AI集成模型突破 中大精准描绘PM2.5成分时空分布

空气污染对人体健康的威胁指数，正随着科学研究被逐步揭示污染来源。中央大学太空及遥测研究中心林唐煌教授，携手台湾大学公共卫生学院吴章甫教授，以及多所大学与研究机构，在国科会与教育部高教深耕计画支持下，运用人工智能与统计方法，成功建立台湾本岛PM2.5元素成分的时空分布模型。这项成果突破以往仅能依靠浓度监测的限制，不仅能更准确掌握污染来源，亦为环境医学与公共健康提供新契机，并已发表於国际期刊《Atmospheric Pollution Research》。

图一 : 图一为2021年6月至2022年5月期间PM2.5中12个元素成分的浓度分布(Huang et al., 2025)。图二为台湾地区PM2.5中K+成分的浓度分布，2022年3月(Huang et al., 2025)。

由於PM2.5细悬浮微粒能深入人体的呼吸道并进入血液循环，对心肺及全身健康造成长期的影响，而其毒性与健康风险不仅取决於浓度，更与内含的化学元素息息相关。研究团队自2021年6月至2022年5月，於全台28个空气品质监测站搜集四季样本，分析其中12种元素（如铅、镍、铁、硫等）的浓度变化，并尝试解开污染成分背後的时空分布奥秘。

为突破传统方法的局限，团队结合典型统计的「广义相加模型（GAM）」与人工智能的「极限梯度提升法（XGBoost）」。前者先行消除气象因子造成的时间变异，後者则针对土地利用型态、道路长度、地形与排放源等空间变数进行深度学习。透过这种「集成式模型」，科学家得以建立高解析度的PM2.5成分时空地图，进一步探索污染来源与分布规律。
...
...

另一名雇主	限られたニュース	文章閱讀限制	出版品優惠
一般使用者	10/ごとに 30 日間	0/ごとに 30 日間	付费下载
VIP会员	无限制	25/ごとに 30 日間	付费下载