科学家新视野－地理人工智慧与空气污染

大气的流动、排放源的分布、区域气候、地形的变化，在在都会影响空气污染的扩散与变化，使空污浓度在空间分布上具有很大的差异。因此，了解每个人日常生活中的空气污染暴露程度，降低与空污有关的疾病风险，实为当前环保单位的重要目标之一。

在行政院环境保护署长期的努力之下，目前台湾有70余个学术研究等级的空气品质监测站，但仍有实际应用上的限制。举例来说全嘉义市唯一的空品站，位于嘉义大学新民校区大楼，如果测站数据等于民众空污暴露程度，在这样的情况下，不论你是住在大马路旁、或是居住地邻近公园绿地，全市辖内27余万人每天的空污暴露程度就会全部相同，但很显然的这与现实不符。

但换个角度来说，设立高品质空品站，不论仪器设备或长时期的维运均所费不赀。由于大部份的空污来自于人为排放源，例如工业区、交通、住宅区、火力发电场、机场、港口等。如果我们有方法知道，这些土地利用排放源在大范围区域的分布资讯，建立排放源与测站量测的空污浓度间的关系模式，再经过验证方法确定模式模拟的成果稳定可靠。

未来只要我们知道某一地周边土地利用排放源的分布状况，就可以把资讯代入推估模式，获得该地区空气污染浓度的模式推估值。这是在面对监测站不足的挑战时，一个经济且有效了解空污分布的可行解方。

地理人工智慧就是快速获得这些土地利用排放源在大范围区域分布资讯的关键技术。这个新兴模式分析技术，已被广泛应用在各个环境科学的研究领域中。可透过卫星、航照、无人机等来源的影像图层、地理资讯系统等空间资讯技术与功能来整合排放源资讯。同时，透过人工智慧中的机器学习以及集成学习等先进演算方法建置地理人工智慧模型，可以更准确、有效的解释空气污染与周边土地利用排放源之间，复杂的线性或非线性关系，有效模拟空气污染在大范围、大区域浓度梯度的变化情形。

笔者的研究团队陆续发展了四种地理人工智慧为基础的空间推估方法学。最新的「集成混合空间模型」模式则取各家之长，不只搜集1994年至今近30年的台湾长期历史监测数据，经由空间统计方法推估空气污染的浓度，并搭配GIS及遥感探测等空间资讯技术，取得的工业、交通、住宅等一般空气污染排放源，也特别纳入寺庙烧香、烧金纸与中式餐厅大火快炒等，台湾特有排放源。经过演算法的机器学习模型建置后，再重新进行一次集成模型拟合，进而完成最终的集成混合空间模型来模拟台湾空气污染的时空变异。

我们采用的地理人工智慧空气污染推估方法学已实际应用于模拟过去近30多年台湾全岛多项空气污染物质的时空变化，包含：细悬浮微粒、二氧化氮、臭氧、一氧化碳等。整体而言，我们发展的地理人工智慧空污模型可以在90％以上准确度的情况下，模拟1994年迄今每一天、台湾每个角落空气污染的浓度分布。

以电脑算运的实务来说，我们会把台湾全岛划分为4千多万个50公尺正方的网格，而透过我们的模型，地面上每一个50公尺正方的范围就可有一个空气污染浓度的推估值。这些模拟成果也可实际应用于分析空污对国人的在地健康冲击、以及拟定台湾空气污染防治政策的科学依据。

期望这些科研究成果对国内空污议题能有些许的正面帮助，让大家共同重视空气污染带来的种种挑战。