Xây Dựng Mô Hình Dự Báo Chất Lượng Không Khí

Tài liệu nghiên cứu Xây dựng mô hình dự báo chất lượng không khí, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Tác giả: Lê Hiếu Thiện
• Người hướng dẫn: TS. Lê Thanh Vân
• Trường học: Đại học Quốc gia TP.HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Mô Hình Dự Báo Chất Lượng Không Khí
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Xây dựng mô hình dự báo chất lượng không khí bằng học sâu
• 2.2. Xây dựng mô hình dự báo chất lượng không khí bằng học máy
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH DỰ BÁO CHẤT LƯỢNG KHÔNG KHÍ
• 3.1. Lược đồ nghiên cứu
• 3.2. Thu thập dữ liệu
• 3.3. Tiền xử lý và chuẩn hóa dữ liệu
• 3.4. Xây dựng các mô hình dự báo
• 3.5. Tạo tập huấn luyện và đánh giá mô hình
• 3.7. Kết quả thực nghiệm và thảo luận
• 4. CHƯƠNG 4: ỨNG DỤNG QUẢN LÝ VÀ THEO DÕI CHẤT LƯỢNG KHÔNG KHÍ
• 4.1. Xây dựng api server
• 4.2. Ứng dụng quản lý và theo dõi chất lượng không khí
• 4.3. Đánh giá kết quả đạt được
• 4.4. Hướng phát triển tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình dự báo chất lượng không khí hiệu quả

Mô hình dự báo chất lượng không khí là một công cụ quan trọng trong việc theo dõi và cải thiện tình trạng ô nhiễm không khí. Với sự gia tăng ô nhiễm không khí, việc phát triển các mô hình dự báo chính xác trở nên cần thiết hơn bao giờ hết. Các mô hình này không chỉ giúp người dân nắm bắt thông tin mà còn hỗ trợ các cơ quan chức năng trong việc đưa ra các biện pháp ứng phó kịp thời.

1.1. Tầm quan trọng của dự báo chất lượng không khí

Dự báo chất lượng không khí giúp người dân và doanh nghiệp có thể lên kế hoạch cho các hoạt động hàng ngày. Thông qua việc nắm bắt thông tin về ô nhiễm, người dân có thể chủ động bảo vệ sức khỏe của mình.

1.2. Các chỉ số chất lượng không khí phổ biến

Các chỉ số như PM2.5, PM10, CO, NO2 là những yếu tố quan trọng trong việc đánh giá chất lượng không khí. Việc hiểu rõ các chỉ số này giúp nâng cao nhận thức về ô nhiễm không khí.

II. Vấn đề và thách thức trong dự báo chất lượng không khí

Mặc dù có nhiều tiến bộ trong công nghệ dự báo, nhưng vẫn tồn tại nhiều thách thức trong việc xây dựng mô hình dự báo chất lượng không khí. Các yếu tố như dữ liệu không đầy đủ, sự biến động của thời tiết và ô nhiễm từ nhiều nguồn khác nhau gây khó khăn cho việc dự đoán chính xác.

2.1. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu chất lượng không khí từ các trạm quan trắc gặp nhiều khó khăn do sự hạn chế về số lượng và vị trí của các trạm. Điều này ảnh hưởng đến độ chính xác của mô hình.

2.2. Tác động của thời tiết đến chất lượng không khí

Thời tiết có thể ảnh hưởng lớn đến chất lượng không khí. Các yếu tố như gió, độ ẩm và nhiệt độ có thể làm thay đổi nồng độ các chất ô nhiễm, gây khó khăn cho việc dự đoán.

III. Phương pháp xây dựng mô hình dự báo chất lượng không khí

Có nhiều phương pháp khác nhau để xây dựng mô hình dự báo chất lượng không khí. Các mô hình học sâu như LSTM, RNN và CNN-LSTM đã được áp dụng để cải thiện độ chính xác của dự báo.

3.1. Mô hình mạng nơ ron tích chập CNN

Mô hình CNN được sử dụng để phân tích dữ liệu không gian và thời gian, giúp cải thiện khả năng dự đoán chất lượng không khí trong các khu vực đô thị.

3.2. Mô hình mạng nơ ron hồi tiếp RNN

Mô hình RNN có khả năng xử lý dữ liệu chuỗi thời gian, giúp dự đoán chất lượng không khí dựa trên các dữ liệu lịch sử.

IV. Ứng dụng thực tiễn của mô hình dự báo chất lượng không khí

Mô hình dự báo chất lượng không khí không chỉ có giá trị trong nghiên cứu mà còn có ứng dụng thực tiễn trong việc quản lý môi trường. Các ứng dụng di động và hệ thống thông tin giúp người dân theo dõi chất lượng không khí hàng ngày.

4.1. Ứng dụng di động theo dõi chất lượng không khí

Ứng dụng di động giúp người dùng dễ dàng theo dõi chỉ số chất lượng không khí tại các khu vực khác nhau, từ đó đưa ra quyết định hợp lý cho các hoạt động ngoài trời.

4.2. Hệ thống thông tin quản lý ô nhiễm

Hệ thống thông tin giúp các cơ quan chức năng theo dõi và quản lý ô nhiễm không khí, từ đó đưa ra các biện pháp can thiệp kịp thời.

V. Kết luận và tương lai của mô hình dự báo chất lượng không khí

Mô hình dự báo chất lượng không khí đang ngày càng trở nên quan trọng trong bối cảnh ô nhiễm không khí gia tăng. Tương lai của các mô hình này sẽ phụ thuộc vào sự phát triển của công nghệ và khả năng thu thập dữ liệu chính xác hơn.

5.1. Xu hướng phát triển công nghệ dự báo

Công nghệ học sâu và trí tuệ nhân tạo sẽ tiếp tục được phát triển để cải thiện độ chính xác của các mô hình dự báo chất lượng không khí.

5.2. Tầm quan trọng của hợp tác quốc tế

Hợp tác giữa các quốc gia trong việc chia sẻ dữ liệu và công nghệ sẽ giúp nâng cao hiệu quả của các mô hình dự báo chất lượng không khí toàn cầu.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ Tổ chức Y tế Thế giới (WHO), ô nhiễm không khí là tác nhân gây ra khoảng 7 triệu ca tử vong sớm mỗi năm trên toàn cầu. Tại Việt Nam, ô nhiễm không khí gây thiệt hại kinh tế ước tính khoảng 10 tỷ USD mỗi năm, tương đương từ 5% đến 7% tổng sản phẩm quốc nội (GDP). Báo cáo từ hệ thống quan trắc chất lượng không khí toàn cầu IQAir ghi nhận Việt Nam xếp thứ 17 thế giới về nồng độ bụi siêu mịn PM2.5, trong đó Thành phố Hồ Chí Minh và Hà Nội thường xuyên nằm trong nhóm các đô thị có mức độ phơi nhiễm ô nhiễm cao. Thống kê y tế cho thấy trong 10 bệnh lý có tỷ lệ tử vong cao nhất tại nước ta, có đến 6 bệnh liên quan trực tiếp đến hệ hô hấp do suy giảm chất lượng không khí.

Đề tài luận văn tập trung giải quyết bài toán dự báo ngắn hạn chất lượng không khí đô thị bằng các kỹ thuật học sâu tiên tiến. Mục tiêu trọng tâm là xây dựng và tối ưu hóa các mô hình mạng nơ-ron có khả năng dự báo chính xác nồng độ các chất ô nhiễm chủ yếu như PM2.5, TSP, O3, NO2 và CO trong khoảng thời gian 4 giờ tiếp theo. Phạm vi nghiên cứu được triển khai dựa trên nguồn dữ liệu chuỗi thời gian thu thập liên tục từ 6 trạm quan trắc đại diện cho các khu vực đô thị, công nghiệp, dân cư và giao thông trên địa bàn Thành phố Hồ Chí Minh trong giai đoạn từ tháng 02/2021 đến tháng 02/2022. Kết quả nghiên cứu đóng vai trò cốt lõi trong việc cung cấp giải pháp cảnh báo sớm, hỗ trợ hơn 9 triệu người dân chủ động bảo vệ sức khỏe và giúp các cơ quan quản lý điều phối giao thông, sản xuất kịp thời.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết phân tích chuỗi thời gian phi tuyến và các kiến trúc mạng nơ-ron nhân tạo (Artificial Neural Networks). Khung lý thuyết bao gồm mô hình mạng nơ-ron truyền thẳng xếp tầng (Cascade-Forward Neural Network - CFNN), mạng nơ-ron hồi quy trạng thái vang (Echo State Network - ESN), mạng bộ nhớ dài - ngắn hạn (Long Short-Term Memory - LSTM) và kiến trúc Sequence-to-Sequence (Seq2Seq) kết hợp Encoder-Decoder.

Các khái niệm chuyên ngành nền tảng được vận dụng bao gồm:

• Chỉ số chất lượng không khí Việt Nam (VN_AQI): Được xác định theo Quyết định 1459/QĐ-TCMT và Quy chuẩn kỹ thuật quốc gia QCVN 05:2013/BTNMT, trong đó thông số PM2.5 được tính toán thông qua thuật toán Nowcast với trọng số suy giảm trên chuỗi 12 giờ quan trắc gần nhất.
• Cơ chế cổng nhớ (Gating Mechanism): Cấu trúc cổng quên (Forget Gate), cổng vào (Input Gate) và cổng ra (Output Gate) trong ô nhớ LSTM giúp duy trì trạng thái tế bào (Cell State), khắc phục hiện tượng suy giảm gradient khi xử lý chuỗi dữ liệu dài.
• Vùng chứa động (Dynamical Reservoir): Nguyên lý cốt lõi của mạng ESN với 24 perceptron liên kết ngẫu nhiên qua ma trận thưa, cho phép mô hình tối ưu trọng số đầu ra bằng thuật toán bình phương tối thiểu tuyến tính với tốc độ tính toán vượt trội.
• Vector trung gian (Context Vector): Cấu trúc nén thông tin từ bộ mã hóa (Encoder) sang bộ giải mã (Decoder) trong mô hình LSTM-LSTM, giúp trích xuất toàn diện các mối quan hệ phi tuyến giữa các bước thời gian.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu thực tế gồm 48.390 bản ghi (tương ứng 8.065 mốc thời gian theo giờ cho mỗi trạm) thu thập từ 6 trạm quan trắc tự động tại Thành phố Hồ Chí Minh từ ngày 24/02/2021 đến 26/02/2022. Phương pháp chọn mẫu phân tầng phi ngẫu nhiên được áp dụng để đảm bảo tính bao quát trên 4 môi trường đặc trưng: khu đô thị (trạm 1), khu vực giao thông mật độ cao (trạm 2, 5, 6), khu công nghiệp (trạm 3) và khu dân cư (trạm 4). Lý do lựa chọn 6 trạm này xuất phát từ nhu cầu đánh giá tính phân tán và đặc thù phát thải tại trung tâm kinh tế lớn nhất cả nước.

Quy trình xử lý dữ liệu được thực hiện nghiêm ngặt qua 3 giai đoạn:

• Lọc bỏ thuộc tính khuyết thiếu nặng: Các chỉ số có tỷ lệ mất dữ liệu trên 70% (như CO tại trạm 2 chỉ có 358 bản ghi) được loại bỏ để tránh gây sai lệch mô hình.
• Nội suy không gian và thời gian: Khai thác ma trận tương quan giữa các trạm lân cận (khoảng cách 3.13 km giữa trạm 5 và trạm 6) để điền dữ liệu khuyết thiếu, kết hợp giải thuật nội suy tuyến tính cho các khoảng gián đoạn dưới 10 giờ liên tục.
• Chuẩn hóa và tạo tập huấn luyện: Dữ liệu được đưa về thang đo từ 0 đến 1 bằng phương pháp Min-Max Scaling. Kỹ thuật cửa sổ trượt (Sliding Window) được áp dụng để phân chia ma trận đặc trưng đầu vào và nhãn mục tiêu với bước dự báo tương lai time_step = 4. Mô hình sử dụng hàm mất mát sai số tuyệt đối trung bình (MAE), thuật toán tối ưu Adam với tốc độ học 0.001, kích thước lô (batch size) 20 và chu kỳ huấn luyện 50 epochs trên nền tảng Keras và TensorFlow.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu ghi nhận các kết quả thực nghiệm nổi bật sau quá trình kiểm thử các mô hình học sâu:

• Kiến trúc Sequence-to-Sequence (LSTM-LSTM) và Echo State Network (ESN) đạt hiệu năng dự báo cao nhất trên hầu hết các kịch bản thử nghiệm tại 6 trạm quan trắc. Cụ thể, đối với chỉ số bụi siêu mịn PM2.5 và khí ozone O3, mô hình LSTM-LSTM giúp giảm sai số MAE hơn 28.5% so với mô hình ANN truyền thống và giảm 19.2% so với mạng SimpleRNN.
• Mô hình kết hợp (Hybrid Model) tích hợp kết quả dự báo từ 4 mạng thành phần (CFNN, ESN, RNN và LSTM) giúp tăng cường độ chính xác tổng thể thêm 15.4% so với việc sử dụng từng mô hình độc lập. Điển hình tại trạm số 6, chỉ số sai số phần trăm tuyệt đối trung bình (MAPE) của bụi tổng TSP được kiểm soát ở mức dưới 8.2%.
• Hệ số tương quan không gian giữa các trạm đóng vai trò quan trọng trong việc cải thiện dự báo; trạm số 5 và trạm số 6 ghi nhận hệ số tương quan nồng độ PM2.5 vượt mức 0.82. Việc bổ sung các biến khí tượng đầu vào giúp nâng cao độ chính xác dự báo cho chỉ số NO2 thêm 12.6% tại các trục giao thông trọng điểm.

Thảo luận kết quả

Ưu thế vượt bậc của mô hình LSTM-LSTM xuất phát từ khả năng mô hình hóa sự phụ thuộc thời gian đa chiều thông qua cơ chế cổng nhớ và vector ngữ cảnh trung gian, giúp lưu giữ đặc tính biến thiên của chất lượng không khí trong chuỗi 24 giờ quá khứ. Ngược lại, mô hình ANN và SimpleRNN bộc lộ hạn chế rõ rệt do không thể duy trì bộ nhớ dài hạn, dẫn đến việc ước lượng sai lệch tại các thời điểm nồng độ ô nhiễm biến động đột ngột.

Về mặt trực quan hóa, toàn bộ kết quả thực nghiệm được tổng hợp chi tiết qua 47 bảng thống kê sai số và 51 biểu đồ so sánh. Biểu đồ đường biểu diễn giá trị thực tế và giá trị dự báo cho thấy đường cong dự đoán của mạng LSTM-LSTM bám sát các đỉnh cực đại của nồng độ O3 trong khung giờ cao điểm từ 12:00 đến 14:00. Biểu đồ phân bố dạng hộp (Boxplot) trước và sau khi chuẩn hóa minh chứng rõ nét việc đưa phân bố dữ liệu về điểm cân bằng trung bình 0.5, giúp các hàm kích hoạt phi tuyến như ReLU và Sigmoid tăng tốc độ hội tụ nhanh hơn gấp 2 lần. So sánh với các công trình quốc tế sử dụng mô hình học máy Support Vector Machine (SVM) tại Malaysia (R2 trên 0.70) hay mạng ANN kết hợp SVM tại New Delhi (độ chính xác 97.4%), mô hình đề xuất trong luận văn thể hiện tính thích ứng vượt trội đối với dữ liệu chuỗi thời gian khí tượng phức tạp tại đô thị nhiệt đới có hơn 30 triệu phương tiện cơ giới lưu hành.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả giám sát môi trường và ứng dụng thực tiễn các mô hình trí tuệ nhân tạo, nghiên cứu đề xuất 4 nhóm giải pháp chiến lược:

• Mở rộng hệ thống quan trắc tự động: Sở Tài nguyên và Môi trường cần đầu tư bổ sung ít nhất 20 trạm quan trắc chuẩn hóa tại các nút giao thông cửa ngõ và khu chế xuất trong giai đoạn 2024 - 2026, nâng tỷ lệ bao phủ dữ liệu cảm biến lên trên 90% diện tích đô thị.
• Tích hợp nền tảng API dự báo thông minh: Sở Thông tin và Truyền thông chủ trì việc tích hợp mô hình LSTM-LSTM và Hybrid API vào hệ thống điều hành đô thị thông minh trước quý II/2025, đảm bảo khả năng cung cấp dữ liệu dự báo tự động trước 4 giờ với độ tin cậy trên 85%.
• Chuẩn hóa quy trình tiền xử lý dữ liệu: Trung tâm Quan trắc Môi trường cần áp dụng quy chuẩn làm sạch dữ liệu tự động kết hợp ma trận tương quan liên trạm và giải thuật Singular Spectrum Analysis (SSA), hướng tới mục tiêu giảm tỷ lệ khuyết thiếu dữ liệu chuỗi thời gian xuống dưới 5% trong vòng 12 tháng.
• Ban hành chính sách phân luồng giao thông động: Ủy ban Nhân dân thành phố và Sở Giao thông Vận tải phối hợp triển khai phương án hạn chế xe tải nặng và phương tiện phát thải cao vào các khung giờ có cảnh báo chỉ số VN_AQI vượt ngưỡng 150 µg/m3, đặt mục tiêu giảm thiểu 15% nồng độ bụi PM2.5 vào các đợt cao điểm ô nhiễm trong năm 2025.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu học thuật và ứng dụng giá trị cho 4 nhóm đối tượng chính:

• Học viên cao học và nhà nghiên cứu Trí tuệ nhân tạo: Luận văn cung cấp hướng dẫn chuyên sâu về kỹ thuật xây dựng các kiến trúc mạng nơ-ron phức hợp (LSTM-LSTM, ESN, CFNN), kỹ thuật xử lý dữ liệu chuỗi thời gian đa biến và phương pháp tối ưu hóa siêu tham số.
• Kỹ sư phần mềm và chuyên gia hệ thống IoT: Đối tượng này có thể kế thừa trực tiếp thiết kế kiến trúc máy chủ API server, giải thuật cửa sổ trượt và quy trình đóng gói mô hình dự báo lên ứng dụng di động để thương mại hóa các sản phẩm giám sát môi trường.
• Cơ quan quản lý nhà nước về môi trường: Cán bộ tại các Sở, Viện nghiên cứu môi trường có thể khai thác các số liệu phân tích tương quan phát thải giữa các vùng chức năng (công nghiệp, dân cư, giao thông) để hoàn thiện quy hoạch mạng lưới quan trắc và ban hành chính sách điều tiết vi khí hậu.
• Tổ chức phi chính phủ và chuyên gia y tế cộng đồng: Các dữ liệu dự báo mức độ phơi nhiễm bụi mịn theo giờ là cơ sở thực chứng giúp xây dựng các bản tin cảnh báo sức khỏe kịp thời cho nhóm dân cư nhạy cảm như trẻ em, người cao tuổi và bệnh nhân hô hấp.

Câu hỏi thường gặp

Mô hình LSTM-LSTM vượt trội hơn mạng ANN truyền thống ở những đặc điểm nào?
Kiến trúc LSTM-LSTM sở hữu cấu trúc Encoder-Decoder kết hợp các cổng nhớ chuyên biệt, giúp duy trì thông tin dài hạn mà không bị tiêu biến đạo hàm. Thực nghiệm trên 8.065 mốc thời gian chứng minh mô hình này giảm sai số MAE tới 28.5% so với mạng ANN nhờ khả năng nắm bắt chính xác quy luật chu kỳ của bụi mịn PM2.5.

Luận văn xử lý tình trạng dữ liệu quan trắc bị gián đoạn bằng cách nào?
Tác giả áp dụng kỹ thuật nội suy không gian dựa trên hệ số tương quan giữa các trạm lân cận có khoảng cách 3.13 km, kết hợp phương pháp nội suy tuyến tính đối với chuỗi gián đoạn dưới 10 giờ. Những thông số bị mất trên 70% dữ liệu được loại bỏ để đảm bảo độ tin cậy huấn luyện.

Mạng nơ-ron trạng thái vang (ESN) mang lại lợi thế gì trong bài toán dự báo?
Mạng ESN sử dụng vùng chứa động cố định gồm 24 perceptron và chỉ huấn luyện ma trận trọng số đầu ra bằng phương pháp hồi quy tuyến tính. Cơ chế này giúp rút ngắn thời gian huấn luyện nhanh gấp 5 lần so với RNN truyền thống nhưng vẫn kiểm soát tốt sai số cho các chỉ số CO và TSP.

Các chỉ số ô nhiễm nào được đưa vào mô hình và căn cứ theo tiêu chuẩn nào?
Mô hình tập trung dự báo 5 thông số chính gồm PM2.5, TSP, NO2, O3 và CO. Toàn bộ quy trình tính toán và phân cấp mức độ nguy hại đều tuân thủ chặt chẽ theo Quy chuẩn kỹ thuật quốc gia QCVN 05:2013/BTNMT và Quyết định 1459/QĐ-TCMT của Tổng cục Môi trường Việt Nam.

Ứng dụng thực tế của mô hình dự báo trong luận văn được triển khai ra sao?
Mô hình học sâu tối ưu được tích hợp vào máy chủ API server có độ trễ phản hồi dưới 200ms. Kết quả dự báo chất lượng không khí trong 4 giờ tới được truyền tải trực tiếp lên giao diện ứng dụng di động, tự động hiển thị mã màu cảnh báo VN_AQI cho người dùng.

Kết luận

• Hoàn thành thiết kế và kiểm nghiệm 8 kiến trúc mạng nơ-ron học sâu (ANN, RNN, CFNN, ESN, LSTM, CNN-LSTM, LSTM-LSTM, Hybrid) trên tập dữ liệu gồm 48.390 bản ghi thực tế tại Thành phố Hồ Chí Minh.
• Xác định kiến trúc LSTM-LSTM và ESN là hai giải pháp tối ưu nhất, giúp cắt giảm sai số dự báo MAE lên đến 28.5% so với các mô hình nơ-ron cơ bản.
• Đề xuất quy trình tiền xử lý dữ liệu toàn diện, kết hợp hiệu quả giữa ma trận tương quan không gian liên trạm và giải thuật nội suy tuyến tính để giải quyết triệt để bài toán mất mát dữ liệu cảm biến.
• Xây dựng thành công hệ thống ứng dụng di động hoàn chỉnh kết nối qua API server, cung cấp khả năng dự báo trực quan các chỉ số ô nhiễm trong 4 giờ kế tiếp.
• Khẳng định tính khả thi cao của việc ứng dụng trí tuệ nhân tạo vào công tác quản trị môi trường và phát triển đô thị thông minh tại Việt Nam.

Về định hướng tương lai trong giai đoạn 2025 - 2026, nghiên cứu sẽ tiếp tục mở rộng mô hình bằng việc tích hợp thêm dữ liệu viễn thám vệ tinh và thông tin mật độ giao thông theo thời gian thực để nâng cao độ bao phủ không gian. Quý độc giả, các nhà nghiên cứu và đơn vị quan tâm có thể khai thác toàn diện các phát hiện trong công trình này để triển khai các giải pháp bảo vệ môi trường không khí đô thị bền vững.

Trích đoạn nội dung tài liệu

Chương 1. Giới thiệu tổng quan về đề tài, mục tiêu, đối tượng và phạm vi nghiên cứu. Trình bày cơ sở lý thuyết về các chỉ số chất lượng không khí, các mô hình học máy và học sâu sẽ được áp dụng • Chương 3. Nêu các nghiên cứu liên quan về dự báo chất lượng không khí.

Xây dựng mô hình dự báo chất lượng không khí, thực nghiệm các mô hình dự báo chất lượng không khí, đánh giá kết quả và thảo luận. Ứng dụng quản lý và theo dõi chất lượng không khí • Chương 6. Đánh giá các kết quả đã đạt được và hướng phát triển trong tương lai. Luận văn tốt nghiệp Trang 5/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính Chương 2 CƠ SỞ LÝ THUYẾT 2.1 Bài toán dự báo chất lượng không khí Bài toán dự báo chất lượng không khí là một lớp bài toán dự báo, dùng dữ liệu trong quá khứ để xây dựng mô hình dự báo các giá trị trong tương lai.

Mục tiêu mô hình là tối ưu giá trị sai số dự đoán từ mô hình và giá trị thực tế. Tập dữ liệu thường dùng là các chỉ số chất lượng không khí như AQI, PM2.5, O3, TSP, CO, SO2, NO2.dữ liệu sẽ được thu thập trong một khoảng thời gian liên tục trong quá khứ, càng có nhiều dữ liệu thì mô hình sẽ có hiệu quả cao hơn. Các phương pháp tiếp cận thường được dùng trong việc xây dựng mô hình dự báo chất lượng không khí là các phương pháp sử dụng thống kê, các phương pháp học máy và học sâu: • Sử dụng các phương pháp thống kê truyền thống: Sử dụng các phân tích thông kê để tìm ra các đặc trưng của dữ liệu như tính xu hướng, tính mùa, tính chu kì, tính ổn định của dữ liệu. Sau đó dựa vào đặc tính của dữ liệu mà sử dụng các phương pháp phù hợp để xây dựng mô hình dự báo.

Ví dụ như mô hìn trung bình trượt (Moving average) và mô hình làm mượt lũy thừa (Exponential smoothing method) thích hợp cho dữ liệu không có tính mùa và xu hướng. Mô hình tự hồi quy (Autoregressive model) phù hợp cho các chuỗi dữ liệu có tự tương quan giữa các điểm thời gian. Đặc biệt mô hình ARIMA có thể áp dụng với mọi loại dữ liệu. • Sử dụng các phương pháp học máy (Machine learning), học sâu (Deep learning): Trong những năm gần đây, với sự phát triển tốc độ tính toán và lưu trữ của máy tính thì việc xử lý các tập dữ liệu lớn trở nên nhanh chóng và dễ dàng hơn.

Vì vậy các phương pháp học máy và học sâu đã được nghiên cứu áp dụng rất nhiều trong việc xây dựng mô hình dự báo chất lượng không khí. Các mô hình này thường không đòi hỏi các đặc tính cụ thể của dữ liệu, thích hợp cho việc xử lý các loại dữ liệu lớn và độ chính xác trong tính toàn thường cao hơn so với các mô hình thống Luận văn tốt nghiệp Trang 6/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính kê truyền thống. Một số các mô hình học máy và học sâu thường dùng trong dự báo chất lượng không khí là Regression, Support Vector machine, Random forest. và đặc biệt là các mô hình mạng Neurol network như ANN, CNN, RNN, LSTM.2 Các chỉ số chất lượng không khí và phương thức tính 2.1 Các chỉ số chất lượng không khí Tại Việt Nam, căn cứ vào quy chuẩn quốc gia hiện đang có hiệu lực (QCVN 05:2013/BTNMT), các thông số được quy định để đánh giá chất lượng không khí xung quanh bao gồm: • Sulfur dioxide (SO2): Sulfur dioxide là một loại khí độc hại phát sinh chủ yếu do tiêu thụ nhiên liệu hóa thạch hoặc bởi các hoạt động công nghiệp.

Bệnh nhân với các vấn đề về phổi, người già và trẻ nhỏ có nguy cơ bị tổn thương cao hơn khi tiếp xúc với loại khí này. Các tác hại về sức khỏe khi tiếp xúc có thể kể đến bao gồm viêm phổi, gây kích ứng đường hô hấp, tăng tiết dịch nhầy, co thắt phế quản. Ngoài ra các trường hợp bỏng rát da, tổn thương mắt cũng được ghi nhận. Các hiện tượng thiên nhiên bất lợi như mưa axít, giảm độ pH của đất cũng có mối liên hệ với loại khí này.

• Carbon monoxide (CO): Carbon monoxide là loại khí không màu, không vị phát sinh do sự đốt cháy không hoàn toàn các nhiên liệu hóa thạch. Các triệu chứng khi bị nhiễm độc do hít phải carbon monoxide thường gặp là đau đầu, chóng mặt, buồn nôn và nặng hơn là mất ý thức, hôn mê. Ái lực của hemoglobin trong máu với carbon monoxide cao hơn so với ái lực với oxygen, dẫn đến việc thiếu oxygen trong máu. Tình trạng nhiễm độc có thể diễn tiến nặng khi tiếp xúc với khí này ở nồng độ cao trong thời gian dài.

Carbon monoxide cũng là loại khí góp phần gây hiệu ứng nhà kính, hiện tượng nóng lên của trái đất và biến đổi khí hậu. • Nitrogen dioxide (NO2): Nitrogen oxide là loại khí phát sinh do việc đốt cháy các nhiên liệu hóa thạch và thường có mối liên hệ với các hoạt động giao thông. Chúng gây kích ứng đường hô hấp, ho, khó thở và đau rát mắt. Nitrogen oxide cũng gây ảnh hưởng đến khướu giác và và thậm chí gây các bệnh lý cấp tính ở phổi nếu tiếp xúc ở thời gian dài.

Năng suất và sản lượng cây trồng cũng được ghi nhận giảm sút khi nitrogen oxide hiện diện ờ nồng độ cao trong không khí. • Ozone (O3): Khí ozone được tạo thành từ các khí oxygen dưới xúc tác của sự phóng điện trong bầu khí quyển trái đất. Nó là một chất oxy hóa cực mạnh và do Luận văn tốt nghiệp Trang 7/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính đó có khả năng kích thích quá trình oxy hóa gây tổn thương tế bào. Tiếp xúc với khí ozone có thể gây khó thở, viêm đường hô hấp, làm tình trạng của bệnh nhân hen suyễn thêm trầm trọng.

Vì ozone ít tan trong nước nên chúng có thể đi sâu vào trong phổi và gây hại cho sức khỏe. Khí ozone cũng là một trong những khí gây hiệu ứng nhà kính và góp phần vào sự ấm lên toàn cầu của trái đất. • Tổng bụi lơ lửng TSP, bụi PM 10, bụi PM 2.5:, Bụi lơ lửng là hỗn hợp các hạt lỏng hoặc rắn có kích thước nhỏ có nguồn phát sinh tự nhiên (cháy rừng, núi lửa, .) hoặc các hoạt động của con người (tiêu thụ nguyên liệu hóa thạch, các hoạt động công nghiệp và nông nghiệp. Chúng cũng có thể hình thành do các phản ứng hóa học của các chất ô nhiễm dạng khí.

Một số loại bụi lơ lửng có thể kể đến như: khói nhà máy, khói thuốc, bụi xi măng, bụi đường, vi khuẩn, bào tử nấm mốc,. Các hạt có đường kính 10 µm hoặc nhỏ hơn được gọi là PM 10, trong khi các hạt có đường kính 5 µm hoặc nhỏ hơn được gọi là PM 5. Các hạt bụi lơ lửng có kích thước càng nhỏ càng dễ đi sâu vào đường hô hấp thậm chí hệ tuần hoàn và gây các ảnh hưởng lâu dài đến sức khỏe. • Chì (Pb) – Không dùng để tính AQI trong 1459/QĐ-TCMT: Chì là một loại kim loại nặng có sẵn trong tự nhiên.

Chúng được sử dụng trong pin, xăng động cơ, mỹ phẩm hay trong nhiều vật dụng khác như bột màu, sơn, men gốm. Nguồn gây ô nhiễm chì trong không khí chủ yếu đến từ sử dụng các nhiên liệu đốt cháy có pha chì. Phơi nhiễm với chì có thể xảy ra do hít, nuốt phải hoặc hấp thu qua da, với trẻ em là đối tượng rất dễ bị tổn thương sức khỏe bởi chất này. Ngộ độc chì gây ảnh hưởng đến hệ thần kinh, giảm thông minh, trí nhớ giảm sút, thậm chí gây hôn mê, co giật.

Luận văn tốt nghiệp Trang 8/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính Hình 2.1: Bảng giá trị giới hạn các thông số cơ bản trong không khí (µg/m3 ) 2.2 Tiêu chí đánh giá chất lượng không khí Chỉ số chất lượng không khí Việt Nam (VN_AQI – Vietnam Air quality index) là chỉ số được tính toán từ các thông số quan trắc các chất ô nhiễm trong không khí ở Việt Nam. Chúng cho biết tình trạng chất lượng không khí, mức độ ảnh hưởng dến sức khỏe con người và được tính theo thang điểm tương ứng dựa theo Quyết định 1459 của Tổng cục môi trường Việt Nam [4]. Chỉ số VN_AQI được biểu diễn với các màu sắc để cảnh báo chất lượng không khí như trình bày ở Hình 2.2: Bảng các khoảng giá trị VN AQI và đánh giá chất lượng không khí 2.1 Giá trị AQI h - với thông số PM 2.5 và PM 10 AQI h là giá trị AQI đại diện cho chất lượng không khí trong 1 giờ. Giá trị Nowcast là giá trị trung bình có trọng số được tính toán từ 12 giá trị trung bình 1 giờ gần nhất so Luận văn tốt nghiệp Trang 9/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính với thời điểm tính toán, dùng cho thông số PM 2.

Gọi ci là giá trị quan trắc trung bình một giờ tại thời điểm cách i - 1 giờ so với hiện tại, cmin = min(c1 , c2 , ., c12 ) và cmax = max(c1 , c2 , ., c12 ) Ta tính giá trị các trọng số: cmin 1 max( , ) cmax 2 2 12 Với w = 12 thì N owcast = 21 c1 + 12 c2 +. + 21 c12 Với w > 12 thì N owcast = ( 12 i−1 ci )/( 12 i−1 P P i=1 w i=1 w ) Nếu chỉ có một trong ba giá trị (c1 , c2 , c3 )) có dữ liệu thì xem như không có dữ liệu và không tính được giá trị Nowcast. Nếu ci không có giá trị thì lấy wi−1 = 0 2.2 Giá trị AQIxh - với các thông số quan trắc khác Với các thông số SO2, CO, NO2, O3 thì được tính như sau: Ii+1 − I1 AQIxh = (Cx − BPi ) + Ii BPi+1 − BPi Với các thông số PM 2.