AI在環工領域的衝擊與因應

前言

• AI (Artificial Intelligence)在台灣製造業正如火如荼展開新一波的產業革命，距離環境工程技術顧問最近的土木建築業，也充滿了AI的時尚風氣，諸如工程設計AI優化¹、工程危害AI辨識鑑定(預測)²、AI工地人員及物料管理³、AI預鑄工法⁴等等，不一而足。相對於環工技師而言，面對著一成不變、已經制度化的業務，不但距離數位轉型或AI還非常遙遠，面對其他行業也都能擔負原來環工的角色，似乎挑戰著環工專業的存在與必要性。
• 本文除介紹國內外已經、或現正進行中的AI傳統環工業務，也介紹一些跨界的應用，除可充AI相關知識的基礎，也對未來可能業務方向、亟待突破的瓶頸，激發一些不同的想法。

面臨的壓力與期許

• 在整體數位轉型的過程中，我們面對內部與外部最大的困難就是排山倒海而來改變的呼聲，但千頭萬緒卻不知如何按部就班的逐步進行，而且價值混亂、莫衷一是。以下按照資訊化程度區分，來釐清各個層次的壓力。

數位化、精準化

• 過去環工管末處理的思維，讓第一線的數位化躊躇不前。在化糞池還盛行的時代，誰會去精確記錄每天去哪裡、載了多少水肥殘渣來處理場?還在車上裝GPS追蹤軌跡?但如果水肥、有機廢棄物是拿來生產biogas的原物料，那狀況可能就不會一樣了，不單紀錄、計費、還可能涉及商業競爭，自然數位化、精準化的程度也就會提高。
• 除了管理及價值面的決策之外，過去監測設施、連線方式、記錄方式等等的技術普及性較為低落，這些年間GPS、IoT、微型感測、5G通訊、車聯網等等的興起，加上影像、音訊的數位化及智慧化工具應用，方案確實較過去多了許多選項。
• 除了空污的微型感測之外，在自來水廠、焚化廠也累積較多的現場數據、廢棄物清運車輛都已經裝設GPS追蹤，污水廠、下水道方面的數位化進度雖然較慢，但也在積極布建中，未來結合再生水應用，提高水廠的營運價值，會更有效提升這個領域的數位與精準化程度。

自動化、機械化

• 隨著台灣社會少子化、缺工、怠工情況日益嚴重的趨勢，環工廠站操作服務人力短缺的壓力也是遲早的事。以目前技術層次與自動化程度最低的清潔隊而言，尚能以優厚的待遇福利吸引年輕人投入，其他技術層次、責任程度稍高的現場工作，除了經由代操作制度、交由代操作商穩定人事之外⁵，在技術面上的困難度、複雜度也必須大幅降低，方能與目前與未來的人力素質趨勢匹配。
• 經由自動化、機械化，不但可以因應人力問題，最重要的是可以降低人為錯誤的發生。國內台電、中油近年來多項工安意外發生，除了共通性人力素質問題之外，自動化程度不足也是一個可以大幅檢討改進的重點⁶、⁷、⁸。
• 自動化、機械化當然需要投資，這也牽動到企業的價值，如何提高環工廠站服務的企業價值、或者藉自動化提升企業形象與年輕人就業意願，也是這一方面進步的推力及拉力。

資料庫化、系統整合、資訊交換、資訊公開

• 系統的安定性與是否整合有密切的關係。隨著數位轉型，封閉的系統元件不再有其個別價值，必須與其他的系統協作來產生整體的價值。系統業者常在業主工廠設置了多項感測器之後，還必須加設一個「防禦系統」來預防感測器功能異常的假警報、避免自動化系統進行錯誤回饋⁹，由此可見一斑。其他如空氣盒子與現有標準方法PM_2.5測值的整合問題、廢水廠日常微生物鏡檢自動化與通訊診斷之介面整合¹⁰等等，都顯示這方面的需要。
• 目前除了環境資訊的公開度較高之外，其餘環工設施資訊的透明度可說是乏善可陳，也是因為都還在建構前面2階段工作。
• 國外許多水廠、焚化廠代操作業者以其多年、多點的操作資訊條件作為核心技術，經妥善包裝後向外販售，也都還會遇到水土不服的問題，可見得系統在本土環境中是多麼具有整合的必要。
• 這個階段的重要性除了在於他山之石的攻錯除錯功能之外，也是智慧化的重要前提，畢竟巧婦難為，要有來源夠多、品質相當的數據資料，才能做出有意義的人工智慧。

智慧化、價值化

• 環工設施多半是公辦的服務設施，不會產生實質的、大量的利益。但當我們憑弔古羅馬的自來水道時，就會感念當時的環境工程師做了明智的設計。這表示跨越時空的「智慧」才是我們這個行業的價值。就現代的語言來說，就是我們所產生的人工智慧模型(包含前述數位轉型的基礎建設、數學模式、計算流體力學CFD應用等等)，具有可傳播、可擴散的特性、足以讓產業界產生質變與量變的永續方案。
• 總體來說，環工這個行業的資訊化程度偏向落後的末端生，然而在這個時代卻被賦予最大的責任，需要我們成為模範生。依據資訊科技研究機構高德納諮詢(Gartner)公司2023年對未來IT產業的預測當中，永續性被放在最後最重要的項目，他們預測到2027年時將會有75%的機構會完成其數據中心基礎設施可持續發展計畫，經由前述精準化、自動化、智慧化來達成減量減排、最佳化與價值提升¹¹。IT基建如此，顯見整體企業更會依靠數位轉型及AI來達成企業永續發展的目標。

國內外類似主題之回顧

中國論文

• 中國科學院生態環境研究中心王旭 et al.(2020)這篇發表在該院刊的文章¹²，針對水環境領域AI的應用做出了評價與對策建議。除了肯定AI在數據及模式的融合、風險物質檢測與風險評估的跨界整合、預警應變方案構建等主題的貢獻，卻也在文中表達了對AI未來的悲觀看法，包括對AI的黑盒特性無法確保應用的安全性、應用領域數據內涵歧異性造成錯誤的可能性顧慮，甚至對AI計算過程耗費的電力碳排資源、為當代造成新的不平等發展條件，也提出了警訊。
• 《决策与信息》是中國資訊與世界趨勢的重要主流媒體，該雜誌2022年刊載了湖北大學商學院喻春嬌教授的1篇論文¹³，論及AI對環境治理造成的直接與間接的可能影響。直接效應部分主要是參考上海社會科學院生態與可持續發展研究所張文博主任的文章¹⁴，AI增加了環境資訊的獲取、擴大監測的時空範圍、提供了更有效的環境治理對策。但該文對間接效應更加著墨，AI對產業界造成降本增值的效應，同時也會是節能減排的方案，AI加速了全球化的腳步，會透過全球價值鏈與清潔採購的協定，加速提升地區環境的治理程度，這二者對環境都會是正面的影響。

國內文章及研究

• 工業局《永續產業發展期刊》2021年12月製作了有關水資源的特刊，當中收錄了一篇由謝文彬博士及其團隊所撰寫有關水處理數位轉型的文章，當中不但介紹了他們在產業界的服務實績，也分享他們對水處理領域智慧化前景與路徑的看法。謝博士將AI可以協助的領域區分為影像辨識與自然語言2大部分，前者又包括了AIoT的巨量資料與製程影像，後者則為作為操作人員的知識輔助與一鍵回復¹⁵。因謝博士團隊並未參與在規設階段，因此也沒有提到有關AI在這一方向的可能貢獻。
• 中央大學地球科學學系主任陳建志教授領導該校團隊從災害預測、防止、減少、抗衡角度，整合地球科學領域方面的AI，其中除了傳統環境水資源、空氣品質、土壤等領域，也因著AI與數據共享，整合進入災害領域之應用，稱之為TWAI，也有個中文簡稱「湍」。計畫自2021年11月開始，現正持續進行中¹⁶。雖然對環工設施來說，極端氣候是個操作上的挑戰，而對規設階段來說，如何有效的因應又不至於過度設計，此處應有AI+CFD可以幫助的地方。

AI協助環境監測控制

• 隨著微型感測器的開發應用、以及通訊網路技術的推進，環境監測領域在智慧化的路徑上正大幅的向前邁進¹⁷、對於數據收集、公開、品質要求、數據融合等等的需求也舉日加增。

特工區空品監測

• 為掌握工業區突發性異常排放，特殊工業區(特工區)依法須在工業區四周設立空氣品質監測站，並按工業區排放的特性規範檢測項目，為管制上的重要參考依據。
• 目前特工區空品監測的日常判讀仍依據簡單的上下游線性邏輯，按照個案地面風速、風向、各廠排放的指紋特徵等等要素，來判讀監測值的可能影響來源。相關成果可以參考^18~19。目前對於地區環流(上下游角色互換)、高低空風向差異的風切條件、或工廠臨時性、瞬間的異常排放，則沒有判讀能力。
• 未來可藉由高解析度三維風場及空品模式進行敏感性模擬，變動污染源檢視空品模擬結果，藉此來建立污染源與地面測值之間的訓練資料庫，則可以包含前述大氣環流的複雜情況，進一步運用機械學習來建立AI模型，來協助目前邏輯判讀之不足。
• 目前對與特工區異常數據的應用定位還停留在工廠操作異常的排除、或加嚴標準必要性、可行性的探討，對於資訊公開、民眾可能暴露風險(包括毒性化學物質、與衍生性污染物)、預警及應變，還需要更多投注AI的元素，來強化數據的應用。

特定AI煙流辨識

• 煙流與火光的辨識是火災連續自動監測及辨識的要項，已經應用在森林火災好發地點、廠房、室內、城市消防等等領域，數據來源則包括了固定式監測相機、車載、無人機酬載等。
• 在環工上目測判煙是固定源廠外稽查、啟動車輛排氣檢測等等之要項。目前是由經認證之特定人員執行。因目測判煙受到天候、日照與否、背景天色等干擾，一直以來這項人工目測判煙在執法上經常遭到廠商或車輛所有人之不服與訴願。
• 這項人工執行之監(檢)測，可以用24小時不停止的監視攝影機與辨識AI來取代。雖然目前環保法規還沒有授權AI判煙的取締，但足可供廠方(或車輛所有人)作為自主改善的重要提示、或人工判煙之初步前置作業。
• 國內外對特定煙流辨識的實績與經驗不少，如輔英科大陳建中教授團隊建立了中鋼公司煙流的人工智慧辨識²⁰，台大生工系張斐章教授團隊（2022）以林園工業區的煙流影像與地面測站粒狀物空氣品質、AQI等3549組逐時數據庫，進行機械學習與類別回歸，建立即時解析與警報系統²¹。只是目前這些成果還都限於示範性質，持續性的監測與辨識系統，仍然有待開發。

FLIR煙流辨識

• FLIR(Forward Looking InfraRed)技術如GasFinder開徑式監測設施目前已經成為石化業自主監測的業界標準，對象包括洩漏元件、儲槽溢散、加油槍洩漏等等排放點。因有工安意外之虞，其24小時監測結果數量龐大，無法靠專人監控，亟需要建立AI與監控程式。
• 這個領域已有很多夜視辨識AI軟體的開發成果，其中也包括夜視煙流的訓練成果，可供應用。
• 香港理工大學及北京石油大學團隊(Shi et al., 2020)以Faster R-CNN及FLIR影像，發展出實時洩漏監測系統，應用在乙烷裂解工場，所建立之模型經證實較多框單次檢測（SSD)為優秀。文中發現加深物件萃取器的深度及參數並不會大幅增加正確率，反而會降低分辨速率。²²理工大學團隊也參與在海下氣管洩漏的偵測²³，證實Faster R-CNN比YOLOv4更能辨識水下洩漏之氣團。
• 然因化工廠管線複雜，設備元件眾多，除了在風險高處設置固定式FLIR監測，業界也推出防撞式無人機酬載監測設備，循一定路徑進行巡檢，在工安許可條件下進行遠距監測。來自廣西大學團隊(Sun and Feng, 2023)建立了移動注意力焦點與自由錨定機制，來規避夜間錯誤的辨識結果，提高夜間煙流及火災的成功辨識機率，對於工廠眾多、分散、解析度低的影像特性而言，值得參考應用。²⁴

不特定對象影像分析之智慧化

• 自設監測相機、或由網際網路下載公開影像成為訓練資料庫，對照到影像拍攝當地、當時的空氣品質，便能運用AI技術，建立空氣品質的解析或預報模式。
• 2021～2022這3篇來自香港中文大學地理資源管理系的論文，先建立手機影像與衛星影像粒狀物的散光特性以及濃度的特性後，再從公開爬取的網路照片中，建立更廣泛的對照資料庫，應用機器學習來推估粒狀物的即時空氣品質。^{25 26 27}。
• 西北師範大學資科工系這2篇論文以特定點、特定景物的連續照片與粒狀物濃度對照資料庫，訓練人工神經網路，用於其他沒有測站位置（廣大鄉村範圍）、即時空氣品質的監測。²⁸~²⁹
• 赫爾辛基大學理學院Su et al., 2022宣稱他們發展的技術可以同時從數值影像中提取粒狀物（包括PM_2.5及PM₁₀）、相對濕度、溫度、能見度等等環境參數資訊，並且不因為影像的對象、範圍尺度而造成很大的差異，表現優於傳統CNN方法如AlexNet, ResNet-50, 及DenseNet-121，數據庫、程式以及測試結果公開在github。³⁰
• 南京師範大學地理學院Wang et al., 2022也使用多參數的影像學習，包括PM_2.5及相對濕度、偵測月份等等，影像來自上海地區不同時間、不同位置的影像。³¹
• 這2篇中國地質大學與巴基斯坦奎德-埃-阿瓦姆工程、科學與技術大學合作的論文以巴基斯坦卡拉奇市的影像與AQI進行深度學習，發展出AQE-Net方法，應用在第三世界監測站設施不足地區。 ^{32 33}。此外北京的影像³⁴、孟加拉的影像³⁵，也被拿來做AI機械學習的對象。

AI與衛星數據的應用

• 衛星數據用在空氣污染、海域水質、土地利用等等領域，已經有多年的歷史。AI技術發展漸趨成熟之際、大範圍的環境模式模擬、以及衛星數據，以及地面觀測，漸漸有了融合的機會，在時間及空間維度中呈現出更高的系統性。AI用於資料補遺、預報、形成新的完整資料庫。
• 經過AI整理之後的衛星數據，還可以用在檢測、自動辨識、以及進一步的處理處置，如油輪洩漏擱淺的救援、電廠煙囪排放的長期趨勢與管制、等等題目。東亞地區逐時衛星數據經AI處理、1公里網格對流層平均PM_2.5日均值成果，如華東師範大學地理科學學院教育部地理信息科學重點實驗室2022年的論文³⁶及zenodo。
• 國內有關衛星數據應用在水質的媒體訊息、學術論文詳見拙編衛星遙測數據在水質監測之應用。然因此類衛星推估水域水質並不是法定監測方式，主管機關並沒有彙整、標準化、公開、或AI應用的意向，與環管政策、生態、漁業資源、食安等等其他領域的關係尚未建立，還是停留在學術研究階段、近年的成果漸漸減少了。
• 衛星數據在台灣地區土地利用的典型運用範例，如中華民國航空測量及遙感探測學會國土利用監測整合資訊網，該網站提供歷年各縣市變異點的空間位置、以及歷年衛星影像的重疊結果，讓使用者自行查對關切位置土地形態的差異，曾被應用在廢棄物傾倒現況的報導上¹⁶。目前的應用僅限點數與位置，這方面資料庫的串連（如土地買賣地價系統、土壤與地下水污染系統、營建廢棄物污泥追蹤系統、環保署清運機具即時追蹤系統³⁷等等）、因果關係與模型的建立、預測及管制等等智慧化分析，都還有待開發。

全球衛星定位系統

• 國內中、大型客貨運輸安裝GPS、套用具即時監控系統已有良好的運用，廢棄物清運機具安裝情形自民國99年公告法規³⁸迄今也有顯著的成績，大多數縣市都能透過APP掌握垃圾車服務的路線及進度，民國100年開始也陸續在事業廢棄物清運機具上安裝GPS，進行追蹤管制，成效如政府機關資訊通報³⁹所示，只是目前事業廢棄物清運機具即時監控系統相關資訊仍屬於內部查核所用，還沒有對外公開、或與其他資料連結分析。國外相關應用包括
  1. 預先安排機具之保養、更新。視GPS追蹤結果，在特定里程、裝載量、服務時間等等因素，事先安排機具回廠保養、機件或全車之汰舊換新，減少機具在服勤時損害的機率。
  2. 分析垃圾產出的時間、空間、住商分區之分布。清運最佳化規劃調整。
  3. 搭配天氣的清運計劃。

聲紋、噪音監測及取締

• 聲紋所含有的資訊量僅次於虹膜，是目前生物辨識方式中最具發展潛力的項目。除了人類聲紋之外，AI對動物音頻的辨識、鑑定、追蹤等等有非常優秀的表現，包括水下之魚類、鯨豚、陸域動物中的鳥類、青蛙及蟋蟀等等。
• 相關訊息詳情可以參考拙著部落格音訊AI應用。
• 相對生物聲紋，車船、工廠馬達設備、管線滴漏等等也具有聲紋，應用在機械、管線等損壞定位、維修診斷等領域。
• 繼2020年新北市噪音之聲音照相科技執法後，環保署也在2021年展開各縣市噪音執法的新措施，並陸續辦理採購，妥適規範執法各項細節，以降低任何爭議的可能性。今年(2023)年已擴增至124套設備，預計2026年增至306套。
• 新北市已將原系統持續精進，引進機車排氣管之AI辨識，即時比對登記排氣管顏色與實際顏色，對未登記改裝車輛進行開罰。⁴⁰

AI協助生態觀察

• 高解析度的動植物、昆蟲、微生物影像辨識已有多年的經驗與成果，然一般生態觀察的影像紀錄解析度有限、人工解讀曠日廢時，這些困難還有待AI協助解決。
• 除了聲紋應用如前所述，此處列舉雷達、望遠鏡、顯微鏡等影像辨識

鳥類、蝙蝠的即時監測與辨識

• 低解析度影像即時性的鑑識是啟動高解析度紀錄的初步篩選機制、也是風機相應關閉措施的決定因素。這個領域除了使用(超)低空雷達之外，也陸續需發展影像的辨識技術，在國外是非常競爭的，成果也非常多，相對國內目前還沒有相關研究或應用。
• 如Santhosh et. al(2019)⁴¹這篇印度大學生的習作除了使用YOLO TINY之外，也使用GoogLeNet 27層CNN針對鳥類的臉部細節進行學習。系統組合以NCS⁴² + TINY YOLO為最佳化結果，高正確率解析速度為8.64FPS，相對其他競爭者2.34FPS為優。

環境微生物的AI輔助監測鑑定

• 微生物鑑定從傳統的格蘭氏染色法、代謝產物或生物標記之分析、鏡檢、到最精確的基因鑑定，其精準度逐步提高，資訊量也相對增加。
• AI輔助的微生物鑑定在醫學、農業、畜牧業已經有非常多的經驗，相對而言，環境微生物(包括水體藻類、污水廠好氧及厭氧菌)鑑定的AI化，就不是那麼多，主要的理由是環境中微生物生態相對致病菌要複雜許多，並非單一菌種。
• 韓國慶熙大學土木工程系Seungdae Oh研究群應用機械學習將傳統污水廠操作參數、配合細胞代謝產物的監測結果建立菌落與操作參數時間變化的關係模型，解析出鐵桿菌屬在缺氧脫硝過程中具有重要的貢獻。⁴³
• 香港城市大學環境能源學院的K. H. Lee教授研究群也有類似的研究，他們應用了AI技術統整15項的生物標記、污水廠操作參數、以及C/N之去除率，來找尋微生物生態在不同情況下的動態變化。⁴⁴

水質微型監測

• 目前環境監測數據中的水質檢測，仍然以標準方法、每月、固定橋樑位置的結果為限，並沒有微型監測的設置或數據，主要的原因在於市面上並不存在廉價、連續式、常效型水質監測微型感測器。
• 有關這方面政府投入的研究計畫、學術單位自置檢測器、以及用AI方法來倒推水質的研究成果，列於拙著部落格水質微型監測器的發展與應用。

環境模式與AI

環境模式發展困境

• 早期環保與學術科研單位大量投注在環境擴散模式的發展與應用，這些數學模式不論是有明確的統御方程式、或者是簡單的參數統計模型，是各領域學者將目前所知的因果關係予以數學化的成果，其中含有豐富的環境工程專業知識、大氣擴散理論、水質優養化反應機制、或者是地下水在介質中流動的動力關係，有其專業性的智慧。這個領域姑且稱之為HI (Human Intelligence)。
• 發展迄今，環境模式中的HI不但沒有透過環境教育讓更多非專業的民眾了解環境擴散的內涵，反而卻形成了非常嚴重的專業屏障，讓民眾視之為黑箱而心生畏懼、抗拒與不信任，以至於環保單位必須出面研發所謂的「公告版本模式」，HI終於放下其學術光環走到環保主管的陰影之下、失去其獨立性與崇高性。

跨領域環境資訊的應用

• 所幸的是，各個環境模式有其關注的領域介質，不論是空、水、土、海洋等等﹑對於跨領域的應用，是原來HI無法應用的項目，如空氣污染模式可否預報未來一周的呼吸疾病的急/門診人數(如OECD⁴⁵、常州⁴⁶、華南城市⁴⁷)、水質監測可否應用在預報適合釣魚的時間、地點(USEPA⁴⁸、馬利蘭州⁴⁹)。如今，這些看來似乎是「加值」應用的題目，確實都一一實現在我們的生活當中，而讓這些專業的環境模式有更廣泛、非專業的應用，就是AI的工作之一。
• 隨著再環境模式這方面的法制化與標準化，相關投注的熱度與力度漸漸趨緩，國內環境模式的應用計畫專題也逐漸冷淡。然而以環境模式為基礎的AI應用，則方興未艾，這未嘗不是一個柳暗花明的新契機。

環境領域的數位對映(Digital Twins, DT 或譯數位孿生)

• 數位對映的概念源自於產業界模廠、資訊化、模型化的發展歷程，這項技術自2017連續三年被高德納諮詢公司評為全球十大科技趨勢之一。基本的概念就是運用所有的現場AIoT數據資料，建構與實場相同反應的模型(包括AI、統計或經驗數學模式、控制方程式之模式等等)，除用以敏感性測試、診斷分析之外，也進行最佳化測試，並對系統未來改進設計進行預測。據信是企業減廢減排、高值化及永續發展的秘密武器。
• 數位對映的討論及素材詳見拙著部落格數值模擬、數位對映與環工設計
• 其他環境模式搭配AI之可能應用如拙著部落格CFD在水務工程中的應用與AI發展

廠(場)內AI輔助監測控制

煙道自動連續監測之替代

• 美國法規是允許燃氣機組不必加裝CEMS設施，而以製程參數之AI模型模擬結果替代，為之PEMS(predictive emission monitoring system)。這類的模型有些是統計的回歸模式，也有的應用機械學習法來建立。詳見簡(2020)⁵⁰。
• 不過台灣地區重要污染源都依法安裝了CEMS，其他煙道污染源則以定期檢測制度加以管制。這些小型污染源也都陸續改燃天然氣，是否還有哪些小型污染源使用非清潔燃料、外島的燃油引擎發電機組等等，要求進行PEMS設定，倒是可以提升對這些污染源的管制，前題是這些工廠的製程參數如運作量、溫度、水汽、氧氣量、CO等測值需要有數值紀錄且定期上載。
• 控制面來說，一般固定污染源較難減量的項目為氮氧化物，而加裝LNB、裝尿素觸媒脫硝會是最佳可行方式，PEMS或可貢獻在後者的日常維護，以保持觸媒及尿素加藥量在最佳的狀態。

水處理廠的監(檢)測與自動控制

• 隨著檢測設施的普及與IoT技術的進步，水廠監測設施的數目有逐年增加的趨勢，經由迅速有效的連線、收集、QC/QA、提供業主與操作員充分資訊與顯示畫面(如^51~52)。
• 而這些資訊如何進一步應用在程序控制、結合過去深廣的操作經驗，目前還需要建立AI模型，這方面仍有不少的必要工項：
  • 例如自來水公司2023年提出擬在清洲淨水場建立AI精準加藥的示範計畫，應用該廠過去20萬筆數據，解決傳統反饋式加藥造成水質震盪的問題、並有效減少污泥量⁵³。
  • 相較於淨水廠，污水廠操作資訊之蒐集、整合、標準化等數位轉型進度與成效相對緩慢(參雅虎新聞⁵⁴)，這部分的工作仍還有待持續推動建立。
  • 有關淨水廠或污水廠的水質水量已建有多年的預測模式、水廠內的控制與出水水質也都有現成的數學模式可以應用，相應措施都有跡可循，因此只需有足夠的基本操作與監測數據，此領域的AI化成果應指日可待。

結語

數位轉型非但是外部壓力更是環工產業永續發展的契機

• 對環工專業來說，AI或者數位轉型與其說是一項外部的壓力，還不如看做是我們能夠對社會做出最大貢獻的一個跳板，這個跳板的核心關鍵就在永續。
• 當每個專業都沉浸在自己領域發展的時刻，我們能有幸同時參與在多個專業訓練之間，來完成我們的工作。空污專長需要機械、大氣與化學背景，水處理需要化工、微生物、與土木背景，只是現在我們都需要增加一項專業，那就是資訊背景的專長、更具體的說，特別是AI的專長。

數位對映(DT)是環工數位轉型未來的目標

• 以環工本位來說，AI可以協助我們的監測、辨識、分析、預測、規設及操作，而從數位轉型的終極目標來說，這些都將吸納在數位對映的框架之下。按照已故台大環工所張能復教授的講法，真實世界每天都在說故事，其中被數學化、模式化、能被人類理解的不多。但同樣都在說故事，如何透過AI及數位轉型，發展出環工設施的數位對映，我想這也會是張老師樂見我們持續發展的方向吧。

本文未涉獵項目

• 礙於筆者所學有限，標題雖以環工為範圍，僅討論到空氣、水、噪音、廢棄物、生態等領域，對於焚化廠、土壤處理等還有待深入了解。
• 文中所言純粹個人意見，並不代表筆者服務之公司或其他單位看法。