| 類別 | 名稱 | 簡介 | 下載 |
|---|---|---|---|
| 物理模式 | 物理模式研究團隊 01（WRFCHEM） | 本計畫的目標為發展一套高解析度(1km x 1km, 1hr)的空氣品質預報模式，以及一套PM2.5污染熱區肇因診斷工具。空氣品質預報模式將以WRF-Chem 和CMAQ為基礎，經由改善其中的氣象、地形、氣膠生成、邊界層動力等機制參數，建立能正確模擬台灣地區PM2.5生成與傳輸過程的數值預報模式。污染肇因分析將同時採用最先進的大氣物理化學儀器以及微型空氣品質監測器搭配物聯網技術，快速調查污染熱區中空氣污染物的空間分布，並配合計算流體力學和污染物資料統計模型，解析污染熱區的形成機制，進而協助主管機關研擬改善策略。 | |
| 物理模式 | 物理模式研究團隊 02（CMAQ） | 使用空氣品質模式-高斯煙流軌跡模式(GTx)搭配氣象局RSM氣象資料(解析度為1 km x 1 km)進行預報模擬，加入河川揚塵模組，並提供污染來源解析及污染地圖以了解各測站主要污染來源，境外污染利用WRF+CMAQ進行解析，最後藉由AI模式校正結果，以供應變決策之用。 | |
| 物理模式 | 物理模式研究團隊 02（v100） | 使用空氣品質模式-高斯煙流軌跡模式(GTx)搭配氣象局RSM氣象資料(解析度為1 km x 1 km)進行預報模擬，加入河川揚塵模組，並提供污染來源解析及污染地圖以了解各測站主要污染來源，境外污染利用WRF+CMAQ進行解析，最後藉由AI模式校正結果，以供應變決策之用。 | |
| 機器學習與大數據分析 | 人工智慧研究團隊 01 | 以深度學習中典型的「卷積式長短期記憶模型（ConvLSTM）」為主，另外針對要加強的「降雨」、「風速風向」、「時間」等特徵搭配標準的「全連接層（FNN）」或「長短期記憶模型（LSTM）」。 | |
| 機器學習與大數據分析 | 人工智慧研究團隊 02 | 因機器學習相較傳統大氣擴散機制預報時距為短時距，因此在預報上的即時性較大氣擴散模式有優勢。本研究在測試過不同機器學習方法後，將其結果以PM2.5為例，使用Radical Basis Function機器學習法建立全台尺度之1公里x 1公里區域尺度預報結果。 | |
| 機器學習與大數據分析 | 人工智慧研究團隊 03（RNN） | 使用GA-SVM與遞歸神經網絡（RNN），前者是資料探勘基礎的分析方法，以支援向量機（Support Vector Machines, 簡稱 SVM）結合基因演算法（Genetic Algorithm, 簡稱GA）作為研究模型。採用會影響空氣品質的相關因子作為變數，並以一段期間做為訓練期，便可以運用此結果來預測未來PM2.5的濃度值。後者可用於空氣污染數據集的時間序列建模和預測，此模型使用造成空汙影響之相關因子對PM2.5進行預測，使用lag time推移的方式，令數據呈現正相關以進行後續訓練及預測。 | |
| 機器學習與大數據分析 | 人工智慧研究團隊 04 | 採用LSTM預測模型，並以環保署2012至2016年的開放資料當成訓練資料，2017年當測試資料，透過MangoDB及TensorFlow環境所訓練之預測模型，以環保署與氣象局72小時內之資料來預測1-8小時內之PM2.5數值。 |
訂閱我們