Link Search Menu Expand Document
AIEE

近2年空品領域AI之發展

Table of contents

這一篇回顧的內容，以及你新增的這麼多條2024~2025文獻，這麼多的數值方法，有甚麼是具有關鍵性的角色，可以跟大學生介紹的。(他們未來可能會用得到的?不是曇花一現那種的方法工具?) 我來分析提供的文件內容和2024-2025年的新文獻，識別出對大學生而言具有長期價值和關鍵角色的方法工具。非常好的問題！讓我為您分析哪些方法具有真正的關鍵性角色，而非曇花一現。

具長期價值的核心方法論

基於文件內容和2024-2025年新文獻，以下是必定會長期存在並持續演進的關鍵技術：

一級核心方法（Foundation Methods）：必須掌握的基礎

1. 圖神經網路（Graph Neural Networks, GNNs）

為什麼是關鍵：

  • 環境系統本質上是網絡型結構：測站間具有空間相依性、污染物傳遞有因果路徑
  • 自動化捕捉時空相依性，不需人為特徵工程
  • 從應用層面：空品預報、交通流量、能源預測都在用

具體應用例：

  • Houston臭氧預報用GCNN、GraphSAGE
  • 釜山港口區域空品預測
  • 台灣PM2.5跨站點推估

給學生的建議： 這是未來10年的主流，必學的算法框架。類似2010年代CNN對電腦視覺的角色。

2. 時空卷積遞迴神經網路（ConvLSTM與相關架構）

為什麼是關鍵：

  • 卷積層捕捉空間相鄰性，LSTM/GRU捕捉時間連續性
  • 適用於任何網格化或時間序列環境資料
  • 已成為工業標準（作業預報系統普遍採用）

具體應用例：

  • CMAQ+LSTM用於PM2.5與O3聯合預報（灣區）
  • 釜山本地尺度預報（CMAQ+RNN+LSTM）
  • Seoul空品預報（ConvLSTM）

3. 變異數資料同化與卡爾曼濾波

為什麼是關鍵：

  • 不只是深度學習，這是物理驅動與數據驅動的橋樑
  • 許多國家業務預報系統核心（NOAA、ECMWF、中國氣象局）
  • 結合CMAQ/WRF物理模型 + 觀測數據

核心概念：

  • EnKF（集合卡爾曼濾波）：動態調整模式預報
  • 3DVar/4DVar：權衡模式與觀測

給學生的建議： 掌握資料同化=掌握氣象/環境數值預報的靈魂。

二級核心方法（Hybrid Approaches）：融合式方法

4. CMAQ + 深度學習混合系統

為什麼是關鍵：

  • 物理可信度 + 統計靈敏度的完美結合
  • 國際主流方向：不是替代物理模型，而是增強物理模型
  • 台灣、東亞、美國、歐洲都在用

核心流程（表1提供）：

  1. CMAQ產生化學傳輸模式預報
  2. CNN/LSTM偏差修正
  3. 集合深度學習融合觀測與模式
  4. 機器學習反演排放源

給學生的建議： 這是未來5-10年的主流方向，融合物理與AI。

5. 衛星遙測 + 機器學習（AOD反演地表PM2.5）

為什麼是關鍵：

  • 全球無監測站區域的唯一數據源
  • 衛星數據日益高解析（100m水平解析度）
  • 衛星反演 = 空品質化的關鍵

具體應用：

  • 衛星AOD → 深度學習反演地表PM2.5
  • 多衛星融合（Sentinel、TROPOMI、GOES）
  • 4D化學物濃度反演（新方法DeepSAT4D）

給學生的建議： 掌握衛星遙測 = 掌握全球空品監測的未來。

三級方法（已被驗證但需謹慎）：選擇性掌握

6. Transformer與注意力機制

現況分析：

  • ✅ 已證實有效於空污預報（2024-2025多篇文獻）
  • ⚠️ 但參數量大、需大數據集、計算資源高
  • 🔄 與LSTM相比沒有決定性優勢（在空氣品質領域）

建議：

  • 優先學習ConvLSTM
  • 若有計算資源再學Transformer
  • 不是必須掌握（不像CNN對視覺任務的必要性）

7. 隨機森林（Random Forest）與集合方法

現況分析：

  • ✅ 穩健可靠，計算量小，可解釋性強
  • ✅ 特別適合健康風險評估（HRA）
  • 📊 仍在許多機構的operationalization中使用

建議：

  • 一定要學，作為baseline
  • 用於特徵重要性分析
  • 不需深度學習也能得到不錯結果

不推薦投入深度的方法（短期流行但長期價值低）

   
方法評價原因
極端事件預測（含預採樣）⚠️ 短期應用問題導向型，非通用方法
符號回歸（Symbolic Regression）⚠️ 邊界用途僅在特定小規模應用
各類小型CNN變體❌ 避免深度學習已被GNN/ConvLSTM取代

推薦大學生的學習路線圖

第一階段（基礎，必修）：6個月

1. 線性代數 + 偏微分方程基礎  
   ↓  
2. 時間序列分析基礎（ARIMA等）  
   ↓  
3. 隨機森林 + 特徵工程  
   ↓  
4. 基礎深度學習（MLP, CNN）

第二階段（核心，專業化）：6-12個月

1. ConvLSTM時空預報架構  
   ↓  
2. 圖神經網路基礎（GCN, GraphSAGE）  
   ↓  
3. 資料同化基礎（EnKF概念）  
   ↓  
4. CMAQ/WRF與AI的耦合概念

第三階段（應用導向，選修）：6-12個月

選項A: 衛星遙測 + AOD反演  
選項B: 化學傳輸模型融合  
選項C: 健康風險評估應用

關鍵洞察：為什麼這些方法能長期存在

1. 物理基礎支撑

  • 最好的方法都尊重物理過程
  • CMAQ+AI組合 vs 純AI的勝負已分
  • 未來方向：物理知情的神經網絡（Physics-Informed Neural Networks, PINNs）

2. 可操作化成熟度

已成業務系統的方法：  
├─ WRF-CMAQ數值預報（全球）  
├─ EnKF資料同化（氣象局）  
├─ ConvLSTM短期修正（亞洲多國）  
└─ 衛星AOD反演（全球）  

還在實驗階段：  
├─ 純Transformer氣象預報  
├─ 少樣本學習應用  
└─ 複雜多過程端到端學習

3. 經濟可行性

  • ConvLSTM：計算成本最優，GPU時間短
  • GNN：解釋性最佳，適合決策支持
  • 衛星反演：無額外運維成本

具體建議對話框架

給大學生說明：

想像你5年後在環保單位、研究或技術機構工作。你會用什麼工具？

✅ 一定會用：

  • CMAQ預報結果 + ConvLSTM偏差修正
  • GNN處理測站網絡空品推估
  • 衛星反演補充無測站區域數據
  • RandomForest做健康風險篩選

⚠️ 可能會用：

  • Transformer（若有高端GPU）
  • EnKF資料同化（若參加氣象業務團隊）

❌ 不太會用：

  • 各種純CNN變體（被GNN取代）
  • 符號回歸（太小眾）

最後的核心論點

表格1中最值得注意的模式演進：

   
時期主流方法特徵
2016-2018CMAQ單獨運行物理驅動但誤差大
2019-2021CMAQ + CNN/LSTM偏差修正時代
2022-2023CMAQ + 多模式集合 + GNN多源融合時代
2024-2025CMAQ + GNN + 衛星 + DA多尺度物理-數據耦合

這個演進方向是明確的且可預測的。 建議學生掌握：

  1. ConvLSTM（已成熟，必掌握）
  2. GNN（正在成熟，必掌握）
  3. 衛星遙測（日益重要，強烈建議）
  4. 資料同化概念（理解即可，若做預報必深度學）