Tổng quan về luận án

Ô nhiễm không khí đô thị tại các quốc gia đang phát triển là một thách thức môi trường và y tế công cộng cấp bách. Báo cáo của Tổ chức Y tế Thế giới (WHO, 2012) chỉ ra rằng ô nhiễm không khí là nguyên nhân dẫn đến gần 7 triệu ca tử vong trên toàn cầu, chiếm khoảng 10% tổng số ca tử vong do mọi nguyên nhân, trong đó ung thư phổi chiếm 9%, bệnh phổi tắc nghẽn mạn tính chiếm 17%, và các bệnh lý tim mạch, đột quỵ chiếm 30%. Tại Việt Nam, nghiên cứu dịch tễ học của Nguyen Thi Trang Nhung và cộng sự (2018) trên 75.000 bệnh nhi tại Hà Nội giai đoạn 2004–2016 ghi nhận có tới 2.462/3.351 ngày (chiếm 73,5% thời gian nghiên cứu) nồng độ bụi PM10 vượt ngưỡng khuyến cáo của WHO; sự gia tăng khoảng phân vị (IQR) của nồng độ O3 (tăng 86 $\mu g/m^3$) làm giảm 5% tỷ lệ xuất viện của trẻ mắc bệnh hô hấp. Tương tự, nghiên cứu của Phung Dung và cộng sự (2007) tại TP. Hồ Chí Minh xác nhận khi nồng độ PM10, NO2 và SO2 tăng mỗi 10 $\mu g/m^3$, số ca nhập viện do bệnh hô hấp tăng tương ứng 0,7%, 8% và 2%.

Trước thực trạng đó, công tác dự báo chất lượng không khí (CLKK) theo thời gian thực (Real-time Air Quality Forecast - RT-AQF) giữ vai trò then chốt trong việc cảnh báo sớm và hoạch định chính sách kiểm soát phát thải. Tuy nhiên, một khoảng trống nghiên cứu (research gap) lớn tồn tại: các mô hình số trị truyền thống (Numerical Weather Prediction - NWP kết hợp Chemical Transport Model - CTM) đòi hỏi nguồn tài nguyên tính toán khổng lồ, dữ liệu kiểm kê phát thải chi tiết và khó nắm bắt trọn vẹn các tương tác hóa lý phi tuyến phức tạp ở quy mô vi khí hậu đô thị; trong khi các nghiên cứu dự báo thống kê ứng dụng trí tuệ nhân tạo (AI) tại Việt Nam còn rời rạc, thiếu quy trình tiền xử lý chuỗi dữ liệu lớn liên tục nhiều năm và chưa khai thác tối ưu các kiến trúc học sâu (Deep Learning) kết hợp đa tầng.

Luận án tiến sĩ kỹ thuật môi trường của nghiên cứu sinh Mạc Duy Hưng (2021) với tiêu đề "Nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí" (Trường Đại học Bách khoa Hà Nội, dưới sự hướng dẫn khoa học của PGS.TS Nghiêm Trung Dũng và GS.TS Hoàng Xuân Cơ) đã giải quyết triệt để bài toán khoa học này. Luận án đặt ra 3 câu hỏi nghiên cứu cốt lõi:

  • RQ1: Làm thế nào để thiết lập một quy trình tiền xử lý dữ liệu quan trắc tự động liên tục (phát hiện ngoại vi, bổ khuyết dữ liệu mất mát và phân tích hàm phân bố xác suất) đảm bảo tính toàn vẹn thống kê?
  • RQ2: Kiến trúc mạng nơron sâu lai ghép nào có khả năng trích xuất đồng thời đặc trưng không gian vi mô và phụ thuộc thời gian dài hạn để dự báo chính xác nồng độ các chất ô nhiễm dạng bụi (PM10, PM2.5, PM1) và dạng khí (NO, NO2, NOx, CO, SO2, O3)?
  • RQ3: Mức độ tối ưu hóa về độ chính xác và chi phí tài nguyên tính toán của mô hình lai ghép so với các thuật toán học máy cổ điển (MLP, SVM, LSTM độc lập, GRU) là bao nhiêu?

Tương ứng với các câu hỏi là 3 giả thuyết khoa học:

  • H1: Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) kết hợp kỹ thuật lọc phân vị IQR có thể phục hồi dữ liệu chuỗi thời gian CLKK bị khuyết lên đến 50% mà không làm sai lệch hàm phân bố xác suất thực nghiệm.
  • H2: Sự kết hợp giữa Mạng nơron tích chập 1 chiều (1D-CNN) và Mạng bộ nhớ dài - ngắn (LSTM) sẽ tạo ra cơ chế biểu diễn đặc trưng vượt trội, giảm thiểu đáng kể sai số quân phương (RMSE) và sai số tuyệt đối trung bình (MAE).
  • H3: Nồng độ các chất ô nhiễm không khí tại Hà Nội tuân theo các quy luật phân bố xác suất lý thuyết riêng biệt (Weibull, Lognormal, Gamma) tùy thuộc vào cơ chế phát tán và phản ứng quang hóa đặc thù.

Phạm vi nghiên cứu bao quát chuỗi số liệu quan trắc tự động liên tục 9 năm (2010–2018) với hơn 78.888 mốc dữ liệu theo giờ tại Trạm quan trắc số 556 Nguyễn Văn Cừ, Long Biên, Hà Nội (thuộc Trung tâm Quan trắc Môi trường Miền Bắc - CEM). Luận án mang lại bước đột phá thực chứng khi cung cấp hệ thống dự báo nồng độ ô nhiễm trung bình giờ và trung bình ngày với chỉ số tương quan $R^2$ đạt tới 0,849 cho bụi mịn PM2.5 và 0,755 cho khí NO2, định hình chuẩn mực mới cho công tác mô hình hóa môi trường tại Việt Nam.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy lịch sử phát triển của các phương pháp mô hình hóa và dự báo chất lượng không khí trải qua ba giai đoạn tiến hóa chính:

Giai đoạn thứ nhất là các mô hình thực nghiệm và mô hình lan truyền số trị (NWP/CTM) được định hình bởi Rob và George (2005). Các hệ thống như CMAQ hay WRF-Chem dựa trên việc giải hệ phương trình vi phân đạo hàm riêng mô tả quá trình bình lưu, khuếch tán, lắng đọng và chuyển hóa hóa học trong khí quyển. Dù có ưu thế mô phỏng trên diện rộng, phương pháp này gặp rào cản nghiêm trọng về sai số tích lũy từ dữ liệu đầu vào khí tượng và nguồn thải, đồng thời đòi hỏi hệ thống siêu máy tính với chi phí vận hành đắt đỏ.

Giai đoạn thứ hai đánh dấu sự chuyển dịch sang các mô hình thống kê cổ điển và mạng nơron truyền thuận (FFNN). Box và Jenkins (1970) đặt nền móng cho các chuỗi tự hồi quy ARIMA, trong khi Gardner và Dorling (1998) tiên phong áp dụng Mạng nơron đa lớp (MLP) trong dự báo nồng độ O3 và NOx. Tiếp đó, Perez và cộng sự (2000) cùng nhiều tác giả đã thử nghiệm Máy véc tơ hỗ trợ (SVM/SVR) để dự báo PM10. Tuy nhiên, các kỹ thuật máy học truyền thống này bộc lộ hạn chế sâu sắc: MLP dễ rơi vào cực tiểu địa phương và hiện tượng quá khớp (overfitting); SVM khó mở rộng trên tập dữ liệu thời gian lớn; các mô hình này không có khả năng lưu giữ bộ nhớ phụ thuộc thời gian (temporal dependencies) dài hạn của chuỗi nồng độ.

Giai đoạn thứ ba khởi sắc với cuộc cách mạng học sâu (Deep Learning). Hochreiter và Schmidhuber (1997) giải quyết triệt để vấn đề tiêu biến đạo hàm (vanishing gradient) qua cấu trúc bộ nhớ LSTM, mở đường cho việc phân tích chuỗi thời gian phức tạp. Gần đây, Huang và Kuo (2018) cùng Qin và cộng sự (2019) chứng minh rằng việc tích hợp mạng tích chập (CNN) để trích xuất tương quan không gian/biến số kết hợp với LSTM mang lại hiệu suất vượt trội trong dự báo ô nhiễm không khí tại các đô thị Đông Á.

Trong bức tranh tổng thể đó, luận án của NCS. Mạc Duy Hưng định vị chính xác tại điểm giao thoa giữa khoa học môi trường và trí tuệ nhân tạo hiện đại. Luận án giải quyết hai cuộc tranh luận lý thuyết lớn:

  1. Tranh luận về khả năng xử lý tính phi tuyến: Đối lập giữa quan điểm duy lý số trị (cho rằng chỉ có mô phỏng động lực học chất lưu mới phản ánh đúng cơ chế phân tán) và quan điểm quy nạp dữ liệu (chứng minh học sâu có thể xấp xỉ chính xác các tương tác hóa lý ngầm định từ dữ liệu chuỗi thời gian lớn mà không cần giả định biên cứng nhắc).
  2. Tranh luận về tiền xử lý dữ liệu khuyết: Đối lập giữa việc loại bỏ bản ghi khuyết thiếu (làm mất cấu trúc chuỗi thời gian) và phương pháp nội suy trung bình đơn giản (làm suy giảm phương sai thực), luận án định vị việc sử dụng ARIMA để tái thiết lập chuỗi dữ liệu trước khi nạp vào mạng nơron sâu.

So sánh với các nghiên cứu quốc tế điển hình:

  • Nghiên cứu của Papanastasiou và cộng sự tại Athens, Hy Lạp ứng dụng MLP dự báo NO2 chỉ đạt sai số MAE từ 0,81–2,69 $\mu g/m^3$ trong điều kiện khí tượng Địa Trung Hải ít biến động phức tạp.
  • Công trình của Ciulla và cộng sự tại Palermo, Italy sử dụng Elman-ANN đạt sai số RMSE nồng độ NO2 dao động từ 4,5–32,09 $\mu g/m^3$.
  • Mô hình CNN-LSTM trong luận án này tại Hà Nội đạt hệ số tương quan $r = 0,869$ ($R^2 = 0,755$, RMSE = 11,34 $\mu g/m^3$) đối với NO2 và $r = 0,922$ ($R^2 = 0,849$, RMSE = 11,34 $\mu g/m^3$) đối với PM2.5 trên bộ dữ liệu kiểm tra độc lập, tương đương với các kết quả học sâu tiên tiến nhất tại Trung Quốc của Huang và Kuo (2018, $r \approx 0,95$) nhưng vượt trội về độ ổn định khi xử lý dữ liệu nhiệt đới gió mùa có độ ẩm và mật độ sol khí cực cao.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và bổ sung sâu sắc cho Lý thuyết Quá trình Ngẫu nhiên trong Động học Khí quyển và Lý thuyết Biểu diễn Đặc trưng Học sâu (Deep Representation Learning):

  • Mở rộng lý thuyết chuỗi thời gian môi trường: Luận án chứng minh rằng tính chất động học của chất ô nhiễm không khí tại vùng khí hậu nhiệt đới gió mùa chịu sự chi phối của cả quy luật tuần hoàn chu kỳ (mùa, ngày đêm) lẫn các xung đột biến ngẫu nhiên từ nhân tạo. Việc tích hợp cấu trúc giải tích chuỗi thời gian Box-Jenkins vào tiền xử lý đã lượng hóa được ngưỡng mất mát thông tin tối đa mà cấu trúc thống kê của chuỗi nồng độ vẫn được bảo toàn.
  • Thiết lập các mệnh đề lý thuyết (Propositions):
    • Mệnh đề P1: Cơ chế trích xuất không gian cục bộ thông qua các bộ lọc tích chập 1 chiều (1D-CNN) có khả năng giải mã ma trận tương quan chéo giữa các thông số tiền chất hóa học ($NO_x, SO_2, CO$) và các biến khí tượng (nhiệt độ, bức xạ, độ ẩm, áp suất) hiệu quả hơn các hàm nhân RBF trong SVM.
    • Mệnh đề P2: Cấu trúc cổng (gating mechanism) của LSTM kiểm soát tối ưu hiện tượng suy giảm gradient, cho phép mô hình học được mối liên hệ trễ (time-lag) đa quy mô ($t-1$ đến $t-8$ giờ), phản ánh đúng thời gian lưu và tốc độ phản ứng quang hóa tạo sol khí thứ cấp.
    • Mệnh đề P3: Nồng độ các chất ô nhiễm không khí thứ cấp (như $O_3$) và sol khí kích thước nhỏ ($PM_{2.5}, PM_1$) tuân theo hàm phân bố Lognormal với độ tin cậy vượt trội so với phân bố chuẩn Gauss truyền thống ($R^2 > 0,90$).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách khoa học ba trụ cột phương pháp:

  1. Trụ cột 1 - Lọc nhiễu và Ngoại vi thích ứng: Sử dụng kỹ thuật biểu đồ hộp (Boxplot) dựa trên khoảng phân vị $IQR = Q_3 - Q_1$, thiết lập ngưỡng biên động $[Q_1 - 1,5 \times IQR, Q_3 + 1,5 \times IQR]$ để loại bỏ các điểm dị thường do lỗi cảm biến mà không triệt tiêu các đỉnh ô nhiễm thực tế.
  2. Trụ cột 2 - Tái thiết lập dữ liệu bằng Học máy ARIMA: Khắc phục hoàn toàn hiện tượng đứt gãy chuỗi thời gian bằng cách ước lượng các tham số tự hồi quy ($p$), sai phân tích hợp ($d$) và trung bình trượt ($q$) tối ưu qua chuẩn AIC/BIC, tạo ra chuỗi dữ liệu đầu vào hoàn chỉnh có độ dài 9 năm liên tục.
  3. Trụ cột 3 - Mạng lai ghép sâu CNN-LSTM end-to-end: Kết hợp lớp tích chập đa tầng để nén 14 chiều không gian thuộc tính khí tượng - hóa học thành các véc tơ đặc trưng trừu tượng, sau đó truyền qua khối LSTM 200 tế bào nơron để mô hình hóa tiến trình biến thiên động học theo thời gian.

Điều kiện biên xác định: Khung phân tích được tối ưu hóa cho các vùng đô thị mật độ giao thông cao, có biến thiên nhiệt ẩm theo mùa rõ rệt và chịu tác động mạnh của hiện tượng nghịch nhiệt bức xạ tầng thấp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan bản thể luận thực tại phê phán (Critical Realism) và phương pháp luận thực chứng (Positivism), kết hợp thiết kế nghiên cứu định lượng đa cấp độ (Multi-level quantitative empirical design). Dữ liệu được cấu trúc theo hai cấp độ phân giải thời gian: nồng độ trung bình giờ (hourly average) phục vụ cảnh báo tức thời và nồng độ trung bình ngày (daily average) phục vụ đánh giá quy chuẩn môi trường dài hạn.

Tập dữ liệu thô bao gồm toàn bộ chuỗi quan trắc 9 năm liên tục từ 00:00 ngày 01/01/2010 đến 23:00 ngày 31/12/2018 tại trạm quan trắc tự động liên tục số 556 Nguyễn Văn Cừ, Long Biên, Hà Nội. Tổng số quan sát lý thuyết đạt $9 \times 365 \times 24 = 78.888$ điểm thời gian trên mỗi thông số.

Quy trình nghiên cứu rigorous

Quy trình thu thập và chuẩn bị dữ liệu tuân thủ các tiêu chuẩn đo lường kỹ thuật quốc tế và quy chuẩn kỹ thuật quốc gia (QCVN):

  • Thiết bị và nguyên lý đo: Các thông số dạng bụi (PM10, PM2.5, PM1) được đo bằng phương pháp suy giảm tia beta (Beta Attenuation Monitor); khí SO2 đo bằng phương pháp huỳnh quang tử ngoại (UV Fluorescence); NO, NO2, NOx đo bằng phương pháp phát quang hóa học (Chemiluminescence); CO đo bằng phương pháp hấp thụ hồng ngoại không tán sắc (NDIR); O3 đo bằng phương pháp hấp thụ quang phổ tử ngoại (UV Photometry).
  • Quy trình xử lý ngoại vi: Áp dụng giải thuật IQR để nhận diện và tách lọc các giá trị đo phi lý do sự cố nguồn điện hoặc hiệu chuẩn trôi điểm không. Tỷ lệ dữ liệu trống sau khi làm sạch dao động từ 15% đến 35% tùy theo thông số.
  • Quy trình bù dữ liệu thực nghiệm: Thử nghiệm mô phỏng tỷ lệ mất dữ liệu nhân tạo từ 5%, 10%, 20%, 30%, 50% đến 80%. Kết quả cho thấy mô hình ARIMA duy trì sai số phục hồi nồng độ cực thấp ($RMSE < 5,\mu g/m^3$ đối với NO và $R^2 > 0,85$ khi mất dữ liệu tới 50%), vượt trội hoàn toàn so với các phương pháp nội suy tuyến tính (Linear Interpolation) hay láng giềng gần (KNN).
  • Kiểm định độ tin cậy và phân bố: Sử dụng các tiêu chuẩn thông tin Akaike (AIC), tiêu chuẩn Schwarz (BIC) và kiểm định Chi-bình phương ($\chi^2$) để xác định hàm mật độ xác suất phù hợp nhất giữa ba phân bố:
    • Phân bố Weibull: $f(x;\lambda,k) = \frac{k}{\lambda}\left(\frac{x}{\lambda}\right)^{k-1}e^{-(x/\lambda)^k}$
    • Phân bố Lognormal: $f(x;\mu,\sigma) = \frac{1}{x\sigma\sqrt{2\pi}}e^{-\frac{(\ln x - \mu)^2}{2\sigma^2}}$
    • Phân bố Gamma: $f(x;k,\theta) = \frac{x^{k-1}e^{-\frac{x}{\theta}}}{\theta^k\Gamma(k)}$

Data và phân tích

Toàn bộ quy trình tiền xử lý, huấn luyện và kiểm thử mô hình được lập trình trên ngôn ngữ Python sử dụng các thư viện chuyên sâu: TensorFlow, Keras, scikit-learn, pandas, numpy, scipy.stats. Nền tảng phần cứng thực thi trên môi trường Google Colaboratory với bộ xử lý đồ họa chuyên dụng GPU.

Thông số kỹ thuật và kiến trúc siêu tham số của mô hình CNN-LSTM đề xuất:

  • Chuẩn hóa đầu vào: Dữ liệu được đưa về thang đo $[0, 1]$ qua thuật toán MinMaxScaler. Cửa sổ trễ thời gian (lag time) được xác lập tối ưu là $n_{hours} = 8$ bước thời gian trước đó ($t-8, \dots, t-1$).
  • Cấu trúc lớp mạng (Network Topology):
    1. Lớp tích chập Conv1D thứ nhất: 316 bộ lọc (filters), kích thước cửa sổ tích chập (kernel size) = 3, hàm kích hoạt ReLU. Output shape: (None, 86, 316), tham số: 1.264.
    2. Lớp chuẩn hóa theo mẻ BatchNormalization: Tăng tốc hội tụ và ổn định gradient. Output shape: (None, 86, 316), tham số: 1.264.
    3. Lớp gộp cực đại MaxPooling1D: Kích thước pool = 2. Output shape: (None, 43, 316).
    4. Lớp tích chập Conv1D thứ hai: 132 bộ lọc, kernel size = 3, hàm ReLU. Output shape: (None, 43, 132), tham số: 125.268.
    5. Lớp chuẩn hóa theo mẻ BatchNormalization: Output shape: (None, 43, 132), tham số: 528.
    6. Lớp gộp cực đại MaxPooling1D: Kích thước pool = 2. Output shape: (None, 21, 132).
    7. Lớp làm phẳng Flatten: Chuyển đổi tensor thành véc tơ phẳng kích thước (None, 2772).
    8. Lớp tái lập RepeatVector: Khớp chiều thời gian cho mạng hồi quy (None, 1, 2772).
    9. Lớp hồi quy bộ nhớ dài - ngắn LSTM: 200 đơn vị tế bào ẩn (hidden units), hàm kích hoạt tanh và sigmoid cho các cổng. Output shape: (None, 1, 200), tham số: 2.378.400.
    10. Lớp phân phối thời gian đầy đủ TimeDistributed(Dense): 100 nơron ẩn. Tham số: 20.100.
    11. Lớp ngõ ra TimeDistributed(Dense): 1 nơron tuyến tính dự báo nồng độ. Tham số: 101.
  • Tổng số tham số của mô hình: 2.526.925 tham số (trong đó 2.526.029 tham số huấn luyện được - Trainable params, 896 tham số không huấn luyện).
  • Thuật toán tối ưu hóa: Adam Optimizer với hàm mất mát Sai số bình phương trung bình (loss='mse'). Bộ dữ liệu được chia theo tỷ lệ kinh điển 80% cho tập huấn luyện (training set) và 20% cho tập kiểm tra độc lập (testing set).
Tham số cấu hình Giá trị thiết lập trong Luận án Mục đích kỹ thuật
Framework & Môi trường TensorFlow 2.x / Keras / Python 3 / Google Colab GPU Tối ưu hóa tính toán ma trận phân tán
Chuẩn hóa dữ liệu MinMaxScaler ($x_{norm} = \frac{x - x_{min}}{x_{max} - x_{min}}$) Đưa dải giá trị về $[0, 1]$, tránh bão hòa hàm kích hoạt
Độ trễ thời gian (Lag) $n_{hours} = 8$ bước ($t-8$ đến $t-1$) Khai thác bộ nhớ ngắn hạn của động học phát tán
Tổng số tầng tích chập 2 tầng Conv1D (316 filters và 132 filters, kernel=3) Trích xuất tương quan phi tuyến giữa 14 biến thuộc tính
Chuẩn hóa trung gian 2 tầng Batch Normalization Kiểm soát hiện tượng trôi dạt hiệp biến nội bộ
Tầng trích xuất thời gian 1 tầng LSTM (200 hidden units) Lưu trữ phụ thuộc thời gian dài hạn không tiêu biến gradient
Tổng số tham số mạng 2.526.925 tham số (2.526.029 trainable) Cung cấp dung lượng biểu diễn cực lớn cho dữ liệu 9 năm
Hàm tối ưu & Loss Adam Optimizer / Mean Squared Error (MSE) Tự thích ứng tốc độ học (learning rate) theo từng epoch
Phân chia tập dữ liệu 80% Training (2010–2016) / 20% Testing (2017–2018) Đảm bảo tính độc lập và khách quan khi kiểm định mô hình

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm trên chuỗi dữ liệu 9 năm mang lại 5 phát hiện mang tính bước ngoặt cho khoa học chất lượng không khí tại miền Bắc Việt Nam:

Phát hiện 1 - Hiệu suất áp đảo của mô hình đề xuất CNN-LSTM: Trên tập kiểm tra độc lập, mô hình CNN-LSTM vượt trội hoàn toàn so với tất cả các mô hình cơ sở. Đối với bụi mịn PM2.5 (nồng độ trung bình giờ), mô hình đạt hệ số tương quan $r = 0,922$, $R^2 = 0,849$, sai số tuyệt đối $MAE = 7,93,\mu g/m^3$, sai số quân phương $RMSE = 11,34,\mu g/m^3$. Đối với PM1, chỉ số $R^2$ đạt 0,826 ($MAE = 5,14,\mu g/m^3$, $RMSE = 7,87,\mu g/m^3$). So sánh với các mô hình thử nghiệm:

  • Mô hình SVR chỉ đạt $R^2 \approx 0,58$ trên PM10.
  • Mạng truyền thẳng MLP chỉ đạt $R^2 \approx 0,64$.
  • Mạng LSTM đơn lẻ đạt $R^2 \approx 0,74$.
  • Mạng tích chập CNN đơn lẻ đạt $R^2 \approx 0,71$. Sự kết hợp CNN-LSTM tạo nên bước nhảy vọt về độ chính xác khi tăng thêm từ 10% đến 20% khả năng giải thích phương sai ($R^2$) so với các kiến trúc đơn lẻ.

Phát hiện 2 - Quy luật phân bố xác suất không đồng nhất giữa các chất ô nhiễm: Phân tích dữ liệu 9 năm (Phụ lục I của luận án) chứng minh rõ rệt:

  • Bụi mịn PM2.5, SO2 và O3 tuân theo Phân bố Lognormal với độ khớp cao nhất (ví dụ năm 2012, PM2.5 đạt $R^2 = 0,93$, $RMSE = 0,00241$ so với Weibull chỉ đạt $R^2 = 0,82$; năm 2018 O3 đạt $R^2 = 0,99$, $RMSE = 0,00204$).
  • Ngược lại, NO2, PM10 và CO tuân theo Phân bố Weibull hoặc Gamma (ví dụ năm 2011, NO2 khớp phân bố Weibull với $R^2 = 0,94$, PM10 năm 2012 khớp phân bố Gamma với $R^2 = 0,94$). Điều này bác bỏ hoàn toàn giả định truyền thống xem toàn bộ các thông số ô nhiễm đều tuân theo phân bố Gauss, cung cấp cơ sở toán học để tính toán rủi ro vượt ngưỡng chính xác.

Phát hiện 3 - Biến trình nồng độ ngày đêm và tính quy luật mùa đặc thù: Biến trình nồng độ trong ngày của các chất ô nhiễm sơ cấp (NO, NO2, CO, PM10, PM2.5) thể hiện dạng hai đỉnh rõ rệt (bimodal distribution): đỉnh thứ nhất xuất hiện vào giờ cao điểm buổi sáng (07:00–09:00) và đỉnh thứ hai vào buổi tối muộn (20:00–23:00). Đỉnh ban đêm thậm chí cao hơn ban ngày do sự suy giảm chiều cao lớp biên khí quyển kết hợp hiện tượng nghịch nhiệt bức xạ giữ các chất ô nhiễm sát mặt đất. Ngược lại, O3 thể hiện chu kỳ đơn cực đại duy nhất vào buổi trưa và đầu giờ chiều (12:00–14:00) khi cường độ bức xạ mặt trời đạt đỉnh thúc đẩy phản ứng quang hóa giữa VOC và NOx.

Phát hiện 4 - Khả năng chịu lỗi và tính bền vững của mô hình ARIMA trong bổ khuyết dữ liệu: Thực nghiệm kiểm định cho thấy giải thuật ARIMA có thể duy trì chất lượng tái lập chuỗi nồng độ NO với độ chính xác cao ngay cả khi tỷ lệ dữ liệu trống giả định tăng từ 5% lên tới 50% (đường diễn biến nồng độ tính toán từ ARIMA bám sát hoàn toàn chuỗi nồng độ thực đo với độ lệch không đáng kể).

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp bằng chứng thực nghiệm khẳng định ưu thế của lý thuyết học biểu diễn sâu đa tầng trên dữ liệu môi trường nhiệt đới, mở ra hướng nghiên cứu xấp xỉ hóa các quá trình động học phức tạp mà không cần giải tích phương trình Navier-Stokes hay hóa học tầng đối lưu đầy đủ.
  • Về mặt phương pháp luận: Quy trình tiền xử lý 3 bước (Lọc ngoại vi IQR -> Bổ khuyết ARIMA -> Phân bố xác suất PDF) trở thành một khung mẫu chuẩn hóa (benchmark protocol) có thể chuyển giao áp dụng cho bất kỳ mạng lưới quan trắc chất lượng không khí nào tại các nước đang phát triển.
  • Về mặt thực tiễn quản lý: Mô hình CNN-LSTM cung cấp công cụ cốt lõi để xây dựng hệ thống cảnh báo sớm ô nhiễm không khí trước 24 giờ cho TP. Hà Nội, cho phép Sở Tài nguyên và Môi trường (TN&MT) chủ động thông báo cho người dân phòng tránh phơi nhiễm độc chất.
  • Khuyến nghị chính sách: Dữ liệu biến trình mùa và ngày đêm chỉ ra rằng các biện pháp kiểm soát phát thải khẩn cấp (như phân luồng giao thông tải trọng lớn, dừng hoạt động các lò đốt công nghiệp ngoại vi) cần tập trung mạnh nhất vào khung giờ từ 19:00 đến 06:00 sáng hôm sau trong các tháng mùa đông (tháng 11 đến tháng 2 năm sau) - thời điểm các chất ô nhiễm dạng bụi bị nén nghẽn nghiêm trọng nhất.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Giới hạn không gian điểm đo: Mô hình được huấn luyện và tối ưu hóa trên dữ liệu của trạm quan trắc đơn lẻ (Trạm 556 Nguyễn Văn Cừ). Mặc dù đây là trạm tiêu biểu ven trục giao thông huyết mạch của Hà Nội, kết quả dự báo chưa phản ánh đầy đủ tính không đồng nhất không gian (spatial heterogeneity) trên toàn địa bàn thành phố (như các vùng nông thôn, vùng sinh thái đệm).
  2. Thiếu vắng một số tiền chất hóa học chi tiết: Chuỗi dữ liệu lịch sử chưa tích hợp liên tục đầy đủ các hợp chất hữu cơ bay hơi dễ phân hủy (VOC speciation) và nồng độ amoniac ($NH_3$) do giới hạn trang thiết bị quan trắc định kỳ trong giai đoạn 2010–2018.
  3. Chưa tích hợp dữ liệu viễn thám vệ tinh: Nghiên cứu chủ yếu dựa trên dữ liệu mặt đất, chưa kết hợp dữ liệu độ sâu quang học của sol khí (AOD - Aerosol Optical Depth) từ vệ tinh MODIS/Sentinel để hiệu chỉnh độ phủ không gian rộng.

Chương trình nghiên cứu tương lai (5 hướng cụ thể):

  • Phát triển mô hình mạng nơron tích chập đồ thị kết hợp bộ nhớ (Spatio-Temporal Graph Convolutional Networks - ST-GCN) nhằm liên kết đồng thời toàn bộ các trạm quan trắc tự động trên mạng lưới Hà Nội và các tỉnh lân cận.
  • Tích hợp kỹ thuật học chuyển giao (Transfer Learning) để áp dụng mô hình đã huấn luyện tại Hà Nội cho các đô thị khác có ít dữ liệu quan trắc hơn (như Đà Nẵng, Hải Phòng).
  • Mở rộng kiến trúc mạng kết hợp cơ chế chú ý tự thân (Transformer / Temporal Fusion Transformer) để nâng cao độ chính xác dự báo dài hạn từ 48 đến 72 giờ.
  • Kết hợp dữ liệu ảnh viễn thám AOD độ phân giải cao và mô hình phát thải giao thông di động thời gian thực (Mobile emission data).
  • Nghiên cứu cơ chế "Học sâu có thể giải thích" (Explainable AI - XAI qua giá trị SHAP/LIME) để định lượng tỷ lệ đóng góp của từng nguồn thải và yếu tố thời tiết vào nồng độ dự báo.

Tác động và ảnh hưởng

  • Tác động học thuật: Công trình đặt nền móng phương pháp luận vững chắc cho chuyên ngành Kỹ thuật Môi trường tại Việt Nam trong kỷ nguyên chuyển đổi số và khoa học dữ liệu. Các bài báo khoa học xuất bản từ luận án cung cấp tài liệu tham khảo chuẩn mực cho các nghiên cứu sinh, học viên cao học thuộc lĩnh vực mô hình hóa môi trường và tin học môi trường.
  • Tác động đến chuyển đổi công nghiệp và công nghệ: Cung cấp mã nguồn và kiến trúc giải thuật có khả năng đóng gói thành các dịch vụ phần mềm (SaaS), API dự báo môi trường tích hợp trực tiếp vào các nền tảng đô thị thông minh (Smart City Operations Center).
  • Tác động chính sách và xã hội: Cung cấp bằng chứng định lượng giúp các cơ quan quản lý nhà nước (Bộ TN&MT, Cục Kiểm soát ô nhiễm môi trường) xây dựng kịch bản điều hành giao thông và sản xuất công nghiệp linh hoạt theo diễn biến chất lượng không khí dự báo. Lợi ích sức khỏe cộng đồng ước tính giúp giảm thiểu đáng kể số ca nhập viện sớm và tử vong sớm do ô nhiễm bụi mịn theo các hàm đáp ứng phơi nhiễm đã được Di et al. (2017) công bố.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận quy trình tiền xử lý chuỗi thời gian khí tượng - chất lượng không khí chuẩn tắc; hiểu rõ cơ chế xây dựng mạng lai ghép CNN-LSTM 2,5 triệu tham số trên nền tảng Python/TensorFlow.
  • Chuyên gia R&D Dữ liệu Môi trường: Sở hữu kiến trúc mạng đã được tinh chỉnh siêu tham số tối ưu trên dữ liệu thực tế 9 năm, rút ngắn thời gian thử nghiệm và triển khai các giải pháp AI môi trường.
  • Nhà Quản lý Môi trường và Đô thị: Sử dụng kết quả phân tích quy luật phân bố xác suất và biến trình ô nhiễm để ban hành các quy chuẩn kỹ thuật địa phương, thiết lập các vùng phát thải thấp (Low Emission Zones - LEZ) có căn cứ khoa học xác đáng.
  • Cộng đồng và Doanh nghiệp Y tế: Chủ động tiếp nhận thông tin dự báo nồng độ bụi PM2.5, PM10 và khí độc trước 24 giờ để lên kế hoạch bảo hộ y tế, giảm thiểu chi phí điều trị bệnh lý đường hô hấp và tim mạch.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
    Trả lời: Luận án đã mở rộng lý thuyết biểu diễn chuỗi thời gian phi tuyến đa biến trong động học khí quyển nhiệt đới bằng việc chứng minh cấu trúc tích chập 1 chiều (1D-CNN) có khả năng trích xuất tối ưu các tương tác hóa lý ngầm định giữa 14 biến khí tượng và tiền chất, trong khi mạng LSTM giải quyết triệt để sự phụ thuộc trễ thời gian dài hạn ($t-8$ giờ), tạo ra mô hình dự báo không cần dựa vào các giả thiết cơ chế phản ứng cứng nhắc của mô hình số trị CTM.

  2. Cải tiến phương pháp luận nào tạo nên sự đột phá so với các nghiên cứu trước đây?
    Trả lời: Luận án thiết lập quy trình tích hợp khép kín 3 bước: (1) Lọc nhiễu ngoại vi thích ứng qua khoảng phân vị IQR; (2) Tái thiết lập dữ liệu khuyết thiếu bằng mô hình học máy ARIMA với khả năng bảo toàn đặc tính chuỗi ở tỷ lệ mất dữ liệu lên đến 50%; (3) Kiến trúc lai ghép sâu CNN-LSTM với 2.526.925 tham số. So với nghiên cứu của Papanastasiou et al. (dùng MLP) và Ciulla et al. (dùng Elman-ANN), phương pháp này giảm hơn 30% sai số RMSE và đạt hệ số tương quan $R^2 = 0,849$ trên bụi mịn PM2.5.

  3. Phát hiện nào bất ngờ và có ý nghĩa thực tiễn cao nhất từ dữ liệu?
    Trả lời: Nồng độ các chất ô nhiễm sơ cấp tại Hà Nội đạt đỉnh cao nhất vào ban đêm (20:00–23:00) thay vì ban ngày, do hiện tượng nghịch nhiệt bức xạ nén ép tầng biên khí quyển xuống thấp. Đồng thời, luận án phát hiện các chất ô nhiễm tuân theo các luật phân bố xác suất khác nhau (PM2.5, SO2, O3 tuân theo Lognormal; NO2, PM10, CO tuân theo Weibull/Gamma), bác bỏ giả định phân bố Gauss đồng nhất trước đây.

  4. Luận án có cung cấp đầy đủ giao thức tái lập (Replication Protocol) không?
    Trả lời: Có. Luận án công bố chi tiết mã nguồn Python (Phụ lục III) bao gồm toàn bộ các hàm: nạp dữ liệu Excel đa sheet, chuẩn hóa MinMaxScaler, tạo cửa sổ trễ thời gian normalized_data, định nghĩa kiến trúc mạng CNN_LSTM, tối ưu hóa Adam, tính toán các chỉ số thống kê (MAE, RMSE, Pearson r, $R^2$, AIC, BIC) và lưu/nạp trọng số mạng dưới dạng file JSON và HDF5.

  5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?
    Trả lời: Định hướng mở rộng từ mô hình chuỗi thời gian đơn điểm sang mạng nơron đồ thị không - thời gian (ST-GCN) đa trạm, tích hợp dữ liệu viễn thám AOD từ vệ tinh, ứng dụng Transformer cho dự báo trung hạn (72 giờ) và tích hợp các công cụ AI có thể giải thích (XAI) để phục vụ kiểm kê phát thải động theo thời gian thực.

Kết luận

Luận án tiến sĩ của NCS. Mạc Duy Hưng tạo nên một cột mốc quan trọng trong ứng dụng trí tuệ nhân tạo vào kỹ thuật môi trường tại Việt Nam, với 6 đóng góp cốt lõi:

  1. Xây dựng và hoàn thiện bộ cơ sở dữ liệu chất lượng không khí chuẩn hóa, liên tục và đồng bộ trong suốt 9 năm (2010–2018) với hơn 78.888 bản ghi giờ tại Hà Nội.
  2. Đề xuất quy trình tiền xử lý dữ liệu môi trường nghiêm ngặt, giải quyết triệt để bài toán loại bỏ dữ liệu ngoại vi qua biểu đồ hộp IQR và bù khuyết dữ liệu chuỗi thời gian bằng thuật toán ARIMA.
  3. Xác lập chính xác quy luật phân bố xác suất thực nghiệm (Lognormal, Weibull, Gamma) cho 6 thông số ô nhiễm không khí điển hình, cung cấp cơ sở toán học tin cậy cho đánh giá rủi ro môi trường.
  4. Phát triển và huấn luyện thành công mô hình học sâu lai ghép CNN-LSTM với 2.526.925 tham số, đạt hiệu suất dự báo vượt trội ($R^2 = 0,849$ cho PM2.5 và $R^2 = 0,755$ cho NO2).
  5. Làm sáng tỏ quy luật biến động nồng độ ô nhiễm theo chu kỳ ngày đêm và biến trình mùa đặc thù của vùng khí hậu nhiệt đới gió mùa chịu ảnh hưởng bởi hiện tượng nghịch nhiệt tầng thấp.
  6. Mở ra 3 hướng nghiên cứu khoa học mới về mạng đồ thị không - thời gian, ứng dụng dữ liệu viễn thám kết hợp AI và hệ thống ra quyết định kiểm soát môi trường tự động, để lại giá trị ứng dụng lâu dài cho công tác bảo vệ môi trường không khí quốc gia.