地下水中砷污染相關研究

砷(Arsenic, As)是一種毒性很強且具有致癌性的重金屬元素，對於 生物體具有強烈之毒性，因此，砷對環境與人類健康之影響係為社會 所關切之議題，含砷之飲用水被國際癌症研究署(IARC)認定為第一類 致癌物質，而在 1993 年世界衛生組織(World Health Organization, WHO) 已經將飲用水中之砷濃度最大允許標準由 50µg/L 降低為 10µg/L(WHO, 1993)，我國於 2000 年 12 月實行飲用水水質標準為 10µg/L(環保署，

1998)，至今臺灣飲用水水質標準(環保署，2000)、美國飲用水標準

(USEPA, 2006)、世界衛生組織的飲用水標準(NRC, 2001; WHO, 2006) 皆以 10µg/L 作為標準，顯示砷之毒性與對人體健康之危害，受到國際 間的重視。

近幾年全世界有不少國家的地下水受到高濃度砷之影響，這個問 題受到各地關注且提出相關研究，在孟加拉、越南、智利、中國、墨 西哥等地皆有飲用地下水導致砷中毒的案例(Polya et al., 2005; Berg et al., 2001)。其中以孟加拉超過四千萬人飲用含砷之地下水，引起了大規 模之癌症、色素沉著症與類似烏腳病之四肢壞疽最受到關切。Smedley and Kinniburgh (2002)彙集相關文獻，分析全球地下水含水層受到砷影 響之區域，將造成高砷濃度的原因分成三類：(一)還原環境，如臺灣、

孟加拉、中國等；(二)氧化環境且在 pH 值偏高的環境下，如智利、墨 西哥等；(三)含水層氧化、還原變動大所引起，如美國西南部。其中孟 加拉為受到地下水砷污染最廣的國家，含水層屬於全新紀沉積物 (Holocene Alluvial)，地下水之酸鹼度偏中性，有高鹼度存在，含水層 為還原環境，且流速慢；臺灣地下水處於強還原環境，部分受砷污染 之地下水有腐植酸存在；中國內蒙古地下水之特性處於強還原環境，

且具有高鹼度與部分地下水存在腐植酸；智利與墨西哥之含水層屬於 火成岩，地下水處於氧化狀態；另外，美國達科塔南部含水層特性與 湖泊的沈積物有關。地下水受到高砷濃度影響之在全球分布如圖 2-1 所示。

目前地下水中高濃度的砷釋出，因地下水中地質環境不同與存在

出過去研究探討適宜砷釋出於地下水中，造成砷濃度上升的環境與水 質特徵：

1. 氧化還原環境：在氧化地層中，伴隨著鐵及硫酸根離子濃度上 升且 pH 值下降的環境，利於砷釋出而存在高砷濃度地下水 (Schreiber et al., 2000; Raessler et al., 2000)。另外有研究指出在 還原地層中，也有利於砷釋出的條件，地下水中砷的化合物會 得砷釋出，在地下水中存在高濃度砷(Smedley and Kinniburgh, 2002)。

2. 陰離子競爭吸附：Anawar et al. (2004)、Kim et al. (2000)與 Goh and Lim (2005)指出當環境的陰離子濃度高時，會使吸附在污 染土壤上的砷脫附釋出。硫酸根離子與碳酸根亦會與砷離子競 爭吸附在土壤顆粒上(Kim et al., 2002)。

3. pH 值條件：pH 值也會影響砷在沉積物表面的吸附與去吸附作 用。當環境處在 pH 低值時，砷離子較易被吸附在金屬氧化物 或氫氧化物表面；一旦 pH 值增加時，吸附在氧化物或氫氧化 物表面的砷離子將會減少(Pierce and Moore, 1982; Xu et al., 1988)。Smedley and Kinniburgh (2002)也指出，高 pH 值環境的 地下水造成五價砷離子不容易被吸附在鐵或錳的氧化物上。

2.2

(Smedley a

水質方法

法

異質性，在 數理論為一

nant analy 分類為氧化

影響最為明顯。Lu et al. (2010)以礦物主成分及表面化學分析與連續萃 根之取代也是主要反應之一。Chang et al. (2010)應用倒傳遞類神經網路，

建立空間模式補遺地下水中砷濃度資料，並應用主成分分析、交叉驗 與鎂(Mg²⁺)；而砷污染因子為鹼度(Alk)、總有機碳(TOC)與砷(arsenic)。

2.3 自組特徵映射網路之應用

類神經網路之應用相當廣泛，在國內外已有於不同領域之應用，

如流量預測(Chang et al., 2001, 2002, 2006)、水資源管理(Chang and Chang, 2001)、蒸發散量推估(Chang et al., 2010；高慧珊，2007；李品 輝，2009)、生態多樣性研究(蔡文柄，2007)。自組特徵映射網路(SOM) 適合將高維度且有非線性關係的資料進行聚類，廣泛地應用在影像、

語音及訊號辨識，也應用於生態與環境學各方面。Grieu et al. (2006)應 用 SOM 在推估污水處理廠化學物質的排放量。將污水處理過程相關的

變數進行聚類，並將結果中變數的權重，依各變數權重相關性較高的 變數，作為倒傳遞類神經網路的輸入，進行化學物質入流量與出流量 的推估。Martos et al. (2002)應用 SOM 分析多種地下水水質離子濃度變 化，歸納在卡氏座標網格，以簡化西班牙南部複雜的水質狀況，呈現 地下水水質在卡氏座標中的位置即為該水質污染的情形與特性。Lee and Miklas (2006)應用 SOM 之拓樸圖解釋實驗溼地中，不同離子濃度 影響濕地去除重金屬的關係，並挑選出達成推估有效去除重金屬濃度 關鍵的輸入因子。

第三章 理論概述

本研究以類神經網路為主要研究方法，使用自組特徵映射網路 (SOM)、輻狀基底函數類神經網路(RBFNN)與作為驗證本研究所建立之 模式的倒傳遞類神經網路(BPNN)。另外因地下水水質因子變異性大，

避免人為決定資料分配造成誤差，故應用交叉驗證法優選模式。而模 式推估的誤差以本研究所應用評估指標作為評估的參考。以上方法與 理論分述如下：

3.1 類神經網路

類神經網路(Artificial Neural Networks, ANN)係以電腦來模擬人類 大腦運作的科學，具有從輸入的資訊中擷取並累積經驗、儲存知識，

進而加以利用的智慧型演算程序。其模仿生物神經網路架構的平行計 算模式，透過許多高度連結的神經元(或處理單元)的組成，以模仿生物 神經系統的功能與運作，其主要功能在於學習(Learning)、回想(Recall) 及歸納推演(Generalization)。我們能夠藉由調整單元間的連結值(即權 重值)來訓練類神經網路以執行某個特定的功能，將輸入與輸出變數間 複雜的對應關係充份呈現，為解決非線性動態問題的強健工具。

一般類神經網路結構包含：輸入層、隱藏層、輸出層。輸入層是 由外界接受訊息並將之傳入類神經網路中，以方便進行訊息的處理，

輸入層單元數目由影響問題之輸入變數個數加以決定；隱藏層可能有 數層，可將輸入與輸出層各處理單元間的相互關係透過連結權重值充 份地表現出來，其單元數目需以試驗的方式決定其最佳數目。原則上

隱藏層處理單元太多除了效率不好外，也會造成過度訓練(over fitting) 的問題，然而太少又無法處理較複雜的事件(張斐章與張麗秋，2010)；

輸出層則接受網路處理後的訊息，並將結果傳送到外界，其神經元個 數與待預測之目標數相同。

類神經網路的連結架構，可分為前饋式類神經網路與回饋式類神 經網路兩類。前饋式類神經網路其連結方式為單一方向的向前傳遞連 結，且網路的所有神經元皆無後向或是側向的傳遞連結，如圖 3-1 所 示，本研究後續所使用的即為前饋式類神經網路；回饋式類神經網路 或稱為遞迴式網路與前饋式類神經網路最大不同在於網路的回饋項傳 到前一層產生了遞迴的演算，如圖 3-2 所示。

輸入層 隱藏層 輸出層

圖 3-1 前饋式類神經網路架構圖

圖 3-2 回饋式類神經網路架構圖

類神經網路能由過去之經驗加以學習訓練，以不斷的訓練調整網 路中各神經元間之連結權重值。當訓練完成時，訓練資料中所有的經 驗知識即儲存於這些連結權重值上。類神經網路的整體運作模式包含(I) 學習過程(Learning)：網路依學習演算法，從範例中學習，以調整網路 權重值的過程；(II)回想過程(Recalling)：網路依回想演算法，以輸入資 料決定網路輸出資料的過程。

針對不同的問題，類神經網路訓練時所應用之學習法則也有所差 異，而配合學習方式的不同亦發展出許多不同型式之類神經網路。一 般而言，學習過程的學習演算法可分為兩類：(1)監督式(Supervised)學 習：從問題領域中取得訓練範例，並從中學習輸入變數與輸出變數的 內在對應規則，以應用於新的案例。然而學習結果會受限於學習樣本 資料的影響，在預測值大於學習樣本時往往會產生比較大的誤差，此

類 學 習 法 多 應 用 於 求 解 型 態 判 別 (pattern classification) 及 曲 線 配 適 (curve fitting)問題。(2)非監督式(Unsupervised)學習：從問題領域中取 得訓練範例，並從中學習範例的內在分類規則，以應用於新的案例，

就輸入變數值，推論它與那些訓練範例屬同一類別，多應用於求解群 落分析問題。圖 3-3 為監督式學習與非監督式學習示意圖。

類神經網路之所以能廣為眾人重視及投入的研究，主要原因在其 具有處理訊息的強健能力，與優越的非線性映射能力。過去應用各種 不同架構之類神經網路於河川水位及流量的預測(Chang and Chen, 2003； Chang et al., 2005；Chang et al., 2007)，顯示依河川特性及資料 結構等考量，不同類神經網路模式皆有良好的預報能力。

圖 3-3 類神經網路學習方法

3.1.1 自組特徵映射網路(SOM)

自組特徵映射網路(Self-Organizing Map, SOM)於 1992 年首先由 Kohonen 提出，屬於前饋式、非監督式神經網路，同時也是競爭式神 經網路。自組特徵映射網路演算是以特徵映射的方式，將任意維度的 輸入向量，映射至較低維度的特徵映射圖上，如一維向量方式或二維 矩陣方式排列形成拓樸層架構的映射圖如圖 3-4 為二維矩陣映射圖，

並且依據目前的輸入向量在神經元間彼此相互競爭，優勝的神經元可 獲得調整連結權重向量的機會；而最後輸出層的神經元會依據輸入向 量的「特徵」以有意義的「拓樸結構」(topological structure)如圖 3-5 表示神經元間的拓樸關係與其空間位置展現在輸出空間中，由於所產 生的拓樸結構圖可以反映所有輸入值間的分布關係，因此將此網路稱 作為自組特徵映射網路，而該映射圖也可稱為拓樸圖(topology)。

從另一個角度來看，自組特徵映射的過程也是一個聚類的過程，

圖 3-4 二維矩陣的 SOM 架構圖

圖 3-5 SOM 網路神經元間拓樸座標

在 SOM 網路中，每一筆輸入向量透過連結權重與網路神經元相連 氏距離(Euclidean norm)評估輸入向量與神經元所連結的權重向量是否

在 SOM 網路中，每一筆輸入向量透過連結權重與網路神經元相連 氏距離(Euclidean norm)評估輸入向量與神經元所連結的權重向量是否