學會專欄

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

社團法人台灣建築醫學學會會員

【學歷】
國立台灣大學 森林環境暨資源學研究所 博士

【經歷】
哈佛大學 公衛學院 全球環境與衛生中心 訪問學者
哈佛大學 進修學院 永續及環境管理組 研究員兼特別講師
中央研究院 環境變遷研究中心 博士後研究員

地理人工智慧(Geo-AI)在空氣污染模擬的應用

陽光、空氣、水是人類生活不可或缺的重要三元素。其中人只要活著時，無時無刻都需要呼吸空氣，不像喝水還能選擇瓶裝水，人們在呼吸時只能仰賴當時、當地、當下的空氣，亦無法選擇要呼吸那些空氣。因此近年來空氣污染的議題，已成為國際與國內均廣受重視的環境議題之一。

要評估空氣污染對健康的影響，首先要先了解我們日常到底接觸暴露到多少空氣污染濃度。目前全台灣在本島的部份約有七十餘個環保署空氣品質監測站，然而現存的測站仍然存在有分布不均、空間分布不足的問題，要直接以測站數據來釐清都市內每個人吸入的空氣污染濃度差異，仍然有很大的挑戰。在這個情況下，如何基於監測站的觀測數據，進一步搭配合適的推估模型，以模擬全台灣每個角落的空氣污染濃度分布，就成為一個很重要的科學挑戰。

地理人工智慧(Geo-AI)係指透過空間資訊、地理資訊系統等技術與方法以獲取地表土地利用/土地覆蓋資訊後，經由機械學習(Machine Learning)或深度學習(Deep Learning)等人口智慧演算法進行資料分析及模擬，以提供政府單位決策制定時之科學證據。其中常用的空間資訊技術包含衛星、飛機及無人機等載具進行影像拍攝，以及近年廣泛使用的物聯網(Internet of Things, IoTs)感測器以獲得即時的環境污染監測數據。另一方面，隨著電腦運算技術的快速發展，過去軟硬體技術不足的問題已獲得解決，故機械學習與深度學習演算法已能夠實際被應用來進行模型分析與推估。

在空氣污染模擬方面，本團隊利用上述Geo-AI之技術，以獲取如住宅區、商業區、工廠工業區、道路路網、機場、寺廟、餐廳、綠地、水體、地形海拔等約五百餘項空氣污染排放源的空間分布資訊，築基於環保署測站量測到的污染濃度資訊，整合克利金空間內插(Kriging Interpolation)、土地利用迴歸(Land-use Regression, LUR)、機械學習及集成學習(Ensemble Learning)等空間演算法方法學，發展創新的集成混合空間推估模型(Ensemble Mixed Spatial Prediction Model)，本團隊所提出的方法學可在90%以上的準確度，模擬1994年至2021年細懸浮微粒(Fine Particulate Matter, PM2.5)、氮氧化物(Nitrogen Dioxide, NO2)、臭氧(Ozone, O3)及苯(Benze)等空氣污染物，在全台灣每天每個角落的濃度推估資訊，模擬成果的網格解析度是50 m*50 m，亦即把全台灣劃分成數百萬個50 m*50 m大小的網格，並且每個格子都會有自己的污染模擬數據(Babaan et al. 2023; Wong et al. 2023; Hsu et al. 2022; Wong et al. 2021)。

隨著科技的進展，Geo-AI技術可有效協助人們獲取更為精確的空氣污染暴露資訊，相信相關資訊的普及與落實，對於空氣污染問題的改善必定會有實質助益。

參考文獻

  1. Babaan, J, F. T. Hsu, P. Y. Wong, P. C. Chen, Y. L. Guo, S. C. C. Lung, Y. C. Chen, C. D. Wu*. 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 (IF=14.22; Environmental Science, Rank 9/279, Q1, JIF%=96.95%).
  2. Wong, P. Y., H. J. Su, S. C. C. Lung, C. D. Wu*. 2023. An ensemble mixed spatial model in estimating long-term and diurnal variations of PM2.5 in Taiwan. Science of the Total Environment 866, 161336 (SCI, IF=10.75; Environmental Sciences, Rank 26/279, Q1, JIF%=90.86%).
  3. Hsu, C. Y., H. X. Xie, P. Y. Wong, Y. C. Chen, P. C. Chen, C. D. Wu*. 2022. A mixed spatial prediction model in estimating spatiotemporal variations in benzene concentrations in Taiwan. Chemosphere 301: 134758 (SCI, IF=8.94; Environmental Sciences, Rank 33/279, Q1, JIF%=88.35%).
  4. Wong, P. Y., H. J. Su, H. Y. Lee, Y. C. Chen., Y. P. Hsiao, J. W. Huang, T. A. Teo, C. D. Wu*, J. D. Spengler. 2021. Using land-use machine learning models to estimate daily NO2 concentration variations in Taiwan. Journal of Cleaner Production 317: 128411 (IF=11.07; Environmental Science, Rank 24/279, Q1, JIF%=91.58%).