SMC 資料庫

此篇報導為與工商時報合作，並刊載於〈科學家新視野專欄－地理人工智慧與空氣污染 〉。

文／吳治達 國立成功大學測量及空間資訊學系副教授兼國家衛生研究院國家環境醫學研究所兼任副研究員

日光、水、空氣是生命生存的三要素。太陽太大、天氣太熱可以躲在室內冷氣房不出門；水質不好可使用濾水器或改喝瓶裝水；然而人類生活的當下每分每秒都需要空氣，呼吸空氣這件事沒有選擇與替換的空間，更突顯了空氣污染問題的重要性。大氣的流動、排放源的分布、區域氣候、地形的變化，再再都會影響空氣污染的擴散與變化，使空污濃度在空間分布上具有很大的差異。基於此，了解每個人日常生活中的空氣污染暴露程度，降低與空污有關的疾病風險，實為當前環保單位的重要目標之一。

在行政院環境保護署（以下簡稱環保署）長期的努力之下，目前台灣已設置有七十餘個學術研究等級的空氣品質監測站（以下簡稱空品站）。然現行空品監測系統在實際應用上仍有一些限制，例如嘉義市的總面積約60平方公里，但僅有座落於嘉義大學新民校區大樓上一個空品站。如以測站數據直接代表民眾空污暴露程度，在這樣的情況下，不論你是住在大馬路旁、或是居住地鄰近公園綠地，全市轄內二十七餘萬人每天的空污暴露程度全部都相同，因為僅有單一個空品站所提供的監測數據可用，但很顯然的這與現實是不符的。

然而高品質空品站的設立，不論儀器設備或長時期的維運均所費不貲。換個角度來說，由於大部份的空污來自於人為排放源，例如工業區、交通、住宅區、火力發電場、機場、港口等均為空氣污染的重要來源。在這樣的情形下，如果我們有方法知道，這些土地利用排放源在大範圍區域的分布資訊，建立排放源與測站量測空污濃度間的關係模式。再經過驗證方法確定模式模擬的成果穩定可靠，未來即使沒有設立監測站，但只要我們知道某一地周邊土地利用排放源的分布狀況，再將其代入所發展的推估模式後，就可以獲得該地區空氣污染濃度的模式推估值。因此在面對監測站不足的挑戰時，空氣污染推估模式的發展便成為一個經濟且有效了解空污分布的可行解方。

「地理人工智慧（Geospaital Artificial Intelligence, AI, Geo-AI）」是當前廣受重視的新興模式分析技術，目前已廣泛被應用在各個環境科學的研究領域中。從空氣污染模擬的應用來說，Geo-AI可透過衛星、航照、無人機等來源之影像圖層、以及地理資訊系統（Geographic Information System, GIS）等空間資訊技術（Geospaital Technology）與功能，以快速獲得這些土地利用排放源在大範圍區域的分布資訊。與此同時，伴隨著電腦軟硬體規格及運算效能的發展與進步，當代的環境科學家得以透過人工智慧（Artificial Intelligence, AI）中的機器學習（Machine Learning）以及集成學習（Ensemble Learning）等先進演算方法建置Geo-AI模型。以更準確、更有效的解釋空氣污染與周邊土地利用排放源之間複雜的線性或非線性關係，有效模擬空氣污染在大範圍、大區域濃度梯度的變化情形。

我的團隊「國立成功大學空間資訊暨環境健康研究室」長期投注於空氣污染分布模擬之研究議題，並且自2017年迄今，陸續發展了四種Geo-AI為基礎的空間推估方法學[1]。在最新的集成混合空間模型模式實作的過程中，首先取得1994年至2022年近三十年，環保署全台空氣品質監測系統所蒐集的長期歷史監測數據，並經由克利金空間內插推估空氣污染的濃度，並搭配GIS及遙感探測等空間資訊技術，取得的工業、交通、住宅等一般空氣污染排放源，並納入寺廟燒香燒金紙與中式餐廳大火快炒等台灣特有排放源，經過演算法的機器學習模型建置後；再重新進行一次集成模型擬合，進而完成最終的集成混合空間模型。在完成多項測模式穩定性及過擬合（Overfitting）之測試及驗證，即可應用所建立的集成混合空間模型，模擬台灣空氣污染的時空變異。

我們所採用的Geo-AI空氣污染推估方法學迄今已陸續發表於十九篇國際學術期刊上，並實際應用於模擬過去近三十年台灣全島多項空氣污染物質的時空變化，包含：細懸浮微粒、二氧化氮、臭氧、一氧化碳、揮發性有機化合物如苯、以及生物氣膠如細菌與類毒素及真菌孢子等污染物[2]。整體而言，我們發展的Geo-AI空污模型可以在90%以上準確度的情況下，模擬1994年迄今每一天、台灣每個角落空氣污染的濃度分布。以電腦算運的實務來說，我們會把台灣全島劃分為四千多萬個50公尺正方的網格，而透過我們的模型，地面上每一個50公尺正方的範圍就可有一個空氣污染濃度的推估值。這些模擬成果自2016年起即實際應用於筆者與衛福部、環保署及國家衛生研究院的研究計畫中，做為分析空污對國人的在地健康衝擊、以及擬定台灣空氣污染防治政策的科學依據。

累積了多年的研究量能，我們也很期望能將當前很重要的Geo-AI技術、以及團隊過去在空氣污染應用上的一些有趣成果與發現分享給更多人知道，因此才有了撰寫這個專欄的想法。希望藉由從地理人工智慧與空間資訊的角度切入，來聊聊空氣污染這個重要的環境議題。個人內心小小的期待，期望這些科研究成果對國內空污議題能有些許的正面幫助，讓大家共同重視空氣污染帶來的種種挑戰。

參考文獻：

[1] 四種方法學包含：

(1)在地化的土地利用迴歸」（Localized Land-use Regression Model）

(2)混合式克利金-土地利用迴歸」（Hybrid Kriging-Land-use Regression Model）

(3)土地利用-機器學習模型」（Land use Regression-based Machine Learning Model）

(4)集成混合空間模型 （Ensemble Mixed Spatial Model, EMSM）。這是近年整合上述方法學的優勢後，提出當前最創新之方法學。

[2] 相關研究參考：

Babaan, J., Hsu, F. T., Wong, P. Y., Chen, P. C., Guo, Y. L., Lung, S. C. C., Chen, Y. C., & Wu, C. D. (2023). A Geo-AI -based ensemble mixed spatial prediction model with fine spatial-temporal resolution for estimating daytime/nighttime/daily average ozone concentrations variations in Taiwan. Journal of Hazardous Materials, 446: 130749.

Chen, T. H., Hsu, Y. C., Zeng, Y. T., Lung, S. C. C., Su, H. J., Chao, H. J., Wu, C. D. (2020). A Hybrid kriging/land-use regression model with Asian culture-specific sources to assess NO₂ spatial-temporal variations. Environmental Pollution, 259:113875.

Hsu, C. Y., Wu, C. D., Hsiao, Y. P., Chen, Y. C., Chen, M. J., Lung, S. C. C.  (2018). Developing land-use regression model to estimate PM_2.5-bound compound concentrations. Remote Sensing, 10, 1971.

Heriza, D., Wu, C. D., Syariz, M. A., Lin, C. (2023). Analysis of spatial-temporal variability of PM_2.5 concentrations using optical satellite images. Remote Sensing, 15, 2009.

Hsu, C. Y., Wu, J. Y., Chen, M. J., Chen, Y. C., Pan, W. C., Lung, S. C. C., Guo, Y. L., Wu, C.D. (2019). Asian culturally-specific predictors in a large-scale land use regression model to predict spatial-temporal variability of ozone concentration. International Journal of Environmental Research and Public Health, 16, 1300.

Hsu, C. Y., Xie, H. X., Wong, P. Y., Chen, Y. C., Chen, P. C., & Wu, C. D. (2022). A mixed spatial prediction model in estimating spatiotemporal variations in benzene concentrations in Taiwan. Chemosphere, 301: 134758.

Hsu, C. Y., Zeng. Y. T., Chen. Y. C., Chen, M. J., Lung, S. C. C., Wu, C.D. (2020). Kriging-based land-use regression models that use machine learning algorithms to estimate the monthly BTEX concentration. International Journal of Environmental Research and Public Health, 17, 6956.

Kallawicha, K., Tsai, Y. J., Chuang, Y. J., Lung, S. C. C, Wu, C. D., Chao, H. J. (2015a). Spatiotemporal distributions and land-use regression models of ambient bacteria and endotoxins in the greater Taipei area. Aerosol and Air Quality Research, 15: 1448–1459.

Kallawicha, K., Tsai, Y. J., Chuang, Y. C., Lung, S. C. C., Wu, C. D., Chen, T. H., Chen, P. C., Chompuchan, C., Chao, H. J. (2015b). The spatiotemporal distributions and determinants of ambient fungal spores in the Greater Taipei area. Environmental Pollution, 204:173-180.

Wong, P. Y., Hsu, C. Y., Wu, J. Y., Teo, T. A., Huang, J. W., Guo, H. R., Su, H. J., Wu, C. D., Spengler, J. D. (2021a). Incorporating land-use regression into machine learning algorithms in estimating the spatial-temporal variation of carbon monoxide in Taiwan. Environmental Modelling & Software, 139:104996.

Wong, P. Y., Su, H. J., Lee, H. Y., Chen, Y. C., Hsiao, Y. P., Huang, J. W., Teo, T. A., Wu, C. D., Spengler, J. D. (2021b). Using land-use machine learning models to estimate daily NO₂ concentration variations in Taiwan. Journal of Cleaner Production, 317: 128411.

Wong, P. Y., Su, H. J., Lung, S. C. C., Wu, C. D. (2023). An ensemble mixed spatial model in estimating long-term and diurnal variations of PM_2.5 in Taiwan. Science of the Total Environment, 866, 161336.

Wong, P. Y., Lee, H. Y., Chen, Y. C., Zeng, Y. T., Chern, Y. R., Chen, N. T., Lung, S. C. C., Su, H. J., Wu, C. D. (2021c). Using a land use regression model with machine learning to estimate ground level PM_2.5.Environmental Pollution, 277(15): 116846.

Wu, C. D.,  Zeng, Y. T., Lung, S. C. C. (2018). A hybrid driging/land-use regression model to assess PM_2.5 spatial-temporal variability. Science of the Total Environment, 645:1456-1464 .

Widya, L. K., Hsu, C. Y., Lee, H. Y., Jaelani, L. M., Lung, S. C. C., Su, H. J., Wu, C. D. (2020). Comparison of spatial modelling approaches on PM₁₀ and NO₂ concentration variations: a case study in Surabaya City, Indonesia. International Journal of Environmental Research and Public Health, 17(23), 8883.

Widya, L. K., Wu, C. D., Zeng, Y. T., Handayani, H. H., Jaelani, L. M. (2019). PM_2.5 pollutant in Asia metropolis cities – A comparison between Indonesia and Taiwan. International Journal of Environmental Research and Public Health, 16, 4924.

Wu, C. D., Chen, Y. C., Pan, W. C., Zeng, Y. T., Chen, M. J., Guo, Y. L., Lung, S. C. C. (2017). Land use regression with long-term satellite based greenness index and culture-specific sources to model PM_2.5 spatial-temporal variability. Environmental Pollution, 224:148-157.

行政院環境保護署. (2023a). 空氣品質改善網. 民112年5月1日，取自：https://air.epa.gov.tw/EnvTopics/AirQuality_7.aspx

行政院環境保護署. (2023b). 臭氧及氮氧化物濃度日變化. 民112年5月1日，取自： https://airtw.epa.gov.tw/cht/Encyclopedia/pedia09/pedia9_2.aspx

吳治達. (2023). 氣候變遷下的空氣污染分布：地理人工智慧技術之應用. 土木水利, 50(1): 16-23。。

許芳慈. (2022). 發展空間混合集成學習模型推估台灣全島臭氧污染之白天、夜間及全天濃度變異. 國立成功大學測量及空間資訊學系碩士論文.

張艮輝、簡慧貞、呂鴻光. (2002). 臭氧污染控制物種與空氣污染防制策略之分析. 環境保護, 25(2), 95-116.