Nghiên Cứu Ứng Dụng Trí Tuệ Nhân Tạo Để Dự Báo Chất Lượng Không Khí

Luận án tiến sĩ phân tích nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí, xây dựng cơ sở lý luận, kiểm chứng thực nghiệm, đóng góp tri thức mới cho ngành.

• Tác giả: Mạc Duy Hưng
• Người hướng dẫn: PGS.TS Nghiêm Trung Dũng
• Trường học: Đại học Bách khoa Hà Nội
• Chuyên ngành: Khoa học và Công nghệ Môi trường
• Đề tài: Ứng Dụng Trí Tuệ Nhân Tạo Trong Dự Báo Chất Lượng Không Khí
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• MỞ ĐẦU. MỞ ĐẦU
• 1. CHƯƠNG 1: PHƯƠNG PHÁP NGHIÊN CỨU
• 1.1. Quy trình nghiên cứu
• 1.2. Thu thập dữ liệu
• 1.3. Địa điểm và thời gian thu thập dữ liệu
• 1.4. Thông số kỹ thuật và phương pháp đo đạc tại trạm quan trắc
• 1.5. Làm sạch và chuẩn bị dữ liệu
• 1.5.1. Xử lý dữ liệu ngoại vi
• 1.5.2. Bổ khuyết dữ liệu
• 1.5.3. Kiểm tra độ tin cậy của bộ dữ liệu sau khi đã bổ khuyết
• 1.6. Chuẩn hóa dữ liệu đầu vào cho mô hình dự báo
• 1.7. Xây dựng mô hình dự báo thống kê chất lượng không khí
• 1.8. Tiến trình thực thi mô hình
• 1.9. Đánh giá hiệu suất của mô hình nghiên cứu
• 1.10. Nền tảng và thông số kỹ thuật máy tính
• 2. CHƯƠNG 2: KẾT QUẢ VÀ THẢO LUẬN
• 2.1. Kết quả phân tích và xử lý dữ liệu đầu vào
• 2.2. Tình trạng dữ liệu và xử lý sơ bộ
• 2.3. Kết quả bổ khuyết dữ liệu
• 2.4. Luật phân bố xác suất của dữ liệu
• 2.5. Diễn biến theo thời gian và tương quan giữa các thông số
• 2.6. Lựa chọn mô hình dự báo
• 2.7. Dự báo nồng độ trung bình giờ
• 2.7.1. Thông số chất lượng không khí dạng bụi
• 2.7.2. Nhóm thông số ô nhiễm dạng khí
• 2.8. Dự báo nồng độ trung bình ngày
• 2.8.1. Nhóm thông số chất lượng không khí dạng bụi
• 2.8.2. Nhóm thông số chất lượng không khí dạng khí
• 3. CHƯƠNG 3: KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN

Tóm tắt

I. Giới thiệu về ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí

Ứng dụng trí tuệ nhân tạo (AI) trong dự báo chất lượng không khí đang trở thành một lĩnh vực nghiên cứu quan trọng, đặc biệt trong bối cảnh ô nhiễm không khí ngày càng nghiêm trọng. Luận án tiến sĩ này tập trung vào việc sử dụng các mô hình AI như mạng nơron tích chập (CNN) và khối bộ nhớ dài – ngắn (LSTM) để dự báo các thông số chất lượng không khí. Các công nghệ dự báo không khí này không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quá trình xử lý dữ liệu. Nghiên cứu khoa học về không khí đã chỉ ra rằng, việc dự báo chính xác các chất ô nhiễm như PM10, PM2.5, NO2, và O3 có thể giúp các cơ quan quản lý đưa ra các biện pháp phòng ngừa kịp thời.

1.1. Tầm quan trọng của dự báo chất lượng không khí

Dự báo chất lượng không khí đóng vai trò quan trọng trong việc bảo vệ sức khỏe cộng đồng và môi trường. Các phương pháp dự báo môi trường truyền thống thường dựa trên các mô hình toán học phức tạp, trong khi AI trong môi trường mang lại sự linh hoạt và hiệu quả cao hơn. Công nghệ AI trong nghiên cứu môi trường đã chứng minh khả năng xử lý lượng lớn dữ liệu và dự đoán chính xác các xu hướng ô nhiễm. Điều này đặc biệt quan trọng trong việc quản lý các nguồn phát thải và đưa ra các cảnh báo sớm cho người dân.

1.2. Các mô hình AI được sử dụng trong nghiên cứu

Mô hình dự báo không khí trong luận án này sử dụng CNN và LSTM, hai kỹ thuật tiên tiến trong trí tuệ nhân tạo. CNN được sử dụng để trích xuất các đặc trưng từ dữ liệu, trong khi LSTM giúp xử lý các chuỗi thời gian dài. Sự kết hợp này cho phép mô hình dự báo chính xác các thông số chất lượng không khí như nồng độ bụi và khí độc. Ứng dụng AI trong khoa học môi trường đã mở ra hướng đi mới trong việc giải quyết các vấn đề phức tạp liên quan đến ô nhiễm không khí.

II. Phương pháp nghiên cứu và quy trình thực hiện

Phương pháp nghiên cứu trong luận án bao gồm các bước thu thập, xử lý và phân tích dữ liệu chất lượng không khí. Quy trình nghiên cứu bắt đầu với việc thu thập dữ liệu từ các trạm quan trắc, sau đó áp dụng các phương pháp tiền xử lý dữ liệu để loại bỏ các giá trị ngoại lai và bổ khuyết dữ liệu thiếu. Công nghệ dự báo không khí sử dụng AI được áp dụng để xây dựng các mô hình dự báo, với mục tiêu đạt được độ chính xác cao nhất.

2.1. Thu thập và xử lý dữ liệu

Dữ liệu được thu thập từ trạm quan trắc Nguyễn Văn Cừ, Hà Nội, bao gồm các thông số như PM10, PM2.5, NO2, và O3. Phương pháp xử lý dữ liệu ngoại vi được sử dụng để loại bỏ các giá trị bất thường, trong khi phương pháp bổ khuyết dữ liệu giúp hoàn thiện bộ dữ liệu. Công nghệ AI trong nghiên cứu môi trường đã được áp dụng để tự động hóa quá trình này, đảm bảo tính chính xác và hiệu quả.

2.2. Xây dựng và đánh giá mô hình

Mô hình dự báo không khí được xây dựng dựa trên CNN và LSTM, với quy trình huấn luyện và kiểm tra nghiêm ngặt. Đánh giá hiệu suất của mô hình được thực hiện thông qua các chỉ số như RMSE và MAE, cho thấy mô hình đạt độ chính xác cao trong việc dự báo các thông số chất lượng không khí. Nghiên cứu khoa học về không khí đã chứng minh tính khả thi và hiệu quả của phương pháp này.

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy mô hình CNN-LSTM đạt hiệu suất cao trong việc dự báo các thông số chất lượng không khí. Dự báo nồng độ trung bình giờ và nồng độ trung bình ngày của các chất ô nhiễm như PM10 và NO2 đều đạt độ chính xác đáng kể. Công nghệ dự báo không khí sử dụng AI đã chứng minh khả năng ứng dụng rộng rãi trong thực tế, đặc biệt trong việc hỗ trợ các cơ quan quản lý môi trường.

3.1. Phân tích kết quả dự báo

Kết quả dự báo cho thấy mô hình CNN-LSTM có khả năng dự đoán chính xác các thông số chất lượng không khí, với sai số thấp và độ tin cậy cao. Dự báo nồng độ trung bình giờ của PM10 và NO2 đạt độ chính xác trên 90%, trong khi dự báo nồng độ trung bình ngày cũng cho kết quả tương tự. Ứng dụng AI trong khoa học môi trường đã mang lại những kết quả tích cực, mở ra hướng đi mới trong việc quản lý chất lượng không khí.

3.2. Đánh giá tính ứng dụng thực tế

Tính ứng dụng thực tế của mô hình được đánh giá cao, với khả năng hỗ trợ các cơ quan quản lý trong việc đưa ra các cảnh báo sớm và biện pháp phòng ngừa. Công nghệ AI trong nghiên cứu môi trường đã chứng minh khả năng xử lý dữ liệu lớn và dự đoán chính xác các xu hướng ô nhiễm. Nghiên cứu khoa học về không khí đã góp phần nâng cao hiệu quả quản lý môi trường, đặc biệt trong bối cảnh ô nhiễm không khí ngày càng nghiêm trọng.

IV. Kết luận và kiến nghị

Kết luận của luận án khẳng định hiệu quả của việc ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí. Mô hình CNN-LSTM đã chứng minh khả năng dự đoán chính xác các thông số ô nhiễm, mang lại lợi ích lớn cho công tác quản lý môi trường. Kiến nghị được đưa ra bao gồm việc mở rộng nghiên cứu sang các khu vực khác và tích hợp thêm các yếu tố khí tượng để nâng cao độ chính xác của mô hình.

4.1. Đóng góp của nghiên cứu

Nghiên cứu đã đóng góp quan trọng vào việc phát triển các mô hình dự báo không khí sử dụng AI, đặc biệt là CNN và LSTM. Ứng dụng AI trong khoa học môi trường đã mang lại những kết quả tích cực, mở ra hướng đi mới trong việc quản lý chất lượng không khí. Công nghệ dự báo không khí sử dụng AI đã chứng minh khả năng ứng dụng rộng rãi trong thực tế, đặc biệt trong việc hỗ trợ các cơ quan quản lý môi trường.

4.2. Hướng phát triển trong tương lai

Hướng phát triển trong tương lai bao gồm việc mở rộng nghiên cứu sang các khu vực khác và tích hợp thêm các yếu tố khí tượng để nâng cao độ chính xác của mô hình. Nghiên cứu khoa học về không khí cần tiếp tục phát triển các phương pháp dự báo môi trường tiên tiến, nhằm đáp ứng nhu cầu quản lý chất lượng không khí ngày càng cao. Công nghệ AI trong nghiên cứu môi trường sẽ tiếp tục đóng vai trò quan trọng trong việc giải quyết các vấn đề ô nhiễm không khí.

Nội dung chính

Tổng quan về luận án

Ô nhiễm không khí đang là thách thức y tế công cộng và môi trường nghiêm trọng hàng đầu trên quy mô toàn cầu. Báo cáo của Tổ chức Y tế Thế giới (WHO) chỉ ra rằng ô nhiễm không khí là nguyên nhân dẫn đến gần 7 triệu ca tử vong mỗi năm, chiếm 10% tổng số ca tử vong do mọi nguyên nhân. Các bằng chứng dịch tễ học quốc tế, tiêu biểu là nghiên cứu của Di và cộng sự trên 60 triệu người thụ hưởng bảo hiểm Medicare tại Mỹ, xác nhận rằng "cứ nồng độ của PM2.5 tăng lên 10 μg/m³, thì tỷ lệ tử vong do mọi nguyên nhân tăng lên 7,3%, còn khi nồng độ O3 tăng lên 10 ppb thì tỷ lệ tử vong tăng lên 1,1%". Tại Việt Nam, nghiên cứu của Nguyễn Thị Trang Nhung và cộng sự trên hơn 75.000 bệnh nhi tại Hà Nội giai đoạn 2004–2016 ghi nhận 2.462/3.351 ngày có nồng độ PM10 vượt quy chuẩn WHO, làm suy giảm trực tiếp tỷ lệ hồi phục hô hấp của trẻ nhỏ. Thực trạng này đặt ra yêu cầu cấp bách về việc phát triển các công cụ dự báo chất lượng không khí (CLKK) có độ chính xác cao và khả năng cảnh báo sớm theo thời gian thực.

Luận án tiến sĩ kỹ thuật môi trường của nghiên cứu sinh Mạc Duy Hưng, dưới sự hướng dẫn khoa học của PGS.TS Nghiêm Trung Dũng và GS.TS Hoàng Xuân Cơ tại Trường Đại học Bách khoa Hà Nội, mang tiêu đề: "Nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí". Công trình tạo lập bước đột phá khi giải quyết khoảng trống nghiên cứu (research gap) cốt lõi: sự thiếu vắng các mô hình dự báo thống kê học sâu có khả năng xử lý chuỗi thời gian phi tuyến tính đa chiều, kết hợp hoàn chỉnh với quy trình tiền xử lý, khử nhiễu ngoại vi và bổ khuyết dữ liệu quan trắc dài hạn tại Việt Nam.

Nghiên cứu vận hành trên các câu hỏi và giả thuyết khoa học trọng tâm:

1. RQ1: Làm thế nào để loại bỏ dữ liệu dị thường mà không triệt tiêu các giá trị đỉnh thực tế sinh ra từ các sự cố môi trường?
   • H1: Quy trình kiểm định chéo giữa biểu đồ hộp (Boxplot - Tukey) và dữ liệu gốc phân giải 5 phút cho phép phân tách chính xác giữa sai số thiết bị và các biến động môi trường cực đoan.
2. RQ2: Mô hình học máy nào tối ưu hóa bài toán bù khuyết chuỗi thời gian khí tượng - chất lượng không khí bị gián đoạn kéo dài?
   • H2: Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) kiểm soát phần dư và tính quy luật chuỗi thời gian vượt trội hơn các phép nội suy Spline hay hồi quy tuyến tính cổ điển.
3. RQ3: Kiến trúc học sâu lai ghép nào phản ánh chính xác nhất tương tác hóa lý phức tạp của các chất ô nhiễm sơ cấp và thứ cấp?
   • H3: Sự kết hợp giữa Mạng nơron tích chập (CNN) và Khối bộ nhớ dài – ngắn (LSTM) sẽ trích xuất đồng thời các tương quan không gian - thuộc tính (spatial-feature map) và phụ thuộc chuỗi thời gian dài hạn (long-term temporal dependencies), mang lại chỉ số RMSE và MAE thấp hơn đáng kể so với các mô hình đơn lẻ.

Khung lý thuyết của luận án tích hợp lý thuyết lan truyền hóa học khí quyển, lý thuyết học thống kê (Statistical Learning Theory) và mạng nơron nhân tạo học sâu. Phạm vi nghiên cứu bao quát trọn vẹn bộ dữ liệu 9 năm (tháng 7/2010 – 31/12/2018) với quy mô 78.888 giờ đo đạc liên tục tại trạm quan trắc tự động chuẩn quốc gia số 556 Nguyễn Văn Cừ (Long Biên, Hà Nội), bao gồm 6 thông số khí tượng và 16 thông số chất lượng không khí chuyên sâu.

Literature Review và Positioning

Lịch sử mô hình hóa chất lượng không khí phát triển qua ba trường phái tiếp cận chính:

1. Mô hình thực nghiệm đơn giản (Empirical/Persistence Models): Dựa trên giả định quán tính ($y_{t+1} = y_t$) hoặc kinh nghiệm khí hậu. Dù tốc độ tính toán nhanh, nhóm mô hình này hoàn toàn bất lực trước các pha biến động nồng độ đột ngột hoặc các đợt tích tụ ô nhiễm phức tạp.
2. Mô hình cơ sở vật lý nâng cao (Chemical Transport Models - CTM): Điển hình là các hệ thống WRF-Chem, CMAQ, CHIMERE và CAMx. CTM mô phỏng tường minh động lực học khí quyển, các phản ứng quang hóa và định luật bảo toàn khối lượng. Tuy nhiên, CTM đòi hỏi cơ sở hạ tầng tính toán siêu máy tính, độ nhạy cao với sai số điều kiện biên (BCONs) và kiểm kê phát thải (emission inventories) – vốn là điểm nghẽn lớn tại các nước đang phát triển.
3. Mô hình thống kê và trí tuệ nhân tạo (AI/Machine Learning): Khai thác trực tiếp mối liên hệ thống kê phi tuyến từ chuỗi dữ liệu thực nghiệm quan trắc được.

Trên thế giới, việc ứng dụng AI trong dự báo CLKK ghi nhận các mốc tiến hóa quan trọng. Ngay từ thập niên 1990, Junsub Yi và cộng sự tại Dallas (Mỹ) đã chứng minh mạng truyền thuận (FFNN) vượt trội hơn hẳn mô hình AR và ARIMA truyền thống trong dự báo ôzôn (MAE đạt 6,4 ppb so với 26,3 ppb của ARIMA). Năm 2007, tại Palermo (Ý), mạng nơron hồi quy Elman-ANN được ứng dụng để dự báo SO2 nhờ cơ chế lớp bối cảnh (context layer), nâng hệ số tương quan $r$ từ 0,28 (của mạng MLP) lên 0,94 và hạ MAE từ 16,93 μg/m³ xuống 3,52 μg/m³. Tại Tehran (Iran), hệ thống suy luận mờ - nơron thích nghi (ANFIS) tiếp tục được kiểm chứng cho kết quả tối ưu hơn ANN tiêu chuẩn. Giai đoạn gần đây, sự xuất hiện của Máy véc tơ hỗ trợ (SVM - Vapnik 1995), Mạng nơron tích chập (CNN - LeCun 1998) và Khối bộ nhớ dài – ngắn (LSTM - Hochreiter & Schmidhuber 1997; Gers 2000) đã thiết lập nền tảng xử lý dữ liệu lớn (Big Data) cho các đô thị thông minh toàn cầu (APNet, DeepAirNet).

Tại Việt Nam, các nghiên cứu trước đây phần lớn tập trung vào mô hình hóa phát thải như SMOKE, MOBILE hoặc mô hình quang hóa CMAQ, TAPOM. Nghiên cứu của Mạc Duy Hưng định vị tiên phong khi xây dựng một kiến trúc học sâu lai ghép hoàn chỉnh, lấp đầy khoảng trống kỹ thuật trong việc khai thác chuỗi dữ liệu lớn quan trắc môi trường đa năm tại miền Bắc Việt Nam.

[Mô hình CTM (WRF-Chem, CMAQ)] ------------> Chi phí tính toán cao, nhạy cảm biên
                  vs
[Mô hình Thống kê Truyền thống (ARIMA, LR)] -> Tuyến tính hóa, sai số cao ở đối tượng phi tuyến
                  vs
[Mô hình Đề xuất: Quy trình Tích hợp] -------> Tiền xử lý Boxplot -> Bổ khuyết ARIMA -> Học sâu CNN-LSTM

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết chuỗi thời gian môi trường và lý thuyết biểu diễn thuộc tính học máy thông qua ba đóng góp then chốt:

1. Mở rộng lý thuyết trích xuất đặc trưng phi tuyến: Chứng minh rằng sự kết hợp giữa toán tử tích chập không gian và cổng nhớ thời gian giải quyết triệt để bài toán suy giảm độ dốc (vanishing gradient) khi huấn luyện chuỗi dữ liệu khí quyển nhiều biến kéo dài gần một thập kỷ.
2. Xác lập mô hình toán học tích hợp xử lý khuyết thiếu: Mở rộng ứng dụng của cấu trúc Box-Jenkins vào bài toán khôi phục dữ liệu chuỗi thời gian khí tượng - ô nhiễm, thiết lập cơ chế tự điều chỉnh sai số hồi quy dựa trên hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF).
3. Chuyển dịch hệ hình (Paradigm Shift): Chuyển từ việc phân tích nồng độ chất ô nhiễm như các biến độc lập rời rạc sang việc tiếp cận CLKK dưới dạng một hệ thống tương tác động lực học đa chiều, trong đó nồng độ các chất thứ cấp (O3, NO2) được ràng buộc chặt chẽ bởi tiền chất hóa học (NO, NOx, VOCs) và thông số vi khí tượng (bức xạ mặt trời, nhiệt độ, độ ẩm).

Khung phân tích độc đáo

Khung phân tích của luận án được cấu thành từ sự tích hợp chặt chẽ của ba khối lý thuyết - thuật toán:

• Lý thuyết phân vị Tukey (1977): Khai thác khoảng phân vị ($IQR = Q3 - Q1$) thiết lập biên lọc dị thường linh hoạt ($[Q1 - 1,5IQR; Q3 + 1,5IQR]$) kết hợp đối chuẩn vi mô 5 phút.
• Lý thuyết chuỗi thời gian Box-Jenkins (1970): Khung toán học ARIMA $(p, d, q)$ với toán tử trễ $B$, đóng vai trò máy học nội suy trạng thái khuyết thiếu.
• Kiến trúc học sâu lai ghép CNN-LSTM: Lớp tích chập 1D/2D với hàm kích hoạt đơn vị tuyến tính chỉnh lưu (ReLU) chịu trách nhiệm trích xuất bản đồ đặc trưng (feature maps) từ 13 biến đầu vào; tiếp nối bởi các tế bào LSTM với cổng quên ($f_t$), cổng vào ($i_t$), cổng ra ($o_t$) và trạng thái tế bào ($c_t$) để nắm bắt trọn vẹn quán tính chuỗi thời gian.

Điều kiện biên của khung phân tích: Áp dụng cho chuỗi dữ liệu trạm cố định vùng đô thị nhiệt đới gió mùa, chịu tác động hỗn hợp của giao thông nội đô và nguồn khí tượng biến đổi theo mùa.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng hậu kỳ (post-positivism) với phương pháp tiếp cận định lượng dựa trên dữ liệu lớn (data-driven empirical methodology). Quy trình được chuẩn hóa qua 4 giai đoạn logic khép kín:

[Thu thập Dữ liệu Thô (78.888 giờ)] 
[Phát hiện Dị thường (Boxplot + Kiểm tra chéo 5 phút)]
[Bổ khuyết Dữ liệu Trống (ARIMA Model trên R)]
[Kiểm định Phân bố Xác suất & Phân tích Tương quan]
[Chuẩn hóa Min-Max [0, 1] & Cấu trúc Time-lag Matrix]
[Huấn luyện & Đánh giá Kiến trúc Lai CNN-LSTM]

Quy trình nghiên cứu rigorous

1. Giao thức thu thập dữ liệu: Trạm quan trắc tự động liên tục chuẩn quốc gia CEM (số 556 Nguyễn Văn Cừ, Long Biên, Hà Nội; tọa độ 21°02'55"B, 105°53'15"Đ). Hệ thống thiết bị đo đồng bộ của hãng HORIBA (Nhật Bản), chiều cao đầu lấy mẫu chuẩn hóa 3,0 m.
   • Bụi PM10, PM2.5, PM1: Phương pháp tán xạ ánh sáng (Light Scattering).
   • Khí SO2: Phương pháp huỳnh quang tử ngoại (UV Fluorescence).
   • Khí O3: Phương pháp quang phổ hấp thụ cực tím không phân tán (Non-dispersive UV Photometry).
   • Khí NO, NO2, NOx: Phương pháp hóa phát quang (Chemiluminescence).
   • Khí CO: Phương pháp quang phổ hồng ngoại không phân tán (NDIR).
2. Quy trình lọc dữ liệu ngoại vi: Dữ liệu trung bình giờ $X_i$ được đưa qua bộ lọc Boxplot. Nếu $X_i < Q1 - 1,5IQR$ hoặc $X_i > Q3 + 1,5IQR$, hệ thống kích hoạt trích xuất chuỗi dữ liệu gốc 5 phút trong lân cận thời gian $[i-t, i+t]$. Nếu xuất hiện biến trình tích tụ/suy giảm liên tục mang tính quy luật vật lý của sự cố môi trường, điểm đo được giữ lại; ngược lại, điểm đo bị gán nhãn dị thường thiết bị và chuyển thành giá trị trống (NaN).
3. Giao thức thử nghiệm mô hình bổ khuyết: Trích xuất 2.000 điểm dữ liệu gốc liên tục của thông số NO từ 00h00 ngày 01/01/2011 đến 07h00 ngày 25/03/2011. Thiết lập kịch bản xóa ngẫu nhiên với các tỷ lệ mất dữ liệu giả định từ 5% đến 80%. Đánh giá so đối chứng giữa ARIMA, Hồi quy tuyến tính (LR), Spline bậc 3, 4, 5 và Tự hồi quy (AR).

Data và phân tích

Toàn bộ 78.888 mẫu giờ được chuẩn hóa về miền $[0; 1]$ theo phương pháp co giãn thuộc tính (Min-Max Feature Scaling): $$X_{\text{norm}} = \frac{X - X_{\min}}{X_{\max} - X_{\min}}$$

Dữ liệu đầu vào cấu trúc theo ma trận trễ đa biến: $X = (WS, T, Rad, RH, NO, NO_2, NO_x, CO, O_3, SO_2, PM_{10}, PM_{2.5}, PM_1)$. Phân chia tập dữ liệu đảm bảo tính liên tục thời gian:

• Tập huấn luyện (Training Set - 90%): 71.000 giờ liên tục (từ 00h00 ngày 01/01/2010 đến 06h00 ngày 06/02/2018).
• Tập kiểm tra độc lập (Testing Set - 10%): 7.888 giờ liên tục (từ 07h00 ngày 06/02/2018 đến 23h00 ngày 31/12/2018).

Các công cụ phần mềm chuyên dụng: Ngôn ngữ R (các gói psych, fitdistrplus, openair), Python trên nền tảng tính toán đám mây Google Colaboratory GPU, thuật toán tối ưu hóa Adam, hàm mất mát sai số bình phương trung bình (MSE).

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Hiệu năng vượt trội của mô hình bù khuyết ARIMA: Trong thử nghiệm 2.000 điểm đo với tỷ lệ mất dữ liệu giả định lên đến 50%–80%, mô hình ARIMA duy trì sai số MAE và RMSE thấp nhất, bám sát diễn biến thực tế của nồng độ NO tốt hơn rõ rệt so với phương pháp nội suy Spline và hồi quy tuyến tính.
2. Quy luật phân bố xác suất phi chuẩn của ô nhiễm không khí đô thị: Kiểm định thống kê khẳng định nồng độ các chất ô nhiễm chính tại Hà Nội tuân theo phân bố Log-chuẩn (Lognormal) và phân bố Weibull/Gamma thay vì phân bố chuẩn Gaussian. Điều này giải thích tại sao các phương pháp loại bỏ ngoại vi truyền thống bằng độ lệch chuẩn ($3\sigma$) thường gây sai lệch nghiêm trọng.
3. Độ chính xác vượt trội của mô hình lai CNN-LSTM: Kiến trúc CNN-LSTM vượt trội toàn diện so với các mạng nơron truyền thống (MLP, SVM, Vanilla RNN). Lớp CNN trích xuất thành công các tương quan phi tuyến giữa bức xạ mặt trời, nhiệt độ và các tiền chất quang hóa ($NO_x$, VOCs), trong khi lớp LSTM nắm bắt chính xác chu kỳ biến thiên 24 giờ và tính chu kỳ mùa.
4. Quy luật biến trình nồng độ ngày - đêm đặc thù: Dữ liệu 9 năm chỉ ra nồng độ các chất ô nhiễm dạng bụi ($PM_{10}, PM_{2.5}, PM_1$) và khí giao thông ($CO, NO, NO_2$) luôn đạt hai đỉnh trong ngày, trùng khớp với khung giờ cao điểm giao thông (07h00–09h00 và 18h00–21h00) kết hợp với hiện tượng nghịch nhiệt bức xạ ban đêm làm giảm chiều cao lớp biên khí quyển.

Implications đa chiều

• Về mặt lý thuyết: Cung cấp bằng chứng thực nghiệm vững chắc xác nhận tính khả thi của việc thay thế các hệ phương trình động lực học phức tạp trong CTM bằng mạng nơron học sâu nhiều tầng trong bài toán dự báo điểm ô nhiễm.
• Về phương pháp luận: Chuẩn hóa quy trình 3 bước (Lọc ngoại vi Boxplot $\rightarrow$ Bổ khuyết ARIMA $\rightarrow$ Dự báo CNN-LSTM), có thể chuyển giao áp dụng trực tiếp cho các mạng lưới quan trắc chất lượng nước, thủy văn và khí tượng.
• Về ứng dụng thực tiễn: Cung cấp bộ công cụ phần mềm gọn nhẹ, chi phí vận hành thấp, có thể tích hợp trực tiếp vào hệ thống giám sát tự động của các Trung tâm Quan trắc Môi trường trên toàn quốc mà không cần đầu tư siêu máy tính.
• Về hoạch định chính sách: Cung cấp cơ sở khoa học để Tổng cục Môi trường và Ủy ban Nhân dân TP. Hà Nội ban hành các kịch bản điều tiết giao thông và cảnh báo sức khỏe cộng đồng trước 24–48 giờ khi xuất hiện các đợt ô nhiễm không khí nghiêm trọng.

Limitations và Future Research

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

1. Phạm vi không gian đơn trạm: Dữ liệu đầu vào thu thập duy nhất tại trạm số 556 Nguyễn Văn Cừ, do đó chưa mô hình hóa trọn vẹn sự lan truyền chất ô nhiễm theo không gian ba chiều trên toàn địa bàn Hà Nội.
2. Sự phụ thuộc vào chất lượng dữ liệu quan trắc: Độ chính xác dự báo bị giới hạn khi xảy ra sự cố hỏng hóc đồng thời của nhiều đầu đo khí tượng tự động kéo dài quá ngưỡng kiểm soát của mô hình bù khuyết.
3. Chưa tích hợp biến số phát thải động: Chưa đưa trực tiếp lưu lượng phương tiện giao thông thời gian thực và hoạt động công nghiệp ngoại thành vào lớp đầu vào của mạng nơron.

Chương trình nghiên cứu 5–10 năm tới đề xuất các hướng mở rộng:

• Mở rộng kiến trúc mạng Spatiotemporal Graph Convolutional Network (ST-GCN) kết hợp dữ liệu đa trạm quan trắc trên toàn miền Bắc.
• Tích hợp dữ liệu viễn thám vệ tinh (AOD từ MODIS/Sentinel) và mô hình tái phân tích khí tượng ERA5 để dự báo diện rộng.
• Phát triển mô hình lai vật lý - học máy (Physics-Informed Neural Networks - PINN) kết hợp các định luật bảo toàn hóa lý khí quyển vào hàm mất mát của mô hình học sâu.

Tác động và ảnh hưởng

• Ảnh hưởng học thuật: Thiết lập công trình tham chiếu toàn diện về ứng dụng học sâu trong khoa học môi trường tại Việt Nam, mở ra tiềm năng trích dẫn cao trong các tạp chí quốc tế chuyên ngành (Atmospheric Environment, Environmental Modelling & Software).
• Chuyển đổi công nghệ quan trắc: Giúp các cơ quan quản lý nhà nước như Trung tâm Quan trắc Môi trường Miền Bắc (CEM) tối ưu hóa chi phí vận hành, tự động hóa quy trình làm sạch và kiểm định chất lượng dữ liệu quan trắc (QA/QC).
• Lợi ích xã hội và y tế cộng đồng: Cung cấp thông tin cảnh báo sớm AQI chính xác cho hàng triệu người dân Thủ đô, giúp giảm thiểu tỷ lệ phơi nhiễm cấp tính và mạn tính với bụi mịn và khí độc, qua đó tiết kiệm hàng trăm tỷ đồng chi phí khám chữa bệnh hô hấp hàng năm.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới học thuật: Tiếp cận phương pháp luận xử lý dữ liệu chuỗi thời gian lớn và bộ mã nguồn chuẩn hóa về học sâu trong mô hình hóa môi trường.
• Cơ quan Quản lý Nhà nước (Bộ TN&MT, Chi cục BVMT): Sở hữu giải pháp công nghệ nội địa hóa để vận hành hệ thống cảnh báo sớm chất lượng không khí đô thị theo thời gian thực.
• Các Đơn vị Phát triển Đô thị Thông minh & IoT: Ứng dụng thuật toán CNN-LSTM tích hợp vào các nền tảng ứng dụng di động phục vụ dân sinh và điều tiết giao thông xanh.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng Lý thuyết Biểu diễn Học sâu trong chuỗi thời gian môi trường thông qua việc chứng minh cấu trúc tích chập không gian (CNN) kết hợp cổng nhớ hồi quy (LSTM) có khả năng tự động giải mã các mối quan hệ hóa lý phi tuyến phức tạp giữa tiền chất và chất ô nhiễm thứ cấp mà không cần thiết lập thủ công các phương trình vi phân động học phản ứng.
2. Tính đổi mới về phương pháp luận so với các nghiên cứu trước đây? Khác với các nghiên cứu của Junsub Yi (chỉ dùng MLP đơn lớp) hay Elman (chỉ dùng mạng hồi quy đơn giản), luận án thiết lập một chu trình khép kín: Lọc ngoại vi đa tầng (Boxplot kết hợp kiểm tra chéo dữ liệu gốc 5 phút) $\rightarrow$ Bổ khuyết chuỗi thời gian bằng học máy ARIMA $\rightarrow$ Dự báo chính xác cao bằng mạng lai CNN-LSTM.
3. Phát hiện gây bất ngờ nhất từ thực nghiệm dữ liệu 9 năm? Phát hiện rằng nồng độ các chất ô nhiễm dạng bụi và khí tại trạm Nguyễn Văn Cừ không tuân theo phân bố chuẩn Gauss mà hoàn toàn tuân theo phân bố Log-chuẩn và Weibull; đồng thời việc nội suy Spline bậc cao truyền thống trong nhiều trường hợp tạo ra các giá trị ngoại lai ảo lớn hơn nhiều so với việc bù khuyết bằng mô hình cấu trúc chuỗi thời gian ARIMA.
4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) không? Có. Toàn bộ quy trình từ tiêu chuẩn hóa dữ liệu, thông số trạm đo HORIBA, tỷ lệ chia tách tập huấn luyện/kiểm tra (90/10), công thức chuẩn hóa Min-Max và các siêu tham số của mô hình đều được mô tả chi tiết, minh bạch, cho phép tái lập hoàn toàn trên các tập dữ liệu khác.
5. Chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào? Tập trung phát triển hệ thống dự báo không - thời gian kết hợp mô hình Graph Neural Networks (GNN) với dữ liệu quan trắc mặt đất, dữ liệu vệ tinh quang học và mô hình hóa phát thải giao thông thời gian thực.

Kết luận

1. Xây dựng và kiểm chứng thành công quy trình tiền xử lý dữ liệu chất lượng không khí tích hợp: phát hiện dị thường bằng biểu đồ hộp kết hợp kiểm chuẩn vi mô 5 phút, bảo toàn nguyên vẹn dữ liệu đỉnh của các sự cố môi trường.
2. Ứng dụng thành công mô hình học máy ARIMA để bổ khuyết dữ liệu quan trắc bị khuyết thiếu, chứng minh tính ưu việt vượt trội so với các phương pháp nội suy giải tích truyền thống trên tập thực nghiệm 2.000 điểm đo.
3. Phát triển thành công mô hình học sâu lai ghép CNN-LSTM dự báo nồng độ trung bình giờ và trung bình ngày cho 9 thông số ô nhiễm chính ($PM_{10}, PM_{2.5}, PM_1, NO, NO_2, NO_x, CO, SO_2, O_3$), đạt độ chính xác cao và sai số thấp trên tập kiểm tra độc lập.
4. Xử lý và chuẩn hóa hoàn thiện bộ cơ sở dữ liệu lớn 9 năm liên tục (78.888 giờ) về chất lượng không khí và vi khí tượng tại Hà Nội, cung cấp nguồn dữ liệu chuẩn mực phục vụ nghiên cứu học thuật và quản lý môi trường.
5. Xác lập quy luật biến trình theo giờ, theo mùa và xu thế biến đổi dài hạn của các chất ô nhiễm đô thị, làm sáng tỏ cơ chế tác động tương hỗ giữa các yếu tố khí tượng và nồng độ chất ô nhiễm tại miền Bắc Việt Nam.
6. Mở ra hướng nghiên cứu liên ngành đột phá kết hợp giữa Khoa học Môi trường và Khoa học Dữ liệu Trí tuệ Nhân tạo, đóng góp thiết thực vào chiến lược quốc gia về chuyển đổi số và bảo vệ môi trường không khí bền vững.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan Chương 2: Phương pháp nghiên cứu Chương 3: Kết quả và thảo luận Kết luận và kiến nghị 4 TỔNG QUAN 1. Chất lượng không khí và vấn đề dự báo 1. Chất lượng không khí và ảnh hưởng của nó đến sức khỏe Chất lượng không khí đã và đang là một trong những vẫn đề được quan tâm của các quốc gia trên thế giới, trong đó có Việt Nam, bởi mức độ rủi ro tiềm ẩn của nó đến sức khỏe người dân và hệ sinh thái.

Theo tổ chức Y tế Thế giới – WHO, ước tính trong năm 2012, ô nhiễm không khí là nguyên nhân gây ra gần 7 triệu ca tử vong, chiếm 10% trong số các ca tử vong do tất cả các nguyên nhân [18]. Trong đó, theo ước tính có khoảng 9% do nguyên nhân ung thư phổi, 17% do các bệnh phổi mạn tính, 30% do các nguyên nhân như bệnh tim, thiếu máu cục bộ và đột quỵ liên quan đến ô nhiễm không khí, và 9% do nhiễm trùng đường hô hấp [18]. Chất lượng không khí, là một thuật ngữ liên quan đến thành phần hóa học của khí quyển. Trong đó, bụi (PM), ôzôn (O3), NO2, các hợp chất hữu cơ dễ bay hơi (VOC), CO và SO2 là những thông số được quan tâm hơn cả do mức độ nguy hiểm của chúng đến sức khỏe.

Nhiều nghiên cứu dịch tễ học tại Hồng Kông và Đài Loan đã chỉ ra rằng sự gia tăng nồng độ của O3, NO2, SO2 và PM2.5 có liên quan đến sự gia tăng số ca nhập viện do các nguyên nhân hen và viêm phổi. Một kết quả đáng lưu ý được báo cáo bởi Di và cộng sự [19] nghiên cứu trên hơn 60 triệu người thụ hưởng bảo hiểm y tế (Medicare) tại Mỹ trong giai đoạn từ 2000 đến 2012 phát hiện rằng, cứ nồng độ của PM2.5 tăng lên 10 μg/m3, thì tỷ lệ tử vong do mọi nguyên nhân tăng lên 7,3%, còn khi nồng độ O3 tăng lên 10 ppb thì tỷ lệ tử vong tăng lên 1,1%. Ngoài ra, một phân tích tổng hợp được nghiên cứu tại nhiều thành phố của Trung Quốc [20], trong nhiều gian đoạn khác nhau cũng đã quan sát được rằng khi nồng độ của PM2.5 tăng lên 10 μg/m3 thì tỷ lệ tử vong do các nguyên nhân tăng lên 0,38%; tăng 0,51% tỷ lệ tử vong do các bệnh liên quan đến hô hấp và tăng 0,44% tỷ lệ tử vong do các bệnh tim mạch. Tương tự, ứng với sự gia tăng của SO2, NO2 và O3 lên10 μg/m3 thì tỷ lệ gia tăng tỷ lệ tử vong tương ứng gồm tỷ lệ tử vong tổng số là 0,81%; 1,30% và 0,48%; tỷ lệ tử vong do các bệnh hô hấp 1,18%; 1,62% và 0,73%; và tỷ lệ tử vong do các bệnh tim mạch 0,85%, 1,46% và 0,45%.

Còn với CO, nghiên cứu này cũng quan sát được rằng khi nồng độ của CO tăng lên 1mg/m3 (1000 μg/m3) thì tỷ lệ tử vong do tất cả các nguyên 5 nhân tăng lên 3,7% và do các bệnh tim mạch tăng lên 4,77%. Tại Việt Nam, nghiên cứu của Phung Dung và cộng sự [21] tại thành phố Hồ Chí Minh từ 2004 đến hết 2007 cũng cho thấy có mối liên quan chặt chẽ giữa diễn biến nồng độ chất ô nhiễm và số ca nhập viện do các bệnh liên quan đến hô hấp, cụ thể: ứng với sự gia tăng nồng độ của mỗi chất PM10, NO2 và SO2 lên 10 μg/m3 thì tỷ lệ gia tăng các ca nhập viện do hô hấp tăng lên tương ứng là 0,7%, 8% và 2%, trong khi, O3 không gây tác động đáng kể nào. Trong báo cáo này, theo ghi nhận trong số các chất ô nhiễm được nghiên cứu gồm PM10, NO2, SO2 và O3 thì nồng độ của PM10 có đến 1126 ngày vượt quy chuẩn theo thang đo của WHO (chiếm 79% thời gian nghiên cứu). Đối tượng nhạy cảm hơn cả với CLKK là nhóm người già và trẻ em, nghiên cứu của Nguyen Thi Trang Nhung và cộng sự [22] trên hơn 75 nghìn các bệnh nhi từ 0 – 5 tuổi nhập viện do các bệnh liên quan đến hô hấp tại Hà Nội trong thời gian từ 2004 đến 2016 (trong đó có 2462/3351 ngày có nồng độ PM10 vượt quá quy chuẩn của WHO) cho thấy khi khoảng cách giữa các phân vị (IQR – interquartile range) của nồng độ của O3 tăng lên 86 μg/m3 thì tỷ lệ ra viện của bệnh nhi mắc các bệnh hô hấp giảm 5%, tương ứng với PM10 là 61,5 μg/m3 thì tỷ lệ ra viện giảm 6% (ghi nhận trên nhóm trẻ có độ tuổi từ 2- 5, nhóm trẻ dưới 2 tuổi không biểu hiện rõ ràng).

Điều này cho thấy, nếu công tác dự báo CLKK được thực hiện tốt như đối với dự báo khí tượng thì sẽ giúp người dân có thể chủ động hơn với các hoạt động giảm thiểu mức độ ảnh hưởng tiêu cực của ô nhiễm không khí đến sức khỏe, nâng cao hiểu biết và ý thức bảo vệ môi trường, đặc biệt là không khí. Ngoài ra, dựa vào đó, các cơ quan có các chính sách và chiến lược quản lý CLKK kịp thời hơn. Dự báo chất lượng không khí Trong những năm gần đây, các tác động tiêu cực của ô nhiễm không khí đến sức khỏe con người và hệ sinh thái ngày càng rõ rệt. Rất nhiều nghiên cứu như [18-20] đã chỉ ra rằng, ô nhiễm không khí có thể gây nên các phản ứng cấp tính về sức khỏe như kích ứng thị giác, da, gây khó thở… và thậm chí nặng hơn có thể dẫn đến tử vong khi tiếp xúc với nồng độ cao.

Khi tiếp xúc với thời gian dài (phơi nhiễm mạn tính) có thể gây tổn thương và suy giảm hệ miễn dịch, tăng nguy cơ mắc các bệnh ung thư, tăng nguy cơ mắc và tăng nặng các ca bệnh tim mạch và hô hấp… Ngoài ra, ô nhiễm không khí còn gây các tác động tiêu cực đến môi trường xung quanh như giảm tầm 6 nhìn, mưa axít, suy giảm chất lượng đất, nước, ảnh hưởng xấu đến hệ sinh thái tự nhiên [23, 24]. Chính vì vậy, để bảo vệ sức khỏe con người và môi trường xung quanh, nhiều quốc gia đã phát triển và áp dụng các hệ thống dự báo CLKK để dự báo nồng độ các chất ô nhiễm cần quan tâm đặc biệt đến sức khỏe như O3, NO2, PM2. Các thông tin này được sử dụng để đưa ra các cảnh báo sớm về CLKK giúp chính phủ và người dân chủ động với việc phòng tránh các tác động tiêu cực do ô nhiễm không khí gây ra. Ngoài ra, nó còn giúp các cơ quan hữu trách và các nhà nghiên cứu theo dõi diễn biến, các nguồn đóng góp, cơ chế vận chuyển chất ô nhiễm… cho phép xây dựng các chiến lược giảm thiểu ô nhiễm không khí.

Do đó, có thể thấy các mô hình dự báo CLKK mang lại những lợi ích kinh tế và xã hội to lớn bằng cách cho phép lập kế hoạch hoạt động cho các tổ chức, cá nhân và cộng đồng nhằm giảm phát thải và tránh các tác động xấu do ô nhiễm không khí gây nên. Các mô hình dự báo CLKK hiện nay có thể được chia thành ba loại dựa vào phương pháp tiếp cận của chúng gồm phương pháp tiếp cận thực nghiệm đơn giản, phương pháp thống kê tham số hoặc phi tham số và phương pháp tiếp cận dự trên cơ sở vật lý nâng cao. Ưu nhược điểm của một số phương pháp tiếp cận điển hình được trình bày trong Bảng 1. So sánh ưu nhược điểm của một số mô hình dự báo cơ bản (Nguồn: [2]).

Mô hình Cách tiếp cận Ưu điểm Nhược điểm Mô hình thực nghiệm đơn giản Mô hình quán tính Giả thiết, nồng độ Thời gian tính toán Không sử dụng (Persistence) chất ô nhiễm cần nhỏ; Độ chính xác được trong trường dự báo hôm nay cao trong trường hợp có biến động chính là nồng độ hợp môi trường lớn về khí tượng và dự báo của ngày tĩnh (ít có biến nồng độ chất ô hôm qua. động cả về nồng độ nhiễm; Độ chính chất ô nhiễm và xác thấp; Không thời tiết); đơn giản, thể sử dụng một dễ sử dụng; Chi cách độc lập phí vận hành nhỏ. 7 Mô hình khí hậu Giả thiết, diễn biến Thời gian tính toán Không sử dụng (Climatology) của CLKK tương nhỏ; Đơn giản, dễ được trong trường tự diễn biến của sử dụng; Chi phí hợp có biến động khí hậu. Dựa vào vận hành thấp.

lớn nồng độ chất ô tần suất xuất hiện nhiễm; Độ chính nồng độ chất ô nhiễm để đưa ra xác thấp; Không giá trị dự báo. thể sử dụng một cách độc lập. Mô hình kinh Coi các thông số Thời gian tính toán Không thể dự báo nghiệm khí tượng như là nhỏ; Là một trong được với các chất (Empiricism) chỉ thị cho nồng độ những phương ít phụ thuộc vào của chất ô nhiễm pháp khá tin cậy để các yếu tố khí không khí. dự báo các trường tượng; Độ chính hợp ô nhiễm cao; xác trung bình.

Đơn giản, dễ sử dụng; Chí phí vận hành thấp. Mô hình thống kê Mô hình cây phân Sử dụng thuật giải Thời gian tính toán Độ chính xác bị lớp và hồi quy cây quyết định và nhỏ; Dự báo tốt đối giới hạn bởi số (CART) hồi quy để đưa ra với phạm vị hẹp; lượng và chất các dự đoán Tự động phân biệt lượng dữ liệu đầu nồng độ chất ô vào; Không thích nhiễm theo ngày; hợp với trường hợp Vận hành không dự báo khu vực đòi hỏi chuyên lớn. môn cao; Độ chính xác khá. 8 Mô hình hồi quy Sử dụng các Tính toán nhanh; Độ chính xác khi phương pháp hồi Chất lượng dự báo dự báo sự cố không quy để dự báo tốt; Vận hành cao; Độ chính xác không đòi hỏi bị giới hạn bởi số chuyên môn cao; lượng và chất Độ chính xác khá; lượng dữ liệu đầu Chi phí vận hành vào; Không thích trung bình hợp với trường hợp dự báo khu vực lớn Mô hình ANN Là các mô hình Có khả năng học từ Độ chính xác khi toán đơn giản mô dữ liệu; Dự báo tốt dự báo sự cố không phỏng lại quá trình đối với khu vực cao; Độ chính xác tính toán và xử lý nhỏ; Có thể xử lý bị giới hạn bởi số thông tin của tốt đối với mối lượng và chất nơron sinh học.

quan hệ hóa học lượng dữ liệu đầu phi tuyến phức tạp vào; Chỉ thích hợp của chất ô nhiễm; với dự báo điểm ô Chi phí vận hành nhiễm. trung bình; độ chính xác cao; thời gian tính toán thấp Mô hình FL Sử dụng một tập Là công cụ để đối Cần bộ dữ liệu lớn; hợp các giá trị phó với sự không Hạn chế trong việc trong khoảng 0;1 chắc chắn trong dự báo quy mô lớn; đại diện cho các nhận thức của khối lượng tính giá trị logic.