Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí" được thực hiện bởi 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 Viện Khoa học và Công nghệ Môi trường, Trường Đại học Bách khoa Hà Nội (năm 2020). Công trình thuộc chuyên ngành Kỹ thuật Môi trường, theo định hướng nghiên cứu định lượng kết hợp mô hình hóa dữ liệu chuỗi thời gian bằng các kỹ thuật học máy và học sâu.

Tính cấp thiết và khoảng trống nghiên cứu

Chất lượng không khí (CLKK) có ảnh hưởng trực tiếp và nghiêm trọng đến sức khỏe cộng đồng và hệ sinh thái. Theo Tổ chức Y tế Thế giới (WHO, 2012), ô nhiễm không khí là nguyên nhân gây ra gần 7 triệu ca tử vong mỗi năm (chiếm 10% tổng số ca tử vong toàn cầu), liên quan mật thiết đến các bệnh ung thư phổi, phổi mạn tính, tim mạch, đột quỵ và nhiễm trùng đường hô hấp. Tại Việt Nam, các nghiên cứu dịch tễ học tại Hà Nội và Thành phố Hồ Chí Minh đã chứng minh mối tương quan thuận giữa sự gia tăng nồng độ các chất ô nhiễm không khí ($PM_{10}, PM_{2.5}, NO_2, SO_2, O_3$) và tỷ lệ nhập viện do bệnh hô hấp ở người cao tuổi và trẻ em. Do đó, công tác dự báo CLKK giữ vai trò thiết yếu nhằm cung cấp thông tin cảnh báo sớm, giúp các cơ quan quản lý và người dân chủ động triển khai biện pháp giảm thiểu phơi nhiễm.

Trong lĩnh vực mô phỏng và dự báo CLKK tại Việt Nam, các mô hình số trị lan truyền hóa học (CTM) chiếm ưu thế lớn. Mặc dù cung cấp bức tranh chi tiết trên diện rộng, các mô hình số trị đòi hỏi chi phí đầu tư và vận hành cao, hạ tầng máy tính lớn và trình độ chuyên môn cao của người vận hành. Ngược lại, phương pháp dự báo thống kê ứng dụng trí tuệ nhân tạo (AI) có chi phí vận hành thấp hơn, khả năng thích ứng linh hoạt và xử lý tốt các mối quan hệ phi tuyến phức tạp nhưng chưa được nghiên cứu và ứng dụng sâu rộng tại Việt Nam. Mặt khác, chuỗi số liệu quan trắc thực tế luôn tồn tại một lượng lớn dữ liệu trống và dữ liệu ngoại vi do lỗi thiết bị, mất điện hoặc bảo trì, gây cản trở lớn đến việc xây dựng các mô hình dự báo thống kê có độ tin cậy cao. Luận án được thực hiện nhằm giải quyết khoảng trống về phương pháp làm sạch, bổ khuyết dữ liệu quan trắc và thử nghiệm các mô hình học sâu trong dự báo CLKK tại Việt Nam.

Mục tiêu nghiên cứu

Mục tiêu của luận án được xác định gồm hai nội dung chính:

  1. 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.
  2. 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:
    • 09 thông số chất lượng không khí cơ bản, bao gồm:
      • Nhóm thông số ô nhiễm dạng bụi: $PM_{10}, PM_{2.5}$ và $PM_1$.
      • Nhóm thông số ô nhiễm dạng khí: $NO, NO_2, NO_x, CO, SO_2$ và $O_3$.
    • Các kỹ thuật học máy và học sâu, tập trung vào hai kỹ thuật: Mạng nơron tích chập (Convolutional Neural Network - CNN) và Khối bộ nhớ dài – ngắn (Long Short-Term Memory - LSTM).
  • Phạm vi nghiên cứu:
    • Không gian: Trạm quan trắc tự động CLKK số 556 Nguyễn Văn Cừ, phường Gia Thụy, quận Long Biên, Hà Nội (do Trung tâm Quan trắc Môi trường Miền Bắc - CEM thuộc Tổng cục Môi trường quản lý; tọa độ $21^\circ 02'55''B, 105^\circ 53'12''Đ$).
    • Thời gian: Chuỗi dữ liệu quan trắc liên tục trong giai đoạn 09 năm, từ tháng 7 năm 2010 đến ngày 31 tháng 12 năm 2018 (tổng số 78.888 giờ quan trắc).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước trong y tế và môi trường

Tác giả đã hệ thống hóa các bằng chứng khoa học về tác động của ô nhiễm không khí đến sức khỏe con người:

  • Báo cáo của WHO (2012) [18] về gánh nặng tử vong do ô nhiễm không khí.
  • Nghiên cứu của Di và cộng sự (2017) [19] trên 60 triệu người thụ hưởng Medicare tại Mỹ (2000–2012) chỉ ra rằng khi nồng độ $PM_{2.5}$ tăng $10,\mu g/m^3$ thì tỷ lệ tử vong do mọi nguyên nhân tăng $7,3%$; khi $O_3$ tăng $10,ppb$ thì tử vong tăng $1,1%$.
  • Phân tích tổng hợp tại Trung Quốc [20] ghi nhận mức tăng tỷ lệ tử vong do hô hấp và tim mạch ứng với mức tăng $10,\mu g/m^3$ của $PM_{2.5}, SO_2, NO_2, O_3$ và $1,mg/m^3$ của $CO$.
  • Tại Việt Nam, nghiên cứu của Phùng Dũng và cộng sự (2004–2007) [21] tại TP.HCM cho thấy mức tăng $10,\mu g/m^3$ của $PM_{10}, NO_2, SO_2$ làm tăng số ca nhập viện do hô hấp lần lượt là $0,7%, 8%$ và $2%$.
  • Nghiên cứu của Nguyễn Thị Trang Nhung và cộng sự (2004–2016) [22] trên 75.000 bệnh nhi tại Hà Nội chỉ ra rằng khi khoảng phân vị (IQR) của $O_3$ tăng $86,\mu g/m^3$, tỷ lệ ra viện của bệnh nhi giảm $5%$, tương ứng với $PM_{10}$ tăng $61,5,\mu g/m^3$ thì tỷ lệ ra viện giảm $6%$.

Phân loại các phương pháp dự báo chất lượng không khí

Luận án đã tổng hợp và so sánh ba nhóm tiếp cận dự báo chính:

Nhóm mô hình Mô hình tiêu biểu Cách tiếp cận Ưu điểm Nhược điểm
Mô hình thực nghiệm đơn giản Quán tính (Persistence), Khí hậu (Climatology), Kinh nghiệm (Empiricism) Dựa trên giả thiết trạng thái tĩnh, tần suất xuất hiện lịch sử hoặc ngưỡng chỉ thị khí tượng Tính toán nhanh, cấu trúc đơn giản, chi phí vận hành thấp Độ chính xác thấp khi môi trường biến động lớn; không dự báo độc lập được
Mô hình cơ sở vật lý nâng cao (Số trị) Mô hình lan truyền hóa học (CTM): WRF/Chem, CMAQ, CHIMERE, CAMx Mô phỏng các quá trình phát thải, khí tượng, vật lý và phản ứng hóa học thông qua phương trình cân bằng vật chất Dự báo theo không gian và thời gian; dự báo được vùng không có trạm; hiểu rõ cơ chế biến đổi hóa lý Khối lượng tính toán lớn, đòi hỏi siêu máy tính; phụ thuộc vào dữ liệu đầu vào khí tượng và phát thải; vận hành phức tạp
Mô hình thống kê (Tham số / Phi tham số) Hồi quy tuyến tính (LR), CART, Lọc Kalman (KF), ANN, SVM, FL, CNN, LSTM Trích xuất tương quan thống kê giữa chuỗi nồng độ quá khứ và các biến khí tượng/tiền chất Cấu trúc tính toán gọn nhẹ; chi phí thấp; xử lý tốt phi tuyến (với AI); độ chính xác cao tại điểm quan trắc Hạn chế dự báo không gian (chỉ áp dụng tại nơi có trạm); phụ thuộc hoàn toàn vào số lượng và chất lượng dữ liệu lịch sử

Ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí

  • Trên thế giới:
    • Junsub Yi và cộng sự (1990) [6] phát triển mạng nơron truyền thuận (FFNN) dự báo nồng độ đỉnh $O_3$ tại Dallas (Texas), cho sai số $MAE = 6,4,ppb$, vượt trội so với ARIMA ($26,3,ppb$) và AR ($12,9,ppb$).
    • Mạng hồi quy Elman-ANN được ứng dụng tại Palermo, Italia (2007) [12] cho thông số $SO_2$, đạt hệ số tương quan $r = 0,94$ (so với $0,28$ của MLP).
    • Hệ thống suy mờ thích xạ nơron (ANFIS) tại Tehran, Iran [31] kết hợp ANN và phân cụm mờ.
    • Máy véc tơ hỗ trợ (SVM) theo lý thuyết Vapnik (1995) [33] được áp dụng dự báo $O_3, PM_{10}$ [36–40] cho độ chính xác trên $80%$.
    • Mạng nơron tích chập (CNN) phát triển từ LeNet-5 (Yann LeCun, 1998) [41] giúp giảm chiều dữ liệu và trích xuất đặc trưng không gian [15, 16, 42].
    • Mạng LSTM (Sepp Hochreiter & Jürgen Schmidhuber, 1997; Gers Felix, 2000) [94] với các cổng vào, cổng quên, cổng ra và peephole connections giúp ghi nhớ chuỗi phụ thuộc dài hạn và xử lý suy giảm độ dốc.
    • Mô hình lai CNN-LSTM (APNet, DeepAirNet) [14, 15] được ứng dụng trong giám sát đô thị thông minh.
  • Tại Việt Nam: Các mô hình đã triển khai chủ yếu là mô hình phát thải SMOKE [51], mô hình quang hóa CMAQ [52–54], TAPOM [56] và mô hình DPSIR [55]. Về ứng dụng AI trong CLKK, Chử Thị Hồng Nhung (2012) [71] đã bước đầu thử nghiệm ANN để bổ khuyết số liệu quan trắc tại trạm Láng (Hà Nội).

Khoảng trống luận án lựa chọn giải quyết

Luận án tập trung giải quyết việc thiếu hụt một khung phương pháp chuẩn hóa kết hợp: (1) lọc dữ liệu ngoại vi không làm mất dữ liệu sự cố ô nhiễm thực tế; (2) bổ khuyết dữ liệu khuyết thiếu chuỗi thời gian bằng mô hình học máy ARIMA; (3) xây dựng và đánh giá mô hình học sâu kết hợp CNN-LSTM nhằm dự báo đồng thời nồng độ trung bình giờ và trung bình ngày cho 9 thông số ô nhiễm không khí tại trạm quan trắc đô thị tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các mô hình toán học

  1. Phương pháp phát hiện dữ liệu ngoại vi bằng biểu đồ hộp (Boxplot / Tukey, 1977):
    • Khoảng phân vị: $IQR = Q_3 - Q_1$ (trong đó $Q_1$ là phân vị 25%, $Q_3$ là phân vị 75%).
    • Khoảng tin cậy: $[Q_1 - 1,5 \times IQR, , Q_3 + 1,5 \times IQR]$. Giá trị nằm ngoài khoảng này được xác định là giá trị ngoại vi nghi ngờ.
  2. Mô hình Tự hồi quy Tích hợp Trung bình Trượt (ARIMA):
    • Kết hợp mô hình Tự hồi quy $AR(p)$ và Trung bình trượt $MA(q)$ trên chuỗi sai phân bậc $d$: $$\Phi(B)(1 - B)^d (y_t - \mu) = \Theta(B)\varepsilon_t$$
    • Trong đó $B$ là toán tử trễ ($B^k y_t = y_{t-k}$), $\Phi(B) = 1 - \sum_{i=1}^p \phi_i B^i$, $\Theta(B) = 1 - \sum_{j=1}^q \theta_j B^j$, $\varepsilon_t$ là sai số ngẫu nhiên trắng.
  3. Mạng nơron nhân tạo (ANN):
    • Tín hiệu tổng hợp tại nơron $j$: $f_j = \sum_{i} w_{ij} x_i - \theta_j$.
    • Tín hiệu đầu ra: $out = g(f_j)$ với $g(f)$ là các hàm truyền (Sigmoid, Hyperbolic tangent, đơn vị bậc thang).
  4. Máy véc tơ hỗ trợ (SVM):
    • Hồi quy tuyến tính trong không gian đặc trưng nhiều chiều: $f(x) = \sum_{i=1}^D w_i \phi_i(x) + b$.
    • Tối ưu hóa hàm mục tiêu với hàm mất mát $\varepsilon$-insensitive của Vapnik và thỏa mãn các điều kiện Karush–Kuhn–Tucker (KKT).
  5. Mạng nơron tích chập (CNN):
    • Bao gồm lớp tích chập (Convolutional layer), hàm kích hoạt phi tuyến (ReLU), lớp gộp (Pooling layer) và lớp kết nối đầy đủ (Fully Connected layer).
    • Bộ lọc tích chập kích thước $W \times H$ trượt trên ma trận dữ liệu đầu vào với bước trượt $S$ để tạo ra bản đồ đặc trưng (feature map).
  6. Khối bộ nhớ dài – ngắn (LSTM):
    • Vận hành qua các cổng:
      • Cổng quên: $f_t = \sigma(W_f x_t + R_f y_{t-1} + p_f \odot c_{t-1} + b_f)$
      • Cổng vào: $i_t = \sigma(W_i x_t + R_i y_{t-1} + p_i \odot c_{t-1} + b_i)$
      • Tế bào cập nhật: $c_t = f_t \odot c_{t-1} + i_t \odot g(W_z x_t + R_z y_{t-1} + b_z)$
      • Cổng ra: $o_t = \sigma(W_o x_t + R_o y_{t-1} + p_o \odot c_t + b_o)$
      • Đầu ra khối: $y_t = o_t \odot h(c_t)$ (với $\sigma$ là hàm sigmoid, $\odot$ là phép nhân từng phần tử pointwise).
  7. Mô hình kết hợp CNN-LSTM:
    • Sử dụng các lớp CNN phía trước để trích xuất không gian thuộc tính và các đặc trưng cục bộ, kết nối tiếp sau đó là các lớp LSTM để nắm bắt quy luật biến thiên chuỗi thời gian dài hạn, tối ưu hóa trọng số bằng thuật toán Adam.

Phương pháp thực tế và nguồn dữ liệu

  • Nguồn dữ liệu: Chuỗi số liệu từ trạm quan trắc tự động 556 Nguyễn Văn Cừ, Long Biên, Hà Nội. Thiết bị quan trắc của hãng Horiba, chiều cao đầu hút khí $3,m$.
  • Phương pháp đo đạc tại trạm:
STT Thông số Phương pháp đo đạc chuẩn
1 $PM_{10}, PM_{2.5}, PM_1$ Phương pháp tán xạ ánh sáng
2 $SO_2$ Phương pháp huỳnh quang tử ngoại
3 $O_3$ Phương pháp quang phổ cực tím không phân tán
4 $NO, NO_2, NO_x$ Phương pháp hóa phát quang (Chemiluminescence)
5 $CO$ Phương pháp quang phổ hồng ngoại không phân tán
6 Khí tượng ($WS, WD, T, RH, P, Rad$) Cảm biến tự động đo tốc độ/hướng gió, nhiệt độ, độ ẩm, áp suất, bức xạ
  • Quy trình xử lý dữ liệu và xây dựng mô hình:
    1. Lọc ngoại vi: Dùng biểu đồ hộp xác định điểm nghi ngờ ngoại vi; đối chiếu lại với chuỗi dữ liệu thô trung bình 5 phút. Nếu nồng độ tăng/giảm theo xu hướng vật lý của sự cố môi trường thì giữ lại; nếu xuất hiện đột biến đơn lẻ do lỗi thiết bị thì gán thành dữ liệu trống (NaN).
    2. Bổ khuyết dữ liệu: Sử dụng mô hình ARIMA xây dựng trên phần mềm R. Thử nghiệm kiểm chứng trên 2.000 điểm dữ liệu gốc liên tục của thông số $NO$ (từ 0h00 ngày 01/01/2011 đến 7h00 ngày 25/03/2011), tạo các tỷ lệ mất ngẫu nhiên từ $5%$ đến $80%$, đối chứng với các mô hình Hồi quy tuyến tính (LR), Tự hồi quy (AR) và Spline bậc 3, 4, 5.
    3. Kiểm tra độ tin cậy: Đánh giá tính đồng nhất về luật phân bố xác suất của dữ liệu trước và sau khi bổ khuyết bằng các gói phần mềm R (psych, fitdistrplus, openair).
    4. Chuẩn hóa dữ liệu (Feature Scaling): Đưa dữ liệu về khoảng $[0, 1]$ theo công thức: $$X_{norm} = \frac{X - X_{min}}{X_{max} - X_{min}}$$
    5. Cấu trúc véc tơ đầu vào: Thiết lập mẫu đầu vào phụ thuộc thời gian: $$\text{Input} = [X_t, X_{t-1}, \dots, X_{t-n}], \quad \text{Target} = Y_{t+1}$$ với véc tơ đặc trưng $X = (WS, T, Rad, RH, NO, NO_2, NO_x, CO, O_3, SO_2, PM_{10}, PM_{2.5}, PM_1)$.
    6. Phân chia dữ liệu huấn luyện và kiểm tra:
      • Tập huấn luyện (Training - $90%$ dữ liệu): Từ 0h00 ngày 01/01/2010 đến 6h00 ngày 06/02/2018.
      • Tập kiểm tra độc lập (Testing - $10%$ dữ liệu): Từ 7h00 ngày 06/02/2018 đến 23h00 ngày 31/12/2018.
    7. Nền tảng thực thi: Ngôn ngữ R và Python trên môi trường Google Colaboratory (hỗ trợ GPU) qua trình duyệt Google Chrome.

Nội dung chính theo từng chương

Chương 1. Tổng quan

  • Tổng kết cơ sở lý luận về ô nhiễm không khí và các nghiên cứu dịch tễ học về tác động của $PM_{10}, PM_{2.5}, NO_2, SO_2, CO, O_3$ đến sức khỏe con người.
  • Phân tích chi tiết ưu nhược điểm của các nhóm mô hình dự báo CLKK: mô hình quán tính, mô hình khí hậu, mô hình kinh nghiệm, mô hình số trị CTM (WRF/Chem, CMAQ, CHIMERE, CAMx) và các mô hình thống kê học máy (CART, ANN, FL, KF, SVM, CNN, LSTM).
  • Khái quát tình hình ứng dụng AI trong dự báo CLKK trên thế giới và điểm lại các ứng dụng mô hình số trị, quang hóa (SMOKE, CMAQ, TAPOM, DPSIR) cùng ứng dụng ANN sơ khởi tại Việt Nam.
  • Trình bày cơ sở toán học của các kỹ thuật xử lý dữ liệu ngoại vi (SD, MAD, Boxplot), mô hình bổ khuyết ARIMA và các kiến trúc nơron học sâu (CNN, LSTM).

Chương 2. Phương pháp nghiên cứu

  • Thiết lập quy trình nghiên cứu tổng thể gồm 4 bước từ thu thập, làm sạch, mô hình hóa đến đánh giá.
  • Trình bày chi tiết đặc điểm vị trí trạm quan trắc 556 Nguyễn Văn Cừ và phương pháp đo đạc của thiết bị quan trắc Horiba đối với 23 thông số (6 thông số khí tượng, 16 thông số ô nhiễm không khí).
  • Xây dựng thuật toán phát hiện và xử lý dữ liệu ngoại vi bằng biểu đồ hộp kết hợp đối soát dữ liệu thô trung bình 5 phút.
  • Thiết lập quy trình bù dữ liệu trống bằng mô hình ARIMA trên phần mềm R; xây dựng thực nghiệm kiểm tra độ tin cậy của mô hình ARIMA trên 2.000 điểm dữ liệu thông số $NO$ với các mức mất giả định $5% - 80%$, đối chứng với LR, AR và Spline.
  • Quy định phương pháp kiểm định phân bố xác suất dữ liệu trước và sau bổ khuyết qua các gói psych, fitdistrplus, openair.
  • Xác định phương pháp chuẩn hóa dữ liệu $[0, 1]$, cấu trúc ma trận biến đầu vào và phân chia bộ dữ liệu 78.888 giờ thành $90%$ huấn luyện và $10%$ kiểm tra độc lập trên nền tảng Google Colaboratory.

Chương 3. Kết quả và thảo luận

  • Phân tích dữ liệu đầu vào và tiền xử lý:
    • Thống kê tỷ lệ dữ liệu trống và loại bỏ các điểm ngoại vi do lỗi kỹ thuật mà không làm mất các đỉnh nồng độ phản ánh sự cố ô nhiễm thực tế.
    • Kết quả thử nghiệm trên 2.000 điểm dữ liệu $NO$ cho thấy mô hình ARIMA có sai số (MAE, RMSE) thấp nhất và hệ số tương quan ($r$) cao nhất so với các mô hình AR, LR và Spline ở mọi tỷ lệ mất dữ liệu giả định ($5%$ đến $80%$).
  • Luật phân bố xác suất và tương quan:
    • Xác định các thông số CLKK tại trạm Nguyễn Văn Cừ không tuân theo phân bố chuẩn (Gaussian).
    • Phân tích biến trình ngày (phản ánh chu kỳ hoạt động của giao thông đô thị với các đỉnh nồng độ vào giờ cao điểm), biến trình tháng/mùa (nồng độ bụi và khí ô nhiễm tăng cao vào mùa đông, thấp hơn vào mùa mưa/hè) và xu hướng dài hạn giai đoạn 2010–2018.
    • Phân tích ma trận tương quan giữa 13 thông số CLKK và các yếu tố khí tượng, làm cơ sở lựa chọn biến đầu vào cho mô hình dự báo.
  • Lựa chọn mô hình và đánh giá hiệu suất dự báo:
    • Thử nghiệm sơ bộ trên thông số bụi $PM_{10}$ khẳng định mô hình kết hợp CNN-LSTM có hiệu suất vượt trội so với các mô hình học máy đơn lẻ.
    • Dự báo nồng độ trung bình giờ: Đánh giá sai số (MAE, RMSE) và hệ số tương quan ($r$) của mô hình CNN-LSTM trên bộ dữ liệu huấn luyện và bộ dữ liệu kiểm tra độc lập đối với nhóm bụi ($PM_{10}, PM_{2.5}, PM_1$) và nhóm khí ($NO, NO_2, NO_x, CO, SO_2, O_3$). Kết quả cho thấy đường diễn biến dự báo bám sát giá trị thực đo.
    • Dự báo nồng độ trung bình ngày: Mô hình CNN-LSTM duy trì độ chính xác cao khi dự báo nồng độ trung bình ngày cho cả nhóm chất ô nhiễm dạng bụi và dạng khí trên tập kiểm tra độc lập 2018.

Kết quả và những đóng góp mới

Đóng góp mới về phương pháp

  1. Đề xuất quy trình ứng dụng công cụ học máy ARIMA để giải quyết bài toán bổ khuyết dữ liệu quan trắc chất lượng không khí chuỗi thời gian bị khuyết thiếu.
  2. Thiết lập cách tiếp cận tích hợp ba phương pháp: (1) xử lý dữ liệu ngoại vi bằng biểu đồ hộp có đối chiếu chuỗi dữ liệu thô 5 phút; (2) bổ khuyết dữ liệu bằng mô hình ARIMA; (3) xác định và kiểm định tính đồng nhất về luật phân bố xác suất dữ liệu. Đây là quy trình có tính khả thi cao nhằm trích xuất thông tin đầy đủ, chính xác từ các tập dữ liệu quan trắc thực tế.

Đóng góp mới về kết quả cụ thể

  1. Nghiên cứu thử nghiệm thành công mô hình dự báo CLKK lai kết hợp giữa Mạng nơron tích chập (CNN) và Khối bộ nhớ dài – ngắn (LSTM), chứng minh tính hiệu quả trong việc dự báo nồng độ trung bình giờ và trung bình ngày cho 9 thông số ô nhiễm chính.
  2. Xây dựng và cung cấp một bộ dữ liệu hoàn chỉnh, đồng bộ và liên tục kéo dài 09 năm (2010–2018) với 78.888 giờ quan trắc về nồng độ các chất ô nhiễm không khí tại Hà Nội, phục vụ nghiên cứu và quản lý.
  3. Cung cấp hệ thống dữ liệu chi tiết về quy luật biến thiên nồng độ chất ô nhiễm theo thời gian (biến trình ngày, biến trình mùa, xu hướng dài hạn) và ma trận tương quan giữa các chất ô nhiễm với nhau và với các yếu tố khí tượng tại khu vực nghiên cứu.

Kiến nghị và giải pháp đề xuất

  • Ứng dụng mô hình CNN-LSTM vào các hệ thống dự báo chất lượng không khí theo thời gian thực (RT-AQF) tại các đô thị lớn.
  • Áp dụng quy trình làm sạch và bổ khuyết dữ liệu bằng ARIMA cho các trạm quan trắc tự động trong mạng lưới quan trắc môi trường quốc gia nhằm nâng cao chất lượng cơ sở dữ liệu quan trắc.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Mô hình dự báo thống kê học sâu phụ thuộc chặt chẽ vào số lượng và chất lượng của chuỗi dữ liệu lịch sử; chỉ áp dụng hiệu quả cho dự báo điểm tại chính vị trí có trạm quan trắc, chưa mô phỏng được không gian lan truyền diện rộng như mô hình số trị.
  • Mô hình không trực tiếp giải thích các cơ chế phản ứng quang hóa chi tiết hay nguồn phát thải từ xa khi không có biến đo đạc tương ứng.
  • Phạm vi dữ liệu thực nghiệm mới thực hiện trên 01 trạm quan trắc tự động (trạm 556 Nguyễn Văn Cừ, Long Biên, Hà Nội) trong giai đoạn 2010–2018.

Hướng nghiên cứu tiếp theo

  • Mở rộng ứng dụng và kiểm chứng mô hình CNN-LSTM trên mạng lưới nhiều trạm quan trắc tự động với các đặc trưng không gian khác nhau (khu dân cư, khu công nghiệp, trạm nền).
  • Kết hợp dữ liệu viễn thám/vệ tinh và dữ liệu mô phỏng số trị để mở rộng khả năng dự báo theo không gian.

Giá trị tham khảo

  • Đối với nghiên cứu sinh và học viên sau đại học: Cung cấp tài liệu tham khảo về quy trình tiền xử lý dữ liệu chuỗi thời gian môi trường, kỹ thuật lập trình mô hình ARIMA trên R và xây dựng mạng học sâu CNN-LSTM trên nền tảng Google Colaboratory.
  • Đối với giảng viên và nhà nghiên cứu: Là nguồn tài liệu phục vụ giảng dạy trong các học phần Mô hình hóa môi trường, Tin học môi trường và Khoa học dữ liệu ứng dụng.
  • Đối với các cơ quan quản lý môi trường (Tổng cục Môi trường, các Trung tâm Quan trắc): Cung cấp giải pháp kỹ thuật có chi phí vận hành thấp để xây dựng hệ thống cảnh báo sớm ô nhiễm không khí và quy trình xử lý dữ liệu quan trắc phục vụ xây dựng báo cáo hiện trạng môi trường.

Câu hỏi thường gặp

1. Luận án sử dụng dữ liệu quan trắc từ trạm nào và trong khoảng thời gian bao lâu?

Luận án sử dụng dữ liệu quan trắc tự động từ trạm số 556 Nguyễn Văn Cừ, phường Gia Thụy, quận Long Biên, Hà Nội (do Trung tâm Quan trắc Môi trường Miền Bắc - CEM thuộc Tổng cục Môi trường quản lý) trong thời gian 09 năm, từ tháng 7 năm 2010 đến ngày 31 tháng 12 năm 2018, với tổng cộng 78.888 giờ quan trắc.

2. Tại sao luận án lựa chọn phương pháp biểu đồ hộp để phát hiện dữ liệu ngoại vi?

Phương pháp biểu đồ hộp (Boxplot / Tukey) được lựa chọn vì chuỗi dữ liệu quan trắc CLKK tại trạm không tuân theo phân bố chuẩn (Gaussian). Khác với phương pháp độ lệch chuẩn (SD) và độ lệch trung bình tuyệt đối (MAD) vốn chỉ hoạt động tối ưu trên phân bố chuẩn, biểu đồ hộp dựa trên các phân vị ($Q_1, Q_3, IQR$) nên ít bị sai lệch bởi các giá trị cực trị. Đồng thời, các giá trị nghi ngờ ngoại vi còn được đối soát lại với dữ liệu thô trung bình 5 phút để tránh xóa nhầm các đỉnh ô nhiễm thực tế do sự cố môi trường.

3. Mô hình nào được sử dụng để bổ khuyết dữ liệu trống và kết quả kiểm chứng ra sao?

Luận án sử dụng mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA) xây dựng trên phần mềm R để bổ khuyết dữ liệu trống. Thử nghiệm trên 2.000 điểm dữ liệu gốc của thông số $NO$ với tỷ lệ xóa ngẫu nhiên từ $5%$ đến $80%$ cho thấy mô hình ARIMA đạt sai số (MAE, RMSE) thấp hơn và hệ số tương quan ($r$) cao hơn rõ rệt so với các mô hình AR, Hồi quy tuyến tính (LR) và Spline bậc 3, 4, 5.

4. Kiến trúc mô hình dự báo chính của luận án kết hợp những kỹ thuật nào?

Mô hình dự báo chính kết hợp Mạng nơron tích chập (CNN) và Khối bộ nhớ dài – ngắn (LSTM), được tối ưu hóa bằng thuật toán Adam. Trong đó, các lớp CNN thực hiện trích xuất các thuộc tính và mối quan hệ phi tuyến giữa các biến chất ô nhiễm và khí tượng, trong khi các khối LSTM đảm nhận việc phân tích và ghi nhớ quy luật phụ thuộc theo chuỗi thời gian dài hạn.

5. Bộ dữ liệu được phân chia theo tỷ lệ nào cho việc huấn luyện và kiểm tra mô hình?

Bộ dữ liệu gồm 78.888 giờ được phân chia theo thứ tự thời gian liên tục: $90%$ dữ liệu dùng để huấn luyện mô hình (tương ứng từ 0h00 ngày 01/01/2010 đến 6h00 ngày 06/02/2018) và $10%$ dữ liệu dùng để kiểm tra độc lập (từ 7h00 ngày 06/02/2018 đến 23h00 ngày 31/12/2018).

Kết luận

Luận án của nghiên cứu sinh Mạc Duy Hưng đã xây dựng một khung phương pháp hoàn chỉnh từ tiền xử lý, kiểm định phân bố, bổ khuyết dữ liệu quan trắc chuỗi thời gian bằng mô hình ARIMA đến thử nghiệm mô hình học sâu CNN-LSTM trong dự báo chất lượng không khí tại trạm Nguyễn Văn Cừ, Hà Nội giai đoạn 2010–2018. Kết quả nghiên cứu chứng minh mô hình CNN-LSTM có khả năng mô phỏng và dự báo chính xác nồng độ trung bình giờ và trung bình ngày cho cả nhóm chất ô nhiễm dạng bụi ($PM_{10}, PM_{2.5}, PM_1$) và dạng khí ($NO, NO_2, NO_x, CO, SO_2, O_3$). Công trình cung cấp cơ sở khoa học và nguồn số liệu thực nghiệm giá trị, đóng góp trực tiếp vào công tác quản lý, giám sát và cảnh báo ô nhiễm không khí tại Việt Nam.