EN
最新消息
中心公告
研討會訊息
其他公告
演講公告
新人會議投影片
活動花絮
徵才訊息
關於中心
中心概述
執行委員暨期刊委員
地科領域通訊錄
操作說明
各類補助
國際科技人士短期訪問
國內學術研討會
相關下載
審查結果
購買單篇論文補助
圖書期刊
電子期刊
購買單篇論文補助
Token補助單篇期刊論文
地區圖書期刊服務
館際合作服務
電子學術資源
活動專區
台灣之夜
論文獎勵
新人會議
意見調查表
聚焦地科
研究成果亮點
領域專欄
統計分析資訊
海外合作交流活動
電子報
電子報
影音專區
研究成果分享
電子學術資訊
活動/演講
微電影
圖書期刊宣傳影片
微電影
首頁
最新消息
關於中心
中心概述
審議委員
地科領域通訊錄
各類補助
國際科技人士短期訪問
國內學術研討會
相關下載
圖書期刊
電子期刊
地區圖書期刊服務
購買單篇論文補助
館際合作服務
活動專區
台灣之夜
論文獎勵
新人會議
徵才專區
廠商徵才
個人求職
聚焦地科
研究成果亮點
領域專欄
海外合作交流活動
統計分析資訊
影音專區
研究成果分享
電子學術資訊
活動/演講
微電影
圖書期刊宣傳影片
電子報
English
華信光電將參加日本國際雷射加工技術展 Photonix 2016, 歡迎您的來訪!!
確認
取消
Focus
聚焦地科
home
/
聚焦地科
/ 詳細頁
聚焦地科
聚焦地科
2024-11-01
應用深度學習模型提升PM2.5濃度預報準確度
本研究為Yi-Ju Lee, Fang-Yi Cheng, Hsiao-Chen Chien, Yuan-Chien Lin, Min-Te Sun研究團隊的研究成果,於2024年發表在Elsevier期刊Atmospheric Environment(
https://doi.org/10.1016/j.atmosenv.2024.120835
)
在國科會計畫經費的支持下,我們開發了一個基於卷積神經網絡(CNN)的72小時PM2.5預測模型,旨在提升現有空氣品質預報系統的準確度。該模型的最大特色在於僅使用少量變數作為訓練資料,包含地面逐時PM2.5濃度觀測資料及CMAQ空氣品質預報系統的逐時PM2.5預報資料。除此之外,模型將天氣型態分類(Synoptic Weather Patterns, SWPs)作為唯一的氣象變數,這樣的設計旨在降低預報系統的作業複雜度。
實驗設計中,我們開發了三個不同的CNN模型:CNN-BASE(不含SWPs)、CNN-SWP(含SWPs)以及CNN-SWPW(含SWPs且引入加權損失函數)。結果顯示,這些CNN模型有效提升了基於CMAQ的空氣品質預報系統的準確率,其中分類評估(低、中、高PM2.5濃度)的預報準確率由77%提升至87%。然而,由於高濃度污染事件樣本數較少,CNN-BASE模型在預測高濃度PM2.5時表現欠佳。加入SWPs作為訓練資料後,模型能更準確地反映氣象條件對高污染事件的影響,顯著提升了高濃度PM2.5的預測準確度。此外,CNN-SWPW透過加權損失函數處理樣本數不平衡問題,進一步增強了對高濃度PM2.5的預測能力。
這樣的改進使得我們的模型在低變數情境下,仍能在實際空品預報作業化中保持高效且準確的預測,特別是在高污染事件的預測方面有著顯著的進步。
本文轉載自國立中央大學大氣科學學系,連結如下:
http://www.atm.ncu.edu.tw/news_1.php?id=444
海洋大陸的森林砍伐如何影響熱帶次季節的氣候震盪
下一則
回列表頁