高雄市小港区的天气的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

應用類神經網路預測發電廠周圍細懸浮微粒及臭氧濃度

為了解決高雄市小港区的天气的問題，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。