統計分析 分析 分析 分析

第四章 第四章 第四章

第四章 臭氧濃度與前驅物 臭氧濃度與前驅物 臭氧濃度與前驅物、 臭氧濃度與前驅物 、 、氣象變數及污染源 、 氣象變數及污染源 氣象變數及污染源之 氣象變數及污染源 之 之 之 統計

統計 統計

統計分析 分析 分析 分析

由前述幾章可大致瞭解造成桃園地區高臭氧濃度的幾個因素，下面將透過 SPSS 軟體 13.0 版對臭氧濃度與前驅物、氣象之變數進行定量的統計分析。包括 以 Pearson 相關來討論變數之間的相關程度，以因子分析來縮減變數的個數，然 後利用判別分析找出可用來判別臭氧濃度預測分組的主要因子。最後則是處理 風向這個變數，從中探討桃園地區午間高臭氧的污染來源。

第一節 第一節 第一節

第一節 變數的選擇 變數的選擇 變數的選擇 變數的選擇

根據之前的討論，臭氧濃度主要受前驅物排放量與氣象條件的影響。從臭 氧的小時平均值變化（圖 2-14）發現，桃園地區各測站的臭氧在中午 12 時的平 均值最大，故本研究篩選出各日 12 時的臭氧濃度，及該時的污染物、氣象變數 共 18 項來進行統計分析，以求瞭解造成高臭氧濃度的主要因素（表 4-1）。

污染物方面，主要包括 NO

X

、NO、NO

2

、NMHC 等前驅物的濃度，另一個 指標性污染物 PM

₁₀¹

及交通排放源之一的 CO 亦納入討論。而污染物自污染源排 出後，即受大氣擴散、稀釋影響，此時風向與風速扮演重要角色。但風向屬於 名義變數，需經過處理才能使用。且地表的風容易受地形或建物的阻擋而改變 其方向或速度，故除了地面風速外，高空的混合層頂風速代表較大範圍的風場 變化。最大混合層高度、通風指數則代表大氣的垂直、水平擴散能力，但受限 於探空資料取得的時間，部分資料只有上午 8 時的數值可使用。此外，能見度 的高低亦可反應空氣品質概況與大氣的擴散情況（蔡瀛逸等，1997）。

因為光化學反應是由陽光照射所啟動，其反應的速率是受一反應常數來控

1 懸浮微粒（PM10）是指懸浮於大氣層中較小粒徑（直徑＜10μm）的顆粒，因其能經由呼吸進入至較

制，其中光解速率常數（Photolytic rate constant）與化學物種、當時氣溫及太陽 輻射波長有關（黃星富，2003、林鶴年，2002） 。而雲量及日照時數即與太陽輻 射相關，若雲量少且日照時數長，太陽輻射就愈強，臭氧愈容易形成（Seinfeld, 1998） 。此外，雖然光化反應速率之溫度係數較小，通常氣溫升高 10℃，反應 速度只增加 0.1～10 倍（王明星，1992），但若環境溫度提高確實能加速化學反 應的進行。綜上所述，以氣溫、雲量、日照時數、全天空日射量等數值，作為 影響光化反應的變數。另外，大氣中水汽含量的比例與降雨的機率有關，若水 汽接近飽和，容易帶動污染物的濕沈降，所以選擇相對濕度、露點溫度作為大 氣去除污染物能力的代表。而胡婷堯等（1993）認為，每日最大臭氧濃度與前 一日之最大臭氧濃度有高度的相關，因此也加入前一日最大臭氧濃度作為變數。

表 4-1 變數摘要表

意 義 變數名稱 時 間 測 站

O3 中午 12 時 桃園、大園、觀音、五權、龍潭

CO 中午 12 時 桃園、大園、觀音、五權、龍潭

NOX 中午 12 時 桃園、大園、觀音、五權、龍潭

NO 中午 12 時 桃園、大園、觀音、五權、龍潭

NO2 中午 12 時 桃園、大園、觀音、五權、龍潭

NMHC 中午 12 時 桃園、觀音、五權

前驅物或污染物

PM10 中午 12 時 桃園、大園、觀音、五權、龍潭

地面風速 中午 12 時 桃園、大園、觀音、龍潭

混合層頂風速 上午 8 時 板橋

最大混合高度 中午最高溫 板橋

通風指數 中午最高溫 桃園

大氣擴散能力

能見度 中午 12 時 CKS

雲量 中午 12 時 新屋、台北（參考）

日照時數 中午 12 時 CKS

全天空日射量 中午 12 時 台北

光化反應速度

氣溫 中午 12 時 桃園、大園、觀音、五權、龍潭

相對濕度 中午 12 時 CKS

濕沈降 露點 中午 12 時 CKS

其他 ^{前一日最大臭氧濃度} 前一日 桃園、大園、觀音、五權、龍潭

第二節 第二節

第二節 第二節 臭氧與前驅物 臭氧與前驅物 臭氧與前驅物 臭氧與前驅物、 、 、 、氣象 氣象 氣象 氣象變數之 變數之 變數之 變數之 Pearson 相關 相關 相關 相關

表 3-2 的結果顯示，雖然 12 時的臭氧濃度與 18 項變數在 α=0.01 顯著水準 下，大部分均達到顯著相關，但相關係數不高，大多只為低度或中度的相關。

臭氧與 CO、NMHC 濃度之相關程度很低，甚至有部分測站是負相關，相關係 數都不到 0.3，只有觀音的臭氧與 CO 有較高的相關係數。但臭氧和 NO

X

、NO 之間受滴定作用影響，都是呈現負相關，且以臭氧與 NO 的相關程度較大，達 到中度負相關，所以當上述這些污染物濃度增加時，臭氧濃度反而會降低。臭 氧與 PM

₁₀

兩者間則為正相關，相關係數大致為 0.3。

至於在氣象變數方面，午間的臭氧濃度與地面風速、混合層頂風速、能見

度、雲量，及相對濕度呈現負相關。可見當風速增大，臭氧可被吹送至下風處

而降低當地的濃度，若能見度增加也可表示大氣因擴散佳而清淨，臭氧濃度自

然不高。雲量的增加會阻礙光化反應進行，而相對濕度提高則增加前驅物濕沈

降的機率，均會造成臭氧濃度下降。至於氣溫、日照時數、全天空日射量則與

臭氧濃度成正相關，且發現測站間有些微差異：靠海的觀音、大園測站，其臭

氧與上述變數間的相關程度並不高，但五權和龍潭則可達到中度正相關。顯示

日照強烈、晴朗無雲的天氣，對五權及龍潭來說，是形成臭氧的重要條件，但

對沿海地區的重要性則相對較低。至於前一日最大臭氧濃度，則與午間的臭氧

濃度有良好的正相關，尤其在龍潭地區的相關係數達到 0.9。

表 4-2 12 時臭氧濃度與各變數之 Pearson 相關

桃園 大園 觀音 五權 龍潭

相關係數 顯著性 相關係數 顯著性 相關係數 顯著性 相關係數 顯著性 相關係數 顯著性

CO 0.17 0.318 0.182** 0.000 0.254** 0.000 -0.125** 0.000 0.000 0.997

NOX -0.187** 0.000 -0.164** 0.000 -0.122** 0.000 -0.289** 0.000 -0.229** 0.000

NO -0.441** 0.000 -0.331** 0.000 -0.184** 0.000 -0.397** 0.000 -0.503** 0.000

NO2 -0.029 0.095 -0.068** 0.000 -0.034* 0.048 -0.163** 0.000 -0.062** 0.000

NMHC -0.084** 0.000 --- --- 0.027 0.145 -0.194** 0.000 --- ---

PM10 0.276** 0.000 0.381** 0.000 0.333** 0.000 0.353** 0.000 0.327** 0.000

最大混合高度 0.512** 0.000 0.293** 0.000 0.316** 0.000 0.549** 0.000 0.544** 0.000

氣溫 0.414** 0.000 0.073** 0.000 0.123** 0.000 0.414** 0.000 0.531** 0.000

地面風速 -0.128** 0.000 -0.184** 0.000 -0.267** 0.000 --- --- -0.249** 0.000

混合層頂風速 -0.229** 0.000 -0.219** 0.000 -0.208** 0.000 -0.233** 0.000 -0.240** 0.000

通風指數 0.095** 0.000 -0.006 0.730 0.028 0.101 0.127** 0.000 0.090** 0.000

能見度 -0.032 0.060 -0.207** 0.000 -0.172** 0.000 -0.010 0.562 0.023 0.169

雲量 -0.467** 0.000 -0.291** 0.000 -0.289** 0.000 -0.514** 0.000 -0.513** 0.000

日照時數 0.448** 0.000 0.241** 0.000 0.245** 0.000 0.489** 0.000 0.490** 0.000

露點 0.224** 0.000 -0.029 0.098 -0.008 0.635 0.197** 0.000 0.316** 0.000

相對濕度 -0.318** 0.000 -0.227** 0.000 -0.238** 0.000 -0.382** 0.000 -0.374** 0.000

全天空日射量 0.464** 0.000 0.270** 0.000 0.266** 0.000 0.503** 0.000 0.522** 0.000

前一日最大臭氧濃度 0.397** 0.000 0.309** 0.000 0.331** 0.000 0.410** 0.000 0.918** 0.000

註 1：*表示在顯著水準為 0.05 時（雙尾），相關顯著；**表示在顯著水準為 0.01 時（雙尾），相關顯著。

註 2：---表示無資料。

在一般情況下，混合層高度若愈高，可供污染物擴散、稀釋的垂直空間愈 大，臭氧濃度應該降低。但本研究的結果卻顯示最大混合高度與和臭氧濃度間 非但呈現正相關，其相關係數甚至高達 0.5 左右。這點與胡婷堯等（1993）在 桃園地區利用逐步複回歸方法所做的結果相同，胡認為兩者在複回歸模型中不 為負相關的原因，可能是由於混合高度的假設是在層內風速隨高度不變的情況 才成立，且最大混合高度亦為其他氣象參數之函數所導致。另外，林清和等

（2004）在高屏地區實測的混合層高度與 Holzworth 法之推估結果相關性甚低，

林彥穎（2004）在台北地區的模擬結果同樣得出邊界層高度（可視為混合層厚 度）與通風指數的變化不能完全解釋污染物的極高值發生情形，所以仍須考慮 臭氧前驅物的傳輸及當時風場的配置狀況。彭啟明（1995）則認為台灣的地形 複雜、局部天氣系統互相影響，使得 Holzworth 法因無法掌握變化而準確性不 佳。因此，就台灣而言，使用 Holzworth 法所估計的混合高度能否完整的解釋 大氣擴散能力，值得進一步討論。

第三節 第三節 第三節

第三節 應用判別分析於桃園地區的臭氧濃度分組預測 應用判別分析於桃園地區的臭氧濃度分組預測 應用判別分析於桃園地區的臭氧濃度分組預測 應用判別分析於桃園地區的臭氧濃度分組預測

判別分析（discriminate analysis）的基本概念是根據自變數（預測變數）的 線性組合，作為將因變數分組的基礎。這個線性組合，就是所謂的判別函數，

經由該函數，可以瞭解個別預測變數對區分組別的貢獻（張紹勳等，2000） 。換 句話說，它可用來預測某一因變數可能屬於哪一個組別。不過因目前變數數量 較多，故在進行判別分析之前，先以因子分析（factor analysis）縮減變數的數 量，以利後續討論。

因子分析是統計中常用的方法，它可用來減少變數的數目，也就是可以把 原有很多變數的資料，縮減成較少的維度（dimension）數目，但又可將原資料 的資訊保存下來。研究者能以較少的變數成份來解釋原有的資料結構（邱皓政，

2000） 。

本研究利用 SPSS 軟體對五個測站之各變數進行因子分析。首先將資料經過 KMO（Kaiser-Meyer-Olkin）取樣適當性檢定及巴氏球形檢定（Bartlett’s test of sphericity） ：桃園、五權、龍潭的 KMO 皆達到 0.67 以上，分析的效果尚可，但 大園、觀音的 KMO 只有 0.59，應用效果不佳。不過所有測站的巴氏球形檢定 值的顯著性均等於 0.00＜α=0.01，適合進行因子分析。接著以主成份分析法

（principle component analysis）來萃取共同因素，保留解釋量較大的幾個成份代 表所有變數，並以特徵值（eigenvalue）大於 1 作為選取的依據，結果每個測站 都選出五個因子，大多可以解釋全部變異的 75％左右。

為了使因子的區別意義更明顯且方便解釋結果，可經由最大變異數轉軸法

（varimax），對五個主要因子進行數學的轉換，並且以因子負荷量之絕對值大 於 0.5 者作為高度相關於此一因子的主要解釋變數。結果發現，五個測站所萃 取的主成份大致相同，故僅以觀測項目較齊全，且 KMO 較大的桃園測站作為 以下討論的對象（其餘測站之結果詳見附表 I）。

桃園測站經主成份分析後，共取出五個因子，其解釋變異量為 74.12％（表 4-3） 。因子 1 的解釋變異量為 31.33％，其中高負荷量的變數有雲量、日照時數、

相對濕度、最大混合高度、全天空日射量及氣溫。由於這些變數大多與太陽對 地表的加熱和照射量有關，故歸納為太陽輻射因子。因子 2 則是由 CO、NO

_X

、 NO、NO

2

、MMHC 等變數所構成，可解釋變異量為 18.40％，這些變數大多為 臭氧的前驅物質，故直接命名為前驅物因子。至於因子 3 的解釋變異量為 10.06

％，以氣溫和露點的負荷量最大，因兩者間的差異可反映大氣中水汽含量的多 寡，故視為水汽含量因子。因子 4 解釋變異量 8.28％，當中負荷量最大的是混 合層頂風速及通風指數，地面風速的負荷量亦有 0.3，故稱之為風速因子。最後，

因子 5 以 PM

₁₀

和能見度的負荷量最大，因能見度的高低與 PM

₁₀

濃度密切相關，

且可當作大氣擴散程度的一種指標（蔡瀛逸等，1997、柳中明等，1995） ，加上

部分測站的 CO 負荷量亦大於 0.5，而 CO 是一種半衰期遠大過臭氧與其他污染

物的惰性氣體，反應性小而可作為追蹤氣體分析擴散作用（陳穩至等，1998）。

所以可將此因子稱為大氣擴散因子，其解釋變異量為 6.06％。

經過主成份分析，本研究將 18 個影響中午 12 時臭氧濃度的變數縮減為太 陽輻射、前驅物、水汽含量、風速、大氣擴散等五個因子，其中以太陽輻射對 午間高臭氧之解釋變異量最大。SPSS 並可計算出各自的因子分數，接著利用這 些因子分數進行判別分析。

表 4-3 桃園測站各變數之因子分析摘要表

因子負荷量

因子 1 因子 2 因子 3 因子 4 因子 5

因子名稱

變數名稱 太陽輻射因子 前驅物因子 水汽含量因子 風速因子 大氣擴散因子

CO -0.108 0.700* -0.006 -0.090 0.206

NOX -0.142 0.951* -0.082 -0.070 0.009

NO -0.206 0.735* -0.128 0.00 -0.298

NO2 -0.086 0.899* -0.046 -0.093 0.161

NMHC -0.074 0.797* 0.059 -0.040 0.100

PM10 0.278 0.391 -0.251 -0.022 0.650*

氣溫 0.506* -0.083 0.801* 0.027 0.026

地面風速 0.191 -0.436 -0.395 0.304 -0.337

混合層頂風速 -0.187 -0.089 -0.062 0.912* -0.104

最大混合高度 0.758* -0.106 0.337 0.130 0.128

通風指數 0.399 -0.146 0.089 0.838* -0.055

能見度 0.439 -0.338 0.099 0.087 -0.638*

雲量 -0.847* 0.085 -0.081 0.061 -0.047

日照時數 0.817* -0.139 0.109 0.035 0.044

露點 0.106 -0.042 0.944* 0.003 -0.006

相對濕度 -0.794* 0.178 0.217 -0.063 0.072

全天空日射量 0.720* -0.090 0.359 0.027 0.052

前一日最大臭氧濃度 0.178 -0.126 0.282 -0.107 0.586*

特徵值 5.639 3.312 1.812 1.490 1.090

解釋變異量(％) 31.33 18.40 10.06 8.28 6.06

累積解釋變異量(％) 31.33 49.73 59.79 68.07 74.12 註：*為因子負荷量絕對值＞0.5 者

由於判別分析是透過多個預測變數的線性組合，來進行已知組別的分類，

並瞭解其判別能力，因此事前必須先將因變數（臭氧）分組。本研究先將中午 12 時的臭氧濃度依高低排列，並根據 20、40、60、80、100、120 ppb 的標準分 組，但結果發現高濃度組的正確預測率很低，故改變分組標準、減少組數，以 提高正確預測率。因此，在考慮過各測站 12 時的臭氧濃度值分布後，將臭氧分 為低濃度（40 ppb 以下）、中濃度（40—80 ppb），及高濃度（80 ppb 以上）三 組，而各測站均可產生二個判別函數。

首先以 Wilks’ Lambda 來檢定整組判別函數的判別能力，五個測站的 Wilks’

Lambda 值約在 0.4 至 0.7 間，且顯著性皆＜α＝0.05，表示判別能力達顯著水準。

由於不同測站的判別結果大致相同，故以下仍以桃園測站為主要討論對象（其 餘測站之結果詳見附表 J、K）。

表 4-4 桃園測站判別分析摘要表

函數 1 函數 2

變數名稱

判別函數係數 判別負荷係數 判別函數係數 判別負荷係數

太陽輻射 0.809 0.605** -0.495 -0.609**

前驅物 -0.139 -0.082 0.528 0.522**

水汽含量 0.416 0.257 0.233 0.235

風速 -0.158 -0.094 0.057 0.056

大氣擴散 0.731 0.516** 0.559 0.652**

註：*為判別負荷係數絕對值大於 0.3；**為判別負荷係數絕對值大於 0.45

各測站雖然都有二個判別函數，但函數 1 能解釋的變異量已達到 80％以 上，例如桃園測站函數 1 的解釋變異量高達 96.3％。表 4-4 列出桃園測站的判 別分析結果，其中判別負荷係數為判別變數與典型判別函數的相關係數，該數 值的絕對值愈大，表示此變數對此函數的影響力愈大。若係數絕對值大於 0.3，

表示該自變數有判別能力，若大於 0.45 則表示判別能力很強（張紹勳等，2000） 。

結果桃園測站的函數 1 以太陽輻射因子的重要性最大，其次才是大氣擴散因

子；函數 2 則以大氣擴散、太陽輻射，及前驅物為主要判別變數。

表 4-5 為桃園測站經判別分析後的分組結果，整體的正確預測率為 75.3％，

低濃度與中濃度組的預測效果不錯，正確率分別為 83.2％及 68.9％。但原為高 濃度組的 113 筆資料有 86 筆被分入中濃度組、4 筆被分入低濃度組，只有 23 筆資料被正確分入高濃度組，使該組之正確率只有 20.4％，顯示在高濃度的分 組上成效不佳。圖 4-1 為三個濃度分組的資料散布圖，可看出三個組的平均數 所在。由圖可知，若欲區分低濃度與中濃度組，以函數 1 最適合，但若要區分 中濃度與高濃度組，則以函數 2 較適合。

表 4-5 桃園測站判別分析分組結果 預測分組

低濃度 中濃度 高濃度 總數

低濃度 1284 258 2 1544

中濃度 265 643 25 933

實際分組 次數

高濃度 4 86 23 113

低濃度 83.2 16.7 0.1 100.0

中濃度 28.4 68.9 2.7 100.0

％

高濃度 3.5 76.1 20.4 100.0

正確預測率=75.3％

圖 4-1 桃園測站判別分析分組資料散布圖（1：低濃度；2：中濃度；3：高濃度）

此外，沿海的大園、觀音之函數 1 以大氣擴散因子的判別負荷係數較大，

其次才是太陽輻射；函數 2 判別能力強的因子則為前驅物及風速，與桃園測站 不同。但上述二測站的整體正確預測率偏低，分別只有 71.2％和 70.5％。至於 五權、龍潭的判別結果則與桃園相同，不過兩者的正確預測率相當高，分別為 78.3％及 80.1％，龍潭測站對高濃度組的正確預測率甚至有 50％左右，是各測 站中最佳的。

故判別分析的結果顯示，若以 40 及 80 ppb 作為標準，將桃園地區的臭氧 濃度分為低、中、高濃度三組，則太陽輻射（雲量、日照時數、相對濕度、最 大混合高度、全天空日射量、氣溫）和大氣擴散（PM

₁₀

、能見度、CO）這兩項 因子對判別函數的判別能力最強。在因變數的預測分組上，正確預測率均可達 70％以上，龍潭甚至有 80％的預測率。不過各測站普遍存在高濃度組預測率偏 低的問題，值得注意。

第四節 第四節 第四節

第四節 桃園地區的主要污染來源 桃園地區的主要污染來源 桃園地區的主要污染來源 桃園地區的主要污染來源

風向在污染物的傳輸中扮演重要角色，位居污染源下風處的地區勢必產生 污染問題。本節主要處理的變數為風向，透過探討小時平均值最大的中午 12 時 臭氧濃度與當時風向的關係，找出造成各測站午間高濃度臭氧的風向來源，並 依此判斷當時可能的污染源位置。使用的方法為建立直線複迴歸方程式，以迴 歸係數的大小檢視不同風向對臭氧濃度的貢獻。複迴歸是簡單迴歸的延伸，將 多個自變數納入迴歸式中，增加迴歸的預測能力，其假定自變數與因變數間為 線性關係，因此可以複線性迴歸模式表示（黃宗仁，2001）。

由於風向資料的記錄方式是以順時針 360°來代表各方位吹來的風，例如 90°

表示東風、180°表示南風等等。風向的數值並無數量上大小之分別，因此必須

先對該資料進行數學上的轉換才能使用。若將風向置於數學的座標上，則不同

的風向皆能在 X 及 Y 軸上投射出分量，並與原點夾一個角度

θ

。這時可用三角 函數中的正弦值（

SINθ

）來表示 Y 軸上的分量大小（偏北風或偏南風），至於 餘弦值（

COSθ

）則表示 X 軸上的分量（偏東風或偏西風） 。實際作法上，先將 各測站 12 時的風速除以 180°後乘以 π，再取該數值的正弦及餘弦值，可分別得 到二個數值（變數）。接著把上述二個變數當作自變數，而 12 時的臭氧濃度作 為因變數，以 SPSS 軟體進行直線複迴歸分析。

結果桃園、大園、觀音、五權、龍潭等測站的判定係數（R Square）均不高，

分別只有：0.06、0.14、0.07、0.13、0.14，顯示迴歸線可解釋的百分比很低（兩 者可能不呈線性關係） 。但是在變異數的 F 檢定中，所有測站的顯著性皆＜α＝

0.05，表示因變數和自變數間存在著迴歸關係。t 檢定的結果則指出各測站的迴 歸係數和常數項都不為 0（顯著性＝0.00＜α＝0.05） ，故可將五個測站的迴歸方 程式表示如下：

桃園：

38.56

4 180 . 180 4

61 .

5 +



 



 ×

× °

+



 



 ×

× °

−

= χ π

χ_WDt π _WDt

t SIN COS

y

大園： 38 . 43

6 180 . 180 13

07 .

6  +



 



 ×

× °

 +



 



 ×

× °

−

=

χ π

χ_WDd π _WDd

d SIN COS

y

觀音：

^43.564

78 180 . 180 7

8 .

5 +







 ×

× °

+







 ×

× °

−

=

χ π

χ

_WDg

π

_WDg

g SIN COS

y

五權： 43 . 03

38 180 . 180 10

23 .

12  +



 



 ×

× °

 +



 



 ×

× °

−

=

χ π

χ_WDw π _WDw

w SIN COS

y

龍潭： 42 . 12

45 180 . 180 7

67 .

12  +



 



 ×

× °

 +



 



 ×

× °

−

=

χ π

χ_WDl π _WDl

l SIN COS

y

以上迴歸式的正弦項之係數均為負，說明臭氧濃度與其成負相關，正弦值 愈小而接近-1（即偏北風） ，臭氧濃度愈大。餘弦項的係數則為正，表示餘弦值 愈大而接近 1（偏西風）則會有愈大的臭氧濃度。變數的係數大小可調整風向 的角度。故由迴歸方程式可判斷出：高濃度臭氧主要出現在吹西北風時。不過 為了更清楚瞭解哪個角度的風向對高濃度的臭氧貢獻最大，分別將 10°至 360°，

每隔 10°的風向數值一一代入迴歸式中，結果如表 4-6 所示。

表 4-6 不同風向的迴歸式計算結果（取濃度前五高值）

桃園 大園 觀音 五權 龍潭

風向 WDt

濃度 yt

風向 WDd

濃度 yd

風向

WDg

濃度

yg

風向 WDw

濃度 yw

風向 WDl

濃度 yl

310 45.69 340 53.28 320 53.25 310 59.07 300 56.83 300 45.62 330 53.24 330 53.20 320 58.84 310 56.62 320 45.54 350 52.87 310 53.01 300 58.81 290 56.58 290 45.34 320 52.74 340 52.86 330 58.13 320 55.98 330 45.18 360 52.02 300 52.48 290 58.07 280 55.90

結果顯示所有測站的風向均以 290°至 340°間之西北風，對午間最大臭氧濃 度的貢獻最大，推斷整個桃園地區午間的臭氧污染源應來自西北方。對大園而 言，其西北方的大園工業區可能是主要的污染源，至於桃園、五權、龍潭等地，

臭氧污染來源應該就是沿海一帶的工業區、煉油廠（圖 1-4）。但就觀音的地理

位置來看，附近的污染源如觀音、大園工業區，主要位於其東方或東北方，西

北方則面臨海洋，不但無重大污染源，甚至應該是送來乾淨的大氣，為何吹西

北風時依然出現高濃度？圖 4-2 是觀音測站 12 時的風花圖，西北風雖有一定比

例，但仍以東北風所佔比例明顯最大，表示並沒有因西北風出現頻率多而干擾

迴歸式結果的現象。

圖 4-2 1995 年至 2004 年中午 12 時觀音測站風花圖

蘇維中等（1997）於研究中指出，台北盆地在海陸風環流明顯的日子，上 午的陸風將都市及海邊發電廠所排放的前驅物藉由離岸風吹向海洋，在日照充 足且風速不大的外海經光化反應後而形成臭氧，等海風開始主導後，外海的臭 氧隨著向岸的海風吹回陸地，造成沿海地區如萬里測站、陽明山等地的臭氧濃 度升高（楊之遠等，1996、Liu et al., 2002） 。林彥穎（2004）利用逆軌跡方法判 斷台北高臭氧日的污染物傳輸情況，發現大多數網格點的後推軌跡點都位於台 北盆地西側或西北側海域，認為西風分量的海風將前一日晚間隨風場傳輸至海 上的前驅物帶回盆地內累積。印度、香港等其他地區也有相同的情況出現（Nair

et al., 2002、Ding et al., 2004）

。

根據推測，觀音測站很可能也受相同因素影響：早上（或前一日）桃園地 區大量臭氧前驅物受陸風傳送至風速微弱的海上累積，經由陽光照射後產生高 濃度臭氧，再受海風輸送回沿海一帶。因此西北側面對大海的觀音（以及大園）

才會在吹西北風時，有高臭氧濃度出現。在臭氧事件日的探討中，發現絕大多

數的高臭氧事件日在中午或午後沿海一帶都以西北風為主，且臭氧等濃度線常

呈現東北—西南、或是北—南的走向，其原因應與上述現象有密切關係。