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。

研究发现，不同污染源对元素浓度的影响呈现清晰差异。例如铅的浓度与工业用地与道路分布关联显着，而硫、钙、镍与铅等元素的高浓度则集中於中南部地区，凸显当地工业及交通活动对空污的深远影响。这些成果提供了针对性治理与区域管制的重要依据。

林唐煌教授强调，这项结合传统统计与AI的研究展现出巨大潜力，不仅能协助政府在制定区域性空污治理政策与热点监控策略时提供科学依据，也为精准环境医学与公共卫生风险评估开启新篇章。未来，团队将持续结合流行病学与健康数据，进一步探讨空污成分对疾病的影响，深化科技在医学与公共卫生领域的应用价值。