韓劇電影你都看哪一部呢？論文書籍站
中原大學 環境工程學系 王玉純所指導 張家維的 應用類神經網路預測發電廠周圍細懸浮微粒及臭氧濃度 （2020），提出伸港天氣每小時關鍵因素是什麼，來自於火力發電廠、類神經網路、細懸浮微粒、臭氧。
而第二篇論文輔英科技大學 環境工程與科學系碩士班 林清和所指導 陳澤駿的 埔里地區空氣污染來源與傳輸特性研究 （2018），提出因為有 海陸風環流、臭氧、氣團逆軌跡、埔里探空的重點而找出了 伸港天氣每小時的解答。
應用類神經網路預測發電廠周圍細懸浮微粒及臭氧濃度
為了解決伸港天氣每小時 的問題，作者張家維 這樣論述：
根據2020年統計燃煤占發電量的36%，表示臺灣燃煤發電量仍為高占比，而典型預測空氣品質模式包含高斯類擴散模式、軌跡類模式與網格類模式等，本研究以機器學習中的類神經網路(Artificial Neural Network, ANN)整合分析環保署固定污染源連續自動監測設施資料(Continuous Emission Monitoring Systems, CEMS)、環保署空氣品質監測資料、中央氣象局氣象觀測資料，用以預測鄰近三座台電電廠(林口、台中、大林)每日的細懸浮微粒與臭氧濃度並探討預測結果。蒐集2019至2020年林口、台中、大林電廠之固定污染源每小時排放數據(包含氮氧化物及二氧化硫
)，林口、沙鹿、小港空氣品質監測站之每小時空氣污染物數據(包含二氧化硫、二氧化氮、一氧化碳、臭氧、細懸浮微粒及懸浮微粒)與林口、梧棲、鳳森氣象觀測站之每日大氣數據(包含溫度、氣壓、濕度、風速及風向)等參數，將前述資料彙整為日平均值導入以Python語言程式建構的ANN模型中作為輸入參數，輸出參數為細懸浮微粒(μg/m3)與臭氧(ppb)，決定係數(Coefficient of determination, R2)、均方根誤差(Mean Square Error, MSE)與絕對平均誤差(Mean Absolute Error, MAE)用以評估模型表現，隱藏層神經元試誤後，結果得出細懸浮微粒與
臭氧分別使用22個與23個隱藏層神經元有最佳的預測表現，再將數據分區建立模型，保留訓練與驗證時連接層與層之間的最佳權重值，用以預測2021年1月至3月的細懸浮微粒與臭氧濃度。以ANN預測每日細懸浮微粒濃度，林口空氣品質監測站之最佳設定在丟棄神經元為 20%，學習速率 0.01平均R2值為 0.9057；沙鹿空氣品質監測站之最佳設定在丟棄神經元為 0%，學習速率 0.004平均R2值為 0.9243；小港空氣品質監測站之最佳設定在丟棄神經元為 0%，學習速率 0.004平均R2值為 0.9303。以ANN預測每日臭氧濃度，林口空氣品質監測站之最佳設定在丟棄神經元為 20%，學習速率 0.006平
均R2值為 0.7523；沙鹿空氣品質監測站之最佳設定在丟棄神經元為 0%，學習速率 0.008平均R2值為 0.7437；小港空氣品質監測站之最佳設定在丟棄神經元為 20%，學習速率 0.01平均R2值為 0.7626。預測結果顯示，細懸浮微粒預測值低於實際值，結果與訓練模型時結果大致相符；然而臭氧預測值大部分高於實際值，模型預測細懸浮微粒表現較佳。本研究建立預測細懸浮微粒之ANN模型，僅使用少部分參數及資料量即可達到良好的預測效果，可以作為未來預測空氣品質的參考依據，建議未來能夠應用於其他電廠進行預測評估。此外，臭氧結果較差原因推測臭氧多為衍生性，並非由污染源直接排放，建議未來臭氧預測納入
光化學評估監測站、揮發性有機物等相關臭氧前驅物之數據與傳輸、沉降、排放等大氣因子作為建立模型之參數。
埔里地區空氣污染來源與傳輸特性研究
為了解決伸港天氣每小時 的問題，作者陳澤駿 這樣論述：
本研究使用無線電氣象探空儀及無線電臭氧探空儀進行大氣垂直剖面氣象與臭氧實場觀測，了解埔里地區垂直剖面之氣象與臭氧分佈特性，並藉由氣團逆軌跡模式進行氣團溯源，解析污染氣團來源，希望有助釐清埔里地區空氣污染來源及特性。本研究於2018年9月18日至2018年9月23日於埔里鎮水尾國小進行繫留氣球實驗，研究結果發現埔里地區臭氧污染特性為：每日午後15時~17時為污染高峰值，高峰濃度達70~85ppb；混合層最高峰出現於13時約為900-1100公尺，最低出現於22時~隔日6時約為50~100公尺。中部地區4月及9月為夏季西南季風及冬季東北季風轉風期間；5月至8月為海風發展盛行期間，沿海地區約於10
時開始受海風影響，台中市區則約晚一小時於11時開始受海風影響，埔里地區約於12時後開始受海風影響。利用氣團逆軌跡進行溯源分析，發現埔里地區發生污染事件時氣團大多來自西部平原，未發生污染時氣團來自山區。且因埔里屬於盆地地形除了強勁海風將外來氣團帶入後，夜間則以静風為主，導致氣團於埔里徘徊停滯於埔里。關鍵字：海陸風環流、臭氧、氣團逆軌跡、埔里探空