人工智慧在空汙感測器陣列之應用

Abstract

台灣工業化的蓬勃發展，使得台灣陸陸續續成立許多製造工廠，建立新工廠雖能創造許多就業機會，卻也無可避免地使台灣的空污問題日益嚴重。近年來民眾開始重視空污氣體對身體所造成之危害，政府也運用物聯網技術，大量步建環境微型感測器，並透過網際網路將數據即時傳輸。同時提高了環境監測之時間與空間密度，目前環保署空污感測物聯網可即時查詢PM2.5、溫度以及相對濕度等資訊。 為拓展環保署空污感測物聯網所能偵測之空汙氣體，本研究參考行政院環保署108及109年度之各項空氣污染物年平均值，並且考量目前市售低成本微型感測器之解析度的限制，最終選擇新增臭氧(O3)、一氧化碳(CO)以及二氧化氮(NO2)作為所量測之目標氣體，方可為民眾提供除PM2.5外之其它空汙氣體之資訊。 本文透過自製之低成本微型感測器物聯網裝置，將所偵測之臭氧(O3)、一氧化碳(CO)以及二氧化氮(NO2)之氣體資料上傳雲端供後續訓練人工智慧模型作使用。使用循環神經網路模型作為人工智慧模型之基底，並為各目標氣體獨立建立一人工智慧模型，進行一系列之超參數優化，其初步成果為CO模型驗證誤差達10.25%、O3模型驗證誤差達34.07%、NO2模型驗證誤差達48.35%。接著置換不同循環神經記憶細胞單元再以相同超參數進行重新訓練，比較不同型態之循環神經網路其驗證集性能差異並將其進行集成，使該集成模型成為各氣體模型之最佳模型，CO最佳模型之測試集性能達15.23%、O3最佳模型之測試集性能達37.14%、NO2最佳模型之測試集性能達67.37%。由於各氣體最佳模型隨著新資料之引進，其模型性能有明顯下降之趨勢，後續為各氣體最佳模型進行模型再訓練，藉由更新動態模型之權值使其可動態修正靜態模型之判讀結果。結果顯示CO再訓練模型4個時期之模型平均性能達17.21% (判定係數R^2=0.73)、O3再訓練模型4個時期之模型平均性能達33.6% (判定係數R^2=0.51) 、NO2再訓練模型4個時期之模型平均性能達41.6% (判定係數R^2=0.37)，各氣體再訓練模型所反映之濃度趨勢與環保署公告之小時平均值大致吻合。 最後提供一可解釋模型，該模型將針對氣體模型每一樣本之濃度判讀結果進行事後解釋，使用者可根據各氣體特徵所對應之SHAP Value大小得知各氣體特徵對氣體模型該樣本之判讀結果之貢獻程度。藉由各氣體特徵之貢獻程度大小可直觀理解氣體模型主要依賴何種氣體特徵進行濃度判讀，使用者不僅能接收到氣體模型濃度判讀之結果，更可進一步獲取模型判讀之緣由。