Temporal Clustering of Monthly Dengue Cases and Climatic Factors in Chiang Mai Province
Keywords:
Dengue fever, Cluster analysis, Climatic factors, Chiang Mai ProvinceAbstract
This study aimed to analyze the monthly clustering of dengue fever cases and climatic factors in Chiang Mai Province, Thailand. Monthly data covering 120 months from January 2015 to December 2024 were obtained from the national disease surveillance system (Report 506) and meteorological databases. The variables included monthly dengue cases, rainfall, relative humidity, and temperature. Descriptive statistics, normality tests, and correlation analyses were performed, followed by K-means clustering to classify months into risk groups. The optimal number of clusters was determined using Silhouette Scores. Results revealed three distinct clusters: Cluster 0 (May–October, high risk) with the highest average number of cases (511 cases/month), associated with high rainfall and humidity; Cluster 1 (February–May, low risk) with the lowest average number of cases (50 cases/month), characterized by low rainfall and humidity but higher temperatures; and Cluster 2 (November–February, medium risk) with moderate case numbers (127 cases/month) and the lowest average temperature. Correlation analysis confirmed that rainfall and relative humidity were significantly associated with dengue incidence, while temperature showed no strong relationship in this context. These findings highlight the seasonal nature of dengue outbreaks in Chiang Mai and suggest that rainfall and humidity are the primary climatic drivers. The results can be applied to strengthen early warning systems, improve resource allocation, and enhance preventive measures tailored to local climatic conditions.
References
กรมอุตุนิยมวิทยา. (2569). ฤดูกาลของประเทศไทย [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://shorturl.asia/t5oTR
กองระบาดวิทยา. (2569). ระบบรายงานการเฝ้าระวังโรค 506 [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: http://doe1.moph.go.th/surdata/index.php
กองระบาดวิทยา. (2569). รหัสโรค, เชื้อก่อโรค และ ICD-10, รายงานเฝ้าระวังทางระบาดวิทยา (รายงาน 506) ตามตามพระราชบัญญัติโรคติดต่อ พ.ศ. 2558 [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://ddsdoe.ddc.moph.go.th/ddss/#download
พิมลกัลย์ เดชะชัย. (2568). สสจ. เชียงใหม่ เตือน ประชาชน ระมัดระวังและป้องกันตนเองจากโรคติดต่อที่มียุงลายเป็นพาหะ ในระยะนี้ [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://radiochiangmai.prd.go.th/th/content/category/detail/id/57/iid/413283
วสันต์ จันทราทิตย์. (2567). ถอด 20 บทเรียนสำคัญที่ได้รับจากการระบาดของโรคโควิด-19 ในประเทศไทยตั้งแต่ปี พ.ศ. 2563-2566 เพื่อเป็นแนวทางในการเตรียมตัวรับมือกับการระบาดของโรคติดเชื้ออุบัติซ้ำและอุบัติใหม่ในอนาคต [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://www.rama.mahidol.ac.th/rama-km/cat/main/CKM02/3245
สุภาภรณ์ จูจันทร์ และชญานิจ มหาสิงห์. (2568). สถานการณ์และแนวโน้มโรคไข้เลือดออกในประเทศไทย ปี พ.ศ. 2568 (ข้อมูล ณ วันที่ 19 สิงหาคม 2568). รายงานการเฝ้าระวังทางระบาดวิทยาประจำสัปดาห์, 56(8), e6538. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://doi.org/10.59096/wesr.v56i8.6538
สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ. (2569). แบบตรวจสอบกิจกรรม/งานวิจัยเข้าข่ายการวิจัยในมนุษย์ [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://waa.inter.nstda.or.th/stks/pub/ori/docs/20200402-the-scientific-purposes-of-research-and-testing-in-human-inspection-form.pdf
สำนักบริหารการทะเบียน กรมการปกครอง. (2569). สถิติประชากรทางการทะเบียนราษฎร (รายเดือน) ประชากรรายอายุข้อมูลเดือนมิถุนายน 2568 จังหวัดเชียงใหม่ [ออนไลน์]. [สืบค้นเมื่อ16 มกราคม 2569]; แหล่งข้อมูล: https://stat.bora.dopa.go.th/stat/statnew/statMONTH/statmonth/#/view
Ahmed, M., Seraj, R., & Islam, S. M. S. (2020). The k-means algorithm: A comprehensive survey and performance evaluation. Electronics, 9(8), 1295. [cited 2026 January 15]; Available from: https://doi.org/10.3390/electronics9081295
Alam, K.E., Ahmed, M.J., Chalise, R., et al. (2025). Time series analysis of dengue incidence and its association with meteorological risk factors in Bangladesh. PLoS One, 20(8), e0323238. [cited 2026 January 15]; Available from: https://doi.org/10.1371/journal.pone.0323238
Campbell, K. M., Lin, C. D., Iamsirithaworn, S., & Scott, T.W. (2013). The complex relationship between weather and dengue virus transmission in Thailand. The American Journal of Tropical Medicine and Hygiene, 89(6), 1066-1080. [cited 2026 January 15]; Available from: https://doi.org/10.4269/ajtmh.13-0321
García, Y.E., Chou-Chen, S.W., Barboza, et al. (2023). Common patterns between dengue cases, climate, and local environmental variables in Costa Rica: A wavelet approach. PLOS Glob Public Health, 3(10), e0002417. [cited 2026 January 15]; Available from: https://doi.org/10.1371/journal.pgph.0002417
Harris, C. R., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357-362. [cited 2026 January 15]; Available from: https://doi.org/10.1038/s41586-020-2649-2
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90-95. [cited 2026 January 15]; Available https://doi.org/10.1109/mcse.2007.55
Mamenun, Koesmaryono, Y., Sopaheluwakan, A., Hidayati, R., Dasanto, B. D., & Aryati, R. (2024). Spatiotemporal Characterization of Dengue Incidence and Its Correlation to Climate Parameters in Indonesia. Insects, 15(5), 366. [cited 2026 January 15]; Available from: https://doi.org/10.3390/insects15050366
NASA Langley Research Center. (2026). POWER Source Native Resolution Monthly and Annual, Thailand (Lat 18.79, Lon 98.98) from 2015 to 2024 [Data set] [online]. [cited 2026 January 15]; Available from: https://power.larc.nasa.gov/api/temporal/monthly/point?parameters=T2M,RH2M,PRECTOTCORR&community=AG&longitude=98.98&latitude=18.79&format=CSV&start=2015&end=2024
Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. [cited 2026 January 15]; Available from: https://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf
Python Software Foundation. (2024). Python language reference, version 3.11.9 [Computer software]. [cited 2026 January 15]; Available from: https://www.python.org/
Salim, M.F., Satoto, T.B.T., & Danardono. (2025). Predicting spatio-temporal dynamics of dengue using INLA (integrated nested laplace approximation) in Yogyakarta, Indonesia. BMC Public Health, 25, 1321. [cited 2026 January 15]; Available from: https://doi.org/10.1186/s12889-025-22545-2
The pandas development team, Zenodo. (2025). pandas-dev/pandas: Pandas 3.0.3 [Computer software]. [cited 2026 January 15]; Available from: https://doi.org/10.5281/zenodo.3509134
Ueangsawat, K., Nilsamranchit, S., & Jintrawet, A. (2015). Fate of ENSO Phase on Upper Northern Thailand, a Case Study in Chiang Mai. Agriculture and Agricultural Science Procedia, 5, 2-8. [cited 2026 January 15]; Available from: https://doi.org/10.1016/j.aaspro.2015.08.001
Waskom, M. L. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021. [cited 2026 January 15]; Available from: https://doi.org/10.21105/joss.03021
Xu, C., Xu, J., & Wang, L. (2024). Long-term effects of climate factors on dengue fever over a 40-year period. BMC Public Health, 24, 1451. [cited 2026 January 15]; Available from: https://doi.org/10.1186/s12889-024-18869-0
