The Application of SOM on Dioxin Fingerprint Matching

近年來，隨著台灣工業日益發達，電弧爐、焚化廠和燒結廠等戴奧辛排放源亦增加，相關污染事件時有所聞，然而目前追蹤污染源的方法，往往受到許多限制，且需耗費相當多的時間、精力在分析比對的工作上。然而隨著類神經網路的應用範圍越來越廣，將之應用於污染源追蹤的研究也越來越多，但是在戴奧辛污染源追蹤的部分仍闕如。 本研究便應用類神經網路中的自組織特徵映射網路（SOM），作為戴奧辛指紋比對的模式，以期更有效率地追蹤到污染來源；並進一步探討戴奧辛之衰變、代謝所造成的指紋改變，及多個排放源共同污染對指紋比對結果的影響。 研究結果顯示，SOM戴奧辛指紋比對模式的主要優點為：（1）在短時間、有限資訊下，便能有效率地找到污染源；（2）因使用U-matrix呈現拓樸結果，故不需要其他方法輔助，便能很快地辨識出分析結果；（3）無須定出指標元素，亦不需要假設樣本內的變數為獨立線性組合所構成，故較無部分資訊遺失的問題；（4）具有『鄰近區域』的觀念，更能呈現樣本空間訊息。然而亦有待改進之處，包括當有兩個以上且貢獻度相當的污染源時，便無法確切得知污染源究竟有哪些，此問題仍待後續研究解決之。 在戴奧辛衰變方面，發現戴奧辛於大氣、植物和土壤中的衰變，並不會對其指紋造成明顯的改變，但可進一步用來判別最初追蹤到的污染源是否為正確或誤判；而於水中及生物體內（本研究使用戴奧辛在人體血液中的半衰期數據）的衰變、代謝，則對戴奧辛指紋有很大的影響，進而造成污染源追蹤的誤判，故當受體為水及生物，或是這些介質為戴奧辛傳輸至受體過程中重要的一環，則於污染源追蹤工作時，考量戴奧辛在水與生物中的衰變是必須的。 此外，亦發現戴奧辛衰變配合於某介質停留的時間，會對戴奧辛指紋改變與否有很大的影響。故若能取得更可靠且在地性的半衰期數據，加上對戴奧辛的傳輸途徑有完整的認知，以及擁有於各介質存留時間的相關可靠資訊，將能更確切瞭解戴奧辛衰變對其指紋的影響，且對於戴奧辛指紋比對結果的準確性將有很大助益。 而將本研究建立之SOM戴奧辛指紋比對模式，配合模式測試所得的法則，應用在94年度高雄市區的戴奧辛實際檢測資料，結果確實能找到幾處採樣點的戴奧辛主要來源，且與階層集群分析所追蹤到的污染源雷同，但本研究所使用之方法的輸出結果較容易辨識，且更能觀察出考量衰變因子前後的指紋比對結果之異同，進而能夠剔除污染源追蹤之誤判情形。 為能盡快找到污染事件的責任歸屬，進而有效遏止戴奧辛污染事件的發生，尋求更有效率、準確度佳的污染源追蹤方法是必須的。除此之外，預防重於治療，故有賴政府各部會、民間各企業組織及社會大眾等共同努力，才能確實有效地減少污染事件的發生。Nowadays, with fast development of industry in Taiwan, dioxin pollution events take place more often. The methods usually used for identifying pollution sources are bounded, and take a lot of time to analyze the results. To find out pollution sources effectively, a dioxin fingerprint matching model based on SOM Toolbox is built in this study. The half-lives of dioxin and the scenario of multiple pollution are also considered to investigate the influence of them on dioxin fingerprints. The main advantages of SOM dioxin fingerprint matching model are as follows: a) it is able to find out the dioxin pollution sources in the short time and from the limited information; b) by using U-matrix to visualize the SOM results, no other means are needed to help analyzing the topologies; c) there is no need to transform the variables to some linear functions, so that no information would be missed; and d) because of the concept of ‘neighborhood’, the spatial information of samples are displayed well. However, when there are more than two pollution sources, and the contribution of these sources are similar, SOM can’t identify exactly which the sources are. Moreover, the decay of dioxin in air, plants and soil doesn’t have any obvious influence on fingerprints, but it is the basis for judging whether there are only one or more than two pollution sources. On the other hand, the half-lives of dioxin in water and human blood are influential on fingerprints and may cause error of identifying pollution sources. As deduced from here, dioxin decay data and residence time in media both play very important roles in affecting the changes of dioxin fingerprints. As a result, the more local and complete decay data is gained, and the more specific the transportion of dioxin is known, the more accurate the dioxin fingerprint matching will be.目錄 摘要 I ABSTRACT III 目錄 IV 圖目錄 VII 表目錄 Ⅺ 第1章 緒論 1 1.1 研究動機 1 1.2 研究目的 2 第2章 文獻回顧 3 2.1 戴奧辛簡介 3 2.1.1 戴奧辛的來源與特性 3 2.1.2 戴奧辛在環境中的傳輸 7 2.1.3 戴奧辛在各介質中的變化 10 2.2 戴奧辛污染源鑑定方法 13 2.2.1 階層集群分析法 13 2.2.2 受體模式 15 2.3 類神經網路 19 2.3.1 自組織特徵映射網路 22 2.3.2 自組織特徵映射網路於污染源追蹤的應用 24 2.4 目前常用的污染鑑定方法與SOM之比較 25 第3章 研究方法 27 3.1 研究流程 27 3.2 建立應用於戴奧辛指紋比對之SOM模式 28 3.3 虛擬受體之設定方式 31 第4章 研究案例 34 4.1 案例內容 35 4.2 虛擬受體 40 第5章 研究結果 44 5.1 虛擬受體測試結果 44 5.1.1 單一污染源經大氣衰變 44 5.1.2 單一污染源經植物衰變 45 5.1.3 單一污染源經土壤衰變 46 5.1.4 單一污染源經大氣、植物及土壤衰變 47 5.1.5 單一污染源經水衰變 48 5.1.6 單一污染源經生物代謝 49 5.1.7 同時受多個排放源污染 50 5.1.8 虛擬受體測試小結 56 5.2 高雄市區實際檢測資料驗證結果 60 5.2.1 大氣檢測資料戴奧辛指紋比對結果 60 5.2.2 植物檢測資料戴奧辛指紋比對結果 65 5.2.3 土壤檢測資料戴奧辛指紋比對結果 71 5.2.4 高雄市區檢測資料驗證小結 76 第6章 結論與建議 78 6.1 結論 78 6.1.1 SOM戴奧辛指紋比對模式 78 6.1.2 戴奧辛於各介質中的衰變 79 6.1.3 多個排放源共同污染 79 6.2 建議 79 6.2.1 SOM戴奧辛指紋比對模式 79 6.2.2 戴奧辛於各介質中的衰變 80 6.2.3 多個排放源共同污染 80 參考文獻 81 附錄 88 圖目錄 圖2.1-1 戴奧辛於環境中傳輸的示意圖 8 圖2.2-1 MISSISSIPPI一造紙廠及其周界底泥、土壤之戴奧辛階層集群分析結果 14 圖2.2-2 西班牙一處焚化爐周界土壤之主成分分析結果 17 圖2.2-3 因子分析結果之成份圖 19 圖2.3-1 優勝神經元之鄰近關係示意圖 23 圖2.3-2 1986~1987年間GRANITE CITY的空氣樣本分類 24 圖2.3-3 左為SOM拓撲圖，右為加上集群分析後之結果 25 圖3.1-1 研究流程圖 27 圖3.2-1 U-MATRIX圖 30 圖3.3-1 虛擬受體之設計流程圖 31 圖4-1 研究案例應用流程 34 圖4.1-1 高雄市區案例污染源與環境介質採樣點位置圖 38 圖4.1-2 高雄市區案例戴奧辛流佈示意圖 40 圖4.2-1 高雄市區戴奧辛污染源分群狀況 40 圖5.1-1 M2排放之戴奧辛於大氣停留三天的虛擬受體戴奧辛指紋比對結果 44 圖5.1-2 M2排放之戴奧辛於葉片內停留三天的虛擬受體戴奧辛指紋比對結果 45 圖5.1-3 M2排放之戴奧辛於土壤停留十年的虛擬受體戴奧辛指紋比對結果 46 圖5.1-4 M2排放之戴奧辛經大氣、土壤至葉片的虛擬受體戴奧辛指紋比對結果 47 圖5.1-5 M2排放之戴奧辛於水停留五年的虛擬受體戴奧辛指紋比對結果 48 圖5.1-6 M2排放之戴奧辛於人體血液存留十年的虛擬受體戴奧辛指紋比對結果 49 圖5.1-7 M2與MW貢獻比例為9：1之虛擬受體指紋比對結果 50 圖5.1-8 M2與MW貢獻比例為8：2之虛擬受體指紋比對結果 51 圖5.1-9 M2與MW貢獻比例為7：3之虛擬受體指紋比對結果 51 圖5.1-10 M2與MW貢獻比例為6：4之虛擬受體指紋比對結果 52 圖5.1-11 M2與MW貢獻比例為5：5之虛擬受體指紋比對結果 52 圖5.1-12 M2、MW與E5A貢獻比例為1：1：1之虛擬受體指紋比對結果 54 圖5.1-13 回推大氣衰變的M2與MW共同污染虛擬受體指紋比對結果 55 圖5.1-14 17種戴奧辛同源物於大氣中衰變的情形 56 圖5.1-15 17種戴奧辛同源物於榕樹葉片中衰變的情形 57 圖5.1-16 17種戴奧辛同源物於土壤中衰變的情形 57 圖5.1-17 各戴奧辛同源物於水中衰變的情形 58 圖5.1-18 各戴奧辛同源物於人體血液中衰變的情形 58 圖5.2-1 高雄市區採樣點之大氣檢測資料指紋比對拓撲圖 60 圖5.2-2 青山國小之大氣檢測資料指紋比對拓撲圖 61 圖5.2-3 左營國中之大氣檢測資料指紋比對拓撲圖 62 圖5.2-4 楠梓國中之大氣檢測資料指紋比對拓撲圖 63 圖5.2-5 大氣檢測資料之階層集群分析結果 65 圖5.2-6 高雄市區採樣點之周界植物檢測資料指紋比對拓撲圖 66 圖5.2-7 中鋼燒結之周界植物檢測資料指紋比對拓撲圖 67 圖5.2-8 空大之周界植物檢測資料指紋比對拓撲圖 68 圖5.2-9 南區廠之周界植物檢測資料指紋比對拓撲圖 69 圖5.2-10 周界植物檢測資料之階層集群分析結果 71 圖5.2-11 高雄市區採樣點之土壤檢測資料指紋比對拓撲圖 72 圖5.2-12 空大之土壤檢測資料指紋比對拓撲圖 73 圖5.2-13 中鋼燒結之土壤檢測資料指紋比對拓撲圖 74 圖5.2-14 土壤檢測資料之階層集群分析結果 76 表目錄 表2.1-1 戴奧辛之物化性質 4 表2.1-2 17種戴奧辛同源物之化學構造 5 表2.1-3 環境中影響戴奧辛濃度組成比例及分布之因素 10 表2.1-4 17種戴奧辛在各介質中的半衰期 12 表2.2-1 六個戴奧辛排放源因子分析結果 18 表2.3-1 類神經網路模式簡表 20 表3.2-1 本研究所使用之SOM TOOLBOX參數設定表 28 表4.1-1 高雄市區20個固定污染源、25根次的代號對照表及檢測時程 35 表4.1-2 高雄市區10處採樣點代號對照表 37 表4.1-3 高雄市區周界介質之採樣期程 37 表4.1-4 高雄市區案例應用於本研究之說明 39 表4.2-1 M2單一排放源污染虛擬受體之數據列表 41 表4.2-2 M2與MW兩排放源共同污染虛擬受體之數據列表 42 表5.1-1 兩排放源以不同貢獻度比例共同污染之指紋比對結果彙整表 53 表5.2-1 高雄市區採樣點之大氣檢測資料指紋比對結果彙整表 64 表5.2-2 高雄市區採樣點周界植物檢測資料指紋比對結果彙整表 7