林祐如、楊蜹畛、許家瑋、吳治達（通訊作者）

臺灣氣候特徵

臺灣位於亞熱帶，北回歸線通過南部，使南部屬熱帶季風氣候、北部為副熱帶季風氣候。全年氣候適宜，但南北氣溫差異明顯。以夏季為例，臺北日最高溫常在31–34°C，偶達35°C以上；高雄約30–32°C，偶逾34°C。近年在熱島效應下，35°C 以上高溫已成常態，加上高濕度，體感更為悶熱。

北部都會區因都市化影響，極端氣候下的溫差更大，因此最高溫可能高於南部，最低溫卻更低。當氣溫超過36°C，中央氣象署會發布高溫資訊，提醒民眾減少戶外活動並注意防曬與補水。

目前臺灣有多套風險分級系統：中央氣象署以 36°C 為發布門檻，分黃燈、橙燈與紅燈（圖 1）；勞動部則依 WBGT 建立「高氣溫作業防護資訊網」，提供查詢與分級，保障戶外勞工安全（圖 2）。另國民健康署與中央氣象署、中央研究院共同開發「樂活氣象 APP」，提供即時定位查詢與個別化服務。這些措施顯示高溫已是重大公共健康議題，凸顯熱傷害防護的迫切性。

圖1、中央氣象署高溫資訊等級值閾（左）與各縣市分布圖（右）（圖片來源：交通部中央氣象署-高溫資訊）

圖2、熱危害風險等級查詢計算（圖片來源：勞動部職業安全衛生署高氣溫作業防護資訊網）

熱傷害是什麼？

熱傷害是人體長期暴露於高溫高濕環境造成的生理損害，隨著氣候變遷，已成為重要的公共衛生議題。常見類型依嚴重程度為熱痙攣、熱昏厥、熱衰竭與中暑。人體正常體溫約 36–37°C，主要由下視丘調節。若長時間處於強烈日照下，大量流汗卻未補充水分與電解質，調節機制將失靈，引發肌肉抽筋、頭暈噁心與虛弱無力等症狀。

從輕微到嚴重的熱傷害症狀是一個連續過程：

熱痙攣，因為身體電解質失衡導致肌肉不自主地收縮

↓

熱昏厥，因為身體為了散熱而使血液大量流向皮膚與四肢，造成腦部血液暫時供應不足，引發短暫昏迷。

↓

熱衰竭，大量流汗後導致水分與鹽分嚴重流失，造成血液循環功能衰竭。

↓

熱中暑，若未及時處理熱衰竭，大腦的中樞神經系統會出現異常，體溫急劇飆升，身體中的細胞產生急性發炎反應，甚至可能危及生命。

WBGT是什麼？

綜合溫度熱指數（Wet-bulb Globe Temperature, WBGT）是是國際通用的熱危害評估工具，由美國軍方於 1950 年代開發，能綜合氣溫、濕度、輻射與風速，真實反映人體承受的熱壓力。

量測WBGT指數需要使用三種專業儀器：濕球溫度計、黑球溫度計與乾球溫度計。

• 濕球溫度計運用蒸發冷卻原理，透過包覆濕布的溫度感測器來量測大氣濕度達到飽和狀態時的溫度，能反映環境中水分蒸發的潛在能力。
• 黑球溫度計使用表面塗覆黑色塗料的金屬球體，專門用於量測太陽直射輻射與周圍環境的熱輻射強度。
• 乾球溫度計則是一般常見的溫度計，直接測量空氣溫度。

高濕度或強烈日照會使 WBGT 升高，而風能促進蒸發，降低熱壓力。因此，在高溫、高濕、無風的「三重夾攻」下，熱傷害風險急升，也解釋了同樣 35°C，在乾燥有風環境下可忍受，但在潮濕無風時卻易導致中暑。

傳統 WBGT 量測受限於站點稀少，難以掌握城市尺度或即時變化，因此結合地理人工智慧（Geo-AI）、氣象與遙測資料建立高解析度推估模型，已成為熱環境研究與防護的重要方向。

如何運用Geo-AI分析熱環境？

地理人工智慧（Geospatial Artificial Intelligence, Geo-AI）為近年興起之空間分析技術，結合地理資訊系統（GIS）、遙感探測技術與人工智慧演算法（AI），致力於處理複雜的空間環境問題，並提出創新解決方案。在本研究團隊於空氣污染領域之應用經驗中，Geo-AI 可有效整合衛星影像、氣象觀測資料、交通流量與土地利用資訊，建構高精度之空氣品質預測模型，顯著提升環境監測於時間與空間層面的解析度。

傳統熱環境監測主要倚賴氣象站所蒐集之觀測資料，惟氣象站分布密度有限且不均，往往難以完整反映各地微氣候之實際變化情形。相較之下，Geo-AI 所具備的資料整合與建模能力，可有效克服此限制，展現以下應用優勢：

• 可藉由多波段衛星影像萃取地表溫度、常態化差異植生指標（NDVI）、土地利用類型等環境變數，以評估不同土地利用型態對熱環境之影響。
• 運用機器學習演算法捕捉熱環境與氣象、地形、土地利用等多元因子之間的非線性關聯，進而建立高解析度的空間預測模型。
• 分析熱環境於日夜週期、季節尺度及極端高溫事件中之時空變化特性。
• 結合人口密度、年齡結構與社會經濟條件等社會指標，精準辨識熱傷害高風險區域及脆弱族群，例如老年人口密集區或綠地覆蓋不足之高密度住宅區等。

本團隊已將 Geo-AI 應用於熱環境研究，並於國際期刊發表成果（Hsu et al., 2023），成功開發應用機器學習技術預測暑WBGT時空分布之模型。本研究建置涵蓋多源異質資料之整合性資料庫，內容包括：

• 氣象資料：如氣溫、濕度、風速與降雨等基本觀測變數
• 全國土地利用類型：涵蓋森林、公園、水域、工業區與住宅區等
• 道路網路資料
• 興趣點：POI，如中式餐廳與寺廟
• 衛星影像：以NDVI 指數代表綠覆率
• 其他地理變數：如地形高程 DEM、太陽位置、季節與年分等

WBGT 空間分層分析與模型推估成果

臺灣目前設有約 940 個自動氣象站與 40 個署屬有人觀測站，能提供高密度與標準化的氣象資料；另有近 90 個農業氣象站，主要用於農業防災。本研究以自動氣象站及有人站資料建立 WBGT 空間推估模型（圖3）。

圖3、臺灣氣象站分布圖

2000–2020 年統計顯示，午休時段 WBGT 普遍比工作時段高約 1°C，夏季低海拔地區幾乎逼近 30°C。緯度分層呈現由低到高遞減的梯度，高緯度較涼爽；區域上，南部最高，北部次之；都市化區域 WBGT 高於其他縣市，反映熱島效應（圖4、圖5）。

圖4、全年不同空間分層之 WBGT 平均值 （工作時段與午休時段比較）

圖5、四季不同空間分層之 WBGT 平均值 （工作時段與午休時段比較）

模型變數重要性分析（圖6）顯示，氣溫是主要解釋因子，其次為太陽赤緯、濕度、森林覆蓋率、海拔與風速。若移除氣溫，季節因子與太陽輻射指標的重要性上升，說明 WBGT 差異除氣溫外，亦受季節循環與地形調節。

圖6、以 XGBoost 演算法建立之完整模型與排除溫度的模型，在工作時段與午休時段的平均絕對 SHAP 值（修改自Hsu et al., 2023）。

以 2023 年 8 月推估成果為例（圖7），平地與沿海 WBGT 值偏高，尤其西部與南部平原；中部山區與高海拔地區則明顯偏低。午休時段普遍高於工作時段，顯示中午熱暴露風險最大，與統計結果一致。

圖7、以 XGBoost 演算法建立之完整模型WBGT 空間推估成果圖（左：工作時間；右：午休時間）。

結語

地理人工智慧技術（Geo-AI）在熱環境研究中展現出高度的應用潛力。透過整合多源異質資料與機器學習演算法，Geo-AI 能有效捕捉熱環境與氣象、地形及土地利用等因子的複雜關聯，補足傳統氣象觀測密度不足的限制。本研究建立的 WBGT 空間推估與解釋模型，不僅提升了熱風險監測的時空解析度，也凸顯了模型在辨識關鍵影響因子上的解釋力。更重要的是，Geo-AI 的成果可進一步應用於熱危害預警與脆弱族群辨識，為公共衛生決策與氣候調適策略提供科學依據，協助社會因應日益嚴峻的高溫挑戰。

參考資料

Hsu, CY., Wong, PY., Chern, YR. et al. Evaluating long-term and high spatiotemporal resolution of wet-bulb globe temperature through land-use based machine learning model. J Expo Sci Environ Epidemiol 34, 941–951 (2024) . https://doi.org/10.1038/s41370-023-00630-1

中央氣象署，高溫資訊，交通部中央氣象署，https://www.cwa.gov.tw/V8/C/P/Warning/W29.html（瀏覽日期：2025年9月5日）。

勞動部職業安全衛生署。高氣溫戶外作業熱危害預防行動資訊網。取自 https://hiosha.osha.gov.tw/content/info/heat1.aspx（瀏覽日期：2025 年 8 月 6 日）。

作者資訊

林祐如 國立成功大學測量及空間資訊學系研究助理

楊蜹畛 國立成功大學測量及空間資訊學系碩士生

許家瑋 國立成功大學測量及空間資訊學系博士候選人

吳治達 國立成功大學測量及空間資訊學系教授／長庚科技大學慢性疾病暨健康促進研究中心合聘研究員／國立中興大學永續農業創新發展中心兼任教授／國家衛生研究院國家環境醫學研究所兼任研究員／高雄醫學大學精準環境醫學研究中心兼任研究員