MỞ ĐẦU 1. Sự cần thiết của đề tài Theo Rob và George [1], thuật ngữ dự báo nói chung đề cập đến thực tiễn dự đoán một sự kiện trong tương lai một cách chính xác nhất dựa trên các thông tin sẵn có bao gồm dữ liệu lịch sử về sự kiện đó và các thông tin, kiến thức của những sự kiện khác có thể ảnh hưởng đến sự kiện được dự báo. Thuật ngữ chất lượng không khí (CLKK) dùng để chỉ tình trạng hóa học của khí quyển tại một thời điểm và địa điểm nhất định, được thể hiện bằng nồng độ của các chất ô nhiễm không khí có nguy cơ gây ảnh hưởng tiêu cực đến sức khỏe con người và môi trường. Cũng như thời tiết, CLKK có thể có tác động tiêu cực đến sức khỏe con người khi nồng độ của các chất ô nhiễm trong không khí vượt quá mức cho phép – hay còn gọi là “ô nhiễm không khí”, tiếp xúc với thời gian ngắn có thể gây ra các phản ứng cấp tính như cay mắt, khó thở.
Khi tiếp xúc với thời gian dài có thể gây ra các bệnh mạn tính về hệ hô hấp, tim mạch và có thể cả ung thư đặc biệt là đối với người già và trẻ em. Ngoài ra, ô nhiễm không khí còn có thể gây ra các ảnh hưởng xấu đến hệ sinh thái tự nhiên như suy giảm chất lượng không khí (giảm tầm nhìn, gây mưa axit…), biến đổi khí hậu, giảm chất lượng nước và đất [2]. Chính vì vậy, bên cạnh công tác quan trắc thì dự báo và giám sát diễn biến của các tác nhân gây ô nhiễm có vai trò rất quan trọng trong công tác quản lý CLKK. Hiện nay, các mô hình dự báo diễn biến nồng độ các chất ô nhiễm không khí đang phát triển mạnh và trở thành một trong những công cụ hữu hiệu trong đánh giá và quản lý chất lượng không khí.
Trong công tác đánh giá CLKK, mô hình có thể hỗ trợ và tối ưu hóa mạng lưới quan trắc CLKK, cung cấp thông tin một cách toàn diện hơn về tình trạng chất lượng không khí cũng như thông tin về mức độ hoạt động của các nguồn gây ô nhiễm [3]. Về mặt quản lý, khi dự báo được CLKK trong tương lai các cơ quan hữu trách có thể cảnh báo và đưa ra các chiến lược kiểm soát tốt hơn [3, 4]. Do vậy, có thể hiểu dự báo CLKK là dự đoán sớm CLKK trong tương lai được thể hiện dưới dạng giá trị nồng độ của các thông số CLKK (chất ô nhiễm) hoặc đã được quy đổi sang chỉ số CLKK (Air Quality Index - AQI) dựa trên việc thống kê lịch sử diễn biến của chúng trong quá khứ, đặc trưng diễn biến hóa học cũng như vật 1 luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep lý của các thông số CLKK… nhằm phục vụ cho các công tác nghiên cứu cũng như quản lý CLKK. Hiện nay để trích xuất các đặc trưng diễn biến về mặt hóa học và vật lý của một thông số CLKK (chất ô nhiễm) có hai cách tiếp cận chính.
Cách tiếp cận thứ nhất, dựa trên các kiến thức khoa học về cơ sở vật lý và hóa học của chất ô nhiễm được nghiên cứu, còn được gọi là dự báo số trị, trong đó đặc trưng diễn biến hóa học và vật lý của một thông số CLKK được nghiên cứu dựa trên việc mô phỏng lại các quá trình vật lý và hóa học của chúng trong không khí dưới dạng các mô hình toán học. Trong khi đó, cách tiếp cận thứ hai được gọi là dự báo thống kê, khác với dự báo số trị, các đặc trưng diễn biến về mặt hóa học của một chất ô nhiễm được trích xuất dựa trên việc phân tích thống kê dữ liệu các mối quan hệ giữa các thông số hóa học có liên quan đến diễn biến của chất ô nhiễm cần dự báo bao gồm diễn biến của tiền chất, điều kiện phản ứng, sản phẩm của phản ứng hóa học có liên quan… Tương tự, đặc trưng diễn biến của một chất ô nhiễm không khí do các quá trình vật lý cũng được nghiên cứu dựa trên việc thống kê tương quan dữ liệu lịch sử về diễn biến của nó với các thông số vật lý có liên quan như nhiệt độ, độ ẩm, lượng mưa, bức xạ mặt trời…[2] Dự báo diễn biến của các chất ô nhiễm không khí là rất phức tạp đặc biệt là đối với các chất ô nhiễm thứ cấp như ôzôn do nồng độ của nó phụ thuộc vào rất nhiều yếu tố như nồng độ của các tiền chất, các yếu tố khí tượng …. Hiện nay, nhiều quốc gia đã phát triển nhiều mô hình dự báo CLKK theo thời gian thực (Real-time Air quality forecast – RT-AQF) để dự báo nồng độ các chất ô nhiễm có ảnh hưởng lớn đến sức khỏe của người dân đặc biệt như O3, NO2, SO2, NO, bụi PM10, PM2,5 … [2]. Những thông tin này được sử dụng để đưa ra cảnh báo CLKK, cho phép chính phủ và người dân có những biện pháp phòng ngừa tạm thời (dừng hoạt động các nguồn phát thải lớn, tham gia giao thông công cộng để giảm phát thải hoặc hạn chế tiếp xúc với khu vực ô nhiễm) cũng như chiến lược lâu dài như lập kịch bản và lên kế hoạch bảo vệ môi trường không khí trong tương lai, theo dõi và nghiên cứu các nguồn gây ô nhiễm không khí địa phương và nguồn xa.
Do vậy, có thể thấy rằng sự hiện diện của các mô hình dự báo CLKK sẽ đem lại nhiều lợi ích to lớn cả về mặt xã hội cũng như kinh tế [2]. Tại Việt Nam, cho đến nay trong lĩnh vực dự báo CLKK, các mô hình số trị được sử dụng chiếm ưu thế. Loại mô hình này có ưu điểm là cung cấp một cách rất chi tiết về tình trạng CLKK trên diện rộng, ngay cả tại những điểm không được quan trắc. Tuy nhiên, việc xây dựng và vận hành chúng lại rất tốn kém và đòi hỏi trình độ cao.
Trong khi đó, ngược lại với mô hình số trị, việc xây dựng và vận hành mô hình dự 2 luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep báo thống kê là rất đơn giản và không đòi hỏi cao về chuyên môn của người vận hành [2], tuy nhiên việc nghiên cứu và ứng dụng loại mô hình này tại Việt Nam còn khá hạn chế. Trong thập kỷ vừa qua, các mô hình dự báo thống kê CLKK sử dụng mạng nơron nhân tạo đã được nghiên cứu và ứng dụng thành công tại nhiều quốc gia trên Thế giới [2], có thể kể đến ở đây như dự báo nồng độ bụi PM10 [5], dự báo nồng độ ôzôn [6- 8], hoặc một số chất ô nhiễm khác như SO2, NOx, VOC… [9-13] sử dụng các kiến trúc mạng nơron kết nối đầy đủ - FN với cấu trúc truyền thuận (FFNN) đặc biệt như MLP hay như một số mô hình ứng dụng mạng nơron hồi quy thông thường (RNN) như mạng tự hồi quy phi tuyến với biến ngoại sinh (NARX) [9] và Vanilla RNN [14]. Trong những năm gần đây, các kỹ thuật học sâu phát triển mạnh giúp giảm thời gian huấn luyện, giảm tiêu tốn tài nguyên máy và tăng độ chính xác đặc biệt có thể kể đến ở đây như mạng nơron tích chập (CNN) [15, 16] , mạng bộ nhớ dài – ngắn (LSTM) [15-17]. Tuy nhiên, cho đến nay dự báo thống kê CLKK tại Việt Nam nói chung và đặc biệt là dự báo thống kê ứng dụng các kỹ thuật trí tuệ nhân tạo còn khá mới mẻ và theo hiểu biết của tác giả hiện có rất ít các nghiên cứu liên quan đến lĩnh vực này.
Xuất phát từ thực tế đó, đề tài “Nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí” đã được lựa chọn nhằm khởi động và thúc đẩy hướng nghiên cứu mới này tại Việt Nam, góp phần vào công tác quản lý và bảo vệ môi trường không khí ở nước ta. Mục đích nghiên cứu - Ứng dụng kỹ thuật trí tuệ nhân tạo để giải quyết bài toán bổ khuyết dữ liệu quan trắc chất lượng không khí bị trống. - Nghiên cứu thử nghiệm mô hình dự báo thống kê chất lượng không khí ứng dụng các kỹ thuật trí tuệ nhân tạo. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: - Các thông số chất lượng không khí cơ bản gồm: + Nhóm thông số ô nhiễm bụi: PM10, PM2.
+ Nhóm thông số ô nhiễm dạng khí: NO, NO2, NOx, CO, SO2 và O3.