世界各國經濟活動互動頻繁且合作密切，船舶肩負貨物在國際間交流的重任，伴隨而來的空氣污染物排放問題也愈形嚴重。高雄港為臺灣最大之國際港埠，在經濟方面高雄港對於臺灣在國際間扮演很重要的角色，相對所造成的空氣污染排放長期為管制上的死角，如貨物裝卸時造成的總懸浮微粒(Total Suspended Particulate，TSP)排放。以高雄港為例，港區中位於中島商港區的第47號到56號碼頭逸散揚塵嚴重，總懸浮微粒屢次超標，造成嚴重污染的主因為該處是散裝貨輪靠港主要碼頭，貨輪所裝卸物料以廢鐵(屑)、焦炭、矽砂、礦砂、石灰石及水泥料等容易逸散物料為主。在以類神經網路探討港區碼頭於裝卸時易使總懸浮微粒濃度提高主要影響因子方面，依研究分析顯示，於模式一、檢測濃度高低篩選方式，進行之設定最佳輸入變數組合(如：物料密度、相對濕度、風向及風速)，並帶入隱藏層3預測得知之誤差百分比為13％，其所預測結果與實際值之間差異最小，且預測值與實際值間之分佈趨勢相關性較高，說明類神經網路理論可應用於預測高雄港港區總懸浮微粒濃度。整體研究結果得知主要影響港區總懸浮微粒濃度主要因子包含物料密度、相對濕度、風向及風速，其中又以相對濕度與物料密度扮演較重要角色，未來若在大氣條件如風向、風速及相對濕度皆達到本次研究考量範圍時，本研究之類神經網路模型可有效預測港區內可能總懸浮微粒濃度進而決定是否需加強防治措施或執行其他因應策略抑制總懸浮微粒濃度之逸散。

As nowadays the economic activities around the world interact frequently and closely, marine shipping is an important approach for international exchange of capitals, goods, and services. However, the associated air pollution is also becoming a serious environmental issue of concern.Kaohsiung harbor is the largest international port in southern Taiwan and plays an important role in the national economic development, whereas its long-term emissions of a variety of air pollutants such as total suspended particle (TSP) cargo loading and unloading is notorious environmental problem. The main sources for the air pollution in this areainclude the loading activities on a number of piers, while the materials to handle typically are composed of iron waste (scrap), coke, silica sand, ore, limestone and cement. The objective of this study is to investigate the feasibility of usingneural network system to predict the TSP concentrations from different piers and to study the important factors that influence the TSP emissions. The TSP concentrations analyzed from 2010 to 2012 were used as the database to study. The variables included material density, relative humidity, wind direction and wind speed, as the dependent variable was the TSP concentration. In the results of developing the neural network for learning,the mode 1, which separate the inputdata (for learning) and the check data (for demonstrating) by their sizes, helped the neural network generate more accurate results. The percentage of the relative error was the lowest (13%) when the hidden layer was three. By optimizing proper factors, the neural network established in this study was capable to provide reasonable predictions for the possible TSP concentrations on the piers in Kaohsiung Harbor by knowing the information including the material density, relative humidity, wind direction and wind speedoneach harbor. The major factors affecting the TSP concentration in the harbor includedthe material density and relative humidity. With properly known atmospheric characteristics such as those considered in this study, the neural network investigated in this study provides a preliminary result that can employed to decide whether it is necessary to strengthen the precautionary measures or to perform other strategies to curb the TSP concentrations in a harbor area such as Kaohsiung Harbor in this study。

目錄
論文審定書 i
摘 要 ii
目錄 v
圖目錄 viii
表目錄 x
第一章　前言 1
1.1研究緣起 1
1.2研究目的 6
第二章文獻回顧 9
2.1懸浮微粒的介紹 9
2.2懸浮微粒之來源 10
2.3懸浮微粒對體內之影響 11
2.4高雄港港區污染排放源之介紹 13
2.5影響總懸浮微粒之環境因子 16
2.5.1風速 17
2.5.2風向 17
2.5.3 相對溼度 18
2.5.4 降雨 18
2.5.5氣壓 19
2.5.6氣溫 20
2.6預測模式探討 22
2.6.1類神經網路 22
2.6.2類神經網路理論運用 23
第三章研究方法 25
3.1類神經網路原理 25
3.1.1類神經網路簡介 25
3.1.2 類神經網路模式架構 27
3.2空氣中粒狀污染物檢測法—高量採樣法 29
3.3氣候條件之參數選擇 30
3.4實驗方法 31
3.4.1碼頭環境檢測數據 31
3.4.2.類神經網路參數設定原則 37
3.4.3.學習數據與驗證數據設定 38
3.4.4.學習數據正規化 38
3.4.5.類神經網路之隱藏層數設定 39
3.4.6.不同變數之情境預測 39
第四章結果與討論 40
4.1 網路參數設定 40
4.2數據學習前處理 40
4.2.1物料密度 41
4.2.2相對溼度 42
4.2.3 風向 44
4.2.4 風速 45
4.2.5總懸浮微粒濃度 46
4.3學習數據選擇之影響 47
4.3.1第一種模式設定及結果 47
4.3.2第二種模式設定及結果 49
4.3.3兩種模式誤差百分比之比較 50
4.3.4學習組數誤差百分比之比較 51
4.4影響總懸浮微粒濃度之情境變化 52
4.4.1物料密度之濃度變化 53
4.4.2相對濕度之濃度變化 54
4.4.3風向之濃度變化 55
4.4.4風速之濃度變化 56
第五章結果與建議 57
5.1結論 57
5.2 建議 58
參考資料 60

 
圖目錄
圖1.1-1高雄港港區總圖 2
圖1.1-2高雄港進港貨物種類 3
圖1.1-3高雄港進港貨物百分比 4
圖1.1-4高雄港進港貨物百分比 5
圖1.2-1研究架構流程圖 8
圖2.3-1懸浮微粒對人體器官的危害 11
圖2.4-1港區碼頭裝卸作業之污染 14
圖2.4-2港區碼頭面進行裝卸作業之污染 14
圖2.4-3運輸時車斗未覆蓋產生之污染 15
圖2.4-4路運車輛擾動地面塵土之污染 15
圖3.1-1生物神經元組成結構示意圖 26
圖3.1-2類神經網路之人工神經元模型示意圖(林逸塵, 2002) 27
圖3.1-3神經網路架構圖(王進德,2006) 29
圖3.4-1 101~104年風向(角度)與濃度之趨勢圖 32
圖4.2.1-1 物料密度於隱藏層3層及5層之誤差百分比趨勢圖 42
圖4.2.2-1 相對濕度於隱藏層3層及5層之誤差百分比趨勢圖 43
圖4.2.3-1風向16方位圖 44
圖4.2.4-1 風速於隱藏層3層及5層之誤差百分比趨勢圖 45
圖4.2.5-1 總懸浮微粒濃度於隱藏層3層及5層之誤差百分比趨勢 46
圖4.3.1-1模式一(濃度篩選)進行隱藏層3層之測試結果 48
圖4.3.1-2模式一(濃度篩選)進行隱藏層5層之測試結果 48
圖4.3.2-1模式二(隨機篩選-奇數)進行隱藏層3層之測試結果 49
圖4.3.2-2模式二(隨機篩選-偶數)進行隱藏層5層之測試結果 50
圖4.4綜合不同情境下之總懸浮微粒濃度趨勢圖 52
圖4.4.1各物料密度區間之總懸浮微粒濃度變化 53
圖4.4.2各相對濕度區間之總懸浮微粒濃度變化 54
圖4.4.3各風向(角度)區間之總懸浮微粒濃度變化 55
圖4.4.4各風速區間之總懸浮微粒濃度變化 56



表目錄
表2.1-1懸浮微粒各粒徑大小 9
表2.3-1懸浮微粒對人體的影響 12
表2.5-1影響總懸浮微粒(TSP)及懸浮微粒(PM10)濃度之影響因子 21
表3.4-1 101年至104年檢測數據資料 33
表3.4-1 101年至104年檢測數據資料(續一) 34
表3.4-1 101年至104年檢測數據資料(續二) 35
表3.4-1 101年至104年檢測數據資料(續三) 36
表4.3.3隱藏層3層及5層之誤差百分比 50
表4.3.4隱藏層3層於不同組數之誤差百分比 51

參考資料
Boughrara, H., Chtourou, M., Amar, C.B., Chen, L., 2016. Facial expression recognition based on a mlp neural network using constructive training algorithm. Multimedia Tools and Applications 75, 709-731.
Cheng, S., Lam, K.-C., 2000. Synoptic typing and its application to the assessment of climatic impact on concentrations of sulfur dioxide and nitrogen oxides in Hong Kong. Atmospheric Environment 34, 585-594.
Lam, K.-C., Cheng, S., 1998. A synoptic climatological approach to forecast concentrations of sulfur dioxide and nitrogen oxides in Hong Kong. Environmental Pollution 101, 183-191.
Lek, S., Park, Y.S., 2008. Artificial Neural Networks A2 - Jørgensen, Sven Erik. in: Fath, B.D. (Ed.). Encyclopedia of Ecology. Academic Press, Oxford, pp. 237-245.
Lin, C.-W., Yeh, J.-F., Kao, T.-C., 2008. Source characterization of total suspended particulate matter near a riverbed in Central Taiwan. Journal of Hazardous Materials 157, 418-422.
Monn, C., Braendli, O., Schaeppi, G., Schindler, C., Ackermann-Liebrich, U., Leuenberger, P., Team, S., 1995. Particulate matter< 10 μm (PM10) and total suspended particulates (TSP) in urban, rural and alpine air in Switzerland. Atmospheric Environment 29, 2565-2573.
Sezer Turalıoğlu, F., Nuhoğlu, A., Bayraktar, H., 2005. Impacts of some meteorological parameters on SO2 and TSP concentrations in Erzurum, Turkey. Chemosphere 59, 1633-1642.
Smith, S., Stribley, F.T., Milligan, P., Barratt, B., 2001. Factors influencing measurements of PM 10 during 1995–1997 in London. Atmospheric Environment 35, 4651-4662.
Tsuang, B.-J., Chao, J.-P., 1999. Application of circuit model for Taipei City PM10 simulation. Atmospheric Environment 33, 1789-1801.
Van der Wal, J., Janssen, L., 1996. How contribute emission of PM10 and meteorology to concentrations of fine particles in the Netherlands. Journal of Aerosol Science 27, S681-S682.
Wang, D.S., Zhang, M., Li, Z., Song, C., Fu, M.X., Li, J., Chen, X., 2017. System impairment compensation in coherent optical communications by using a bio-inspired detector based on artificial neural network and genetic algorithm. Optics Communications 399, 1-12.
Williams, D., Hinton, G., 1986. Learning representations by back-propagating errors. Nature 323, 533-538.
林逸塵，2002. 類神經網路應用於空氣品質預測之研究。
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，2000。
江世民，「臺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，1999。
莊秉潔，「地表層擴散係數、風速、雨量及混合層高對臺北都會早上八時懸浮微粒濃度之影響」，中國環境工程學刊，第三卷，第二期，1993。
林斌龍，李崇德，「臺北地區 PM10濃度與氣象因子之多變量統計分析」，第七屆空氣污染控制技術研討會，1990。
鄭淑燕，望熙榮，鄭曼婷，「臺中地區空氣品質分析」，第八屆空氣污染控制技術研討會，1991。
蘭雪梅、朱健、黃承明、董德存，2003，『 BP網絡的 MATLAB實現，微型電腦應用』。
葉怡成，「類神經網路模式應用與實作第七版」，2000。
王奕鈞，2006.神經網路應用於地籍坐標轉換之研究.國立政治大學地政學系碩士論文。
蘇昭安，2003，應用倒傳遞類神經網路在颱風波浪預報之研究，國立臺灣大學工程科學與海洋工程學系碩士論文。
徐慈鴻，李貽華，黃偉銘，「粒狀污染物形態觀察與成分鑑定」，2004。
王進德，（2006），類神經網路與模糊控制理論入門與應用。
中華民國交通部，2017，http://www.motc.gov.tw/ch/index.jsp。
維基百科，懸浮粒子，2017，https://zh.wikipedia.org/wiki/%E6%87%B8%E6%B5%AE%E7%B2%92%E5%AD%90。
臺灣港務股份有限公司資訊網站，2017，http://www.twport.com.tw。
臺灣港務股份有限公司資訊網站，高雄港務分公司，2017，http://kh.twport.com.tw/chinese。
臺灣港務股份有限公司綠港政策主題網，高雄港環境報告書，2016，http://www.twport.com.tw/Upload/A/RelFile/CustomPage/2844/99c7d8f3-2c90-4df0-
b05c-737a508c7baf.pdf。
元科科技股份有限公司，高雄港散裝碼頭裝卸作業空氣污染防制座談會，2009，http://61.218.233.198/resources/files/document/A-39200707-794.PDF。
細懸浮微粒管制網，2015，http://air.epa.gov.tw/Public/suspended_particles.aspx。
行政院環境保護署環境檢驗所，2017，https://www.niea.gov.tw/analysis/method/ListMethod.asp?methodtype=AIR。