Giám Sát và Dự Đoán Chất Lượng Không Khí: Luận Văn Tốt Nghiệp

Khóa luận trình bày ứng dụng hệ thống thông tin giám sát và dự đoán chất lượng không khí, góp phần nâng cao nhận thức về môi trường.

• Tác giả: Nguyen Duc Khai
• Người hướng dẫn: MSc. Do Duy Thanh
• Trường học: Vietnam National University Ho Chi Minh City
• Chuyên ngành: Information Systems
• Đề tài: Ứng Dụng Giám Sát và Dự Đoán Chất Lượng Không Khí
• Loại tài liệu: Graduation Thesis
• Năm xuất bản: 2023
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGEMENT
• ABSTRACTION
• 1. CHƯƠNG 1: AIR POLLUTION
• 1.1. Air pollution
• 1.2. PM particles size comparisons with human hair
• 1.3. Carbon monoxide (CO)
• 1.4. Ozone (O3)
• 1.5. Volatile Organic Compounds (VOCs) and Total Volatile Organic Compounds (TVOC)
• 2. CHƯƠNG 2: THE IMPORTANCE OF MONITORING AIR QUALITY
• 2.1. The importance of monitoring air quality
• 2.2. Effects of mainly indoor air pollutants on human health
• REFERENCES
• LIST OF FIGURES
• LIST OF TABLES
• LIST OF ABBREVIATIONS
• LIST OF FORMULAS

Tóm tắt

I. Tổng Quan Về Ứng Dụng Giám Sát Chất Lượng Không Khí

Chất lượng không khí đang trở thành một vấn đề cấp bách trong bối cảnh ô nhiễm ngày càng gia tăng. Việc giám sát chất lượng không khí không chỉ giúp bảo vệ sức khỏe con người mà còn hỗ trợ trong việc đưa ra các quyết định chính sách về môi trường. Hệ thống giám sát chất lượng không khí sử dụng công nghệ IoT để thu thập dữ liệu từ các cảm biến, từ đó phân tích và dự đoán tình trạng ô nhiễm. Điều này không chỉ mang lại thông tin kịp thời mà còn giúp người dân chủ động hơn trong việc bảo vệ sức khỏe của mình.

1.1. Tại Sao Giám Sát Chất Lượng Không Khí Quan Trọng

Giám sát chất lượng không khí giúp phát hiện sớm các chỉ số ô nhiễm, từ đó có biện pháp phòng ngừa kịp thời. Các chỉ số như PM2.5, CO, và O3 có thể ảnh hưởng nghiêm trọng đến sức khỏe con người, đặc biệt là những người có bệnh lý nền.

1.2. Công Nghệ Sử Dụng Trong Giám Sát Không Khí

Hệ thống giám sát chất lượng không khí thường sử dụng các cảm biến hiện đại để đo lường nồng độ các chất ô nhiễm. Công nghệ IoT cho phép thu thập và truyền tải dữ liệu theo thời gian thực, giúp người dùng dễ dàng theo dõi tình trạng không khí.

II. Vấn Đề Ô Nhiễm Không Khí Hiện Nay

Ô nhiễm không khí đang gia tăng với tốc độ đáng báo động, ảnh hưởng đến sức khỏe cộng đồng và môi trường. Các nguồn ô nhiễm chủ yếu bao gồm khí thải từ phương tiện giao thông, bụi từ xây dựng và các hoạt động công nghiệp. Theo báo cáo, ô nhiễm không khí gây ra hàng triệu ca tử vong mỗi năm trên toàn cầu. Việc nhận thức và hành động kịp thời là rất cần thiết để giảm thiểu tác động của ô nhiễm không khí.

2.1. Các Nguồn Gây Ô Nhiễm Chính

Các nguồn ô nhiễm không khí chủ yếu bao gồm khí thải từ xe cộ, nhà máy, và các hoạt động xây dựng. Những nguồn này thải ra nhiều chất độc hại như CO, NO2, và bụi mịn PM2.5.

2.2. Tác Động Của Ô Nhiễm Đến Sức Khỏe

Ô nhiễm không khí có thể gây ra nhiều vấn đề sức khỏe nghiêm trọng, bao gồm bệnh hô hấp, tim mạch và thậm chí là ung thư. Những người nhạy cảm như trẻ em và người già thường chịu ảnh hưởng nặng nề hơn.

III. Phương Pháp Giám Sát Chất Lượng Không Khí Hiệu Quả

Để giám sát chất lượng không khí hiệu quả, cần áp dụng các phương pháp hiện đại như sử dụng cảm biến IoT và phân tích dữ liệu lớn. Các cảm biến có thể đo lường nồng độ các chất ô nhiễm trong không khí và truyền tải dữ liệu về một hệ thống trung tâm để phân tích. Việc sử dụng mô hình học máy cũng giúp cải thiện độ chính xác trong việc dự đoán chất lượng không khí.

3.1. Sử Dụng Cảm Biến IoT Trong Giám Sát

Cảm biến IoT cho phép thu thập dữ liệu chất lượng không khí theo thời gian thực. Chúng có thể được lắp đặt ở nhiều vị trí khác nhau để cung cấp thông tin chính xác về tình trạng không khí.

3.2. Phân Tích Dữ Liệu Để Dự Đoán Ô Nhiễm

Sử dụng các thuật toán học máy như LSTM giúp dự đoán nồng độ ô nhiễm trong tương lai. Điều này cho phép người dùng có thể chuẩn bị và thực hiện các biện pháp phòng ngừa kịp thời.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Giám Sát

Hệ thống giám sát chất lượng không khí có thể được ứng dụng trong nhiều lĩnh vực khác nhau như y tế, giáo dục và quản lý đô thị. Các dữ liệu thu thập được không chỉ giúp người dân nhận thức rõ hơn về tình trạng không khí mà còn hỗ trợ các nhà quản lý trong việc đưa ra các quyết định chính sách phù hợp. Việc ứng dụng công nghệ này sẽ góp phần cải thiện chất lượng cuộc sống cho cộng đồng.

4.1. Ứng Dụng Trong Y Tế

Thông qua việc giám sát chất lượng không khí, các cơ sở y tế có thể đưa ra các khuyến cáo cho bệnh nhân về việc hạn chế ra ngoài trong những ngày ô nhiễm nặng.

4.2. Ứng Dụng Trong Quản Lý Đô Thị

Các nhà quản lý đô thị có thể sử dụng dữ liệu từ hệ thống giám sát để điều chỉnh các chính sách về giao thông và quy hoạch đô thị, nhằm giảm thiểu ô nhiễm không khí.

V. Kết Luận Về Tương Lai Của Giám Sát Chất Lượng Không Khí

Giám sát chất lượng không khí sẽ ngày càng trở nên quan trọng trong bối cảnh ô nhiễm không khí gia tăng. Công nghệ sẽ tiếp tục phát triển, giúp cải thiện độ chính xác và khả năng dự đoán của các hệ thống giám sát. Việc nâng cao nhận thức cộng đồng về chất lượng không khí cũng sẽ góp phần quan trọng trong việc bảo vệ sức khỏe con người và môi trường.

5.1. Xu Hướng Phát Triển Công Nghệ

Công nghệ cảm biến và phân tích dữ liệu sẽ tiếp tục phát triển, giúp cải thiện khả năng giám sát chất lượng không khí.

5.2. Tăng Cường Nhận Thức Cộng Đồng

Việc nâng cao nhận thức về ô nhiễm không khí sẽ giúp người dân chủ động hơn trong việc bảo vệ sức khỏe của mình và tham gia vào các hoạt động bảo vệ môi trường.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ô nhiễm không khí đang trở thành vấn đề môi trường và sức khỏe cộng đồng cấp bách trên toàn cầu. Các hoạt động công nghiệp, xây dựng, giao thông vận tải và sinh hoạt thải ra môi trường lượng lớn bụi mịn, khí độc hại và các hợp chất hữu cơ dễ bay hơi. Hiện tượng nghịch nhiệt và khói mù quang hóa thường xuyên xuất hiện tại các đô thị lớn như TP. Hồ Chí Minh hay Hà Nội, làm gia tăng nguy cơ mắc các bệnh về đường hô hấp, tim mạch và suy giảm miễn dịch.

Bên cạnh ô nhiễm ngoài trời, chất lượng không khí trong nhà (Indoor Air Quality - IAQ) chịu ảnh hưởng trực tiếp từ các nguồn sinh hoạt gia đình (bếp gas, lò sưởi, khói thuốc lá), vật liệu xây dựng, chất tẩy rửa và khí thải phương tiện từ các hẻm nhỏ thâm nhập vào nhà. Khí Carbon Monoxide (CO) không màu, không mùi có thể gây ngộ độc cấp tính dẫn đến tử vong; Carbon Dioxide ($CO_2$) nồng độ cao trong phòng kín gây suy giảm khả năng nhận thức và mệt mỏi; Ozone ($O_3$) tầng mặt đất và các hợp chất hữu cơ dễ bay hơi (VOCs/TVOC) là nguyên nhân gây kích ứng niêm mạc và Hội chứng nhà kính (Sick Building Syndrome - SBS).

Xuất phát từ thực tế không gian sống tại các ngõ hẻm đô thị hẹp (khoảng 3 mét) thường xuyên bị ô nhiễm cục bộ bởi khí thải xe cơ giới và bụi sinh hoạt, tác giả Nguyễn Đức Khải (MSSV: 19521658) thuộc Chương trình Tiên tiến ngành Hệ thống Thông tin, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM đã thực hiện khóa luận tốt nghiệp kỹ sư với đề tài: "Ứng Dụng Giám Sát và Dự Đoán Chất Lượng Không Khí" (Air Quality Monitoring and Predicting Application), dưới sự hướng dẫn của ThS. Đỗ Duy Thanh.

Mục tiêu và nhiệm vụ nghiên cứu

1. Thiết kế phần cứng thu thập dữ liệu IoT: Tích hợp các module vi điều khiển và cảm biến đo đạc môi trường chuyên dụng để đo lường các thông số không khí trong nhà gồm: $PM_{2.5}$, $CO$, $O_3$, $TVOC$, $CO_2$, nhiệt độ và độ ẩm.
2. Xây dựng hệ thống Backend và cơ sở dữ liệu: Thiết lập hạ tầng truyền nhận dữ liệu thời gian thực qua giao thức MQTT và WebSockets, lưu trữ lịch sử đo lường định kỳ hàng giờ trên hệ quản trị cơ sở dữ liệu phi quan hệ.
3. Phát triển mô hình học sâu dự đoán chất lượng không khí: Ứng dụng mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) để phân tích chuỗi thời gian và đưa ra dự báo chỉ số AQI cho 7 ngày tiếp theo.
4. Xây dựng giao diện ứng dụng đa nền tảng: Triển khai website giám sát thời gian thực ứng dụng công nghệ Progressive Web Apps (PWA) và trang Dashboard quản trị, tích hợp hệ thống thông báo, cẩm nang kiến thức và gợi ý giải pháp bảo vệ sức khỏe cho người dùng mà không bắt buộc đăng ký tài khoản phức tạp.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Nồng độ các chất ô nhiễm trong không khí ($CO$, $O_3$, $TVOC$, $CO_2$, $PM_{2.5}$), chỉ số chất lượng không khí tổng hợp (Composite AQI), các thuật toán học sâu dự đoán chuỗi thời gian và hệ thống nhúng IoT.
• Phạm vi không gian và thời gian: Môi trường không khí trong nhà và khu dân cư đô thị tại Việt Nam; dữ liệu thực nghiệm và triển khai hệ thống được thực hiện trong năm 2023.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và cách tính chỉ số AQI

Chỉ số chất lượng không khí (Air Quality Index - AQI) được chuẩn hóa theo quy định của Cơ quan Bảo vệ Môi trường Hoa Kỳ (US EPA), chia thành 6 cấp độ cảnh báo sức khỏe với thang điểm từ 0 đến 500:

Thang điểm AQI	Phân loại mức độ (Category)	Màu sắc đại diện	Tác động sức khỏe
0 – 50	Tốt (Good)	Xanh lá (Green)	Chất lượng không khí đạt chuẩn, không ảnh hưởng sức khỏe.
51 – 100	Trung bình (Moderate)	Vàng (Yellow)	Chấp nhận được; nhóm quá nhạy cảm có thể gặp triệu chứng nhẹ.
101 – 150	Kém đối với nhóm nhạy cảm (Unhealthy for Sensitive Groups)	Cam (Orange)	Nhóm nhạy cảm (trẻ em, người già, người bệnh hô hấp) bị ảnh hưởng.
151 – 200	Không lành mạnh (Unhealthy)	Đỏ (Red)	Mọi người bắt đầu cảm nhận tác động tiêu cực đến sức khỏe.
201 – 300	Rất không lành mạnh (Very Unhealthy)	Tím (Purple)	Cảnh báo sức khỏe khẩn cấp; toàn bộ cư dân chịu ảnh hưởng nghiêm trọng.
301 – 500	Nguy hại (Hazardous)	Nâu đỏ (Maroon)	Tình trạng khẩn cấp nghiêm trọng; khuyến cáo hạn chế hoạt động ngoài trời.

Công thức tính chỉ số AQI cho từng chất ô nhiễm riêng biệt: $$AQI = \frac{AQI_{Hi} - AQI_{Lo}}{Conc_{Hi} - Conc_{Lo}} \times (Conc_i - Conc_{Lo}) + AQI_{Lo}$$

Trong đó:

• $Conc_i$: Nồng độ đo được của chất ô nhiễm.
• $Conc_{Lo}$, $Conc_{Hi}$: Nồng độ ngưỡng dưới và ngưỡng trên tương ứng với khoảng giá trị của $Conc_i$.
• $AQI_{Lo}$, $AQI_{Hi}$: Điểm chỉ số AQI ngưỡng dưới và ngưỡng trên tương ứng.

Chỉ số AQI tổng hợp (Composite AQI) của không gian theo dõi được xác định bằng giá trị AQI lớn nhất (tồi tệ nhất) trong số các chất ô nhiễm thành phần (yêu cầu tối thiểu phải có sự tham gia của 3 chất ô nhiễm, trong đó bắt buộc có $PM_{10}$ hoặc $PM_{2.5}$): $$Composite\ AQI = \max(AQI_{CO}, AQI_{O_3}, AQI_{TVOC}, AQI_{PM_{2.5}})$$

Phương pháp thu thập và xử lý dữ liệu học máy

1. Tiền xử lý dữ liệu:
   • Kiểm tra và xử lý giá trị khuyết thiếu (Missing values).
   • Nhận diện và thay thế giá trị ngoại lai (Outliers) bằng phương pháp khoảng tứ phân vị (Interquartile Range - IQR) kết hợp gán ngưỡng trần/sàn.
   • Chuẩn hóa dữ liệu về khoảng $[0, 1]$ bằng thuật toán MinMaxScaler.
   • Biến đổi dữ liệu chuỗi thời gian thành cấu trúc khung trượt (Window size data).
2. Mô hình hóa dự đoán:
   • Sử dụng kiến trúc mạng học sâu Long Short-Term Memory (LSTM) có khả năng ghi nhớ phụ thuộc dài hạn trong chuỗi thời gian.
   • Phân chia tập dữ liệu thành tập huấn luyện (Train set), tập kiểm định (Validation set) và tập kiểm tra (Test set).
   • Đánh giá độ chính xác thông qua các chỉ số sai số: Root Mean Squared Error (RMSE) và Mean Absolute Percentage Error (MAPE).

---

Thiết kế và triển khai hệ thống

Kiến trúc phần cứng IoT

Hệ thống thu thập dữ liệu tại hiện trường được cấu hình từ các module phần cứng:

• Vi điều khiển trung tâm: Arduino Uno R3 (vi điều khiển ATmega328P, 14 chân Digital I/O, 6 chân Analog, xung nhịp 16 MHz).
• Module truyền thông Wi-Fi: WeMos D1 R2 (dựa trên chip ESP8266 NodeMCU Lua), nạp driver CH340, tích hợp thư viện WiFiManager cho phép cấu hình kết nối mạng thông qua cổng phát Wi-Fi cục bộ mà không cần nạp lại mã nguồn.
• Cảm biến bụi mịn $PM_{2.5}$: Sharp GP2Y1010AU0F (sử dụng nguyên lý tán xạ quang học gồm LED hồng ngoại, phototransistor và mạch khuếch đại tín hiệu).
• Cảm biến khí độc: Module cảm biến khí dòng MQ (MQ-7 đo $CO$, MQ-131 đo $O_3$), cấp nguồn 5V ($V_{cc}$), chân $GND$, ngõ ra analog ($A_{out}$) và digital ($D_{out}$), yêu cầu sấy sơ bộ (preheating) từ 12 đến 24 giờ.
• Cảm biến chất lượng không khí trong nhà: CJMCU-811 (cảm biến CCS811 đo $TVOC$ và nồng độ $eCO_2$) giao tiếp với ESP8266 qua giao thức $I^2C$ (địa chỉ mặc định 0x5A).

Kiến trúc phần mềm và hạ tầng Backend

Hệ thống phần mềm được thiết kế theo mô hình phân tán nhiều tầng dịch vụ:

Thành phần / Dịch vụ	Công nghệ sử dụng	Chức năng chi tiết
API Service	NodeJS, ExpressJS	Xây dựng theo kiến trúc 3 lớp (3-layer architecture). Đóng vai trò cầu nối tiếp nhận dữ liệu từ MQTT, định tuyến API cho Frontend và giao tiếp với Prediction Service.
Realtime Service	Socket.IO	Truyền tải liên tục các bản tin dữ liệu đo đạc từ MQTT Broker đến giao diện web client theo cơ chế sự kiện.
Message Broker	MQTT Broker, RabbitMQ	MQTT Broker tự lưu trữ trên Vultr VPS trung chuyển dữ liệu từ IoT; RabbitMQ (thư viện amqplib) điều phối hàng đợi gửi email thông báo.
Email Service	Nodemailer	Nhận sự kiện cảnh báo bất thường về chất lượng không khí từ RabbitMQ để gửi email cảnh báo tự động tới người dùng.
Prediction Service	Python, Flask, Keras/TensorFlow	Tải mô hình học sâu đã huấn luyện (best_model.h5, best_scaler.pkl) để cung cấp REST API dự báo AQI.
Cơ sở dữ liệu	MongoDB, Mongoose ODM	Lưu trữ dữ liệu lịch sử đo đạc không khí, nồng độ ô nhiễm định kỳ và các thông số cài đặt.
Hạ tầng triển khai	Docker, Docker Compose, Portainer, GCP, Vultr	Đóng gói toàn bộ dịch vụ backend thành các Docker container, quản trị container qua giao diện Portainer trên Google Cloud Compute Engine và VPS Vultr.

Giao diện người dùng (Frontend)

• Client Web Application: Xây dựng bằng HTML, CSS, JavaScript thuần kết hợp thư viện biểu đồ Chart.js và Socket.IO Client. Hỗ trợ chuẩn Progressive Web Apps (PWA) cho phép cài đặt trực tiếp lên điện thoại hoặc máy tính bàn như ứng dụng độc lập.
• Dashboard quản trị: Phát triển bằng ReactJS với cơ chế Virtual DOM giúp tăng tốc độ phản hồi và hiển thị các báo cáo phân tích chi tiết.

---

Nội dung chính theo từng chương

Chapter 1: Introduction & Motivation

Chương 1 trình bày bối cảnh gia tăng ô nhiễm không khí tại các vùng đô thị lớn và những đợt bùng phát dịch bệnh hô hấp. Tác giả phân tích nguồn gốc phát sinh và tác động y sinh học của các tác nhân ô nhiễm chính:

• Bụi mịn $PM_{2.5}$: Kích thước khí động học $\le 2.5\ \mu m$, nhỏ hơn nhiều lần so với đường kính sợi tóc người ($\approx 70\ \mu m$), có khả năng thâm nhập sâu vào phế nang và tuần hoàn máu.
• Khí $CO$: Khí độc không mùi, không vị sinh ra do quá trình đốt cháy không hoàn toàn, liên kết chặt chẽ với hemoglobin làm giảm khả năng vận chuyển oxy của hồng cầu.
• Khí $CO_2$: Nồng độ trong phòng họp kín vượt ngưỡng 1.000 ppm gây suy giảm nhận thức, đau đầu và giảm hiệu suất làm việc.
• Hợp chất $TVOC$: Tổng hợp các chất hữu cơ bay hơi (Benzen, Formaldehyde, Toluene,...) gây kích ứng mắt, mũi, họng và tổn thương nội tạng khi phơi nhiễm kéo dài.
• Khí $O_3$ tầng mặt đất: Hình thành từ phản ứng quang hóa giữa oxit nitơ ($NO_x$) và VOC dưới ánh sáng mặt trời, gây viêm loét biểu mô đường thở.

Chương này cũng xác định mục tiêu xây dựng hệ thống giám sát thời gian thực, chi phí thấp, triển khai trên nền tảng đám mây và đưa ra dự báo bằng mô hình học máy.

Chapter 2: Indoor Air Quality & Related Work

Chương 2 tập trung hệ thống hóa cơ sở lý thuyết về chất lượng không khí trong nhà (IAQ) và các công thức tính toán chỉ số AQI tổng hợp cũng như chỉ số thành phần cho $CO$, $O_3$, $TVOC$, $PM_{2.5}$. Tác giả tiến hành khảo cứu và so sánh các công trình liên quan:

• Nghiên cứu của S. Ngai và cộng sự về hệ thống giám sát gắn trên xe buýt công cộng tại Uppsala (Thụy Điển), sử dụng cảm biến Waspmote truyền dữ liệu qua mạng 4G về MQTT Broker và MongoDB.
• Dự án quản lý chất lượng không khí của Hoa Kỳ (US AMQP) đặt tại trạm đo Hà Nội, chỉ tập trung đo $PM_{2.5}$ và thiếu tính liên tục trong cập nhật.
• Hệ thống EnMoS của tác giả T. Trương và cộng sự, sử dụng mạng không dây LoRa diện rộng kết nối các cảm biến SDS011 ($PM_{2.5}$, $PM_{10}$), MH-Z19 ($CO_2$) và CJMCU-4541, có độ chính xác cao nhưng chi phí phần cứng và thời gian triển khai lớn.
• Nghiên cứu của Drewil và cộng sự ứng dụng mô hình học sâu LSTM để dự báo nồng độ ô nhiễm không khí cho ngày kế tiếp.

Từ phân tích so sánh, tác giả đề xuất lựa chọn giải pháp phần cứng Arduino kết hợp ESP8266 giá thành hợp lý, kết hợp NodeJS, MongoDB và ReactJS cho tầng ứng dụng.

Chapter 3: IoT-Based Air Quality Monitoring System

Chương 3 trình bày chi tiết sơ đồ nguyên lý mạch phần cứng, cách bố trí chân kết nối và phương pháp hiệu chuẩn cảm biến:

• Cảm biến Sharp GP2Y1010AU0F được định vị mặt in quay vào trong để tránh nhiễu ánh sáng ngoại vi, đầu thoát bụi hướng xuống dưới.
• Cảm biến dòng MQ được nối các chân $V_{cc}$ (5V), $GND$, $D_{out}$, $A_{out}$ và tiến hành sấy nhiệt ổn định điện trở tải $R_L$.
• Cảm biến CCS811 kết nối bus $I^2C$ với ESP8266.
• Thiết kế chi tiết tầng backend với 3 dịch vụ độc lập: API Service (NodeJS/ExpressJS theo mô hình 3 lớp), Email Service (RabbitMQ/Nodemailer), Prediction Service (Python/Flask).
• Quy trình tự động hóa triển khai (Deployment) sử dụng Docker Compose và giao diện quản lý Portainer trên môi trường Google Cloud Compute Engine và VPS Vultr.

Chapter 4: Learn from Data & Machine Learning Modeling

Chương 4 mô tả toàn bộ quy trình xây dựng và đánh giá mô hình học sâu dự báo chỉ số AQI trên môi trường Google Colab:

• Phân tích cấu trúc tập dữ liệu chuỗi thời gian khí tượng/chất lượng không khí (các thuộc tính $PM_{10}$, $SO_2$, $NO_2$, $CO$, nhiệt độ, độ ẩm).
• Loại bỏ nhiễu và ngoại lai bằng kỹ thuật IQR kết hợp gán ngưỡng; chuẩn hóa dữ liệu bằng MinMaxScaler.
• Chuyển đổi ma trận dữ liệu sang dạng khung trượt (Window size) phù hợp với chiều đầu vào của lớp hồi quy LSTM.
• Thực hiện 4 cấu hình thực nghiệm huấn luyện mạng LSTM với số lượng nơ-ron, hàm kích hoạt và tham số tối ưu khác nhau.
• Đánh giá hiệu năng mô hình trên tập dữ liệu chuẩn và tập dữ liệu thực tế do thiết bị tự thu thập (own_data), ghi nhận các giá trị sai số RMSE và MAPE.

Chapter 5: System Implementation and Evaluation

Chương 5 minh chứng kết quả vận hành thực tế của toàn bộ hệ thống phần mềm và thiết bị nhúng:

• Quy trình khởi tạo thiết bị: Cấp nguồn, kết nối Wi-Fi thông qua giao diện Web Captive Portal của WiFiManager.
• Giao diện người dùng trên web và mobile (PWA):
  • Hiển thị chỉ số Composite AQI thời gian thực và phân loại màu sắc cảnh báo theo chuẩn EPA.
  • Thẻ hiển thị nồng độ chi tiết từng chất ô nhiễm ($PM_{2.5}$, $CO$, $O_3$, $TVOC$, $CO_2$).
  • Biểu đồ trực quan hóa dữ liệu lịch sử theo mốc thời gian (Historical pollutant value chart).
  • Tính năng dự báo chỉ số AQI trong tương lai (Predict feature).
  • Cẩm nang hướng dẫn người dùng (User guidebook) và gợi ý giải pháp bảo vệ sức khỏe khi chỉ số ô nhiễm vượt ngưỡng (Solution Tooltip).
  • Chức năng gửi email cảnh báo tự động khi nồng độ chất độc hại đạt mức nguy hiểm.
  • Chức năng kết xuất báo cáo chất lượng không khí tổng hợp (Air quality report).

---

Kết quả và đóng góp

Kết quả kỹ thuật và thử nghiệm mô hình

• Chế tạo thành công bộ thiết bị đo chất lượng không khí trong nhà nhỏ gọn, hoạt động ổn định, kết nối Internet không dây linh hoạt qua Wi-Fi.
• Xây dựng hoàn chỉnh hệ sinh thái phần mềm gồm Backend phân tán (ExpressJS, Flask, RabbitMQ, MQTT, Socket.IO, MongoDB) và Frontend đa nền tảng (ReactJS, PWA) hoạt động thời gian thực với độ trễ thấp.
• Mô hình học sâu LSTM đạt độ chính xác cao trong việc dự báo xu hướng chỉ số AQI, thể hiện qua các chỉ số đánh giá sai số thực nghiệm RMSE và MAPE trên tập dữ liệu kiểm tra.

Đóng góp thực tiễn của đề tài

1. Giải pháp chi phí thấp và dễ tiếp cận: Thay thế các trạm quan trắc đắt tiền bằng hệ thống cảm biến IoT giá thành hợp lý, giúp người dân và hộ gia đình có thể tự theo dõi chất lượng không khí trong không gian sống.
2. Trải nghiệm người dùng thuận tiện: Loại bỏ rào cản đăng nhập phức tạp, ứng dụng công nghệ PWA giúp người dùng dễ dàng cài đặt và sử dụng ứng dụng tức thời trên nhiều thiết bị (Desktop, Android, iOS).
3. Cung cấp giải pháp cảnh báo và hỗ trợ hành động: Không chỉ dừng lại ở việc hiển thị chỉ số, hệ thống tích hợp giải pháp cảnh báo chủ động qua email và cung cấp công cụ hướng dẫn (Solution Tooltip/Guidebook) giúp người dùng đưa ra các biện pháp xử lý kịp thời (bật máy lọc không khí, đóng cửa sổ, đeo khẩu trang chuyên dụng).

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Độ nhạy và độ chính xác của các cảm biến bán dẫn thương mại (dòng MQ, Sharp quang học) có thể bị suy hao theo thời gian hoạt động và chịu ảnh hưởng nhất định bởi sự biến thiên của nhiệt độ, độ ẩm môi trường xung quanh.
• Mô hình dự đoán LSTM mới chỉ được huấn luyện trên tập dữ liệu chuỗi thời gian giới hạn; việc mở rộng dự đoán đa biến phức tạp trong thời gian dài (trên 7 ngày) còn gặp thách thức về sai số tích lũy.

Hướng phát triển tiếp theo

• Nghiên cứu tích hợp các dòng cảm biến công nghiệp có độ chính xác cao hơn (như cảm biến laser cho bụi mịn, cảm biến NDIR quang học cho khí $CO_2$).
• Hoàn thiện vỏ hộp công nghiệp bằng công nghệ in 3D để bảo vệ mạch vi điều khiển và tăng tính thẩm mỹ cho thiết bị khi lắp đặt trong gia đình/văn phòng.
• Mở rộng quy mô thử nghiệm mô hình học máy với các tập dữ liệu khí tượng lớn hơn, kết hợp các thuật toán học sâu hiện đại như Bi-LSTM hoặc Transformer để nâng cao độ chính xác dự báo dài hạn.

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị cao đối với:

• Sinh viên ngành Hệ thống Thông tin, Kỹ thuật Phần mềm, Khoa học Dữ liệu và IoT: Tham khảo cách thức phân rã kiến trúc phần mềm phân tán (Microservices/Multiple Services), kết nối giao thức IoT (MQTT, WebSockets) với cơ sở dữ liệu NoSQL, và quy trình đóng gói container bằng Docker Compose.
• Người phát triển ứng dụng giám sát môi trường: Tham khảo chi tiết sơ đồ ghép nối chân phần cứng của các cảm biến ($PM_{2.5}$, $CO$, $O_3$, $TVOC$, $CO_2$), phương pháp cấu hình Wi-Fi động bằng WiFiManager, và công thức chuẩn tính toán chỉ số AQI tổng hợp theo EPA.
• Kỹ sư phát triển mô hình chuỗi thời gian: Tham khảo quy trình tiền xử lý dữ liệu thực tế (khử ngoại lai bằng IQR, chuẩn hóa MinMax, biến đổi cửa sổ trượt) và cách tích hợp mô hình TensorFlow/Keras với backend Flask API.

---

Câu hỏi thường gặp

1. Hệ thống sử dụng những loại cảm biến nào để đo lường các chất ô nhiễm không khí?

Hệ thống tích hợp cảm biến bụi Sharp GP2Y1010AU0F (đo $PM_{2.5}$), module cảm biến MQ-7 (đo $CO$), module MQ-131 (đo $O_3$) và module CJMCU-811 / CCS811 (đo $TVOC$ và nồng độ $eCO_2$).

2. Chỉ số AQI tổng hợp (Composite AQI) được hệ thống tính toán như thế nào?

Chỉ số AQI tổng hợp được tính bằng giá trị lớn nhất (tồi tệ nhất) trong số các chỉ số AQI thành phần của các chất đo được ($Composite\ AQI = \max(AQI_{CO}, AQI_{O_3}, AQI_{TVOC}, AQI_{PM_{2.5}})$), tuân thủ yêu cầu có tối thiểu 3 chất ô nhiễm tham gia và có sự hiện diện của $PM_{2.5}$.

3. Dữ liệu từ cảm biến IoT được truyền về máy chủ qua giao thức nào?

Dữ liệu đo đạc từ vi điều khiển được đóng gói và gửi qua giao thức MQTT đến MQTT Broker tự host trên VPS Vultr. Từ đó, API Service (NodeJS) đọc dữ liệu từ broker, lưu trữ vào MongoDB và phân phối tức thời tới Frontend qua Socket.IO.

4. Mô hình học máy nào được sử dụng để dự đoán chất lượng không khí và dữ liệu được tiền xử lý ra sao?

Hệ thống sử dụng mô hình học sâu LSTM (Long Short-Term Memory). Dữ liệu được xử lý giá trị khuyết, lọc ngoại lai bằng phương pháp IQR, chuẩn hóa bằng MinMaxScaler, chuyển sang dạng cửa sổ trượt (window size) và đánh giá bằng các chỉ số sai số RMSE, MAPE.

5. Ứng dụng web hiển thị dữ liệu có gì đặc biệt về công nghệ triển khai?

Trang web hiển thị được tích hợp công nghệ Progressive Web Apps (PWA), cho phép người dùng cài đặt trực tiếp về điện thoại hoặc máy tính để sử dụng độc lập, truy cập dữ liệu thời gian thực mà không cần đăng ký tài khoản.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Đức Khải đã giải quyết trọn vẹn bài toán xây dựng một hệ thống IoT giám sát và dự đoán chất lượng không khí toàn diện từ phần cứng thu thập, hạ tầng xử lý dữ liệu đám mây đến giao diện người dùng. Việc kết hợp hài hòa giữa các giao thức truyền thông thời gian thực (MQTT, Socket.IO), công nghệ web hiện đại (PWA, ReactJS) và mô hình học sâu LSTM giúp hệ thống đạt tính khả thi cao trong thực tiễn. Đây là công trình kỹ thuật có giá trị ứng dụng rõ ràng, hỗ trợ hiệu quả cho công tác cảnh báo ô nhiễm và bảo vệ sức khỏe cộng đồng trong môi trường đô thị.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY HO CHI MINH CITY UNIVERSITY OF INFORMATION TECHNOLOGY ADVANCED PROGRAM IN INFORMATION SYSTEMS NGUYEN ĐỨC KHÁI — 19521658 GRADUATION THESIS AIR QUALITY MONITORING AND PREDICTING APPLICATION INFORMATION SYSTEMS ENGINEER THESIS ADVISOR MSc. DO DUY THANH HO CHI MINH CITY, YEAR 2023 ACKNOWLEDGEMENT First and foremost, I’d like to deeply express my gratitude and grateful to my supervisor Ms. Cao Thi Nhan for all of her valuable support and revision with my final thesis. In the early stage when I started working on my graduation project, I encountered many problems, concerns, and even fears of not being able to complete it.

However, thanks to her encouragement, inspiration, suggestion, and help, I was able to complete my graduation thesis. Next, I am extremely appreciative that the Department of Information Systems and OEP has provided me with an excellent opportunity to put all of my education, perception and experience to solve a massive problem as well as applying them to hands-on a real application. Without the need for hesitation, this experience has provided me with a strong foundation in my career path. Finally, I would like to express my sincere appreciation and respect towards my family members for encouraging me throughout the process of conducting my graduation thesis.

In addition, I would like to thank my younger cousin, Mr. Bui Quang Phu for assisting me in researching the basic knowledge and foundations of data mining. Thanks to them, I am inspired to persevere in the face of challenges and create the product of the best quality. Table of Contents ABSTRACTION 1.

HTHHn HH H HH T HH 2 IV. The importance of monitoring air Quality .-----s<+<<ss++se+seeeesess 6 1. Effects of mainly indoor air pollutants on human health. TA, 5 5 se <seesee 8 PS ')9°, /(G 6a.

Objectives and SCOD€. G12 11H HH ng ngư 11 L411. INDOOR AIR QUALÏ T”Y.- 2 0 c3 99H HH HH it 13 "Noion ae. AQI Scale for Different PollufanfS.

General problem solving apprOach.-- - --ssss si ererrree 19 2. Related acc cố. Required technology for developing appÌication. Reason for building SySf€T.

Reason user will choose this appÌiCafiOT. loT-BASED AIR QUALITY MONITORING SYSTEM. A synopsis of the proposed SVSf€T.-- SG Q19 v SH ri, 27 3. ToT hardware and €VIC©S.

TH HH nh ng 27 3. Ăn nh HH nh in 27 3. Wi-Fi Module ESPS26G6. HH HH HH 30 3.

Sharp dust sensor GỚP2Y 1010AUOE. CCS811 TVOC CO2 S€TSOI. G1111 HT HH HH 33 3.c + SS St k*n* HT TH TH HH niệt 34 3. Sensor COnÍIBUTAfIOH.- Gà nh nh ng rư41 3.

System WOTKÍ[OW. cọ TH HH HH Hi, 42 3. Virtual Private S€TV€T.- Ác SH TT HH TH HH HH ni kt 44 3. Google Cloud Compute Engine.

Vultr Cloud PTOVI€T.- o6 S3 ng ng ng nến 45 3. Docker monitor by POTAIT€T. Work with ToT devices. Gv ng ke 46 3.

Learn from đafa. SH TH TH HH He 54 4. Replace OUtÏI€TS. Apply MinMax SCaÌT.

Transform to window size (Ì4fa. Gà HH HH57 4. Split to train, test and validation S€K.- -- «sec ssc<sessessers 58 4. Ăn TH HH TH kh 59 4.- <5 5 + ret59 XSANH? \) no TC.

HH nh re62 4. Experiment on self-measurement dafaS€L.- 555555 s+++s<++svesssexs 66 "“"ÐốŒt::aiađiaiiitftẩầỶẢỶ. Dafa DF€DTOC€SSINE. Ăn HH HH Hy 67 4.

Train, test afAS©.- G1 1 TH TH HH nh re 69 Non. Connect the device to a DOW€T SOUITC€. Gv ng re, 69 5. Connect device With WI-ÏEFI.

- - - - cc ccc 1E SS SH SSSSnS S555 51 1k kvkkkkrer 70 5. Monitor air quality through w€©bSI{€.- --- «5 HH TH TT HH HH HH 77 Chapter 6. ĐÁ HH T HH TH TH TH TH HH kg krry 83 "`. Q1 Tnhh Tu HH Ti HH nh vn 83 REFERENCES 1.

85 LIST OF FIGURES Figure 1. 1: Smog covers Ho Chi Minh CÍIfy. 2: PM particles size comparisons with human haIr. 3: Arduino Uno micro-confTOÏÏ€T.-- 5 «+ + £++*£+se++eeesxx 12 Figure 2.

1: AQI Category and Levels of Concern. 2: AQI color formulas in RGB (red, green, blue) and CMYK (cyan, magenta, yellow, bIack). s11 TH TH TH nh gi 17 Figure 2. 3: CO AQT Scale [29] .- -- -- + <1 1x21 1 2111118211111 1g ng ng ve 17 Figure 2.

5: TVOC AQT SCaÌ6. 7: Interface of US AMQP Project in Hanoi, Vietnam. 1: WeMos NodeMCu DI-EÌ. 2: Additional boards manager URLLS.

3: MQ gas sensors mOdUÏe. 5 + + ***kE+sv+eeeeerseeeseke 30 Figure 3. 4: MQ Series Se€nSOT DITOUI. 56 + SE VESsvEsseEeeeersrkerske 31 Figure 3.

5: Structure and function of Sharp GP2Y1010AUOE. 6: Connection Diagram CCS811 and ESPS§266. 7: Backend ArchIf€CfUTC. -- --- <1 x1 HH ng re 35 Figure 3.

8: RabbitMQ between Email service and API service. 10: best_model h5 file and best_scaler pkl file. 11: Loading model and sCaÏer.-- «+ «++s£++++eexss+ssxs 38 Figure 3. 12: Getting predict data by using Postman.

13: MQTT broker between IoT and API service. 14: MOTT X Inf€rface. 15: System WOTKÍÏOW.- «nh TH Hư 42 Figure 3. 16: Cloned repository on VPS.-- «cv ng ng ke 43 Figure 3.

17: Start all services by running docker compose. 18: Deployment model using Docker. 19: Google Cloud $300 credit proøram. -- 5 + x3 vn ng ng 45 Figure 3.

21: Portainer user ITI€TÍAC€. 22: AirChecker project Github repOSitOTy. 23: IOT devices in reality. s5 xxx seeeeeeskre 49 Figure 4.

HH TH TH TH TH TH HH tre 50 Figure 4. 3: Check missing value in đafas€t. 4: IQR method for identifying OufÏI€TS. 5: Replace outliers with threshold.-------«-++<<<=++<eex+sesss 56 Figure 4.

6: Before and after replacing OutÏI€TS .- ------««+5s«=+ss++ss+ 56 Figure 4. 7: Value of dataset after applying scaler. 8: Transform scaled data to window size đafa. 9: Split dataset and reshape to LSTM layer input shape.

10: Experiment 1 model configurafION. 11: Experiment Ï train, test Set 2. cee eeceeseeeseceseeeeeeceseceeeeseeeneeees 60 Figure 4. 12: Experiment 2 confiØUTAfIOI.

13: Experiment 3 configuraf1ON.- - -----++- «+ +++sx++eeeeeseereeesrs 61 Figure 4. 14: Experiment 4 confiØUTAfIOI. 15: Relationship of first 100 samples on train set. 16: Relationship of first 100 samples on validation set.

17: Relationship of first 100 samples on test set. 18: Air Quality Index (AQT) prediction pÏot. 19: Select feature and index coÏumn. 1: Device CORTI€CfOTS.

3: Setup Wi-Fi for ESP8266. 5: Install for desktop app. 6: Mobile application 1TIf€TÍACG. 7: Composite AQT Í€afUTGS.- - -- n1 HH re 74 Figure 5.

10: Predict feature and user guidebook feature. 11: Individual pollutant concentrafIOH. 13: Propose solution for high pollutanfS. 15: Historical pollutant value chart.

17: Email alert to user’s €TmaIÏ.--- 55+ + sx£+Eseseeseesserseee 79 Figure 5. 19: Air quality report (page Ï). 20: Air quality report (Page 2). - -- - - vn rưkt 82 LIST OF TABLES Table 2.

1: oT device name list. eee eeesseceseeeseeeseceeceeeeeseeesseeseseneeenaeees 20 Table 2. 1: WeMos NodeMCU DI RI technical specIfications. 2: 3-layer model and hands-on 1ÌÏustraflon.

3: Prediction service API endpOInIfS. 4: Response structure from predicted APPI. 5: Sensor cOnfiØUTAfIOT. 6: Docker compose commands.

7: Portainer account InfOrmafioII.-- -- 5s +++<s+++se++eeex+zsss 46 Table 4. 1: Dataset column mmeanInØ. 3: PM10 Annual Summary. 4: SO2 Annual Summary.

s5 13 E+*VE+#vEEeeeEseeeeseeeee 52 Table 4. 5: NO2 Annual Summary. 6: CO Annual SummarV.-- -- c5 + 3E E+*vE+veeEeeerseeeeeeerse 53 Table 4. 8: The first ten rows data in the dataset.

9: Google Colab RÑ@SOUTC€S.- 5 5 1 ng ng ng rưưt 59 Table 4. cee eesceseceseeeseeeeseceseceeeeseeeeseeeaeeeeeeneees 62 Table 4. 11: Experiment RMSE results 20. cee ceeceeeceeeeeceneceseeeseeeeneesseeeaeeess 63 Table 4.

12: Model evaluation using MAPE. 13: The own dataset Structure .- Ă HS He 67 Table 4. 14: RMSE result of own_data traiming. 1: Application features ÏIS(.- 56c vn rưkt 69 Table 5.

2: Devices requireMent ZV:aađađa.- 70 LIST OF ABBREVIATIONS PDYÐFmƠœH© Aout: Analog Output API: Application Programming Interface AQI: Air Quality Index CO: Carbon Monoxide Dout: Data/Digital Output GND: Ground IoT: Internet of Things LSTM: Long Short-Term Memory O3: Ground level ozone © PM: Particulate Matter — — .5: Particulate Matter with aerodynamic diameter < 2. PPM: Parts per millions o¬sWBnwN. PPB: Parts per billion. TVOC: Total Volatile Organic Compounds.

Vcc: Voltage Common Collector —¬ Sa. VOC: Volatile Organic Compounds — ~. VPS: Virtual Private Server ¬ œ. Wi-Fi: Wireless Fidelity LIST OF FORMULAS Formula 2.

1: AQI formula for each pollutant Formula 2. 2: Composite AQI formula. ABSTRACTION With the increasingly negative climate change, people are gradually exposed to toxic substances, some of which have a direct impact but also some that have a long- term impact. Nowadays, people get sick more often and diseases have increasingly unpredictable variations.

Surely no one does not remember that the Covid-19 epidemic caused loss of both life and property. With technology gradually playing an important role in most aspects of life, I realized an opportunity to apply technology to partially solve the air problem. This is the reason I want to build an air quality monitoring and prediction system based on IoT. The system includes sensors to measure pollutants such as CO, O3, PM2.5, TVOC, thereby providing warnings to the user's device through notifications.

The system also includes a website that can be used on phones and is implemented with Progressive Web Apps (PWA) technology so users can download and use it like software. Regarding the air quality forecast feature, I apply the LSTM algorithm model to forecast air quality for the next 7 days. Motivation Dust, cigarettes, toxic chemicals from factories, dust from construction sites, exhaust from vehicles, etc. These are all components that make the air in the atmosphere.

The human atmosphere is increasingly seriously polluted. Over the years, research, articles and information from the media and news have mentioned issues of climate warming [1], the greenhouse effect [2], especially respiratory diseases, infectious disease epidemics like Covid-19 [3] etc. are ringing the alarm bell and waking everyone up. Human activities are causing the concentration of pollutants to increase significantly.

According to Reuters: "Beijing’s city government has issued a red alert for severely high levels of air pollution in the Chinese capital, running for five days from Friday evening, the environmental protection bureau said Figure 1. 1: Smog covers Ho Chi Minh City. (source: “HCMC smog made up of condensed pollutants: environment dept”, H. Anh, VnExpress, Sep.

26, 2019) With the development of information technology in general and the development of Internet of Things technology in particular, it is not difficult for us to create an application or monitoring system to measure air quality to prevent, research and analysis. In addition, in the area where I live, it is a small alley about 3 meters wide where, when a motorbike turns around, a lot of dust and smoke is discharged directly into the house. With an understanding of technology, IoT, and the above situation, I was prompted to create an application that can measure air indicators and provide warnings and solutions to family members. The idea of the application is to measure pollutants using sensors and display the concentration of substances on the website in real time while building a backend system and database to save measurement results every hour.

Air pollution This section aims to learn about air pollution, air pollutants and their sources, etc. At the same time, briefly introduce how to check air quality using the air quality index (AQD. Air pollution refers to the introduction of chemical, physical, contamination, or biological substances into the internal or external environment, resulting in alterations to the inherent properties of the atmosphere. The main pollutants that impact public health that need to be considered first include particulate matter, carbon monoxide, ozone, nitrogen dioxide, and sulfur dioxide [5].