Đặt vấn đề Việt Nam đang là đất nước phát triển nhanh chóng, nền kinh tế tăng trường cùng với sự phát triển của cơ sở hạ tầng, giao thông, kiến trúc. Bên cạnh đó đi kèm là nguy cơ đối mặt với ô nhiễm không khí trầm trọng gây tổn hại đến sức khỏe con người. Đặc biệt, các chuyên gia cho biết cần quan tâm tới hai chỉ số bụi mịn: PM10 và PM2.5 – các hạt bụi có đường kính nhỏ hơn 10 µm và nhỏ hơn 2. Những năm gần đây, nước ta có sự xuất hiện của bụi siêu mịn PM1.0 (dưới 1µm) và bụi nano PM0.
Tuy nhiên, do hạn chế về dữ liệu và tiện so sánh với các kết quả nghiên cứu từ các bài báo khác, đề tài này chỉ xét đến hai chỉ số PM10 và PM2. Nhờ kích cỡ rất nhỏ của mình, bụi siêu mịn PM2.5 có thể qua đường hô hấp để len lỏi vào sâu trong phổi, gây ra các bệnh hô hấp. Ngoài ra, bài báo [1] chỉ ra rằng phơi nhiễm trong thời gian dài với PM2.5 có thể dẫn đến tích tụ mảng bám ở động mạch, gây viêm mạch máu và làm nghẽn mạch máu, từ đó là nguy cơ cho việc đột quy và đau tim. Tình hình chất lượng không khí hiện nay của Việt Nam đang trong tình trạng xấu, không chỉ do yếu tố không khí và địa lý mà còn do hành động thiếu trách nhiệm của con người, các công trình và thiếu ý thức chung trong việc giữ gìn môi trường xung quanh.
Khi người dân thấy được mức độ ảnh hưởng của các chỉ số bụi mịn này tới sức khỏe của bản thân, mọi người sẽ có ý thức để cùng chung tay bảo vệ môi trường. Vì vậy việc dự đoán trước chỉ số bụi mịn PM2.5 hoặc các chất khí có ảnh hưởng tới môi trường khác, sẽ giúp các cơ quan chức năng nắm bắt được xu hướng chất lượng môi trường trong tương lai, từ đó đưa ra các biện pháp kiểm soát, ngăn ngừa và đưa cảnh báo tới mọi người dân. Người dân sẽ có cơ sở và thời gian để có các phương án bảo vệ bản thân kịp thời, đồng thời kêu gọi nhau giữ gìn và bảo vệ môi trường nơi mình đang ở. Bảng 1 dưới đây thể hiện tầm ảnh hưởng của chỉ số chất lượng môi trường được Cổng thông tin quan trắc môi trường – UBND Thành phố Hà Nội cung cấp.
1 Bảng 1 Bảng quy đổi giá trị AQI Chú thích: AQI là chỉ số chất lượng không khí. Nguồn: Cổng thông tin quan trắc môi trường – UBND Thành phố Hà Nội. Website: https://moitruongthudo.vn/ Giá trị Đánh Ảnh hưởng sức khỏe Màu AQI giá sắc 0-50 Tốt Chất lượng không khí tốt XANH 51-100 Trun Chất lượng không khí ở mức chấp nhận được. VÀNG g Tuy nhiên, đối với những người nhạy cảm bình (người già, trẻ em, người mắc các bệnh hô hấp, tim mạch…) có thể chịu những tác động nhất định tới sức khỏe.
101-150 Kém Những người nhạy cảm gặp phải các vấn đề về DA sức khỏe, những người bình thường ít ảnh CAM hưởng. 151-200 Xấu Những người bình thường bắt đầu có các ảnh ĐỎ hưởng tới sức khỏe, nhóm người nhạy cảm có thể gặp những vấn đề sức khỏe nghiêm trọng hơn. 201-300 Rất Cảnh báo hưởng tới sức khỏe: mọi người bị ảnh TÍM xấu hưởng tới sức khỏe nghiêm trọng hơn. 301 Nguy Cảnh báo khẩn cấp về sức khỏe: Toàn bộ dân số NÂU hại bị ảnh hưởng tới sức khỏe tới mức nghiêm trọng.
Bảng 2 cho thấy chất lượng không khí của Hà Nội trên một số khu vực có chất lượng từ trung bình cho đến xấu, gây ảnh hưởng tới sức khỏe người dân. Đặc biệt nhóm người nhạy cảm với các vấn dề về sức khỏe, đường hô hấp khi tiếp xúc không khí này sẽ gây hại cho cơ thể. 2 Bảng 2 Chỉ số AQI một số khu vực Hà Nội vào 0h:00 từ 16/12/2019 – 22/12/2019 Số liệu được lấy từ Cổng thông tin quan trắc môi trường – UBND Thành phố Hà Nội. Website: https://moitruongthudo.vn/ Ngày Hoàn Thành Tân Kim Phạm Tây Mỗ Mỹ Kiếm Công Mai Liên Văn Đình Đồng 16/12/2019 117 123 108 97 147 106 111 17/12/2019 122 134 80 101 139 98 108 18/12/2019 117 116 90 93 125 90 85 19/12/2019 51 59 68 58 78 64 49 20/12/2019 140 145 122 120 153 131 125 21/12/2019 124 132 104 113 153 105 125 22/12/2019 146 151 123 123 158 141 150 1.2 Mục tiêu và phạm vi đề tài Các kết quả nghiên cứu hiện nay đa phần dự đoán đầu ra đối với chỉ số PM2.
Tuy nhiên, thực tế, ngoài PM2.5 còn có nhiều các loại bụi có đường kính khác nhau. Vì vậy, chúng ta cần xem xét tất cả các chỉ số bụi mịn khác nhau bên cạnh PM2. Ngoài ra các bài báo mới chỉ nêu lên các yếu tố ảnh hưởng tới chỉ số PM2.5 mà không có thực nghiệm để xác minh. Tùy vào vị trí địa lý mà các chỉ số sẽ có những ảnh hưởng khác nhau.
Như trong bài báo [2], Soh et al. đã đề xuất mô hình sử dụng mối quan hệ giữa dữ liệu thuộc không gian và dữ liệu theo thời gian mà có ảnh hưởng nhất tới khu vực các tác giả cần dự đoán mà không chỉ ra được các yếu tố nào thực sự ảnh hưởng tới chỉ số bụi mịn PM2. Như vậy, cần có mô hình mà có thể cho ra dự đoán nhiều chỉ số bụi, phân tích các chỉ số ảnh hưởng tới chỉ số cần tính với độ chính xác cao và tiết kiệm thời gian. Em đề xuất mô hình mà có thể phân tích các yếu tố ảnh hưởng tới chỉ số bụi, và cho ra được kết quả dự đoán của nhiều 3 chỉ số bụi cùng lúc với độ chính xác cao.
Mô hình được tập trung xử lý trên bộ dữ liệu quan trắc môi trường của Hà Nội.3 Định hướng giải pháp Để dự đoán chỉ số PM10 và PM2.5, em sử dụng Deep Learning. Vì đây là bài toán có dữ liệu là dạng chuỗi theo thời gian nên em sử dụng mô hình nổi tiếng Sequence to Sequence (Encoder-Decoder) vốn được áp dụng trong xử lý ngôn ngữ tự nhiên. Để giải quyết cho bài toán này, thay vì sử dụng mô hình Encoder-Decoder đơn thuần, em sử dụng kiến trúc Feature Selection + BiLSTM encoder – LSTM decoder. Dữ liệu đầu vào thông qua bộ lọc Feature Selection sử dụng Boosting-based Ensemble learning model XGBoost để chọn ra các yếu tố ảnh hưởng đến chỉ số bụi mịn PM.
Đóng góp chính của đồ án này là cung cấp mô hình dự đoán chỉ số bụi PM10 và PM2. Kết quả đạt được sau cùng là mô hình dự đoán và phân tích mối quan hệ các chỉ số ảnh hưởng tới hai chỉ số bụi mịn này.4 Bố cục đồ án Phần còn lại của báo cáo đồ án tốt nghiệp này được tổ chức như sau. Chương 2 trình bày về tình hình nghiên cứu hiện nay, các công trình nghiên cứu liên quan đến bài toán. Em sẽ nêu lên những ý tưởng cơ bản của các mô hình đã được đề xuất và chỉ ra ưu nhược điểm, vấn đề tồn đọng, từ đó đề xuất ra mô hình được trình bày trong báo cáo.
Trong Chương 3, em trình bày chi tiết về cơ sở lý thuyết bao gồm: Deep Learning, LSTM, Encoder Decoder model, Feature Engineering, Ensemble Learning và phương pháp nghiên cứu. Chương 4 em trình bày về đóng góp chính của đồ án, đó là mô hình đề xuất cho bài toán dự đoán chỉ số bụi mịn này, đó là kiến trúc Feature Selection + BiLSTM Encoder – LSTM Decoder. Kiến trúc này bao gồm hai phần chính gồm Feature Selection để chọn ra các yếu tố chính ảnh hưởng tới việc dự đoán, và BiLSTM Encoder – LSTM Decoder là model huấn luyện máy để học các dữ liệu đầu vào, từ đó giúp dự đoán các chỉ số bụi mịn. Trong Chương 5, em chỉ ra kết quả thực nghiệm và so sánh với các kết quả có trong một số nghiên cứu trước đó, đưa ra các nhận xét và lập luận về hiệu quả của mô hình em đề xuất.
Chương 6 em tổng hợp lại các giải pháp và đóng góp nổi bật nhất của đồ án này. Đó là quá trình làm đồ án, những bước khó khăn gặp phải và từng bước giải quyết, đưa ra những giải pháp và trình bày kết quả nếu có. 4 Và Chương 7, em đưa ra kết luận và đề xuất các hướng phát triển tiếp cho bài toán này và có thể áp dụng mô hình đề xuất cho các bài toán khác tương tự. Chương 2 Tình hình nghiên cứu hiện nay Chương 2 trình bày tình hình nghiên cứu và các thành quả nghiên cứu tốt liên quan đến bài toán quan trắc môi trường hiện nay.
Từ đó đưa ra tổng quan những vấn đề gì đã được giải quyết, vấn đề nào chưa được giải quyết và đề xuất hướng đi. Soh et al. [2] đã đề xuất kiến trúc ST – DNN. Dữ liệu đầu vào sẽ qua một framework để khai thác mối quan hệ giữa dữ liệu thuộc không gian và dữ liệu theo thời gian có ảnh hưởng nhất cho việc dự đoán cho một khu vực được cho trước.
Tác giả xây dựng công thức để tìm mối quan hệ bằng việc sử dụng kNN – DTWD và kNN – ED. DTW là một phương pháp phổ biến để tính sự tương đồng giữa hai time-series, vì vậy các tác giả áp dụng DTW để tính khoảng cách về mặt thời gian theo khu vực và sử dụng kNN để xác định các khu vực có cùng hành vi về mặt thời gian. Sau khi xử lý đầu vào xong, dữ liệu đó được đưa vào lớp LSTM (giới thiệu ở mục 1.1), dữ liệu về lãnh thổ được đưa vào lớp CNN (Convolutional Neural Network) để triết xuất thông tin thông tin hữu ích liên quan đến không gian. Sau đó đầu ra của hai lớp này sẽ qua thông qua 2 lớp mạng neuron networks nữa để cho ra kết quả dự đoán.
Tuy nhiên kiến trúc này không chỉ ra các yếu tố ảnh hưởng tới chất lượng không khí, và mô hình này sẽ gây chi phí thời gian cao, sức người lớn vì việc tiền xử lý tốn thời gian. Ibrahim Kok et al. [3] giới thiệu mô hình sử dụng Deep Learning để dự đoán chỉ số O3 và NO2, cụ thể là sử dụng LSTM thuần với hai lớp cho việc dự đoán chỉ số. Mô hình đề xuất gồm ba phần chính.
Phần thứ nhất, sau khi bộ dữ liệu được chia thành 69.5% cho việc huấn luyện và 30.5% cho việc kiểm thử mô hình, dữ liệu để huấn luyện được đưa vào một lớp LSTM duy nhất với đầu vào có độ dài chuỗi là 8, độ dài đầu ra là 1. Ở phần hai, dữ liệu sau khi được dự đoán được dán nhãn dựa theo bảng chỉ số AQI.