research_Gamma
AI 環境輻射監測與預測系統
AI-Based Multivariate Analysis Models for Predicting Environmental Radiation
研究背景 Introduction
隨著台灣核電廠陸續除役，環境輻射監測的重要性日益增加。核能安全委員會雖已在全台佈建密集的監測網，但傳統系統多僅提供即時數值，缺乏對歷史數據的深度分析與未來趨勢的預測能力。
此外，輻射監測數據常受儀器故障或通訊問題影響而產生缺失或異常。本研究旨在利用人工智慧 (AI) 與 深度學習 (Deep Learning) 技術，結合異質資料（如氣象數據），建立一套具備預測能力與異常偵測功能的智慧監測系統。
圖 1. 研究核心技術：多通道時序分析、異質訊號整合與事件預測
降雨與輻射之關聯性分析 Correlation Analysis
環境輻射劑量率並非恆定，而是受氣象因子顯著影響。本研究利用 Parsivel² 雨滴譜儀與 HSIV 系統進行實地觀測，證實了「降雨洗出效應 (Washout Effect)」。
當降雨發生時，雨水會將大氣中的氡衰變子體（如 214Pb 和 214Bi）沖刷至地表，導致地表伽馬射線劑量率短暫上升。透過分析劑量率變化率 (dH/dt) 與降雨強度的關係，我們確認了兩者在時間序列上的高度同步性，並將其作為 AI 模型的重要特徵輸入。
圖 2. 嘉義站強降雨事件期間，輻射劑量率(粉紅線)隨降雨強度(藍色區塊)上升之趨勢
深度學習模型架構 Model Architecture
為了處理全台 63 個測站的時空數據，本研究採用了先進的 AirFormer 架構，這是一種基於 Transformer 的時空預測模型。其核心設計包含：
- 空間注意力 (Spatial Attention)：利用飛靶區域劃分 (Dartboard Projection) 與距離矩陣，學習不同測站間的地理關聯性。
- 時間注意力 (Temporal Attention)：捕捉單一測站歷史數據的長短期依賴關係。
- 潛在變數 (Latent Variable)：結合 VAE (Variational Autoencoder) 架構，提升模型在面對資料不確定性時的強健性。
圖 3. AirFormer 模型架構：包含 Deterministic 與 Stochastic 階段
圖 4. 測站空間關聯矩陣示意圖
預測成效與系統應用 System Application
實驗結果顯示，本模型能有效預測未來 10 至 60 分鐘的輻射劑量率變化。即使在模擬感測器故障（資料缺失）的情況下，模型仍能藉由鄰近測站的資訊進行準確補值。
本技術可應用於建置「智慧環境輻射監測儀表板」，提供即時異常警示、趨勢預測以及視覺化的數據分析，協助政府單位進行決策，並提升民眾對環境安全的信賴度。
圖 5. 智慧環境輻射監測系統 UI 介面示意圖