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