Luận Văn Thạc Sĩ: Mô Hình Dự Báo Chất Lượng Không Khí Trong Khoa Học Máy Tính

Luận văn thạc sĩ nghiên cứu máy tính xây dựng mô hình dự báo chất lượng không khí, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực kỹ thuật.

• Tác giả: Nguyễn Hữu Nghĩa
• Người hướng dẫn: TS. Lê Thanh Vân
• Trường học: Đại Học Bách Khoa
• 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
• TÓM TẮT ĐỀ TÀI
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 1.1.1. Mục tiêu nghiên cứu
• 1.1.2. Đối tượng và phạm vi nghiên cứu
• 1.1.3. Ý nghĩa thực tiễn của đề tài
• 1.1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các chỉ tiêu chất lượng không khí và phương thức tính
• 2.2. Các chỉ tiêu chất lượng không khí
• 2.3. Tiêu chí đánh giá chất lượng không khí
• 2.4. Chuỗi thời gian và một số tính chất của chuỗi thời gian
• 2.4.1. Tính chất của chuỗi thời gian
• 2.4.2. Tự tương quan và tự tương quan bán phần. Nhiễu trắng và bước ngẫu nhiên
• 2.5. Đánh giá chất lượng không khí bằng phương pháp thống kê
• 2.5.1. Mô hình tự hồi quy
• 2.5.2. Mô hình ARIMA
• 2.5.3. Mô hình làm mượt lũy thừa
• 2.6. Đánh giá chất lượng không khí bằng học máy
• 2.6.1. Mạng nơ ron nhân tạo (Artificial Neural Network - ANN)
• 2.6.2. Mạng nơ ron hồi quy (Recurrent Neural Network - RNN)
• 2.6.3. Mạng nơ ron LSTM (Long Short Term Memory)
• 2.6.4. Một số hàm tối ưu trong học máy. Các công trình liên quan
• 3. CHƯƠNG 3: MÔ HÌNH DỰ BÁO CHẤT LƯỢNG KHÔNG KHÍ
• 3.1. Lược đồ nghiên cứu
• 3.2. Thu thập dữ liệu. Chuẩn bị dữ liệu đầu vào
• 3.3. Kiểm định dữ liệu
• 3.4. Tạo tập huấn luyện
• 3.5. Xây dựng mô hình
• 3.5.1. Mô hình tự hồi quy
• 3.5.2. Mô hình ARIMA
• 3.5.3. Mô hình Holt-Winters
• 3.5.4. Mô hình Mạng nhân tạo. Xây dựng thí nghiệm và đánh giá mô hình
• 3.5.4.1. Xây dựng thí nghiệm
• 3.5.4.2. Đánh giá mô hình
• 3.5.5. Tối ưu và mở rộng mô hình
• 3.5.5.1. Xác định các thông số tối ưu
• 3.5.5.2. Mở rộng mô hình với tập đầu vào là dữ liệu thô
• 3.5.5.3. Mở rộng mô hình với tập đầu vào là dữ liệu trạm lân cận
• 4. CHƯƠNG 4: KẾT QUẢ VÀ THẢO LUẬN
• 4.1. Đánh giá dữ liệu
• 4.2. Xây dựng và đánh giá mô hình
• 4.2.1. Xác định các thông số tối ưu
• 4.2.2. Mở rộng với tập đầu vào là dữ liệu thô
• 4.2.3. Mở rộng với tập đầu vào là dữ liệu trạm lân cận
• 4.3. Thảo luận chung
• 5. CHƯƠNG 5: TỔNG KẾT
• 5.1. Đánh giá kết quả đạt được
• 5.2. Hướng phát triển tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu đề tài

Ô nhiễm không khí đang trở thành một vấn đề nghiêm trọng không chỉ ở Việt Nam mà còn trên toàn cầu. Theo dữ liệu từ Tổ chức Y tế Thế giới (WHO), khoảng 9 trong 10 người hít phải không khí ô nhiễm. Việc phát triển đô thị và công nghiệp hóa đã dẫn đến sự gia tăng ô nhiễm không khí, đặc biệt từ các phương tiện giao thông sử dụng nhiên liệu hóa thạch. Các chất ô nhiễm như SO2, NO2, CO và PM2.5 có thể gây ra các vấn đề sức khỏe nghiêm trọng. Tại Việt Nam, ô nhiễm không khí đang gia tăng, đặc biệt ở các thành phố lớn như Hà Nội và Thành phố Hồ Chí Minh. Việc thiếu thông tin về chất lượng không khí đã tạo ra nhu cầu cấp thiết về các mô hình dự báo chất lượng không khí nhằm cung cấp thông tin kịp thời cho người dân.

1.1. Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu này là xây dựng mô hình dự báo chất lượng không khí, sử dụng các phương pháp toán học truyền thống và các mô hình mạng nơ ron nhân tạo. Nghiên cứu sẽ đánh giá khả năng dự báo của các mô hình này và lựa chọn mô hình phù hợp nhất để dự báo chất lượng không khí trong tương lai. Dữ liệu sẽ được thu thập từ các trạm quan trắc và xử lý để đảm bảo độ chính xác trong dự báo.

1.2. Ý nghĩa thực tiễn

Nghiên cứu này không chỉ cung cấp thông tin về chất lượng không khí hiện tại mà còn tạo ra một nền tảng cho các nghiên cứu tiếp theo trong lĩnh vực môi trường. Các mô hình dự báo sẽ giúp các nhà quản lý có cái nhìn rõ hơn về tình trạng ô nhiễm không khí và đưa ra các biện pháp khắc phục kịp thời nhằm bảo vệ sức khỏe cộng đồng.

II. Cơ sở lý thuyết

Cơ sở lý thuyết của nghiên cứu tập trung vào các chỉ tiêu chất lượng không khí và phương thức tính toán. Tại Việt Nam, các thông số như SO2, CO, NO2, O3, PM10 và PM2.5 được quy định trong quy chuẩn quốc gia. Mỗi thông số này đều có mức giới hạn và ảnh hưởng khác nhau đến sức khỏe con người. Đặc biệt, bụi PM2.5 có thể gây ra các bệnh lý nghiêm trọng do khả năng thẩm thấu vào hệ hô hấp. Việc hiểu rõ các chỉ tiêu này là rất quan trọng để xây dựng các mô hình dự báo chính xác.

2.1. Các chỉ tiêu chất lượng không khí

Các chỉ tiêu chất lượng không khí được quy định trong QCVN 05:2013/BTNMT bao gồm các thông số như SO2, CO, NO2, O3, PM10 và PM2.5. Mỗi thông số có mức giới hạn khác nhau và ảnh hưởng đến sức khỏe con người. Ví dụ, nồng độ PM2.5 cao có thể dẫn đến các vấn đề về hô hấp và tim mạch. Do đó, việc theo dõi và dự báo các thông số này là rất cần thiết.

2.2. Phương pháp dự báo

Nghiên cứu này sử dụng các phương pháp dự báo truyền thống như mô hình tự hồi quy và ARIMA, cũng như các mô hình học máy như mạng nơ ron nhân tạo (ANN), mạng nơ ron hồi quy (RNN) và mạng LSTM. Các mô hình này sẽ được xây dựng và đánh giá dựa trên dữ liệu thu thập từ các trạm quan trắc, nhằm xác định mô hình nào cho kết quả dự báo chính xác nhất.

III. Mô hình dự báo chất lượng không khí

Nghiên cứu đã xây dựng và thử nghiệm nhiều mô hình dự báo khác nhau. Các mô hình truyền thống như tự hồi quy và ARIMA đã được so sánh với các mô hình học máy hiện đại. Kết quả cho thấy các mô hình mạng nơ ron có khả năng dự báo tốt hơn với sai số thấp hơn. Đặc biệt, mô hình LSTM đã cho thấy khả năng xử lý dữ liệu chuỗi thời gian hiệu quả, giúp cải thiện độ chính xác của dự báo chất lượng không khí.

3.1. Xây dựng mô hình

Quá trình xây dựng mô hình bắt đầu bằng việc thu thập và xử lý dữ liệu từ các trạm quan trắc. Sau đó, các mô hình được thiết kế và tối ưu hóa các tham số để đạt được hiệu suất tốt nhất. Mô hình tự hồi quy và ARIMA được thử nghiệm trước, sau đó là các mô hình học máy như ANN, RNN và LSTM.

3.2. Đánh giá mô hình

Đánh giá mô hình dự báo được thực hiện thông qua các chỉ số sai số như MAE (Mean Absolute Error) và RMSE (Root Mean Square Error). Kết quả cho thấy mô hình LSTM có hiệu suất tốt nhất, cho phép dự báo chính xác chỉ số chất lượng không khí trong tương lai. Điều này chứng tỏ rằng việc áp dụng công nghệ học máy trong dự báo chất lượng không khí là một hướng đi đúng đắn.

IV. Kết quả và thảo luận

Kết quả nghiên cứu chỉ ra rằng các mô hình học máy, đặc biệt là mạng nơ ron nhân tạo, có khả năng dự báo chất lượng không khí tốt hơn so với các mô hình truyền thống. Điều này không chỉ giúp nâng cao độ chính xác trong dự báo mà còn cung cấp thông tin kịp thời cho người dân và các nhà quản lý. Việc cải tiến mô hình và mở rộng dữ liệu đầu vào sẽ giúp nâng cao hơn nữa khả năng dự báo chất lượng không khí.

4.1. Đánh giá kết quả

Kết quả thử nghiệm cho thấy mô hình LSTM cho sai số thấp nhất, cho phép dự báo chính xác các chỉ số chất lượng không khí. Các mô hình truyền thống như ARIMA và Holt-Winters tuy có hiệu quả nhưng không thể so sánh với hiệu suất của các mô hình học máy. Điều này cho thấy sự cần thiết phải áp dụng công nghệ mới trong lĩnh vực dự báo chất lượng không khí.

4.2. Thảo luận

Việc áp dụng các mô hình học máy không chỉ giúp cải thiện độ chính xác trong dự báo mà còn mở ra hướng đi mới cho các nghiên cứu trong tương lai. Các mô hình này có thể được cải tiến và áp dụng cho nhiều loại dữ liệu khác nhau, từ đó nâng cao khả năng dự báo chất lượng không khí tại các khu vực khác nhau.

V. Tổng kết

Nghiên cứu đã thành công trong việc xây dựng mô hình dự báo chất lượng không khí, cung cấp thông tin quan trọng cho người dân và các nhà quản lý. Các mô hình học máy đã chứng minh được hiệu quả trong việc dự báo chính xác các chỉ số chất lượng không khí. Hướng phát triển tương lai có thể bao gồm việc mở rộng dữ liệu đầu vào và cải tiến các mô hình hiện có để đáp ứng nhu cầu thực tiễn.

5.1. Đánh giá kết quả đạt được

Kết quả nghiên cứu cho thấy việc áp dụng công nghệ học máy trong dự báo chất lượng không khí là một bước tiến lớn. Các mô hình đã được xây dựng cho thấy khả năng dự báo chính xác, giúp cung cấp thông tin kịp thời cho người dân và các nhà quản lý.

5.2. Hướng phát triển tương lai

Trong tương lai, nghiên cứu có thể được mở rộng để áp dụng cho nhiều khu vực khác nhau và sử dụng các loại dữ liệu đa dạng hơn. Việc cải tiến mô hình và áp dụng công nghệ mới sẽ giúp nâng cao khả năng dự báo chất lượng không khí, từ đó bảo vệ sức khỏe cộng đồng.

Nội dung chính

Tổng quan nghiên cứu

Ô nhiễm không khí là một trong những vấn đề môi trường nghiêm trọng toàn cầu, ảnh hưởng trực tiếp đến sức khỏe con người và chất lượng cuộc sống. Theo dữ liệu của Tổ chức Y tế Thế giới (WHO), khoảng 90% dân số thế giới đang hít phải không khí bị ô nhiễm nặng, với gần bảy triệu người tử vong mỗi năm do các bệnh liên quan đến ô nhiễm không khí. Tại Việt Nam, đặc biệt ở các đô thị lớn như Hà Nội và Thành phố Hồ Chí Minh, tình trạng ô nhiễm không khí ngày càng gia tăng do mật độ phương tiện giao thông cao và các hoạt động công nghiệp phát triển. Tính đến đầu năm 2020, cả nước có khoảng 45 triệu xe máy và gần 4 triệu ô tô đang lưu hành, trong đó Hà Nội và TP. Hồ Chí Minh lần lượt có 6 triệu và 8 triệu xe máy. Nồng độ bụi mịn PM2.5 tại nhiều khu vực đô thị thường xuyên vượt ngưỡng an toàn, gây ra các bệnh về hô hấp và tim mạch.

Trước thực trạng này, việc dự báo chất lượng không khí trong tương lai gần trở nên cấp thiết nhằm hỗ trợ người dân và các nhà quản lý chủ động trong việc phòng tránh và điều chỉnh các hoạt động. Mục tiêu nghiên cứu của luận văn là xây dựng và đánh giá các mô hình dự báo chất lượng không khí sử dụng dữ liệu thực tế thu thập tại Hà Nội trong khoảng thời gian từ 19/11/2021 đến 19/12/2021. Luận văn tập trung vào chỉ số chất lượng không khí theo giờ (main AQI) theo quy chuẩn Việt Nam, đồng thời so sánh hiệu quả giữa các mô hình truyền thống (tự hồi quy, ARIMA, Holt-Winters) và các mô hình mạng nơ ron nhân tạo (ANN, RNN, LSTM). Kết quả nghiên cứu không chỉ góp phần nâng cao độ chính xác dự báo mà còn cung cấp cơ sở khoa học cho các chính sách quản lý môi trường và bảo vệ sức khỏe cộng đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Chỉ số chất lượng không khí (AQI): Được tính toán dựa trên các thông số ô nhiễm như SO2, CO, NO2, O3, PM10, PM2.5 theo quy chuẩn quốc gia Việt Nam (QCVN 05:2013/BTNMT). AQI phản ánh mức độ ô nhiễm và ảnh hưởng đến sức khỏe con người, được phân loại thành các mức từ "Tốt" đến "Nguy hại" với các ngưỡng cụ thể.

• Chuỗi thời gian và tính chất: Dữ liệu AQI theo giờ được xem là chuỗi thời gian có tính xu hướng và chu kỳ. Việc xác định tính dừng, tự tương quan và nhiễu trắng là cơ sở để lựa chọn mô hình dự báo phù hợp.

• Mô hình thống kê truyền thống:

  • Mô hình tự hồi quy (AR): Dự báo giá trị hiện tại dựa trên các giá trị quá khứ.
  • Mô hình ARIMA: Kết hợp tự hồi quy, lấy sai phân và trung bình trượt để xử lý chuỗi không dừng.
  • Mô hình Holt-Winters: Làm mượt dữ liệu có xu hướng và chu kỳ bằng cách sử dụng các hệ số α, β, γ.

• Mạng nơ ron nhân tạo (ANN): Mô hình học máy lấy cảm hứng từ mạng thần kinh sinh học, gồm các lớp perceptron với hàm kích hoạt phi tuyến như ReLU, sigmoid.

• Mạng nơ ron hồi quy (RNN) và LSTM: Mạng có khả năng ghi nhớ thông tin chuỗi thời gian dài, khắc phục hạn chế của ANN truyền thống trong xử lý dữ liệu tuần tự.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu được thu thập từ hệ thống AirNet tại Hà Nội, gồm 5 trạm quan trắc chính (s1037, s1046, s1081, s1090, s1091) trong khoảng thời gian 19/11/2021 đến 19/12/2021, với mật độ một giờ một bản ghi. Tổng số bản ghi tối đa là 720 cho mỗi trạm.

• Tiền xử lý dữ liệu: Loại bỏ dữ liệu trùng lặp, xử lý dữ liệu thiếu bằng nội suy tuyến tính, kiểm định chuỗi nhiễu trắng và bước ngẫu nhiên để đảm bảo tính hợp lệ của chuỗi thời gian.

• Phân chia dữ liệu: Tập dữ liệu được chia thành 75% dùng để huấn luyện và 25% để kiểm tra mô hình. Dữ liệu cho mạng nơ ron được tạo thành các tập con đầu vào (trainX/testX) và đầu ra (trainY/testY) với kỹ thuật cửa sổ trượt.

• Xây dựng mô hình: Triển khai các mô hình AR, ARIMA, Holt-Winters, ANN, RNN và LSTM với các tham số tối ưu. Mạng nơ ron sử dụng hàm mất mát MSE, hàm kích hoạt ReLU và thuật toán tối ưu Adam.

• Đánh giá mô hình: Sử dụng các chỉ số RMSE (thô, 50%, điều chỉnh) và MAE tương ứng để so sánh độ chính xác dự báo. Thí nghiệm được thực hiện với các kịch bản dự báo 12, 24 và 48 giờ tiếp theo.

• Mở rộng mô hình: Thử nghiệm sử dụng dữ liệu thô (CO, PM10, PM2.5) làm đầu vào dự báo AQI và dự báo chéo giữa các trạm lân cận dựa trên ma trận khoảng cách địa lý.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình mạng nơ ron nhân tạo vượt trội: Các mô hình ANN, RNN và LSTM cho sai số dự báo thấp hơn đáng kể so với các mô hình truyền thống. Ví dụ, trong thí nghiệm dự báo 12 giờ tiếp theo, RMSE của LSTM thấp hơn khoảng 15-20% so với ARIMA và Holt-Winters.

2. Mô hình LSTM có khả năng ghi nhớ dài hạn tốt nhất: LSTM duy trì độ chính xác cao hơn khi dự báo xa hơn (24 và 48 giờ), trong khi các mô hình khác có xu hướng sai số tăng nhanh theo thời gian dự báo.

3. Dữ liệu thô CO, PM10, PM2.5 có thể cải thiện dự báo AQI: Khi sử dụng tổ hợp các thông số này làm đầu vào, mô hình ANN và LSTM cho kết quả dự báo AQI chính xác hơn so với chỉ dùng AQI lịch sử, giảm sai số RMSE khoảng 10%.

4. Dự báo chéo giữa các trạm lân cận khả thi nhưng giảm độ chính xác theo khoảng cách: Dự báo AQI tại trạm s1037, s1081 và s1090 dựa trên dữ liệu trạm s1046 cho kết quả tốt nhất với trạm gần nhất (khoảng cách 2-4 km), sai số tăng lên khi khoảng cách lớn hơn 10 km.

Thảo luận kết quả

Nguyên nhân chính khiến các mô hình mạng nơ ron nhân tạo vượt trội là khả năng học được các đặc trưng phi tuyến và phụ thuộc dài hạn trong chuỗi thời gian AQI, điều mà các mô hình thống kê truyền thống khó nắm bắt. Đặc biệt, LSTM với cấu trúc bộ nhớ dài-ngắn hạn giúp duy trì thông tin quan trọng qua nhiều bước thời gian, phù hợp với tính chất chuỗi thời gian có chu kỳ và xu hướng như AQI.

So sánh với các nghiên cứu trước đây, kết quả tương đồng với báo cáo tổng hợp cho thấy mạng nơ ron nhiều lớp truyền thẳng và LSTM là các mô hình phổ biến và hiệu quả trong dự báo chất lượng không khí. Việc sử dụng dữ liệu thô đa chiều (CO, PM10, PM2.5) làm đầu vào cũng phù hợp với xu hướng ứng dụng học máy đa biến nhằm nâng cao độ chính xác dự báo.

Kết quả dự báo chéo giữa các trạm cho thấy tính không gian của ô nhiễm không khí có ảnh hưởng rõ rệt, tuy nhiên độ chính xác giảm dần theo khoảng cách địa lý. Điều này gợi ý cần kết hợp dữ liệu từ nhiều trạm để xây dựng mô hình dự báo khu vực tổng thể.

Dữ liệu và kết quả có thể được trình bày qua các biểu đồ so sánh RMSE, MAE giữa các mô hình theo từng kịch bản dự báo, cũng như biểu đồ chuỗi thời gian dự báo và thực tế để minh họa độ chính xác.

Đề xuất và khuyến nghị

1. Triển khai mô hình LSTM trong hệ thống dự báo chất lượng không khí đô thị: Tập trung phát triển hệ thống dự báo theo giờ sử dụng mô hình LSTM với dữ liệu đa chiều (AQI, CO, PM10, PM2.5) nhằm nâng cao độ chính xác và khả năng dự báo xa. Thời gian thực hiện: 6-12 tháng; chủ thể: các trung tâm quan trắc môi trường và viện nghiên cứu.

2. Mở rộng mạng lưới quan trắc và tích hợp dữ liệu đa trạm: Tăng cường số lượng trạm quan trắc, đặc biệt tại các khu vực có mật độ dân cư cao, để thu thập dữ liệu đa dạng phục vụ mô hình dự báo khu vực. Thời gian: 1-2 năm; chủ thể: Bộ Tài nguyên và Môi trường, chính quyền địa phương.

3. Phát triển giao diện cảnh báo và ứng dụng di động cho người dân: Cung cấp thông tin dự báo chất lượng không khí theo thời gian thực và dự báo trong ngày giúp người dân chủ động điều chỉnh hoạt động ngoài trời, đặc biệt nhóm nhạy cảm. Thời gian: 6 tháng; chủ thể: các công ty công nghệ, tổ chức phi chính phủ.

4. Nghiên cứu kết hợp mô hình học máy với mô hình khuếch tán vật chất: Kết hợp dữ liệu dự báo từ mô hình động lực học khí quyển với mô hình học máy để cải thiện độ chính xác và khả năng dự báo đa chiều. Thời gian: 1-2 năm; chủ thể: viện nghiên cứu môi trường, trường đại học.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý môi trường và chính sách công: Sử dụng kết quả nghiên cứu để xây dựng các chính sách kiểm soát ô nhiễm không khí, quy hoạch đô thị và giao thông nhằm giảm thiểu tác động đến sức khỏe cộng đồng.

2. Các nhà nghiên cứu và học giả trong lĩnh vực môi trường và khoa học máy tính: Tham khảo phương pháp luận, mô hình dự báo và kết quả thực nghiệm để phát triển các nghiên cứu tiếp theo về dự báo chất lượng không khí và ứng dụng học máy.

3. Các đơn vị vận hành hệ thống quan trắc môi trường: Áp dụng mô hình dự báo để nâng cao hiệu quả giám sát, cảnh báo sớm và quản lý chất lượng không khí tại các khu vực đô thị.

4. Cộng đồng người dân và nhóm nhạy cảm về sức khỏe: Nhận thông tin dự báo chất lượng không khí để chủ động điều chỉnh hoạt động ngoài trời, bảo vệ sức khỏe, đặc biệt trong các đợt ô nhiễm cao.

Câu hỏi thường gặp

1. Mô hình nào cho kết quả dự báo chất lượng không khí chính xác nhất?
   Mô hình mạng nơ ron LSTM cho kết quả dự báo chính xác nhất, đặc biệt khi dự báo dài hạn 24-48 giờ, nhờ khả năng ghi nhớ thông tin chuỗi thời gian dài và xử lý phi tuyến hiệu quả.

2. Dữ liệu đầu vào nào quan trọng nhất để dự báo AQI?
   Ngoài chỉ số AQI lịch sử, các thông số thô như CO, PM10 và PM2.5 cũng rất quan trọng, giúp mô hình học máy dự báo chính xác hơn khi kết hợp đa chiều dữ liệu.

3. Có thể sử dụng dữ liệu từ trạm quan trắc khác để dự báo cho khu vực lân cận không?
   Có thể, nhưng độ chính xác giảm dần theo khoảng cách địa lý. Dự báo chéo hiệu quả nhất khi các trạm gần nhau trong phạm vi vài km.

4. Tại sao mô hình ARIMA không hiệu quả bằng mạng nơ ron nhân tạo?
   ARIMA là mô hình tuyến tính, khó xử lý các đặc trưng phi tuyến và phụ thuộc dài hạn trong chuỗi thời gian, trong khi mạng nơ ron nhân tạo có khả năng học các mối quan hệ phức tạp hơn.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tiễn?
   Có thể triển khai hệ thống dự báo tự động sử dụng mô hình LSTM, tích hợp dữ liệu từ các trạm quan trắc, và cung cấp cảnh báo cho người dân qua ứng dụng di động hoặc website.

Kết luận

• Luận văn đã xây dựng và đánh giá thành công các mô hình dự báo chất lượng không khí tại Hà Nội, trong đó mô hình mạng nơ ron LSTM cho hiệu quả vượt trội so với các mô hình truyền thống.
• Việc sử dụng dữ liệu đa chiều (CO, PM10, PM2.5) làm đầu vào giúp nâng cao độ chính xác dự báo AQI.
• Dự báo chéo giữa các trạm lân cận khả thi nhưng cần cân nhắc khoảng cách địa lý để đảm bảo độ tin cậy.
• Kết quả nghiên cứu cung cấp cơ sở khoa học cho việc phát triển hệ thống dự báo chất lượng không khí phục vụ quản lý môi trường và bảo vệ sức khỏe cộng đồng.
• Các bước tiếp theo bao gồm mở rộng mạng lưới quan trắc, phát triển hệ thống dự báo thời gian thực và tích hợp mô hình học máy với mô hình khuếch tán vật chất.

Hành động ngay hôm nay để ứng dụng mô hình dự báo chất lượng không khí, góp phần xây dựng môi trường sống trong lành và bền vững!

Trích đoạn nội dung tài liệu

Đặt vấn đề Ô nhiễm không khí hiện nay không chỉ là vấn đề của một quốc gia riêng lẻ mà là vấn đề đáng báo động toàn cầu. Dữ liệu của Tổ chức Y tế thế giới (WHO – World Health Organization) cho thấy cứ mỗi 10 ngƣời thì có 9 ngƣời đang hít phải không khí bị ô nhiễm nặng. Theo ƣớc tính, mỗi năm ô nhiễm không khí lấy đi tính mạng của gần bảy triệu ngƣời. Các chất ô nhiễm trong không khí có thể xâm nhập sâu vào phổi, hệ thống tim mạch và gây ra nhiều căn bệnh từ nhẹ nhƣ ho, kích ứng hô hấp đến những căn bệnh thậm chí rất nặng nhƣ đột quỵ, ung thƣ phổi [1].

Quá trình phát triển đô thị và công nghiệp hóa ở các quốc gia đều kéo theo các vấn đề về ô nhiễm môi trƣờng, trong đó có ô nhiễm không khí. Theo kết quả báo cáo năm 2019 của Cơ quan năng lƣợng quốc tế (IEA - International Energy Agency), lƣợng khí CO2 phát thải từ các hoạt động sản xuất công nghiệp và hoạt động giao thông vận tải chiếm lần lƣợt 39.0% tổng lƣợng khí CO2 phát thải toàn cầu [2]. Các phƣơng tiện giao thông cơ giới sử dụng nhiên liệu hóa thạch nhƣ xăng, dầu diesel sản sinh nhiều loại khí thải SO2, NO2, CO, PM10/PM2.5 trong quá trình đốt nhiên liệu, thậm chí rò rỉ nhiên liệu trong khi vận hành gây phát sinh Benzen, Toluen và các hợp chất dễ bay hơi khác nhƣ ethylbenzene, xylenes. Tại Việt Nam, ô nhiễm không khí tại các đô thị lớn ngày càng gia tăng do chịu nhiều ảnh hƣởng từ các hoạt động giao thông vận tải cũng nhƣ các hoạt động phát triển kinh tế xã hội.

Khí thải từ các phƣơng tiện giao thông đƣờng bộ nhƣ xe ô tô và xe gắn máy luôn chiếm tỷ trọng lớn trong tổng lƣợng khí thải gây ô nhiễm. Tính đến đầu năm 2020, toàn quốc có khoảng 45 triệu xe máy và gần 4 triệu xe ô tô đang lƣu hành. Trong đó, Hà Nội có 6 triệu xe máy, thành phố Hồ Chí Minh có 8 triệu xe máy [4]. Trong số các phƣơng tiện giao thông đang lƣu hành, nhiều phƣơng tiện đã cũ, quá hạn sử dụng và không đƣợc bảo dƣỡng định kỳ nên hiệu suất đốt cháy nhiên liệu thấp gây phát thải các chất ô nhiễm không khí ngày càng nhiều.

Trong khoảng thời gian thực hiện cách ly xã hội để phòng dịch bệnh COVID-19, giá trị các thông số PM2.5 và CO giảm rõ rệt so với khoảng thời gian cùng kỳ các năm trƣớc càng cho thấy sự ảnh hƣởng của các nguồn phát thải từ giao thông có ảnh hƣởng lớn đến chất lƣợng chung của khu vực [4]. Theo thống kê của Bộ Tài nguyên và Môi trƣờng Việt Nam, giai đoạn từ năm 2018 đến năm 2019 nhìn chung có nồng độ bụi PM2.5 cao hơn so với giai đoạn từ 2010-2017. Chỉ số chất lƣợng không khí tại hai thành phố lớn nhất cả nƣớc là Hà Nội và Thành phố Hồ Chí Minh có nhiều địa điểm nằm ở mức xấu, với chỉ số AQI nằm trong khoảng 150- 200, thậm chí đôi lúc cao hơn 200 (mức rất xấu) [4]. Các hạt bụi mịn kích thƣớc nhỏ nhƣ 9 PM2.5 lơ lửng trong không khí nếu thẩm thấu vào đƣờng hô hấp sẽ gây ảnh hƣởng xấu đến sức khỏe con ngƣời [5].

Trong một nghiên cứu kết hợp giữa Viện Phân tích Hệ thống Ứng dụng Quốc tế (Cộng hòa Áo) và Viện Hàn lâm Khoa học và Công nghệ (Việt Nam) về quản lý chất lƣợng không khí tại miền Bắc Việt Nam (năm 2015) cho thấy: giao thông đƣờng bộ là nguồn phát thải PM2.5 lớn tại khu vực Hà Nội khi đóng góp đến gần 25% lƣợng khí ô nhiễm.5 cao nhất (lên đến 55 μg/m3) tập trung tại khu vực đô thị Hà Nội và giảm dần ở các khu vực lân cận. Nghiên cứu trên cũng cho thấy có đến 20 triệu ngƣời tiếp xúc với nồng độ PM2.5 cao hơn tiêu chuẩn ban hành, đặc biệt là ở thành phố Hà Nội, tỉnh Bắc Ninh và tỉnh Hƣng Yên (Hình 1.1 Phân bố dân cƣ tiếp xúc với PM2.5 khu vực miền Bắc Việt Nam (2015) Trƣớc thực trạng chất lƣợng không khí luôn ở ngƣỡng đáng lo ngại, nhu cầu thông tin về chỉ tiêu chất lƣợng không khí luôn là vấn đề đáng quan tâm với ngƣời dân, đặc biệt với những ngƣời có thể trạng yếu. Nắm bắt đƣợc thông tin chất lƣợng không khí sẽ giúp chủ động hơn cho các hoạt động ngoài trời và các sinh hoạt nói chung khác. Các nguồn thông tin chất lƣợng không khí hiện nay đang ở mức ghi nhận kết quả hiện tại.

Để giúp chủ động hơn nữa trong việc lên kế hoạch cho các hoạt động và sinh hoạt hằng ngày, thông tin dự báo chất lƣợng không khí cho tƣơng lai là rất cần thiết. Trƣớc nhu cầu cấp thiết nhƣ trên, đề tài “Xây dựng mô hình dự báo chất lƣợng không khí” đƣợc tiến hành, với mục đích bƣớc đầu xây dựng mô hình đánh giá chất lƣợng không khí ở mức chấp nhận đƣợc, tiến tới xây dựng hệ thống dự báo thông tin chất lƣợng không khí hoàn chỉnh trong tƣơng lai. Mục tiêu, đối tƣợng và phạm vi nghiên cứu 1. Mục tiêu nghiên cứu Mục tiêu nghiên cứu của đề tài là tìm hiểu về bài toán dự báo chất lƣợng không khí, xây dựng và đánh giá khả năng dự báo chất lƣợng không khí sử dụng các mô hình toán học truyền thống cũng nhƣ các mô hình dự báo sử dụng mạng nơ ron nhân tạo.

Từ đó chọn lựa mô hình phù hợp để dự báo chất lƣợng không khí trong tƣơng lai gần. Ngoài ra, nghiên cứu cũng thực hiện cải tiến mô hình hiện có để có thể sử dụng nhiều loại dữ liệu đầu vào khác nhau phục vụ cho nhu cầu dự báo chất lƣợng không khí. Để đạt đƣợc mục tiêu trên, luận văn thu thập dữ liệu từ nguồn thông tin khách quan, tiến hành các bƣớc làm sạch dữ liệu (loại bỏ dữ liệu dƣ thừa, xử lý dữ liệu thiếu .) và thực hiện các kiểm định cần thiết. Các mô hình dự đoán khác nhau đƣợc tìm hiểu và đề xuất bao gồm mô hình tự hồi quy, ARIMA, Holt-Winters cùng nhiều mô hình học máy khác nhau (mạng nhân tạo nhiều lớp ANN, mạng hồi quy RNN và mạng LSTM).

Từ đó đề xuất mô hình phù hợp nhất trong dự báo chất lƣợng không khí. Đối tƣợng và phạm vi nghiên cứu Chỉ số AQI chính theo giờ (main AQI) là đối tƣợng đƣợc tập trung khảo sát trong luận văn này. Đây là chỉ số cơ bản và chủ yếu của toàn bộ các đánh giá chất lƣợng không khí tại Việt Nam và tại nhiều quốc gia khác. Chỉ số này có cách tính toán khác biệt tùy thuộc vào quy chuẩn của từng quốc gia, nên để phù hợp với thực tiễn đề tài, toàn bộ các chỉ số AQI xem xét trong luận văn đều sử dụng chung theo quy chuẩn của Việt Nam (theo quyết định 1459/QĐ-TCMT).

Nghiên cứu đƣợc thực hiện với tập dữ liệu đầu vào thu thập tại các trạm quan trắc có phân bố vị trí địa lý tại khu vực Hà Nội, trong khoảng thời gian khảo sát từ ngày 19/11/2021 đến ngày 19/12/2021. Đây là một trong hai thành phố có mật độ dân số cao nhất cả nƣớc với lƣu lƣợng xe cộ dày đặc, thích hợp cho việc đánh giá các mô hình chất lƣợng không khí thuộc khu vực đô thị. Ý nghĩa thực tiễn của đề tài Trong quá trình thực hiện nghiên cứu, đề tài sẽ thu thập và tổng hợp một bộ dữ liệu về nồng độ chất gây ô nhiễm tại địa phƣơng. Đây là nguồn tham khảo hữu ích cho các nghiên cứu sau này trong lĩnh vực môi trƣờng cũng nhƣ các đề tài xây dựng mô hình toán học khác.

11 Với nguồn dữ liệu đầu vào thu thập từ thực tiễn và đáng tin cậy, các mô hình có đƣợc từ đề tài sẽ cho kết quả khách quan và góp phần hỗ trợ cho các công tác quản lý môi trƣờng tại khu vực nghiên cứu, cung cấp phƣơng pháp tính toán chỉ số chất lƣợng không khí có độ chính xác tốt, góp phần hỗ trợ việc đánh giá chất lƣợng không khí cho hiện tại và tƣơng lai gần. Góp phần cung cấp thêm thông tin về hiện trạng chất lƣợng không khí tại Việt Nam, phục vụ cho các nhà quản lý đƣa ra các định hƣớng hạn chế tác động của ô nhiễm không khí đến sức khỏe con ngƣời 1. Cấu trúc luận văn Cấu trúc luận văn đƣợc chia thành 5 chƣơng, bao gồm: Chƣơng Nội dung 1 Giới thiệu tổng quan về đề tài, mục tiêu và phạm vi nghiên cứu 2 Cơ sở lý luận 3 Lƣợc đồ nghiên cứu, phƣơng pháp thực hiện và xây dựng mô hình 4 Kết quả, nhận xét kết quả trên tập huấn luyện – tập kiểm tra và kết luận 5 Đánh giá kết quả đạt đƣợc và hƣớng phát triển tƣơng lai 12 CHƢƠNG 2 - CƠ SỞ LÝ THUYẾT 2. Các chỉ tiêu chất lƣợng không khí và phƣơng thức tính 2.

Các chỉ tiêu chất lƣợng không khí Tại Việt Nam, căn cứ vào quy chuẩn quốc gia hiện đang có hiệu lực (QCVN 05:2013/BTNMT) [7], các thông số đƣợc quy định để đánh giá chất lƣợng không khí xung quanh bao gồm:  Sulfur dioxide (SO2),  Carbon monoxide (CO),  Nitrogen dioxide (NO2),  Ozone (O3),  Tổng bụi lơ lửng (TSP - total suspended particulates - tổng các hạt bụi có đƣờng kính khí động học nhỏ hơn hoặc bằng 100 μm),  Bụi PM10 (particulate matter – tổng các hạt bụi lơ lửng có đƣờng kính khí động học nhỏ hơn hoặc bằng 10 μm),  Bụi PM2,5 (tổng các hạt bụi lơ lửng có đƣờng kính khí động học nhỏ hơn hoặc bằng 2,5 μm),  Chì (Pb) – Không dùng để tính AQI trong 1459/QĐ-TCMT Bảng 2.1 Giá trị giới hạn các thông số cơ bản trong không khí (μg/m3) STT Thông số Trung Trung Trung Trung bình 1 giờ bình 8 giờ bình 24 giờ bình năm 1 SO2 350 - 125 50 2 CO 30 000 10 000 - - 3 NO2 200 - 100 40 4 O3 200 120 - - 5 Tổng bụi lơ 300 - 200 100 lửng (TSP) 6 Bụi PM10 - - 150 50 7 Bụi PM2,5 - - 50 25 8 Pb - - 1,5 0,5 Dấu (-): Không quy định. Trung bình x giờ: giá trị trung bình của các giá trị đo đƣợc trong khoảng thời gian x giờ liên tục. 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, ngƣời già và trẻ nhỏ có nguy cơ bị tổn thƣơng cao hơn khi tiếp xúc với loại khí này.