Scholar GPT
Table of contents
利用超過2億筆資源與內建的批判性閱讀能力來強化研究。輕鬆存取 Google Scholar、PubMed、bioRxiv、arXiv 等資料庫。
工具調用：sider_ai__jit_plugin.advancedScholarSearch
範例
請搜尋：台灣空氣品質預報的深度學習研究
台灣近年在「空氣品質預報（Air Quality Forecasting）」與「深度學習（Deep Learning）」的研究相當活躍，研究主題集中於 PM2.5、AQI、臭氧（O₃）以及多站點時空預測。主要方法包括 LSTM、CNN-LSTM、GRU、RNN、Autoencoder 與 GIS 空間模型等。研究單位則以臺大、成大、暨大、中研院相關合作團隊為主。
台灣近年在「空氣品質預報（Air Quality Forecasting）」與「深度學習（Deep Learning）」的研究相當活躍，研究主題集中於 PM2.5、AQI、臭氧（O₃）以及多站點時空預測。主要方法包括 LSTM、CNN-LSTM、GRU、RNN、Autoencoder 與 GIS 空間模型等。研究單位則以臺大、成大、暨大、中研院相關合作團隊為主。
台灣空氣品質預報深度學習研究概況
主要研究方向
1. PM2.5 短期預測
最常見的研究主題，通常預測未來 1–48 小時 PM2.5 濃度。
常見模型：
- LSTM（Long Short-Term Memory）
- GRU（Gated Recurrent Unit）
- CNN-LSTM 混合模型
- RNN
- Transformer（近年開始出現）
輸入資料：
- 環境部空品監測站資料
- 氣象資料（風速、濕度、溫度）
- 衛星資料
- 微型感測器資料
2. 時空空氣品質預測（Spatio-Temporal Forecasting）
結合：
- GIS
- 地理人工智慧（GeoAI）
- 深度神經網路
目標：
- 同時預測多測站
- 補足測站稀疏問題
- 建立區域性污染擴散模型
3. 工業區與高雄污染預測
高雄因重工業聚集，是重要研究案例：
- 石化污染
- VOCs
- PM2.5
- 臭氧
許多研究採：
- 多站點深度學習
- 大數據模型
- 工業排放 + 氣象整合
代表性研究（台灣）
以下整理較具代表性的研究與論文。
1. 蘇評威（2018）
《運用最相關的時空間關係之可適性深度學習空氣品質預測模型》
- 學校：成功大學
方法：
- CNN
- 多神經網路融合
- 時空關聯分析
預測：
- 最長 48 小時 AQI/PM2.5
特色：
- 使用台灣環保署監測站資料
- 強調「測站間關聯性」
連結： https://nckur.lib.ncku.edu.tw/handle/987654321/258497
2. 莊宜庭（2019）
《基於遞迴神經網路之深度學習建立 PM2.5 預測模型》
方法：
- RNN
- LSTM
特色：
- 台灣 PM2.5 時序預測
- 比較傳統統計法與深度學習差異
3. 林子琦（2019）
《短期空氣品質應變措施於多種天氣型態之有效性分析與效益評估》
- 臺灣大學
- 使用 LSTM 分析北部空品區
重點：
- 深度學習與氣象型態結合
- 探討政策與空污關係
連結： https://www.airitilibrary.com/Article/Detail/U0001-0608201922042200
4. 黃宇丞（2021）
《應用機器學習方法預測 PM2.5—以大台北地區為例》
比較：
- 線性回歸
- 機器學習
- 深度學習（LSTM）
結果：
- 深度學習優於傳統統計模型
連結： https://www.airitilibrary.com/Article/Detail/U0001-1402202218532400
5. 吳冠諺（2021）
《建立大數據深度學習模式以推估區域性多時刻空氣品質—以高雄市為案例》
方法：
- AE（Autoencoder）
- CNN
- LSTM
- GRU
特色：
- 高雄工業區案例
- 多時間尺度預測
PDF： https://tdr.lib.ntu.edu.tw/bitstream/123456789/79750/1/U0001-1808202115134400.pdf
6. 盧慧鴻（2018）
《以 LSTM 預測細懸浮微粒值規畫最佳行徑路線》
特色：
- 行動裝置應用
- 即時 PM2.5 預測
結合：
- 路徑規劃
- 空污避讓
連結： https://www.airitilibrary.com/Article/Detail/U0020-1608201814284100
7. 林祐如（2024）
《基於地理人工智慧方法與微型感測器數據進行 PM2.5 濃度未來數小時時空預測》
- 成功大學
方法：
- GeoAI
- LSTM
- 微型感測器
特色：
- 台中市案例
- 多站點空間預測
連結： https://nckur.lib.ncku.edu.tw/handle/987654321/313409
8. 邱普運等（2024）
《深度學習：環境資料數位化的應用》
內容：
- AI/DL 在台灣環境預報應用
比較：
- LSTM
- GRU
- Transformer
PDF：https://www.ncir.niar.org.tw/Files/Doc/Publication/InstTdy/241/02410153.pdf
台灣研究的技術趨勢
早期（2017–2020）
主流：
- ANN
- RNN
- LSTM
特徵：
- 單測站
- 時序預測
中期（2020–2023）
主流：
- CNN-LSTM
- GRU
- Autoencoder
特徵：
- 多測站
- 加入氣象資料
- 高雄工業區研究增加
最新（2024–2026）
新方向：
- GeoAI
- Transformer
- Graph Neural Network（GNN）
- 多模態資料融合
特徵：
- 微型感測器
- 衛星影像
- 即時預警
- Edge AI
台灣研究常用資料來源
環境部（原環保署）空品監測資料
AQX：https://airtw.moenv.gov.tw/
開放資料：https://data.moenv.gov.tw/
中央氣象署資料
氣象變數：
- 溫度
- 濕度
- 風速
- 降雨
微型感測器平台
例如：
- AirBox
- LASS
常用於：
- 高密度空污監測
- Deep Learning 時空分析
目前研究挑戰
1. 台灣地形複雜
- 山脈
- 海陸風
- 都市峽谷效應
使預測困難。
2. 測站數量有限
因此近年大量研究：
- 空間插值
- GNN
- GeoAI
3. 極端污染事件
例如：
- 境外沙塵
- 中國污染傳輸
- 冬季逆溫
深度模型仍不易預測。
建議閱讀順序（入門 → 進階）
入門
- 黃宇丞（2021）
- 莊宜庭（2019）
中階
- 林子琦（2019）
- 吳冠諺（2021）
進階
- 蘇評威（2018）
- 林祐如（2024）
- 邱普運等（2024）
延伸研究方向（值得做）
若你想做研究，台灣目前熱門方向包括：
- Transformer 空污預測
- GNN 空氣品質模型
- 衛星 + 地面站融合
- Explainable AI（XAI）
- 極端事件預警
- Edge AI 即時空污預測
- 空污與健康風險整合
參考文獻（整理）
- 蘇評威（2018）。《運用最相關的時空間關係之可適性深度學習空氣品質預測模型》。成功大學。
- 黃宇丞（2021）。《應用機器學習方法預測 PM2.5—以大台北地區為例》。臺灣大學。
- 林子琦（2019）。《短期空氣品質應變措施於多種天氣型態之有效性分析》。臺灣大學。
- 吳冠諺（2021）。《建立大數據深度學習模式以推估區域性多時刻空氣品質》。臺灣大學。
- 林祐如（2024）。《基於地理人工智慧方法與微型感測器數據進行 PM2.5 時空預測》。成功大學。
- 盧慧鴻（2018）。《以 LSTM 預測細懸浮微粒值規畫最佳行徑路線》。暨南國際大學。
- 邱普運等（2024）。《深度學習：環境資料數位化的應用》。科儀新知。
- 莊宜庭（2019）。《基於遞迴神經網路之深度學習建立 PM2.5 預測模型》。
You’ve experienced ScholarGPT — now meet what’s next. Scholar Deep Research Agent elevates your research game with: 🔍 350M+ trusted papers from top academic publishers, updated hourly. 🧠 Advanced multiple AI models dig through millions of sources for pinpoint insights, fast. 📝 Auto-generated highlights, smart notes, and visual reports 📁 All saved directly to your AI-powered knowledge base ScholarGPT helped you search. Now, transform how you think. Explore Scholar Deep Research