运用机器学习法特徵化潜在污染场址之受体暴露地图.PDFVIP

See discussions, stats, and author profiles for this publication at: /publication/315701674 Using Machine Learning to Map and Characterize Exposure Zones for Potentially Contaminated Sites Article April 2017 CITATIONS READS 0 56 3 authors, including: I-Chun Chen Hwong-wen Ma National Taiwan University National Taiwan University 16 PUBLICATIONS 8 CITATIONS 93 PUBLICATIONS 1,31 CITATIONS SEE PROFILE SEE PROFILE Some of the authors of this publication are also working on these related projects: Trade-offs strategy and risk assessment for food, water and energy nexus under urban growth View project All content following this page was uploaded by I-Chun Chen on 30 March 2017. The user has requested enhancement of the downloaded file. 運用機器學習法特徵化潛在污染場址之受體暴露地圖 陳怡君賈皓鈞 馬鴻文 * 國立台灣大學環境工程研究所 摘要 基於風險預防概念，土壤地下水風險估應找尋可特徵化暴露與污染間關連性 方法，台灣污染場址暴露調查少有長期與大量行為統計，區域或場址性的暴露調 查 無法有效洞察全台受體暴露脆弱 特徵地區。機器學習能建立良好近似系統 (approximation)找出特徵(Characteristic) 、規則(Patterns)或關聯性 (Relationship) 。本 研究運用機器學習探討受體暴露特徵， 以大數據概念特徵化台灣居民生活型態。 結合民眾生活習慣問卷、社會經濟公開資料 (如自來水普及率、人口密度、教育程 度、年齡、收入等) 、及 土地利用圖資等資料，將複雜、困難、異質性資料進行分 析，找尋特徵化受體暴露潛勢區域。利用 決策樹與地理圖資顯示受體暴露潛勢地 圖 ，結果顯示土壤與地下水接觸特徵不太相同，但兩者與土地利用特徵有強度關 連，建議健康風險評估暴露參數應強化 與土地利用連結 。地下水接觸潛勢判定結 果除土地利用外 ，教育程度高低與自來水接管率亦具有顯著性判定依據，建議可 由本研究篩選結果 （教育程度比例小於30%與自來水普及率小於44%區域），優 先進行地下水暴露型態調查，以降低調查上時間與經費的花費。此外暴露問卷設 計應新增家戶年收入、教育程度、土地利用、自來水接管率 等資料勾稽，以作為 未來暴露潛勢區域劃定的參考依據。 關鍵字： 機器學習 、暴露行為、社會經濟、暴露潛勢地圖、土地利用、土壤地 下水 *通訊作者：馬鴻文 國立台灣大學( 環境工程研究所) 10617台北市大安區舟山路 71號 電話： +886-2 ；Email: hwma@.tw