減緩全球暖化儼然成為熱門議題，如何制定有效減排策略至關重要，透過碳足跡熱點評估能夠幫助我們了解在整個系統過程中可能影響碳排放量的主要因素，藉此作為減少碳排放量策略之制定依據。為提供不同分析角度與不同應用需求的碳足跡熱點分析結果，本研究應用流程探勘演算法中的「確定式流程模型」與「機率式流程模型」，試以產銷履歷資料為數據基礎進行農業栽種過程中的碳足跡熱點分析，了解不同農業活動的使用項目對於碳排放量變化的影響力，探討其影響碳足跡變化的可能原因，推論可能的碳足跡熱點。
透過實驗結果驗證模型能夠協助了解在給予一理想的碳排放量觀察值的情況下，其栽種階段序列樣貌，並推估在栽種過程中具有較高碳足跡影響潛力的活動。我們的模型推論在農業栽種過程中導致碳排放量增加的因素可能是(1)採收袋本身產生碳排放量高或(2)背負式除草機耗油量高所造成。

The assessment of carbon footprint hotspots can help us understand the main factors that may affect carbon emissions in the whole system process, which can be used as a basis for formulating carbon emission reduction strategies. In order to provide carbon footprint hotspot analysis results with different analytical perspectives and different application needs, we applied the process exploration algorithm to construct a carbon footprint model for the planting process using two concepts: "deterministic process model" and "probabilistic process model," and conducted a carbon footprint hotspot assessment using production and marketing history as the database to understand the influence of different use items on the change of carbon emissions in the agricultural planting process and to explore the possible causes of the change of carbon footprint, inferring possible hotspots of carbon footprint.
The experimental results validation model can help to understand the sequence of agricultural planting stages given a desired observed value of carbon emissions, and to estimate the activities that have the potential for higher carbon footprint impacts in the planting process.
By comparing the model characteristics and evaluation results of the two models, it was inferred that (1) the higher carbon emissions from the harvesting bag itself or (3) high fuel consumption of the backpack weeder might cause an increase in carbon emissions in the agricultural planting process.

論文審定書 i
誌謝 ii
摘要 iii
Abstract iv
圖次 vii
表次 vii
第一章 緒論 1
11 研究背景 1
12 研究動機 2
13 研究目的 2
第二章 文獻探討 3
21 碳足跡(Carbon Footprint) 3
211 碳足跡計算流程 3
212 碳足跡評估方法 5
22 碳足跡驗證標準 6
221 ISO 14064 7
222 PAS 2050 7
223 ISO 14067 8
23 流程探勘(Process Mining, PM) 8
24 α 演算法(Alpha Miner) 10
25 隱馬可夫模型(Hidden Markov Model, HMM) 10
第三章 研究方法 13
31 研究架構 13
32 研究範圍 13
321 確立系統邊界(system boundary)與功能單位(function unit) 14
322 界定生命週期流程 14
33 資料預處理 15
34 量化碳排放情形 18
341 計算碳排放量 18
342 選用碳排放係數 19
35 建構栽種過程碳足跡流程模型 20
351 事件日誌格式 21
352 確定式流程模型 21
353 機率式流程模型 23
第四章 結果與討論 25
41 生命週期流程圖 25
42 洋蔥栽種過程碳足跡 26
43 碳足跡流程模型熱點評估 28
4.4 研究限制 33
第五章 研究結論與建議 35
第六章 參考文獻 37
附錄一 表格清單 39
附錄二 案例活動數據碳足跡總表 45
附錄三 數據資料授權使用同意書 119

[1] 張楊乾，高宜凡，王振益，詹詒絜，2018。《地球暖化1.5°C》IPCC特別報告—決策者摘要。環境資訊中心，取自：https://e-info.org.tw/node/214503。2022/10/10
[2] 許晃雄，2021。IPCC AR6第一工作小組報告揭露的氣候危機。環境變遷研究中心，取自：https://www.rcec.sinica.edu.tw/?action=news&id=290。2022/10/10。
[3] 蘇宗振，2009。氣候變遷下台灣糧食生產因應對策。農政與農情，200。
[4] 吳孟玲，2009。氣候變遷與病蟲害發生。林業研究專訊，16(3)。
[5] 詹雅婷，劉雨庭，2022。土壤碳庫與淨零排放 降低氣候變遷衝擊最有潛力的方式。農傳媒，取自：https://www.agriharvest.tw/archives/90617。2022/12/10。
[6] 經濟部工業局，2022。製造業產品環境碳足跡與資源永續資訊專區，取自：https://www.idbcfp.org.tw/ViewData.aspx?nnid=147。2022/10/10。
[7] 行政院環境保護署，2022。產品碳足跡資訊網，取自：https://cfp-calculate.tw/cfpc/Carbon/WebPage/InstitutionDesc.aspx。2022/10/31。
[8] 盧怡靜，呂穎彬，2014。ISO14040生命週期評估的下一步。永續產業發展季刊，66，29-35。
[9] 黃雪娟，2010。ISO溫室氣體系列國際標準趨勢介紹。永續產業發展雙月刊，53，29-39。
[10] 行政院環境保護署，2023。碳足跡排放係數資料集。
[11] 台灣自來水股份有限公司，2020。每度用水排放二氧化碳(CO2)約當量，取自：https://www.water.gov.tw/dist5/Subject/Detail/2269?nodeId=6562。2023/3/1。
[12] 經濟部能源局，2022。110年度電力排碳係數。取自https://www.moeaboe.gov.tw/ecw/populace/content/ContentDesc.aspx?menu_id=20850。2022/10/10。
[13] Reinkemeyer, L. (2020). Process mining in action. Process Mining in Action Principles, Use Cases and Outloook.
[14] Rabiner, L., & Juang, B. (1986). An introduction to hidden Markov models. ieee assp magazine, 3(1), 4-16.
[15] Wintergreen, J., & Delaney, T. (2007). ISO 14064, International Standard for GHG Emissions Inventories and Verification.
[16] Van Der Aalst, W. M., Reijers, H. A., Weijters, A. J., van Dongen, B. F., De Medeiros, A. A., Song, M., & Verbeek, H. M. W. (2007). Business process mining: An industrial application. Information systems, 32(5), 713-732.
[17] Jans, M., Van Der Werf, J. M., Lybaert, N., & Vanhoof, K. (2011). A business process mining application for internal transaction fraud mitigation. Expert Systems with Applications, 38(10), 13351-13359.
[18] Van der Aalst, W. M. (2022). Process mining: a 360 degree overview. In Process Mining Handbook (pp. 3-34). Cham: Springer International Publishing.
[19] Van der Aalst, W., Weijters, T., & Maruster, L. (2004). Workflow mining: Discovering process models from event logs. IEEE transactions on knowledge and data engineering, 16(9), 1128-1142.
[20] Andersson, S., Rydén, T., & Johansson, R. (2003). Linear optimal prediction and innovations representations of hidden Markov models. Stochastic Processes and their applications, 108(1), 131-149.
[21] Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257-286.
[22] Viterbi, A. (1967). Error bounds for convolutional codes and an asymptotically optimum decoding algorithm. IEEE transactions on Information Theory, 13(2), 260-269.
[23] R Core Team. (2016). R: A Language and Environment for Statistical Computing. Vienna, Austria. Retrieved from https://www.R-project.org/
[24] Lal, R. (2004). Carbon emission from farm operations. Environment international, 30(7), 981-990.
[25] Günther, C.W., & Rozinat, A. (2012). Disco: Discover Your Processes. International Conference on Business Process Management.