科學家新視野－地理人工智慧與空氣污染

大氣的流動、排放源的分佈、區域氣候、地形的變化，在在都會影響空氣污染的擴散與變化，使空污濃度在空間分佈上具有很大的差異。因此，瞭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，實爲當前環保單位的重要目標之一。

在行政院環境保護署長期的努力之下，目前臺灣有70餘個學術研究等級的空氣品質監測站，但仍有實際應用上的限制。舉例來說全嘉義市唯一的空品站，位於嘉義大學新民校區大樓，如果測站數據等於民衆空污暴露程度，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27餘萬人每天的空污暴露程度就會全部相同，但很顯然的這與現實不符。

但換個角度來說，設立高品質空品站，不論儀器設備或長時期的維運均所費不貲。由於大部份的空污來自於人爲排放源，例如工業區、交通、住宅區、火力發電場、機場、港口等。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佈資訊，建立排放源與測站量測的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。

未來只要我們知道某一地周邊土地利用排放源的分佈狀況，就可以把資訊代入推估模式，獲得該地區空氣污染濃度的模式推估值。這是在面對監測站不足的挑戰時，一個經濟且有效瞭解空污分佈的可行解方。

地理人工智慧就是快速獲得這些土地利用排放源在大範圍區域分佈資訊的關鍵技術。這個新興模式分析技術，已被廣泛應用在各個環境科學的研究領域中。可透過衛星、航照、無人機等來源的影像圖層、地理資訊系統等空間資訊技術與功能來整合排放源資訊。同時，透過人工智慧中的機器學習以及集成學習等先進演算方法建置地理人工智慧模型，可以更準確、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。

筆者的研究團隊陸續發展了四種地理人工智慧爲基礎的空間推估方法學。最新的「集成混合空間模型」模式則取各家之長，不只蒐集1994年至今近30年的臺灣長期歷史監測數據，經由空間統計方法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，也特別納入寺廟燒香、燒金紙與中式餐廳大火快炒等，臺灣特有排放源。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來模擬臺灣空氣污染的時空變異。

我們採用的地理人工智慧空氣污染推估方法學已實際應用於模擬過去近30多年臺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、一氧化碳等。整體而言，我們發展的地理人工智慧空污模型可以在90％以上準確度的情況下，模擬1994年迄今每一天、臺灣每個角落空氣污染的濃度分佈。

以電腦算運的實務來說，我們會把臺灣全島劃分爲4千多萬個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。這些模擬成果也可實際應用於分析空污對國人的在地健康衝擊、以及擬定臺灣空氣污染防治政策的科學依據。

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。