consensus

背景

Consensus AI 是一個學術研究的 AI 搜尋引擎bentley、marshallgjones。它旨在加速研究過程，幫助使用者更快地找到重要的資訊(effortlessacademic)。

發展歷史與背景：

• Consensus AI 由 Eric Olson 和 Christian Salem 創立，他們在消費者技術領域有豐富的背景。
• 該公司於 2022 年 9 月成立(.ipl.org)。

環境領域的應用：

目前沒有明確資訊顯示 Consensus AI 在環境領域的應用。搜尋結果中提及了 AI 對環境的影響，例如產生大量能源和水，以及 AI 訓練和資料中心對環境的影響。

如何使用 Consensus AI 工具來做學術論文研究：

• 搜尋文獻：Consensus AI 是一個專注於學術研究內容的搜尋工具。它能搜尋超過 2 億篇科學研究論文。oregonstate
• 證據合成：它使用 AI 來合成研究結果的證據型摘要(virginia)。
• 快速理解研究：Consensus AI 旨在幫助使用者快速理解特定主題的同儕評審研究的內容。

• 尋找、組織和分析科學：Consensus 是一個 AI 學術搜尋引擎，用於更快地尋找、組織和分析科學。

• 官網
• 免費15次搜尋

搜尋策略及結果

策略

• 組合成更容易搜尋的同意子句
• 按照關鍵字的”聯集”
• 不同子句的交集前20筆

結果

分析

參考

串聯Zotero

• 檔案 → 匯入 → 檔案(…RIS…) → 開啟

• 選取ctrl-shift-C

• 貼上 ctrl-V

• Soh, P.-W., Chang, J.-W., Huang, J.-W. (2018). Adaptive Deep Learning-Based Air Quality Prediction Model Using the Most Relevant Spatial-Temporal Relations. IEEE Access 6, 38186–38199. doi

  價格

• 如果有2個以上同仁愛讀書的，以團隊企業方案就會划算

個人方案
企業共用席位
API費用

深度學習在台灣空氣品質預測的應用：關鍵模型與研究結果

台灣近期的研究迅速採用深度學習來改善PM2.5 和其他污染物的預測，從而能夠更早發佈公共衛生預警並做出更好的政策決策。

主要深度學習架構和目標

• LSTM / RNN 系列

  • 利用深度多輸出LSTM模型對台北地區PM2.5/PM10/NOx進行多步驟預測（至t+4），與淺層LSTM模型相比，提高了穩定性和準確率。 (Zhou et al., 2019).
  • 利用RNN/LSTM演算法結合來自77個空氣站和580個氣象站的氣象數據，對全國範圍內的PM2.5進行預測，其R²值比梯度提升、SVM和CART演算法分別提高了約27%和34%的RMSE值。 (Lin et al., 2020).
  • 針對高污染區域優化的LSTM模型，實現了1-24小時均方根誤差(RMSE)為6.3-13.1 μg/m³，並能提供長達9小時的有效預測。 (Tran et al., 2023).
  • 使用 LSTM 和全連接層進行 12 小時空氣品質指數（不僅限於 PM2.5）預測，並已部署在台灣官方監測網路和應用程式中。(Wang et al., 2023).

• CNN / Hybrid 深度模型

  • CNN-BP 和 MCNN-BP 混合模型用於台灣全境多站點、多時域 PM2.5 監測（長達 72 小時），其性能明顯優於隨機森林、LSTM 和純 ACT 化學傳輸模型，同時縮短了計算時間。 (Kow et al., 2022; Kow et al., 2020).
  • 將卷積神經網路（CNN）與WRF-CMAQ業務預報結合，可將72小時均方根誤差（RMSE）從10.48 μg/m³降低至6.88 μg/m³，並能更好地捕捉高污染事件。(Lee et al., 2024).
  • AE-CNN-BP混合模型用於高雄工業區4小時前高時空PM2.5監測（數百個微型感測器），R²≈0.76–0.82 (Wu et al., 2023).

代表模型與預報時距

Figure 1: 主要深度模型與預報範圍一覽

台灣地區的特殊創新**

• 多源資料整合：結合地面站、氣象站、化學傳輸模式輸出、衛星 AOD、鄰近及前哨站，提升長時距與跨區域預報能力 (Kow et al., 2022; Tran et al., 2023; Kibirige et al., 2021; Wang et al., 2023; Wu et al., 2023).
• 長程輸送與地形效應：利用衛星偵測遠程傳輸事件 (RTPEs) 的深度網路，+4–72 h 預報誤差改善 10–30% (Kibirige et al., 2021)；部分模型顯式考慮地形與區域差異 (Soh et al., 2018; Lee et al., 2020; Lin et al., 2020).
• 季節性與特定污染物：SGRU 模型針對 NO₂、SO₂、CO 等季節性序列，MAPE 可低至 0.44–1.2，優於 ARIMA、SARIMA、SVR、季節 LSTM (Zhang & Zhang, 2023; Yang et al., 2024).
• 實務應用：官方 AQI LSTM 模型已整合進台灣空品監測網與環境資訊推播 App，提供民眾 12 小時活動建議 (Wang et al., 2023).

性能與傳統方法*

跨研究，深度學習模型（LSTM、CNN 混合、GRU/SGRU）始終優於 ARIMA/SARIMA、SVM、隨機森林和單一化學傳輸模式，在 RMSE、MAE、R² 上明顯改善，特別是在多站、多時距與高污染事件預警方面(Kow et al., 2022; Zhou et al., 2019; Kow et al., 2020; Zhang & Zhang, 2023; Lee et al., 2024; Yang et al., 2024; Lin et al., 2020; Tran et al., 2023; Wu et al., 2023).

結語

對台灣而言，深度學習已成為空氣品質預測的核心工具，其應用範圍涵蓋全國PM2.5和空氣品質指數（AQI）到局部工業熱點區域和特定氣體。結合豐富的氣象和衛星資料輸入的混合CNN/LSTM框架能夠提供精準的多小時至多天預測，並已投入實際應用

These search results were found and analyzed using Consensus, an AI-powered search engine for research. Try it at https://www.consensus.app. © 2026 Consensus NLP, Inc. Personal, non-commercial use only; redistribution requires copyright holders’ consent.

References

Kibirige, G., Yang, M., Liu, C., & Chen, M. (2021). Using satellite data on remote transportation of air pollutants for PM2.5 prediction in northern Taiwan. PLOS ONE, 18. https://doi.org/10.36227/techrxiv.13734067.v1

Kow, P., Chang, L., Lin, C., Chou, C., & Chang, F. (2022). Deep neural networks for spatiotemporal PM2.5 forecasts based on atmospheric chemical transport model output and monitoring data.. Environmental pollution, 119348. https://doi.org/10.1016/j.envpol.2022.119348

Kow, P., Wang, Y., Zhou, Y., Kao, I., Issermann, M., Chang, L., & Chang, F. (2020). Seamless integration of convolutional and back-propagation neural networks for regional multi-step-ahead PM2.5 forecasting. Journal of Cleaner Production. https://doi.org/10.1016/j.jclepro.2020.121285

Lee, Y., Cheng, F., Chien, H., Lin, Y., & Sun, M. (2024). Enhancing real-time PM2.5 forecasts: a hybrid approach of WRF-CMAQ model and CNN algorithm. Atmospheric Environment. https://doi.org/10.1016/j.atmosenv.2024.120835

Lee, M., Lin, L., Chen, C., Tsao, Y., Yao, T., Fei, M., & Fang, S. (2020). Forecasting Air Quality in Taiwan by Using Machine Learning. Scientific Reports, 10. https://doi.org/10.1038/s41598-020-61151-7

Lin, L., Chen, C., Yang, H., Xu, Z., & Fang, S. (2020). Dynamic System Approach for Improved PM2.5 Prediction in Taiwan. IEEE Access, 8, 210910-210921. https://doi.org/10.1109/access.2020.3038853

Soh, P., Chang, J., & Huang, J. (2018). Adaptive Deep Learning-Based Air Quality Prediction Model Using the Most Relevant Spatial-Temporal Relations. IEEE Access, 6, 38186-38199. https://doi.org/10.1109/access.2018.2849820

Tran, H., Huang, H., Yu, J., & Wang, S. (2023). Forecasting hourly PM2.5 concentration with an optimized LSTM model. Atmospheric Environment. https://doi.org/10.1016/j.atmosenv.2023.120161

Wang, S., Huang, B., & Hu, M. (2023). A Deep Learning-based Air Quality Index Prediction Model Using LSTM and Reference Stations: A Real Application in Taiwan. 2023 33rd International Telecommunication Networks and Applications Conference, 204-209. https://doi.org/10.1109/itnac59571.2023.10368496

Wu, K., Hsia, I., Kow, P., Chang, L., & Chang, F. (2023). High-spatiotemporal-resolution PM2.5 forecasting by hybrid deep learning models with ensembled massive heterogeneous monitoring data. Journal of Cleaner Production. https://doi.org/10.1016/j.jclepro.2023.139825

Yang, C., Chen, P., Wu, C., Yang, C., & Chuang, L. (2024). Deep learning-based air pollution analysis on carbon monoxide in Taiwan. Ecol. Informatics, 80, 102477. https://doi.org/10.1016/j.ecoinf.2024.102477

Zhang, Z., & Zhang, S. (2023). Modeling air quality PM2.5 forecasting using deep sparse attention-based transformer networks. International Journal of Environmental Science and Technology, 20, 13535-13550. https://doi.org/10.1007/s13762-023-04900-1

Zhou, Y., Chang, F., Chang, L., Kao, I., & Wang, Y. (2019). Explore a deep learning multi-output neural network for regional multi-step-ahead air quality forecasts. Journal of Cleaner Production. https://doi.org/10.1016/j.jclepro.2018.10.243