองสดทายในการหาสภาวะทเหมาะสมในการสกดสใบประดบเฟองฟาสมวงแดง คอ ระยะเวลาในการสกด ซงในการทดลองจะนำาผลการทดลองหาความเขมขนและอตราสวนทเหมาะสมมาออกแบบการทดลอง โดยนำาสภาวะ ทเหมาะสมของแตละการทดลองมาควบคมใหการทดลอง อยในสภาวะเดยวกน แตกำาหนดใหมระยะเวลาในการสกดส ทแตกตางกน

1.1 การศกษาความเขมขนของเอทานอลทเหมาะสมในการสกดสยอมในใบประดบเฟองฟาสมวงแดง ใบประดบเฟองฟาแหงถกแชในสารละลายเอ-ทานอลความเขมขนตางๆ ในอตราสวน 1:10 (g/mL) โดยความเขม

J Sci Technol MSUNarongrit Lahpun, Nattanicha Phonsiri308

ขนของเอทานอล ไดแก รอยละโดยมวลตอปรมาตร (% mass by volume) 100, 90, 80, 70, 60, 50, 40, 30, 20, 10 และ นำากลน แชตวอยางทง 11 ตวอยาง เปนเวลา 1 ชวโมง แลวนำาสารละลายสไปกรองผานกระดาษกรอง (Whatman no.1) เมอกรองกากใบประดบเฟองฟาแลว นำาตวอยางสารละลายสทงหมดไปวดคาดดกลนแสงทความยาวคลน 540 nm ตวอยางละ 3 ซำา และคำานวณปรมาณเบตาไซยานน (BC)6 ตามสมการ

BC=(A x DF x MW) / (ε xL)

เมอ

BC คอ เบตาไซยานน (mg/g)

A คอ คาการดดกลนแสง

DF คอ เฟคเตอรททำาใหเจอจาง

MW คอ มวลโมเลกลของเบตาไซตาไซยานน (550 g/mol)

ε คอ คาคงทของการดดกลนแสง (60,000 L/mol* cm)

L คอ ความกวางของ cuvette (1 cm)

1.2 การศกษาอตราสวนนำาหนกใบประดบเฟองฟา สมวงแดงตอปรมาตรสารละลายเอทานอลทเหมาะสมในการสกดสยอม เพอศกษาอตราสวนของนำาหนกแหงใบประดบ ตอ ปรมาตรสารละลายเอทานอลทเหมาะสมในการสกด สยอม ทำาการทดลองโดยเตรยมใบประดบเฟองฟาแหงตอตวทำาละลายความเขมขนทมปรมาณเบตาไซยานนสงทสดจาก ผลการทดลองกอนหนา และกำาหนด อตราสวนตางๆ ของตวอยางในการทดลอง คอ 1:30, 1:40, 1:50, 1:60, 1:70, 1:80, 1:90 และ 1:100 (g/mL) จากนนแชตวอยางทง 8 ตวอยาง เปนเวลา 1 ชวโมง แลวนำาสารละลายสไปกรองผานกระดาษกรอง

เมอกรองกากใบประดบเฟองฟาแลว จงนำาตวอยาง สารละลายสทงหมดไปวดคาดดกลนแสงทความยาว คลน 540 nm ตวอยางละ 3 ซำา และคำานวณปรมาณ เบตาไซยานน ตามสมการขางตน

1.3 การศกษาระยะเวลาทเหมาะสมในการสกดสยอมในใบประดบเฟองฟาสมวงแดง สำาหรบการสกดสยอมจากใบประดบเฟองฟาส มวงแดงเพอหาระยะเวลาสกดทเหมาะสมในการเตรยม สยอม ทำาการทดลองโดยนำาสภาวะจากผลการทดลอง ทไดปรมาณเบตาไซยานนมากทสด คอ ความเขมขน ของสารละลาย และอตรา สวนของใบประดบเฟองฟา แหงตอปรมาตรตวทำาละลาย เอทานอล ทเหมาะสมใน การสกดสยอม คดเลอกสภาวะทเหมาะสมจากทงสอง การทดลองแลว ทำาการทดลองระยะเวลาในการแช เฟองฟาแหงทระยะเวลาตางๆ ไดแก 10 นาท, 20

นาท 30 นาท, 1 ชวโมง, 2 ชวโมง, 4 ชวโมง, 6 ชวโมง, 8 ชวโมง, 10 ชวโมง, 12 ชวโมง และ 24 ชวโมง เมอแชพชตวอยางครบตามเวลาแลวนำาไป กรองดวยกระดาษกรอง นำาสารละลายสไปวดคา ดดกลนแสงความยาวคลน 540 nm ตวอยางละ 3 ซำา และ คำานวณปรมาณเบตาไซยานน ตามสมการขางตน

2. การเตรยมสเลคจากสยอมของใบประดบ เฟองฟา ในการทดลองเตรยมสเลคจากใบประดบ เฟองฟา เรมจากการเตรยมสารละลายเกลอทง 7 ชนด ไดแก แคลเซยมอะซเตท (calcium acetate) แคลเซยมคารบอเนต (calcium carbonate) แคลเซยมซลเฟต (calcium sulphate) โพแทสเซยม อะลมเนยมซลเฟต (aluminium potassium sulphate) อะลมเนยมคลอไรด (aluminiumchloride) แมกนเซยมคลอไรด (magnesium chloride) และแบเรยมซลเฟต (barium sulfate) นำาเกลอผสมกบส ยอมใบประดบเฟองฟาในอตราสวน 1:1 (w/w) จากนน นำาสารละลายเกลอแตละชนดทผสมสยอมแลวไปผสม กบสารละลายโซเดยม ไฮดรอกไซด (sodium hydroxide) และทงตวอยางไว 24 ชวโมง และนำาตวอยางมากรองและนำาสวนตะกอน ทไดไปอบในตอบลมรอนทอณหภม 60 องศาเซลเซยส จนกวาตวอยางละแหง เมอตวอยางแหงสนท นำา ตวอยางทใหสมวงแดงไปวดสดวยเครองวดส โดย บนทกคาความสวาง (L) คาความแดง-เขยว (a) คา ความเหลอง-นำาเงน (b) และทำาการวเคราะหหม ฟงกชนดวย เครองฟเรยรทรานสฟอรมอนฟราเรดสเปค โทรมเตอร (Tensor II Bruker, USA)

3. การพฒนาลปสตกผสมสเลคใบประดบเฟองฟา เตรยมเบสลปสตก (Lipstick base) โดยชง สวนผสมตางๆ ไดแก shea butter, petrolatum, candelilla wax, beeswax, Performathox 450 (C20- 40 Pareth-10), synthetic wax, isopropyl myristate, triethylhexanoin, butylated hydroxytoluene และ proplyparaben นำาไปให ความรอนท 75-80 องศาเซลเซยส คนเบาๆ ใหทวแลว เทลงในแมพมพทอน เตรยมไว เมอแทงลปสตกแหงจงนำาออกจากแมพมพ ในการศกษาตำารบลปสตกทมสวนผสมสเลค จากใบ ประดบเฟองฟา ทำาการเปรยบเทยบทงหมด 4 สตร ไดแก สตรเบสลปสตก สตรทผสมสเลครอยละ 1, 2 และ 3 โดย นำาหนก ดงทแสดงใน Table 1 เมอชง สวนผสมไดตามสตรแลว นำาแตละสตรไปบดโดยเครอง บดสามลกกลง เพอใหสกระจายตว แลวหลอมลปสตก เทลงแมพมพทอน เพอขนรปเปนแทงและอกสวนหนง เทลงบนจานเพาะเลยงเพอทำาการประเมนสของ ผลตภณฑดวยเครองวดส ซงผลการวดสแสดงคาความ สวาง (L) คาความแดง-เขยว (a) คาความเหลอง-นำาเงน (b) และคาความแตกตางของส (∆E) ซงคำานวณ ไดจากสมการ7 ตอไปน


309

∆E=[(L2 –L

1)2 +(a

2 –a

1)2 +(b

2–b

2)2]1/2

เมอ

∆E คอ คาความแตกตางของส

L1, L

2 คอคาความสวาง-ความมดครงท 1 และ 2

a1, a

2 คอ คาความแดง-ความเขยว ครงท 1 และ 2

b1, b

2 คอ คาความเหลอง-ความนำาเงน ครงท 1

และ 2

นอกจากนยงมการวดจดหลอมเหลวของ ลปสตกสตรท 1, 2, 3 และ 4 เพอเปรยบเทยบจด หลอมเหลวของแตละสตร โดยทดสอบดวยวธทดดแปลงจากเอกสารมาตรฐานอตสาหกรรม ลปสตก (มอก. 234-2559)2

4. การวเคราะหผลทางสถต ผลจากการทดลองท ถกประเมนตวอยางละ 3 ครงตอกลม ถกวเคราะหโดยโปรแกรม IBM SPSS Statistics 20 ซงคาเฉลยและคาเบยงเบนมาตรฐาน แสดงถกนำาเสนอโดยแสดง คาเฉลย ± คาเบยงเบน มาตรฐาน นอกจากน คาเฉลยของแตละการทดลองถก ทดสอบความแตกตางระหวาง กลมดวย Post Hoc test (one-way ANOVA) และกำาหนด ใหระดบความเชอมน เทากบรอยละ 95 (p<0.05) โดยคาเฉลย กล มทม ความแตกตางจากทกกลมอยางมนยสำาคญจะมสญลกษณดอกจน (*) ตอจากขอมลแสดงคาเฉลยและ คาเบยงเบนมาตรฐาน สวนขอมลทไมมสญลกษณตอทาย คอ ขอมลทไมแตกตางทกกลมอยางมนยสำาคญ

Table 1 Lake Colour Lipstick recipe, mixed with color from bougainvillea retrieved from the lab

Ingredientreceip 1%w/w

receip 2%w/w

receip 3%w/w

receip 4%w/w

Lipstick base 86 86 86 86

D&C Red No.7 Lake 14 13 12 11

Red-Purple Lake - 1 2 3

ผลการทดลอง1. การศกษาสภาวะทเหมาะสมในการสกดสยอมจากใบประดบเฟองฟาสมวงแดง จากการศกษาสภาวะท เหมาะสมในการสกดสยอมจากใบประดบเฟองฟาสมวงแดงโดยนำาสยอมทไดมาวดปรมาณเบตาไซยานน การทดลองหาความเขมขนของสารละลายเอทานอลทเหมาะสม ซงผลการทดลองแสดงดง Table 2 ความเขมขนของสารละลายเอทานอลทเหมาะสม คอ รอยละ 50 และมความแตกตางอยางมนยสำาคญ (p<0.05) เมอเทยบกบการทดลองดวยการสกดดวยเอทานอลความเขมขนอนๆ ในการทดลองน

การศกษาอตราสวนทเหมาะสมในการสกดสยอมจากใบประดบเฟองฟาสมวงแดงแหงตอปรมาตรสารละลาย เอทานอลความเขมขนรอยละ 50 เมอสกดนาน 1 ชวโมง แสดงดง Table 3 พบวาอตราสวน 1:30 สกดไดปรมาณเบตาไซยานน มากทสดเมอเทยบกบทกอตราสวนในการทดลองนอยางม นยสำาคญ (p<0.05)

Table 2 The result of the study of the suitable concentration of ethanol solution for the extraction of dyes from magenta bougainvillea. Dried plants were extracted with solution in the ratio of 1:10 (g / mL), extraction time 1 hour

Solution concentrationBeta Cyanin

(µg/g)

100% 5.87 ± 0.11*

90% 13.02 ± 0.11*

80% 48.40 ± 1.01*

70% 44.00 ± 0.59*

60% 57.02 ± 0.00*

50% 121.00 ± 0.37*

40% 74.43 ± 1.01*

30% 107.62 ± 1.38

20% 104.13 ± 0.59*

10% 106.33 ± 0.76

0% 92.40 ± 2.11*

* significant difference from the average among all groups. (p<0.05)

Table 3 The results showed that the optimum ratio for the extraction of dyes from magenta bougainvillea when ethanol was 50%, extraction time 1 hour

Ratio of dry samples: Ethanol

Beta Cyanin (µg/g)

1:30 85.25 ± 1.46*

1:40 64.78 ± 2.61*

1:50 44.73 ± 2.40*

1:60 37.46 ± 0.76*

1:70 31.11 ± 0.46*

1:80 24.38 ± 0.66*

1:90 20.41 ± 1.38

1:100 19.74 ± 0.76



ผลการทดลองหาระยะเวลาทเหมาะสมในการสกดสยอมจากเฟองฟา แสดงดง Table 4 ซงเปนระยะเวลาทสกดเบตาไซยานนไดปรมาณมากทสดในการทดลองอยางมนยสำาคญ (p<0.05) คอ 30 นาท ในขณะทการสกดดวยระยะเวลา 20 นาท ทำาใหปรมาณเบตาไซยานนนอยทสดเมอเทยบกบการสกดในระยะเวลาอนๆ ในการทดลองครงนอยางม นยสำาคญ (p<0.05)

Table 4 The results of the study of the optimum time for dye extraction from magenta bougainvillea when ethanol was 50% , The ratio of dry plant to solution is 1:30 (g / mL).

Extraction time Beta Cyanin (µg/g)

10 minutes 58.75 ± 0.38

20 minutes 49.50 ± 1.43*

30 minutes 60.87 ± 0.18*

1 hours 57.57 ± 1.02

2 hours 56.04 ± 0.53

4 hours 55.86 ± 0.46

6 hours 55.73 ± 0.55

8 hours 56.83 ± 1.68

10 hours 56.77 ± 1.39

12 hours 57.63 ± 1.01

24 hours 54.39 ±1.64


2. การเตรยมสเลคจากสยอมของใบประดบเฟองฟา ในการเตรยมสเลคจากใบประดบเฟองฟาสมวงไดนำาสภาวะทเหมะสมทสด คอ สภาวะทสามารถสกดสยอมทมปรมาณเบตาไซยานนมากทสด (อตราสวน 1:30 g/mL ของพชแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 และสกดดวยเวลา 30 นาท) มาทำาการสงเคราะหสเลคโดยทำาปฏกรยาสารละลายสกบเกลอทง 7 ชนด โดยผลการทดลองพบวา เกลอทสามารถเตรยมสเลคจากใบประดบเฟองฟาสมวงแดงมเพยงชนดเดยว คอ อะลมเนยมคลอไรด สวนการเตรยมดวยเกลออนๆ เปลยนเปนสเหลองหรอยงคงเปนเกลอสขาว โดยคาความเปนกรด-ดางของสารละลายสทใชในการเตรยมสเลคดวย อะลมเนยมคลอไรด มคา 3.55 หลงการเตมโซเดยมไฮดรอกไซดความเขมขนรอยละ 5 และผลการวดสดวยเครองวดส ทงสามคา คอ คาความสวาง (L) คาความแดง-เขยว (a) และ คาความเหลอง-นำาเงน (b) มคาเทากบ 37.51 (±1.62), 10.23 (±0.12) และ 12.65 (±0.22) ตามลำาดบ นอกจากน สเลคจากการสงเคราะหยงถกนำาไปวเคราะหโดยเครองฟเรยรทรานสฟอรม

อนฟราเรดสเปคโทรมเตอร โดยผลการทดลองแสดงดง Figure 1 แสดงองคประกอบของ O-H stretching ทเลขคลน (wavenumber) 3319.13 cm-1 ซงพคทเกดขนมลกษณะกวาง นอกจากนเลขคลน 1624.38 cm-1 ยงเปนการยนยนวาในสเลคใบประดบเฟองฟาสมวงแดงมหมคารบอนล (C=O stretching) ทสมพนธกบพนธะเอไมด (amide bond)8

1:30 g/mL ของพชแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 และสกดดวยเวลา 30 นาท) มาทาการสงเคราะหสเลคโดยทาปฏกรยาสารละลายสกบเกลอท ง 7 ชนด โดยผลการทดลองพบวา เกลอทสามารถเตรยมสเลคจากใบประดบเฟองฟาสมวงแดงมเพยงชนดเดยว คอ อะลมเนยมคลอไรด สวนการเตรยมดวยเกลออนๆ เปลยนเปนสเหลองหรอยงคงเปน เกลอ สขาว โดยค าความ เปนกรด -ดางของสารละลายสทใชในการเตรยมสเลคดวยอะลมเนยมคลอไรด มคา 3.55 หลงการเตมโซเดยมไฮดรอกไซดความเขมขนรอยละ 5 และผลการวดสดวยเครองวดส ทงสามคา คอ คาความสวาง (L) คาความแดง-เขยว (a) และ คาความเหลอง-นาเงน (b) มคาเทากบ 37.51 (±1.62), 10.23 (±0.12) แ ล ะ 12.65 (±0.22) ตามลาดบ นอกจากน สเลคจากการสงเคราะหยงถกน าไปว เค ราะห โดย เค รอง ฟ เรย รท ราน สฟอรม อนฟราเรดสเปคโทรมเตอร โดยผลการทดลองแสดงดงภาพท 1 แสดงองคประกอบของ O-H stretching ทเล ข ค ล น (wavenumber) 3319.13 cm-1 ซ ง พ ค ทเกดขนมลกษณะกวาง นอกจากนเลขคลน 1624.38 cm-1 ยงเปนการยนยนวาในสเลคใบประดบเฟองฟาสมวงแดงมหมคารบอนล (C=O stretching) ทสมพนธกบพนธะเอไมด (amide bond) 8

ภาพท 1 อนฟาเรดสเปคตรมของสเลคจากใบประดบเฟองฟาสมวงแดง 3. การพฒนาลปสตกผสมสเลคใบประดบเฟองฟา

จากการออกแบบการพฒนาลปสตกชนดแทง ทงสสตร ซงมความแตกตางของสตร คอ ปรมาณของสเลคจากใบประดบเฟ องฟ าทแตกต างกน ไดแก รอยละ 0, 1, 2 และ 3 (สตร 1, 2, 3 และ 4 ตามลาดบ) เพอเปรยบเทยบความแตกตาง จากผลการทดลอง ลปสตกทงสสตรไมสามารถแยกความแตกตางของสไดดวยตาเปลาจงมการประเมนโดยใช เครองมอทางวทยาศาสตรในการวดส เพอเป รยบเท ยบความแตกตางของผลตภณฑโดยผลการวดส คาความสวาง (L) คาความแดง-เขยว (a) และ คาความเหลอง-นาเงน (b) ของแตละสตรแสดงไดดงตารางท 5 ซงสตรทมสใกลเคยงสตรตนแบบ (สตร 1) มากท สด คอ สตร 2 (สตรทม สเลครอยละ 1 โดยนาหนก) ซงมคาความแตกตางของส (∆E) จากสตร 1 เพยง 1.24 ยงไปกวานนยงพบวา ลปสตกแทงสตรทไมมการเตมสเลค เมอเกบไวเปนเวลา 1 เดอน จะมการปรากฏของเหงอ (sweating) ซงเปนความไมคงตวทางกายภาพประเภทหนงของลปสตกทเปนรปแบบแทง ดงแสดงในภาพท 2 และจดหลอมเหลวลปสตกสตร 1, 2, 3 และ 4 แสดงดงตารางท 6

ตารางท 5 ผลการวดสของลปสตกผสมสเลคสตรตางๆ

สตร L a b ∆E* 1 45.81 19.40 1.95 - 2 45.92 19.76 2.05 1.24 3 46.50 18.97 1.25 1.75 4 45.93 18.03 2.32 2.40

*คาความตางของสเทยบกบสตร 1

ตารางท 6 ผลการผลการทดสอบจดหลอมเหลวของลปสตกผสมสเลคสตรตางๆ

สตร คาจดหลอมเหลว (องศาเซลเซยส)

1 66.2 ± 3.8 2 65.3 ± 0.3

Figure 1 The infrared spectrum of lake color from magenta bougainvillea

3. การพฒนาลปสตกผสมสเลคใบประดบเฟองฟา จากการออกแบบการพฒนาลปสตกชนดแทง ทงสสตร ซงมความแตกตางของสตร คอ ปรมาณของสเลค จากใบประดบเฟองฟาทแตกตางกน ไดแก รอยละ 0, 1, 2 และ 3 (สตร 1, 2, 3 และ 4 ตามลำาดบ) เพอเปรยบเทยบความแตกตาง จากผลการทดลอง ลปสตกทงสสตรไมสามารถแยกความแตกตางของสไดดวยตาเปลาจงมการประเมนโดยใชเครองมอทางวทยาศาสตรในการวดส เพอเปรยบเทยบความแตกตางของผลตภณฑโดยผลการวดส คาความสวาง (L) คาความแดง-เขยว (a) และ คาความเหลอง-นำาเงน (b) ของแตละสตรแสดงไดดง Table 5 ซงสตรทมสใกลเคยงสตรตนแบบ (สตร 1) มากทสด คอ สตร 2 (สตรทมสเลครอยละ 1 โดยนำาหนก) ซงมคาความแตกตางของส (∆E) จากสตร 1 เพยง 1.24 ยงไปกวานนยงพบวา ลปสตกแทงสตรทไมมการเตมสเลค เมอเกบไวเปนเวลา 1 เดอน จะมการปรากฏของเหงอ (sweating) ซงเปนความไมคงตวทางกายภาพประเภทหนงของลปสตกทเปนรปแบบแทง ดงแสดงใน Figure 2 และจดหลอมเหลวลปสตกสตร 1, 2, 3 และ 4 แสดงดง Table 6


311

Table 5 Measuring the color of lipstick mixed with lake colors, various solutions

receipt L a b ∆E*

1 45.81 19.40 1.95 -

2 45.92 19.76 2.05 1.24

3 46.50 18.97 1.25 1.75

4 45.93 18.03 2.32 2.40

* คาความตางของสเทยบกบสตร 1

Table 6 Melting point test of lipstick mixed with lake colors, various solutions

receipt Melting point (Degrees celsius)

1 66.2 ± 3.8

2 65.3 ± 0.3

3 66.9 ± 0.1

4 67.6 ± 0.1

สรปผลการทดลอง จากทดลองสกดสยอมจากใบประดบเฟองฟาสมวงแดง พบวาสภาวะทเหมาะสมในการสกดสใหไดปรมาณเบตาไซยานนมากทสด คอ การสกดทอตราสวนใบประดบเฟองฟาแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 โดยปรมาตร เทากบ 1:30 (g/mL) และระยะเวลาในการสกดส 30 นาท พบเบตาไซยานนมากทสด สภาวะในการสกดสจากใบประดบเฟองฟาดงกลาวจงถกนำามาเตรยมสเลค โดยผลการเตรยมดวยเกลอตางๆ พบวาเกลอทเหมาะสมทสดในการทดลองน คอ อะลมเนยมคลอไรด ซงใหสมวงแดงเขม จงทำาสเลคทเตรยมดวยอะลมเนยมคลอไรด มาศกษาตอเพยงตวอยางเดยว โดยนำาสเลคทไดไปวดดวยเครองวดส ซงผลการทดลองเปนไปดงน คาความสวาง-ความมดเฉลย คาความแดง-เขยวเฉลย และ คาความเหลอง-ความนำาเงนเฉลย มคาเทากบ 37.51 (±1.62), 10.23 (±0.12) และ 12.65 (±0.22) ตามลำาดบ นอกจากนเมอนำาสารสเลคทไดไปวเคราะหโดยเครอง ฟเรยรทรานสฟอรม อนฟราเรดสเปคโทรมเตอร ยงพบวามหมคารบอนลในโครงสรางเพราะการปรากฏของพคทเลขคลน 1624.38 cm-1 และจากการพฒนาผลตภณฑเครองสำาอางทมสเลคจากใบประดบเฟองฟา พบวาคาความแดงยงลดลงเมอมการเตมสเลคมากขน โดยสตรทมความแตกตางของสนอยทสดเมอเทยบกบสตรตนแบบ (สตรท 1) คอ สตรท 2 (∆E=1.24) และจากผลการทดสอบจดหลอมเหลวทเปรยบเทยบระหวางสตรทมสเลค พบวายงความเขมขนของสเลคใบประดบเฟองฟามาก ยงมจดหลอมเหลวสง

วจารณผลการทดลองจากการทดลองสกดสยอมจากใบประดบเฟองฟาสมวงแดง โดยมเกณฑการคดเลอกจากปรมาณเบตาไซยานน ผลการทดลองพบวาการสกดทอตราสวนใบประดบเฟองฟาแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 โดยปรมาตร เทากบ 1:30 (g/mL) และสกดในระยะเวลา 30 นาท ไดปรมาณเบตาไซยานนมากทสด ซงระยะเวลาในการสกดเบตาไซยานน ท เหมาะสม มความใกลเคยงกบงานวจยทผานมาของ Maran, Priya และ Nivetha (2015)6 ทใชระยะเวลาในการสกด 37 นาท และความเขมขนของเอทานอลทเหมาะสมในการสกดเบตาไซยานน คอ รอยละ 50 เนองจากเบตนไซยานนซงเปนรงควตถประเภทหนงของเบตาเลนซงเปนโครงสรางมประจ และเอทานอลเปนสารทชวยใหคารโบไฮเดรตและโปรตนตกตะกอน อกทงยงชวยลดกจกรรมของเอนไซมได ซงเปนปจจยทสงผลตอสหรอปรมาณเบตาไซยานน9 อยางไรกตามใบประดบดอกเฟองฟาสมวงแดงในการศกษาในงานวจยครงนมปรมาณเบตาไซยานนทแตกตางกนในแตละการทดลองถงแมวาจะมการใชสภาวะในการทดลองเดยวกน เนองจากเปนการทดลองหาสภาวะทเหมาะสมทละปจจย และเปนการเกบใบประดบในวนทแตกตางกน ซงใบประดบของเฟองฟามสทไมสมำาเสมอ จงไมสามารถเปรยบเทยบขอมลในแตละการทดลองได แตสามารถเปนขอมลเพอทำางานวจยในอนาคตโดยใชสภาวะทเหมาะสมในแตละการทดลองเพอการออกแบบการทดลอง (design of experiment) ในการสกดสยอมจากใบประดบเฟองฟาสมวงแดง

ชนดเกลอทเหมาะสมในการสงเคราะหเลคครงน คอ อะลมเนยมคลอไรดซงเคยมงานวจยศกษาการสงเคราะห

3 66.9 ± 0.1 4 67.6 ± 0.1

ภาพท 2 ลปสตกชนดแทง

(1) สตร 1 ลปสตกแทงทไมมสเลค (2) สตร 2 ลปสตกแทงทผสมสเลครอยละ 1 (3) สตร 3 ลปสตกแทงทผสมสเลครอยละ 2 (4) สตร 4 ลปสตกแทงทผสมสเลครอยละ 3

สรปผลการทดลอง

จากทดลองสกดสยอมจากใบประดบเฟองฟาสมวงแดง พบวาสภาวะทเหมาะสมในการสกดสใหไดป รม าณ เบต าไซยานนมากท สด คอ การสกด ทอตราสวนใบประดบเฟองฟาแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 โดยปรมาตร เทากบ 1:30 (g/mL) และระยะเวลาในการสกดส 30 นาท พบเบตาไซยานนมากท สด สภาวะในการสกดสจากใบประดบเฟองฟาดงกลาวจงถกนามาเตรยมสเลค โดยผลการเตรยมดวยเกลอตางๆ พบวาเกลอทเหมาะสมทสดในการทดลองน คอ อะลมเนยมคลอไรด ซงใหสมวงแดงเขม จงทาสเลคทเตรยมดวยอะลมเนยมคลอไรด มาศกษาตอเพยงตวอยางเดยว โดยนาสเลคทไดไปวดดวยเครองวดส ซงผลการทดลองเปนไปดงน คาความสวาง-ความมดเฉลย คาความแดง-เขยวเฉลย และ คาความเหลอง-ความนาเงนเฉลย มคาเทากบ 37.51 (±1.62), 10.23 (±0.12) แ ล ะ 12.65 (±0.22) ตามลาดบ นอกจากนเมอนาสารสเลคทไดไปวเคราะห

โดยเครองฟเรยรทรานสฟอรม อนฟราเรดสเปคโทรมเตอร ยงพบวามหมคารบอนลในโครงสรางเพราะการปรากฏของพคทเลขคลน 1624.38 cm-1 และจากการพฒนาผลตภณฑเครองสาอางทมสเลคจากใบประดบเฟองฟา พบวาคาความแดงยงลดลงเมอมการเตมสเลคมากขน โดยสตรทมความแตกตางของสนอยทสดเมอเทยบกบสตรตนแบบ (สตรท 1) คอ สตรท 2 (∆E = 1.24) และจากผลการทดสอบจดหลอม เหลวทเปรยบเทยบระหวางสตรทม สเลค พบวายงความเขมขนของสเลคใบประดบเฟอ งฟามาก ย งมจดหลอมเหลวสง วจารณผลการทดลอง

จากการทดลองสกดสย อมจากใบประดบเฟองฟาสมวงแดง โดยม เกณฑการคดเลอกจากปรมาณเบตาไซยานน ผลการทดลองพบวาการสกดทอตราสวนใบประดบเฟองฟาแหงตอสารละลายเอทานอลความเขมขนรอยละ 50 โดยปรมาตร เทากบ 1:30 (g/mL) และสกดในระยะเวลา 30 นาท ไดปรมาณเบตาไซยานนมากท สด ซงระยะเวลาในการสกดเบตาไซยานนทเหมาะสม มความใกลเคยงกบงานวจยทผานม าข อ ง Maran, Priya แ ละ Nivetha (2015)6 ท ใชระยะเวลาในการสกด 37 นาท และความเขมขนของเอทานอลทเหมาะสมในการสกดเบตาไซยานน คอ รอยละ 50 เนองจากเบตนไซยานนซงเปนรงควตถประเภทหนงของเบตาเลนซงเปนโครงสรางมประจ และเอทานอล เปนสารท ชวยให คาร โบไฮเดรตและโปรตนตกตะกอน อกทงยงชวยลดกจกรรมของเอนไซมได ซงเปนปจจยทสงผลตอสหรอปรมาณเบตาไซยานน9 อยางไรกตามใบประดบดอกเฟองฟาสมวงแดงในการศกษาในงานวจยครงนมปรมาณเบตาไซยานนทแตกตางกนในแตละการทดลองถงแมวาจะมการใชสภาวะในการทดลองเดยวกน เน องจากเปนการทดลองหาสภาวะทเหมาะสมทละปจจย และเปนการเกบใบประดบในวนทแตกตางกน ซงใบประดบของเฟองฟามสทไมสมาเสมอ จงไมสามารถเปรยบเทยบขอมลในแตละการทดลองได แตสามารถเปนขอมลเพอทางานวจยในอนาคตโดยใชสภาวะทเหมาะสมในแตละการทดลองเพอการออกแบบการทดลอง (design of

Figure 2 Lipstick(1) Lipstick receipt 1 (without lake colour)(2) Lipstick receipt 2 (with 1% lake colour)(3) Lipstick receipt 3 (with 2% lake colour)(4) Lipstick receipt 4 (with 3% lake colour)


เมดส สมวงจากใบประดบเฟองฟา โดยใช gamma-alumina (Al

2O

3) ทสามารถทำาใหโครโมฟอร (chromophore) สมวง

ของใบประดบเฟองฟาเสถยร10 อยางไรกตาม ปรมาณเบตาไซยานนในใบประดบเฟองฟามความแปรปรวนสง เนองจากสของใบประดบและการออกดอกขนอยฤดกาล ซงฤดทเฟองฟาออกดอกรวมถงใบประดบมาก คอ ชวงฤดรอน 4

จากการศกษาสตรของลปสตกทมสวนผสมของสเลคจากใบประดบเฟองฟาสมวงแดงกบสตรทไมมการเตมสเลคลงไปในสตร พบวาสตรทเตมสเลคทำาใหลปสตกไมเกดเหงอ ซงชนดของสทใชมผลตอ matrix ของไขแขง (wax) โดยยนยนจากผลการทดลองของ Seo และคณะ (1999) ททำาการศกษาการเกดเหงอของลปสตกในสภาวะตางๆ โดยเปรยบเทยบผลการทดลองจากภาพถายผานกลองจลทรรศนอเลกตรอนแบบสองกราด (Scanning Electron Microscope) โดยมการสรปผลการทดลองวา สงทมผลตอการเกดเหงอของลปสตกชนดแทง ไดแก การเฟรมมง (flaming) อณหภมของแมพมพในขณะเทเนอลปสตก ความเขากนของไขแขงและนำามนในสตร และ ชนดของส Seo และคณะยงไดสรปไววา ยง matrix ของไขแขง มขนาดใหญ จะชวยใหการเกดเหงอในลปสตกแทงลดลงและเกดชาลง11 ซงวธการลดการเกดเหงอในลปสตกอาจแกปญหาโดยการใช microcrystalline waxes ซงมความสามารถในการดดซบนำามนไวไดด ยกเวน นำามนละหง (castor oil) ทมกถกใชในลปสตกทตองการใหความมนวาว12 และจดหลอมตวของลปสตกทกสตรในการทดลองนมคามากกวา 60 องศาเซลเซยส ซงเปนคณลกษณะตามทมาตรฐานอตสากรรมกำาหนดไว (มอก. 234-2559) โดยจดหลอมตวของลปสตกทเหมาะสมควรอยในชวง 55-75 องศาเซลเซยส13 ซงจดหลอมเหลวทตำาเกนไปจะทำาใหลปสตกเหลวเมอสมผสกบความรอนทมากกวาจดหลอมตว แตหากจดหลอมตวมากเกนไปจะทำาใหลปสตกแขงกระดาง ทาตดยาก จงควรพฒนาผลตภณฑลปสตกใหเหมาะสมกบสภาพอากาศ

กตตกรรมประกาศ คณะผวจยขอขอบคณกองทนสนบสนนงานวจยจากสถาบนวจยมหาวทยาลยราชภฏพระนครทใหทนสนบสนนงานวจยในครงน ศนยเครองมอวทยาศาสตรมหาวทยาลยราชภฏพระนครทใหความอนเคราะหตรวจวเคราะหสารดวยเครองฟเรยรทรานสฟอรม อนฟราเรดสเปคโทรมเตอร

เอกสารอางอง1. Spencer N. Thailand to focus on increasing cosmetic

growth by up to 10%. Cosmetics Jan 28]. Available from: http://www.cosmeticsdesign-asia.com/Business-Financial/ Thailand-to-focus-on-increasing-cosmetic-growth-by-up-to-10.

2. กระทรวงอ ตสาหกรรม . มาตรฐานผ ลตภณฑ อตสาหกรรม ลปสตก. ประกาศกำาหนดมาตรฐานผลตภณฑอตสาหกรรม 2560 ; มอก. 234-2559: 1-11.

3. Lahpun N, Saenprakob P. Colours in Cosmetic Formulations. Journal of Science & Technology Phranakhon Rajabhat University 2017 ; 7: 1-10.

4. ณรงค โฉมเฉลา. เฟองฟา. กรงเทพฯ: สมาคมไมประดบแหงประเทศไทย ; 2533.

5. Leclere J, Ennamany R. inventor ; Cosmetic compositions for topical application comprising bougainvillea plant cells. France Patent WO 2015162051 A1, 2015 Oct 29.

6. Prakash Marana J, Priya B, Vigna Nivetha C. Optimization of ultrasound-assisted extraction of natural pigments from Bougainvillea glabra flowers. Industrial Crops and Products 2015 ; 63: 182-9.

7. Boonsong P, Laohakunjit N, Kerdchoechuen O. Natural pigments from six species of Thai plants extracted by water for hair dyeing product application. Journal of Cleaner Production 2012: 37 ; 93-106.

8. Kumar SNA, Ritesh SK, Sharmila G, Muthukumaran C. Extraction optimization and characterization of water soluble red purple pigment from floral bracts of Bougainvillea glabra. Arabian Journal of Chemistry 2013 ; 1-6.

9. นธยา รตนาปนนท. หลกการวเคราะหอาหาร. กรงเทพฯ: โอเดยนสโตร ; 2554.

10. Perez-Ramírez E, Lima E, Guzman A. Natural betalains supported on gamma-alumina: A wide family of stable pigments. Dyes and Pigments 2015 ; 120: 161-8.

11. Seo SY, Lee IS, Shin HY, Choi KY, Kang SH, Ahn HJ. Observation of the sweating in lipstick by scanning electron microscopy. International Journal of Cosmetic Science 1999 ; 21(3): 207-16.

12. Pearce SE, Knowlton JL. Handbook of Cosmetic Science & Technology. UK: Elsevier Science Publishers Ltd. ; 1993.

13. Reider MM. Color Cosmetics. In: Harry’s Cosmetology Volume 2. 8th ed. Gloucester: Chemical Publishing Co.,Inc. ; 2009. p. 523-72.

การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทยโดยใชดชนปรมาณนำาฝนมาตรฐานAnalysis of Drought in Northern Thailand Using Standardized Precipitation Index

วรลกษณ ไกงาม1, ชาครต โชตอมรศกด2

Voraluck Kaingam1, Chakrit Chotamonsak2

Received: 2 July 2019 ; Revised: 13 September 2019 ; Accepted: 23 September 2019

บทคดยอการศกษานมวตถประสงคเพอวเคราะหคณลกษณะของภยแลงบรเวณภาคเหนอของประเทศไทยทงเชงพนทและเชงเวลาชวงป ค.ศ.1980-2017 (38 ป) โดยวเคราะหจากคาดชนปรมาณนำาฝนมาตรฐาน (ดชน SPI) ในชวงฤดฝน (พฤษภาคม-ตลาคม) ของทกป ขอมลทใชประกอบไปดวยขอมลนำาฝนรายเดอนจากสถานตรวจวดของกรมอตนยมวทยา 31 สถาน และขอมลนำาฝนรปแบบกรดจาก Climatic Research Unit (CRU) จากผลการวเคราะหคาสมประสทธสหสมพนธระหวางขอมลฝนรายเดอน จากสถานตรวจวดของกรมอตนยมวทยาและขอมลกรดนำาฝนจาก CRU พบวามคาสงอยในชวงตงแต 0.826-0.983 ซงแสดงวาขอมล CRU สามารถใชเปนตวแทนขอมลตรวจวดได ดงนนในงานวจยนจงใชขอมลฝนรปแบบกรดจาก CRU ทงหมด 78 กรดครอบคลมพนทภาคเหนอเพอคำานวณดชน SPI ใน 2 ชวงเวลาทแตกตางกน คอดชน SPI ราย 3 เดอน (SPI3) เพอวเคราะหภยแลงในชวงตนฤดฝน และดชน SPI ราย 6 เดอน (SPI6) เพอวเคราะหภยแลงตลอดชวงฤดฝน จากการวเคราะหคาดชน SPI3 ของเดอนกรกฎาคม (คาเฉลยของเดอนพฤษภาคม มถนายน และกรกฎาคม) พบปทเกดภยแลงระดบรนแรงถงรนแรงมาก (SPI3 ≤ -1.50) ทงหมด 14 ป โดยป ค.ศ.1987 มพนทไดรบผลกระทบ 47.35% ของพนทศกษา และป ค.ศ.2015 มพนทไดรบผลกระทบ 97.10% ของพนทศกษา ในขณะทผลการวเคราะหคาดชน SPI6 ของเดอนตลาคม (คาเฉลยของพฤษภาคม มถนายน กรกฎาคม สงหาคม กนยายน และตลาคม) พบปทเกดภยแลงระดบรนแรงถงรนแรงมาก (SPI6 ≤ -1.50) ทงหมด 15 ป โดยป ค.ศ.1993 มพนทไดรบผลกระทบ 42.44% ของพนทศกษา และป ค.ศ.2015 มพนทไดรบผลกระทบ 92.27% ของพนทศกษา นอกจากน ยงพบวาความแหงแลงทเกดขนในพนทภาคเหนอมความสมพนธกบปรากฏการณเอลนโญ โดยปทเกดปรากฏการณเอลนโญระดบรนแรงไดสงผลใหเกดภยแลงระดบรนแรงถงรนแรงมากสงผลกระทบเปนบรเวณกวางเกอบทวภาคเหนอ

คำาสำาคญ: ภยแลง ผลกระทบ ดชนภยแลง SPI CRU ภาคเหนอประเทศไทย

Abstract This study aims to analyze the characteristics of the spatial and temporal drought in northern Thailand during the years 1980-2017 (38 years), by analyzing the Standardized Precipitation Index (SPI). The data consists of monthly rainfall data from 31 observation stations of the Thai Meteorological Department (TMD) and gridded rainfall data from the Climatic Research Unit (CRU). The correlation coefficient between TMD’s monthly observed rainfall data and CRU’s gridded data is high with the range of 0.826-0.983, which indicates that the CRU data can be represented as the observation data. Therefore, in this study, the 78 grids of the CRU’s precipitation data covering the northern region were used for calculating the SPI index in 2 different periods which is the 3-month SPI index (SPI3) to analyze the early drought of the rainy season, and the 6-month SPI index (SPI6) to analyze drought throughout the rainy season. From the analysis of SPI3 of July (Average of May-July) found that there were drought years ranging from severe drought to extreme drought (SPI3 ≤ -1.50) for 14 years. There were 47.35% of affected areas in 1987 and 97.10% in 2015. While the analysis of SPI6 of October (Average of May-October) found that there were drought years ranging from severe drought to extreme drought (SPI6 ≤ -1.50) for 15 years. There were 42.44% of affected areas in 1993 and 92.27%

1 นกศกษาปรญญาโท, ภาควชาภมศาสตร คณะสงคมศาสตร มหาวทยาลยเชยงใหม 2 อาจารย, ประจำาภาควชาภมศาสตร คณะสงคมศาสตร มหาวทยาลยเชยงใหม 1 Master degree Student, Department of Geography, Faculty of Social Science, Chiang Mai University2 Lecturer, Department of Geography, Faculty of Social Science, Chiang Mai University* Corresponding author: [email protected]

J Sci Technol MSUVoraluck Kaingam, Chakrit Chotamonsak314

in 2015. In addition, it was found that drought in the northern region was associated with the El Nino phenomenon. The severe El Nino year has resulted in severe and extreme droughts, affecting almost the entire northern region.

Keywords: Drought, Impacts, Drought Index, SPI, CRU, Northern Thailand

บทนำาภยแลงเปนภยพบตธรรมชาตทสงผลกระทบและสรางความเสยหายอยางมากแกสงมชวตบนโลก ภาวะแหงแลงเกดจากการขาดแคลนนำาเปนเวลานานในพนทใดพนทหนงจนทำาใหเกดปญหานำาไมพอใชทงตอการอปโภค บรโภค รวมถงภาคการเกษตรและอตสาหกรรม โดยภยแลงเปนภยพบตทมกระบวนการเกดทยาวนานและมความซบซอน1 ภยแลงแบงไดเปน 4 ประเภทไดแก ภยแลงทางอตนยมวทยา ภยแลงทางการเกษตร ภยแลงทางอทกวยา และภยแลงทางเศรษฐกจสงคม โดยภยแลงแตละประเภทมความสมพนธทใกลชดกบภยแลงประเภทอนๆ2

สำาหรบภยแลงในประเทศไทยสวนใหญเกดจากฝนแลงและฝนทงชวง3 เนองจากรปแบบของฝนในประเทศไทยนนขนอยกบมรสมตามฤดกาลไดแก ลมมรสมตะวนออกเฉยงเหนอ และลมมรสมตะวนตกเฉยงใต ดงนนเมอเกดความผดปกตขนประกอบกบการเกดปรากฏการณเอนโซซงเปนความแปรปรวนของภมอากาศตามธรรมชาตทควบคมรปแบบของการเกดฝนจนทำาใหเกดฝนทงชวงซงเปนภาวะทมปรมาณ ฝนตกนอยกวาปกตหรอฝนไมตกตามฤดกาลสงผลกระทบโดยตรงตอแหลงกกเกบนำา ภาคการเกษตรและวถชวตในชนบทหรอคดเปนพนทประมาณรอยละ 40 สรางความเสยหายอยางมากตอเศรษฐกจของประเทศ4

จากตารางสรปสถานการณฝนแลงของประเทศไทยป ค.ศ.2015 (ระหวางวนท 10 พฤษภาคม ค.ศ.2015-15 ตลาคม ค.ศ.2015) ของศนยอำานวยการบรรเทา สาธารณภย กรมปองกนและบรรเทาสาธารณภย กระทรวงมหาดไทย5 พบวาภาคเหนอไดรบผลกระทบจากภยแลงรวมมลคาความเสยหายทงสน 67,298,922 บาท โดยจงหวดอตรดตถมพนทประสบภยแลงคดเปนมลคาความเสยหายมากทสดถง 28,050,000 บาท รองลงมาไดแกจงหวดนานมมลคาความเสยหายจากพนทประสบภยแลงทงหมด 27,416,097 บาท จงหวดเชยงรายมมลคาความเสยหายทงหมด 7,682,825 บาท และจงหวดแพรมมลคาความเสยหายทงหมด 4,150,000 บาทตามลำาดบ

ในการศกษาครงนไดทำาการวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทยโดยใชดชนปรมาณนำาฝนมาตรฐาน โดยมวตถประสงคเพอศกษาคณลกษณะของภยแลงทงในเชงพนทและเชงเวลาในชวงฤดฝนโดยเฉพาะภยแลงระดบรนแรงถงรนแรงมาก ตงแตป ค.ศ.1980-2017 เนองจากวาภยแลง

ทเกดขนในชวง ฤดฝนนนสงผลกระทบตอภาคการเกษตรโดยเฉพาะพชเศรษฐกจของประเทศไทยเชน ขาวนาปทตองใชนำาจากฝนตามฤดกาล ในสวนของพนทศกษาบรเวณภาคเหนอของประเทศไทยตามการแบงภาคทางอตนยมวทยานนมลกษณะภมอากาศทคลายคลงกนทงภมภาคแตมลกษณะภมประเทศสวนใหญเปนเทอกเขาสง มภเขาตดกนในแนวเหนอ-ใตสลบกบหบเขาทงแคบและกวางทมอยอยางมากมาย สงผลใหระบบภมอากาศบรเวณหนาเขาและหลงเขา บรเวณพนทราบและแองมความแตกตางกนและบอยครงทภาคเหนอมกจะประสบกบปญหาภยแลง

พนทศกษาและขอมล ภาคเหนอของประเทศไทยตามการแบงภาคทางอตนยมวทยาประกอบดวย 15 จงหวด ไดแกจงหวดเชยงราย แมฮองสอน เชยงใหม ลำาพน ลำาปาง พะเยา นาน แพร อตรดตถ สโขทย ตาก กำาแพงเพชร พษณโลก พจตร และเพชรบรณ โดยมทตงตามพกดภมศาสตรคอตงอยระหวางละตจด 15° 10’ เหนอ ถง 20° 27’ เหนอ และระหวางลองจจด 97° 22’ ตะวนออก ถง 101° 47’ ตะวนออก มพนททงหมดประมาณ 155,760 ตารางกโลเมตร (Figure1)

กระทรวงมหาดไทย5 พบวาภาคเหนอไดรบผลกระทบจากภยแลงรวมมลคาความเสยหายทงสน 67,298,922 บาท โดยจงหวดอตรดตถมพนทประสบภยแลงคดเปนมลคาความเสยหายมากทสดถง 28,050,000 บาท รองลงมาไดแกจงหวดนานมมลคาความเสยหายจากพนทประสบภยแลงทงหมด 27,416,097 บาท จงหวดเชยงรายม มลคาความเสยหายท งหมด 7,682,825 บาท และจงหวดแพรมมลคาความเสยหายทงหมด 4,150,000 บาทตามลาดบ

ในการศกษาครงนไดทาการวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทยโดยใชดชนปรมาณนาฝนมาตรฐาน โดยมวตถประสงคเพอศกษาคณลกษณะของภยแลงทงในเชงพนทและเชงเวลาในชวงฤดฝนโดยเฉพาะภยแลงระดบรนแรงถงรนแรงมาก ตงแตป ค.ศ.1980-2017 เนองจากวาภยแลงท เกดขนในชวง ฤดฝนนนสงผลกระทบตอภาคการเกษตรโดยเฉพาะพชเศรษฐกจของประเทศไทยเชน ขาวนาปทตองใชนาจากฝนตามฤดกาล ในสวนของพนท ศกษาบรเวณภาคเหนอของประเทศไทยตามการแบงภาคทางอตนยมวทยานนมลกษณะภมอากาศทคลายคลงกนทงภมภาคแตมลกษณะภมประเทศสวนใหญเปนเทอกเขาสง มภเขาตดกนในแนวเหนอ-ใตสลบกบหบเขาทงแคบและกวางทมอยอยางมากมาย สงผลใหระบบภมอากาศบรเวณหนาเขาและหลงเขา บรเวณพนทราบและแองม ความแตกต างกนและบ อยคร งทภาคเหนอมกจะประสบกบปญหาภยแลง

พนทศกษาและขอมล ภาคเหนอของประเทศไทยตามการแบงภาคทางอตนยมวทยาประกอบดวย 15 จงหวด ไดแกจงหวดเชยงราย แมฮองสอน เชยงใหม ลาพน ลาปาง พะเยา น าน แพร อตรดตถ ส โขทย ตาก กาแพงเพชร พษณโลก พจตร และเพชรบรณ โดยมทตงตามพกดภมศาสตรคอตงอยระหวางละตจด 15° 10' เหนอ ถง 20° 27' เหนอ และระหวางลองจจด 97° 22' ตะวนออก ถง 101° 47' ตะวนออก มพ นท ท งหมดประมาณ 155,760 ตารางกโลเมตร (Figure1)

Figure 1 Study area

สวนขอมลทใชในการศกษาเปนขอมลนาฝนรายเดอนจากสถานตรวจอากาศ กรมอตนยมวทยา บรเวณภาคเหนอทงหมด 31 สถาน และขอมลนาฝนรปแบบ กรดจาก Climate Research Unit (CRU) University of East Anglia6 เว อ ร ช น TS3.26 ซ ง เป น ข อ ม ลภมอากาศความละเอยดเชงพนทขนาด 0.5° x 0.5° ทงหมด 78 กรด ครอบคลมพนทภาคเหนอตามการแบงภาคทางอตนยมวทยา ชวงเวลาป ค.ศ.1980-2017 รวมทงหมด 38 ป

วธการวจย การศกษาภยแลงบรเวณภาคเหนอของประเทศไทยโดยใชดชนปรมาณน าฝนมาตรฐาน ในครงนแบงออกเปน 2 สวนดวยกนคอ 1. การหาความสมพนธร ะห ว า ง ข อ ม ล น าฝ น จ าก ส ถ าน ต ร วจ วด ข อ ง กรมอตนยมวทยาและขอมลนาฝนรปแบบกรดจาก CRU และ 2. การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทย ดงน

Figure 1 Study area

Vol 39. No 3, May-June 2020 Analysis of Drought in Northern Thailand Using Standardized Precipitation Index

315

สวนขอมลทใชในการศกษาเปนขอมลนำาฝนรายเดอนจากสถานตรวจอากาศ กรมอตนยมวทยา บรเวณภาคเหนอทงหมด 31 สถาน และขอมลนำาฝนรปแบบ กรดจาก Climate Research Unit (CRU) University of East Anglia6

เวอรชน TS3.26 ซงเปนขอมลภมอากาศความละเอยดเชงพนทขนาด 0.5° x 0.5° ทงหมด 78 กรด ครอบคลมพนทภาคเหนอตามการแบงภาคทางอตนยมวทยา ชวงเวลาป ค.ศ.1980-2017 รวมทงหมด 38 ป

วธการวจย การศกษาภยแลงบรเวณภาคเหนอของประเทศไทยโดยใชดชนปรมาณนำาฝนมาตรฐาน ในครงนแบงออกเปน 2 สวนดวยกนคอ 1. การหาความสมพนธระหวางขอมลนำาฝนจากสถานตรวจวดของ กรมอตนยมวทยาและขอมลนำาฝนรปแบบกรดจาก CRU และ 2. การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทย ดงน

1. การหาความสมพนธของขอมลนำาฝน การหาความสมพนธของขอมลนำาฝนจากสถานตรวจวด 31 สถานและขอมลนำาฝนรปแบบกรดจาก CRU ณ ตำาแหนงพกดเดยวกนกบสถานตรวจวดทง 31 สถาน เพอประเมนประสทธภาพของขอมลกรด โดยใชวธการหาคาสมประสทธสหสมพนธแบบ เพยรสน7 หรอ r ดงสมการท 1

(1)

โดยท

rxy คอ คาสมประสทธสหสมพนธแบบ เพยรสน

∑xy คอ ผลรวมของผลคณระหวางขอมลตวแปรท 1 และ 2

∑x คอ ผลรวมของขอมลทวดไดจากตวแปรตวท 1 (X)

∑y คอ ผลรวมของขอมลทวดไดจากตวแปรตวท 2 (Y)

∑x2 คอ ผลรวมของกำาลงสองของขอมลทวดไดจากตวแปรตวท 1

∑y2 คอ ผลรวมของกำาลงสองของขอมลทวดไดจากตวแปรตวท 2

n คอ ขนาดของกลมตวอยาง

โดยระดบของคาความสมพนธทไดสามารถแบงไดตามเกณฑของ Hinkle8 ดงตอไปน (Table 1)

Table 1 Relation of r valuesr ระดบความสมพนธ

0.90-1.00 มความสมพนธในระดบสงมาก

0.70-0.90 มความสมพนธในระดบสง

0.50-0.70 มความสมพนธในระดบปานกลาง

0.30-0.50 มความสมพนธในระดบตำา

0.00-0.30 มความสมพนธในระดบตำามาก

2. การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทย ในการศกษาครงนจะวเคราะหภยแลงโดยใชดชนปรมาณนำาฝนมาตรฐาน (Standardized Precipitation Index) หรอ ดชน SPI โดยทดชน SPI พฒนามาจากแนวคดของ Thomas B. McKee และคณะในป ค.ศ.1993 เพอตรวจสอบความแหงแลงโดยใชขอมลปรมาณนำาฝนหลายชวงเวลา เชน 1 เดอน 3 เดอน 6 เดอน 12 เดอน และ24 เดอนเปนตน9 นอกจากนดชน SPI ยงเปนดชนทถกใชในการวเคราะหภยแลง ในหลายประเทศทวโลกเชน การใชดชน SPI เพอวเคราะห รปแบบของภยแลงทงเชงพนทและเวลาในสาธารณรฐตรก9 การศกษาววฒนาการของภยแลงบนคาบสมทรไอบเรยโดยใชดชน SPI ตงแตป ค.ศ.1910-200010 หรอการวเคราะหรปแบบเชงพนทของภยแลงทางอตนยมวทยาโดยใชดชน SPI บรเวณรฐคชราต สาธารณรฐอนเดย11 เปนตน ในการศกษาครงนไดทำาการศกษาคาดชน SPI ในชวงฤดฝนของประเทศไทยหรอชวงกลางเดอนพฤษภาคมถงตลาคม โดยใชคาดชน SPI ราย 3 เดอน (SPI3) ของเดอนกรกฎาคม (คาเฉลยของเดอนพฤษภาคม มถนายน และกรกฎาคม) และดชน SPI ราย 6 เดอน (SPI6) ของเดอนตลาคม (คาเฉลยของเดอนพฤษภาคม มถนายน กรกฎาคม สงหาคม กนยายน และตลาคม) ซงครอบคลมชวงเวลาของการเพาะปลกพชทตองอาศยนำาฝน เนองจากวาคาดชน SPI ในชวงเวลาสนๆ (SPI3 และSPI6) เปนชวงเวลาทใชอธบายภยแลงทสงผลตอการเกษตร12, 13

โดยดชน SPI สามารถคำานวณไดจากสมการท 2 ดงตอไปน14

(2)

โดยท

Xik คอปรมาณนำาฝนรายเดอนของสถาน i ณ ชวงเวลา k

Xi คอปรมาณนำาฝนเฉลยรายเดอนของสถาน i

Ói คอคาเบยงเบนมาตรฐานของสถาน i

1. การหาความสมพนธของขอมลนาฝน การหาความสมพนธของขอมลนาฝนจากสถาน

ตรวจวด 31 สถานและขอมลนาฝนรปแบบกรดจาก CRU ณ ตาแหนงพกดเดยวกนกบสถานตรวจวดทง 31 สถาน เพอประเมนประสทธภาพของขอมลกรด โดยใช วธการห าค าสมประสทธ สหสมพ นธแบบ เพยรสน7 หรอ r ดงสมการท 1

𝑟�� = �∑��(∑�)(∑�)�[� ∑��(∑�)�][� ∑��(∑�)�]

(1)

โดยท 𝑟�� ค อ ค าสมประสท ธสหสมพ น ธ แบบ เพยรสน

∑𝑥𝑦 คอ ผลรวมของผลคณระหวางขอมลตวแปรท 1 และ 2

∑𝑥 คอ ผลรวมของขอมลทวดไดจากตวแปรตวท 1 (X)

∑𝑦 คอ ผลรวมของขอมลทวดไดจากตวแปรตวท 2 (Y)

∑𝑥� คอ ผลรวมของกาลงสองของขอมลทวดไดจากตวแปรตวท 1

∑𝑦� คอ ผลรวมของกาลงสองของขอมลทวดไดจากตวแปรตวท 2

𝑛 คอ ขนาดของกลมตวอยาง


Table 1 Relation of r values

r ระดบความสมพนธ 0.90 - 1.00 มความสมพนธในระดบสงมาก

0.70 - 0.90 มความสมพนธในระดบสง

0.50 - 0.70 มความสมพนธในระดบปานกลาง

0.30 - 0.50 มความสมพนธในระดบตา

0.00 - 0.30 มความสมพนธในระดบตามาก

2. การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทย

ในการศกษาครงนจะวเคราะหภยแลงโดยใชด ช น ป ร ม า ณ น า ฝ น ม า ต ร ฐ า น (Standardized Precipitation Index) หรอ ดชน SPI โดยท ดชน SPI พฒนามาจากแนวคดของ Thomas B. McKee และคณะในป ค.ศ.1993 เพอตรวจสอบความแหงแลงโดยใชขอมลปรมาณนาฝนหลายชวงเวลา เชน 1 เดอน 3 เดอน 6 เดอน 12 เดอน และ24 เดอนเปนตน 9 นอกจากน ด ชน SPI ย ง เป น ดชน ท ถ ก ใช ในการวเคราะหภยแลงในหลายประเทศทวโลกเชน การใชดชน SPI เพอวเคราะหรปแบบของภยแลงทงเชงพนทและเวลาในสาธารณรฐตรก9 การศกษาววฒนาการของภยแลงบนคาบสมทรไอบเรยโดยใชดชน SPI ตงแตป ค.ศ.1910-200010 หรอการวเคราะหรปแบบเชงพนทของภยแลงทางอตนยมวทยาโดยใชดชน SPI บรเวณรฐคชราต สาธารณรฐอนเดย11 เปนตน ในการศกษาครงนไดทาการศกษาคาดชน SPI ในชวงฤดฝนของประเทศไทยหรอชวงกลางเดอนพฤษภาคมถงตลาคม โดยใชคาดชน SPI ราย 3 เดอน (SPI3) ของเดอนกรกฎาคม (คาเฉลยของเดอนพฤษภาคม มถนายน และกรกฎาคม) และดชน SPI ราย 6 เดอน (SPI6) ของเดอนตลาคม (คาเฉลยของเดอนพฤษภาคม มถนายน กรกฎาคม สงหาคม กนยายน และตลาคม) ซงครอบคลมชวงเวลาของการเพาะปลกพชทตองอาศยนาฝน เนองจากวาคาดชน SPI ในชวงเวลาสนๆ (SPI3 และSPI6) เปนชวงเวลาทใชอธบายภยแลงทสงผลตอการเกษตร12, 13

โดยดชน SPI สามารถคานวณไดจากสมการท 2 ดงตอไปน14

𝑆𝑃𝐼 = (��)��

(2)

โดยท 𝑋�� คอปรมาณนาฝนรายเดอนของสถาน i ณ ชวงเวลา k

𝑋�� คอปรมาณนาฝนเฉลยรายเดอนของสถาน i

𝑂�� คอคาเบยงเบนมาตรฐานของสถาน i

1. การหาความสมพนธของขอมลนาฝน การหาความสมพนธของขอมลนาฝนจากสถาน

ตรวจวด 31 สถานและขอมลนาฝนรปแบบกรดจาก CRU ณ ตาแหนงพกดเดยวกนกบสถานตรวจวดทง 31 สถาน เพอประเมนประสทธภาพของขอมลกรด โดยใช วธการห าค าสมประสทธ สหสมพ นธแบบ เพยรสน7 หรอ r ดงสมการท 1

𝑟�� = �∑��(∑�)(∑�)�[� ∑��(∑�)�][� ∑��(∑�)�]

(1)

โดยท 𝑟�� ค อ ค าสมประสท ธสหสมพ น ธ แบบ เพยรสน

∑𝑥𝑦 คอ ผลรวมของผลคณระหวางขอมลตวแปรท 1 และ 2

∑𝑥 คอ ผลรวมของขอมลทวดไดจากตวแปรตวท 1 (X)

∑𝑦 คอ ผลรวมของขอมลทวดไดจากตวแปรตวท 2 (Y)

∑𝑥� คอ ผลรวมของกาลงสองของขอมลทวดไดจากตวแปรตวท 1

∑𝑦� คอ ผลรวมของกาลงสองของขอมลทวดไดจากตวแปรตวท 2

𝑛 คอ ขนาดของกลมตวอยาง


Table 1 Relation of r values

r ระดบความสมพนธ 0.90 - 1.00 มความสมพนธในระดบสงมาก

0.70 - 0.90 มความสมพนธในระดบสง

0.50 - 0.70 มความสมพนธในระดบปานกลาง

0.30 - 0.50 มความสมพนธในระดบตา

0.00 - 0.30 มความสมพนธในระดบตามาก

2. การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทย

ในการศกษาครงนจะวเคราะหภยแลงโดยใชด ช น ป ร ม า ณ น า ฝ น ม า ต ร ฐ า น (Standardized Precipitation Index) หรอ ดชน SPI โดยท ดชน SPI พฒนามาจากแนวคดของ Thomas B. McKee และคณะในป ค.ศ.1993 เพอตรวจสอบความแหงแลงโดยใชขอมลปรมาณนาฝนหลายชวงเวลา เชน 1 เดอน 3 เดอน 6 เดอน 12 เดอน และ24 เดอนเปนตน 9 นอกจากน ด ชน SPI ย ง เป น ดชน ท ถ ก ใช ในการวเคราะหภยแลงในหลายประเทศทวโลกเชน การใชดชน SPI เพอวเคราะหรปแบบของภยแลงทงเชงพนทและเวลาในสาธารณรฐตรก9 การศกษาววฒนาการของภยแลงบนคาบสมทรไอบเรยโดยใชดชน SPI ตงแตป ค.ศ.1910-200010 หรอการวเคราะหรปแบบเชงพนทของภยแลงทางอตนยมวทยาโดยใชดชน SPI บรเวณรฐคชราต สาธารณรฐอนเดย11 เปนตน ในการศกษาครงนไดทาการศกษาคาดชน SPI ในชวงฤดฝนของประเทศไทยหรอชวงกลางเดอนพฤษภาคมถงตลาคม โดยใชคาดชน SPI ราย 3 เดอน (SPI3) ของเดอนกรกฎาคม (คาเฉลยของเดอนพฤษภาคม มถนายน และกรกฎาคม) และดชน SPI ราย 6 เดอน (SPI6) ของเดอนตลาคม (คาเฉลยของเดอนพฤษภาคม มถนายน กรกฎาคม สงหาคม กนยายน และตลาคม) ซงครอบคลมชวงเวลาของการเพาะปลกพชทตองอาศยนาฝน เนองจากวาคาดชน SPI ในชวงเวลาสนๆ (SPI3 และSPI6) เปนชวงเวลาทใชอธบายภยแลงทสงผลตอการเกษตร12, 13

โดยดชน SPI สามารถคานวณไดจากสมการท 2 ดงตอไปน14

𝑆𝑃𝐼 = (��)��

(2)

โดยท 𝑋�� คอปรมาณนาฝนรายเดอนของสถาน i ณ ชวงเวลา k

𝑋�� คอปรมาณนาฝนเฉลยรายเดอนของสถาน i

𝑂�� คอคาเบยงเบนมาตรฐานของสถาน i


โดยคาดชน SPI สามารถแบงระดบความรนแรงของความแหงแลงไดดงตอไปน (Table 2)

Table 2 Severity of the SPI valueคาดชน SPI ระดบของความรนแรง

≥ 0 ไมแหงแลง

-0.01 ถง -0.99 แหงแลงไมรนแรง

-1.00 ถง -1.49 แหงแลงปานกลาง

-1.50 ถง -1.99 แหงแลงรนแรง

≤ -2 แหงแลงรนแรงมาก

Source: Adapted from Mckee et al.15

ผลการศกษา1. ความสมพนธระหวางขอมลนำาฝนจากสถานตรวจวดและขอมลนำาฝนรปแบบกรดจาก CRU การวเคราะหคาสมประสทธสหสมพนธ (r) ของขอมลนำาฝนทง 2 ชด ณ ตำาแหนงสถานตรวจวด จาก Figure 2 พบ

วาทง 31 สถานมคาความสมพนธอยในชวงระหวาง 0.70-1.00 ทระดบนยสำาคญ 0.01 แสดงใหเหนวาขอมลนำาฝนทง 2 ชด ไดแก ขอมลนำาฝน ณ สถานตรวจวด และขอมลนำาฝนรปแบบ กรดจาก CRU มความสมพนธในระดบทสงและมความสมพนธกนไปในทศทางเดยวกน โดยมคาความสมพนธทดทสดคอ r=0.983 ณ ตำาแหนงสถานตรวจอากาศ กรมอตนยมวทยาพษณโลก รองลงมาคอ r=0.981 ณ ตำาแหนงสถานตรวจอากาศ กรมอตนยมวทยาเชยงใหม และคาความสมพนธทนอยทสดคอ r=0.826 ณ ตำาแหนงสถานตรวจอากาศ กรมอตนยมวทยาดอยมเซอร สกษ.

ดงนน ในการศกษาครงนผวจยจงใชขอมลนำาฝนรปแบบกรดจาก CRU ในการวเคราะหภยแลงทงเชงพนทและเชงเวลาบรเวณภาคเหนอของประเทศไทยแทนขอมลนำาฝนตรวจวดจากสถานตรวจอากาศ กรมอตนยมวทยา เนองจากขอมลนำาฝนรปแบบกรดจาก CRU มความละเอยดเชงพนททมากกวาขอมลตรวจวดจากสถาน นอกจากนขอมลตรวจวดจากสถานตรวจอากาศนนมขอจำากดของจำานวนขอมลตรวจวดทไมครอบคลมชวงเวลาในการศกษาในบางสถาน

0.972

0.962

0.979

0.930

0.837

0.910

0.901

0.981

0.954

0.8630.862

0.902

0.9610.974

0.9310.900

0.868

0.962

0.860

0.830

0.975

0.865

0.940

0.826

0.862

0.983

0.9610.965

0.829

0.858

0.846

0.70

0.75

0.80

0.85

0.90

0.95

1.00

0

5

10

15

20

25

30

35

40

แมฮอ

งสอน

แมสะ

เรยง

เชยง

ราย

เชยง

ราย ส

กษ.

พะเย

าดอ

ยอาง

ขาง

สกษ.

แมโจ

เช

ยงให

มลา

ปาง

เถน

ลาปา

ง สกษ

.ลา

พน แพร

นาน

นาน

สกษ.

ทาวง

ผาทง

ชาง

อตรด

ตถ

สโขท

ยศร

สาโรง

สกษ.

ตาก

แมสอ

ดเข

อนภม

พลดอ

ยมเซ

อร สก

ษ.อม

ผาง

พษณโ

ลกเพ

ชรบร

ณหล

มสก

วเชยร

บรกา

แพงเพ

ชรพจ

ตร สก

ษ.

คาสม

ประส

ทธสห

สมพน

ธ (r)

ขอมล

นาฝน

(ป)

จานวนขอมล(ป) คาสหสมพนธเพยรสนทระดบนยสาคญ 0.01

โดยคาดชน SPI สามารถแบ งระดบความรนแรงของความแหงแลงไดดงตอไปน (Table 2)

Table 2 Severity of the SPI value

คาดชน SPI ระดบของความรนแรง

≥ 0 ไมแหงแลง

-0.01 ถง -0.99 แหงแลงไมรนแรง

-1.00 ถง -1.49 แหงแลงปานกลาง

-1.50 ถง -1.99 แหงแลงรนแรง

≤ -2 แหงแลงรนแรงมาก Source: Adapted from Mckee et al.15

ผลการศกษา 1.ความสมพนธระหวางขอมลนาฝนจากสถานตรวจวดและขอมลนาฝนรปแบบกรดจาก CRU

การวเคราะหคาสมประสทธสหสมพนธ (r) ของขอมลนาฝนทง 2 ชด ณ ตาแหนงสถานตรวจวด จาก Figure 2 พบวาทง 31 สถานมคาความสมพนธ

อยในชวงระหวาง 0.70-1.00 ทระดบนยสาคญ 0.01 แสดงใหเหนวาขอมลนาฝนทง 2 ชด ไดแก ขอมลนาฝน ณ สถานตรวจวด และขอมลนาฝนรปแบบ กรดจาก CRU มความสมพนธ ในระดบทส งและมความสมพนธ กนไปในทศทางเดยวกน โดยมค าความสมพนธทดทสดคอ r = 0.983 ณ ตาแหนงสถานตรวจอากาศ กรมอตนยมวทยาพษณโลก รองลงมาคอ r = 0.981 ณ ต าแห น งสถ าน ต รวจอากาศ กรมอตนยมวทยาเชยงใหม และคาความสมพนธทนอยทสดคอ r = 0.826 ณ ตาแหนงสถานตรวจอากาศ กรมอตนยมวทยาดอยมเซอร สกษ.

ดงนนในการศกษาครงนผวจยจงใชขอมลนาฝนรปแบบกรดจาก CRU ในการวเคราะหภยแลงทงเชงพนทและเชงเวลาบรเวณภาคเหนอของประเทศไทยแทนขอมลนาฝนตรวจวดจากสถานตรวจอากาศ กรมอตนยมวทยา เนองจากขอมลนาฝนรปแบบกรดจาก CRU มความละเอยดเชงพนททมากกวาขอมลตรวจวดจากสถาน นอกจากนขอมลตรวจวดจากสถานตรวจอากาศนนมขอจากดของจานวนขอมลตรวจวดทไมครอบคล มช วง เวล าในการ ศกษาในบ างสถาน

Figure 2 Correlation coefficient between stations precipitation and CRU gridded data

Figure 2 Correlation coefficient between stations precipitation and CRU gridded data


317

2. การวเคราะหภยแลงบรเวณภาคเหนอของประเทศไทย การว เคราะหภยแล งบร เ วณภาคเหนอของประเทศไทยในครงนไดใชคาดชน SPI ในการวเคราะหภยแลงจากขอมลนำาฝนรปแบบกรดจาก CRU ทงหมด 78 กรด ครอบคลมพนทภาคเหนอตามการแบงภาคทางอตนยมวทยา ในชวงระยะเวลาตงแตป ค.ศ.1980-2017 รวมทงหมด 38 ป ในการวเคราะหคณลกษณะของภยแลงทงในเชงพนทและเชงเวลา โดยแบงการวเคราะหตามระดบชวงเวลาของคาดชน SPI ทงหมด 2 ระดบชวงเวลา ไดแกคาดชน SPI3 และดชน SPI6 ในชวงฤดฝนของประเทศไทยดงน

2.1 การวเคราะหเชงเวลา ในการวเคราะหคณลกษณะของภยแลง เชงเวลาบรเวณภาคเหนอของประเทศไทยโดยใชคาดชน SPI3 ซงอยในชวงตนฤดฝน จากการวเคราะหคณลกษณะของภยแลงพบวาตงแตป ค.ศ.1980-2017 มพนทเกดภยแลงตงแตระดบรนแรงถงรนแรงมาก (SPI3 ≤ -1.50) ทงหมด 14 ป ไดแก ค.ศ.1982, 1983, 1987, 1991, 1992, 1993, 1996, 1997, 1998, 1999, 2003, 2010, 2012 และ2015 โดยมพนทเกดภยแลงระดบรนแรงถงรนแรงมาก คดเปน 36.84% ของชวงเวลาศกษาทงหมด 38 ป แตมเพยง 2 ปทมพนทไดรบผลกระทบมากกวาหรอเทากบ 25% ของพนทศกษา ไดแก ป ค.ศ.1987 และ2015 โดยในป ค.ศ.1987 มพนทไดรบผลกระทบจากภยแลงระดบรนแรงถงรนแรงมากอยในชวง 25-49.99% ของพนทศกษา และป ค.ศ.2015 มพนทไดรบผลกระทบมากกวาหรอเทากบ 75% ของพนทศกษา สวนอก 12 ปทเหลอมพนทไดรบผลกระทบคดเปนพนทไมถง 25% ของพนทศกษา ในสวนของปทมพนทไดรบผลกระทบจาก ภยแลงระดบปานกลาง (SPI3=-1.00 ถง -1.49) อยในชวง 25-49.99% ของพนทศกษา

มทงหมด 5 ป และปทมพนทไดรบผลกระทบจากภยแลงระดบไมรนแรง (SPI3=-0.01 ถง -0.99) อยในชวง 25-49.99% ของพนทศกษา มทงหมด 22 ป พนทไดรบผลกระทบอยในชวง 50-74.99% ของพนทศกษา มทงหมด 12 ป และพนทไดรบผลกระทบมากกวาหรอเทากบ 75% ของพนทศกษา มทงหมด 1 ป ไดแก ป ค.ศ.1986 (Figure 3)

สวนของการวเคราะหคาดชน SPI6 ซงเปนชวง ตลอดฤดฝนจากการวเคราะหคณลกษณะของภยแลง พบวาตงแตป ค.ศ.1980-2017 มพนทเกดภยแลงตงแตระดบรนแรงถงรนแรงมาก (SPI6 ≤ -1.50) ทงหมด 15 ป ไดแก ค.ศ.1982, 1986, 1987, 1989, 1991, 1992, 1993, 1996, 1997, 1998, 2001, 2003, 2009, 2012 และ 2015 โดยมพนทเกดภยแลงระดบรนแรงถงรนแรงมาก คดเปน 38.47% ของชวงเวลาศกษาทงหมด 38 ป แตมเพยง 2 ปจากทงหมด 15 ป ทมพนทไดรบผลกระทบมากกวาหรอเทากบ 25% ของพนทศกษาไดแก ป ค.ศ.1993 และ2015 โดยในป ค.ศ.1993 มพนทไดรบผลกระทบจากภยแลงระดบรนแรงถงรนแรงมากอยในชวง 25-49.99% ของพนทศกษา และป ค.ศ.2015 มพนทไดรบผลกระทบมากกวาหรอเทากบ 75% ของพนทศกษา สวนทเหลออก 13 ป มพนทไดรบผลกระทบไมถง 25% ของพนทศกษา ในสวนของปทมพนทไดรบผลกระทบจากภยแลงระดบ ปานกลาง (SPI6=-1.00 ถง -1.49) อยในชวง 25-49.99% ของพนทศกษา มทงหมด 4 ป และปทมพนทไดรบผลกระทบจากภยแลงระดบไมรนแรง (SPI6=-0.01 ถง -0.99) อยในชวง 25-49.99% ของพนทศกษา มทงหมด 25 ป สวนพนททไดรบผลกระทบอยในชวง 50-74.99% ของพนทศกษา มทงหมด 10 ป และมพนททไดรบผลกระทบมากกวาหรอเทากบ 75% ของพนทศกษา มทงหมด 1 ป ไดแก ป ค.ศ.2014 (Figure 4)

Figure 3 Yearly SPI3 index (May-July averaged) divided by severity levels and affected area

Figure 4 Yearly SPI6 index (May-October averaged) divided by severity levels and affected area



2.2 การวเคราะหเชงพนท การศกษาคณลกษณะของภยแลงเชงพนทบรเวณภาคเหนอของประเทศไทย โดยวเคราะหจากคาดชน SPI3 และดชน SPI6 ในชวงฤดฝนของประเทศไทย พบวาในระดบคาดชน SPI3 มพนทเกดภยแลงตงแตระดบความแหงแลงรนแรง (สสม) ไปจนถงระดบความแหงแลงรนแรงมาก (สแดง) ทงหมด 14 ป จากชวงเวลาศกษาทงหมด 38 ปตามทไดกลาวมาแลว จะเหนไดวาพนทเกดภยแลงระดบรนแรงถงรนแรงมากนนเกดกระจายไปทวบรเวณพนทภาคเหนอ โดยปทเกดภยแลงระดบรนแรงถงรนแรงมาก คดเปนพนทมากกวา 25% ของพนทศกษา ไดแก ป ค.ศ.1987 และ2015 โดยในป ค.ศ.1987 มพนทเกดภยแลงระดบรนแรงถงรนแรงมาก คดเปนพนทประมาณ 73,751 ตารางกโลเมตร หรอ 47.35% ของพนทศกษา ครอบคลมพนทสวนใหญของจงหวดเชยงราย แมฮองสอน เชยงใหม พะเยา และนาน โดยเฉพาะจงหวดเชยงรายและพะเยาทพนททงหมดของจงหวดประสบกบภยแลงระดบรนแรงถงรนแรงมาก ในสวนของป ค.ศ.2015 มพนทเกดภยแลงระดบรนแรงถงรนแรงมากเกอบทวทงพนทบรเวณภาคเหนอ คดเปนพนทประมาณ 151,245 ตารางกโลเมตร หรอ 97.10% ของพนทศกษา ครอบคลมพนทสวนใหญของทง 15 จงหวดภาคเหนอโดยท 12 จงหวด ไดแก จงหวดเชยงราย เชยงใหม ลำาพน ลำาปาง พะเยา แพร อตรดตถ สโขทย ตาก กำาแพงเพชร พษณโลก และพจตร มพนททงหมดของจงหวดประสบกบภยแลงระดบรนแรงถงรนแรงมาก (Figure 5)

สวนในระดบคาดชน SPI6 พบวามพนทเกดภยแลงตงแตระดบความแหงแลงรนแรงไปจนถงระดบความแหงแลงรนแรงมากทงหมด 15 ป จากชวงเวลาศกษาทงหมด 38 ปตามทไดกลาวมาแลว จะเหนไดวาพนทเกดภยแลงระดบรนแรงถงรนแรงมากนนเกดกระจายไปทวบรเวณพนทภาคเหนอเชนเดยวกบในระดบคาดชน SPI3 โดยปทเกดภยแลงระดบรนแรงถงรนแรงมากคดเปนพนทมากกวา 25% ของพนทศกษา ไดแก ป ค.ศ.1993 และ2015 โดยในป ค.ศ.1993 มพนทเกดภยแลงระดบรนแรงถงรนแรงมากบรเวณตอนลางและตะวนออกของภาคเหนอ คดเปนพนทประมาณ 66,105 ตารางกโลเมตร หรอ 42.44% ของพนทศกษา ครอบคลมพนทสวนใหญของจงหวดลำาพน แพร อตรดตถ สโขทย กำาแพงเพชร พษณโลก พจตร และเพชรบรณ โดยเฉพาะจงหวดอตรดตถและพษณโลกทพนททงหมดของจงหวดประสบกบภยแลงระดบรนแรงถงรนแรงมาก สวนในป ค.ศ. 2015 มพนทเกดภยแลงระดบรนแรงถงรนแรงมากเปนบรเวณกวางเกอบทวทงหมดของพนทภาคเหนอ คดเปนพนทประมาณ 143,722 ตารางกโลเมตร หรอ 92.27% ของพนทศกษา ครอบคลมพนทสวนใหญของเกอบทกจงหวดยกเวนจงหวดเพชรบรณ โดยจงหวดทมพนททงหมดประสบกบภยแลงระดบรนแรงถงรนแรงมาก ไดแก จงหวดแมฮองสอน เชยงใหม ลำาพน ลำาปาง แพร อตรดตถ สโขทย ตาก กำาแพงเพชร และพษณโลก รวมทงหมด 10 จงหวด (Figure 6)





319

Figure 5 Spatial and temporal distribution of SPI3 index (May - July averaged) since 1980-2017 Figure 5 Spatial and temporal distribution of SPI3 index (May-July averaged) since 1980-2017


Figure 6 Spatial and temporal distribution of SPI6 index (May – October averaged) since 1980-2017Figure 6 Spatial and temporal distribution of SPI6 index (May-October averaged) since 1980-2017


321

สรปผลและอภปรายผล จากการวเคราะหคาสมประสทธสหสมพนธของขอมลนำาฝนทง 2 ชดเพอประเมนประสทธภาพของขอมลนำาฝนรปแบบกรดพบวา คา r มคาตงแต 0.826-0.983 แสดงใหเหนวาขอมลนำาฝนทง 2 ชดมความสมพนธกนในระดบสงจนถงสงมาก หรอกลาวไดวาขอมลนำาฝนรปแบบกรดจาก CRU นนมประสทธภาพสามารถเปนตวแทนของขอมลนำาฝนตรวจวดของสถานตรวจอากาศกรมอตนยมวทยา ดงนนการศกษาครงนจงไดใชขอมลนำาฝนรปแบบ กรดจาก CRU มาศกษาแทนขอมลนำาฝนจากขอมลตรวจวดเนองจากมความละเอยดเชงพนททละเอยดกวาและมขอมลทครบถวนมากกวาขอมลตรวจวดจากสถานตรวจอากาศ

ในสวนของการวเคราะหคณลกษณะของ ภยแลงในชวงฤดฝนบรเวณภาคเหนอของประเทศไทยทงในเชงพนทและเชงเวลา ตงแตป ค.ศ.1980-2017 โดยใชคาดชน SPI3 และดชน SPI6 จากการวเคราะหคาดชน SPI3 ของเดอนกรกฎาคมพบวาปทเกด ภยแลงระดบรนแรงถงรนแรงมาก (SPI3 ≤ -1.50) มทงหมด 14 ป คดเปน 36.84% ของชวงเวลาศกษา โดยป ค.ศ.2015 มพนทไดรบผลกระทบมากทสด คอ 97.10% รองลงมาไดแก ป ค.ศ.1987 มพนทไดรบ ผลกระทบ 47.35% ของพนทศกษา สวนผลการวเคราะห คาดชน SPI6 ของเดอนตลาคมพบวาปทเกดภยแลงระดบรนแรงถงรนแรงมาก (SPI6 ≤ -1.50) มทงหมด 15 ป คดเปน 38.47% ของชวงเวลาศกษา โดยป ค.ศ.2015 มพนทไดรบ ผลกระทบมากทสดคอ 92.27% รองลงมาไดแก ป ค.ศ.1993 มพนทไดรบผลกระทบ 42.44% ของพนทศกษา โดยป ค.ศ.1982, 1987, 1991, 1992, 1993, 1996, 1997, 1998, 2003, 2012 และ2015 รวมทงหมด 11 ปมพนทเกดภยแลงระดบรนแรงถงรนแรงมากทงในระดบคาดชน SPI3 และดชน SPI6 โดยป ค.ศ.1982, 1987, 1991, 1992, 1997, 1998 และ 2015 เปนปทเกดปรากฏการณ เอลนโญสอดคลองกบตาราง Oceanic Nino Index (ONI)16 ซงใชเปนเกณฑในการกำาหนดปรากฏการณเอนโซโดยปทมคาเฉลย 3 เดอน(3-month moving averaged) ของอณหภมผวนำาทะเลสงกวาปกตตงแต 0.5 องศาเซลเซยสขนไปตดตอกนอยางนอย 5 เดอนแสดงวาเกดปรากฏการณเอลนโญ สงผลกระทบกอใหเกดความแหงแลงบรเวณภมภาคเอเชยตะวนออกเฉยงใต ตวอยางเชน ภยแลงทเกดขนในประเทศอนโดนเซย17 และฟลปปนส18 ซงสาเหต สวนใหญเปน ผลกระทบมาจากปรากฏการณเอลนโญ

นอกจากนรปแบบของการเกดภยแลงบรเวณภาคเหนอของประเทศไทยในชวงฤดฝนตลอดชวงเวลาศกษาทงหมด 38 ปมพนทเกดภยแลงทกชวงระดบความรนแรงกระจายตวเปนกระจกอยทวบรเวณภาคเหนอเกอบทกปโดย

เฉพาะในปทเกดปรากฏการณ เอลนโญซงสวนใหญมกจะพบพนทเกดภยแลงระดบรนแรงทงภยแลงชวงตนฤดฝนและภยแลงตลอดฤดฝน โดยภยแลงชวงตนฤดฝนจากการวเคราะหคาดชน SPI3 พนททควรเฝาระวงเปนพเศษไดแก จงหวดเชยงราย แมฮองสอน เชยงใหม พะเยา และนาน เนองจากพนทสวนใหญเกดภยแลงระดบรนแรงถงรนแรงมากทงในป ค.ศ.1987 และ2015 ซงเปน 2 ปทมพนทไดรบผลกระทบมากกวา 25% ของพนทศกษา นอกจากนภยแลงตลอดฤดฝนจากการวเคราะหคาดชน SPI6 พนททควรเฝาระวงเปนพเศษไดแก จงหวดลำาพน แพร อตรดตถ สโขทย กำาแพงเพชร พษณโลก และพจตร เนองจากพนทสวนใหญของจงหวดเกด ภยแลงระดบรนแรงถงรนแรงมากทงในป ค.ศ.1993 และ 2015 ซงเปน 2 ปทมพนทไดรบผลกระทบมากกวา 25% ของพนทศกษา

จะเหนไดวาภาคเหนอของประเทศไทยมกจะประสบกบปญหาภยแลงทเกดขนในชวงฤดฝน โดยเฉพาะภยแลงระดบรนแรงถงรนแรงมากซงจะสงผลกระทบตอภาคการเกษตรและสรางความเสยหายใหแกประชาชนและเศรษฐกจของประเทศ ดงนน ผลการศกษาครงนจะชวยใหคนในชมชนและสงคมตระหนกและรบรถงความเสยงจากภยแลงเพอทจะสามารถปรบตวและวางแผนเตรยมการปองกนเพอลดความเสยงทอาจจะเกดขน รวมถงเปนขอมลสนบสนนในการวางแผนและการตดสนใจในการกำาหนดนโยบายของหนวยงานทเกยวของได

กตตกรรมประกาศ ขอขอบคณ ทนสนบสนนการทำาวจยจากบณฑตวทยาลยมหาวทยาลยเชยงใหมทสนบสนนทนในการทำาวจย ขอขอบคณกรมอตนยมวทยาสำาหรบขอมลนำาฝน จากสถานตรวจอากาศ กรมอตนยมวทยา และขอมลนำาฝนรปแบบกรดจาก The Climatic Research Unit (CRU), University of East Anglia

เอกสารอางอง1. Damberg L. and AghaKouchak A. Global trends

and patterns of drought from space. Theoretical and applied climatology 2014 ; 117(3-4): 441-448.

2. Wilhite DA and Glantz MH. Understanding: the drought phenomenon: the role of definitions. Water international 1985l ; 10(3): 111-120.

3. กรมอตนยมวทยา. การเปลยนแปลงภมอากาศ. ไดจาก: URL: http://www.tmd.go.th/info/info.php?FileID=86/ 17 กมภาพนธ 2559.


4. Thanapakpawin P. Boonya-aroonnet S. Chankarn A. Chitradon R. and Snidvongs A. Chapter 7 Thailand drought risk management: macro and micro strate-gies. Droughts in Asian Monsoon Region (Commu-nity, Environment and Disaster Risk Management, Volume 8) Emerald Group Publishing Limited 2011 ; 8: 121-140.

5. ศนยอำานวยการบรรเทาสาธารณภย กรมปองกนและบรรเทาสาธารณภย. ภยแลง 2551-2560. ไดจาก http://122.155.1.141/cmsdetail.directing-6.191/ 24528/menu_4469/4052.1/ภยแลง+2551+-+2560? fbclid=IwAR1Zv_tMRg-0DHLAUSRFsdinqcEUUZ-w8APPlGmRDIm-IqGfLnN8cxs_JUV4 26 สงหาคม 2562.

6. Harris IPDJ, Jones PD, Osborn TJ. and Lister DH. Updated high resolution grids of monthly climatic observations–the CRU TS3.10 dataset. International Journal of Climatology 2014 ; 34(3): 623-642.

7. จกรภพ สวรรณ. บทท 7 สหสมพนธ (Correlation). 2550. ไดจาก: http://intraserver.nurse.cmu.ac.th/mis/download/course/lec_567730_lesson_07. pdf 24 พฤศจกายน 2561.

8. Hinkle DE, Wiersma W, and Jurs SG. Applied Statistics for the Behavior Sciences. 4th ed. New York: Houghton Mifflin ; 1998.

9. Komuscu AU. Using the SPI to analyze spatial and temporal patterns of drought in Turkey. Drought Network News (1994-2001) ; 1999. 49.

10. Vicente-Serrano SM. Spatial and temporal analysis of droughts in the Iberian Peninsula (1910–2000). Hydrological Sciences Journal 2006 ; 51(1): 83-97.

11. Patel NR, Chopra P. and Dadhwal VK. Analyzing spatial patterns of meteorological drought using standardized precipitation index. Meteorological Applications 2007 ; 14(4): 329-336.

12. Bonaccorso B, Bordi I, Cancelliere A, Rossi G. and Sutera A. Spatial variability of drought: an analysis of the SPI in Sicily. Water resources management 2003 ; 17(4): 273-296.

13. Svoboda M, Hayes M. and Wood D. Standardized precipitation index user guide. World Meteorological Organization Geneva, Switzerland ; 2012.

14. Agnew CT. Using the SPI to identify drought. Drought Network News (1994-2001) ; 2000. Paper 1.

15. McKee TB, Doesken NJ. and Kleist J. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology. Boston. MA: American Meteorological Society 1993 ; 17(22): 179-183.

16. NOAA. Historical El Nino / La Nina episodes (1950- present). Available from: https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php August 26, 2019

17. Mursidi A. and Sari DAP. Management of Disaster Drought in Indonesia. JURNAL TERAPAN MANAJEMEN DAN BISNIS 2017 ; 3(2): 165-171.

18. Dawe D, Moya P. and Valencia S. Institutional, policy and farmer responses to drought: El Niño events and rice in the Philippines. Disasters 2009 ; 33(2): 291-307.

Vol 39. No 3, May-June 2020 J Sci Technol MSU 323

ปจจยเชงสาเหตทมอทธพลตอพฤตกรรมการใชหมวกนรภยในนกศกษาสาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลกCausal Factors Affecting Helmet Use Behavior among Public Health Students of Pibulsongkram Rajabhat University, Phitsanulok Province

กเกยรต กอนแกว1*, วภาดา ศรเจรญ2

Kukiet Konkaew1*, Wiphada Srijaroen2

Received: 25 July 2019 ; Revised: 13 September 2019 ; Accepted: 23 September 2019

บทคดยอการวจยความสมพนธเชงสาเหตครงนมจดมงหมายเพอศกษาพฤตกรรมการใชหมวกนรภยและหาปจจยเชงสาเหตทมอทธพลตอพฤตกรรมการใชหมวกนรภย ประชากรเปนนกศกษาสาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก จำานวน 422 คน เครองมอทใชในการวจยเปนแบบสอบถามทผวจยสรางขน ไดคาความเชอมนของเครองมอเทากบ 0.94 ผลการวจยพบวานกศกษาสวมหมวกนรภยขณะขบขหรอซอนทายรถจกรยานยนตเปนบางครงมากทสดรอยละ 66.3 ดานปจจยเชงสาเหตทมอทธพลตอพฤตกรรมการสวมหมวกนรภยในนกศกษาพบวาโมเดลมความสอดคลองเชงประจกษ Chi-square=227.64, df=200, Chi-square/df=1.138, p-value=0.08754, SRMR=0.038, GFI=0.99, AGFI=0.98 และ RMSEA=0.018 ตวแปรทมอทธพลทางตรงตอพฤตกรรมการสวมหมวกนรภยของนกศกษา ไดแก ความตงใจทจะกระทำาพฤตกรรม และทศนคตตอพฤตกรรม ดวยขนาดอทธพลเสนทางเทากบ 0.47 และ -0.45 ตามลำาดบ โดยตวแปรทง 2 ตว สามารถทำานายพฤตกรรมการสวมหมวกนรภย ของนกศกษาไดรอยละ 64.0 (R2=0.64) สวนตวแปรทมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษา ผานตวแปร ความตงใจทจะกระทำาพฤตกรรม ไดแก ทศนคตตอพฤตกรรม การรบรความสามารถในการควบคมพฤตกรรม และการคลอยตามบคคลอางอง และยงมตวแปรการรบรความสามารถในการควบคมพฤตกรรม และการคลอยตามบคคลอางองทมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสงผานทศนคตตอพฤตกรรม ดงนนเจาหนาทมหาวทยาลย ผปกครองและเพอน ควรสงเสรมใหนกศกษามทศนคตทดตอการสวมหมวกนรภย และมความตงใจทจะกระทำาพฤตกรรม จงจะสงผลใหนกศกษาสวมหมวกนรภยในทสด

คำาสำาคญ: ปจจยเชงสาเหต พฤตกรรมการใชหมวกนรภย นกศกษาสาขาสาธารณสขศาสตร

AbstractThe aims of this study were to determine helmet use behavior (HUB) and to explore the causal factors influencing HUB. Four hundred and twenty two public health students of Pibulsongkram Rajabhat University were chosen as the population. The questionnaire with reliability (Cronbach’s alpha coefficient 0.94) was used as a research instrument. The results showed that 66.4% of all students claimed to wear a helmet, at least sometimes, while riding a motorcycle or sitting behind the motorcycle rider. With regard to causal factors influencing HUB among students, the structural equation model was valid and fitted the empirical data. This model indicated that the Chi-square goodness of fit to test was 227.64, df=200, Chi-square/df=1.138, p-value=0.08754, SRMR=0.038, GFI=0.99, AGFI=0.98 and RMSEA=0.018. The intention (r=0.47) and attitude (r=-0.45) toward behavior had direct influence on HUB of students. Both variables accounted for 64% (R2=0.64) of variance of those HUBs. Other variables which indirectly influenced students’ HUB via intention, included attitude, perceived behavioral control on HUB, and subjective norms. Also, perceived behavioral

1 อาจารย คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก2 ผชวยศาสตราจารย คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก1 Lecturer, Faculty of Science and Technology, Pibulsongkram Rajabhat University, Phitsanulok2 Assistant Professor, Faculty of Science and Technology, Pibulsongkram Rajabhat University, Phitsanulok* E-mail: [email protected]

J Sci Technol MSUKukiet Konkaew, Wiphada Srijaroen324

control and subjective norms indirectly influenced students’ HUB via attitude. Therefore, academic staff, parents, and friends should encourage students to adopt a positive attitude toward helmet use and have perseverance to behave better. Subsequently, those students would eventually realize the good sense of wearing a helmet.

Keywords: Causal factors, Helmet-use behavior, Public health students

บทนำาอบตเหตเปนเหตการณทเกดขนโดยไมคาดคดหรอเกดจากความบงเอญ โดยสาเหตการบาดเจบแบงเปน 2 กลม1 ตามบญชการจำาแนกโรคระหวางประเทศฉบบแกไข ครงท 10 คอ 1) อบตเหตจากการขนสง และ 2) สาเหตภายนอกททำาใหเกดการบาดเจบจากอบตเหต พบวา ตงแตป 2553 เปนตนมา จำานวนผเสยชวตจากอบตเหตการจราจรทางถนนเพมขนใน 104 ประเทศทวโลก โดยเปนประเทศทมรายไดปานกลางเสยชวตจากอบตเหตทางจราจรรอยละ 80.0 ซงประเทศทมรายไดปานกลางมอตราการเสยชวตสงกวาประเทศทมรายไดสงถง 11.5 เทา กลมประเทศทมรายไดนอยและปานกลางมอตราการเสยชวตสงสดคอ 26.6 ตอแสนประชากร ในขณะทกลมประเทศทมรายไดสงมอตราการเสยชวตสงสดคอ 9.3 ตอแสนประชากร แสดงใหเหนวาประเทศทมรายไดตางกน มสดสวนของจำานวนผเสยชวตทตางกน เมอจำาแนกตามประเภทการใชถนน พบวาในประเทศยากจน มคนเดนเทาเสยชวตมากกวากลมอน ในทางตรงกนขามพบวาประเทศทมรายไดสงจะม ผใชรถยนตเสยชวตมากกวา สำาหรบประเทศทมรายได ปานกลางจะมผใชรถจกรยานยนตหรอรถยนตเสยชวต มากทสด2

สำาหรบประเทศไทยเปนประเทศทมความเสยงตอการเสยชวตจากอบตเหตทางถนนเปนอนดบสองของโลก ประเทศไทยมแนวโนมผเสยชวตจากอบตเหตทางถนนสงขนทกป โดยในป พ.ศ. 2557 เสยชวต 21,429 ราย ลดลงจากป พ.ศ.2555 ซงมจำานวนผเสยชวต 23,601 ราย สำาหรบในป พ.ศ. 2557 มผเสยชวตเฉลย 60 คนตอวน สาเหตสวนใหญมาจากการขบรถจกรยานยนตเรวเกนกวากฎหมายกำาหนด เมาแลวขบ และไมสวมหมวกนรภยรอยละ 70.0 เนองจากจกรยานยนตไมมระบบปองกนอนตรายทเพยงพอ เมอเกดอบตเหตทำาใหมโอกาสการบาดเจบ สงกวาผทขบขหรอนงรถยนต ซงบรเวณของรางกายทไดรบบาดเจบมากทสด คอ ศรษะ รองลงมาคอ แขน ขา ทงนหมวกนรภยเปนอปกรณทสามารถลดความรนแรงจากการไดรบบาดเจบทางสมองลดอตราเสยงตอการเสยชวตจากอบตเหต แตผขบขยงไมตระหนกและใหความสำาคญตอการใชหมวกนรภย ซงสามารถชวยลดความเสยงในการเสยชวตเกอบรอยละ 40.0 และลดความเสยงในการบาดเจบถงรอยละ 70.02-3

มหาวทยาลยเปนสถานศกษาทมนกศกษาใชรถจกรยานยนตเปนยานพาหนะหลกในการเดนทาง นอกจากนยงเปนทนาสงเกตวา กลมเยาวชนในสถาบนการศกษาตางๆ เปนกลมทประสบอบตเหตทางถนนมากทสด จากรายงานสถานการณความปลอดภยทางถนนของไทย ป พ.ศ.2557 รายงานวากลมอายทประสบอบตเหตทางถนนมากทสดคอ กลมอาย 15-24 ป3 และมแนวโนมเพมสงขนเมอเทยบกบ ทกกลมอาย เพราะรถจกรยานยนตเปนยานพาหนะทมความคลองตวสงในการขบข สามารถหาซอไดงาย ราคาไมสงมาก การบำารงรกษางาย ตลอดจนประหยดคานำามนเชอเพลงเมอเทยบกบยานพาหนะอนๆ อกทงยงเหมาะสำาหรบผมรายไดนอย สามารถฝกหดขบขไดงาย และยงบรรทกผโดยสารหรอสงของไดตามความจำาเปนในการดำารงชวตประจำาวน จากการศกษาของ ณฐบด วรยาวฒน และสรชาต สนวรณ4 พบวานกศกษาขาดความรเรองหมวกนรภย ทศนคตตอการใชหมวกนรภยไมด ในขณะท บรรจง พลไชย5 พบวานกศกษาพยาบาล มหาวทยาลยนครพนม มพฤตกรรมรดคางดวยสายรดคางใหแนนทกครงเมอสวมหมวกนรภยอยในระดบปานกลาง และมพฤตกรรมสวมหมวกนรภยทกครงเมอนงซอนทายรถจกรยานยนตไปในระยะทางใกลๆ อยในระดบนอย นอกจากน ชตพทธ ขอนพกล นภดล กรประเสรฐ และปรดา พชญาพนธ6 ยงพบวาการสนบสนนทางสงคม โดยพฤตกรรมการปองกนอบตเหตจะถกกระตนจากปจจยทางสงคมทแวดลอมนกศกษา เชน กลมเพอน ดงนนการสงเสรมใหผใชรถจกรยานยนตหนมามพฤตกรรมในการใชหมวกนรภยมากขนจงเปนสงทดและยงสอดคลองกบนโยบายของมหาวทยาลย ทหามผขบขหรอซอนทายรถจกรยานยนตทไมสวมหมวกนรภยเขาและออกมหาวทยาลย

จากการทบทวนสถานการณและงานวจยทเกยวของ ผวจยไดตวแปรทจะศกษาในการวจยไดแก เพศ การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม ความรเกยวกบหมวกนรภย ทศนคตตอพฤตกรรม ความตงใจทจะกระทำาพฤตกรรม และพฤตกรรม ในการวจยนผวจยจงเกดคำาถามวจยวามปจจยอะไรบางทเปนปจจยเชงสาเหตทงทางตรง และทางออม ทสงผลตอพฤตกรรมการใชหมวกนรภยของนกศกษา สาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก ซงผลการศกษาทไดรบจะได

Vol 39. No 3, May-June 2020 Causal Factors Affecting Helmet Use Behavior among Public Health Students of Pibulsongkram Rajabhat University, Phitsanulok Province

325

นำามาปรบใชกบมาตรการรณรงคการใชหมวกนรภยในมหาวทยาลยฯ อกทงยงสงเสรมใหนกศกษามวนยทางการจราจร และมารยาทในการขบขรถจกรยานยนตซงจะชวยลดความ สญเสยและความรนแรงอนเกดจากอบตเหตได

วตถประสงค 1. เพอศกษาพฤตกรรมการใชหมวกนรภยในนกศกษาสาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก

2. เ พอศกษาปจจยเชงสาเหตทมอทธพลตอพฤตกรรมการใชหมวกนรภยในนกศกษาสาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก

สมมตฐานการวจย 1. ความร ทศนคตตอพฤตกรรม และความตงใจ ทจะกระทำาพฤตกรรม มอทธพลทางตรงตอพฤตกรรมการ สวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร

2. เพศ การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม และทศนคตตอพฤตกรรมมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ผานความตงใจทจะกระทำาพฤตกรรม

3. การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม มอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ผานทศนคตตอพฤตกรรม

กรอบแนวคดในการวจย ในการกำาหนดกรอบแนวคดการวจย ซงจะนำาไปสการตงสมมตฐานการวจยในครงน ผวจยไดนำาตวแปรทสงผลตอพฤตกรรมการสวมหมวกนรภยของนกศกษา ทไดจากการทบทวนวรรณกรรม ซงประกอบดวย เพศ การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม ความรเกยวกบหมวกนรภย และทศนคตตอพฤตกรรม ความตงใจทจะกระทำาพฤตกรรม มาโยงใยความสมพนธเชงสาเหต โดยใชแนวคดทฤษฏพฤตกรรมตามแผนของ Ajzen7 โดยทฤษฎนมฐานความคดวาพฤตกรรมของคนเราจะเกดขนไดตองมความตงใจในการจะทำาพฤตกรรมนน ซงความตงใจนนไดรบอทธพลจากการคลอยตามบคคลอางอง ความเชอในการควบคมพฤตกรรมตนเอง และทศนคตในการกระทำาพฤตกรรม ทงนผวจยไดเพมตวแปรอก 2 ตว ไดแก เพศ และความรเกยวกบหมวกนรภย รายละเอยดความสมพนธของตวแปร แสดงดง Figure 1

วธดำาเนนการวจย พนทศกษา ไดแก สาขาสาธารณสขศาสตร คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก

ประชากรทศกษา ไดแก นกศกษาสาขาสาธารณสขศาสตร คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก ทง 4 ชนปจำานวน 436 คน ในชวงเวลาทดำาเนนการเกบรวบรวมขอมลพบวาขอมลทไดรบตอบกลบมความสมบรณของขอมล 422 ฉบบ คดเปนรอยละ 96.8 ทนำามาวเคราะหขอมล

เครองมอทใชในการวจย ผวจยไดทำาการออกแบบเครองมอวจย โดยใชการทบทวนทฤษฎและงานวจยทเกยวของ จนไดกรอบแนวคด แลวจงทำาการออกแบบเครองมอวจย โดยเครองมอวจยเปนแบบสอบถาม ประกอบดวย 8 สวน ดงน 1) ลกษณะทางประชากร ไดแก เพศ อาย ชนปทกำาลงศกษา เกรดเฉลย หลกสตรทศกษา ศาสนา รายรบตอเดอน การมใบอนญาตขบขรถจกรยานยนต การไดรบการอบรม จำานวนปทใชจกรยานยนต ระยะทางทขบขตอวน ความเรวทใช สถานภาพในการขบข การประสบอบตเหตจากการขบขในอดต การสวมหมวกนรภย และความคดเหนตอมาตรการบงคบใชหมวกนรภย 2) ทศนคตตอพฤตกรรม 3) การคลอยตามบคคลอางอง 4) การรบรความสามารถในการควบคมพฤตกรรม 5) ความรเกยวกบหมวกนรภย 6) ความตงใจทจะ กระทำาพฤตกรรม 7) พฤตกรรมการสวมหมวกนรภย และ 8) ขอเสนอแนะ สำาหรบขอคำาถามในสวนท 2 และ 6 เปนแบบมาตรวดประมาณคา 5 ระดบ (1-5) สวนท 3 และ 5 เปนแบบเลอกตอบ (0-1) สวนท 4 เปนแบบมาตรวดประมาณคาของ Osgood 7 ระดบ (-3 ถง 3) สวนท 7 เปนมาตรวดประมาณคา 3 ระดบ (1-3) และสวนท 8 เปนการเขยนแสดงความคด

ถนนมากทสด จากรายงานสถานการณความปลอดภยทางถนนของไทย ป พ.ศ.2557รายงานวากลมอายทประสบอบตเหตทางถนนมากทสดคอ กลมอาย 15-24 ป(3) และมแนวโนมเพมสงขนเมอเทยบกบทกกลมอาย เพราะรถจกรยานยนตเปนยานพาหนะทมความคลองตวสงในการขบข สามารถหาซอไดงาย ราคาไมสงมาก การบารงรกษางาย ตลอดจนประหยดคานามนเชอเพลงเมอเทยบกบยานพาหนะอน ๆ อกทงยงเหมาะสาหรบผมรายไดนอย สามารถฝกหดขบขไดงาย และยงบรรทกผโดยสารหรอสงของไดตามความจาเปนในการดารงชวตประจาวน จากการศกษาของ ณฐบด วรยาวฒน และสรชาต สนวรณ(4) พบวานกศกษาขาดความรเรองหมวกนรภย ทศนคตตอการใชหมวกนรภยไม ด ในขณะท บรรจง พลไชย(5) พบวานกศกษาพยาบาล มหาวทยาลยนครพนม มพฤตกรรมรดคางดวยสายรดคางใหแนนทกครงเมอสวมหมวกนรภยอยในระดบปานกลาง และมพฤตกรรมสวมหมวกนรภยทกครงเมอน งซอนท ายรถจกรยานยนตไปในระยะทางใกล ๆ อยในระดบนอย นอกจากน ชตพทธ ขอนพกล นภดล กรประเสรฐ และปรดา พชญาพนธ(6) ยงพบวาการสนบสนนทางสงคม โดยพฤตกรรมการปองกนอบตเหตจะถกกระตนจากปจจยทางสงคมทแวดลอมนกศกษา เชน กลมเพอน ดงน นการสง เสรม ใหผ ใช รถจกรยานยนตหนมามพฤตกรรมในการใชหมวกนรภยมากขนจงเปนสงทดและยงสอดคลองกบนโยบายของมหาวทยาลย ทหามผขบขหรอซอนทายรถจกรยานยนตทไมสวมหมวกนรภยเขาและออกมหาวทยาลย จากการทบทวนสถานการณและงานวจยทเกยวของ ผ วจยไดตวแปรทจะศกษาในการวจยไดแก เพศ การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม ความร เกยวกบหมวกนรภย ทศนคตตอพฤตกรรม ความตงใจทจะกระทาพฤตกรรม และพฤตกรรม ในการวจยนผวจยจงเกดคาถามวจยวามปจจยอะไรบางท เปนปจจยเชงสาเหตทงทางตรง และทางออม ทสงผลตอพฤตกรรมการใชหมวกนรภยของนกศกษา สาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก ซงผลการศกษาทไดรบจะไดนามาปรบใชกบมาตรการรณรงคการใชหมวกนรภยในมหาวทยาลยฯ อกทงยงสงเสรมใหนกศกษามวนยทาง

การจราจรและมารยาทในการขบขรถจกรยานยนตซงจะชวยลดความสญเสยและความรนแรงอนเกดจากอบตเหตได กรอบแนวคดในการวจย

ในการกาหนดกรอบแนวคดการวจย ซ งจะนาไปสการตงสมมตฐานการวจยในครงน ผวจยไดนาตวแปรทส งผลตอพฤตกรรมการสวมหมวกนรภยของน ก ศ กษ า ท ได จ ากก ารท บ ท วน วร รณ ก รรม ซ งประกอบดวย เพศ การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม ความรเกยวกบหมวกนรภย และทศนคตตอพฤตกรรม ความตงใจทจะกระทาพฤตกรรม มาโยงใยความสมพนธเชงสาเหต โดยใชแนวคดทฤษฏพฤตกรรมตามแผนของ Ajzen(7) โดยทฤษฎนมฐานความคดวาพฤตกรรมของคนเราจะเกดขนไดตองมความตงใจในการจะทาพฤตกรรมนน ซงความตงใจนนไดรบอทธพลจากการคลอยตามบคคลอางอง ความเชอในการควบคมพฤตกรรมตนเอง และทศนคตในการกระทาพฤตกรรม ทงนผวจยไดเพมตวแปรอก 2 ตว ไดแก เพศ แ ล ะค ว าม ร เ ก ย ว ก บ ห ม ว ก น ร ภ ย ร าย ล ะ เอ ย ดความสมพนธของตวแปร แสดงดง Figure 1

Figure 1 Causal relationship model influencing helmet use behavior among public health students

วตถประสงค 1. เพอศกษาพฤตกรรมการใชหมวกนรภยในนกศกษาสาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก

SEX

NOR

CON

KNO

INT

BEH

ATT

Figure 1 Causal relationship model influencing helmet use behavior among public health students


เหนของผตอบแบบสอบถาม ซงแบบสอบถามฉบบนไดผานการตรวจสอบความตรงเชงเนอหาจากผทรงคณวฒจำานวน 3 ทาน ขอคำาถามทกขอสามารถนำามาใชไดทงหมด และนำาไปตรวจสอบความเชอมน (Reliability) ของแบบสอบถาม โดยไดนำาแบบสอบถามทผานการตรวจสอบความตรงเชงเนอหาไปทดลองใช (Try-out) กบกลมนกศกษาทมลกษณะคลายคลงกบประชากรทศกษาจำานวน 36 คน แลวนำาขอมลทไดไปหาคาสมประสทธสหสมพนธของ Cronbach (Alpha Coefficient of Cronbach) ในสวนท 2–7 ไดคาความเชอ 0.737, 0.963, 0.942, 0.654, 0.876, และ 0.722 ตามลำาดบ คาความเชอมนทงฉบบเทากบ 0.916 ในการเกบรวบรวมขอมลการวจยดวยแบบสอบถามครงน ผวจยไดขอความรวมมอกบอาจารยประจำาชนเรยนในการเกบขอมล โดยกอนตอบแบบสอบถาม ไดมการแจงสทธในการตอบคำาถามใหกบผตอบแบบสอบถาม ตามหลกการจรยธรรมวจยในมนษย หลงจากนนไดตรวจสอบความสมบรณครบถวนของแบบสอบถาม

จรยธรรมการวจยและการพทกษสทธ การวจยนผานการรบรองจากคณะกรรมการจรยธรรมในมนษยแหงมหาวทยาลยนเรศวร ตามเอกสารรบรองเลขท RREC No.005/60 และในขณะดำาเนนการวจย ผวจยไดปฏบตตามหลกการพทกษสทธของผใหขอมลทกประการ โดยขอมลทไดจากการวจยจะถกเกบเปนความลบ และจะนำาเสนอผลการวจยในภาพรวมเทานนหากกลมตวอยางไมประสงคจะใหขอมลกสามารถออกจากกระบวนการวจยไดตลอดเวลา

การวเคราะหขอมล ผวจยใชโปรแกรมคอมพวเตอรสำาเรจรปในการวเคราะหขอมล ซงประกอบดวยสถต เชงพรรณนา (Descriptive statistics) และสถตเชงอนมาน (Inferential statistics) ดงน

1. อธบายคณลกษณะทวไปของกลมตวอยาง ดวยสถตเชงพรรณนา ไดแก จำานวน รอยละ คาเฉลย สวนเบยงเบนมาตรฐาน คามากสด และคานอยสด

2. ทดสอบสมมตฐานการวจยโดยใชการวเคราะหสมการโครงสรางเชงเสน ดวยโปรแกรม LISREL

ผลการวจย 1. คณลกษณะทางประชากรของผตอบแบบสอบถาม พบวานกศกษาสาขาสาธารณสขศาสตรสวนใหญเปนเพศหญงรอยละ 90.3 สวนใหญอาย 19 ป รอยละ 29.4 รองลงมาอาย 20 ป รอยละ 27.5 อายเฉลย 20.2 ป อายนอยทสด 18 ป และมากทสด 24 ป เกรดเฉลย 2.85 นอยทสด 1.00 มากทสด 4.00 สวนใหญนบถอศาสนาพทธ รอยละ 98.6 รายไดทไดจาก ผปกครองเฉลย 4,969.7 บาท/เดอน นอยทสด 1,000 บาท มากทสด 18,000 บาท การมใบอนญาตขบขรถจกรยานยนต

พบวามใบอนญาตขบขรอยละ 66.6 ไมมใบอนญาตขบขรอยละ 33.4 เคยผานการอบรมการขบขรถจกรยานยนตและกฎหมายการจราจรทางบกรอยละ 87.0 ไมเคยผานการอบรมฯรอยละ 13.0 ระยะทางในการขบขรถจกรยานยนตตอวนเฉลย 12.7 กโลเมตร/วน การใชความเรวในการขบขรถจกรยานยนตพบวาความเรวเฉลย 58.4 กโลเมตร/ชวโมง มากทสด 120 กโลเมตร/ชวโมง นอยทสด 40 กโลเมตร/ชวโมง สำาหรบสถานะของผใชรถจกรยานยนตพบวาเปนผขบขรอยละ 49.8 รองลงมาเปนทงผขบขและผซอนทายรอยละ 34.4 ดานประสบการณการไดรบอบตเหตเมอขบขรถจกรยานยนตพบวา สวนใหญรอยละ 67.3 ไมเคยไดรบอบตเหต แตในอกดานหนงกลบพบวาเคยประสบอบตเหตถงรอยละ 32.7

2. ขอมลดานพฤตกรรมในการสวมหมวกนรภยขณะขบขรถจกรยานยนตพบวาสวนใหญสวมหมวกนรภยเปนบางครงรอยละ 66.3 รองลงมาคอสวมทกครงรอยละ 33.2 แตกยงพบผทไมสวมหมวกนรภยขณะขบขรถจกรยานยนตรอยละ 0.5 เมอสอบถามความคดเหนเกยวกบมาตรการการสวมหมวกนรภยเมอขบขรถจกรยานยนตเขาออกมหาวทยาลย พบวาสวนใหญเหนดวยรอยละ 94.5

3. ผลการวเคราะหปจจยเชงสาเหตทมอทธพลตอพฤตกรรมการใชหมวกนรภยในนกศกษาสาขาสาธารณสขศาสตร มหาวทยาลยราชภฏพบลสงคราม จงหวดพษณโลก พบวาโมเดลความสมพนธเชงสาเหตของปจจยทมอทธพลตอพฤตกรรมการสวมหมวกนรภยของนกศกษา มความสอดคลองเชงประจกษ (Chi-square=227.64, df=200, Chi-square/ df=1.138, P-value=0.08754, SRMR=0.038, GFI=0.99, AGFI=0.98, RMSEA=0.018) เมอทำาการตรวจสอบความสมพนธเชงสาเหตในโมเดล พบวาตวแปรทมอทธพลทางตรงตอพฤตกรรมการสวมหมวกนรภยของนกศกษา ไดแก ความตงใจในการปฏบตพฤตกรรม และทศนคตตอพฤตกรรม ดวยขนาดอทธพลเสนทางเทากบ 0.47 และ -0.45 ตามลำาดบ โดยตวแปรความตงใจในการปฏบตพฤตกรรม และตวแปรทศนคตตอพฤตกรรมสามารถทำานายพฤตกรรมการสวมหมวกนรภยของนกศกษาไดรอยละ 64.0 (R2=0.64) สวนตวแปรทมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษา ผานตวแปรความตงใจในการปฏบตพฤตกรรม ไดแก ทศนคตตอพฤตกรรมการสวมหมวกนรภยมขนาดอทธพลเสนทางรวมเทากบ -0.34 รองลงมาไดแกตวแปรการรบรความสามารถในการควบคมพฤตกรรมการสวมหมวกนรภยมขนาดอทธพลเสนทางรวมเทากบ 0.33 และการคลอยตามบคคลอางองมขนาดอทธพลเสนทางรวมเทากบ 0.15 โดยทศนคตตอพฤตกรรมการสวมหมวกนรภย การรบรความสามารถในการควบคมพฤตกรรมการสวมหมวกนรภย และการคลอยตามบคคลอางองสามารถทำานายความ


327

ตงใจในการปฏบตพฤตกรรมได รอยละ 35 (R2=0.35) ตวแปรทมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษาอกตวแปรไดแก ทศนคตตอพฤตกรรมโดยมตวแปรการรบรความสามารถของตนเองสงผานดวยขนาดอทธพลเสนทางเทากบ -0.50 และการคลอยตามบคคลอางองสงผานดวยขนาดอทธพลเสนทางเทากบ 0.16 โดยตวแปรการรบรความ

สามารถของตนเองและการคลอยตามบคคลอางองสามารถทำานายทศนคตตอพฤตกรรมการสวมหมวกนรภยไดรอยละ 27.0 (R2=0.27) รายละเอยดความสมพนธและขนาดอทธพลเสนทางระหวางตวแปรแฝง และตวแปรสงเกต แสดงดง Table 1 และ Figure 2

Table 1 Direct effect (DE), Indirect effect (IE), and Total effect (TE) of Influencing factors on helmet-use behavior among public health students

VariableAttitude Intention Helmet-use behavior

DE IE TE DE IE TE DE IE TE

Subjective norms 0.16* - 0.16* 0.15* -0.06* 0.09* - -0.03* -0.03*

Perceived behavioral control -0.50* - -0.50* 0.33* 0.17* 0.50* - 0.46* 0.46*

Attitude - - - -0.34* - -0.34* -0.45* -0.16* -0.61*

Intention - - - - - - 0.47* - 0.47*

R-Squared (R2) 0.27 0.35 0.64

*p-value<0.05

(R2 = 0.27) รายละเอยดความสมพนธและขนาดอทธพลเสนทางระหวางตวแปรแฝง และตวแปรสงเกต แสดงดง

Table 1 และ Figure 2

Table 1 Direct effect (DE), Indirect effect (IE), and Total effect (TE) of Influencing factors on helmet-use behavior among public health students

Variable Attitude Intention Helmet-use behavior

DE IE TE DE IE TE DE IE TE Subjective norms 0.16* - 0.16* 0.15* -0.06* 0.09* - -0.03* -0.03* Perceived behavioral control -0.50* - -0.50* 0.33* 0.17* 0.50* - 0.46* 0.46* Attitude - - - -0.34* - -0.34* -0.45* -0.16* -0.61* Intention - - - - - - 0.47* - 0.47* R-Squared (R2) 0.27 0.35 0.64 *p-value < 0.05

SEX = Gender ATT = Attitude NOR = Subjective norms INT = Intention CON = Perceived behavioral control BEH = Helmet-use behavior KNO = Knowledge

Figure 2 Causal relationship model of Influencing factors on helmet-use behavior among public health students (n=422, *p<.05)

วจารณและสรปผล ผลการศกษาสามารถอภปรายตามสมมตฐานไดดงน

สมมตฐานท 1 ความร ทศนคตตอพฤตกรรม และความตงใจทจะกระทาพฤตกรรม มอทธพลทางตรง

ตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ผลการวจยพบวา

ความร เกยวกบหมวกนรภยไมมอทธพลตอพฤตกรรมการสวมหมวกนรภยของนกศกษา สาขาสาธารณสขศาสตร ไมเปนไปตามสมมตฐานทตงไว ทงนอาจเนองจากบคคลเมอมความรแตไมมความตงใจทจะ

SEX=Gender ATT=Attitude

NOR=Subjective norms INT=Intention

CON=Perceived behavioral control BEH=Helmet-use behavior

KNO=Knowledge

Figure 2 Causal relationship model of Influencing factors on helmet-use behavior among public health students (n=422, *p<.05)


วจารณและสรปผล ผลการศกษาสามารถอภปรายตามสมมตฐานไดดงน

สมมตฐานท 1 ความร ทศนคตตอพฤตกรรม และความตงใจทจะกระทำาพฤตกรรม มอทธพลทางตรงตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ผลการวจยพบวา

ความ ร เ กยวกบหมวกน รภยไมมอทธพลตอพฤตกรรมการสวมหมวกนรภยของนกศกษา สาขาสาธารณสขศาสตร ไมเปนไปตามสมมตฐานทตงไว ทงนอาจเนองจากบคคลเมอมความรแตไมมความตงใจทจะปฏบตพฤตกรรม ไมเหนความสำาคญในการกระทำาพฤตกรรม จะสงผลใหไมมการกระทำาพฤตกรรมนนๆ สอดคลองกบการวจยของ Adnan M, Gazder U.8 ทพบวาระดบความรเกยวกบหมวกนรภยไมมความสมพนธกบการสวมหมวกนรภยของผใชรถจกรยานยนตในประเทศปากสถาน แตไมสอดคลองกบการวจยของ Suwannaporn S.9 ทศกษาความร ทศนคต และการปฏบตในการใชหมวกนรภยในผขบขและผซอนทายรถจกรยานยนต จงหวดราชบร พบวา ความรมความสมพนธกบการใชหมวกนรภยเมอขบขและซอนทายรถจกรยานยนต (r=0.197) อยางมนยสำาคญทางสถตทระดบ p-value<0.05

ทศนคตตอพฤตกรรมมอทธพลทางตรงตอพฤตกรรมในการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร เปนไปตามสมมตฐานทตงไว อธบายไดวา บคคลเมอจะกระทำาพฤตกรรมจะตองเกดจากทศนคต หรอความคดเหนวาจะเปนประโยชนตอตนเอง ถงไดกระทำาพฤตกรรมนน สอดคลองกบการวจยของ Trinh TA, Le TPL.10 ทศกษาบทบาทของผปกครองตอการใชหมวกนรภยในเดก พบวาทศนคตตอพฤตกรรมมอทธพลตอพฤตกรรมในการสวมหมวกนรภยของเดกอยางมนยสำาคญทางสถต p-value<0.05 (r=0.28) ทงนยงสอดคลองกบการวจยของ Ali et al.11 ทศกษาพฤตกรรมการสวมหมวกนรภยในกลมจกรยานยนตรบจางเมองยาซด ประเทศอหราน พบวาทศนคตตอพฤตกรรมมความสมพนธกบพฤตกรรมในการสวมหมวกนรภยในกลมจกรยานยนตรบจาง อยางมนยสำาคญทางสถต p-value<0.05 (r=0.57)

ความตงใจทจะกระทำาพฤตกรรมมอทธพลทางตรงตอพฤตกรรมในการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร เปนไปตามสมมตฐานทตงไว อธบายไดวาบคคลทจะกระทำาพฤตกรรม ตองมความตงใจในการปฏบตพฤตกรรม ถงจะมการกระทำาพฤตกรรมนนๆ เปนไปตามทฤษฎพฤตกรรมตามแผนของ Ajzen7 สอดคลองกบการวจยของ O’Callaghan FV, Nausbaum S.12 ทศกษาการทำานายพฤตกรรมและความตงใจในการใชหมวกนรภยใน วยรน พบวาความตงใจในการปฏบตพฤตกรรมมความสมพนธ

กบพฤตกรรมในการสวมหมวกนรภยของวยรนอยางมนยสำาคญทางสถต p-value<0.01 (r=0.68) และยงสอดคลองกบการวจยของ Ahmed et al.(13) ทพบวา ความตงใจในการปฏบตพฤตกรรมมอทธพลตอพฤตกรรมในการใชหมวกนรภยของ วยรนอยางมนยสำาคญทางสถต p-value<0.01 (r=0.43)

สมมตฐานท 2 เพศ การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม และทศนคตตอพฤตกรรมมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ผานความตงใจทจะกระทำาพฤตกรรม ผลการวจยพบวา

เพศไมมอทธพลตอพฤตกรรมการสวมหมวกนรภยผานความตงใจในการปฏบตพฤตกรรม ซงไมเปนไปตามสมมตฐานการวจยทตงไว ทงนอาจเนองจาก นกศกษาสาขาสาธารณสขศาสตรทเปนประชากรในการวจยครงนสวนใหญเปนเพศหญงถงรอยละ 90.3 สอดคลองกบงานวจยของ Ross et al.14 ทพบวาเพศไมมความสมพนธกบพฤตกรรมการสวมหมวกนรภยของนกศกษาระดบอดมศกษา ซงในการวจยของ Ross et al. พบวากลมตวอยางสวนใหญเปนเพศหญงรอยละ 69

การคลอยตามบคคลอางองมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยผานความตงใจในการปฏบตพฤตกรรม และผานทศนคตตอพฤตกรรม เปนไปตามสมมตฐานการวจย อธบายไดวาการทบคคลจะกระทำาพฤตกรรมนนบคคลรอบขางตนเองมสวนในการกระตนใหเกดการกระทำาพฤตกรรมนนๆ เชนเพอนสนทสวมหมวกนรภยขณะขบขรถจกรยานยนต ทำาใหตนเองเหนตนแบบเกดความตระหนกตอการกระทำาพฤตกรรมนน หรออาจจะอยากเลยนแบบเพอน จงเกดความตงใจทจะกระทำาพฤตกรรม หรอมทศนคตทดตอการกระทำาพฤตกรรมนนๆ จงทำาใหบคคลนนกระทำาพฤตกรรม สอดคลองกบการวจยของ Ali et al.11 ทศกษาพฤตกรรมการสวมหมวกนรภยในกลมจกรยานยนตรบจางเมองยาซด ประเทศอหราน พบวาการคลอยตามบคคลอางองมความสมพนธกบพฤตกรรมการสวมหมวกนรภยในกลมจกรยานยนตรบจางอยางมนยสำาคญทางสถตทระดบ p-value<0.001 สามารถทำานายพฤตกรรมไดรอยละ 47.2 (R2=0.472) แตไมสอดคลองกบการวจยของปทมา สพรรณกล และวชร ศรทอง15 ทพบวาการคลอยตามบคคลอางองไมมอทธพลตอพฤตกรรมการควบคมระดบนำาตาลในเลอดของพระสงฆทปวยเปนโรคเบาหวานชนดท 2 ทงนอาจเนองจากการศกษาในกลมตวอยางทแตกตางกนทงอาย และระดบการศกษา ของกลมตวอยาง

การรบรความสามารถในการควบคมพฤตกรรมมอทธพลตอพฤตกรรมการสวมหมวกนรภยผานความตงใจ


329

ในการปฏบตพฤตกรรม และผานทศนคตตอพฤตกรรม เปนไปตามสมมตฐานการวจย อธบายไดวาบคคลเมอจะกระทำาพฤตกรรม จะตองมความตงใจในการปฏบตพฤตกรรม ซงความตงใจนนมาจากการทบคคลนนรบรวาตนเองมความสามารถในการกระทำาพฤตกรรมนน สอดคลองกบการวจยของ Shruthi et al.16 ททำาการศกษาปจจยกำาหนดการใชหมวกนรภยในผดแลสขภาพ ประเทศอนเดย พบวาการรบรความสามารถในการควบคมพฤตกรรมมอทธพลทางตรงตอพฤตกรรมการใชหมวกนรภย อยางมนยสำาคญทางสถตทระดบ p-value<0.05 สามารถทำานายพฤตกรรมการใชหมวกนรภยไดรอยละ 29 และยงสอดคลองกบการวจยของ Kumphong J, Satiennam T, Satiennam W.17 ทพบวาการรบรความสามารถในการควบคมพฤตกรรมสงอทธพลทางตรงตอความตงใจในการปฏบตพฤตกรรมดวยคาอทธพล เสนทางเทากบ 0.36 ไปหาพฤตกรรมในการสวมหมวกนรภย ในนกศกษามหาวทยาลย

สมมตฐานท 3 การคลอยตามบคคลอางอง การรบรความสามารถในการควบคมพฤตกรรม มอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ผานทศนคตตอพฤตกรรมผลการวจยพบวา

การคลอยตามบคคลอางองมอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยผานทศนคตตอพฤตกรรม เปนไปตามสมมตฐานการวจย อธบายไดวาการทบคคลจะกระทำาพฤตกรรมจะตองมทศนคตทดตอการกระทำาพฤตกรรมนนสอดคลองกบการศกษาของ Ali et al.11 พบวาการคลอยตามบคคลอางองมความสมพนธกบพฤตกรรมการสวมหมวกนรภยในกลมจกรยานยนตรบจางอยางมนยสำาคญทางสถตทระดบ p-value<0.001 และการรบรความสามารถในการควบคมพฤตกรรม มอทธพลทางออมตอพฤตกรรมการสวมหมวกนรภยผานทศนคตตอพฤตกรรม สอดคลองกบการศกษาของ Shruthi et al.16 พบวาการรบรความสามารถในการควบคมพฤตกรรมมอทธพลทางตรงตอพฤตกรรมการใชหมวกนรภย อยางมนยสำาคญทางสถตทระดบ p-value<0.05

สรปไดวา พฤตกรรมในการสวมหมวกนรภยของนกศกษาสาขาสาธารณสขศาสตร ไดรบอทธพลจากความตงใจทจะกระทำาพฤตกรรม และความตงใจทจะกระทำาพฤตกรรม ไดรบอทธพลจากทศนคตตอพฤตกรรม โดยทศนคตตอพฤตกรรม ไดรบอทธพลจากการคลอยตามบคคลอางองและ

การรบรความสามารถในการควบคมพฤตกรรม ในอกดานหนงพฤตกรรมในการสวมหมวกนรภยของนกศกษาไดรบอทธพลจากทศนคตตอพฤตกรรม โดยทศนคตตอพฤตกรรม ไดรบอทธพลจากการคลอยตามบคคลอางองและการรบรความสามารถในการควบคมพฤตกรรม

ขอเสนอแนะในการนำาผลการวจยไปใช ควรดำาเนนการดงน

1. เจาหนาทมหาวทยาลยทมสวนเกยวของกบการควบคมกำากบใชหมวกนรภยในนกศกษา ควรสงเสรมใหนกศกษามทศนคตตอการสวมหมวกนรภย และสงเสรมใหนกศกษามความตงใจในการสวมหมวกนรภย ซงจะสงผลตอพฤตกรรมในการสวมหมวกนรภยของนกศกษา

2. นกศกษาจะมตวแบบคอบคคลอางองทใกลชดกบนกศกษา เชน เพอน ผปกครอง ซงมสวนทำาใหเกดทศนคต และความตงใจในการปฏบตพฤตกรรม จงควรขอความรวมมอบคคลดงกลาวในการปรบทศนคตตอพฤตกรรมในการสวมหมวกนรภยของนกศกษา

3. ควรสรางความเชอมนใหนกศกษา กระตนเตอนนกศกษาเพอใหเกดการควบคมพฤตกรรมการใชหมวกนรภยจงจะทำาใหนกศกษามทศนคต และมความตงใจในการปฏบตพฤตกรรม

ขอเสนอแนะในการวจยครงตอไป 1. ศกษาปญหาอปสรรคกบความสะดวกในการใชหมวกนรภยขณะขบขรถจกรยานยนต ทงในผขบขและ ผซอนทายรถจกรยานยนต

2. ศกษาวจยเชงคณภาพเพอศกษาเหตผลในการสวมและไมสวมหมวกนรภยขณะขบขรถจกรยานยนต ใน มมมองของผขบขและผซอนทายรถจกรยานยนต

กตตกรรมประกาศ ขอขอบคณอาจารยทปรกษาประจำาชนในการเกบรวบรวมขอมล และขอบใจนกศกษาหลกสตรสาขาสาธารณสขศาสตรทกคนทไดใหความรวมมอในการตอบแบบสอบถามวจย


เอกสารอางอง1. สำานกงานราชบณฑตยสภา. พจนานกรรมฉบบ

ราชบณฑตยสถาน พ.ศ. 2554. [อนเทอรเนต]. 2554 [เขาถงเมอ 12 ธนวาคม 2560] ; เขาถงไดจาก http://www.royin.go.th/dictionary/.

2. World Health Organization. Global status report on road safety 2018. [Internet]. 2018 [cited September 3 2019] ; Available from: https://www.who.int/violence_injury_prevention/road_safety_status/2018/English-Summary-GSRRS2018.pdf.

3. แผนงานสนบสนนการปองกนอบตเหตจราจรในระดบจงหวด. รายงานสถานการณความปลอดภยทางถนนประเทศไทย ป พ.ศ. 2557. ขอนแกน: ขอนแกนการพมพ ; 2559.

4. ณฐบด วรยาวฒน, สรชาต สนวรณ. พฤตกรรมการใชหมวกนรภยในการปองกนอบตเหตของนกศกษามหาวทยาลยราชภฎสวนดสต. Journal of Food Health and Bioenvironmental Science 2556 ; 5 (2): 65-88.

5. บรรจง พลไชย. การรบรประโยชน ทศนคต และพฤตกรรมการใชหมวกนรภยของนกศกษาพยาบาล มหาวทยาลยนครพนม. วารสารศรนครนทรวโรฒวจยและพฒนา (สาขามนษยศาสตรและสงคมศาสตร) 2557 ; 6(11): 78-88.

6. ชตพทธ ขอนพกล, นภดล กรประเสรฐ, ปรดา พชญาพนธ. การเปรยบเทยบทศนคตและพฤตกรรมดานความปลอดภยสำาหรบผทขบขจกรยานยนตรในมหาวทยาลย. ใน: การประชมวชาการวศวกรรมโยธาแหงชาต ครงท 20. 2558. หนา 1-5.

7. Ajzen I. The theory of planned behavior. Organi-zational Behavior and Human Decision Processes, 1991 ; 50(2):179-211.

8. Adnan M, Gazder U. Investigation of helmet use behavior of motorcyclists and effectiveness of en-forcement campaign using CART approach. IATSS Research 2019 ; In press.

9. Suwannaporn S. Knowledge, attitude, and practice toward helmet use among motorcycle rider and pas-senger in Ratchaburi Province, Thailand Doctoral dissertation, Chulalongkorn University ; 2011.

10. Trinh TA, Le TPL. Motorcycle helmet usage among children passengers: Role of parents as promoter. Procedia engineering 2016 ; 142: 10-17.

11. Ali M, Saeed MMS, Ali MM, Haidar N. Determinants of helmet use behaviour among employed motorcycle riders in Yazd, Iran based on theory of planned behaviour. Injury 2011 ; 42(9): 864-869.

12. O’Callaghan FV, Nausbaum S. Predicting bicycle helmet wearing intentions and behavior among ado-lescents. Journal of Safety Research 2006 ; 37(5): 425-431.

13. Ahmed MB, Ambak K, Raqib A, Sukor NS. Helmet usage among adolescents in rural road from the extended theory of planned behaviour. Journal of Applied Sciences 2013 ; 13(1): 161-166.

14. Ross LT, Ross TP, Farber S, Davidson C, Trevino M, Hawkins A. The theory of planned behavior and helmet use among college students. American journal of health behavior 2011 ; 35(5): 581-590.

15. ปทมา สพรรณกล, วชร ศรทอง. โมเดลความสมพนธเชงสาเหตของปจจยทมอทธพลตอพฤตกรรมการควบคมระดบนำาตาลในเลอดของพระสงฆทปวยเปนโรคเบาหวานชนดท 2 ในเขตภาคเหนอตอนบน ประเทศไทย. วารสารพฤตกรรมศาสตร 2558 ; 21 (1): 95-110.

16. Shruthi MN, Meundi AD, Sushma D. Determinants of helmet use among health-care providers in urban India: Leveraging the theory of planned behavior. Journal of education and health promotion 2019 ; 8(1): 24-36.

17. Kumphong, J., Satiennam, T., Satiennam, W.A. Study of Social Norms and Motorcycle Helmet Use Intentions among Student Riders in University: A comparison of the Theory of Reasoned Action and the Theory of Planned Behavior. In Proceedings of the 12th Eastern Asia Society for Transportation Studies ; 2017 Sep ; Ho Chi Minh City, Vietnam ; 2017. P.1-15.

การเปรยบเทยบประสทธภาพโครงสรางเหมองขอมลเพอจำาแนกโรคซมเศราจากพฤตกรรมการโพสตขอความบนทวตเตอรComparison of data mining structure performance for depressive classification if twitter users from their posts on twitter of user behaviors

ดำารงเดช เดนรบรมย1, ฉตรเกลา เจรญผล2, จรยา จรานกล3

Damrongdet Doenribram1, Chatklaw Jareanpon2, Jariya Jiranukool3

Received: 18 September 2019 ; Revised: 6 January 2020 ; Accepted: 28 January 2020

บทคดยอในป ค.ศ. 2018 องคกรอนามยโลกและกรมสขภาพจตระบวา โรคซมเศราทำาใหเกดการสญเสยของสขภาพเปนอนดบ 2 โดยเกดจากการใชงานโซเชยลมเดยอยางไมเหมาะสม เสพสออยางไมระมดระวง ทำาใหเกดความเครยด ความรนแรง และสงผล ทำาใหเกดโรคซมเศราได งานวจยนมจดประสงคของการจำาแนกโรคซมเศราจากพฤตกรรมการโพสตขอความบนทวตเตอร โดยมการเปรยบเทยบการจำาแนกระหวางแบบหนงระดบและแบบสองระดบ การจำาแนกหนงระดบจะใชงานอลกอรทม Bayes และอลกอรทม SVM จำาแนกขอความทวไปและขอความทบงบอกถงลกษณะอาการซมเศราตามแบบสอบถาม DSM-5 ไดแก อารมณซมเศรา ความสนใจลดลง นำาหนกลดลงหรอเพมขนอยางผดสงเกต นอนไมหลบหรอนอนหลบมากกวาปกต รางกายออนเพลย รสกตนเองไรคา สมาธสน เคลอนไหวชาและคดฆาตวตาย การจำาแนกสองระดบจะใชงานอลกอรทม SVM เพอจำาแนกขอความทวไปกบขอความทบงบอกถงโรคซมเศรา ตอมาใชงานอลกอรทม Bayes เปรยบเทยบกบอลกอรทม Random Forest เพอจำาแนก 9 อาการทบงบอกถงโรคซมเศราตามแบบสอบถาม DSM-5 โดยใชขอมล 2 ชด ไดแก ชดเรยนร (Training set) และ ชดทดสอบ (Test set) ทมาจากการโพสตของดาราตางประเทศ ผลการทดลองของชด Training set ระหวางการจำาแนกหนงระดบและการจำาแนกสองระดบ คอ หนงระดบอลกอรทม Bayes ได Accuracy=82.55% และอลกอรทม SVM ได Accuracy=96.18% การจำาแนกสองระดบอลกอรทม SVM ได Accuracy=98.20% สวนผลการทดลองอลกอรทม SVM จบคกบอลกอรทม Bayes ได Accuracy=83.23% และอลกอรทม SVM จบคกบอลกอรทม Random Forest ได Accuracy=94.45% ผลการทดลองของชด Test set โดยมการกำาหนดคาความนาจะเปนตงแต 0.1-0.9 การจำาแนกหนงระดบอลกอรทม Bayes ได Accuracy=76.67% และอลกอรทม SVM ได Accuracy=70.00% การจำาแนกสองระดบอลกอรทม SVM จบคกบอลกอรทม Bayes ได Accuracy=73.33% สวนอลกอรทม SVM จบคกบอลกอรทม Random Forest ได Accuracy=70.00%

คำาสำาคญ: โรคซมเศรา การทำาเหมองความคดเหน เทคนคการจำาแนกขอมล การทำาเหมองขอความคำา

AbstractIn 2018, The World Health Organization (WHO) and Department of Mental Health (DMH), specified that major depressive disorder (MDD) was the second most important disease that it is probably caused by social media usage affecting stress and leading to violence, and depression . This research proposes the depressive classification from posts on twitter of user behaviors and compared the accuracy of two classifiers between one level and two levels:- (1) one level: using the Bayes algorithm created a model for classification between general and symptoms based on a symptoms detailed in a questionnaire (DSM-5) including as follows: depression, loss of interest, loss of

1 นสตปรญญาโท, สาขาวทยาการคอมพวเตอร คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวดมหาสารคาม 441502 ผชวยศาสตราจารย สาขาวทยาการคอมพวเตอร คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวดมหาสารคาม 441503 ผชวยศาสตราจารย สาขาจตเวชศาสตร คณะแพทยศาสตร มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวดมหาสารคาม 441501 Master's degree, Computer Science, Faculty of Informatics, Mahasarakham University, Kantharawichai, District, Maha Sarakham 44150, Thailand.2 Assistant professor, Computer Science, Faculty of Informatics, Mahasarakham University, Kantharawichai, District, Maha Sarakham 44150, Thailand.3 Assistant professor, Department of Psychiatry, Faculty of Medicine, Mahasarakham University, Kantharawichai, District, Maha Sarakham 44150, Thailand.

J Sci Technol MSUDamrongdet Doenribram, Chatklaw Jareanpon, Jariya Jiranukool332

appetite, abnormal sleep, slowed thinking, guilt, tiredness, unexplained and suicidal ideation. (2) Two levels: Using the SVM algorithm created a model for classification between general and depression. Using the Bayes algorithm compared with the Random Forest algorithm for classification of symptoms in a questionnaire (DSM-5). The data came from real postings of international celebrities. The dataset is divided into 2 sets: a training set and a test set. Finally, the results are demonstrated in a training set prediction between one level and two levels: One level: the Bayes algorithm showed that the accuracy=82.55%, and the SVM algorithm showed that the accuracy=96.18%. Two level: the SVM algorithm showed that the accuracy=98.20%. SVM algorithm pair with Bayes algorithm showed that the accuracy=82.23%, and SVM algorithm pair with the Random Forest algorithm showed that the accuracy=91.45%. The results of test set, by the boundary of probability are variously set 0.1 to 0.9 that prediction between one level and two levels : One level: the Bayes algorithm showed that the accuracy=76.67%, and the SVM algorithm showed that the accuracy=70.00%. Two level: SVM algorithm pair with Bayes algorithm showed that the accuracy=73.33%. SVM algorithm pair with Random Forest algorithm showed that the accuracy=70.00%.

Keywords: Major Depressive Disorder, Classification, Social Mining, Text Mining

บทนำาในป ค.ศ. 2018 องคกรอนามยโลกระบวา โรคซมเศรา (Major Depressive Disorder ตวยอ MDD)1,2 ทำาใหเกดการสญเสยของสขภาพเปนอนดบ 2 โดยสงผลทำาใหผปวยเกดความเสยงตอการฆาตวตายมากกวาคนทวไปถง 20 เทา สาเหตของการเกดโรคซมเศราเกดจาก 3 ปจจยหลก ไดแก ปจจยทางกรรมพนธ ปจจยทางจตใจและปจจยดานสงแวดลอม อาการของโรคซมเศราจะมลกษณะ 9 อาการ ไดแก 1. อารมณ ซมเศรา 2. ความสนใจลดลง 3. นำาหนกลดลงหรอเพมขนอยางผดสงเกต 4. นอนไมหลบหรอนอนหลบมากกวาปกต 5. รางกายออนเพลย 6. รสกตนเองไรคา 7. สมาธสน 8. เคลอนไหวชา และ 9. คดฆาตวตาย

ปจจบนโซเชยลมเดยมการใชงานอยางแพรหลายในชวตประจำาวนไมวาจะเปน Facebook Instagram หรอ Twitter โดยกรมสขภาพจตระบวา การใชงานโซเชยลมเดยสงผลทำาใหเกดโรคซมเศรา เกดจากการใชงานอยางไมเหมาะสม หรอเสพสออยางไมระมดระวง สงผลทำาใหเกดความเครยด ความรนแรง รวมไปถงภาวะซมเศราได นอกจากนยงแสดงภาวะ ซมเศราผานการโพสตและการแชทได

การทำาเหมองขอมล (Data mining) เปนเทคนคการวเคราะหขอมลจำานวนมหาศาลดวยอลกอรทมมา จำาแนก ทำานาย หาความสำาคญ หรอหาความสมพนธของขอมล โดยปจจบนขอมลมหาศาลทเกดขนตลอดเวลาลวนมาจาก โซเชยลมเดยและไดมงานวจยทนำาขอมลจากโซเชยลมเดย เขามาทำาเหมองขอมลเปนจำานวนมากดงงานวจยตอไปน

ค.ศ. 2014 งานวจยของ Yoon3 และคณะไดมการ ใชงานการทำาเหมองขอมลเพอคนหาความสมพนธของการเกดภาวะซมเศราเรอรงดวยขอมลจากหนวยงาน Behavioral Risk

Factor Surveillance System (BRFSS) ทเปนหนวยงานเกยวกบการสำารวจสขภาพทางโทรศพทของของสหรฐอเมรกา โดยในการสรางแบบจำาลองครงนใชอลกอรทม Tree J48, Random Forest, Multilayer Perception, Adaboost และ Support Vector Machine ถงแมวา Random Forest จะใหผลลพธดกวาแตผวจยจงเลอก Tree J48 เพราะงายตอการสรางตนไมตดสนใจเพอวเคราะหผลในครงน โดยแบบจำาลองมความถกตอง 80-82%

ค.ศ. 2014 งานวจยของ Maryam4 และคณะไดม การใชงาน Hashtags จำาแนกอารมณของบคคลทใชงาน โซเชยลมเดยอยาง Twitter โดยจะมงการศกษาไปการจำาแนกอารมณซมเศรา ในการทดลองไดเปรยบเทยบอลกอรทม SVM และ KNN โดยใชกบขอมลทเกบจาก Hashtags ทบงบอกถงอารมณซมเศราและอารมณทบงบอกวามความสข ผลปรากฏวา SVM มประสทธภาพทดทสด โดยมความถกตองถง 90%

ค.ศ. 2015 งานวจยของ McManus5 และคณะได มการใชเทคนคการทำาเหมองขอมลในการวเคราะหหาผปวย จตเวทดวยขอมลจากโซเชยลมเดยอยาง Twitter ดวย อลกอรทม SVM, Neural Network และ Naïve Bayes โดยกระทำากบขอมลโปรไฟลของผเขารบการทดลองอยาง จำานวนเพอน ชวงเวลาในการทวต คำาทเกยวของกบจตเวท และอโมตคอน ผลปรากฏวา SVM มประสทธภาพทดทสด โดยมความถกตองถง 92.3%

ค.ศ. 2017 Anees6 และคณะ ไดมการทำาเหมองขอมลเพอหาภาวะซมเศราจากขอมลโซเซยลมเดย โดยจำาแนกเฉพาะขอความทเปนภาวะซมเศราและไมเปนภาวะซมเศรา ดวยใชอลกอรทม SVM Bayes และ Maximum Entropy ผลปรากฏวา SVM มประสทธภาพทดทสด โดยมความถกตอง ถง 91%

Vol 39. No 3, May-June 2020 Comparison of data mining structure performance for depressive classification if twitter users from their posts on twitter of user behaviors

333

ดงนนงานวจยนจะนำาเสนอวธการทำาเหมองขอมลโดยนำาความคดเหนจากผใชงาน Twitter มาทำาการจำาแนกโรคซมเศราจากเหมองขอมลโดยมการเปรยบเทยบการจำาแนกระหวางแบบหนงระดบและแบบสองระดบ ไดแก การจำาแนกหนงระดบจะใชงานอลกอรทม Bayes และอลกอรทม SVM จำาแนกขอความทวไปและขอความทบงบอกถงลกษณะอาการซมเศราตามแบบสอบถาม DSM-5 ไดแก 1. อารมณซมเศรา 2. ความสนใจลดลง 3. นำาหนกลดลงหรอเพมขนอยางผดสงเกต 4. นอนไมหลบหรอนอนหลบมากกวาปกต 5. รางกายออนเพลย 6. รสกตนเองไรคา 7. สมาธสน 8. เคลอนไหวชา และ 9. คดฆาตวตาย สวนการจำาแนกสองระดบจะใชงาน อลกอรทม SVM เพอจำาแนกขอความทวไปกบขอความท บงบอกถงโรคซมเศรา ตอมาใชงานอลกอรทม Bayes

เปรยบเทยบกบอลกอรทม Random Forest เพอจำาแนก 9 อาการทบงบอกถงโรคซมเศราตามแบบสอบถาม DSM-5 ทงหมดเพอใหสามารถเพมความถกตองในการจำาแนกผทเขาขายโรคซมเศราไดอยางถกตองและแมนยำามากขน

งานทเกยวของ 1. โรคซมเศรา โรคซมเศรา7 คอ โรคทางจตเวชชนดหนงทเกดจากสารเคมเชโรโทนนในสมองมปรมาณลดลงจนเสยสมดลสงผลทำาใหรางกายและจตใจเกดภาวะซมเศรา เบอหนาย ทอแท นอนไมหลบ หรอ อยากฆาตวตาย เปนตน ซงอาการปวยจะเปนอยางตอเนองมากกวา 2 สปดาหขนไป

Table 1 DSM-5 criteria’sNo. Symptoms Non Someday Frequently Everyday

1 Depressed mood 0 1 2 3

2 Diminished interest 0 1 2 3

3 Change in appetite 0 1 2 3

4 Change in sleep 0 1 2 3

5 Slowed thinking 0 1 2 3

6 Worthlessness or guilt 0 1 2 3

7 Fatigue 0 1 2 3

8 Agitation or retardation 0 1 2 3

9 Suicidal ideation 0 1 2 3

Table 2 Training set

No. Symptoms Hashtag Examples of Training setNumber of messages

1 Depressed mood #Sadness #Depressive I’m in such a depressive spiral today. 3,000

2 Diminished interest #Loss of Interest #Lose interestLoss of interest in friends, family & favorite activities.

3,000

3 Change in appetite #Appetite #HungerI’m hungry but I have no appetite can anyone relate.

3,000

4 Change in sleep #Sleep #Lethargy I just want to sleep for real! 3,000

5 Slowed thinking #Un thinking #Out thinkingThese neighbors really out here thinking that I’m selling dope.

3,000

6 Worthlessness or guilt #Guilt #Disgrace #Dishonor This guy is a perpetual disgrace. 3,000

7 Fatigue #Tired #Bored #Fatigued I’m just tired that’s all. 3,000

8 Agitation or retardation #Lackadaisical #Lazy #Loafing #Phlegmatic Feeling lazy of today. 3,000

9 Suicidal ideation #Suicidal #Dangerous #Destructive Suicidal thoughts will never get out of my head. 3,000

10 Normal #Happy Happy birthday, family. 3,000


ในการวนจฉยสามารถวนจฉยโดยใชเกณฑการวนจฉยของสมาคมจตแพทยอเมรกน โดยกำาหนดไวในหนงสอ The 5th Diagnostic and Statistical Manual of Mental Disorders (DSM-5)[8] มหลกเกณฑวาผทเปนโรคซมเศราจะตองมลกษณะอาการอยางนอย 5 อาการหรอมากกวา ไดแก 1. มอารมณซมเศรา 2. ความสนใจหรอความสนกสนานในการทำากจกรรมตางๆ ทเคยทำาทงหมดลดลงอยางมาก 3. นำาหนกลดลงอยางชดเจน 4. มอาการนอนไมหลบหรอหลบนานหลบบอยกวาปกต 5. การเคลอนไหวชาลง 6. ออนเพลยไมมเรยวแรง 7. รสกวาตนเองไรคาหรอรสกวาตนเองผดโดยไมมสาเหต 8. สมาธสนหรอความสามารถในตดสนใจลดลง 9. มความคดอยากฆาตวตาย โดยเกดขนตดตอกนนานไมตำากวา 2 สปดาห ซงจดทำาเปนแบบสอบถามไวดง Table 1

จาก Table 1 ในการวเคราะหจะใหผ ปวยทำาแบบสอบถามดงกลาว Someday คอ มอาการนนใน 2-4 วนในระยะเวลา 2 สปดาห Frequently คอ มอาการนนใน 6-8 วนในระยะเวลา 2 สปดาหและ Everyday คอ มอาการนนใน 10-14 วน ในระยะเวลา 2 สปดาห แลวจงนำาไปหาผลรวมของคะแนนในแบบประเมนของการวนจฉยโรคซมเศรา ในการสรปผลสามารถนำาคะแนนจากแบบประเมนไปประเมนไดวา ถาหากนอยกวา 7 คะแนน แสดงวาปกต ถาอยระหวาง 8-12 คะแนน แสดงวามอาการนอย ถาอยระหวาง 13-18 แสดงวามอาการปานกลาง ถามากกวา 19 แสดงวามอาการรนแรง

2.การคดเลอกคณลกษณะดวย Information Gain Information Gain9 เปนการคดเลอกคณลกษณะ (Feature) สำาหรบใชในการสรางแบบจำาลอง เนองมาจากคณลกษณะในขอมลนนมจำานวนมากเกนไป ทำาใหเวลาในการสรางแบบจำาลองและการทดสอบแบบจำาลองนนลาชาและอาจจะสงผลทำาใหคาความถกตองในการทำานายนนลดลง สวนสมการ Information Gain มดงสมการท (1) เมอ S คอ ตวอยางทประกอบดวยชดของตวแปรตนและตวแปรตามหลายๆ กรณ E คอ เอนโทรปของตวอยาง A คอ ตวแปรตนทพจารณา V = value(A) คอ เซตของคาของ A ทเปนไปไดและ S

V คอ ตวอยางท A มคา V ทงหมด โดยท Entropy หาไดจาก

สมการท (2) เมอ S คอ ตวอยางทประกอบดวยชดของตวแปรตนและตวแปรตามหลายๆ กรณและ Ps(J) คอ อตราสวนของกรณใน s ทตวแปรตามหรอผลลพธมคา j

(1)

(2)

3. อลกอรทม Support Vector Machine (SVM) เทคนค SVM10 เปนเทคนคอลกอรทมประเภท Supervised Learning Algorithm ทคดคนโดย Vladimir N. Vapnik และ Alexey Ya. Chervonenkis ในป 1963 โดยใชหลกการสราง Hyperplane ทเปนเสนตรงขนมาดงสมการท (3) เมอ WT คอ ความชนของเสนตรง b คอ จดตดแกน y g(x) คอ พกดแกน y และ x คอ พกดแกน x เพอแบงกลมของขอมลออกจากกนและคำานวณหาเสนตรงเสนใดทดทสด โดย SVM มขอดทไมคอยเกดปญหา Overfitting มากเหมอนกบ Neural Network

(3)

4. อลกอรทม Naïve Bayes เทคนค Naïve Bayes11 เปนเทคนคอลกอรทมประเภท Supervised Learning Algorithm โดยใชหลกการความนาจะเปนแบบมเงอนไขทคดคนโดย Theorem Bayes เขามาพฒนาทฤษฎดงกลาว สมมตฐานของสมการทกำาหนดใหการเกดของเหตการณตางๆ มอสระตอกน (Independence) ซงการใชงาน Bayes มการใชงานอยางแพรหลายในงานดาน Machine Learning เชน sentiment analysis มเหตผลเนองจาก Bayes มการทำางานทไมซบซอนแตใหประสทธภาพท สง ใชเวลาในการสรางโมเดลไวกวาอลกอรทมอนๆ ดงสมการท (4) เมอ p(cIx) คอ Posterior probability เปน คาความนาจะเปนของขอมลทมแอตทรบวตเปน x จะเปนคลาส c P(c) คอ Prior probability เปนคาความนาจะเปนของคลาส คอ คาความนาจะเปนทขอมลเปนคลาส c มแอตทรบวต x และ P(x) คอ Predictor Prior probability เปนจำานวนทม มแอตทรบวต x ทงหมดในขอมล

(4)

5. อลกอรทม Random Forest เทคนค Random Forest12 เปนเทคนคอลกอรทมประเภท Supervised Learning Algorithm ทคดคนโดย Ho ในป 1995 โดยใชหลกการสรางโมเดลดวย Decision Tree หลายๆ ตน โดยในแตละ Decision Tree จะได Data และ Feature แบบ Random ไปเพอสรางโมเดล หลงจากนนเมอจำาแนกผลกจะนำาผลลพธทไดมาโหวตหาคาทมากทสด ขอดของ Random Forest คอ ระยะเวลาในการจำาแนกผลลพธทสน เนองจากเปน Decision Tree ทขางในประกอบไปดวยเงอนไข If-Else แตมระยะเวลาในการสรางแบบจำาลองทนานถาหาก

แบบจาลอง เนองมาจากคณลกษณะในขอมลนนมจานวนมากเกนไป ทาใหเวลาในการสรางแบบจาลองและการทดสอบแบบจาลองนนลาชาและอาจจะสงผลท าให ค าคว าม ถก ต อง ในการท าน าย น นล ดล ง สวนสมการ Information Gain มดงสมการท (1) เมอ 𝑆 คอ ตวอยางทประกอบดวยชดของตวแปรตนและตวแปรตามหลาย ๆ กรณ 𝐸 คอ เอนโทรปของตวอยาง 𝐴 คอ ตวแปรตนทพจารณา 𝑣 = 𝑣𝑎𝑙𝑢𝑒(𝐴) คอ เซตของคาของ A ทเปนไปไดและ 𝑆� คอ ตวอยางท A มคา 𝑣 ทงหมด โดยท Entropy หาไดจากสมการท (2) เมอ 𝑆 คอ ตวอยางทประกอบดวยชดของตวแปรตนและตวแปรตามหลายๆกรณและ 𝑃𝑠(𝑗) คอ อตราสวนของกรณใน 𝑠 ทตวแปรตามหรอผลลพธมคา 𝑗

𝐺𝑎𝑖𝑛(𝑆,𝐴) = 𝐸(𝑆) −∑ |��|

|�|��(�) 𝐸(𝑆�) (1)

𝐸(𝑆) = −∑ 𝑝�(𝑗)𝑙𝑜𝑔�𝑝�(𝑗)�� (2)

2.3 อลกอรทม Support Vector Machine (SVM) เทคนค SVM [10] เปนเทคนคอลกอรทมประเภท Supervised Learning Algorithm ท คดคนโ ด ย Vladimir N. Vapnik แ ล ะ Alexey Ya. Chervonenkis ใน ป 1963 โด ย ใช ห ล ก ก ารส รา ง Hyperplane ทเปนเสนตรงขนมาดงสมการท (3) เมอ 𝑤� คอ ความชนของเสนตรง 𝑏 คอ จดตดแกน y 𝑔(𝑥) คอ พกดแกน y และ 𝑥 คอ พกดแกน x เพอแบงกลมของขอมลออกจากกนและคานวณหาเสนตรงเสนใดทดทสด โดย SVM มขอดทไมคอยเกดปญหา Overfitting มากเหมอนกบ Neural Network

𝑔(𝑥) = 𝑤�𝑥 + 𝑏 (3)

2.4 อลกอรทม Naïve Bayes เท ค น ค Naïve Bayes [11] เป น เท ค น คอลกอรทมประเภท Supervised Learning Algorithm โดยใชหลกการความนาจะเปนแบบมเงอนไขทคดคนโดย Theorem Bayes เขามาพฒนาทฤษฎ ดงกลาว สม ม ตฐานของสม การท ก าหนดให การ เกดของเหตการณตาง ๆ มอสระตอกน (Independence) ซง

การใชงาน Bayes มการใชงานอยางแพรหลายในงานดาน Machine Learning เชน sentiment analysis มเหตผลเนองจาก Bayes มการทางานทไมซบซอนแตใหประสทธภาพทสง ใชเวลาในการสรางโมเดลไวกวาอลกอรทมอน ๆ ดงสมการท (4) เมอ 𝑝(𝑐|𝑥) คอ Posterior probability เปนคาความนาจะเปนของขอมลทมแอตทรบวตเปน 𝑥 จะเปนคลาส 𝑐 𝑃(𝑐) คอ Prior probability เป น ค าความ น าจะ เป น ขอ งคล าส 𝑐 𝑃(𝑥|𝑐) คอ คาความนาจะเปนทขอมลเปนคลาส 𝑐 มแ อ ตท ร บ ว ต 𝑥 แ ล ะ 𝑃(𝑥) ค อ Predictor Prior probability เปนจานวนทมมแอตทรบวต 𝑥 ทงหมดในขอมล

𝑝(𝑐|𝑥) = �(𝑥|𝑐)�(�)�(�)

(4) 2.5 อลกอรทม Random Forest เทคนค Random Forest [12] เปนเทคนคอลกอรทมประเภท Supervised Learning Algorithm ท คดคนโดย Ho ในป 1995 โดยใชหลกการสรางโมเดลดวย Decision Tree หลาย ๆ ตน โดยในแตละ Decision Tree จ ะ ได Data แ ล ะ Feature แ บ บ Random ไปเพอสรางโมเดล หลงจากนนเมอจาแนกผลกจะนาผลลพธทไดมาโหวตหาคาทมากท สด ขอดของ Random Forest คอ ระยะเวลาในการจาแนกผลลพธทสน เนองจากเปน Decision Tree ทขางในประกอบไปดวยเงอนไข If-Else แตมระยะเวลาในการสรางแบบจาลองทนานถาหากเลอกจานวน Decision Tree เยอะขนและถาปรบพารามเตอร Maximal depth ทซงหมายถงระดบความลกของ Decision Tree แตละตน ระยะเวลาสรางแบบจาลองกจะมากขนตามลาดบ วธการดาเนนงานวจย ในการดาเนนงานวจยประกอบไปดวย 4 ขนตอนดง Figure 1 3.1 Data collection ในการรวบรวมขอมลผวจยจะใชขอความจากการโพสตบน Twitter ของผใชงานทวไป โดยการเกบขอมลผาน Twitter API บน RapidMiner Studio โดย


𝐺𝑎𝑖𝑛(𝑆,𝐴) = 𝐸(𝑆) −∑ |��|

|�|��(�) 𝐸(𝑆�) (1)

𝐸(𝑆) = −∑ 𝑝�(𝑗)𝑙𝑜𝑔�𝑝�(𝑗)�� (2)


𝑔(𝑥) = 𝑤�𝑥 + 𝑏 (3)



𝑝(𝑐|𝑥) = �(𝑥|𝑐)�(�)�(�)



𝐺𝑎𝑖𝑛(𝑆,𝐴) = 𝐸(𝑆) −∑ |��|

|�|��(�) 𝐸(𝑆�) (1)

𝐸(𝑆) = −∑ 𝑝�(𝑗)𝑙𝑜𝑔�𝑝�(𝑗)�� (2)


𝑔(𝑥) = 𝑤�𝑥 + 𝑏 (3)



𝑝(𝑐|𝑥) = �(𝑥|𝑐)�(�)�(�)



335

เลอกจำานวน Decision Tree เยอะขนและถาปรบพารามเตอร Maximal depth ทซงหมายถงระดบความลกของ Decision Tree แตละตน ระยะเวลาสรางแบบจำาลองกจะมากขนตามลำาดบ

วธการดำาเนนงานวจย ในการดำาเนนงานวจยประกอบไปดวย 4 ขนตอน ดง Figure 1

1. Data collection ในการรวบรวมขอมลผวจยจะใชขอความจากการโพสตบน Twitter ของผใชงานทวไป โดยการเกบขอมลผาน Twitter API บน RapidMiner Studio โดยในงานวจยจะแบงขอมล (Data set) ออกเปน 2 สวน ไดแก Training set และ Test set

Training set จะเปนขอมลสำาหรบสรางแบบจำาลอง ซงเปนขอความทรวบรวมจาก Twitter

โดยกำาหนดจาก Hashtag ทเกยวกบ 9 ลกษณะอาการทเกยวของกบโรคซมเศราดง Table 2 จาก Table 2 ในการใชงาน Training set จะตด Label โดยการกำาหนดอาการทง 9 คอ ลำาดบท 1-9 เปน Negative คอ เปนขอความทเขาขายเปนโรคซมเศราและลำาดบท 10 เปน Positive คอ ขอความทไมเขาขายเปนโลกซมเศรา มตวอยางขอความดง Table 2

Test set จะเปนขอมลสำาหรบทดสอบแบบจำาลอง ซงเปนขอความภาษาองกฤษจาก Twitter ทรวบรวมจากผใชงานทเปนดาราตางประเทศทปวยเปนโรคซมเศราจำานวน 15 คน และผใชงานทเปนดาราตางประเทศแตไมเปนโรคซมเศรา 15 คน รวมทงหมด 30 คน โดยผใชงานแตละคนมการโพสตขอความมากกวา 2 สปดาหขนไป

2. Data Preprocessing Data Preprocessing เปนขนตอนในการเตรยม

ขอมลกอนนำาเขาอลกอรทม โดยใชกบขอมล Train set และ Test set โดยมวธการดงตอไปน Regular Expression เปนขนตอนในการกรองขอความทไมจำาเปนบางสวนออก โดยใชงาน Regular expression ผวจยเลอกกรองขอความทเปนขอความ Retweet โดยกำาหนดคาฟงกชนคอ “RT(.*)” กรองขอความทเปนลงคเขาใชงานเวบไซตโดยกำาหนดคาฟงกชนคอ “(https?|http)://[-a-zA-Z0-9+&@#/%?=~_|!:,. ; ]*[-a-zA-Z0-9+&@#/%=~_|]” และกรองขอความทเปนชอคนภายในโพสต โดยกำาหนดคาฟงกชนคอ “(@)[-a-zA-Z0-9+&@#/%?=~_|!:,. ; ]*[-a-zA-Z0-9+&@#/%=~_|:]”

Word Segmentation เปนการทำาขอมล Training set และ Test set เขาไปขนตอนการตดคำาออกมาเกบในถงคำา (Bag of word)

Transform Cases เปนการนำาคำาศพทใน Bag of word มาแปลงเปน Lower case เพอลดความหลากหลายของคำาศพท

Filter Stop words เปนการนำาคำาศพทมาตดคำาหยดของภาษาองกฤษ (Stop words) [13] เพอลดคำาทไมเกยวของออกไปจาก Bog of word

Weighting เปนขนตอนในนำาคำาใน Bag of word มานบคำาในประโยคของ Train set และ Test set โดยใหอยในรปแบบ Numeric data เพอใหสามารถเขาอลกอรทมคำานวณได โดยใชวธการ Binary term occurrence ซงเปนการนบความถในประโยค โดยคำาทตรวจพบจะใหคานำาหนกเปน 1 และคำาทไมพบจะใหคานำาหนกเปน 0

Features Select ion คอการลดจำานวนของคณลกษณะ โดยใชวธการ Information Gain ผวจยทำาการเลอกคณลกษณะโดยใชเกณฑ Top-K=2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมด

ในงานวจยจะแบงขอมล (Data set) ออกเปน 2 สวน ไดแก Training set และ Test set

Training set จ ะเปน ข อ ม ล ส าห รบส ร างแบบจาลอง ซงเปนขอความทรวบรวมจาก Twitter

Data

Data Pre-processing Modeling

Depressive Analysis

Data collection

SVM Model

Random Forest Model

Training Set

Regular Expression

Transform Cases

Filter Stop words

Weighting

Features Selection

Test Set

Vote Ensemble

Behaviors AnalysisBy Questionnaire

Twitter

Word Segmentation Bayes Model

Bayes Model SVM Model

Figure 1 The proposed diagram

โดย กาห นด จาก Hashtag ท เ กย ว กบ 9 ลกษณะอาการทเกยวของกบโรคซมเศราดง Table 2 จาก Table 2 ในการใชงาน Training set จะตด Label โดยการกาหนดอาการท ง 9 คอ ลาดบท 1-9 เปน Negative คอ เปนขอความทเขาขายเปนโรคซมเศราและลาดบท 10 เปน Positive คอ ขอความทไมเขาขายเปนโลกซมเศรา มตวอยางขอความดง Table 2 Test set จ ะ เป น ข อ ม ล ส าห รบ ท ด สอ บแบบจาลอง ซงเปนขอความภาษาองกฤษจาก Twitter ทรวบรวมจากผใชงานทเปนดาราตางประเทศทปวยเปนโรคซมเศราจานวน 15 คน และผใชงานทเปนดาราตางประเทศแตไมเปนโรคซมเศรา 15 คน รวมทงหมด 30 คน โดยผ ใชงานแตละคนมการโพสตขอความมากกวา 2 สปดาหขนไป 3.2 Data Preprocessing

Data Preprocessing เป นข น ตอน ในการเตรยมขอมลกอนนาเขาอลกอรทม โดยใชกบขอมล Train set แ ละ Test set โดย ม ว ธก าร ด งต อ ไป น Regular Expression เปน ข น ตอน ในการกรองขอความทไมจาเปนบางสวนออก โดยใชงาน Regular expression ผวจยเลอกกรองขอความทเปนขอความ Retweet โดยกาหนดคาฟงกชนคอ “RT(.*)” กรองข อความท เป นลงค เขาใช งาน เวบไซตโดย ก าห น ดค าฟ งก ช น คอ “(https?|http)://[-a-zA-Z0 -9 + &@#/%?=~_|!:,.;]*[-a-zA-Z0 -9 + &@#/%=~_|]”

แล ะก รอ งข อ ค ว าม ท เป น ช อ ค นภ าย ใน โพส ต โ ด ย ก า ห น ด ค า ฟ ง ก ช น ค อ “(@)[-a-zA-Z0 -9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|:]”

Word Segmentation เป น ก าร ท าข อ ม ล Training set และ Test set เขาไปขนตอนการตดคาออกมาเกบในถงคา (Bag of word) Transform Cases เปน การนาค าศพท ใน Bag of word มาแปลงเปน Lower case เพอลดความหลากหลายของคาศพท Filter Stop words เปนการนาคาศพทมาตดคาหยดของภาษาองกฤษ (Stop words) [13] เพอลดคาทไมเกยวของออกไปจาก Bog of word Weighting เปนขนตอนในนาคาใน Bag of word มานบคาในประโยคของ Train set และ Test set โดยใหอยในรปแบบ Numeric data เพอใหสามารถเขาอลกอ รทม คานวณได โดยใชว ธการ Binary term occurrence ซงเปนการนบความถในประโยค โดยคาทตรวจพบจะใหคานาหนกเปน 1 และคาทไมพบจะใหคานาหนกเปน 0 Features Selection คอการลดจานวนของคณลกษณะ โดยใชวธการ Information Gain ผวจยทาการเลอกคณลกษณะโดยใชเกณฑ Top-K = 2,000

Figure 1 The proposed diagram


3. Modelling ในการสรางแบบจำาลองใชงาน K-Fold Cross Validation โดยการกำาหนดให K=10 และจะแบงเปนการจำาแนกเปน 2 ระดบ ดงตอไปน

จำาแนกหนงระดบ คอ ใชอลกอรทม Bayes และอลกอรทม SVM ในการจำาแนก Training set และ Test set โดยจำาแนกขอความทวไปและขอความทบงบอกถงลกษณะอาการซมเศราตามแบบสอบถาม DSM-5 ไดแก 1. อารมณซมเศรา 2. ความสนใจลดลง 3. นำาหนกลดลงหรอเพมขนอยางผดสงเกต 4. นอนไมหลบหรอนอนหลบมากกวาปกต 5. รางกายออนเพลย 6. รสกตนเองไรคา 7. สมาธสน 8. เคลอนไหวชาและ 9. คดฆาตวตาย

จำาแนกสองระดบ คอ การใชงานอลกอรทมซอนกน 2 อลกอรทมโดยจะแบงเปน 2 ขน ดงตอไปน ขนท 1 ใชงาน อลกอรทม SVM ในการจำาแนก Training set และ Test set โดยทจะจำาแนกขอความทเขาขายเปนโรคซมเศราและไมเขาขายเปนโรคซมเศราเทานน

ขนท 2 ใชงานอลกอรทม Bayes เปรยบเทยบกบอลกอรทม Random Forest โดยจำาแนกขอความทเกยวของกบโรคซมเศราออกเปน 9 ลกษณะอาการ (อลกอรทม Random Forest กำาหนดคาตวแปรดงน Criterion ใช Gain ratio, Number of trees=100 และ Maximal=100)

สดทายผลลพธแตละ Class จะไดคาความนาจะเปน (Probability) ของแตละอาการทเขาขายซมเศรา ผวจยจงได

ทำาการเลอกคา Maximum Probability คอ การเลอกคาความนาจะเปนทมคาสงทสด โดยทขอมล 1 Instant ผานแบบจำาลองทง 2 แบบจำาลอง จะไดคาความนาจะเปนของ Class คำาตอบคอ 9 Class แลวนำาคาความนาจะเปนของ 9 Class มาทำาการโหวตเลอกคาความนาจะเปนสงสด (Maximum Probability) เพอเปนคำาตอบของการทำานายครงนน การวดประสทธภาพของแบบจำาลองในงานวจยนใชคาสถตทใชในการวดประสทธภาพของการการจำาแนกโรคซมเศราจากพฤตกรรมการโพสตขอความ บนทวตเตอรโดยใชคา Accuracy Precision Recall และ F-1

4. Depressive Analysis หลงจากแบบจำาลองสามารถจำาแนกขอมลทอยในลกษณะอาการ 9 อาการไดอยางแมนยำาแลว ในการวเคราะหผทเขาขายเปนโรคซมเศรานน สามารถทำาไดโดยการนบความถของอาการแตละอาการในระยะเวลา 2 สปดาห โดยจะตองขยบไปทกๆ 1 วน แลวคำานวณความถใหมจนกวาจะครบขอมลททำานายของบคคลนน

ผลการทดลอง1. Features Selection ในการสรางแบบจำาลองผวจยเลอกใชงาน Information Gain ในการคดเลอกคณลกษณะ โดยกำาหนด Top-K คอ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมด มตวอยาง 20 คณลกษณะแรก ดงแสดงใน Table 3

Table 3 Top 20 feature frequency

No. Feature No. Feature No. Feature Feature No. Feature

1 things 6 tiredness 11. tired tired 16. people

2 loss 7 esteem 12. sleep sleep 17. bored

3 feeling 8 hopeless 13. appetite appetite 18. sadness

4 self 9 happy 14. get get 19. bra

Table 4 Performance modeling SVM algorithm (2 Levels)

Feature Accuracy Precision Yes Precision No Recall Yes Recall No F-1

2,000 98.03% 99.27% 86.00% 98.60% 92.18% 98.93%

4,000 98.11% 99.27% 96.52% 98.65% 92.29% 98.96%

6,000 98.20% 99.27% 87.50% 98.75% 92.37% 99.01%

All 94.29% 99.82% 39.32% 94.24% 95.57% 96.95%


337

Table 5 Algorithm performance modeling Bayes, SVM + Bayes and SVM + Random Forest

Feature

1 Level 2 Levels

Bayes SVM SVM + Bayes SVM + Random Forest

Accuracy F-1 Accuracy F-1 Accuracy F-1 Accuracy F-1

2,000 82.55% 80% 96.18% 96% 83.23% 86% 91.45% 94%

4,000 78.58% 75% 94.64% 94% 78.81% 80% 88.31% 93%

6,000 76.66% 74% 92.28% 92% 79.00% 79% 82.77% 88%

All 70.52% 67% 91.76% 92% 72.34% 72% 63.82% 73%

Table 6 Algorithm performance modeling Bayes, SVM + Bayes and SVM + Random Forest 2,000 features

Class

1 Level 2 Levels


Precision Recall Precision Recall Precision Recall Precision Recall

Depressive 83.86% 80.67% 98.48% 95.20% 83.32% 87.92% 90.39% 97.11%

Loss of interest 98.57% 86.21% 99.96% 92.23% 86.28% 98.67% 98.79% 97.82%

Appetite 72.85% 89.39% 99.14% 96.37% 89.18% 74.68% 95.31% 84.99%

Sleep 79.36% 76.20% 97.94% 93.63% 75.59% 79.31% 80.73% 95.46%

Thinking 82.40% 69.29% 98.20% 96.60% 70.00% 84.77% 87.58% 96.28%

Guilt 83.36% 88.95% 95.55% 88.00% 89.12% 82.45% 93.84% 96.79%

Tired 75.72% 86.54% 98.63% 96.30% 86.55% 76.10% 91.72% 83.72%

Movement 86.29% 85.54% 98.87% 90.47% 85.02% 88.40% 92.92% 82.64%

Suicidal 76.59% 78.24% 99.21% 91.97% 77.81% 78.54% 87.35% 97.15%

Normal 88.66% 77.34% - - - - - -


Class

1 Level 2 Levels



Depressive 77.23% 73.81% 98.53% 91.47% 76.55% 81.14% 90.96% 95.13%

Loss of interest 98.57% 86.70% 99.96% 90.37% 86.82% 98.12% 97.94% 96.81%

Appetite 72.79% 86.04% 99.18% 93.27% 86.87% 74.77% 90.01% 85.04%

Sleep 72.76% 70.61% 98.54% 92.10% 70.53% 72.57% 79.11% 85.17%

Thinking 70.78% 57.04% 98.47% 94.37% 56.76% 71.65% 86.78% 94.56%

Guilt 77.11% 85.54% 99.52% 83.23% 85.52% 76.49% 84.83% 94.59%

Tired 70.89% 80.09% 98.45% 95.57% 78.92% 72.08% 89.75% 77.65%

Movement 79.35% 81.18% 98.99% 85.10% 80.09% 81.48% 88.13% 79.88%

Suicidal 68.82% 73.07% 99.09% 86.70% 71.76% 70.83% 83.01% 95.45%

Normal 84.17% 70.64% - - - -



Class

1 Level 2 Levels



Depressive 76.60% 72.35% 98.12% 85.33% 77.26% 83.45% 83.05% 94.23%

Loss of interest 98.33% 87.19% 99.96% 89.07% 86.82% 98.37% 97.62% 96.46%

Appetite 72.94% 85.05% 99.33% 79.30% 86.04% 73.64% 78.48% 69.40%

Sleep 71.51% 69.71% 97.80% 91.80% 70.53% 72.53% 71.37% 91.93%

Thinking 66.41% 55.85% 97.47% 91.17% 58.10% 74.72% 82.53% 92.01%

Guilt 76.00% 84.92% 99.79% 79.27% 85.70% 77.77% 85.39% 90.69%

Tired 69.91% 78.39% 96.63% 94.60% 80.79% 72.10% 86.23% 64.00%

Movement 78.70% 80.36% 98.54% 78.90% 80.54% 83.07% 77.62% 75.70%

Suicidal 68.39% 72.61% 98.94% 83.80% 72.54% 69.52% 78.12% 90.64%

Normal 82.72% 68.56% - - - -

Table 9 Algorithm performance modeling Bayes, SVM + Bayes and SVM + Random Forest all features

Class

1 Level 2 Levels



Depressive 69.48% 66.25% 98.00% 85.10% 77.26% 83.45% 83.05% 94.23%

Loss of interest 98.13% 87.01% 99.96% 89.07% 86.82% 98.37% 97.62% 96.46%

Appetite 68.99% 79.88% 99.08% 86.10% 86.04% 73.64% 78.48% 69.40%

Sleep 63.20% 62.60% 97.43% 89.77% 70.53% 72.53% 71.37% 91.93%

Thinking 54.82% 42.96% 96.79% 87.57% 58.10% 74.72% 82.53% 92.01%

Guilt 70.07% 78.64% 99.58% 78.43% 85.70% 77.77% 85.39% 90.69%

Tired 63.28% 72.30% 95.73% 94.07% 80.79% 72.10% 86.23% 64.00%

Movement 70.19% 73.28% 97.59% 74.33% 80.54% 83.07% 77.62% 75.70%

Suicidal 60.68% 63.58% 98.53% 82.80% 72.54% 69.52% 78.12% 90.64%

Normal 77.72% 61.78% - - - -


339

2. Performance of Training Set จากการสรางแบบจำาลองทใชงาน Information Gain ในการคดเลอกคณลกษณะ โดยกำาหนด Top-K คอ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมด การจำาแนกหนงระดบมประสทธภาพดง Table 5–9

จากผลการทดลองพบวาแบบจำาลองทถกสรางดวยการคดเลอกคณลกษณะ 2,000 คณลกษณะมคาความถกตองดทสด โดยอลกอรทม Bayes ได Accuracy=82.55% และ อลกอรทม SVM ได Accuracy=96.18% การจำาแนกแบบสองระดบ ขนท 1 อลกอรทม SVM ไดประสทธภาพดง Table 4 จากผลการทดลองพบวาผลลพธทงหมดของแบบจำาลองท ถกสรางดวยการคดเลอกคณลกษณะ 6,000 คณลกษณะไดคาความถกตองมากทสด โดยไดคา Accuracy=98.20% และขนท 2 อลกอรทม Bayes และอลกอรทม Random Forest มประสทธภาพดง Table 5–9 จากผลการทดลองพบวาแบบจำาลองทถกสรางดวยการคดเลอกคณลกษณะ 2,000 ไดคาความถกตองมากทสด โดยอลกอรทม Random Forest ไดคา Accuracy คอ 83.23% และอลกอรทม Random Forest ไดคา Accuracy คอ 91.45%

3. Performance of Test Set สำาหรบการวดความถกตองของขอมลทดสอบแบบจำาลอง ซงเปนขอมลของผทเปนโรคซมเศราจำานวน 15 คน และคนทไมเปนโรคซมเศราจำานวน 15 คน โดยทดสอบกบแบบจำาลองทเลอกใชงาน Information gain ในการคดเลอกคณลกษณะ โดยกำาหนด Top-K คอ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมด และมการกำาหนดคา Boundary ออกเปน 0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 และ 0.9 ซงเปนการกำาหนดเพดานของคาความนาจะเปน ถาขอความไหนมคาไมถงคาเพดานกจะไมนำามาทำาการ Vote ensemble โดยมผลการทดลองการจำาแนกทแบงออกเปนสองระดบ คอ

การจำาแนกหนงระดบมผลการทดลองดง Figure 2–5 จากผลการทดลองทงหมดพบวาคาความนาจะเปนทเหมาะสมแกการเปนคา Boundary ของ อลกอรทม Bayes อยท 0.4 โดยไดคา Accuracy สงสด=76.67% และคา Boundary ของ อลกอรทม SVM อยท 0.5 โดยไดคา Accuracy สงสด คอ 70.00%

การจาแนกหนงระดบมผลการทดลองดง Figure 2–5 จากผลการทดลองทงหมดพบวาคาความ

นาจะเปนทเหมาะสมแกการเปนคา Boundary ของ

Figure 2 Performance Bayes model (Left) and SVM model (Right) by 2,000 features (1 Level)



Figure 5 Performance Bayes model (Left) and SVM model (Right) by all features (1 Level)










Figure 6 Performance SVM + Bayes model (Left) and SVM + Random Forest model (Right) by 2,000 features (2 Levels)



Figure 9 Performance SVM + Bayes model (Left) and SVM + Random Forest model (Right) by all features (2 Levels)






















341

Figure 10 Performance time of train model

Figure 11 Performance time of test model

อล กอ รท ม Bayes อย ท 0.4 โดยไดค า Accuracy สงสด = 76.67% และคา Boundary ของอลกอรทม SVM อ ย ท 0.5 โด ย ได ค า Accuracy ส ง ส ด ค อ 70.00% การจาแนกสองระดบมผลการทดลองดง Figure 6-9 จากการทดลองท งหมดพบวาคาความนาจะเปนทเหมาะสมแกการเปนคา Boundary ของอลกอรทม SVM จบคกบอลกอรทม Bayes อย ท 0.6 โด ย ได ค า Accuracy ส ง ส ด ค อ 73 . 33 % แ ล ะอลกอรทม SVM จบคกบอลกอรทม Random Forest อยท 0.1 โดยไดคา Accuracy สงสด คอ 70.00% จากการทดลองทงหมดพบวาคาความนาจะเปนทสงสามารถกรองขอความทไมเขาขายในอาการทเกยวของกบโรคซมเศราออกไป ทาใหจาการจาแนกขอความตามอาการไดดและการคดเลอกคณลกษณะเพอสรางแบบจาลองใหผลลพธทดกวาการใชงานการเลอกคณลกษณะทงหมด เนองจากขอมลหลงจากการทากระบวนการเตรยมขอมล คณลกษณะมมากเกนไป

ทาใหการเลอกใชงานการคดเลอกคณลกษณะ ใหผลทไดกวาการเลอกคณลกษณะทงหมด 4.4 Time (Performance) ประสทธภาพของการใชเวลาในการทดลองจะแบงออกเปน 2 การทดลอง ไดแก 1 ) เวลาในการสรางแบบจาลอง โดยจะแบงเปน 2 ชวง ไดแก 1. ชวงเวลาในการเตรยมขอมลชด Training set โดยการทดลองจะเรม ตงแตการคดเลอกคณลกษณะ โดยกาหนด Top-K คอ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมดจนถงการสรางแบบจาลอง 2. ชวงเวลาในการสรางแบบจาลอง โดยการสรางแบบจาลองจะมการจาแนกหนงระดบ คอ การใชงานอลกอรทม Bayes และอลกอรทม SVM การจาแนกสองระ ดบ คอ การใช งานอลกอร ท ม SVM คกบอล กอ ร ท ม Bayes เป รย บ เท ย บ กบ การใช งานอลกอรทม SVM คกบกบอลกอรทม Random Forest ผลการทดลองดง Figure 10 จากการทดลองพบวาการสรางแบบจาลองโดยการเลอก 2,000 คณลกษณะได















อล กอ รท ม Bayes อย ท 0.4 โดยไดค า Accuracy สงสด = 76.67% และคา Boundary ของอลกอรทม SVM อ ย ท 0.5 โด ย ได ค า Accuracy ส ง ส ด ค อ 70.00% การจาแนกสองระดบมผลการทดลองดง Figure 6-9 จากการทดลองท งหมดพบวาคาความนาจะเปนทเหมาะสมแกการเปนคา Boundary ของอลกอรทม SVM จบคกบอลกอรทม Bayes อย ท 0.6 โด ย ได ค า Accuracy ส ง ส ด ค อ 73 . 33 % แ ล ะอลกอรทม SVM จบคกบอลกอรทม Random Forest อยท 0.1 โดยไดคา Accuracy สงสด คอ 70.00% จากการทดลองทงหมดพบวาคาความนาจะเปนทสงสามารถกรองขอความทไมเขาขายในอาการทเกยวของกบโรคซมเศราออกไป ทาใหจาการจาแนกขอความตามอาการไดดและการคดเลอกคณลกษณะเพอสรางแบบจาลองใหผลลพธทดกวาการใชงานการเลอกคณลกษณะทงหมด เนองจากขอมลหลงจากการทากระบวนการเตรยมขอมล คณลกษณะมมากเกนไป

ทาใหการเลอกใชงานการคดเลอกคณลกษณะ ใหผลทไดกวาการเลอกคณลกษณะทงหมด 4.4 Time (Performance) ประสทธภาพของการใชเวลาในการทดลองจะแบงออกเปน 2 การทดลอง ไดแก 1 ) เวลาในการสรางแบบจาลอง โดยจะแบงเปน 2 ชวง ไดแก 1. ชวงเวลาในการเตรยมขอมลชด Training set โดยการทดลองจะเรม ตงแตการคดเลอกคณลกษณะ โดยกาหนด Top-K คอ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมดจนถงการสรางแบบจาลอง 2. ชวงเวลาในการสรางแบบจาลอง โดยการสรางแบบจาลองจะมการจาแนกหนงระดบ คอ การใชงานอลกอรทม Bayes และอลกอรทม SVM การจาแนกสองระ ดบ คอ การใช งานอลกอร ท ม SVM คกบอล กอ ร ท ม Bayes เป รย บ เท ย บ กบ การใช งานอลกอรทม SVM คกบกบอลกอรทม Random Forest ผลการทดลองดง Figure 10 จากการทดลองพบวาการสรางแบบจาลองโดยการเลอก 2,000 คณลกษณะได


การจำาแนกสองระดบมผลการทดลองดง Figure 6-9 จากการทดลองทงหมดพบวาคาความนาจะเปนทเหมาะสมแกการเปนคา Boundary ของอลกอรทม SVM จบคกบอลกอรทม Bayes อยท 0.6 โดยไดคา Accuracy สงสด คอ 73.33% และอลกอรทม SVM จบคกบอลกอรทม Random Forest อยท 0.1 โดยไดคา Accuracy สงสด คอ 70.00%

จากการทดลองทงหมดพบวาคาความนาจะเปนทสงสามารถกรองขอความทไมเขาขายในอาการทเกยวของกบโรคซมเศราออกไป ทำาใหจำาการจำาแนกขอความตามอาการไดดและการคดเลอกคณลกษณะเพอสรางแบบจำาลองใหผลลพธทดกวาการใชงานการเลอกคณลกษณะทงหมด เนองจากขอมลหลงจากการทำากระบวนการเตรยมขอมล คณลกษณะมมากเกนไป ทำาใหการเลอกใชงานการคดเลอกคณลกษณะ ใหผลทไดกวาการเลอกคณลกษณะทงหมด

4. Time (Performance) ประสทธภาพของการใชเวลาในการทดลองจะแบงออกเปน 2 การทดลอง ไดแก

1. เวลาในการสรางแบบจำาลอง โดยจะแบงเปน 2 ชวง ไดแก 1. ชวงเวลาในการเตรยมขอมลชด Training set โดยการทดลองจะเรมตงแตการคดเลอกคณลกษณะ โดยกำาหนด Top-K คอ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมดจนถงการสรางแบบ จำาลอง

2. ชวงเวลาในการสรางแบบจำาลอง โดยการสรางแบบจำาลองจะมการจำาแนกหนงระดบ คอ การใชงานอลกอรทม Bayes และอลกอรทม SVM การจำาแนกสองระดบ คอ การใชงาน อลกอรทม SVM คกบอลกอรทม Bayes เปรยบเทยบกบการใชงานอลกอรทม SVM คกบกบอลกอรทม Random Forest ผลการทดลองดง Figure 10 จากการทดลองพบวาการสรางแบบจำาลองโดยการเลอก 2,000 คณลกษณะไดเวลานอยทสดคอ 2.05 นาท เนองจากในขนตอนการเลอกคณลกษณะโดยการใชงาน Information gain มการใชเวลาในการคำานวณทมาพอสมควรและการจำาแนกหนงระดบ มการใชเวลานอยกวาสองระดบมากสดถง 28.28 นาทท 2,000 คณลกษณะ สวนการจำาแนกสองระดบพบวาการใชงานอลกอรทม SVM คกบ อลกอรทม Bayes มการสรางแบบจำาลองทเรวกวา SVM กบอลกอรทม Random Forest มากถง 9.12 นาทท 2,000 คณลกษณะ

3. เวลาในการทดสอบแบบจำาลอง โดยทดสอบขอมลชด Test set กบแบบจำาลองทสรางโดยคณลกษณะ 2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมด มผลการทดลองดง Figure 11 จากผลการทดลองทงหมดพบวา การใชงานการจำาแนกสอง

ระดบดวยอลกอรทม SVM กบอลกอรทม Random Forest ท 2,000 คณลกษณะใหผลทไวกวาการใชจำาแนกหนงระดบและสองระดบมากสดถง 7.33 นาท เนองจากอลกอรทม Random Forest เปนอลกอรทมทมตนไมตดสนใจอยภายในและ ไมไดใชงานคณลกษณะทกคณลกษณะมาคำานวณเหมอน อลกอรทม Bayes และ SVM จงทำาใหผลลพธในการทดสอบขอมลไดผลดทสด

สรปผลและวจารณผลการทดลอง ในงานวจยในครงนผวจยไดทำาการกรองขอมลจาก Twitter โดยการตดขอความทเปนการ Retweet การตดขอความทเปนลงคเขาใชงานเวบไซต การตดขอความทเกยวของกบชอบคคลทถกแทกในโพสตและการตด Stop word สำาหรบการใหนำาหนกเลอกใชงานวธการ Binary term occurrence แลวคดเลอกแอตทรบวตดวย Information Gain ทกำาหนด Top-K=2,000 คณลกษณะ 4,000 คณลกษณะ 6,000 คณลกษณะและคณลกษณะทงหมด ในการสรางแบบจำาลองผวจยเลอกใชการแบงขอมลโดยใชวธการ 10–Fold Cross Validation โดยมผลการทดลองดงตอไปน

สำาหรบการสรางแบบจำาลองดวย Training set การจำาแนกหนงระดบทใชงานอลกอรทม Bayes ในการสรางแบบจำาลองได Accuracy สงสด 82.55% และอลกอรทม SVM ได Accuracy สงสด 96.18% การจำาแนกสองระดบทใชงาน อลกอรทม SVM ในการสรางแบบจำาลองการจำาแนกขอความทวไปกบขอความทเกยวของกบโรคซมเศรา มคา Accuracy สงสด 98.20% ตอมาการสรางแบบจำาลองสำาหรบจำาแนกอาการทเกยวของกบโรคซมเศราอลกอรทม SVM จบคกน กบอลกอรทม Bayes มคา Accuracy สงสด 83.23% และ อลกอรทม SVM จบคกบอลกอรทม Random Forest มคา Accuracy สงสด 91.45%

สำาหรบการทดสอบแบบจำาลองดวย Test set ทเปนขอมลผใชงานทเปนโรคซมเศราและไมเปนโรคซมเศราจำานวนทงหมด 30 บคคล โดยมการกำาหนด Boundary เพอหาชวงการคดเลอกคาความนาจะเปนทเหมาะสมสำาหรบการโหวต โดยกำาหนด Boundary ท 0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 และ 0.9 การทดลองแบงออกการจำาแนกทง 2 ระดบ การจำาแนกหนงระดบดวยอลกอรทม Bayes ไดคาความนาจะเปนทเหมาะสม คอ 0.4 ม Accuracy สงสด 76.67% และ อลกอรทม SVM ไดคาความนาจะเปนทเหมาะสม คอ 0.5 ม Accuracy สงสด 70.00% การจำาแนกสองระดบ อลกอรทม SVM จบคกบอลกอรทม Bayes ไดคาความนาจะเปนเหมาะสม คอ 0.6 ม Accuracy สงสด 73.00% และอลกอรทม SVM จบคกบ อลกอรทม Random Forest ไดคาความนาจะเปนเหมาะสม คอ 0.1 ม Accuracy สงสด 70.00%


343

จากผลการทดลองทงหมดสรปไดวาเทคนคการคดเลอกคณลกษณะดวย Information Gain มผลทำาใหเวลาในการสรางแบบจำาลองลดนอยลงอยางมาก โดยเฉพาะอลกอรทม ทใชเวลานานอยาง Random Forest ลดเวลาการทำางานไดถง 270.06 นาท อกทงการลดคณลกษณะใหไดจดเหมาะสมทำาใหประสทธภาพของการทดสอบแบบจำาลองเพมขนและในการเลอกใชอลกอรทมเพอจำาแนกโรคซมเศราจากพฤตกรรมการโพสตขอความบนทวตเตอร การใชงานทดทสดคอการจำาแนกหนงระดบดวยอลกอรทม Bayes เนองจากใหผลลพธในการทดสอบกบชดขอมลในโลกความจรง (Real world data) ไดความถกตองทดทสดคอ Accuracy=76.67% และไดคา Boundary ความนาจะเปนทเหมาะสมแกการทำา Vote ensemble ท 0.4

จากจดประสงคในการทำาวจยครงน ผวจยไดทำาการเปรยบเทยบประสทธภาพการสรางแบบจำาลองจำาแนกหนงระดบและจำาแนกสองระดบเพอใหมประสทธภาพสงสดในการการจำาแนกโรคซมเศราจากพฤตกรรมการโพสตขอความบนทวตเตอร จงมขอเสนอแนะวาขอมลทนำามาสรางแบบจำาลองเพยงแคขอความตวอกษรในการทำานายโรคซมเศราอาจจะไมเพยงพอตอการจำาแนกพฤตกรรม ซงการใชงานขอมลอนๆ ของตวบคคล เชน รปภาพ อาย ความสมพนธ และเพศ อาจจะมผลตอการจำาแนกพฤตกรรมทเขาขายเปนโรคซมเศราไดและยงพบวาคณลกษณะทไดจากอาการแตละอาการทม 3,000 ขอความ อาจจะยงไมเพยงพอตอการจำาแนกลกษณะอาการดพอ เนองจากในโลกความจรงนน มขอมลจำานวนมาก อาจทำาใหความถกตองลดลงได

กตตกรรมประกาศ โครงการวจยนไดรบการสนบสนนเงนทนอดหนนการวจยจากงบประมาณเงนรายได ประจำาป 2562 มหาวทยาลยมหาสารคาม

เอกสารอางอง1. World Health Organization (2018), Depression.

(2019). https://www.who.int/news-room/fact-sheets/detail/depression.

2. สถาบนวจยระบบสาธารณสข (2015), โรคซมเศรา ภยรายใกลตว. (2019). https://hsri.or.th/people/media/care/detail/6268.

3. Yoon S, Taha B, Bakken S, Using a data mining approach to discover behavior correlates of chronic disease: a case study of depression. Stud Health Technol Inform ; 2014. P. 71–78.

4. Maryam H, Emmanuel A, Elke A. R, Using Hashtags as Labels for Supervised Learning of Emotions in Twitter Messages. In: ACM Workshop on Workshop on Health Informatics. New York USA ; 2014.

5. McManus K, Mallory E, Goldfeder R, Haynes W, Tatum J, Mining Twitter Data to Improve Detection of Schizophrenia. AMIA Joint Summits on Translational Science ; 2015. P. 122–126.

6. Anees U. H, Jamil H, Musarrat H, Muhammad S, Sungyoung L, Sentiment analysis of social networking sites (SNS) data using machine learning approach for the measurement of depression. 2017 International Conference on Information and Communication Technology Convergence (ICTC) ; 2017. P. 138-140.

7. กรมสขภาพจต (2019). โรคซมเศรากบการเอาชวตรอด. (2019). https://www.dmh.go.th/news-dmh/view.asp?id=29531.

8. American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders (DSM-5). Washington DC: American Psychiatric Association ; 2013.

9. Quinlan JR. Mach Learn 1: Induction of Decision Trees ; 1986. P. 81-106.

10. Vapnik, Vladimir N. Machine Learning: Support-vector networks ; 1995. P. 273-297.

11. Russell S, Norvig P. Artif icial Intell igence: A Modern Approach ; 1995. P. 495–499.

12. Ho TK, Random Decision Forests. Proceedings of the 3rd International Conference on Document Analysis and Recognition ; 1995. P. 278–282.

13. RANKS NL (2019), Default English stop words list. (2019). https://www.ranks.nl/stopwords.

วธการปรบปรงคณลกษณะสำาหรบการจำาแนกภาพใบหนาทถกรบกวนจากแสงโดยขนตอนวธผสมผสานFeature improvement for classification of face images under varying light conditions using a hybird algorithm

วทศน จาตรงคกร1*, ฉตรเกลา เจรญผล2

Witas Jaturongkorn1*, Chatklaw Jareanpon2

Received: 25 December 2019 ; Revised: 12 February 2020 ; Accepted: 6 March 2020

บทคดยอการปรบปรงคณภาพของภาพ เปนขนตอนสำาคญในการปรบปรงคณภาพของภาพใบหนาทมสงรบกวนเชน เงา และแสงใหชดเจนยงขน เนองจากมผลกระทบตอประสทธภาพ ในการสกดคณลกษณะและการรจำาใบหนา ในงานวจยนจะเปนการพฒนาคณภาพของภาพใบหนาทอยในสภาวะของแสงทไมคงท เชน อยในทมดหรอสวางเกนไปทำาใหใบหนาบางสวนหายไปจากภาพและไมสามารถนำาไปรจำาใบหนาแบบปกต ซงในงานวจยน จะใชการผสมผสานวธการในการปรบปรงคณภาพของภาพใบหนาโดยใชวธการ self quotient image เปนหลก และผสมผสานกบขนตอนวธ weber, mean filter และwavelet โดยทดลองกบฐานขอมลภาพใบหนามาตรฐานของ Yale B database ทมมของสภาวะแสงแตกตางกนจากจำานวน 4 ชดขอมล ผลลพธทไดจากการวจยพบวาการผสมผสานวธการของ weber face + self quotient image + mean filter นนไดผลลพธทดทสดในการขจดผลกระทบของแสงและเงาบนภาพใบหนาโดยประสทธภาพเฉลยของการรจำาใบหนาอยท 99.40%

คำาสำาคญ: ภาพใบหนาทอยในสภาวะของแสงทไมคงท ตวกรอง การปรบปรงคณภาพของภาพใบหนา การรจำาภาพใบหนา พกเซล

AbstractImage improvement is an important process for enhancing the quality of facial images under varying light condition in which shadow and light affects the performance of feature extraction and face recognition. This research proposed the development of image normalization for illumination, such as dark light and over light that creates some invisible face area and it is unable to use the normal face recognition process . This research uses self-quotient image as a main algorithm that to be hybridized with the weber, mean filter and wavelet methods. The standard dataset called Yale B database is used for demonstrating the performance of our proposed algorithm. The dataset is divided into 4 datasets. The self-quotient image together with weber face and mean filter creates the best result for reducing the illumination from shadow and light and helps improve the face recognition rate to reach 99.40%.

Keywords: face image under varying light condition, filter, improvement face image, face recognition, pixel

1 นสตปรญญาโท คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวด มหาสารคาม 441502 ผชวยศาสตราจารย คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม อำาเภอกนทรวชย จงหวด มหาสารคาม 441501 Master’s degree, Computer Science, Faculty of Informatics, Mahasarakham University, Kantharawichai, District, Maha Sarakham 44150, Thailand2 Assistant professor, Computer Science, Faculty of Informatics, Mahasarakham University, Kantharawichai, District, Maha Sarakham 44150, Thailand

Vol 39. No 3, May-June 2020 Feature improvement for classification of face images under varying light conditions using a hybird algorithm

345

บทนำาการประมวลผลภาพ (image processing) เปนงานทมเปาหมายใหคอมพวเตอรประมวลผลภาพตางๆ ทตองการอยางอตโนมต เพอทจะนำาผลลพธหรอสารสนเทศทไดนนไปใชประโยชน ซงยงรวมถงการจำาแนกบคคลในภาพใบหนา โดยวธการคอการเทยบ (match) คณลกษณะของภาพใบหนากบภาพใบหนาทอยในฐานขอมล ซงเรยกวธการนวา การรจำาใบหนา (face recognition) ในปจจบนมงานวจยเกยวกบกระบวนการในการรจำาใบหนาอยางหลากหลาย ซงแตละงานวจยไดนำาเสนอเทคนคตางๆ ในการรจำาใบหนาเชน การใช Principal Component Analysis (PCA)9 ในการชวยระบตวตนของบคคลผเปนเจาของใบหนา เพอใชระบตวตนแทนพาสเวรด10 ตอมาไดมการพฒนาดานการปรบปรงคณภาพของภาพ(normalization) เพอใหภาพมความชดเจนยงขน โดย มเปาหมายในการขจดผลกระทบของแสงและเงาทเกดขนบนภาพใบหนาซงจะมผลทำาใหภาพใบหนาถกบดบงไปบางสวน ซงวธการตางๆ ทไดมการนำาเสนอมหลากหลาย เชน Homomorphic filter1 Local Binary Pattern(LBP)2 Self quotient image, Mean filter, Weber Face4, Wavelet Normalization เชนในงานวจยของ Juanjuan และ คณะ13 ไดเสนองานวจยเกยวกบกระบวนการใหมในการรจำาใบหนาใน สภาวะทแสงไมคงท โดยการนำาภาพไปผานกระบวนการ Morphological operation ทง close และ open จากนนนำาภาพมาผานกระบวนการ Self Quotient Image ซงผลทไดนน ภาพทผานกระบวนการ Close operation มประสทธภาพมากกวา Open operation โดยทาง Juanjuan และคณะเรยกวธการของพวกเขาวา Morphological Self Quotient Image (MQI) Hong และคณะ14 ไดนำาเสนองานวจยในการปรบปรงไบนารแพทเทรน (Local Binary Pattern, LBP) ใหมประสทธภาพมากยงขนเพอนำาไปใชในการรจำาใบหนาในสภาวะทแสงไมคงท เพราะ LBP นนยงทำางานไดไมดพอทาง Hong และ คณะจงไดทำาการเพมขนตอนการ ปรบปรงภาพเขาไปโดยใชวธการทเรยกวา DMQI (Dynamic Morphological Quotient Image) ซงเปนวธท Hongและคณะ ไดปรบปรงจากวธการ MQI ของ Juanjuan และคณะ13 โดยการแบงภาพออกเปน Block ขนาด 7x7 จากนนกำาหนดคานำาหนกลงในแตละสวน จากนนจงนำา ภาพไปผานกระบวนการ LBP ซงเปนวธการในการขจด ผลกระทบของแสงและเงาทปรากฏในภาพใบหนา Wang และ คณะ4 ไดนำาเสนองานวจยในการรจำาภาพใบหนาทไดรบ ผลกระทบของแสงโดยการใช Weber face โดยการสรางเทมเพลตขนาด 9x9 ขนมา จากนนจะทำาการคำานวณโดยการเทยบคาระหวางคาพกเซลทอยตรงกลางกบคาพกเซลทอยใกลเคยง และคำานวณโดยสมการท 2 เพอใหไดภาพทถกขจด ผลกระทบของแสงและเงาออกไปทำาใหมองเหนองคประกอบของใบหนาเชน ดวงตา,จมก และ ปาก ไดอยางชดเจน

ซงผลการทดลองกบชดขอมล Yale B Database ในงานวจยของ Wang และ คณะ อยท 98.3% Jung และ Yin10 ไดนำาเสนองานวจยเกยวกบการรใบหนาโดยการใช SQI (Self Quotient Image) รวมกบ DWT (Discrete Wavelet Transform) ซงเปนการปรบปรงการขจดผลกระทบของแสง โดยการผสมผสานวธการ SQI และ DWT ซงในงานวจยของ Jung และ Yin10 นนไดทำาการนำาภาพมาผานกระบวนการ DWT ซงไดมการปรบปรงในสวนของตวกรองยานความถตำา (LL) และความถสง (LH, HL, HH) โดยการเพมคานำาหนกเขาไป ซงเมอภาพผานกระบวนการนแลวกจะนำาภาพไปผานตวกรอง SQI ตอไปซงประสทธภาพในงานวจยของ Jung และ Yin ใหคาความแมนยำาในการรจำาภาพใบหนาเฉลยอยท 98.82% จากงานวจยทกลาวมาแลวขางตน ทำาใหพบวา มการนำาวธการในการขจดผลกระทบของแสงมาผสมผสานเพอใหไดประสทธภาพในการรจำาใบหนาทดขน จงนำามาสงานวจยฉบบนซงจะนำาวธการปรบปรงคณภาพของภาพใบหนามาผสมผสานระหวางวธ Self quotient image, Mean filter, Weber face และ Wavelet Normalization ทงสน 3 วธการซงทง 3 วธการนมประสทธภาพในการขจด ผลกระทบของแสงและเงาจากภาพใบหนาไดเปนอยางดอางองจากงานวจยทกลาวมาแลวขางตน ซงงานวจยนจะนำามา ผสมผสานเพอใหไดประสทธภาพทดยงขน โดยในการขจด ผลกระทบของแสงในงานวจยนจะวดประสทธภาพของ ตวกรองแบบตางๆ ทงแบบเดยวและแบบผสมผสาน ซงในการผสมผสานน จะมการเพมตวกรองทเรยกวา Mean filter โดย ตวกรองนนยมใชเพอชวยใหภาพทผานการขจดผลกระทบ ของแสงแลวนนมคาพกเซลใกลเคยงกบภาพทอยในกลมเดยวกนกอนทจะถกนำาไปสกดคณลกษณะ และเพอทดสอบวาจะชวยเพมประสทธภาพของการรจำาภาพมากนอยเพยงใด

วตถประสงค เพอหาวธการปรบปรงคณภาพของภาพใบหนาทไดผลกระทบของแสงแบบผสมผสานทมประสทธภาพ

ทฤษฎทเกยวของ ในงานวจยฉบบนไดศกษาและนำาเอาทฤษฎทางดานการประมวลผลภาพ การจำาแนก การสกดคณลกษณะและ วดประสทธภาพดงน

1. ทฤษฎการปรบปรงคณภาพของภาพถาย ภาพทถกผลกระทบของแสงและเงาจะทำาใหภาพบางสวนขาดหายไป ทำาใหการจำาแนกภาพไมมประสทธภาพมากนก ดงนนจงจำาเปนตองมการปรบปรงคณภาพของภาพกอนทจะนำาไปจำาแนกภาพเพอขจดผลกระทบของแสงและเงาทเกดขนบนภาพ โดยวธการทนยมใชกนในการปรบปรงคณภาพของภาพมดงน

J Sci Technol MSUWitas Jaturongkorn, Chatklaw Jareanpon346

1.1 Self quotient image (SQI) Self quotient image นำาเสนอโดย Wang และคณะ3 มพนฐานมาจากวธการของ Quotient image โดยเปลยนจากการใชภาพหลายๆ ภาพนำามาหารกบภาพตนฉบบ มาเปนนำาภาพใบหนาเพยงภาพเดยวคอภาพตนฉบบมาหารดวยภาพตนฉบบเดยวกนแตผานตวกรอง ดงสมการท 1

(1)

โดยท

SQI คอภาพผลหาร(ผลลพธ)

I(x,y) คอภาพตนฉบบ

F คอตวกรอง

ในงานวจยของ Wang และคณะ ไดใชตวกรองแบบ เกาสเซยน ซงแสดงใน Figure 1 ซงเปรยบเทยบระหวางภาพใบหนาตนฉบบ (a) กบภาพใบหนาทผานกระบวนการ Self quotient image แลว (b)

1.2 Weber face (WF) Weber face ไดถกนำาเสนอโดย Wang และคณะ4 เพอทจะแกปญหาภาพทไดรบผลกระทบของแสง ซงจะเปนการคำานวณระหวางคาความเขมของพกเซล (pixel) และ พกเซล ทอยใกลเคยงจากนนจะคำานวณอตราสวนระหวางผลรวมของความแตกตางของคาความเขมกบ พกเซล ปจจบน แสดงในสมการท 2

(2)

โดยท

α คอ คาสเกลาร

I(x,y) คอคาพกเซลทอยตรงกลางสำาหรบใชคำานวณกบพกเซลทอยใกลเคยง

I(xi,yj) คอคาพกเซลทอยใกลเคยงกบพกเซลทอยตรงกลาง

ภาพใบหนาทผานกระบวนการ Weber face แสดงใน Figure 1 (c)

1.3 Wavelet transform (WT) Wavelet transform ไดถกนำาเสนอโดย Fan และ คณะ5 ซงไดนำามาประยกตใชกบงานประมวลผลภาพโดย ทจำาแนกภาพออกเปน sub-band เพอลดผลกระทบทเกดขนบนภาพ โดยจะทำาการนำาภาพไปแยกผานตวกรองความถตำา

(low-pass filter) และตวกรองความถสง(high-pass filters) ซงจะแยกออกเปน 4 sub-band ดงน LL คอ ความถตำาทพบไดเปนสวนมากในภาพตนฉบบ LH และ HL และภาพทผานการหาคาสมประสทธรวมเปน 4 sub-band ในขนตอนของการแปลงแยกออกเปน sub-band นจะทำาการเพมคานำาหนกเขาไปในสวนของตวกรอง LL LH และ HL จากนนจะทำาการแปลงกลบเปนภาพทถกขจดผลกระทบของแสงและเงาซงภาพทผานตวกรอง wavelet transform แสดงใน Figure 1 (d)

1.4 Mean filter (MF) Mean filter12 เปนตวกรองอยางงายทจะสรางเทมเพลตขนาด 3x3 มาคำานวณโดยจะนำาพกเซลในภาพใกลเคยงทงหมดมารวมกนแลวหารดวยจำานวนของพกเซลเปนคาเฉลย ภาพใบหนาทผานตวกรองจากคาเฉลยแสดงใน Figure 1 (e)

กลาวมาแลวขางตน ทาใหพบวามการนาวธการในการขจดผลกระทบของแสงมาผสมผสานเพอใหไดประสทธภาพในการรจาใบหนาทดขน จงนามาสงานวจยฉบบนซงจะนาวธการปรบปรงคณภาพของภาพใบหน ามาผสมผสานระหว าง วธ Self quotient image, Mean filter, Weber face แ ล ะ Wavelet Normalization ท ง ส น 3 วธการซงทง 3 วธการนมประสทธภาพในการขจดผลกระทบของแสงและเงาจากภาพใบหนาได เปนอย างดอางองจากงานวจยทกลาวมาแลวขางตน ซงงานวจยน จ ะ น า ม า ผ ส ม ผ ส า น เ พ อ ใ ห ไ ดประสทธภาพทดยง ขน โดยในการขจดผลกระทบของแสงในงานวจย นจะวดประสทธภาพของตวกรองแบบตางๆ ทงแบบเดยวและแบบผสมผสาน ซงในการผสมผสานน จะมการเพมตวกรองทเรยกวา Mean filter โดยตวกรองนนยมใชเพอชวยใหภาพทผานการขจดผลกระทบของแสงแลวนนมคาพกเซลใกลเคยงกบภาพทอยในกลมเดยวกนกอนทจะถกนาไปสกดคณลกษณะ และเพอทดสอบวาจะชวยเพมประสทธภาพของการรจาภาพมากนอยเพยงใด วตถประสงค เพอหาวธการปรบปรงคณภาพของภาพใบหนาทไดผลกระทบของแสงแบบผสมผสานทมประสทธภาพ

ทฤษฎทเกยวของ ในงานวจยฉบบนไดศกษาและนาเอาทฤษฎทางดานการประมวลผลภาพ การจาแนก การสกดคณลกษณะและวดประสทธภาพดงน 2.1 ทฤษฎการปรบปรงคณภาพของภาพถาย ภาพทถกผลกระทบของแสงและเงาจะทาใหภาพบางสวนขาดหายไป ทาใหการจาแนกภาพไมมประสทธภาพมากนก ดงนนจงจาเปนตองมการปรบปรงคณภาพของภาพกอนทจะนาไปจาแนกภาพเพอขจดผลกระทบของแสงและเงาทเกดขนบนภาพ โดย วธ กา รท น ยม ใชก นในการปรบปรงคณภาพของภาพมดงน 2.1.1 Self quotient image (SQI) Self quotient image นาเสนอโดย Wang และคณะ3 มพนฐานมาจากวธการของ Quotient image โดยเปลยนจากการใชภาพหลายๆภาพนามาหารกบภาพตนฉบบ มาเปนนาภาพใบหนาเพยงภาพเดยวคอภาพตนฉบบมาหารดวยภาพตนฉบบเดยวกนแตผานตวกรอง ดงสมการท 1

SQI(�,�) =�(�,�)

�∗�(�,�) (1)

โดยท SQI คอภาพผลหาร(ผลลพธ) 𝐼(�,�) คอภาพตนฉบบ 𝐹 คอตวกรอง ในงานวจยของ Wang และคณะ ไดใชตวกรองแบบ เกาสเซยน ซงแสดงในFigure 1 ซง เปรยบ เทยบระหวางภาพใบหนาตนฉบบ(a)กบภาพใบหนาทผานกระบวนการ Self quotient image แลว(b) 2.1.2 Weber face (WF) Weber face ได ถก นา เสนอโดย Wang และคณะ4 เพอทจะแกปญหาภาพทไดรบผลกระทบของแสง ซงจะเปนการคานวณระหวางคาความเขมของ พกเซล(pixel) และ พกเซล ทอยใกลเคยงจากนนจะคานวณอตราสวนระหวางผลรวมของความแตกตางของคาความเขมกบ พกเซล ปจจบน แสดงในสมการท 2

𝑊(𝑥,𝑦) = 𝑎𝑟𝑐𝑡𝑎𝑛 �𝛼 ∑��,��(�,�)

�(�,�)�,� � (2)

โดยท 𝛼 คอ คาสเกลาร

𝐼(𝑥,𝑦) คอคาพกเซลทอยตรงกลางสาหรบใชคานวณกบพกเซลทอยใกลเคยง

𝐼�𝑥� ,𝑦�� ค อ ค า พ ก เ ซ ลท อ ยใกลเคยงกบพกเซลทอยตรงกลาง

ภาพใบหนาทผานกระบวนการ Weber face แสดงใน Figure 1 (c)

2.1.3 Wavelet transform (WT)

Wavelet transform ไดถกนาเสนอโดย Fan และ คณะ5 ซงไดนามาประยกตใชกบงานประมวลผลภาพโดย ทจาแนกภาพออกเปน sub-band เพอลดผลกระทบทเกดขนบนภาพ โดยจะทาการนาภาพไปแยกผานตวกรองความ ถ ตา (low-pass filter) และตวกรองความถสง (high-pass filters) ซ งจะแยกออกเปน 4 sub-band ดงน LL คอ ความถตาทพบไดเปนสวนมากในภาพตนฉบบ LH และ HL และภาพทผานการหาคาสมประสทธรวมเปน 4 sub-band ในข นตอ นขอ งกา ร แ ป ลง แ ย กออกเปน sub-band นจะทาการเพมคานาหนกเขาไปในสวนของตวกรอง LL LH และ HL จากนนจะทาการแปลงกลบเปนภาพทถกขจดผลกระทบของแสงและเงาซงภาพทผานตวกรอง wavelet transform แสดงใน Figure 1 (d)

2.1.4 Mean filter (MF)

Mean filter12 เปนตวกรองอยางง ายทจะสราง เทมเพลตขนาด 3x3 มาคานวณโดยจะนาพกเซลในภาพใกลเคยงทงหมดมารวมกนแลวหารดวยจานวนของ

(a) (b) (c)

(d) (e)

พกเซลเปนคาเฉลย ภาพใบหนาทผานตวกรองจากคาเฉลยแสดงใน Figure 1 (e)

Figure 1 Original (a) SQI (b) WF(c) WT(d) MF(e)

จาก Figure 1 จดประสงคของตวกรองทใชในการขจดผลกระทบของแสงและเงาบนใบหนานน มหลกการทางานคอ จะทาการคานวณเพอลดคาของพกเซลใหอยในทอยในภาพแตละพกเซลใหมคาตาลง โดยใชสมการในแตละวธการ ซงผลลพธทไดมานนจะเปนภาพทถกขจดในสวนของเงาทบดบงองคประกอบของใบหนาและแสงทสะทอนบนใบหนา โดยจะพยายามทาใหภาพใบหนาทผานกระบวนการนสามารถมองเหนองคประกอบของใบหนา เชน ตา จมก และปาก เปนตน เพอทจะทาการสกดคณลกษณะและนาไปสขนตอนของการรจาใบหนาตอไป จากรปท 1 จะพบวาการขจดผลกระทบของแสงและเงาบนภาพใบหนาทผานตวกรองในแบบตางๆนน มไมเทากน

2. 2 ก า ร ส ก ดค ณ ลก ษ ณะ ( Feature Extraction) Histogram of Oriented Gradient (HOG)6 เปนการสกด คณลกษณะดวยคาความถของทศทางของเกรเดยนท โดยภาพจะถกแบงออกเปนภาพยอย (Block) ขนาด n x n จากนนจะคานวณเพอหาคาเกรเดยนทในแนวแกนนอน Gx และแนวตง Gy ใน ท ก ต าแ หน งขอ งภาพ (x,y) ซ งคานวณไดจากสมการท 3 และ 4 𝐺� = 𝑓(𝑥 + 1, 𝑦) − 𝑓(𝑥 − 1, 𝑦) (3) 𝐺� = 𝑓(𝑥,𝑦 + 1) − 𝑓(𝑥,𝑦 − 1) (4)

จากสมการท 3 และ 4 𝑓(𝑥, 𝑦) คอคาความสวาง ณ ตาแหนง (𝑥,𝑦) จากนนจะค านวณหาค า เกร เดยนท แมก นจทด(Gradient Magnitude) ดวยสมการท 5

𝑀(𝑥, 𝑦) = �𝐺�� + 𝐺�� (5) จากนนจะสรางความถโดยคานวณจากความถของคาทศทางเกรเดยนททปรากฏในแตละภาพยอย โดยคาทศทางของเกรเดยนทจะถกจดเกบลงใน Orientation Bin ตามขนาดทกาหนดไว ซงการคานวณทศทางหามมทศทางของเกรเดยนทคานวณไดจากสมการท 6

θ(𝑥,𝑦) = tan��

(6)

(a) (b) (c)

(d) (e)








(6)

(a) (b) (c)

(d) (e)








(6)

(a) (b) (c)

(d) (e)








(6)

(a) (b) (c)

(d) (e)


จาก Figure 1 จดประสงคของตวกรองทใชในการขจดผลกระทบของแสงและเงาบนใบหนานน มหลกการทำางานคอ จะทำาการคำานวณเพอลดคาของพกเซลใหอยในทอยในภาพแตละพกเซลใหมคาตำาลง โดยใชสมการในแตละวธการ ซงผลลพธทไดมานนจะเปนภาพทถกขจดในสวนของเงาทบดบงองคประกอบของใบหนาและแสงทสะทอนบนใบหนา โดยจะพยายามทำาใหภาพใบหนาทผานกระบวนการนสามารถมองเหนองคประกอบของใบหนา เชน ตา จมก และปาก เปนตน เพอทจะทำาการสกดคณลกษณะและนำาไปส ขนตอนของการรจำาใบหนาตอไป จาก Figure 1 จะพบวาการขจดผลกระทบของแสงและเงาบนภาพใบหนาทผานตวกรองในแบบตางๆ นน มไมเทากน


347

2. การสกดคณลกษณะ (Feature Extraction) Histogram of Oriented Gradient (HOG)6 เปนการสกดคณลกษณะดวยคาความถของทศทางของเกรเดยนท โดยภาพจะถกแบงออกเปนภาพยอย (Block) ขนาด n x n จากนนจะคำานวณเพอหาคาเกรเดยนทในแนวแกนนอน G

x และแนว

ตง Gy ในทกตำาแหนงของภาพ (x,y) ซงคำานวณไดจากสมการ

ท 3 และ 4

Gx = f(x+1, y)-f(x-1, y) (3)

Gx = f(x, y+1)-f(x, y-1) (4)

จากสมการท 3 และ 4 f(x, y) คอคาความสวาง ณ ตำาแหนง (x, y) จากนนจะคำานวณหาคาเกรเดยนทแมกนจทด (Gradient Magnitude) ดวยสมการท 5

(5)

จากนนจะสรางความถโดยคำานวณจากความถของคาทศทางเกรเดยนททปรากฏในแตละภาพยอย โดยคาทศทางของเกรเดยนทจะถกจดเกบลงใน Orientation Bin ตามขนาดทกำาหนดไว ซงการคำานวณทศทางหามมทศทางของเกรเดยนท คำานวณไดจากสมการท 6

(6)

ในการเกบคาความถของทศทางเกรเดยนทจะใชภาพยอยขนาด 3x3 เซล ซงจะประกอบดวยเซลยอยทงหมด 9 เซลในแตละเซลจะมทศทาง 9 ทศทาง แสดงในFigure 2 โดยหลงจากคำานวณทศทางของเกรเดยนทใน Block แลวจะทำาการเลอนไปยงตำาแหนงถดไปจนครบทวทงภาพซงคาทไดจะเปนคาของทศทางเกรเดยนททผานการคำานวณออกมา ซงทศทางทเกรเดยนทชไปนนจะเปนขอบของภาพซงคอเสนตางๆ ในภาพดงนนความถของทศทางเหลานจะระบแทน รปรางของภาพ

จาก Figure 2 จะพบวา ลกศรทศทางเกรเดยนทชไปทางทศใดบางในแตละ Block โดยท จำานวนลกศรทชไปนนมลกศรทชไปทางทศใดบาง มจำานวนเทาใด นนคอ คาความถของทศทางเกรเดยนท ซงจะระบเปนคณลกษณะของภาพ

3. การจำาแนกประเภท (Classification) เปนขนตอนในการจำาแนกขอมลวาอยในหมวดหมประเภทไหน ซงในงานวจยนจะเปนการจำาแนกภาพของใบหนาวาภาพใบหนานเปนของบคคลใด

3.1 วธเพอนบานทใกลทสด K-NN (K-Nearest Neighbour) K-Nearest Neighbour7 เปนวธในการจำาแนกกลมของขอมล โดยจะกำาหนดคา K ซงกคอจำานวนของขอมลทอยใกลกบขอมลทตองการจดกลมโดยการวดระยะหางระหวางขอมล จำานวนของขอมลทอยใกลกบจดทตองการจะจดกลมโดยคดจากคา K เชน หากกำาหนด K=3 ขอมลทอยใกลกบจดขอมลทตองการจะจดกลมทมระยะหางใกลทสด 3 คา ซงการคำานวณระยะหางจะคำานวณโดยการใชสมการวดระยะทาง (Distance function) เชน Euclidean distance8 ซงเปนการหาระยะหางระหวางจด 3 จด p และ q ถา p=( p

1,p

2, …,p

n ) และ

q=(q1,q

2, …,q

n ) ดงนนระยะหาง(Distance) (d) จาก p ไป q

หรอจาก q ไป p จะคำานวณไดตามสมการท 7

(7)

จากสมการท 3 เปนการหา Euclidean distance แบบ 2 มต ซงประกอบไปดวยแกน x และ แกน y ซงนยมใชในการหาระยะหางระหวางขอมลซงม 2 คณลกษณะ แตในงานทขอมลทหลาย คณลกษณะ นนจะใช Euclidean distance แบบ n มต ซงแสดงในสมการท 8

(8)

4. การวดประสทธภาพ Confus ion mat r ix 11 เปนวธการในการวดประสทธภาพของโมเดลทใชในการทำานายการจำาแนกของขอมล เปรยบเทยบกบผลเฉลย แสดงใน Figure 3

(a) (b) (c)

(d) (e)






𝑀(𝑥, 𝑦) = �𝐺�� + 𝐺�� (5) จากนนจะสรางความถโดยคานวณจากความถของคาทศทางเกรเดยนททปรากฏในแตละภาพยอย โดยคาทศทางของเกรเดยนทจะถกจดเกบลงใน Orientation Bin ตามขนาดทกาหนดไว ซงการคานวณทศทางหามมทศทางของเกรเ ดยนทคานวณไดจากสมการท 6


(6)

(a) (b) (c)

(d) (e)






𝑀(𝑥, 𝑦) = �𝐺�� + 𝐺�� (5) จากนนจะสรางความถโดยคานวณจากความถของคาทศทางเกรเดยนททปรากฏในแตละภาพยอย โดยคาทศทางของเกรเดยนทจะถกจดเกบลงใน Orientation Bin ตามขนาดทกาหนดไว ซงการคานวณทศทางหามมทศทางของเกรเ ดยนทคานวณไดจากสมการท 6


(6)

ในการเกบคาความถของทศทางเกรเดยนทจ ะ ใช ภาพยอ ยขนาด 3x3 เซล ซง จะประกอบดวยเซลยอยทงหมด 9 เซลในแตละเซลจะมทศทาง 9 ทศทาง แสดงในFigure 2 โดยหลงจากคานวณทศทางของเกรเดยนทใน Block แลวจะทาการเลอนไปยงตาแหนงถดไปจนครบทวทงภาพซงคาทไดจะเปนคาของทศทางเกรเดยนททผานการคานวณออกมา ซงทศทางทเกรเดยนทช ไปนนจะเปนขอบของภาพซงคอเสนตางๆในภาพดงนนความถของทศทางเหลานจะระบแทนรปรางของภาพ

Figure 2 Simple image with HOG feature6

จ ากFigure 2 จ ะพ บว า ล กศรทศทางเกรเดยนทชไปทางทศใดบางในแตละ Block โดยท จานวนลกศรทชไปนนมลกศรทชไปทางทศใดบาง มจานวนเทาใด นนคอ คาความถของทศทางเกรเดยนท ซงจะระบเปนคณลกษณะของภาพ 2.3 การจาแนกประเภท (Classification) เปนขนตอนในการจาแนกขอมลวาอยในหมวดหมประเภทไหน ซงในงานวจยนจะเปนการจาแนกภาพของใบหนาวาภาพใบหนานเปนของบคคลใด

2.2.1 วธเพอนบานทใกลทสด K-NN (K-Nearest Neighbour) K-Nearest Neighbour7 เปนวธในก า ร จ า แ นก ก ล ม ข อ ง ข อม ล โ ด ยจ ะกาหนดคา K ซงกคอจานวนของขอมลทอยใกลกบขอมลทตองการจดกลมโดยการวดระยะหางระหวางขอมล จานวนของขอมลทอยใกลกบจดทตองการจะจดกลมโดยคดจากคา K เชน หากกาหนด K = 3 ขอมลทอยใกลกบจดขอมลทตองการจะจดกลมทมระยะหางใกลทสด 3 คา ซงการคานวณระยะหางจะคานวณโดยการใชสมการวดร ะ ย ะ ท า ง ( Distance function) เ ช น Euclidean distance8 ซ ง เ ป น ก า ร ห าระยะหางระหวางจด 3 จด p และ q ถา p = ( p1,p2, … ,pn ) แ ละ q = (q1,q2, … ,qn ) ดงนนระยะหาง(Distance) (d) จาก p ไป q หรอจาก q ไป p จะคานวณไดตามสมการท 7 𝑑(𝑝,𝑞) = �(𝑞� − 𝑝�)�+(𝑞� − 𝑝�)� (7)

จ า ก ส ม กา ร ท 3 เ ป น ก า ร หา Euclidean distance แ บ บ 2 ม ต ซ งประกอบไปดวยแกน x และ แกน y ซงนยมใชในการหาระยะหางระหวางขอมลซงม 2 คณลกษณะ แตในงานทขอมลทหลาย คณลกษณะ นนจะใช Euclidean distance แบบ n มต ซงแสดงในสมการท 8

ในการเกบคาความถของทศทางเกรเดยนทจ ะ ใช ภาพยอ ยขนาด 3x3 เซล ซง จะประกอบดวยเซลยอยทงหมด 9 เซลในแตละเซลจะมทศทาง 9 ทศทาง แสดงในFigure 2 โดยหลงจากคานวณทศทางของเกรเดยนทใน Block แลวจะทาการเลอนไปยงตาแหนงถดไปจนครบทวทงภาพซงคาทไดจะเปนคาของทศทางเกรเดยนททผานการคานวณออกมา ซงทศทางทเกรเดยนทช ไปนนจะเปนขอบของภาพซงคอเสนตางๆในภาพดงนนความถของทศทางเหลานจะระบแทนรปรางของภาพ


จ ากFigure 2 จ ะพ บว า ล กศรทศทางเกรเดยนทชไปทางทศใดบางในแตละ Block โดยท จานวนลกศรทชไปนนมลกศรทชไปทางทศใดบาง มจานวนเทาใด นนคอ คาความถของทศทางเกรเดยนท ซงจะระบเปนคณลกษณะของภาพ 2.3 การจาแนกประเภท (Classification) เปนขนตอนในการจาแนกขอมลวาอยในหมวดหมประเภทไหน ซงในงานวจยนจะเปนการจาแนกภาพของใบหนาวาภาพใบหนานเปนของบคคลใด

2.2.1 วธเพอนบานทใกลทสด K-NN (K-Nearest Neighbour) K-Nearest Neighbour7 เปนวธในก า ร จ า แ นก ก ล ม ข อ ง ข อม ล โ ด ยจ ะกาหนดคา K ซงกคอจานวนของขอมลทอยใกลกบขอมลทตองการจดกลมโดยการวดระยะหางระหวางขอมล จานวนของขอมลทอยใกลกบจดทตองการจะจดกลมโดยคดจากคา K เชน หากกาหนด K = 3 ขอมลทอยใกลกบจดขอมลทตองการจะจดกลมทมระยะหางใกลทสด 3 คา ซงการคานวณระยะหางจะคานวณโดยการใชสมการวดร ะ ย ะ ท า ง ( Distance function) เ ช น Euclidean distance8 ซ ง เ ป น ก า ร ห าระยะหางระหวางจด 3 จด p และ q ถา p = ( p1,p2, … ,pn ) แ ละ q = (q1,q2, … ,qn ) ดงนนระยะหาง(Distance) (d) จาก p ไป q หรอจาก q ไป p จะคานวณไดตามสมการท 7 𝑑(𝑝,𝑞) = �(𝑞� − 𝑝�)�+(𝑞� − 𝑝�)� (7)

จ า ก ส ม กา ร ท 3 เ ป น ก า ร หา Euclidean distance แ บ บ 2 ม ต ซ งประกอบไปดวยแกน x และ แกน y ซงนยมใชในการหาระยะหางระหวางขอมลซงม 2 คณลกษณะ แตในงานทขอมลทหลาย คณลกษณะ นนจะใช Euclidean distance แบบ n มต ซงแสดงในสมการท 8


𝑑(𝑝, 𝑞) = �(𝑞� − 𝑝�)� + (𝑞� − 𝑝�)� + ⋯+ (𝑞� − 𝑝�)� (8)

2.4 การวดประสทธภาพ Confusion matrix11 เปนวธการในการวดประสทธภาพของโมเดลทใชในการทานายการจาแนกของขอมล เปรยบเทยบกบผลเฉลย แสดงใน Figure 3 Prediction class

Actual class

Class = Yes Class = No

Class = Yes TP FP Class = No FN TN

Figure 3 Confusion matrix

จาก Figure 3 TP(True Positive) คอ จานวนขอมลททานายถกวาเปนคลาสทสนใจ FP(False Positive) คอจานวนขอมลททานายผดวาเปนคลาสทสนใจ FN(False Negative) คอจานวนขอมลททานายผดมาเปนคลาสทไมสนใจ TN(True Negative) คอจานวนขอมลททานายถกมาเปนคลาสทไมสนใจ Recall หรอคาการระลก คอคาทโปรแกรมทานายไดวาจรงมอตราสวนเทาไหรของจรงทงหมด คานวณไดจากสมการท 9

𝑅𝑒𝑐𝑎𝑙𝑙 = ��

(9)

Specificity ค อ ค า ท โ ป รแ กร มทานายผด เปนอตราสวนเทาไหรของสวนททานายไดจรง คานวณไดจากสมการท 10

𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = ��

(10) Precision ค อ ค า ท โ ป ร แ ก ร มทานายวาจรงถกตองเทาไหร คานวณไดจากสมการท 11

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = ��

(11) Accuracy คอ คาทบอกวามการทานายขอมลถกตอง และมคาความแมนยาเทาไหร คานวณไดจากสมการท 12 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (��)

(��) (12)

3.วธการวจย 3.1 ขอมลทใชในการวจย ขอมลทใชในงานวจยนเปนขอมลจาก ฐานขอมล Yale B database15 ซงประกอบดวยภาพใบหนาของบคคล 38 คนซงแตละคนประกอบดวยภาพใบหนาทอยในสภาวะของแสงตางๆทตกกระทบบนใบหนา 64 แบบ รวมทงสน 2,432 ภาพและ เปนภาพท ตดมาเฉพาะสวนของใบหนา ในงานวจยนไดแบงภาพใบหนาออกเปน ชดฝกสอน 1 ชดและชดทดสอบ


Prediction class

Actualclass

Class=Yes Class=No

Class=Yes TP FP

Class=No FN TN


จาก Figure 3 TP (True Positive) คอ จำานวนขอมลททำานายถกวาเปนคลาสทสนใจ FP (False Positive) คอจำานวนขอมลททำานายผดวาเปนคลาสทสนใจ FN (False Nega-tive) คอจำานวนขอมลททำานายผดมาเปนคลาสทไมสนใจ TN (True Negative) คอจำานวนขอมลททำานายถกมาเปนคลาสทไมสนใจ

Recall หรอคาการระลก คอคาทโปรแกรมทำานายไดวาจรงมอตราสวนเทาไหรของจรงทงหมด คำานวณไดจากสมการท 9

(9)

Specificity คอ คาทโปรแกรมทำานายผด เปนอตราสวนเทาไหรของสวนททำานายไดจรง คำานวณไดจากสมการท 10

(10)

Precision คอ คาทโปรแกรมทำานายวาจรงถกตองเทาไหร คำานวณไดจากสมการท 11

(11)

Accuracy คอ คาทบอกวามการทำานายขอมลถกตอง และมคาความแมนยำาเทาไหร คำานวณไดจากสมการท 12

(12)

วธการวจย1. ขอมลทใชในการวจย ขอมลทใชในงานวจยนเปนขอมลจาก ฐานขอมล Yale B database15 ซงประกอบดวยภาพใบหนาของบคคล 38 คนซงแตละคนประกอบดวยภาพใบหนาทอยในสภาวะของแสงตางๆ ทตกกระทบบนใบหนา 64 แบบ รวมทงสน 2,432

ภาพและ เปนภาพทตดมาเฉพาะสวนของใบหนา ในงานวจยนไดแบงภาพใบหนาออกเปน ชดฝกสอน 1 ชดและชดทดสอบ 4 ชดตามมมของแสงทตกกระทบบนภาพใบหนาดงน

1) ชดฝกสอนจะใชภาพใบหนาทแสงตกกระทบในมมท 0° ถง 10° มจำานวน 532 ภาพแสดงดงภาพตวอยางใน Figure 4

𝑑(𝑝, 𝑞) = �(𝑞� − 𝑝�)� + (𝑞� − 𝑝�)� + ⋯+ (𝑞� − 𝑝�)� (8)


Actual class






(9)






(��) (12)


𝑑(𝑝, 𝑞) = �(𝑞� − 𝑝�)� + (𝑞� − 𝑝�)� + ⋯+ (𝑞� − 𝑝�)� (8)


Actual class






(9)






(��) (12)


𝑑(𝑝, 𝑞) = �(𝑞� − 𝑝�)� + (𝑞� − 𝑝�)� + ⋯+ (𝑞� − 𝑝�)� (8)


Actual class






(9)






(��) (12)


𝑑(𝑝, 𝑞) = �(𝑞� − 𝑝�)� + (𝑞� − 𝑝�)� + ⋯+ (𝑞� − 𝑝�)� (8)


Actual class






(9)






(��) (12)


4 ชดตามมมของแสงทตกกระทบบนภาพใบหนาดงน 1) ชดฝกสอนจะใชภาพใบหนาทแสงตกกระทบในมมท 0° ถง 10° มจานวน 532 ภาพแสดงดงภาพตวอยางในFigure 4

Figure 4 Train dataset 2) ชดทดสอบจะใชภาพทแสงตกกระทบบนภาพใบหนาทอยในมมตงแต 15° ถง 130° แบงออกเปน 4 ชดตามองศาดงน ชดท 1 (15° ถง 25°) มจานวนภาพใบหนา 380 ภาพ ชดท 2 (35° ถง 60°) มจานวนภาพใบหนา 608 ภาพ ชดท 3 (70° ถง 95) มจานวนภาพใบหนา 456 ภาพ และชดท 4 (110° ถง 130°) มจานวนภาพใบหนา 456 ภาพซงไดแสดงตวอยางภาพใบหนาของแตละชดทดสอบไวใน Figure 5-8

Figure 5 Test dataset 1



Figure 8 Test dataset 4 3.2 ขนตอนการวจย กรอบการวจยนแสดงในรปท 9 ซงจะนาภาพแตละชดขอมลทงชดฝกสอนและชดทดสอบไปผานกระบวนการปรบปรงคณภาพดวยตวกรองในแตละวธการ ซงรวมทงสน 9 กระบวนการ โดยแบงออกเปนวธทใชตวกรองแบบเดยว 3 วธไดแก SQI , WT แ ละ WF สวน ใน ขนตอนของการผสมผสานนน ในกรณท ใช วธการผสมระหวาง SQI ,WT หรอ WF จะเรมจากวธการทใชในการปรบปรงคณภาพของ







Figure 4 Train dataset

2) ชดทดสอบจะใชภาพทแสงตกกระทบบนภาพใบหนาทอยในมมตงแต 15° ถง 130° แบงออกเปน 4 ชดตามองศาดงน ชดท 1 (15° ถง 25°) มจำานวนภาพใบหนา 380 ภาพ ชดท 2 (35° ถง 60°) มจำานวนภาพใบหนา 608 ภาพ ชดท 3 (70° ถง 95) มจำานวนภาพใบหนา 456 ภาพ และชดท 4 (110° ถง 130°) มจำานวนภาพใบหนา 456 ภาพซงไดแสดงตวอยางภาพใบหนาของแตละชดทดสอบไวใน Figure 5-8



349

2. ขนตอนการวจย กรอบการวจยนแสดงใน Figure 9 ซงจะนำาภาพแตละชดขอมลทงชดฝกสอนและชดทดสอบไปผานกระบวนการปรบปรงคณภาพดวยตวกรองในแตละวธการ ซงรวมทงสน 9 กระบวนการ โดยแบงออกเปนวธทใชตวกรองแบบเดยว 3 วธไดแก SQI, WT และ WF สวนในขนตอนของการผสมผสานนน ในกรณทใชวธการผสมระหวาง SQI,WT หรอ WF จะเรมจากวธการทใชในการปรบปรงคณภาพของภาพใบหนา แลวภาพทผานกระบวนการนนมการเปลยนแปลงนอยทสด กลาวคอ จะนำากระบวนการทเปลยนแปลงคาพกเซลนอยทสดเรมขจดผลกระทบกอน จากนนจะนำาไปผานกระบวนการทมการเปลยนแปลงคาพกเซลมากทสด ยกเวนในสวนของ Mean filter ทจะใชในขนตอนสดทายในการผสมผสานเพอทดสอบวาจะมการเพมประสทธภาพมากขนหรอไม และในกระบวนการสดทายจะเปนการนำาทกกระบวนการมาผสมผสานกน โดยเรมกระบวนการททำาใหคาพกเซลเปลยนแปลงนอยทสด โดยในทนจะเรมจากกระบวนการ WT ซงมการเปลยนแปลงคาพกเซลนอยทสด ซงเมอรวมทงหมดแลว ในงานวจยนจะมกระบวนการทใชทงหมด 9 กระบวนการ

กระบวนการท 1 SQI คอการนำาภาพชดฝกสอนและชดทดสอบไปผานกระบวนการปรบปรงคณภาพของภาพดวยวธการ SQI

กระบวนการท 2 SQI+MF คอการนำาภาพชดฝกสอนและชดทดสอบไปผานกระบวนการปรบปรงคณภาพของภาพดวย Self quotient image จากนนนำาไปผานกระบวนการ Mean filter

กระบวนการท 3 WT คอการนำาภาพชดฝกสอนและชดทดสอบไปผานกระบวนการปรบปรงคณภาพของภาพดวยวธการ Wavelet transform

กระบวนการท 4 WF คอกระบวนการนำาภาพชดฝกสอนและชดทดสอบไปผานการปรบปรงคณภาพของภาพดวยวธการ Weber face

กระบวนการท 5 WT+SQI คอกระบวนการนำาภาพชดฝกสอนและชดทดสอบไปผานการปรบปรงคณภาพของภาพดวยวธการ Wavelet transform จากนนจะนำาไปผานกระบวนการ Self quotient image

กระบวนการท 6 WF+SQI คอกระบวนการนำาภาพชดฝกสอนและชดทดสอบไปผานการปรบปรงคณภาพของภาพดวยวธการ Weber face จากนนจะนำาไปผานกระบวนการ Self quotient image

กระบวนการท 7 WT+SQI+MF คอกระบวนการนำาภาพชดฝกสอนและชดทดสอบไปผานการปรบปรงคณภาพของภาพดวยวธการ Wavelet transform จากนนจะนำาไปผาน























กระบวนการ Self quotient image และนำาไปผานกระบวนการ Mean filter

กระบวนการท 8 WF+SQI+MF คอกระบวนการนำาภาพชดฝกสอนและชดทดสอบไปผานการปรบปรงคณภาพของภาพดวยวธการ Weber face จากนนจะนำาไปผานกระบวนการ Self quotient image และนำาไปผานกระบวนการ Mean filter

กระบวนการท 9 จะเปนการนำาตวกรองทงหมดมาใชรวมกน โดยเรมจากนำาภาพมาผานตวกรอง Wavelet transform จากนนจะนำาไปผานกระบวนการ Weber face แลวนำาไปผานกระบวนการ Self Quotient Image และสดทายนำาไปผานกระบวนการ Mean filter ตามลำาดบ

หลงจากทผานกระบวนการตางๆ 9 วธการแลวจะ

Yale B Database

Train set Test set

SQI

MF

WT WF

SQI SQI

MF MF

Histogram of Oriented Gradient (HOG)

K-Nearest Neighbour (KNN)

Compare

WT

SQI

WF

MF

SQI WT WF

MF SQI SQI

MF MF

WT

SQI

WF

MF

Confusion matrix

Figure 9 Flowchart

ทำาการสกดคณลกษณะของขอมลในแตละกระบวนการดวยวธการ หาคาความถของทศทางตามคาเกรเดยนท และจะนำาชดฝกสอนและชดทดสอบทผานกระบวนการแตละกระบวนการ มาจำาแนกโดยใชวธการ KNN กำาหนดคา K=5 เมอไดผลลพธการทำานายแลวจะนำาไปเปรยบเทยบกบผลเฉลยเพอวดประสทธภาพโดยใช Confusion matrix ในงานวจยนจะใชคาความแมนยำาเปนเกณฑซงในงานวจยเกยวกบการรจำาใบหนา จะใชคำาวา “ประสทธภาพในรจำาใบหนา” (Face recognition rate)ในการวดประสทธภาพของตวกรองแบบตางๆ และจะทำาการวดประสทธภาพและเปรยบเทยบกนระหวางขอมลในชดเดยวกนวาในแตละชดขอมล ตวกรองทใชวธการใดมประสทธภาพมากทสดและหาคาเฉลยของประสทธภาพในแตละวธการวาวธการใดมประสทธภาพมากทสด ซงกรอบการวจยในงานวจยนแสดงใน Figure 9

Figure 9 Flowchart


351

ผลการวจยการปรบปรงคณภาพใบหนา ภาพใบหนาทผานกระบวนการในการขจดสงรบกวนซงในงานวจยนคอสวนของภาพใบหนาทเกดเงาบนภาพ ทำาใหบางสวนของภาพใบหนาหายไป และสวนของภาพใบหนาทเกดการสะทอนของแสงทำาใหบางสวนของภาพใบหนาหายไปเชนกน โดยวธการทนำามาใชในการทดลองนสามารถขจดผลกระทบในสวนนออกไปได ซงตวอยางทเหนไดชดคอในสวนของภาพใบหนาทอยในมมของแสงทตกกระทบบนภาพใบหนาท 110° ขนไป ซงภาพนนไดถกบดบงดวยเงาทำาใหภาพใบหนาทปรากฏนนมสวนประกอบของใบหนาไมชดเจน ซงในรปทแสดงตวอยางของภาพใบหนาในขอมลชดทดสอบท 4 จะแสดงใน Figure 10-12 จะเปนการเปรยบเทยบของภาพใบหนาตนฉบบทถกผลกระทบของแสงและเงาเปนอยางมากกบภาพใบหนาทผานการขจดผลกระทบของแสงและเงาดวยวธการ Self quotient image, Wavelet transform และ Weber face

จากนนไดทำาการวดประสทธภาพของโมเดลโดยการใช Confusion matrix ซงผลการทดลองแสดงใน Table 1 และไดทำาการวดประสทธภาพดานเวลาในกระบวนการของการทดลองในชดขอมลตางๆ ตงแตขนตอนในการสกดคณลกษณะไปจนถงการจำาแนกภาพใบหนา และแสดงผลใน Table 2 และภาพใบหนาทผานกระบวนการปรบปรงคณภาพของใบหนาใน 8 ขนตอน แสดงตวอยางใน Figure 13 โดยการเปนการแสดงตวอยางของภาพใบหนาในชดขอมลทดสอบตงแต 1 ถง 4 โดยจะแสดงความแตกตางของผลลพธของ ภาพใบหนาทผานตวกรองแตละตว

4.ผลการวจยการปรบปรงคณภาพใบหนา ภาพใบหนาทผานกระบวนการในการขจดสงรบกวนซงในงานวจยนคอสวนของภาพใบหนาทเกดเงาบนภาพ ทาใหบางสวนของภาพใบหนาหายไป และสวนของภาพใบหนาทเกดการสะทอนของแสงทาใหบางสวนของภาพใบหนาหายไปเชนกน โดยวธการทนามาใชในการทดลองนสามารถขจดผลกระทบในสวนนออกไปได ซงตวอยางทเหนไดชดคอในสวนของภาพใบหนาทอยในมมของแสงทตกกระทบบนภาพใบหนาท 110° ขนไป ซงภาพนนไดถกบดบงดวยเงาทาใหภาพใบหนาทปรากฏนนมสวนประกอบของใบหนาไมชดเจน ซงในรปทแสดงตวอยางของภาพใบหนาในขอมลชดทดสอบท 4 จะแสดงในFigure 10-12 จะเปนการเปรยบเทยบของภาพใบหนาตนฉบบทถกผลกระทบของแสงและเงาเปนอยางมากกบภาพใบหนาทผานการขจดผลกระทบของแสงและเงาดวยวธการ Self quotient image, Wavelet transform และ Weber face

Figure 10 Self quotient image

Figure 11 Wavelet transform

Figure 12 Weber face จากนนไดทาการวดประสทธภาพของโมเดลโดยการใช Confusion matrix ซงผล การทดลองแสดงในตารางท 1 และไดทาการวดประสทธภาพดานเวลาในกระบวนการของการทดลองในชดขอมลตางๆตงแตขนตอนในการสกดคณลกษณะไปจนถงการจาแนกภาพใบหนา และแสดงผลในตารางท 2 และภาพใบหนาทผานกระบวนการปรบปรงคณภาพของใบหนาใน 8 ขนตอน แสดงตวอยางในรปท 13 โดยการเปนการแสดงตวอยางของภาพใบหนาในชดขอมลทดสอบตงแต 1 ถง 4 โดยจะแสดงความแตกตางของผลลพธของภาพใบหนาทผานตวกรองแตละตว











Figure 12 Weber face

Table 1 Face recognition rate

Algorithm Test dataset 1 Test dataset 2 Test dataset 3 Test dataset 4 Average Percentage

SQI 99.49 98.35 94.95 91.22 96.00 %

SQI+MF 99.47 97.57 97.63 98.36 98.38 %

WT 99.76 96.87 88.15 81.57 91.58 %

WF 100 98.51 96.71 94.29 97.37 %

WT+SQI 99.49 98.19 96.71 96.05 97.61 %

WF+SQI 100 98.42 95.61 93.90 96.98 %

WT+SQI+MF 99.49 99.83 98.24 99.78 99.33 %

WF+SQI+MF 100 99.28 98.34 100 99.40 %

WT+WF+SQI+MF 100 99.25 98.31 100 99.39 %


Original image Filter 1 Filter 2 Filter 3 Filter 4 Filter 5 Filter 6 Filter 7 Filter 8 Filter 9 Train set SQI SQI+MF WT WF WT+SQI WF+SQI WT+SQI+MF WF+SQI+MF WT+WF+SQU+NF

Test set 1

Test set 2

Test set 3

Test set 4

Figure 13 Original face images and images with improvement filter algorithm

Table 2 Time rate

Algorithm Test dataset 1 Test dataset 2 Test dataset 3 Test dataset 4 Average Seconds

SQI 305.25 470.96 337.7 324.64 359.61 Seconds

SQI+MF 306.25 496.39 347.44 373.29 380.84 Seconds

WT 14.37 24.32 17.07 17.36 18.28 Seconds

WF 76.43 123.7 91.52 90.6 95.56 Seconds

WT+SQI 422.44 413.61 435.53 374.51 411.52 Seconds

WF+SQI 318.61 500.9 377.01 373.66 392.54 Seconds

WT+SQI+MF 442.67 464.18 448.63 392.61 437.02 Seconds

WF+SQI+MF 325.57 523.07 392.25 390.07 407.74 Seconds

WT+WF+SQI+MF 350.18 565.11 430.13 453.58 449.75 Seconds

Figure 13 Original face images and images with improvement filter algorithm


353

วจารณ สรปผลการทดลอง และงานทจะทำาในอนาคต (Future work) ในงานวจยนไดใชตวกรอง 3 วธการเพอขจดผลกระทบของแสงและเงาทเกดขนบนภาพใบหนา ไดแกตวกรอง Self Quotient Image, Wavelet transforms และ Weber face โดยไดทดลองทงแบบเดยวและแบบผสมสานเพอทดสอบวาเมอใชตวกรองหลายชนดรวมกนแลว ประสทธภาพในการรจำาใบหนานนเพมขนหรอไม จากผลการทดลองในงานวจยน สามารถสรปผลได ดงน

1. จากตวกรองทง 3 วธการนนเมอใชเพยงวธการเดยว ตวกรองทมประสทธภาพสงทสด ไดแก Weber face ซงมคาความแมนยำาเฉลยอยท 97.37% และตวกรองทมประสทธภาพตำาทสดคอ Wavelet transform ซงมคาเฉลยอยท 91.58%

2. เมอทำาการใชตวกรอง 2 วธการรวมกน ตวกรองทมประสทธภาพสงทสดไดแก Wavelet transform + Self Quotient Image มคาความแมนยำาเฉลยอยท 97.61

3. Mean filter สามารถชวยเพมประสทธภาพใหกบการรจำาภาพใบหนาได เนองจากหลงจากทภาพใบหนาไดผานตวกรองเพอขจดผลกระทบของแสงและเงาแลว Mean filter คอ วธการทจะทำาใหภาพทอยเปนบคคลคนเดยวกนนนมลกษณะใกลเคยงกนมากขน กลาวคอ Mean filter จะทำาการเฉลยคาพกเซลทอยในภาพ ซงหากภาพทไดนนเปนภาพทมคณลกษณะเปนบคคลเดยวกนแลว คาเฉลยของพกเซลทอยในภาพกจะใกลเคยงกน เมอทำาการสกดคณลกษณะ กจะไดคณลกษณะของภาพทใกลเคยงกน

4. ตวกรองทมประสทธภาพทสดเมอทำาการผสมผสานตวกรองหลายวธการเขาดวยกน พบวาตวกรองทใหประสงทสดนนคอตวกรองททำาการผสมผสานระหวาง Weber face + Self Quotient Image + Mean filter โดยใหคาความแมนยำาอยท 99.40% ซงตางจากการผสมผสานระหวาง Wavelet transform + Self Quotient Image + Mean filter อยเพยง 0.07%และแตกตางจากการใชตวกรองทกวธการรวมกนทงหมดเพยง 0.01%

5. ทางดานเวลาทใชในแตละกระบวนการนน มความแตกตางกนอยางชดเจน ในการจดเวลาในแตละกระบวนการนนจะเรมตงแตการนำาภาพไปผานตวกรองชนดตางๆ เพอสกดคณลกษณะไปจนถงขนตอนของการจำาแนกโดยใช KNN ซงตวกรองทใชเวลานอยทสดเมอใชเพยงวธการเดยวไดแก Wavelet transform โดยใชเวลาเฉลยอยท 18.28 วนาท สวนตวกรองทไดทำาการผสมผสานกนแลวใชเวลาในนอยทสดไดแก ตวกรอง ทผสมผสานระหวาง Weber face + Self Quotient Image + Mean filter โดยใชเวลาอยท 407.75 วนาท ซงแตกตางจาก

ตวกรองทใชทกวธการรวมกนอยท 42.01 วนาท โดยทในการทดลองน ทางผวจยไดใชโปรแกรม Matlab เวอรชน R2014a ในการทดลอง และคอมพวเตอรทใชในการทดลองนนเปนคอมพวเตอร RAM 8 GB และ CPU Intel CORE I7 ในการทดลองจบเวลา

6. การนำาไปใชงานนน หากตองการความรวดเรวควรใชวธการ Wavelet transform ซงใชเวลานอยในการประมวลผล แตถาตองการประสทธภาพ ควรใชวธการผสมผสานระหวาง Weber face + Self Quotient Image + Mean filter ซงใหประสทธภาพสงทสดในการทดลองน

7. ในงานวจยนเปนการรจำาใบหนาในภาพซงภาพทใชเปนภาพนง ไมมการตรวจจบ(Detect) ในสวนทเปนใบหนา ดงนนงานทจะทำาตออาจเปนการรจำาใบหนาจากภาพเคลอนไหว (Real time Face recognition) ซงจะมเรองของเวลาในการประมวลผลเขามาเกยวของ ดงนนอาจจะตองใชตวกรองทใชเวลาในการประมวลผลนอยและไดประสทธภาพมาก และการสกดคณลกษณะทเหมาะสม

เอกสารอางอง1. Tretiak O, Eisenstein B. Separator functions for

homomorphic filtering. IEEE Transactions on Acoustics, Speech, and Signal Processing. 1976 Oct ; 24(5): 359–64.

2. Pan H, Xia SY, Jin LZ, Xia LZ. Illumination invariant face recognition based on improved Local Binary Pattern. In: Proceedings of the 30th Chinese Control Conference. 2011: 3268–72.

3. Wang H, Li SZ, Wang Y. Face recognition under varying lighting conditions using self quotient image. In: Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004 Proceedings. 2004: 819–24.

4. Wang B, Li W, Yang W, Liao Q. Illumination Normal-ization Based on Weber’s Law With Application to Face Recognition. IEEE Signal Processing Letters. 2011 Aug ; 18(8): 462–5.

5. Ghiass RS, Sadati N. Multi-view face detection and recognition under variable lighting using fuzzy logic. In: 2008 International Conference on Wavelet Analysis and Pattern Recognition. 2008: 74–9.

6. Shu C, Ding X, Fang C. Histogram of the oriented gradient for face recognition. Tsinghua Science and Technology. 2011 Apr ; 16(2): 216–24.


7. Alotaibi S, Alharbi N, Kurdi H. Face recognition under varying illumination based on homomorphic filter and local binary patterns. In: 2017 Intelligent Systems Conference (IntelliSys). 2017: 585–91.

8. Euclidean distance. In: Wikipedia [Internet]. 2018. Available from: https://en.wikipedia.org/w/index.php?title=Euclidean_distance&oldid=847686821.

9. Abbas EI, Safi ME, Rijab KS. Face recognition rate using different classifier methods based on PCA. In: 2017 International Conference on Current Research in Computer Science and Information Technology (ICCIT). 2017: 37–40.

10. Jung C, Yin J. SQI-based illumination normalization for face recognition based on discrete wavelet transform. In: 2016 IEEE International Conference on Image Processing (ICIP). 2016: 1664–8.

11. Susmaga R. Confusion Matrix Visualization. In: Intelligent Information Processing and Web Mining [Internet]. Springer, Berlin, Heidelberg ; 2004 [cited 2019 Sep 5]: 107–16. (Advances in Soft Computing). Available from: https://link.springer.com/chapter/10.1007/978-3-540-39985-8_12.

12. Vallepalli SS, Rajendran MM. Image De-noising using mean pixel algorithms corrupted with photocopier noise. In: 2012 19th International Conference on Systems, Signals and Image Processing (IWSSIP). 2012: 530–5.

13. Wang J, Wu L, He X, Tian J. A New Method of Illumination Invariant Face Recognition. In: Second International Conference on Innovative Computing, Information and Control (ICICIC 2007). 2007: 139–139.

14. Pan H, Xia SY, Jin LZ, Xia LZ. Illumination invariant face recognition based on improved Local Binary Pattern. In: Proceedings of the 30th Chinese Control Conference. 2011: 3268–72.

15. Georghiades, A. “Yale face database.” Center for computational Vision and Control at Yale University. http://cvc.cs.yale.edu/cvc/projects/yalefaces/ yalefaces.html (2002).

คำาแนะนำาสำาหรบผนพนธ

วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม กำาหนดพมพปละ 6 ฉบบ ฉบบท 1 (มกราคม- กมภาพนธ) ฉบบท 2 (มนาคม-เมษายน) ฉบบท 3 (พฤษภาคม-มถนายน) ฉบบท 4 (กรกฎาคม-สงหาคม) ฉบบท 5 (กนยายน- ตลาคม) ฉบบท 6 (พฤศจกายน-ธนวาคม) ผนพนธทกทานสามารถสงเรองมาพมพได โดยไมตองเปนสมาชกและไมจำาเปนตองสงกดมหาวทยาลยมหาสารคาม ผลงานทไดรบการพจารณาในวารสารจะตองมสาระทนาสนใจ เปนงานททบทวนความรเดมหรอองคความรใหมททนสมย รวมทงขอคดเหนทางวชาการทเปนประโยชนตอผอาน และจะตองเปนงานทไมเคยถกนำาไปตพมพเผยแพรในวารสารอนมากอน และไมอยในระหวางพจารณาลงพมพในวารสารใด บทความอาจถกดดแปลง แกไข เนอหา รปแบบ และสำานวน ตามทกองบรรณาธการเหนสมควร ทงน เพอใหวารสารมคณภาพในระดบมาตรฐานสากลและนำาไปอางองได

การเตรยมตนฉบบ 1. ตนฉบบพมพเปนภาษาไทยหรอภาษาองกฤษกได แตละเรองจะตองมบทคดยอ ทงภาษาไทยและภาษาองกฤษ การใชภาษาไทยใหยดหลกการใชคำาศพทการเขยนทบศพทภาษาองกฤษตามหลกของราชบณฑตยสถาน ใหหลกเลยงการเขยนภาษาองกฤษปนภาษาไทยในขอความ ยกเวนกรณจำาเปน เชน ศพททางวชาการทไมมทางแปล หรอคำาทใชแลวทำาใหเขาใจงายขน คำาศพทภาษาองกฤษทเขยนเปนภาษาไทยใหใชตวเลกทงหมด ยกเวนชอเฉพาะ สำาหรบตนฉบบภาษาองกฤษ ควรไดรบความตรวจสอบทถกตองดานการใชภาษาจากผเชยวชาญดานภาษาองกฤษกอน

2. ขนาดของตนฉบบ ใชกระดาษขนาด A4 (8.5x11 นว) และพมพโดยเวนระยะหางจากขอบกระดาษดานละ 1 นว จดเปน 2 คอลมน

3. ชนดของขนาดตวอกษร ทงภาษาไทยและภาษาองกฤษใหใชตวอกษร Browallia New

3.1 ชอเรองใหใชอกษรขนาด 18 pt. ตวหนา

3.2 ชอผนพนธใชอกษรขนาด 16 pt. ตวปกต

3.3 หวขอหลกใชอกษรขนาด 16 pt. ตวหนา

3.4 หวขอรองใชอกษรขนาด 14 pt. ตวหนา

3.5 บทคดยอและเนอหาใชตวอกษรขนาด 14 pt. ตวบาง

3.6 เชงอรรถอยหนาแรกทเปนรายละเอยดชอตำาแหนงทางวชาการ และทอยของผนพนธใชอกษรขนาด 12 pt. ตวบาง และใส Corresponding author

4. การพมพตนฉบบ ผเสนองานจะตองพมพสงตนฉบบในรปแบบของแฟมขอมลตอไปน อยางใดอยางหนง ไดแก ".doc" (MS Word) หรอ ".rft" (Rich Text)

5. จำานวนหนา ความยาวของบทความไมควรเกน 12 หนา รวมตาราง รป ภาพ และเอกสารอางอง

6. จำานวนเอกสารอางองไมเกน 2 หนา

7. รปแบบการเขยนตนฉบบ แบงเปน 2 ประเภท ไดแก ประเภทบทความรายงานผลวจยหรอบทความวจย (research article) และบทความจากการทบทวนเอกสารวจยทผอนทำาเอาไว หรอบทความทางวชาการ หรอบทความทวไป หรอบทความปรทศน (review article)

8. การสงบทความ สง online ระบบ Thai Jo สามารถเขาไปดรายละเอยดท www.journal.msu.ac.th

9. หากจดรปแบบไมถกตองทางวารสารจะไมพจารณาผลงาน

บทความวจย/บทความวชาการ ใหเรยงลำาาดบหวขอดงน ชอเรอง (Title) ควรสน กะทดรด และสอเปาหมายหลงของงานวจย ไมใชคำายอ ความยาวไมเกน 100 ตวอกษร ชอเรองใหมทงภาษาไทยและภาษาองกฤษ

ชอผนพนธ [Author(s)] และทอย ใหมทงภาษาไทยและภาษาองกฤษ และระบตำาแหนงทางวชาการ หนวยงาน หรอสถาบนทสงกด และ E-mail address ของผนพนธไวเปนเชงอรรถของหนาแรก เพอกองบรรณาธการสามารถตดตอได บทคดยอ (Abstract) เปนการยอเนอความงานวจยทงเรองใหสน และมเนอหาครบถวนตามเรองเดม มทงภาษาไทยและภาษาองกฤษ ความยาวไมเกน 300 คำา หรอไมเกน 10 บรรทด และไมควรใชคำายอ

คำาสำาคญ (Keywords) ใหระบไวทายบทคดยอของแตละภาษาประมาณ 4-5 คำาสน ๆ

บทนำา (Introduction) เปนสวนเรมตนของเนอหา ทบอกความเปนมา เหตผล และวตถประสงค ทนำาไปสงานวจยน ใหขอมลทางวชาการทเกยวของจากการตรวจสอบเอกสารประกอบ

วสดอปกรณและวธการศกษา (Materials and Methods) ใหระบรายละเอยด วน เดอน ปททำาทดลอง วสดอปกรณ สงทนำามาศกษา จำานวน ลกษณะเฉพาะของตวอยางทศกษา อธบายวธการศกษา แผนการทดลองทางสถต วธการเกบขอมลการวเคราะหและการแปรผล

ผลการศกษา (Results) รายงานผลทคนพบ ตามลำาดบขนตอนของการวจย อยางชดเจนไดใจความ ถาผลไมซบซอนและ มตวเลขไมมากควรใชคำาบรรยาย แตถามตวเลข หรอ ตวแปลมาก ควรใชตารางหรอแผนภมแทน

วจารณและสรปผล (Discussion and Conclusion) แสดงใหเหนวาผลการศกษาตรงกบวตถประสงคและเปรยบเทยบกบสมมตฐานของการวจยทตงไว หรอแตกตางไปจากผลงานทมผรายงานไวกอนหรอไม อยางไร เหตผลใดจงเปนเชนนน และมพนฐานอางองทเชอถอได และใหจบดวยขอเสนอแนะทนำาผลงานวจยไปใชประโยชน หรอทงประเดนคำาถาม การวจย ซงเปนแนวการสำาหรบการวจยตอไป

ตาราง รป ภาพ แผนภม (Table, Figures, and Diagrams) ควรคดเลอกเฉพาะทจำาเปน แทรกไวในเนอเรองโดย เรยงลำาดบใหสอดคลองกบคำาอธบายในเนอเรอง และมคำาอธบายสนๆ เปนภาษาองกฤษ ทสอความหมายไดสาระครบถวน กรณทเปนตาราง คำาอธบายอยดานบน ถาเปนรป ภาพ แผนภม คำาอธบายอยดานลาง

กตตกรรมประกาศ (Adcknowledgements) ระบสนๆ วางานวจยไดรบงานสนบสนน และความชวยเหลอจาก องคกรใดหรอผใดบาง

เอกสารอางอง (References) ระบรายการเอกสารทนำามาใชอางองใหครบถวนไวทายเรอง โดยใช Vancouver Style ดงตวอยางขางลาง และสามารถดรายละเอยดและตวอยางเพมเตมไดท www.journal.msu.ac.th

การเขยนเอกสารอางองแบบแวนคเวอร (Vancouver Style) เมอนำาผลงานของบคคลอน ไมวาบางสวนหรอทงหมดมาอางองในงานนพนธใหใสตวเลขกำากบททายขอความนน เรยงตาม ลำาดบ 1,2,3,... โดยใชตวเลขอารบค และยกขน (superscript) แลวรวบรวมเปนรายการอางอง (Reference list หรอ Bibliography) ทสวนทายของงานนพนธ

1. การอางองหนงสอรปแบบ: ชอผแตง. ชอเรอง. พมพครงท. สถานทเมองพมพ: สำานกพมพ ; ปทพมพ. p 22-5. (ชอชด; vol 288).

ตวอยาง: Getqen,TE. Health economics: Fundamentals of funds. New York: John Wiley & Son; 1997. P. 12-5 (Annals of New York academy of science; voll 288).

ชมพนช อองจต. คลนไฟฟาหวใจทางคลนก. พมพครงท 5. กรงเทพ: จฬาลงกรณมหาวทยาลย; 2539

2. การอางองจากวารสารรปแบบ: ชอผแตง. ชอเรองหรอชอบทความ. ชอยอวารสาร. ปทพมพ เดอนยอ 3 ตวอกษร วนท ; ปท (ฉบบท): เลขหนา.

ตวอยาง:

ก. วารสารไมเรยงหนาตอเนองกนตลอดปRussell FK, Coppell AL, Davenport AP. Ln vitro enzymatic processing of radiolabelled big ET-1 in human Kidney as a food ingredient, Biochem Pharmacol 1998 Mar 1 ; 55(5): 697-701.

พจารณ เจรญศร. การปรบความพรอมเทคโนโลยสารสนเทศและการสอสารกอนรนเขาสโลกกาววฒนครงใหม. นกบรหาร 2547 ; 24(2): 31-6.

ข. วารสารเรยงหนาตอเนองกนตลอดปRussell FD, Coppell AL Davenport AP. Ln vitro enzymatic processing of radiolabelled big ET-1 in human Kidney as a food ingredient, Biochem Pharmacol 1998 ; 55: 697-701.

พจารณ เจรญศร. การปรบความพรอมเทคโนโลยสารสนเทศและการสอสารกอนรนเขาสโลกกาววฒนครงใหม. นกบรหาร 2547 ; 24(2): 31-6.

3. รายงานจากการประชมวชาการรปแบบ: ชอผแตง. ชอเรอง. ใน: ชอคณะบรรณาธการ, editors. ชอเอกสารรายงานการสมนา เดอน (ยอ 3 ตว) วนท ; เมอง ทสมมนา, ประเทศ. เมองทพมพ: สำานกพมพ ; ปทพมพ. P.1561-5.

ตวอยาง: Bengtsson S, solheim BG. Enforcement of data protection, privacy and security and security in medical infromatics. Ln: Lun KC, Degoulet P, Piemme TE, Reinhoff O, editors. MEDINFO 92. Procedings of the 7th World Congress on Medical Informatics; 1992 Sep 6-10; Geneva, Switqerland, Amsterdam: North Holland ; 1992. P.1561-5.

พทกษ พทธวรชย, กตต บญเลศนรนด ทะนงศกด มณวรรณ, พองาม เดชคำารณ, นภา ขนสภา. การใชเอทธฟอนกระตน การสกของพรก. ใน: เอกสารการประชมสมมนาทางวชาการ สถาบนเทคโนโลยราชมงคล ครงท 15. สถาบนวจยและพฒนา สถาบนเทคโนโลยราชมงคล. กรงเทพฯ ; 2541. หนา 142-9.

4. การอางองจากพจนานกรมรปแบบ: ชอพจนานกรม. พมพครงท. เมองหรอสถานทพมพ ; ปทพมพ. หนา.

ตวอยาง: Stedmin's medical dictionary. 26th ed. Baltimore: Williams & Wilkins ; 1995. Apraxia ; p. 119-20.

พจนานกรม ฉบบราชบณฑตยสถาน พ.ศ. 2542. กรงเทพฯ: นานมบคพบลเคชนส ; 2546. หนา 1488.

5. การอางองจากหนงสอพมพรปแบบ: ชอผแตง. ชอเรอง. ชอหนงสอพมพ ป เดอน วน ; Sect.: sohk 15.

ตวอยาง: Lee G. Hospitalizations tied to ozone pollution: study estimates 50,000 admissions annually. The Washington Post 1996 Jun 21 ; Sect. A: 3(col.5).

พรรณ รงรตน. สทศ ตงทมพฒนาขอสอบระดบชาตมนใจคณภาพ. เดลนวส 12 พฤษภาคม 2548.

6. อางองจากหนงสออเลกทรอนกสรปแบบ: ชอผแตง. ชอเรอง. ชอวารสารอเลกทรอนกส [หรอ serial online] ปทพมพเอกสาร ถาจำาเปนระบเดอนดวย; Vol no (ฉบบท): [จำานวนหนาจากการสบคน]. ไดจาก: URL: http://www.edc/gov/neidoc/EID/eid.htm วนท เดอน ป ททำาการสบคน (เขยนเตม).

ตวอยาง: More SS. Factors in the emergence of infectious disease, Emerh Infect Dis [serial online] 1995 Jan-Mar ; (1): [24 screene]. Available from: RL: http://www.edc/gov/neidoc/EID/eid.htm Accessed 25, 1999.

ธรเกยรต เกดเจรญ. นาโนเทคโนโลยความเปนไปไดและทศทางในอนาคต. วารสารเทคโนโลยวสด ตลาคม-ธนวาคม (17): 2542 ไดจาก: http://www.nanotech.sc.mahidol.ac.th/index.html May 13 2005.

Intruction for Authors

Research manuscripts relevant to subject matters outlined in the objectives are Accepted from all institutions and private parties provided they have not been preprinted elsewhere. The context of the papers may be Revised as appropriate to the standard. The manuscript must be interesting topic, review knowledge, modern knowledge, and academic comments that are benefi cial to readers. The journal publishes 6 issues a year. Vol.1 (January-February) Vol.2 (March-April) Vol.3 (May-June) Vol.4 (July-August) Vol.5 (September-October) Vol.6 (November-December).

Preparation of manuscripts: 1. Manuscripts can be written in either Thai or English with the abstract in both Thai and English. The use of Thai language adheres to the principles of vocabulary, transliteration in English according to the principles of the Royal Society of Thailand. Manuscript should be specifi c, clear, concise, accurate, and consistent. Mixing Thai and English should be avoided except for the case of necessity, such as academic vocabulary with no translation or mixing words for easier understanding. English vocabulary written in Thai must use all lowercase except for unique names. English language manuscripts should be checked by an English language editor prior to submission.

2. Manuscript should be on A4 standard size paper. Each side must have 1” margins with 2 columns.

3. Browallia New font is required with font size as follows:

3.1 Title of the article: 18 pt. Bold

3.2 Name(s) of the authors: 16 pt. Unbold

3.3 Main Heading: 16 pt. Bold

3.4 Sub-heading: 14 pt. Bold

3.5 Body of the text: 14 pt. Unbold

3.6 Footnotes for authors and their affi liations: 12pt. Unbold, must be cited at the bottom of the fi rst page.

4. Manuscripts should be typed in MS word “.doc” or “.rtf” (Rich Text)

5. The number of pages are limited to 12 pages, including references, tables, graphs, or pictures.

6. References are limited to 2 pages

7. Types of manuscripts: research articles and review articles.

8. Manuscript submission : online submission at www.journal.msu.ac.th

9. Manuscript with uncorrected format will be rejected

Research article / review article must be in sequence as follows:Title: denoted in both Thai and English, must be concise and specifi c to the point, normally less than 100 characters.Name(s) of the author(s) : denoted with affi liation must be in Thai and English, academic position must be specifi ed, and email address for contact the author.

Abstract: This section of the paper should follow an informative style, concisely covering all the important of fi ndings t. Authors should attempt to restrict the abstract to no more than 300 words. Thai and English is required.

Keywords: Give 4-5 concise words to specify your article

Introduction: This section is the initial part of the article, contain information about background, reasons, purposes, and review section.

Materials and Methods: A discussion of the materials used, and a description clearly detailing how the experiment was undertaken, e.g., experimental design, data collection and analysis, and interpretation

Results: Present the output. Li the information in complicated, add tables, graphs, diagrams etc., as necessary.

Discussion and Conclusion: Discuss how the results are relevant/oppose to the objective and hypothesis. How the result is different/relevant when comparing to the former findings. Give us your reason why result is like that base on reliable researches. This part should end with suggestions for research utilization or providing questions for future studies.

Tables, figures, diagrams: Selected only necessary objects to insert in the body of manuscript in accordance with the description in the text. The short description is required in English with completely meaningful. For figures and diagrams, the description is below the picture. But, for table, the description is on top of the table.

Acknowledgement: the name of the persons, organization, or funding agencies who helped support the research are acknowledged in this section.

References: listed and referred in Vancouver style. (www.journal.msu.ac.th)

Vancouver style references:When work of another person whole or in part to refer in your work, it should be in sequence 1,2,3 using numeric with superscript. Then, author must have reference list or bibliography at the final parts of your manuscript.

1. BookGetqen,TE. Health economics: Fundamentals of funds. New York: John Wiley & Son; 1997. P. 12-5 (Annals of New York academy of science; voll 288).

2. JournalRussell FK, Coppell AL, Davenport AP. Ln vitro enzymatic processing of radiolabelled big ET-1 in human Kidney as a food ingredient, Biochem Pharmacol 1998 Mar 1;55(5):697-701

Russell FD, Coppell AL Davenport AP. Ln vitro enzymatic processing of radiolabelled big ET-1 in human Kidney as a food ingredient, Biochem Pharmacol 1998;55:697-701

3. Conference proceedingsBengtsson S, solheim BG. Enforcement of data protection, privacy and security and security in medical infromatics. Ln: Lun KC, Degoulet P, Piemme TE, Reinhoff O, editors. MEDINFO 92. Procedings of the 7th World Congress on Medical Informatics; 1992 Sep 6-10; Geneva, Switqerland, Amsterdam: North Holland; 1992. P.1561-5.

4. DictionaryStedmin’s medical dictionary. 26th ed. Baltimore: Williams & Wilkins; 1995. Apraxia; p. 119-20.

5. NewspaperLee G. Hospitalizations tied to ozone pollution: study estimates 50,000 admissions annually. The Washington Post 1996 Jun 21; Sect. A: 3(col.5).

6. E-bookMore SS. Factors in the emergence of infectious disease, Emerh Infect Dis [serial online] 1995 Jan-Mar; (1): [24 screene]. Available from: RL: http://www.edc/gov/neidoc/EID/eid.htm Accessed 25, 1999.

Aim and Scope:The Journal of Science and Technology aims to disseminate of scientific knowledge in the discipline of Mathematics, Science, Technology, Engineering, Agriculture, Medicine, Health Science, Interdisciplinary in science and tehnology. The journal publishes both research article and review article.

OwnershipMahasarakham UniversityEditorial OfficeDivision of Research Facilitation and Dissemination, Khamriang Sub-distict, Kantharawichai District, Maha Sarakham Province 44150Tel & Fax: 0 4375 4238 ext. 1754

AdvisorsPresident of Mahasarakham University Professor Dr. Visut BaimaiProfessor Dr. Vichai Boonsaeng

Editor-in-ChiefProfessor Dr.Preecha Prathepha

Assistant EditorsProfessor Dr.Pairot PramualMahasarakham UniversityAssociate Professor Dr.Worapol Aengwanich Mahasarakham UniversityAssociate Professor Dr.Sirithon Siriamornpun Mahasarakham UniversityAssociate Professor Dr.Vallaya Sutthikhum Mahasarakham University

Editorial BoardProfessor Dr.Thaweesakdi Boonkerd Chulalongkorn UniversityProfessor Dr.La-orsri Sanoamuang Khon Kaen UniversityProfessor Dr.Supannee Promthet Khon Kaen UniversityProfessor Dr.Pranee Anprung Chulalongkorn University Professor Dr.Niwat Sonoamuang Khon Kaen UniversityProfessor Dr.Anongrit Kangrang Mahasarakham UniversityAssociate Professor Dr.Sunan Saikrasun Mahasarakham UniversityAssociate Professor Dr.Suwanna Boonyaleepun Khon Kaen UniversityAssociate Professor Dr.Kwanjai Kanokmedhakul Khon Kaen UniversityAssociate Professor Dr.Chantana AromdeeKhon Kaen University

Associate Professor Dr.Boonchong Chawsithiwong National Institute of Development AdministrationAssociate Professor Dr.Porntep Tanonkeo Khon Kaen UniversityAssociate Professor Dr.Narumon Sangpradub Khon Kaen UniversityAssociate Professor Dr.Terdsak Khammeng Khon Kaen UniversityAssociate Professor Yuen Poovarawan Kasetsart UniversityAssociate Professor Dr.Bungon Kumphon Mahasarakham UniversityAssociate Professor Dr.Sirikasem Sirilak Naresuan UniversityAssistant Professor Dr.Chawalit Boonpok Mahasarakham UniversityAssistant Professor Dr.Napparat Buddhakala Rajamangala University of Technology Thanyaburi Assistant Professor Dr.Anucha PranchanaUbon Ratchathsni Rajabhat University Assistant Professor Dr.Seckson Sukhasena Naresuan UniversityAssistant Professor Dr.Apinya Wongpiriyayothar Mahasarakham UniversityAssistant Professor Dr.Alongkorn Lamom Mahasarakham UniversityAssistant Professor Dr.Natapol Pumipuntu Mahasarakham UniversityDr.Rakjinda WattanalaiSiam UniversityDr.Somnuk PuangpronpitagMahasarakham UniversityDr.Adrian R. PlantMahasarakham University

SecretaryChaweewan Akkasesthang

Assistant secretaryPhakwilai Rungwisai Jirarat Puseerit

Six issues per yearNumber 1 January - FebruaryNumber 2 March - AprilNumber 3 May - JuneNumber 4 July - AugustNumber 5 September - OctoberNumber 6 November - December

Mahasarakham University Journal of Science and Technology

· วัตถุประสงค์...

Documents