Xây Dựng Ứng Dụng Dự Báo Chất Lượng Không Khí Đô Thị

Chất lượng không khí đô thị là yếu tố then chốt ảnh hưởng đến sức khỏe con người và sự phát triển bền vững. Không khí ô nhiễm gây ra nhiều bệnh về hô hấp, tim mạch và thần kinh, đồng thời làm giảm năng suất lao động và tăng chi phí y tế. Theo báo cáo của Viện Công nghiệp Blacksmith Institute năm 2008, ô nhiễm không khí trong nhà và chất lượng không khí kém ở các đô thị là hai trong số các vấn đề ô nhiễm độc hại tồi tệ nhất trên thế giới. Các hoạt động sản xuất, kinh doanh và phương tiện vận chuyển là những tác nhân chính gây ô nhiễm, đòi hỏi các giải pháp quản lý hiệu quả.

Luận văn tập trung vào việc xây dựng một ứng dụng dự báo chất lượng không khí cho khu vực đô thị, đặc biệt là Quận 1, TP.HCM. Mục tiêu chính là phát triển một mô hình thuật toán phù hợp, áp dụng các kỹ thuật máy học để dự báo chính xác CLKK. Nghiên cứu cũng tham khảo các công trình khoa học liên quan, thu thập dữ liệu về các chất ô nhiễm có nguy cơ cao, và sử dụng các thư viện, tiện ích chuyên sâu cho máy học. Dữ liệu được thu thập từ Sentinel Hub và AQIVN, sau đó được lưu trữ, phân tích và sử dụng để xây dựng thuật toán dự báo. Kết quả dự báo sẽ được trực quan hóa trên giao diện website, giúp người dùng dễ dàng tiếp cận và sử dụng.

Tại Việt Nam, các nghiên cứu về dự báo chất lượng không khí còn hạn chế về số lượng và quy mô. Một số nghiên cứu đã sử dụng các mô hình thống kê đơn giản hoặc dựa trên dữ liệu quan trắc từ một số ít trạm quan trắc. Tuy nhiên, các nghiên cứu này chưa thể cung cấp thông tin dự báo chi tiết và chính xác cho người dân. Cần có thêm các nghiên cứu sử dụng các phương pháp máy học tiên tiến và kết hợp nhiều nguồn dữ liệu khác nhau để cải thiện khả năng dự báo CLKK.

Trên thế giới, có nhiều nghiên cứu về dự báo chất lượng không khí đã được thực hiện, sử dụng các phương pháp máy học và deep learning tiên tiến. Các nghiên cứu này thường dựa trên dữ liệu từ các trạm quan trắc, vệ tinh và mô hình khí tượng. Tuy nhiên, các mô hình dự báo này thường phức tạp và đòi hỏi nhiều tài nguyên tính toán. Cần có các nghiên cứu để phát triển các mô hình dự báo đơn giản hơn, dễ triển khai và có thể áp dụng cho các khu vực có dữ liệu hạn chế.

Việc thu thập và xây dựng bộ dữ liệu là bước quan trọng trong quá trình xây dựng ứng dụng dự báo AQI. Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm Sentinel Hub (cung cấp dữ liệu vệ tinh) và AQIVN (cung cấp dữ liệu từ các trạm quan trắc). Dữ liệu này bao gồm thông tin về nồng độ các chất ô nhiễm như bụi mịn PM2.5, bụi PM10, khí thải, NO2, SO2, CO, và O3. Dữ liệu được xử lý và chuẩn hóa để tạo thành bộ dữ liệu huấn luyện cho các thuật toán máy học.

Luận văn sử dụng các thuật toán máy học tiên tiến, bao gồm mạng thần kinh tích chập (CNN) và mạng nơ-ron hồi quy (RNN), để dự báo AQI. CNN được sử dụng để trích xuất các đặc trưng không gian từ dữ liệu hình ảnh vệ tinh, trong khi RNN được sử dụng để mô hình hóa sự phụ thuộc thời gian của các chất ô nhiễm. Các thuật toán này được huấn luyện trên bộ dữ liệu đã được xây dựng ở bước trước. Việc lựa chọn và tối ưu hóa các thuật toán máy học phù hợp là yếu tố then chốt để đạt được độ chính xác cao trong dự báo AQI.

Dữ liệu ảnh viễn thám từ vệ tinh Sentinel-5P đóng vai trò quan trọng trong việc dự báo chất lượng không khí. Vệ tinh này cung cấp thông tin về nồng độ các chất ô nhiễm trên diện rộng, giúp bổ sung cho dữ liệu từ các trạm quan trắc. Việc sử dụng dữ liệu ảnh viễn thám giúp cải thiện khả năng dự báo CLKK ở các khu vực có ít trạm quan trắc hoặc không có trạm quan trắc. Sentinel-5P cung cấp thông tin về NO2, SO2, CO, O3 và formaldehyde (HCHO), các chất ô nhiễm quan trọng trong việc đánh giá chất lượng không khí.

Thuật toán CNN được đánh giá trên 6 loại chất ô nhiễm khác nhau. Các chỉ số đánh giá như RMSE (Root Mean Squared Error) và MAE (Mean Absolute Error) được sử dụng để đo lường độ chính xác của thuật toán. Kết quả cho thấy CNN có khả năng trích xuất các đặc trưng không gian từ dữ liệu hình ảnh vệ tinh, nhưng độ chính xác dự báo không cao bằng các thuật toán RNN.

RNN-LSTM (Long Short-Term Memory) là một biến thể của RNN được thiết kế để xử lý dữ liệu chuỗi thời gian dài. Thuật toán này được thực nghiệm trên bộ dữ liệu về nồng độ NO2, SO2, CO, HCHO, O3 và PM2.5. Kết quả cho thấy RNN-LSTM có độ chính xác cao trong việc dự báo chất lượng không khí, đặc biệt là trong việc mô hình hóa sự phụ thuộc thời gian của các chất ô nhiễm.

Kết quả thực nghiệm cho thấy RNN-LSTM và RNN-GRU có độ chính xác cao hơn so với CNN trong việc dự báo chất lượng không khí. RNN-LSTM và RNN-GRU có khả năng mô hình hóa sự phụ thuộc thời gian của các chất ô nhiễm tốt hơn so với CNN. Tuy nhiên, CNN có ưu điểm là có thể trích xuất các đặc trưng không gian từ dữ liệu hình ảnh vệ tinh. Việc kết hợp các thuật toán này có thể cải thiện khả năng dự báo chất lượng không khí.

Giao diện của ứng dụng dự báo chất lượng không khí được thiết kế trực quan và dễ sử dụng. Trang chủ hiển thị thông tin dự báo AQI cho khu vực hiện tại của người dùng. Người dùng có thể xem thông tin chi tiết về nồng độ các chất ô nhiễm, và các khuyến nghị về sức khỏe. Ứng dụng cũng cung cấp bản đồ hiển thị tình trạng ô nhiễm không khí trên địa bàn thành phố.

Trang thống kê của ứng dụng dự báo AQI cung cấp các biểu đồ và bảng thống kê về nồng độ các chất ô nhiễm theo thời gian. Người dùng có thể xem thông tin thống kê theo ngày, tuần, tháng hoặc năm. Các biểu đồ và bảng thống kê giúp người dùng hiểu rõ hơn về xu hướng ô nhiễm không khí tại khu vực của mình.

Luận văn đã đạt được các kết quả sau: (1) Xây dựng thành công mô hình dự báo chất lượng không khí sử dụng các thuật toán máy học tiên tiến. (2) Triển khai ứng dụng di động cung cấp thông tin dự báo AQI cho người dùng. (3) Xây dựng API cung cấp dữ liệu cho các ứng dụng khác. (4) Đánh giá độ chính xác của các thuật toán máy học trên bộ dữ liệu thực tế.

Trong tương lai, ứng dụng dự báo chất lượng không khí có thể được phát triển theo các hướng sau: (1) Mở rộng phạm vi bao phủ của ứng dụng để bao phủ nhiều khu vực hơn. (2) Tích hợp thêm các nguồn dữ liệu khác, chẳng hạn như dữ liệu khí tượng và dữ liệu giao thông. (3) Cung cấp các tính năng mới như cảnh báo ô nhiễm không khí và khuyến nghị về các biện pháp bảo vệ sức khỏe. (4) Tối ưu hóa hiệu suất của ứng dụng để giảm thiểu thời gian dự báo.