文章專區

Take Home Message
•為釐清戴奧辛污染程度，筆者團隊以新的空間分析技術「地理人工智慧」（Geo-AI）模擬了戴奧辛時空分布。
•透過以測站數據、機器學習、集成學習法建立的Geo-AI模型，團隊發現污染集中在中南部，可能與工業區及農業活動有關。
•Geo-AI可準確找出戴奧辛污染熱區，提供政府空污防治參考，有望應用在更多環境課題。

 
戴奧辛（dioxin-like compounds），是超過210種不同化合物的總稱，其中包括共平面多氯聯苯（partially coplanar polychlorinated biphenyls）、多氯二聯苯呋喃（polychlorinated dibenzofurans, PCDFs）、多氯二聯苯戴奧辛（polychlorinated dibenzo-p-dioxins, PCDDs）。戴奧辛產生的途徑相當多樣，大部分源於製造特定化學產品的過程，例如製造含氯的防腐劑或除草劑、冶鍊金屬、製造水泥、火力發電廠等。在自然環境下的露天燃燒、處理廢棄物（廢電纜、廢五金）或焚化爐燃燒垃圾、紙漿加氯漂白等過程，也都是戴奧辛的重要來源之一。
 
此外，這些多樣的來源形式還包含工業製程產生的副產物、特定工業製程的燃燒排放、化學產品製造過程、能源利用，甚至涉及人為行為，例如露天燃燒、火災、抽菸等。
 
空氣中過高的戴奧辛濃度可能對人體產生嚴重的健康影響。長期暴露於高濃度的戴奧辛可能導致免疫系統受損、神經行為變化、皮膚病變、兒童發育問題，甚至增加罹患癌症的風險。由於戴奧辛對人體健康會產生嚴重的影響，因此也有「世紀之毒」之稱。有鑑於預防勝於治療的預防醫學觀念，如果我們能事先得知戴奧辛濃度的分布，一方面能透過環保政策以減少相關排放源的產生，另一方面也可以提供讀者參考，主動避免接觸或暴露在戴奧辛高濃度地區，對於降低人們遭戴奧辛危害的風險應有實質幫助。
 

人工智慧如何應用在空污研究？

「地理人工智慧」（geospaital artificial intelligence,Geo-AI）是近年興起的模式分析技術，廣泛應用於環境科學研究。以空氣污染模擬為例，由於空氣污染主要來自人為排放，Geo-AI可利用衛星、航照、無人機等影像資料、地理資訊系統（geographic information system, GIS）的空間分析技術，快速獲取土地利用排放源分布資訊。再結合空污監測站的數據，利用機器學習和集成學習等先進演算方法，建立「空氣污染vs土地利用排放源分布狀況」的Geo-AI推估模式（圖一）。如此一來，即使是沒有測站的地方，只要將土地利用排放源分布資料代入模型，即可推估空氣污染濃度。隨著電腦軟硬體和運算效能的進步，利用Geo-AI即可準確、有效且快速的模擬大範圍區域內空氣污染的空間變化與分布。
 
雖然戴奧辛的監測資料可於環境部空氣品質監測網下載，但受限於測站數量有限，大眾很難透過監測站的數值直接了解自身所在地區的污染程度。面對這個挑戰，本團隊運用Geo-AI的概念，系統性地結合多個基礎模型和機器學習（machine learning）演算法，建立效能更佳、解釋能力更好的空氣污染推估模型（請見延伸閱讀1）。我們提出一種名為「集成混合空間學習模型」（ensemble mixed spatial models, EMSMs）的新方法，它是融合空間內插（spatial interpolation）、土地利用迴歸（land-use regression, LUR）、機器學習（machine learning, ML）、集成學習（ensemble learning）等四種空間分析方法的地理人工智慧模型，能提升模擬的準確度並減少誤差。
 
實際操作上，集成混合空間學習模型的建立需要多項資料庫，包括：
 
•環境部空氣品質監測網獲取戴奧辛的濃度資訊，作為建模的依變數。
•環境部空氣品質監測網中提供的與戴奧辛濃度有關的空氣污染物（例如PM_2.5、PM₁₀、NO₂、SO₂等）。
•中央氣象局的氣象資料庫。氣象條件被認為是空氣污染累積和稀釋的重要因素，因此將研究期間的溫度、降雨量、相對濕度、大氣壓力、風向、風速等數據也納入模型中。
•土地利用和地理空間資料庫，包括國土測繪中心的土地利用清單、交通部運輸研究所的數位道路網路地圖、興趣點（point of interest, POI）地標資料庫，以及衛星的常態化差異植生指標（normalized difference vegetation index, NDVI）綠蔽度資料庫。……【更多內容請閱讀科學月刊第651期】