PM2.5成分時空模型 助益空汙治理與公衛健康

【記者張穎容台北報導】中央大學太空及遙測研究中心教授林唐煌與國內多所大學和學術研究機構合作，利用機器學習技術建立台灣本島PM2.5元素成分的時空分布模型，可大幅提升醫師在空氣汙染所導致眾多疾病的主因診斷，對於精準環境醫學與生物科技新知有重要突破，最新研究成果近日發表於國際期刊。

中央大學指出，空氣汙染對人體健康影響日益嚴重，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。

研究團隊針對台灣本島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，並分析鉛、鎳、鐵、硫等當中12種元素的濃度變化。

研究團隊結合兩種模型技術，以典型統計「廣義相加模型（GAM）」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）」分析剩餘變異與土地利用型態，如工業、道路、綠地、地形及周邊排放源等空間變數的關聯性。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布，並探索汙染來源的可能性。

研究結果顯示，不同汙染源對PM2.5成分分布的影響，例如鉛（Pb）元素具健康效應。研究發現鉛的濃度分布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台灣中南部，顯示應針對當地潛在汙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汙減量政策制定及熱點監控上，提供重要參考依據，對環境汙染監測與公共衛生風險評估帶來重要貢獻，未來研究團隊將進一步結合風險資料，深入探討空汙成分對大眾健康的影響。