類別 | 名稱 | 簡介 | 下載 |
---|---|---|---|
物理模式 | 物理模式研究團隊(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(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。 |