造成高雄都會區空氣品質不佳的主要指標污染物為懸浮微粒（PM10）及臭氧（O3）。臭氧為二次污染物，乃由其前驅污染物，如非甲烷碳氫化合物（NMHC）及氮氧化物（NOx）經一系列複雜之光化學反應產生。
本研究使用民國87－96年高雄市4個空氣品質監測站之臭氧濃度作一趨勢探討，由月變化趨勢分析結果顯示每年十月份通常是臭氧濃度最高之月份，隔年三月份次之，而夏季是臭氧最低之季節。
由於監測資料本身具有時間性，並呈現非線性動態的趨勢，故將利用類神經網路本身所具備系統識別、自我學習…等特性及解決非線性動態系統問題之能力。本研究使用類神經網路模擬高雄都會區臭氧濃度趨勢，網路訓練使用臭氧為高濃度時的氣象因子和空氣品質數據。
首先透過試誤法及相關理論基本法則，求得資料分割比例、隱藏層單元數、訓練函數、學習速率、動量修正係數等五個參數之最適化設定值。結果顯示臭氧趨勢模擬其相關係數在0.865－0.899之間，一致性指數IOA（Index of Agreement）在0.927－0.934之間，趨勢分析結果皆屬高度相關，本研究的結果顯示類神經網路是空氣污染模擬適用的方法。

PM10 and ozone are the dominant air pollutants in the Urban Kaohsiung. Ozone is a secondary pollutant generated in the troposphere from the precursors nitrogen dioxide and non-methane hydrocarbons.
The trends of ozone concentrations first statistically are summarized utilizing the monitoring data during the period 1998－2007. All data are collected from four fixed-site air quality monitoring stations in Kaohsiung City. The results show that ozone concentration in Kaohsiung has one perennial peak concentration, occurring in October and March. The highest values occur in October and the secondary high value in March. The lowest values occur in the summer.
The monitor data possess timeliness of data and the non-linear dynamic tendency. Artificial Neural Network （ANN）, a system recognition, self-study function and ability of the solution to non-linearity dynamic system problem, was used as a tool to analyze these monitor data. This work utilizing neural networks develops a model to predict the trend of ozone situations in the Urban Kaohsiung. The network was trained using meteorological factor and air quality data when the ozone concentrations are the highest.
The optimum set value of five parameters including date partition, hidden layer neurons, training function, leraning rate , and momentum coefficient were obtained based on trial and error methods. The simulated results of ozone concentration have a correlation coefficient within the range 0.865－0.899 and IOA within the range 0.927－0.934. The trend results of ozone concentration reflect strong relationships in all stations. The results of this study indicate that the artificial neural network (ANN) is a promising method for air pollution modeling.

謝 誌.............................................................................................................. I
摘 要.............................................................................................................II
Abstract ......................................................................................................... III
目 錄.............................................................................................................V
表目錄........................................................................................................ VIII
圖目錄........................................................................................................... IX
第一章 前言.........................................................................................1-1
1.1 研究緣起.........................................................................................1-1
1.2 研究目的.........................................................................................1-3
1.3 研究流程.........................................................................................1-4
第二章 高雄都會區空氣品質概況及文獻回顧.................................2-1
2.1 高雄地區空氣品質概述.................................................................2-1
2.1.1 高雄都會區環境負荷...........................................................2-1
2.1.2 高雄市空氣品質現況...........................................................2-4
2.1.3 高雄地區歷年氣象概述.....................................................2-14
2.2 臭氧問題之探討...........................................................................2-17
2.2.1 對流層中臭氧生成與反應.................................................2-17
2.2.2 臭氧與氣象之相關性.........................................................2-19
2.2.3 臭氧對環境之影響.............................................................2-21
2.2.4 空氣品質標準.....................................................................2-21
2.3 臭氧污染之探討及濃度趨勢變化之研究..................................2-22
2.3.1 統計方法.............................................................................2-22
2.3.2 光化學反應性軌跡模式.....................................................2-23
2.3.3 類神經網路.........................................................................2-23
第三章 類神經網路原理與應用.........................................................3-1
3.1 類神經網路介紹............................................................................3-1
3.2 類神經網路理論............................................................................3-4
3.2.1 類神經網路基本架構..........................................................3-4
3.2.2 類神經網路分類................................................................ 3-11
3.3 倒傳遞類神經網路......................................................................3-12
3.3.1 倒傳遞類神經網路的架構.................................................3-13
3.3.2 倒傳遞類神經網路的演算法.............................................3-14
3.3.3 倒傳遞類神經網路的演算流程.........................................3-20
3.4 類神經網路之優缺點..................................................................3-22
第四章 研究範圍及類神經網路之建立.............................................4-1
4.1 數據前處理....................................................................................4-1
4.1.1 遺漏值轉置...........................................................................4-1
4.1.2 資料正規化處理...................................................................4-1
4.2 資料來源及範圍篩選....................................................................4-3
4.2.1 臭氧監測資料.......................................................................4-5
4.2.2 輸入變數篩選.......................................................................4-9
4.2.3 氣象因子監測資料.............................................................4-10
4.3 倒傳遞類神經網路之建立.........................................................4-13
4.3.1 神經元模型........................................................................4-14
4.3.2 隱藏層................................................................................4-14
4.3.3 學習速率............................................................................4-14
4.4 敏感度分析..................................................................................4-16
4.5 效能評估......................................................................................4-16
4.5.1 類神經網路效能評估.........................................................4-16
4.5.2 趨勢模擬效能評估.............................................................4-18
第五章 結果與討論.............................................................................5-1
5.1 網路參數設定................................................................................5-1
5.2 網路訓練與測試............................................................................5-4
5.2.1 楠梓測站...............................................................................5-7
5.2.2 左營測站...............................................................................5-7
5.2.3 小港測站...............................................................................5-8
5.2.4 前金測站...............................................................................5-8
5.3 網路模擬結果..............................................................................5-13
5.4 敏感度分析結果..........................................................................5-19
第六章 結論與建議.............................................................................6-1
6.1 結論................................................................................................6-1
6.2 建議................................................................................................6-2
參考文獻…………………………………………………………………………7-1
表目錄
表1-1 高雄市空氣品質目標表.................................................................1-2
表2-1 95 年都會區環境負荷比較.............................................................2-2
表2-2 高雄地區近十年各月份平均氣象資料統計表...........................2-16
表2-3 台灣地區及國外易發生高臭氧之氣象條件（廖琇怡，2005）
..............................................................................................2-20
表3-1 各種轉換函數圖形.........................................................................3-7
表3-2 類神經網路模式學習分類彙整表...............................................3-10
表4-1 測站基本資料.................................................................................4-4
表4-2 文獻中使用與臭氧濃度相關之變數.............................................4-9
表4-3 相關係數的強度大小與意義.......................................................4-17
表5-1 Matlab 類神經網路參數設定.........................................................5-1
表5-2 最適當之神經元數測試結果.........................................................5-3
表5-3 變數數量統計表.............................................................................5-4
表5-4 網路輸入變數組合.........................................................................5-5
表5-5 網路篩選結果.................................................................................5-6
表5-6 網路模擬結果...............................................................................5-14
表5-7 臭氧各組網路篩選前後結果統計彙整.......................................5-18
表5-8 四座測站敏感度分析結果...........................................................5-20
表5-9 四座測站敏感度平均結果...........................................................5-21
圖目錄
圖1-1 空氣品質不良之指標污染物比較圖..............................................1-1
圖1-2 研究流程圖.....................................................................................1-4
圖2-1 人口數及密度比較圖.....................................................................2-3
圖2-2 車輛數及密度比較圖.....................................................................2-3
圖2-3 工廠數量及密度比較圖.................................................................2-3
圖2-4 高雄都會區各測站PSI>100 指標污染物之站日數逐月變化圖 （91
年－96 年）.........................................................................................2-4
圖2-5 高雄都會區87－96 年各測站O3 濃度逐月變化趨勢圖.............2-6
圖2-6 高雄都會區87－96 年各測站SO2 濃度逐月變化趨勢圖...........2-7
圖2-7 高雄都會區87－96 年各測站CO 濃度逐月變化趨勢圖...........2-8
圖2-8 高雄都會區87－96 年各測站PM10 濃度逐月變化趨勢圖.........2-9
圖2-9 高雄都會區87－96 年各測站NOX 濃度逐月變化趨勢圖.......2-10
圖2-10 高雄都會區87－96 年各測站NO 濃度逐月變化趨勢圖....... 2-11
圖2-11 高雄都會區87－96 年各測站NO2 濃度逐月變化趨勢圖......2-12
圖2-12 臭氧等值圖（NRC, 1991；蘇聖群，2002）...........................2-19
圖3-1 生物神經元模型（羅，2004）.....................................................3-2
圖3-2 類神經網路人工神經元構造示意圖.............................................3-4
圖3-3 類神經網路架構示意圖.................................................................3-8
圖3-4 倒傳遞類神經網路基本架構圖（葉，2003）...........................3-13
圖3-5 網路學習過程流程圖...................................................................3-21
圖3-6 網路回想過程流程圖...................................................................3-22
圖4-1 高雄都會區空氣品質監測站地理位置圖.....................................4-3
圖4-2 楠梓測站臭氧年變化趨勢圖（2007 年）.....................................4-6
圖4-3 左營測站臭氧年變化趨勢圖（2007 年）.....................................4-6
圖4-4 小港測站臭氧年變化趨勢圖（2007 年）.....................................4-7
圖4-5 前金測站臭氧年變化趨勢圖（2007 年）....................................4-7
圖4-6 2007 年楠梓測站臭氧季平均之逐時變化分析圖.........................4-7
圖4-7 2007 年左營測站臭氧季平均之逐時變化分析圖.........................4-8
圖4-8 2007 年小港測站臭氧季平均之逐時變化分析圖.........................4-8
圖4-9 2007 年前金測站臭氧季平均之逐時變化分析圖.........................4-8
圖4-10 氣壓年變化趨勢圖（2007 年）................................................ 4-11
圖4-11 溫度年變化趨勢圖（2007 年）................................................ 4-11
圖4-12 相對溼度年變化趨勢圖（2007 年）........................................4-12
圖4-13 風速年變化趨勢圖（2007 年）................................................4-12
圖4-14 日照時數年變化趨勢圖（2007 年）........................................4-12
圖4-15 Matlab 7.0 軟體介面...................................................................4-13
圖4-16 nntool 主畫面視窗......................................................................4-13
圖4-17 過度學習現象（林，2006；葉怡成，1999）.........................4-15
圖5-1 楠梓測站網路A4 訓練過程視窗...................................................5-7
圖5-2 楠梓測站變數篩選前（網路A1）測試散佈圖...........................5-9
圖5-3 楠梓測站變數篩選後（網路A4）測試散佈圖............................5-9
圖5-4 左營測站變數篩選前（網路A1）測試散佈圖.........................5-10
圖5-5 左營測站變數篩選後（網路A4）測試散佈圖..........................5-10
圖5-6 小港測站變數篩選前（網路A1）測試散佈圖.......................... 5-11
圖5-7 小港測站變數篩選後（網路A3）測試散佈圖......................... 5-11
圖5-8 前金測站變數篩選前（網路A1）測試散佈圖.........................5-12
圖5-9 前金測站變數篩選後（網路A2）測試散佈圖.........................5-12
圖5-10 楠梓測站變數篩選前之模擬結果（A1）................................5-15
圖5-11 楠梓測站變數篩選後模擬結果（A2） ....................................5-15
圖5-12 左營測站變數篩選前之模擬結果（A1）................................5-15
圖5-13 左營測站變數篩選後之模擬結果（A4）................................5-16
圖5-14 小港測站變數篩選前之模擬結果（A1）................................5-16
圖5-15 小港測站變數篩選後之模擬結果（A3）................................5-16
圖5-16 前金測站變數篩選前之模擬結果（A1）................................5-17
圖5-17 前金測站變數篩選後之模擬結果（A2）................................5-17
圖5-18 前金測站變數篩選後之模擬結果（A5）................................5-17
圖5-19 高雄都會區四座測站平均敏感度比較圖.................................5-21
圖5-20 楠梓測站敏感度分析結果之一..................................................5-22
圖5-21 楠梓測站敏感度分析結果之二..................................................5-23
圖5-22 左營測站敏感度分析結果之一..................................................5-24
圖5-23 左營測站敏感度分析結果之二..................................................5-25
圖5-24 小港測站敏感度分析結果之一..................................................5-26
圖5-25 小港測站敏感度分析結果之二..................................................5-27
圖5-26 前金測站敏感度分析結果之一..................................................5-28
圖5-27 前金測站敏感度分析結果之二..................................................5-29

周鵬程，「類神經網路入門第三版」，2006。
林修平，2006，「主成分分析及類神經網路應用於工業區污水處理廠之水質預測」，立德管理學院資源環境學系，碩士論文。
林鶴年，2002，「南高屏地區污染事件成因解析-以85年10、11月高臭氧事件為例」，國立臺灣大學，碩士論文。
林逸塵，2002，「類神經網路應用於空氣品質預測之研究」，國立中山大學環境工程研究所，碩士論文。
倪國敦，2004，「高高屏地區臭氧趨勢分析與氣象因子相關性之探討」，國立中山大學環境工程研究所，碩士論文。
張艮輝、陳建鴻，2003，「台灣地區臭氧污染控制物種之分析」
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，1999。
張榕書，2006，「1994-2004 年台灣近地面臭氧特性分析」，國立中央大學大氣物理研究所，碩士論文。
莊桓齊，2001，「台灣地區臭氧敏感性光化指標方法之建立與探討」，國立台灣大學環境工程學研究所，碩士論文。
郭富聚，2002，「應用類神經網路預測台北市臭氧濃度之研究」，國立臺北科技大學環境規劃與管理研究所，碩士學位論文。
陳建谷，2003，「應用倒傳遞類神經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」，碩士論文，國立雲林科技大學，環境與安全工程所。
彭彥彬，2003，「屏東地區臭氧敏感物種與光化指標之研究探討(2002-2003)」，國立中山大學環境工程研究所，碩士論文。
黃宗仁，2001，「利用類神經網路預測台中都會區臭氧趨勢之研究」，國立中興大學環境工程研究所，碩士論文。
楊敦翔，2003，「以類神經網路與特徵選取技巧處理空氣能見度預測問題之研究」，國立中山大學機械與機電工程學系，碩士論文。
葉怡成，「類神經網路應用與實作第八版」，2003。
葉懷仁，2003，「類神經網路應用於引擎聲訊之辨識」，國立中山大學物理研究所，碩士論文。
廖琇怡，2005，「高雄市臭氧特性與氣象因子之相關性探討」，國立中山大學環境工程研究所，碩士論文。
歐雅雯，2005，「以VOC測站網探討中台灣臭氧成因」，國立中央大學化學研究所，碩士論文。
蔡政雄，2001，「臭氧前驅物連續監測與臭氧生成之光化學探討」，國立中央大學化學研究所，碩士論文。
環保署，中華民國空氣品質監測報告九十五年年報，行政院環保署，2006。
簡家宏，2004，「應用基因類神經網路於空氣品質短期預測及監測資料異常值診斷之研究-以台中縣沙鹿測站為例」，國立雲林科技大學環境與安全衛生研究所，碩士論文。
羅慕君，2004，「短期訂單預測模型之研究—PDA產業為例」，碩士論文，中原大學，資訊管理學系。
蘇聖群，2004，「NOX與NMHC濃度對臭氧產生濃度之影響與探討」，國立中興大學環境工程學系，碩士論文。
E. Agirre-Basurko , G. Ibarra-Berastegi , I. Madariaga ,“Regression and multilayer perceptron-based models to forecast hourly O3 and NO2 levels in the Bilbao area ,”Environmental Modelling & Software 21 ,p.430–446 ,2006 .
S.A. Abdul-Wahab, S.M. Al-Alawi ,“Assessment and prediction of tropospheric ozone concentration levels using artificial neural networks, ” Environmental Modelling & Software 17 ,p.219–228, 2002 .
S.I.V. Sousa, F.G. Martins , M.C.M. Alvim-Ferraz, M.C. Pereira ,“Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations ,”Environmental Modelling & Software 22 , p.97–103 ,2007 .
Sabah A. Abdul-Wahab, Charles S. Bakheit, Saleh M. Al-Alawi ,“Principal component and multiple regression analysis in modelling of ground-level ozone and factors affecting its concentrations ,”
Environmental Modelling & Software 20 ,p.1263–1271 ,2005 .
Saleh M. Al-Alawi , Sabah A. Abdul-Wahab , Charles S. Bakheit ,“Combining principal component regression and artificial neural networks for more accurate predictions of ground-level ozone,” Environmental Modelling & Software 23 , p.396–403 ,2008 .
Sohn, Sang Hyum, Oh, Sea Cheon, Jo, Byung Wan, and Yeo, Yeong-Koo, “Prediction of Ozone Formation Based on Neural Network, ”
Journal of Environmental Engineering, p.688–696, 2000 .
Yi J., and Prybutok V.R. ,“A Neural Network Model Forecasting for Prediction of Daily Maximum Ozone Concentration in An Industrialized Area,” Environment Pollution, 92(3): 349–357 ,1996 .
Zhiwei Han ,“A regional air quality model: Evaluation and simulation of O3 and relevant gaseous species in East Asia during spring 2001 ,”Environmental Modelling & Software 22 p.1328–1336 ,2007 .