臺灣博碩士論文加值系統

本研究應用倒傳遞類神經網路（Back-Propagation Neural Network, BNN）與多元線性迴歸（Multiple Linear Regression, MLR）建立台中地區空氣品質之預測模式，BNN及MLR變數因子分別為以懸浮微粒（PM10）、懸浮微粒（PM2.5）、建築（房屋）工程（RC）、 建築（房屋）工程（SRC）、建築（房屋）工程（拆除）、隧道工程等條件，以2008年1月~11月為網路輸入參數建立最適化網路，對2008年12月之PM10作預測，並與MLR作比較。本研究利用BNN及MLR模擬預測台中地區PM10模擬結果，BNN及MLR模型對於PM10之濃度及變動趨勢皆可掌握，其中以MLR之預測效果較佳；BNN以2V1訓練及預測所得較佳，其影響PM10自變數包括PM2.5及PM10。MLR訓練以5V1訓練所得較佳，其影響PM10自變數較深在大里及豐原包括PM2.5、PM10、建築（房屋）工程（RC）、建築（房屋）工程（SRC）、隧道工程，在沙鹿為PM2.5、PM10、建築（房屋）工程（SRC）、建築（房屋）工程（拆除）、隧道工程。MLR預測結果大里、豐原及沙鹿以3V1所得較佳，影響PM10自變數包括PM2.5、PM10、隧道工程。由97年營建工程告發之工程類型中，建築（房屋）工程（RC）約佔13％、建築（房屋）工程（SRC）約佔28％，顯示與本研究上述影響PM10自變數相同，故若能對建築（房屋）工程（RC）、建築（房屋）工程（SRC）、建築（房屋）工程（拆除）、隧道工程等營建工程類型，對其加強管制應能較有效管制PM10之逸散污染。

This study employed Back-Propagation Neural Network (BNN) method and Multiple Linear Regression (MLR) method to establish an air quality prediction model of Taichung area. Variable factors of BNN and MLR used PM10, PM2.5, building constructions using Reinforced Concrete(RC), building constructions using Steel Reinforced Concrete(SRC), building dismantling and tunnel constructions as input parameters. We input data between January and November, 2008 as parameters to establish an optimizing network to predict the air quality of December, 2008, and compared to MLR. The study used the simulation results of BNN and MLR models to predict the air quality of PM10 in Taichung area. BNN and MLR models both gave good simulation results toward concentrations and variations of PM10, and MLR had a better simulation result compared to BNN. BNN had better training and prediction results using 2V1 training and prediction, and affect the independent variables such as PM10 and PM2.5. MLR had a better training result using 5V1 training and prediction We found that, it affected independent variables including PM10 and PM2.5, building constructions using Reinforced Concrete(RC), building constructions using Steel Reinforced Concrete(SRC) and tunnel constructions in DaLi and FongYuan; and in SaLu, it affected independent variables including PM10 and PM2.5, building constructions using Reinforced Concrete(RC), b building dismantling and tunnel constructions. MLR had better prediction result using 3V1 and affect the independent variables such as PM10 and PM2.5. We also analyzed the construction sites which fine by the EPB in 2008 and found that 13% of them were the type of Reinforced Concrete(RC) and 28% of them were the type of Steel Reinforced Concrete(SRC). It showed that these two types match our study result. If we can control the fugitive sources of building constructions using Reinforced Concrete(RC), building constructions using Steel Reinforced Concrete(SRC), building dismantling and tunnel constructions, we will be able to reduce the emission of fugitive PM10.

目錄
摘 要 I
Abstract II
誌 謝 III
目錄 IV
圖目錄 VI
表目錄 IX

第一章 前言 1
1.1 研究動機與目的 1
1.2研究流程 2
第二章 文獻回顧 3
2.1 背景說明 3
2.2 營建工程施工類別與防治措施說明 7
2.3 營建工程逸散性粒狀物來源及特性 11
2.4 模式應用於污染預測相關研究 16
第三章 研究方法 20
3.1 數據來源及方法 20
3.2 類神經網路種類 20
3.3 類神經模式理論與架構 23
3.3.1 人工神經元 25
3.3.2 轉移函數 26
3.3.3 類神經網路架構與運作 28
3.4 倒傳遞類神經網路 29
3.4.1 性能指標 30
3.4.2 鏈鎖律 32
3.5 迴歸分析法理論與架構 33
3.5.1 多元線性迴歸分析法 34
3.5.2 最小平方法 35
3.6 模式預測之評估 37
第四章 結果與討論 41
4.1 模型之參數篩選 41
4.2 BNN模擬結果 49
4.2.1 BNN於大里地區模擬之結果 49
4.2.2 BNN於豐原地區模擬之結果 56
4.2.3 BNN於沙鹿地區模擬之結果 62
4.3 MLR模擬結果 68
4.3.1 MLR於大里地區模擬之結果 68
4.3.2 MLR於豐原地區模擬之結果 75
4.3.3 MLR於沙鹿地區模擬之結果 82
4.4 BNN與MLR模式比較 89
第五章 結論與建議 93
5.1 結論 93
5.2 建議 95
參考文獻 96


圖目錄
圖1.1 研究流程圖 2
圖2.1 臺中縣各鄉鎮人口及人口密度圖 5
圖2.2 臺中縣民國89年至97年總樓地板面積 5
圖2.3 工程類別施工件數 6
圖2.4 臺中縣民國89年至97年總樓地板面積與TSP趨勢圖 6
圖2.5 營建工程分類 10
圖2.6 懸浮微粒形成機制 13
圖2.7 原生性粒狀污染物主要產生源 13
圖2.8 建築與橋樑工地之PSD採樣結果圖 14
圖2.9 營建工程施工流程 15
圖3.1 生物神經元結構示意圖 24
圖3.2 人工神經元模型 26
圖3.3 轉移函數 28
圖3.4 類神經網路訓練之流程圖 29
圖3.5 MAPE之預測範圍 38
圖3.6 R值之預測範圍 39
圖4.1 營建工地開發中面積與大里測站PM10趨勢圖 43
圖4.2 營建工地開發中面積與豐原測站PM10趨勢圖 44
圖4.3 營建工地開發中面積與沙鹿測站PM10趨勢圖 45
圖4.4 BNN 大里6V1 PM10 訓練圖 51
圖4.5 BNN 大里6V1 PM10 預測圖 51
圖4.6 BNN 大里5V1 PM10 訓練圖 52
圖4.7 BNN 大里5V1 PM10 預測圖 52
圖4.8 BNN 大里4V1 PM10 訓練圖 53
圖4.9 BNN 大里4V1 PM10 預測圖 53
圖4.10 BNN 大里3V1 PM10 訓練圖 54
圖4.11 BNN 大里3V1 PM10 預測圖 54
圖4.12 BNN 大里2V1 PM10 訓練圖 55
圖4.13 BNN 大里2V1 PM10 預測圖 55
圖4.15 BNN 豐原6V1 PM10 預測圖 57
圖4.16 BNN 豐原5V1 PM10 訓練圖 58
圖4.17 BNN 豐原5V1 PM10 預測圖 58
圖4.18 BNN 豐原4V1 PM10 訓練圖 59
圖4.19 BNN 豐原4V1 PM10 預測圖 59
圖4.20 BNN 豐原3V1 PM10 訓練圖 60
圖4.21 BNN 豐原3V1 PM10 預測圖 60
圖4.22 BNN 豐原2V1 PM10 訓練圖 61
圖4.23 BNN 豐原2V1 PM10 預測圖 61
圖4.24 BNN 沙鹿6V1 PM10 訓練圖 63
圖4.25 BNN 沙鹿6V1 PM10 預測圖 63
圖4.26 BNN 沙鹿5V1 PM10 訓練圖 64
圖4.27 BNN 沙鹿5V1 PM10 預測圖 64
圖4.28 BNN 沙鹿4V1 PM10 訓練圖 65
圖4.29 BNN 沙鹿4V1 PM10 預測圖 65
圖4.30 BNN 沙鹿3V1 PM10 訓練圖 66
圖4.31 BNN 沙鹿3V1 PM10 預測圖 66
圖4.32 BNN 沙鹿2V1 PM10 訓練圖 67
圖4.33 BNN 沙鹿2V1 PM10 預測圖 67
圖4.34 MLR 大里6V1 PM10 測試圖 70
圖4.35 MLR 大里6V1 PM10 預測圖 70
圖4.36 MLR 大里5V1 PM10 測試圖 71
圖4.37 MLR 大里5V1 PM10 預測圖 71
圖4.38 MLR 大里4V1 PM10 測試圖 72
圖4.39 MLR 大里4V1 PM10 預測圖 72
圖4.40 MLR 大里3V1 PM10 測試圖 73
圖4.41 MLR 大里3V1 PM10 預測圖 73
圖4.42 MLR 大里2V1 PM10 測試圖 74
圖4.43 MLR 大里2V1 PM10 預測圖 74
圖4.44 MLR 豐原6V1 PM10 測試圖 76
圖4.45 MLR 豐原6V1 PM10 預測圖 77
圖4.46 MLR 豐原5V1 PM10 測試圖 77
圖4.47 MLR 豐原5V1 PM10 預測圖 78
圖4.48 MLR 豐原4V1 PM10 測試圖 78
圖4.49 MLR 豐原4V1 PM10 預測圖 79
圖4.50 MLR 豐原3V1 PM10 測試圖 79
圖4.51 MLR 豐原3V1 PM10 預測圖 80
圖4.52 MLR 豐原2V1 PM10 測試圖 80
圖4.53 MLR 豐原2V1 PM10 預測圖 81
圖4.54 MLR 沙鹿6V1 PM10 測試圖 83
圖4.55 MLR 沙鹿6V1 PM10 預測圖 84
圖4.56 MLR 沙鹿5V1 PM10 測試圖 84
圖4.57 MLR 沙鹿5V1 PM10 預測圖 85
圖4.58 MLR 沙鹿4V1 PM10 測試圖 85
圖4.59 MLR 沙鹿4V1 PM10 預測圖 86
圖4.60 MLR 沙鹿3V1 PM10 測試圖 86
圖4.61 MLR 沙鹿3V1 PM10 預測圖 87
圖4.62 MLR 沙鹿2V1 PM10 測試圖 87
圖4.63 MLR 沙鹿2V1 PM10 預測圖 88


表目錄
表2.1營建工程施工中主要空氣污染物 14
表3.1各式類神經網路模式彙整比較表 22
表4.1營建工地開發中面積與PM10相關性結果分析表 46
表4.2 BNN 之預測參數變化表 47
表4.3 MLR 之預測參數變化表 48
表4.4 BNN 於大里模式模擬結果 50
表4.5 BNN 於豐原模式模擬結果 56
表4.6 BNN 於沙鹿模式模擬結果 62
表4.7 MLR 於大里模式模擬結果 69
表4.8大里 PM10 迴歸模式結果 69
表4.9 MLR 於豐原模式模擬結果 75
表4.10豐原 PM10 迴歸模式結果 76
表4.11 MLR 於沙鹿模式模擬結果 82
表4.12沙鹿 PM10 迴歸模式結果 83
表4.13 BNN 訓練與測試之MAPE、RMSE與R值 91
表4.14 MLR 訓練與測試之MAPE、RMSE與R值 92

一、中文文獻
衛宇科技股份有限公司，「97年臺中縣營建工程污染管制計畫」，臺中縣環境保護局委辦計畫，台中（2008）。
利得儀器股份有限公司，「97年度臺中縣環境品質監測站操作維護工作計畫」，臺中縣環境保護局委辦計畫，台中（2008）。
陳維新、江金龍，「空氣污染與控制」，高立圖書有限公司，台北（2002）。
白子易，「環境科學概論：結合全球與在地永續發展」，McGraw-Hill Companies/滄海書局，台北 (2008)。
環保署，「河川疏濬及港區砂石作業空氣污染防治標準作業模式研商會」，台北（2009）。
章裕民等，「營建工程空氣污染防制費徵收制度檢討與研修計畫」，行政院環境保護署委託研究計畫，台北（2000）。
永恩國際工程顧問公司，「台中縣粒狀污染物粒徑分佈及成份分析調查計畫」，台中縣環境保護局委辦計畫，台中（1999）。
胡偉興，「大型營建裸露地PM10與PM2.5排放特性之研究」，碩士論文，國立台北科技大學，台北（2006）。
史麗珠、林莉華，「基礎生物統計學」，學富文化事業有限公司，台北（2004）。
章裕民，「都會區營建工程空氣污染之防制與管理」，生態臺北城空氣污染減量與防治研習會論文集，台北（2005）。
莊源鍵，「類神經網路應用於一般廢棄物焚化廠煙道氣品質預測之研究」，碩士論文，國立雲林科技大學，雲林縣（1998）。
萬騰州，范惠婷，許家宴，方景萱，「應用類神經網路於雲林地區空氣品質(PM10)預測之研究」，實務專題，國立雲林科技大學環境與安全工程系，雲林縣（2001）。
陳建谷，「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衛生工程研究所，雲林縣（2003）。
林逸塵，「類神經網路應用於空氣品質預測之研究」，碩士論文，國立中山大學環境工程研究所，高雄市（2002）。
白子易，「下水道系統生化動力模式建立之研究」，博士論文，國立中央大學環境工程研究所，中壢（2001）。
林惠玲、陳正倉，「應用統計學」，雙葉書廊有限公司，台北（2006）。
羅玄灝，「以灰建模及類神經網路預測醫療廢棄物焚化爐煙道氣之研究」，碩士論文，朝陽科技大學，台中（2007）。
蘇漢昌，「應用適應性模糊推論系統改善類神經網路預測工業廢水廠出流水水質之研究」，碩士論文，朝陽科技大學，台中（2008）。
葉怡成，「應用類神經網路」，儒林出版社，台北 (1997)。

二、英文文獻
Cowherd C.Jr. and P.J. Englehart, “ Paved road particulate emissions,” EPA-600/7-84-077, USEPA, Washington, DC, July, (1984).
Evans J.S. and D.W. Cooper, “An inventory of particulate emissions from open sources,” JAPCA,30(12):1298-1303-89-(1980).
Midwest R.I. “Characterization of Mud/Dirt carryout onto paved roads from construction and demolition activities, ”US EPA-600/R-95-171. Research Triangle Park, NC:USEPA, (1996).
Brook J.R., T.F. Dann, and R.T. Rurnett, “The relationship among TSP, PM10, PM2.5, and inorganic constituents of atmospheric particulate matter at multiple canadian locations.,” Journal of Air ＆Waste Management. Assoc., Vol.47, (1997).
Sohn S.H., S.C. Oh, B.W. Jo, and Y.K. Yeo, “Prediction of ozone formation based on neural network, ” Journal of Environmental Engineering, 688-696, (2000).
Yi J. and R. Prybutok, ”A neural network model forecasting for prediction of daily maximum ozone concentration in an industrialized urban area, ”Environmental Pollution, Vol.92, (1996).
Comrie A.C., ”Comparing neural networks and regression models for ozone forecasting, ”Journal of Air and Waste Management, Vol.47, pp.653-663, (1997).
Pai T.Y., Y.P. Tsai, H.M. Lo, C.H. Tsai and C.Y. Lin. ”Grey and neural network prediction of suspended solids and chemical oxygen demand in hospital wastewater treatment plant Effluent”, Computers & Chemical Engineering. (2007a).
Pai T.Y., T.J. Wan, S.T. Hsu, T.C. Chang, Y.P. Tsai, C.Y. Lin, H.C. Su and L.F. Yu, “Using fuzzy inference system to improve neural network for predicting hospital wastewater treatment plant effluent,” Computers & Chemical Engineering. (2009a).
Pai T.Y., S.C. Wang, C.F. Chiang, H.C. Su, L.F. Yu, P.J. Sung, C.Y. Lin and H.C. Hu , “Improving neural network prediction of effluent from biological wastewater treatment plant of industrial park using fuzzy learning approach,” Bioprocess and Biosystems Engineering. (2009b).
Pai T.Y., S.H. Chuang, T.J. Wan, H.M. Lo, i Y.P. Tsa, H.C. Su, L.F. Yu, H.C. Hu and P.J. Sung, “Comparisons of grey and neural network prediction of industrial park wastewater effluent using influent quality and online monitoring parameters,” Environmental Monitoring and Assessment, 146(1-3), 51-66 (2008a).
Pai T.Y. “Gray and neural network prediction of effluent from the wastewater treatment plant of industrial park using influent quality,” Environmental Engineering Science, 25(5), 757-766. (2008b).
Acuna G., H. Jorquera, R. Perez, ”Neural network model for maximum ozone concentration prediction., ”Lecture Notes in Computer Science, No.1112, pp.263-268, (1996).


三、網路資料
台中縣政府主計處網站，http://account.taichung.gov.tw/b3d.htm。
臺中縣環保局網站，http://220.130.204.202/tcaqp/outcaqp3.html。
行政院環保署網站，http://taqm.epa.gov.tw/taqm/zh-tw/。