透過Geo-AI模擬戴奧辛分布
吳治達/國立成功大學測量及空間資訊學系教授,國家衛生研究院國家環境醫學研究所兼任副研究員,國立中興大學永續農業創新發展中心兼任教授。
林祐如/國立成功大學測量及空間資訊學系碩士生。
曾于庭/國立成功大學測量及空間資訊學系研究助理。
✤ 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。
▲圖一:Geo-AI 技術於空氣污染模擬的應用。資料來源/本文作者
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 PM2.5、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。
結合以上資料庫,再加上多種機器學習演算法,訓練重要影響因子的篩選及集成學習模型。實際使用的演算法包含隨機森林(random forest)、梯度提升(gradient boosting)、輕度梯度提升(light gradient boosting machine)、類別梯度提升(categorial boosting)、極限梯度提升(extreme gradient boosting)等。整體來說,Geo-AI 戴奧辛推估模型具有良好的解釋能力,可以在 90% 以上的準確度情況下,有效推估過去在臺灣本島戴奧辛的空氣濃度分布狀況(請見延伸閱讀 2)。
分析臺灣戴奧辛濃度時空變化
基於 Geo-AI 模型的推估成果,我們可以深入探討戴奧辛在時間、空間上的濃度變化趨勢,並進一步觀察大氣中的戴奧辛污染熱點與工業/製造業的空間位址是否有相關。以下內容將分別針對三個面向討論:
一、監測站的長期濃度變化趨勢
為了解臺灣戴奧辛濃度變化的長期趨勢,我們以 2000~2021 年環境部監測資料為基礎,進而繪製戴奧辛逐年平均濃度與四季濃度變化的折線圖(圖二)。儘管存在些許波動,但整體而言戴奧辛濃度呈現下降趨勢。例如 2000 年的冬季濃度接近 40 ng-TEQ/Nm3 註 1 ,而到了 2021 年則下降到約 20 ng-TEQ/Nm3。這段期間冬季皆為濃度最高的季節,其次是春季或秋季,夏季的濃度最低。夏天空氣品質好,和混合層高度(mixing layer height)有關。混合層高度是指空氣污染物在垂直方向上能擴散的高度,反映了大氣對污染物擴散的影響。夏季混合層高度較高,表示污染物在垂直方向上能擴散得更廣,更容易被空氣稀釋,進而降低地表的污染物濃度。相反,冬季混合層高度較低,使得污染物難以在垂直方向上擴散,增加了地表的污染物濃度。
▲圖二:2000~2021 年戴奧辛年平均濃度與四季濃度變化折線圖。資料來源/本文作者
二、應用 Geo-AI 模擬戴奧辛污染的空間分布
我們利用 Geo-AI 集成混合空間學習模型推估的過去 20 年臺灣戴奧辛平均濃度分布(圖三 a),並分別以北、中、南、東行政分區展示各縣市的平均戴奧辛濃度(圖三 b)。從分布圖可以看出,濃度較高的區域主要為臺灣西部地區的中南部縣市,其中又以彰化縣、雲林縣、嘉義市、嘉義縣濃度相對較高,中南部其他縣市次之,北部縣市濃度較低,東部地區則最低。推測造成這四個縣市戴奧辛濃度較高的原因可能有二,一部份是因受到金屬冶煉、電弧爐煉鋼、石油煉製等工業活動影響;另外一部份則可能是農業在秋冬之際,常有露天燃燒稻草及農廢行為所致。
▲圖三:過去 20 年臺灣本島戴奧辛年平均濃度推估圖,括號中數值為該縣市戴奧辛濃度的第一四分位數及第三四分位數。圖片提供/本文作者
三、戴奧辛污染與工業/製造業分布的關係
為了進一步理解工業活動是否與戴奧辛濃度分布有關,我們也繪製了工業區與製造業工廠的分布圖(圖四),並與戴奧辛濃度分布比較。我們觀察到幾個面積或規模較大的工業區,分別是彰化縣的濱海工業區、雲林縣的離島工業區、臺南市的南部科學園區臺南園區,以及高雄市的臨海工業區。這四個大型工業區皆位於臺灣中南部地區,即戴奧辛平均濃度較高的區域。雖然北部地區同樣有觀音工業區等大型工業區,但是數量與中南部相比之下較少。從製造業分布則可以發現,西半部的製造業位置與戴奧辛濃度較高的地區頗為重疊,雖然從密度上來說,很難直接看出與戴奧辛濃度高低的關係,但從分布位置來看應該具有一定程度的關聯。
▲圖四:過去 20 年戴奧辛年平均濃度推估圖;工業區分布圖;製造業工廠分布圖圖片提供/本文作者
以新工具保護未來永續環境
Geo-AI 為基礎的集成混合空間學習模型,它結合了空間內插、土地利用迴歸、機器學習、集成學習等四種空間技術的特點,並充分發揮各種技術與方法學的優勢,推動了現有環境污染模擬分析的精進。Geo-AI 模型的推估成果可準確地標示戴奧辛汙染的熱區,也能作為政府制定相關空污防治政策的利器,進一步在解決環境永續議題中扮演關鍵角色。隨著 Geo-AI 分析技術的不斷進步與多樣化,我們期待這些工具能更廣泛地被應用在更多空污及環境課題上,為保護環境和未來健康打下堅實基礎。
註 1 :空氣中戴奧辛的濃度,以 ng-TEQ/Nm³ 為計算單位。
延伸閱讀
1. 吳治達、曾于庭(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。2. Hsu, C. Y. et al. 2023. Estimating the Daily Average Concentration Variations of PCDD/Fs in Taiwan Using a Novel Geo-AI Based Ensemble Mixed Spatial Model. Journal of Hazardous Materials, 458, 131859.
⇠上一篇:賦予碳價值能否加速全球淨零發展?
本文轉載、修改自《科學月刊》2024 年 3 月