請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82229完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 詹長權(Chang-Chuan Chan) | |
| dc.contributor.author | Pei-Cen Wu | en |
| dc.contributor.author | 巫姵岑 | zh_TW |
| dc.date.accessioned | 2022-11-25T06:34:02Z | - |
| dc.date.copyright | 2022-02-21 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2022-02-13 | |
| dc.identifier.citation | 1. Pope Iii, C. A., Burnett, R. T., Thun, M. J., Calle, E. E., Krewski, D., Ito, K., Thurston, G. D. (2002). Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution. Jama, 287(9), 1132-1141. 2. Hamra, G. B., Guha, N., Cohen, A., Laden, F., Raaschou-Nielsen, O., Samet, J. M., Vineis, P., Forastiere, F., Saldiva, P., Yorifuji, T., Loomis, D. (2014). Outdoor particulate matter exposure and lung cancer: a systematic review and meta-analysis. Environmental health perspectives. 122(9):906-911. 3. World Health Organization. (2021). WHO global air quality guidelines: particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide, and carbon monoxide: executive summary. 4. 中華民國交通部交通部統計查詢網機動車輛登記數,https://stat.motc.gov.tw. 5. 行政院環保署空保處全國空氣污染物排放量清冊資訊系統,https://teds.epa.gov.tw/TEDS.aspx. 6. Chen, K.S., Lin, C.F., Chou, Y.M. (2001).Determination of source contributions to ambient PM2.5 in Kaohsiung, Taiwan, using a receptor model. J Air Waste Manag Assoc. 51(4):489-98. 7. Liao, H.T., Yau, Y, C., Huang, C.S., Chen, N., Chow, J.C., Watson, J.G., Tsai, S.W., Chou, C. C.K. Wu. C.F. (2017). Source apportionment of urban air pollutants using constrained receptor models with a priori profile information. Environmental Pollution, 227, 323-333. 8. 行政院環境保護署空氣品質監測網,https://airtw.epa.gov.tw/cht/Encyclopedia/AirSensor/AirSensor_1.aspx. 9. 內政部國土測繪中心,國土利用現況調查成果資訊專區,https://www.nlsc.gov.tw/cl.aspx?n=13705. 10. Barkjohn, K.K., Bergin, M.H., Norris, C., Schauer, J.J., Zhang, Y., Black, M., Hu, M. and Zhang, J. (2020). Using Low-cost sensors to Quantify the Effects of Air Filtration on Indoor and Personal Exposure Relevant PM2.5 Concentrations in Beijing, China. Aerosol Air Qual. Res. 20: 297-313. 11. Jiang, Y., Zhu, X., Chen, C., Ge, Y., Wang, W., Zhao, Z., Cai, J., Kan, H.(2021). On-field test and data calibration of a low-cost sensor for fine particles exposure assessment. Ecotoxicol Environ Saf.;211:111958. 12. Considine, E.M., Reid, C.E., Ogletree, M.R., Dye, T. (2021). Improving accuracy of air pollution exposure measurements: Statistical correction of a municipal low-cost airborne particulate matter sensor network. Environ. Pollut. 268, 115833. 13. Awokola, B.I., Okello, G., Mortimer, K.J., Jewell, C.P., Erhart, A., Semple, S. (2020). Measuring Air Quality for Advocacy in Africa (MA3): Feasibility and Practicality of Longitudinal Ambient PM2.5 Measurement Using Low-Cost Sensors. International Journal of Environmental Research and Public Health. 17, 7243. 14. Samad, A., Maali, A., Laquai, B., Vogt, U. (2021). Particulate Matter Profiles along the Rack Railway Route Using Low-Cost Sensor. Atmosphere. 12, 126. 15. Huang, R., Lal, R., Qin, M., Hu, Y., Russell, A.G., Odman, M.T., Afrin, S., Garcia-Menendez, F., O’Neill, S.M. (2021). Application and Evaluation of a Low-cost PM Sensor and Data Fusion with CMAQ Simulations to Quantify the Impacts of Prescribed Burning on Air Quality in Southwestern Georgia, USA. Journal of the Air Waste Management Association. 16. Liu, H.Y., Schneider, P., Haugen, R., Vogt, M. (2019). Performance assessment of a low-cost PM2. 5 sensor for a near four-month period in Oslo, Norway. Atmosphere 10, 41. 17. Jayaratne, R., Liu, X., Thai, P., Dunbabin, M., Morawska, L. (2018). The influence of humidity on the performance of a low-cost air particle mass sensor and the effect of atmospheric fog. Atmospheric Measurement Techniques 11, 4883-4890. 18. Johnson, K.K., Bergin, M.H., Russell, A.G., Hagler, G.S. (2018). Field test of several low-cost particulate matter sensors in high and low concentration urban environments. Aerosol and Air Quality Research 18, 565. 19. Abera, A., Malmqvist, E., Mandakh, Y., Flanagan, E., Jerrett, M., Gebrie, G.S.,Bayih, A.G., Aseffa, A., Isaxon, C., Mattisson, K. (2021). Measurements of NOx and Development of Land Use Regression Models in an East-African City. Atmosphere. 12, 519. 20. Saucy, A., Röösli, M., Künzli, N., Tsai, M.-Y., Sieber, C., Olaniyan, T., Baatjies, R., Jeebhay, M., Davey, M., Flückiger, B. (2018). Land use regression modelling of outdoor NO2 and PM2. 5 concentrations in three low income areas in the western cape province, South Africa. International journal of environmental research and public health 15, 1452. 21. Messier, K. P., Chambliss, S. E., Gani, S., Alvarez, R., Brauer, M., Choi, J. J., Hamburg, S. P., Kerckhoffs, J., LaFranchi, B., Lunden, M. M., Marshall, J. D., Portier, C.J., Roy, A., Szpiro, A. A., Vermeulen, R. C. H., Apte, J. S. (2018). Mapping air pollution with Google Street View cars: Efficient approaches with mobile monitoring and land use regression. Environmental science technology, 52(21), 12563-12572. 22. Pervez, S., Maruyama, R., Riaz, A., Nakai, S. (2021). Development of Land Use Regression Model for Seasonal Variation of Nitrogen Dioxide (NO2) in Lahore, Pakistan. Sustainability, 13(9), 4933. 23. Mo, Y., Booker, D., Zhao, S., Tang, J., Jiang, H., Shen, J., Chen, D., Li, J., Jones, K. C., Zhang, G. (2021). The application of land use regression model to investigate spatiotemporal variations of PM2. 5 in Guangzhou, China: Implications for the public health benefits of PM2. 5 reduction. Science of the Total Environment, 778, 146305. 24. Jones, R. R., Hoek, G., Fisher, J. A., Hasheminassab, S., Wang, D., Ward, M. H., Sioutas, C., Vermeulen, R., Silverman, D. T. (2020). Land use regression models for ultrafine particles, fine particles, and black carbon in Southern California. Science of The Total Environment, 699, 134234. 25. Hsu, C. Y., Zeng, Y. T., Chen, Y. C., Chen, M. J., Lung, S. C. C., Wu, C. D. (2020). Kriging-based land-use regression models that use machine learning algorithms to estimate the monthly BTEX concentration. International journal of environmental research and public health, 17(19), 6956. 26. 翁佩詒,吳治達,蘇慧貞.結合土地利用迴歸與極限梯度提升演算法發展高雄都會區二氧化氮之推估模型 航測及遙測學刊 ； 26卷1期 (2021 / 03 / 01) ， P1 - 12 27. Li, Z., Ho, K. F., Chuang, H. C., Yim, S. H. L. (2021). Development and intercity transferability of land-use regression models for predicting ambient PM 10, PM 2.5, NO2 and O3 concentrations in northern Taiwan. Atmospheric Chemistry and Physics, 21(6), 5063-5078. 28. Munir, S., Mayfield, M., Coca, D. (2021). Understanding spatial variability of NO2 in urban areas using spatial modelling and data fusion approaches. Atmosphere, 12(2), 179. 29. Minet, L., Gehr, R., Hatzopoulou, M. (2017). Capturing the sensitivity of land-use regression models to short-term mobile monitoring campaigns using air pollution micro-sensors. Environmental Pollution, 230, 280-290. 30. Abera, A., Mattisson, K., Eriksson, A., Ahlberg, E., Sahilu, G., Mengistie, B., Bayih, A.G., Aseffaa, A., Malmqvist, E., Isaxon, C. (2020). Air pollution measurements and land-use regression in urban Sub-Saharan Africa using low-cost sensors—possibilities and pitfalls. Atmosphere, 11(12), 1357. 31. Bi, J., Stowell, J., Seto, E. Y., English, P. B., Al-Hamdan, M. Z., Kinney, P. L., Freedman, F.R., Liu, Y. (2020). Contribution of low-cost sensor measurements to the prediction of PM2. 5 levels: A case study in Imperial County, California, USA. Environmental research, 180, 108810. 32. Masiol, M., Zíková, N., Chalupa, D. C., Rich, D. Q., Ferro, A. R., Hopke, P. K. (2018). Hourly land-use regression models based on low-cost PM monitor data. Environmental research, 167, 7-14. 33. Coker, E. S., Amegah, A. K., Mwebaze, E., Ssematimba, J., Bainomugisha, E. (2021). A land use regression model using machine learning and locally developed low cost particulate matter sensors in Uganda. Environmental Research, 199, 111352. 34. Lu, Y., Giuliano, G., Habre, R. (2021). Estimating hourly PM2.5concentrations at the neighborhood scale using a low-cost air sensor network: A Los Angeles case study. Environ. Res. 195, 110653. 35. Eeftens, M., Beelen, R., De Hoogh, K., Bellander, T., Cesaroni, G., Cirach, M., Declercq, C., Dedele, A., Dons, E., de Nazelle, A., Dimakopoulou, K., Eriksen, K., Falq, G., Fischer, P., Galassi, C., Grazuleviciene, R., Heinrich, J., Hoffmann, B., Jerrett, M., Keidel, D., Korek, M., Lanki, T., Lindley, S., Madsen, C., Molter, A., Nador, G., Nieuwenhuijsen, M., Nonnemacher, M., Pedeli, X., Raaschou-Nielsen, O., Patelarou, E., Quass, U., Ranzi, A., Schindler, C., Stempfelet, M., Stephanou, E., Sugiri, D., Tsai, M. Yli-Tuomi, T., Varro, M. J., Vienneau, D., von Klot, S., Wolf, K., Brunekreef, B., Hoek, G. (2012). Development of land use regression models for PM2. 5, PM2. 5 absorbance, PM10 and PMcoarse in 20 European study areas; results of the ESCAPE project. Environmental science technology, 46(20), 11195-11205. 36. Patel, M. M., Chillrud, S. N., Correa, J. C., Feinberg, M., Hazi, Y., Deepti, K. C., Prakash, S., Ross, J. M., Levy, D., Kinney, P. L. (2009). Spatial and temporal variations in traffic-related particulate matter at New York City high schools. Atmospheric Environment, 43(32), 4975-4981. 37. 黃姿榕,2011.交通對臺北市學校空氣品質影響評估研究.國立臺灣大學職業醫學與工業衛生研究所 38. Lee, J. H., Wu, C. F., Hoek, G., de Hoogh, K., Beelen, R., Brunekreef, B., Chan, C. C. (2015). LUR models for particulate matters in the Taipei metropolis with high densities of roads and strong activities of industry, commerce and construction. Science of the Total Environment, 514, 178-184. 39. Masiol, M., Squizzato, S., Chalupa, D., Rich, D. Q., Hopke, P. K. (2019). Spatial-temporal variations of summertime ozone concentrations across a metropolitan area using a network of low-cost monitors to develop 24 hourly land-use regression models. Science of The Total Environment, 654, 1167-1178. 40. Ma, X., Longley, I., Gao, J., Kachhara, A., Salmond, J. A site-optimised multi-scale GIS based land use regression model for simulating local scale patterns in air pollution. 2019 Science of the Total Environment, 685, pp. 134-149. 41. Ho, C. C., Chen, L. J., Hwang, J. S. (2020). Estimating ground-level PM2. 5 levels in Taiwan using data from air quality monitoring stations and high coverage of microsensors. Environmental Pollution, 264, 114810. 42. Wong, P. Y., Lee, H. Y., Chen, Y. C., Zeng, Y. T., Chern, Y. R., Chen, N. T., Lung, C. S. C.,Su, H. J., Wu, C. D. (2021). Using a land use regression model with machine learning to estimate ground level PM2. 5. Environmental Pollution, 277, 116846. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82229 | - |
| dc.description.abstract | "背景: 台北市現今只有6個環保署監測站，因為監測站數量及分布的不足限制了以監測站的量測值來描述台北市行政區內細懸浮微粒 (PM2.5) 汙染的現象，例如: 解析度較高的PM2.5汙染時空變異特性和PM2.5汙染與交通汙染源之間的關係。近年來開始使用成本低、體積小特性、能夠廣泛設置的PM2.5微型感測器(Airbox)，提供我們一個改進解析台北市行政區內PM2.5汙染現象的機會。 目的: 本研究將探討台北市微型感測器的PM2.5時空分布情形，並且嘗試使用PM2.5微型感測器及車輛偵測器之車流量此兩種資料進一步探討台北市PM2.5濃度與車流量之關係。 材料方法: 本研究使用2020年8月至2021年7月之台北市微型感測器及環保署監測站PM2.5濃度資料，依行政區劃分比較兩者年平均與日平均的差異，並畫出逐時、逐日、逐月的時間趨勢圖，再以地理資訊系統(ArcGIS)空間分析工具的Kriging工具，分別做台北市PM2.5空間濃度推估圖來比較兩者的時空分布差異。本研究同時使用台北市交通局道路交通流量計數資料來探討PM2.5濃度與車流量之關係，我們將台北市各行政區的PM2.5的年平均逐時濃度與各行政區的年平均逐時總車流量做簡單線性回歸以量化車流量與PM2.5濃度之關係，此外將車流量結合土地利用資料來進一步建立PM2.5濃度的土地利用回歸模式(Land Use Regression, LUR)。 結果: 研究顯示台北市微型感測器校正前後的PM2.5濃度與環保署監測PM2.5濃度，在逐時、逐日及逐月均有相似的趨勢，而微感測器相較於環保署監測站能夠呈現更高解析度，例如區內的PM2.5濃度空間變異情形。 PM2.5濃度與車流量之間有顯著相關且線性回歸關係良好，台北市各行政區的R2 的值分布可達0.72至0.89之間，當總車流量每小時增加10000輛時，會使台北市12個行政區PM2.5濃度分別上升0.36μg/m3至1.64μg/m3之間。鑒於其資料完整性，針對士林區及中山區進行土地利用回歸模式建立，士林區年平均逐時土地利用回歸模式 (R2為0.87)能夠反應出士林區100公尺到5000公尺之間環域範圍內各種土地利用情況對PM2.5濃度的影響，包含宗教殯葬設施、交通設施、工業區、河川及水體、建築工地、主要道路及都市綠地及車流量對PM2.5濃度的影響。中山區年平均逐時土地利用回歸模式 (R2為0.66) 能夠反映出中山區100公尺到1000公尺之間環域範圍內各種土地利用情況對PM2.5濃度的影響，包含一般道路、宗教殯葬設施、交通設施、低密度住宅區及車流量對PM2.5濃度的影響。 結論: 本研究利用在小範圍內數量多及密度高的微型感測器(Airbox)的資料，成功解析台北市12個行政區內PM2.5濃度的時間和空間分布特性，也在結合逐時交通流量及土地利用資料後，成功建立台北市12個行政區內PM2.5濃度和交通流量存在相關性和有行政區特色的PM2.5濃度土地利用回歸模式。" | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-25T06:34:02Z (GMT). No. of bitstreams: 1 U0001-1002202220395200.pdf: 3992830 bytes, checksum: 1fa3975298846e8b01e95b3e98f6d34d (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | "目 錄 摘要 I ABSTRACT III 目 錄 VI 圖 目 錄 VIII 表 目 錄 X 第一章、前言 1 1.1. 細懸浮微粒 3 1.2. 交通流量對PM2.5影響 4 1.3. 空汙感測物聯網 5 1.4. 微型感測器 5 1.5. 土地利用回歸模式 6 1.6. 研究目的 7 第二章、材料與方法 8 2.1. 研究架構 8 2.2. 空氣品質監測資料 9 2.3. 車流量資料 10 2.4. 土地利用資料 13 2.5. 分析方法 15 2.5.1. 時空分布情形之分析 15 2.5.2. 車流量與PM2.5相關性 15 2.5.3. 土地利用回歸模型流程 15 第三章、結果 18 3.1. 資料統計結果 18 3.1.1. 空氣品質資料 18 3.1.2. 交通流量資料 31 3.1.3. 土地利用資料 49 3.2. 監測站與微感測器時空分布比較 53 3.3. 車流量與PM2.5相關性 58 3.4. 土地利用回歸 62 第四章、討論 69 4.1. 台灣微感測器現況討論 69 4.2. 微感測器高時空解析度探討 71 4.3. 微感測器及交通流量關係之探討 71 4.4. 土地利用回歸模式 72 4.4. 研究限制 77 第五章、結論與建議 79 參考文獻 82 附件 89 附件一、台北市環保署測站及AIRBOX PM2.5日平均標準超標之情形(2020.8-2021.7) 89 附件二、台北市土地利用變項及車流量與PM2.5濃度複迴歸分析結果 97 圖 目 錄 圖1. 研究架構圖 8 圖2. 台北市空氣盒子設置分布 10 圖3. 路側式(微波)車輛偵測器 10 圖4. 台北市車輛偵測器之分布情形 12 圖5. 台北市車輛偵測器在台北市街道之分布情形 12 圖6. 土地利用回歸模式方法流程圖 17 圖7. 2020年8月至2021年7月期間有測值之台北市Airbox分布圖 19 圖8. 台北市各行政區Airbox PM2.5年平均濃度盒鬚圖(2020.8-2021.7) (未校正) 22 圖9. 台北市各行政區Airbox PM2.5年平均濃度盒鬚圖(2020.8-2021.7) (已校正) 22 圖10. 台北市各環保署測站PM2.5年平均濃度盒鬚圖(2020.8-2021.7) 22 圖11. 台北市Airbox PM2.5年平均濃度逐時、逐日、逐月趨勢圖(2020.8-2021.7) (未校正) 30 圖12. 台北市Airbox PM2.5年平均濃度逐時、逐日、逐月趨勢圖(2020.8-2021.7) (已校正) 30 圖13. 台北市環保署測站PM2.5年平均濃度逐時、逐日、逐月趨勢圖 (2020.8-2021.7) 30 圖14. 台北市各行政區平均每日交通量盒狀圖(2020.8-2021.7) 33 圖15. 台北市年車流量一週逐時趨勢圖(2020.8-2021.7) 33 圖16. 台北市士林區逐時年平均車流量趨勢圖(2020.8-2021.7) 34 圖17. 台北市大同區逐時年平均車流量趨勢圖(2020.8-2021.7) 35 圖18. 台北市大安區逐時年平均車流量趨勢圖(2020.8-2021.7) 36 圖19. 台北市中山區逐時年平均車流量趨勢圖(2020.8-2021.7) 37 圖20. 台北市中正區逐時年平均車流量趨勢圖(2020.8-2021.7) 38 圖21. 台北市內湖區逐時年平均車流量趨勢圖(2020.8-2021.7) 39 圖22. 台北市文山區逐時年平均車流量趨勢圖(2020.8-2021.7) 40 圖23. 台北市北投區逐時年平均車流量趨勢圖(2020.8-2021.7) 41 圖24. 台北市松山區逐時年平均車流量趨勢圖(2020.8-2021.7) 42 圖25. 台北市信義區逐時年平均車流量趨勢圖(2020.8-2021.7) 43 圖26. 台北市南港區逐時年平均車流量趨勢圖(2020.8-2021.7) 44 圖27. 台北市萬華區逐時年平均車流量趨勢圖(2020.8-2021.7) 45 圖28. 台北市車流量年平均逐時趨勢圖(0時-11時) 47 圖29. 台北市車流量年平均逐時趨勢圖(12時-23時) 48 圖30. 台北市各類型土地利用分布圖 52 圖31. 以台北市AirBox 推估PM2.5年平均濃度空間分布 (2020.8-2021.7) 54 圖32. 以台北市AirBox推估 PM2.5校正後年平均濃度空間分布(2020.8-2021.7) 54 圖33. 以台北市各行政區AirBox分區推估 PM2.5年平均濃度空間分布(2020.8-2021.7) 54 圖34. 以台北市各行政區AirBox分區推估 PM2.5校正後年平均濃度空間分布(2020.8-2021.7) 54 圖35. 以台北市環保署測站推估PM2.5年平均濃度空間分布(2020.8-2021.7) 54 圖36. 台北市AirBox 2020.8月至2021.7月PM2.5月平均濃度空間推估圖(未校正) 55 圖37. 台北市AirBox 2020.8月至2021.7月PM2.5月平均濃度空間推估圖(已校正) 56 圖38. 台北市環保署測站2020.8月至2021.7月PM2.5月平均濃度空間推估圖 57 圖39. 台北市各行政區PM2.5年平均(2020.8-2021.7)逐時趨勢(左)及各行政區所有VD之總車流量年平均(2020.8-2021.7)逐時趨勢(右)-1 58 圖40. 台北市各行政區PM2.5年平均(2020.8-2021.7)逐時趨勢(左)及各行政區所有VD之總車流量年平均(2020.8-2021.7)逐時趨勢(右)-2 59 圖41. 台北市AirBox實際年平均濃度與模式推估濃度之關係 62 圖42. 台北市士林區、中山區、內湖區1000公尺環域內有車輛偵測器的Airbox分布圖 64 圖43. 台北市AirBox資料分析期間(2020.8-2021.7)資料筆數 70 表 目 錄 表1. TEDS10.1及TEDS11.0 (PM2.5)台北市污染源排放量統計表 5 表2. 臺北市各行政區車輛偵測器數量分布 11 表3. 台北市土地利用回歸(LUR)模式所使用的預測變項列表 14 表4. 台北市12行政區2020年8月至2021年7月校正前後有測值之AirBox數量 19 表5. 台北市各行政區AirBox量測之PM2.5濃度描述性統計(2020.8-2021.7)(未校正) 20 表6. 台北市AirBox量測之PM2.5濃度描述性統計(2020.8-2021.7) (已校正) 21 表7. 台北市環保署測站量測之PM2.5濃度描述性統計(2020.8-2021.7) 21 表8. 台北市1 年內有效測定時數達 6,000 小時 （含）以上Airbox設備之PM2.5濃度描述性統計(2020.8-2021.7) (未校正) 24 表9. 台北市1 年內有效測定時數達 6,000 小時 （含）以上Airbox設備之PM2.5濃度描述性統計(2020.8-2021.7) (已校正) 25 表10. 台北市各行政區校正前後Airbox及環保署測站PM2.5濃度超過WHO及台灣環保署年平均標準之站數 (2020.8-2021.7) 27 表11. 台北市各行政區校正前後Airbox及環保署測站PM2.5濃度超過WHO及台灣環保署日平均標準之日數及測站數 (2020.8-2021.7) 28 表12. 不同平均每日交通量(ADT)的車輛偵測器在台北市各區的數量(2020.8-2021.7) 31 表13. 台北市各行政區之車流量描述性統計(2020.8-2021.7) 32 表14. 台北市士林區逐時年平均車流量(輛/hr)(2020.8-2021.7) (n=68) 34 表15. 台北市大同區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=56) 35 表16. 台北市大安區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=148) 36 表17. 台北市中山區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=170) 37 表18. 台北市中正區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=90) 38 表19. 台北市內湖區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=64) 39 表20. 台北市文山區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=49) 40 表21. 台北市北投區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=32) 41 表22. 台北市松山區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=62) 42 表23. 台北市信義區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=66) 43 表24. 台北市南港區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=56) 44 表25. 台北市萬華區逐時年平均車流量(輛/hr) (2020.8-2021.7) (n=73) 45 表26. 台北市各區土地利用描述性統計(1/2) 50 表27. 台北市各區土地利用描述性統計(2/2) 51 表28. 台北市各行政區PM2.5逐時年平均濃度與逐時年平均車流量簡單線性回歸結果(2020.8-2021.7) 61 表29. 台北市各行政區道路面積及其在各行政區面積占比 61 表30. 台北都會區模式[38]選入之預測變項在台北市83個AirBox感測器的描述性統計 62 表31. 台北市300公尺環域範圍內有車輛偵測器的Airbox(n=51)其土地利用回歸(LUR)年平均模式 63 表32. 台北市士林區土地利用回歸(LUR)年平均逐時模式結果 66 表33. 台北市士林區土地利用回歸模式所使用之土地利用資料描述性統計 66 表34. 台北市中山區土地利用回歸(LUR)年平均逐時模式結果 67 表35. 台北市中山區土地利用回歸模式所使用之土地利用資料描述性統計 67 表36. 台北市內湖區土地利用回歸模(LUR)年平均逐時模式結果 68 表37. 台北市內湖區土地利用回歸模式所使用之土地利用資料描述性統計 68 表38. 台灣微型感測器現況 69 表39. 利用台北市中山區模式推估去除車流量汙染源後之濃度下降情形 74 表40. 利用台北市士林區模式推估去除車流量汙染源後之濃度下降情形 74" | |
| dc.language.iso | zh-TW | |
| dc.subject | 車流量 | zh_TW |
| dc.subject | 微型感測器 | zh_TW |
| dc.subject | 土地利用回歸模式 | zh_TW |
| dc.subject | 細懸浮微粒 | zh_TW |
| dc.subject | land use regression model (LUR) | en |
| dc.subject | microsensor(AirBox) | en |
| dc.subject | particulate matter (PM2.5) | en |
| dc.subject | traffic flow | en |
| dc.title | 以空污感測器資料評估台北市細懸浮微粒之時空分布及其與交通流量之關係 | zh_TW |
| dc.title | Temporal and spatial distribution of PM2.5 pollution in Taipei City and its association with traffic flows assessed by microsensor (AirBox) data | en |
| dc.date.schoolyear | 110-1 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 陳伶志(Feng-Yu Tsai),吳沛遠(Jen-Sue Chen),袁子軒 (Yu-Ching Huang) | |
| dc.subject.keyword | 微型感測器,細懸浮微粒,車流量,土地利用回歸模式, | zh_TW |
| dc.subject.keyword | microsensor(AirBox),particulate matter (PM2.5),traffic flow,land use regression model (LUR), | en |
| dc.relation.page | 99 | |
| dc.identifier.doi | 10.6342/NTU202200544 | |
| dc.rights.note | 未授權 | |
| dc.date.accepted | 2022-02-13 | |
| dc.contributor.author-college | 公共衛生學院 | zh_TW |
| dc.contributor.author-dept | 環境與職業健康科學研究所 | zh_TW |
| dc.date.embargo-lift | 2027-02-11 | - |
| 顯示於系所單位： | 環境與職業健康科學研究所 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-1002202220395200.pdf 未授權公開取用 | 3.9 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。