::: 高解析度空氣品質診斷與預報模式發展計畫

高解析度空氣品質診斷與預報模式發展計畫-中研院環境變遷研究中心

  • 計畫摘要
    • 「空氣品質模式」是十分重要的施政工具,除了提供民眾重要的生活資訊,作為規劃日常活動的參考,也可適時發出警訊,提醒主政機關採取適當應變措施,減緩空氣品質惡化的衝擊,保障民眾的健康。
    • 由於空氣污染物的產生及傳輸過程牽涉十分複雜的大氣物理化學機制,高精度的空氣品質模擬與預報仍是極具挑戰性的研究工作。本計畫以當前國際上普遍採用的WRF-Chem和CMAQ網格模式為基礎,發展符合台灣環境需求的高解析度空氣品質模式,研究團隊中整合了邊界層氣象學和大氣物理化學的專家,經由在台灣空氣污染較嚴重的地區實地執行高精度的氣象和物理化學觀測實驗,獲取台灣地區大氣環境的特徵參數,進而提供數值模擬更正確的條件,從而改進模式的精確度。此外,也將藉由發展降尺度演算技術,進一步提昇氣象和空氣品質模式的空間解析度,使得空品預報的資訊得以更貼近民眾的實際生活需求。
    • 本計畫最終目標為透過模擬分析提供台灣地區未來72小時每1小時1km*1km空間解析度的空氣品質資訊,提供主管機關做為執行空氣品質預報、管理和空氣污染成因診斷的施政工具,進而降低空氣污染對社會的衝擊。
  • 欄位說明:SITE_ID(環保署國家空品測站站號(對照表下載)),IH(預報開始時間),TAU(預報時間長度(小時)),FCST_Time(預報時間),PM2.5(PM2.5 預報值)
  • (備註:本預報模擬數據僅供學術研究參考。
  • 資料來源:中研院環境變遷研究中心-空氣品質專題中心

72 小時PM2.5濃度預報

PM2.5濃度預報 PM2.5濃度預報 PM2.5濃度預報

72 小時PM2.5_AQI高值預報

PM2.5_AQI高值預報 PM2.5_AQI高值預報 PM2.5_AQI高值預報

台灣地區 3 公里解析度PM2.5預報模擬

台灣地區3公里解析度PM2.5預報模擬

台灣地區 3 公里解析度O3預報模擬

台灣地區3公里解析度O3預報模擬

其他團隊之歷史預報模擬資料(2020年)

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。