成大团队以地理人工智慧建构模型 估算出台湾大气中戴奥辛浓度的时空变化 – 科学月刊Science Monthly

Author 作者 整理报导|罗亿庭戴奥辛地理人工智慧PM2.5机器学习人工智慧具有「世纪之毒」的戴奥辛(dioxins),其实是多达210种化合物的总称。由於戴奥辛的毒性高、易危害人体,又具有能在环境中长期残留的特性,因此一直以来都是重要的环境保护议题。近期由成功大学测量及空间资讯学系副教授吴治达率领的团队,应用了地理人工智慧(Geo-AI)技术发展「集成混合空间推估模型」(ensemble mixed spatial prediction model, EMSM),以高解析度模型模拟出全台湾大气中的戴奥辛分布,找出空气中存在着多少戴奥辛。团队在模拟後发现,当环境中的PM2.5(细悬浮微粒)浓度愈高、制造业密度愈高、纬度愈低时,大气中就容易出现高浓度戴奥辛。

戴奥辛是由75种多氯戴奥辛(polychlorinated dibenzo-p-dioxins, PCDD)及135种多氯呋喃(polychlorinated dibenzofurans, PCDF)组合而成的群集,对於人体具有高度毒性、且会在环境中累积。当人们焚烧含有「氯」的塑胶废弃物时,戴奥辛便有可能随之产生,并透过大气传播到各处。例如随烟囱中的燃烧废气传到更远的地区,尔後沉降到土壤、水域中,被动植物吸收或吃入後再透过一层层的食物链累积於顶级猎食者体内。受限於经费规划,环保局设立於各县市的空气品质监测站数量不多,也无法长时间采集空气样本以评估环境中的戴奥辛浓度。为了得知现今环境中精准的戴奥辛浓度,成功大学团队以Geo-AI为基础开发出的EMSM,预计将能模拟全台空气中戴奥辛的空间分布与时间变异状况。

此EMSM以2006~2016年环保署监测站的每日戴奥辛浓度做为资料建模依据,再透过机器学习(machine learning)整合、堆叠多种空间推估方法学(如空间内插法、土地利用回归等)至模型中。最後以一种能解释模型中每个特徵对於结果影响力的技术「SHAP」(SHapley Additive exPlanations)定义出的重要地理空间变数资讯,模拟台湾全岛在长期、高解析度下大气中的戴奥辛浓度变化。团队最初在建构EMSM时,从零开始学习人工智慧(artificial intelligence, AI)的相关知识、程式编码,目前的EMSM已能在大范围观测下以高解析度(50公尺网格)呈现出全台每日的大气戴奥辛浓度分布,且模拟戴奥辛在大气中长期变化的趋势准确率高达87%。此外,团队也发现PM2.5、制造业密度、纬度是影响戴奥辛浓度变化的重要因子。当PM2.5浓度愈高、制造业密度高且纬度愈低时,较容易检测到高浓度的戴奥辛,而在绿化植物分布高的区域则戴奥辛浓度较低。

虽然模型现在的空间推估表现良好,已能模拟现在和过去两个板块的戴奥辛分布状态,但团队仍会持续研究使时间、空间分布呈现更细致的方式,以提供更详细和精确的资讯。此外,团队也期望能加入新的演算法与资料汇集,满足未来板块的预测的需求,并作为实用资讯提供给民众参考、做好日常预防准备。
新闻来源
翁蓝莉(2023年6月27日)。成大吴治达副教授团队「集成混合空间推估模型」解析戴奥辛时空变化 成果刊载国际期刊。国立成功大学新闻中心,https://reurl.cc/r5Ammb。

surfshark怎么下载

0 0 投票数
Article Rating
订阅评论
提醒
guest
0 Comments
最旧
最新 最多投票
内联反馈
查看所有评论
0
希望看到您的想法,请您发表评论x