Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/5278
標題: 利用類神經網路探討中部地區臭氧之減量策略
The strategy of O3 reduction was developed through ANN model for middle area of Taiwan.
作者: 蘇博聖
Su, Bo-Sheng
關鍵字: Ozone;類神經網路;control strategy;artificial neural network;multiple linear regression;principal component analysis;主成份分析;複線性迴歸;臭氧;控制策略
出版社: 環境工程學系所
引用: 1.王俊超,「分析臭氧與前驅物關係之混合物總量模式」,碩士論文,台灣大學公共衛生學院,2002。 2.江世民、黃靜雯,「台北地區臭氧及懸浮微粒型態與其他污染物及氣象條件之分析比較」,第十六屆空氣污染控制技術研討會論文集,第45-49頁,2000。 3.行政院環保署,91~94年空氣品質監測結果:http://taqm.epa.gov.tw/emc/default.aspx?pid=b0601&cid=b0605,台北,2007。 4.吳明隆,「SPSS統計應用實務」,松岡電腦圖書資料股份有限公司,2000。 5.周天穎、周學政,「Arc View透視3.x」,松岡電腦圖書資料股份有限公司,台北,第1-1~1-3頁。 6.林宗嵩、陳王琨,「UAM都市氣源係模式應用於國內臭氧管制方案的比較分析」,第十二屆空氣污染控制技術研討會論文集,第355-361頁,1995。 7.林忠逸,「南高頻石化工業區周界臭氧模擬預測分析研究」,碩士論文,屏東科技大學環境工程與科學系研究所,2003。 8.林政剛、林國雄、洪培元、黃政賢、劉光宇,「空氣污染」,高立圖書有限公司,台北,第91-114頁,2000。 9.林修平,「主成份分析及類神經網路應用於工業區污水處理廠之水質預測」,碩士論文,立德管理學院資源環境學系碩士班,2006。 10.涂曉娟、蔣昌琪、孔祥琜,「以類神經網路來探討空氣品質限制下火力發電廠擴充策略之研究」,第十六屆環境規劃與管理研討會論文集,第5-10頁,2003。 11.張育銜、望熙榮,「以都市氣源區模式(UAM)探討NOx對臭氧濃度之影響」,第十五屆空氣污染控制技術研討會論文集,第47-54頁,1998。 12.張能復、余泰毅、梁佳修,「以主成份分析法分類南高屏地區臭氧污染事件日」,第十五屆空氣污染控制技術研討會論文集,第55-67頁,1998。 13.張順欽、李崇德、陳稼興,「以類神經網路預測台北地區臭氧濃度之研究」,第二屆環境系統分析研討會論文集,第150-157頁,1999。 14.張耀華,「以時間序列法預測中部地區臭氧濃度之探討」,碩士論文,東海大學環境科學系研究所,1996。 15.莊秉潔、程萬里、林明德等人,「南投地區臭氧之污染成因探討計畫(第二年)期中報告」,南投縣環保局,1998。 16.莊振義、張能復,「反應性軌跡模式於南高屏地區臭氧污染事件之應用與解析」,第十六屆空氣污染控制技術研討會論文集,第649-654頁,1999。 17.陳立、白子易、黃偉慶等人,「倒傳遞類神經網路預測電弧爐爐渣骨材化學性質對混凝土強度之影響」,第十九屆廢棄物處理技術研討會論文集,第3-4頁,2004。 18.陳忠義,「中部空品區高臭氧事件之模擬分析」,碩士論文,中興大學環境工程系研究所,1998。 19.陳景堂,「系統分析:SPSS for Windows入門與應用」,四版,儒林圖書有限公司,台北,第17-1~20-22頁,2000。 20.陳順宇、鄭碧娥,「統計學」,華泰書局,三版,台北,第14-1~15-18頁,1998。 21.陳耀茂,「多變量分析導論」,高立書局,2002。 22.曾宇代、林明德,「空間推估法結合地理資訊系統模擬臭氧濃度空間分佈之研究」,第十二屆環境規劃與管理研討會論文集,第31-37頁,1999。 23.程萬里、黃怡嘉,「中部地區臭氧及懸浮微粒與氣象因子之相關研究」,第十七屆空氣污染控制技術研討會論文集,第38-44頁,2000。 24.黃正義、陳王琨,「空氣污染防制學」,淑馨出版社,台北,第357-388頁,1999。 25.黃宗仁,「利用類神經網路預測台中地區臭氧趨勢之研究」,碩士論文,中興大學環境工程學系研究所,2000。 26.黃俊英,「多變量分析」,華泰文化事業公司,1995。 27.萬騰州、陳建谷、簡家宏,「應用倒傳遞類神經網路及適應性模糊類神經網路模式預測垃圾焚化廠煙道氣之比較研究」,第十六屆環境規劃與管理研討會論文集,第5-25頁,2003。 28.葉怡成,「應用類神經網路」,儒林圖書公司,台北,1997。 29.葉怡成,「類神經網路—模式應用與實作」,儒林圖書公司,台北,1994。 30.蔡嘉和、白子易、陳世偉等人,「以GM(1,1)模型及類神經網路預測工業區廢水廠出流水水質之比較」,第十六屆環境規劃與管理研討會論文集,第5-14頁,2003。 31.鄭焜益、張能復,「反應性軌跡模式之應用與解析-以民國八十五年南高屏地區臭氧污染事件日劇本為例」,第十七屆空氣污染控制技術研討會論文集,第694-698頁,2000。 32.Abdul-Wahab, S., & Al-Alawi, S. (2002). Assessment and prediction of tropospheric ozone concentration levels using artificial neural networks. Environmental Modelling and Software, 17(3), 219-228. 33.Chaloulakou, A., Saisana, M., & Spyrellis, N. (2003). Comparative assessment of neural networks and regression models for forecasting summertime ozone in athens. The Science of the Total Environment, 313(1-3), 1-13. 34.Duenas, C., Fernandez, M. C., Canete, S., Carretero, J., & Liger, E. (2005). Stochastic model to forecast ground-level ozone concentration at urban and rural areas. Chemosphere, 61(10), 1379-1389. 35.Elkamel, A., Abdul-Wahab, S., Bouhamra, W., & Alper, E. (2001). Measurement and prediction of ozone levels around a heavily industrialized area: A neural network approach. Advances in Environmental Research, 5(1), 47-59. 36.Gomez-Sanchis, J., Martin-Guerrero, J. D., Soria-Olivas, E., Vila-Frances, J., Carrasco, J. L., & Del Valle-Tascon, S. (2006). Neural networks for analysing the relevance of input variables in the prediction of tropospheric ozone concentration. Atmospheric Environment, 40(32), 6173-6180. 37.Heo, J. S., & Kim, D. S. (2004). A new method of ozone forecasting using fuzzy expert and neural network systems. The Science of the Total Environment, 325(1-3), 221-237. 38.Lu, H. C., & Chang, T. S. (2005). Meteorologically adjusted trends of daily maximum ozone concentrations in Taipei, Taiwan. Atmospheric Environment, 39(35), 6491-6501. 39.Milford, J., Gao, D., & Sillman, S. (1994). Total reactive nitrogen (NO {sub y}) as an indicator of the sensitivity of ozone to reductions in hydrocarbon and NO {sub x} emissions. Journal of Geophysical Research, 99(D2). 40.Pastor-Barcenas, O., Soria-Olivas, E., Martin-Guerrero, J., Camps-Valls, G., Carrasco-Rodriguez, J., & Valle-Tascon, S. (2005). Unbiased sensitivity analysis and pruning techniques in neural networks for surface ozone modelling. Ecological Modelling, 182(2), 149-158. 41.Prybutok, V., Yi, J., & Mitchell, D. (2000). Comparison of neural network models with ARIMA and regression models for prediction of houston''s daily maximum ozone concentrations. European Journal of Operational Research, 122(1), 31-40. 42.Sillman, S. (1998). Evaluating the Relation between Ozone, NOx and Hydrocarbons: The Method of Photochemical Indicators. NASA, 19980205681. 43.Sousa, S., Martins, F., Alvim-Ferraz, M., & Pereira, M. (2007). Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations. Environmental Modelling & Software, 22(1), 97-103. 44.Sousa, S. I., Martins, F. G., Pereira, M. C., & Alvim-Ferraz, M. C. (2006). Prediction of ozone concentrations in oporto city with statistical approaches. Chemosphere, 64(7), 1141-1149. 45.Spellman, G. (1999). An application of artificial neural networks to the prediction of surface ozone concentrations in the united kingdom. Applied Geography, 19(2), 123-136. 46.Wang, D., & Lu, W. Z. (2006). Interval estimation of urban ozone level and selection of influential factors by employing automatic relevance determination model. Chemosphere, 62(10), 1600-1611. 47.Wang, W., Lu, W., Wang, X., & Leung, A. Y. (2003). Prediction of maximum daily ozone level using combined neural network and statistical characteristics. Environment International, 29(5), 555-562. 48.Wingenter, O. W., & Chan, C. C. (2005). Diurnal and seasonal cycles of ozone precursors observed from continuous measurement at an urban site in Taiwan. Atmospheric Environment, 39, 3221-3230.
摘要: 
根據環保署2002~2005年的資料顯示,中部地區正面臨日漸嚴重的臭氧污染問題,如能有效建立臭氧生成趨勢之模擬方法,將可作為往後研究之參考。由於臭氧的生成乃是極複雜的非線性機制,所以本研究利用善於處理非線性問題的類神經網路,來嘗試建立一套中部地區臭氧趨勢的模擬模式,並將其模擬結果與使用複線性迴歸及上述兩種分析方法分別搭配主成份分析所得之結果相互比較,以評斷模式之優劣。研究最終目的在於選用較佳的分析方法,進行臭氧控制策略研擬之評估,以期能有效控制竹山地區之高臭氧污染問題。
本研究主要是模擬2003~2004年之忠明測站與竹山測站的臭氧濃度,結果顯示,不論是忠明測站或是竹山測站,其模擬效果皆以類神經網路最好,其次是主成份分析-類神經網路及主成份分析-複線性迴歸,以複線性迴歸效果最差。在臭氧前驅物減量效果方面,本研究的結果發現減少台中市線源與台中電廠的NOx排放量,臭氧的濃度微幅增加,而減少通宵電廠,臭氧的濃度則微幅降低,但效果皆不明顯。

Monitoring data from Taiwan Environmental Protection Administration indicates that the ozone pollution of central Taiwan is getting worse. Therefore, developing simulation models that can effectively predict the trend of ozone generation becomes an important task. This study utilizes the monitoring ozone concentration of Chumgming and Chusan stations from 2003-2004 and employs several techniques, including artificial neural network (ANN), multiple linear regression (MLR) and these two methods integrated with principal component analysis (PCA), to build a ozone simulation model suitable for central Taiwan. The results reveal that for both two stations, the results simulated by ANN are the most accurate, followed by PCA-ANN, PCA-MLR, and MLR. The ANN is then applied to assess the ozone reduction effect in urban areas while controlling the different kinds of precursors. The results show that the ozone concentration of Chusan is affected by the NOx emitted from Tunghsiao power plants. However, neither the mobile sources of Taichung or the NOx emitted form Taichung power plants are found significantly related with the ozone concentration of Chusan.
URI: http://hdl.handle.net/11455/5278
其他識別: U0005-1308200716293900
Appears in Collections:環境工程學系所

Show full item record
 

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.