Crisis Monitoring Performance Enhancement: A Case Study of Lac Cultivation Farm

Abstract

This research presents an approach to enhance the efficiency of monitoring and fire alert systems in outdoor lac cultivation farms by developing a system capable of accurately detecting fire hazards in highly variable outdoor environments. The system collects environmental data using ESP32 microcontrollers equipped with temperature and humidity sensors (SHT20) and particulate matter sensors (PMS3003). The data are transmitted to the ThingSpeak platform and processed using MATLAB, applying Kalman Filter for signal smoothing and Mahalanobis Distance for anomaly detection. The proposed system achieved a high fire alert precision of 75.41% and a recall of 30.20%, outperforming the Euclidean Distance method, which recorded a precision of 51.06% and a recall of only 15.80%. Furthermore, the F1 Score of the Mahalanobis-based system reached 43.17%, compared to 24.08% for the Euclidean-based system. These results indicate that Mahalanobis Distance significantly reduces false alerts and improves detection accuracy under real-world field conditions. The findings demonstrate that integrating Kalman Filtering with Mahalanobis Distance is effective for detecting fire anomalies in outdoor farming environments. The system provides a reliable foundation for early warning applications in agricultural fire prevention and can be extended to other environmental monitoring contexts requiring robust anomaly detection.

งานวิจัยนี้นำเสนอแนวทางในการเพิ่มประสิทธิภาพของระบบติดตามและแจ้งเตือนสภาวะวิกฤตในฟาร์มเพาะเลี้ยงครั่ง โดยพัฒนาระบบที่สามารถตรวจจับไฟไหม้ได้อย่างแม่นยำในสภาพแวดล้อมกลางแจ้งซึ่งมีความแปรปรวนสูง ระบบดังกล่าวประกอบด้วยการเก็บข้อมูลจากเซนเซอร์ไมโครคอนโทรลเลอร์ ESP32 พร้อมโมดูลวัดอุณหภูมิและความชื้น SHT20 และเซนเซอร์ตรวจจับฝุ่นละออง PMS3003 เพื่อนำข้อมูลไปประมวลผลผ่านแพลตฟอร์ม ThingSpeak ร่วมกับ MATLAB โดยใช้เทคนิค Kalman Filter สำหรับลดสัญญาณรบกวน และ Mahalanobis Distance ในการตรวจจับความผิดปกติ ระบบที่พัฒนาขึ้นสามารถแจ้งเตือนไฟไหม้ได้ด้วยความแม่นยำ (Precision) เท่ากับ 75.41% และมีความสามารถในการตรวจจับเหตุการณ์จริง (Recall) ได้ 30.20% ซึ่งสูงกว่าวิธี Euclidean Distance ที่มีค่า Precision เท่ากับ 51.06% และ Recall เพียง 15.80% นอกจากนี้ ค่า F1 Score ของระบบที่ใช้ Mahalanobis Distance ยังสูงกว่าถึง 43.17% เมื่อเทียบกับ 24.08% ในวิธี Euclidean Distance แสดงถึงความสามารถในการลดการแจ้งเตือนผิดพลาด (False Alerts) ได้ดีกว่าอย่างชัดเจน ผลการทดลองแสดงให้เห็นว่า การใช้ Kalman Filter ร่วมกับ Mahalanobis Distance มีประสิทธิภาพในการตรวจจับไฟไหม้ในฟาร์มกลางแจ้งที่แวดล้อมด้วยปัจจัยแปรปรวนทางธรรมชาติได้อย่างแม่นยำ และสามารถนำไปประยุกต์ใช้กับระบบติดตามสิ่งแวดล้อมในบริบทอื่น ๆ ได้อย่างมีประสิทธิภาพ