近年來空氣污染日趨嚴重，是一個備受全球重視與討論的議題。空氣污染之嚴重程度除了受都市化情況影響外，也會因氣候型態的差異而有所不同，例如氣流的擴散或化學反應等因素均會導致污染物的累積和跨縣市的傳播。本研究利用台灣2011年74個測站的空氣污染資料，分別針對10微米懸浮微粒(PM10)、二氧化硫(SO2)、一氧化碳(CO)、臭氧(O3)、二氧化氮(NO2)及空氣污染指標(pollutant standards index, PSI)，探討這74個測站之污染情形的分群結構。本研究將空污資料視為函數型資料，並利用Li 與Chiou (2011) 所提出的子空間投影之函數型分群演算法(subspace projected functional clustering, SPFC)，根據資料的平均趨勢及相異時間點的共變異結構對74 個測站進行分群，最後討論其分群結果。此外，本文亦進一步探討各污染物及空氣污染指標的最適分群結果。由最後的分群結果可以發現，利用子空間投影分群演算法除了可以找出各污染物的幾種主要變化型態外，亦發現台灣空污情形的分佈具有地域性。因此，本研究的分群結果可提供未來空污管理或決策時的參考依據。

In recent years, air pollution is getting worse and becomes an important issue in the world. The severity of air pollution is affected not only by urbanization but also climatic differences. For instance, the airflow diffuser or chemical reaction leads to cumulative pollutant and flow across the counties. In this study, we aim to investigate the distribution structures of several air pollutants in Taiwan through a cluster analysis. We apply the subspace projected functional clustering (SPFC) algorithm proposed by Li and Chiou (2011) to the 2011 air pollution data, including five pollutants PM10, SO2, CO, O3, NO2 and the pollution standards index (PSI), of 74 monitoring stations in Taiwan. We consider the daily collected air pollution data as functional data and cluster with the stations according to both the means and the modes of variation differentials among clusters. In addition, we also disscuss
the optimal number of clusters for each pollutant.In summary, the clustering results show that the air pollution in Taiwan is mainly affected by climate and topography, and the grouping structures of some pollutants are related. The reasonable clustering results in this study can provide useful information for the environmental protection.

目錄
1 緒論 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 1
2 文獻探討 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 3
2.1 空氣污染資料之文獻回顧 .. .. .. .. .. .. .. .. .. .. .. .. 3
2.1.1 台灣空氣污染定義與相關研究 .. .. .. .. .. .. .. .. .. .. 3
2.1.2 空氣污染資料分群分析之文獻回顧 .. .. .. .. .. .. .. .. .. 7
2.2 子空間投影之函數型分群演算法 .. .. .. .. .. .. .. .. .. .. 9
2.2.1 分群曲線模式 .. .. .. .. .. .. .. .. .. .. .. .. .. .. 9
2.2.2 相乘隨機效應模式之估計方法 .. .. .. .. .. .. .. .. .. 11
2.2.3 SPFC分群演算法的分群步驟 .. .. .. .. .. .. .. .. .. .. 13
2.3 最適群數選擇程序 .. .. .. .. .. .. .. .. .. .. .. .. .. 15
3 台灣空污資料分析 .. .. .. .. .. .. .. .. .. .. .. .. .. .. 17
3.1 資料背景介紹 .. .. .. .. .. .. .. .. .. .. .. .. .. .. 17
3.2 資料結構 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 20
3.3 分群方法說明 .. .. .. .. .. .. .. .. .. .. .. .. .. .. 29
3.4 各污染物與PSI之分群結果分析 .. .. .. .. .. .. .. .. .. .. 30
3.4.1 PM10之分群結果分析 .. .. .. .. .. .. .. .. .. .. .. 30
3.4.2 SO2之分群結果分析 .. .. .. .. .. .. .. .. .. .. .. .. 33
3.4.3 CO之分群結果分析 .. .. .. .. .. .. .. .. .. .. .. .. 36
3.4.4 O3之分群結果分析 .. .. .. .. .. .. .. .. .. .. .. .. 39
3.4.5 NO2之分群結果分析 .. .. .. .. .. .. .. .. .. .. .. .. 42
3.4.6 PSI之分群結果分析 .. .. .. .. .. .. .. .. .. .. .. .. 45
4 結論 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 49
英文參考文獻 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 51
中文參考文獻 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 53
表目錄
表3-1 當日污染物計算對照表 .. .. .. .. .. .. .. .. .. .. .. 19
表3-2 污染物之副指標值對照表 .. .. .. .. .. .. .. .. .. .. .. 19
表3-3 PM10在四群下的分群結果與測站地理區分類之對應表 .. .. .. .. 32
表3-4 SO2在兩群下的分群結果與測站地理區分類之對應表 .. .. .. .. 35
表3-5 CO在三群下的分群結果與測站地理區分類之對應表 .. .. .. .. 38
表3-6 O3在四群下的分群結果與測站地理區分類之對應表 .. .. .. .. 41
表3-7 NO2在三群下的分群結果與測站地理區分類之對應表 .. .. .. .. 44
表3-8 PSI在四群下的分群結果與測站地理區分類之對應表 .. .. .. .. 47
圖目錄
圖3-1 五種污染物與PSI下之74個測站原始資料曲線圖 .. .. .. .. .. ..20
圖3-2 五種污染物下之74個測站的平滑資料曲線圖 .. .. .. .. .. .. 21
圖3-3 五種污染物與PSI下之每個月的箱型圖 .. .. .. .. .. .. .. .. 22
圖3-4 各污染物及空氣污染指標測量值估計之平均函數 .. .. .. .. .. 23
圖3-5 各污染物及空氣污染指標測量值估計之共變異函數 .. .. .. .. .. 25
圖3-6 PM10的濃度值估計之前三個特徵函數與前三個主成份分數散佈圖 .. 26
圖3-7 SO2的濃度值估計之前三個特徵函數與前三個主成份分數散佈圖 .. .. 26
圖3-8 CO的濃度值估計之前三個特徵函數與前三個主成份分數散佈圖 .. .. 27
圖3-9 O3的濃度值估計之前三個特徵函數與前三個主成份分數散佈圖 .. .. 27
圖3-10 NO2的濃度值估計之前三個特徵函數與前三個主成份分數散佈圖 .. 28
圖3-11 PSI的濃度值估計之前三個特徵函數與前三個主成份分數散佈圖 .. 28
圖3-12 PM10四群下估計之平均曲線與前五個特徵函數 .. .. .. .. .. 31
圖3-13 PM10之四群結果的測站地理分佈圖 .. .. .. .. .. .. .. .. 33
圖3-14 SO2兩群下估計之平均曲線與前五個特徵函數 .. .. .. .. .. .. 34
圖3-15 SO2之兩群結果的測站地理分佈圖 .. .. .. .. .. .. .. .. 36
圖3-16 CO三群下估計之平均曲線與前五個特徵函數 .. .. .. .. .. .. 37
圖3-17 CO之三群結果的測站地理分佈圖 .. .. .. .. .. .. .. .. .. 39
圖3-18 O3四群下估計之平均曲線與前五個特徵函數 .. .. .. .. .. .. 40
圖3-19 O3之四群結果的測站地理分佈圖 .. .. .. .. .. .. .. .. .. 42
圖3-20 NO2三群下估計之平均曲線與前五個特徵函數 .. .. .. .. .. 43
圖3-21 NO2之三群結果的測站地理分佈圖 .. .. .. .. .. .. .. .. 45
圖3-22 PSI四群下估計之平均曲線與前五個特徵函數 .. .. .. .. .. .. 46
圖3-23 PSI四群下測站散佈圖 .. .. .. .. .. .. .. .. .. .. .. 48

[1] Abraham, C., Cornillon, P. A., Matzner-Lober, E. and Molinari, N. (2003) Unsupervised curve clustering using B-splines. Scand. J. Statist., 30,581-595.
[2] Ash, R.B., and Gardner, M.F. (1975) Topics in Stochastic Processes. Academic Press
[3] Chen, H. W. , Tsaib, C. T. , Shea, C. W. , Linb, Y. C. and Chiang, C. F. (2010) Exploring the background features of acidic and basic air pollutants around an industrial complex using data mining approach. Chemosphere, 81,1358-1367.
[4] Chiou, J.-M. and Li, P.-L. (2007) Functional clustering and identifying substructures of longitudinal data. Journal of the Royal Statistical Society Series, B69, 679-699.
[5] Ignaccolo, R. , Ghigo, S. and, Giovenali, E. (2008) Analysis of air quality monitoring networks by functional clustering. Environmetrics, 19,672-686
[6] Li, P.-L. and Chiou, J.-M. (2011) Identifying cluster number for subspace projected functional data clustering. Computational Statistics and Data Analysis, 55,2090-2103
[7] Lia, S. T. and Shueb, L.Y. (2004) Data mining to aid policy making in airpollution management. Expert Systems with Applications, 27,331-340.
[8] Tarpey, T. and Kinateder, K.K.J. (2003) Clustering functional data. Journal of Classification, 20,93-114.
9] Yao, F., Muller, H. G., Clifford, A. J., Dueker, S. R., Follett, J., Lin, Y.,Buchholz, B. A. and Vogel, J. S. (2003) Shrinkage estimation for functionalprincipal component scores, with application to the population kinetics ofplasma folate. Biometrics., 59, 676-685.
[10] Yao, F., Muller, H. G. and Wang, J. L. (2005) Functional Data Analysis for Sparse Longitudinal Data. Journal of the American Statistical Association., 100, 577-590.
[11] Yu, T. Y. and Chang, L. W. (2001) Delineation of air-quality basins utilizing multivariate statistical methods in Taiwan. Atmospheric Environment., 35, 3155-3166.
[1] 江宙君(2006)，海陸風對台灣沿海地區空氣品質之影響，國立中央大學大氣物理研究所碩士論文，桃園。
[2] 林子涵(2011)，應用GPS探討空氣品質測站測值與周圍微環境空氣汙染物在不同時序的相關性研究，輔仁大學公共衛生學研究所碩士論文，台北。
[3] 陳秉鈺(2012)，空氣污染與孩童呼吸道健康效應研究，國立臺灣大學職業醫學與工業衛生研究所博士論文，台北。
[4] 許峻銘(2012)，高高屏地區高臭氧污染來源解析及成因探討，國立中興大學環境工程學系所碩士論文，台中。
[5] 許愷芯(2009)，台北都會地區交通相關空氣汙染物對健康年輕族群心血管功能之影響，輔仁大學應用統計學研究所碩士論文，台北。
[6] 廖琇怡(2005)，高雄市臭氧特性與氣象因子之相關性探討，國立中山大學環境工程研究所碩士論文，高雄。
[7] 賴春甫(2011)，空氣汙染物減量對雲嘉南地區空氣品質之影響性，國立中興大學環境工程學系所碩士論文，台中。
[8] 簡雅文(2008)，空氣汙染與新生兒健康之探討以台灣各鄉鎮嬰兒死亡率為例，國立中央大學產業經濟研究所碩士論文，桃園。