中央大學建立PM2.5成分時空模型 有助空汙治理與公衛健康

臺灣PM2.5中K+成分的濃度分佈，2022年3月。圖／中大提供

國立中央大學太空及遙測研究中心教授林唐煌與國立臺灣大學公共衛生學院教授吳章甫，與國內多所大學和研究機構合作，獲得國科會和教育部支持，利用機器學習技術建立臺灣本島PM2.5元素成分時空分佈模型，可大幅提升醫師在空氣污染所導致衆多疾病的主因診斷，有利於精準環境醫學與生物科技新知突破，研究成果近日發表於國際期刊 Atmospheric Pollution Research。

中大表示，細懸浮微粒（PM2.5）能深入人體呼吸道並進入血液循環，對心肺與全身健康造成威脅，PM2.5的毒性與健康風險不僅取決於總濃度，更與其內含的化學元素組成密切相關。

林唐煌團隊針對臺灣本島28個空氣品質監測站，自2021年6月至2022年5月，蒐集涵蓋四季的PM2.5 樣本，並分析其中12種元素，包括鉛、鎳、鐵、硫等濃度變化。

研究團隊結合兩種模型技術，典型統計「廣義相加模型（GAM）」用以移除氣象因子造成的PM2.5成分時間變異，再以機器學習「極限梯度提升法（XGBoost）」分析剩餘變異與道路、綠地等不同土地利用型態、地形及周邊排放源等空間變數關聯性，透過此「集成式模型」得以更全面地捕捉PM2.5元素成分的高解析度時空分佈，並探索污染來源的可能性。

研究結果顯示不同污染源對PM2.5成分分佈的影響，如發現鉛濃度分佈主要受到工業建築用地和道路長度影響，此外，研究亦發現硫（S）、鈣（Ca）、鎳（Ni）與鉛（Pb）元素的高濃度地區集中於中南部地區，顯示應針對當地潛在污染源加強監控與管理。

林唐煌表示，整合典型統計與機器學習在環境健康研究中有相當的應用潛力，有助於政府在區域性空污減量政策制定及熱點監控上，提供重要參考依據，對環境污染監測與公共衛生風險評估帶來貢獻，未來研究團隊將進一步結合風險資料，深入探討空污成分對大衆健康的影響。

延伸閱讀