Tổng quan nghiên cứu

Ô nhiễm asen trong nước dưới đất là một vấn đề môi trường nghiêm trọng ảnh hưởng đến sức khỏe cộng đồng trên toàn cầu, đặc biệt tại các vùng nông thôn phụ thuộc vào nguồn nước ngầm. Theo Tổ chức Y tế Thế giới (WHO) và Bộ Y tế Việt Nam, nồng độ asen vượt mức 10 ppb trong nước sinh hoạt có thể gây ra nhiều bệnh lý nguy hiểm như ung thư, suy thận, và các rối loạn thần kinh. Tại tỉnh Đắk Nông, Việt Nam, nhiều khu vực có nồng độ asen trong nước dưới đất vượt ngưỡng cho phép, đe dọa sức khỏe người dân.

Luận văn tập trung xây dựng ứng dụng dự báo chất lượng nước dưới đất dựa trên công nghệ trí tuệ nhân tạo (AI), cụ thể là các thuật toán học máy, nhằm dự báo nồng độ asen tại 8 huyện thuộc tỉnh Đắk Nông. Mục tiêu chính là phát triển mô hình dự báo chính xác, hỗ trợ công tác quản lý và xây dựng chiến lược bảo vệ nguồn nước. Nghiên cứu sử dụng bộ dữ liệu gồm 569 mẫu nước được thu thập theo tọa độ địa lý, với các chỉ số đặc trưng như Fe, Mn, pH, độ cứng, Coliforms và độ dẫn điện (EC). Kết quả dự báo được trực quan hóa qua giao diện ứng dụng web, giúp người dùng dễ dàng truy cập và theo dõi.

Việc ứng dụng học máy trong dự báo chất lượng nước dưới đất không chỉ nâng cao hiệu quả quản lý tài nguyên nước mà còn góp phần giảm thiểu rủi ro sức khỏe do ô nhiễm asen, đồng thời cung cấp công cụ tham khảo khoa học cho các nhà quản lý và chuyên gia môi trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng trí tuệ nhân tạo, đặc biệt là học máy (Machine Learning - ML), một nhánh của AI cho phép hệ thống tự học và cải thiện độ chính xác dự báo dựa trên dữ liệu đầu vào. Hai lý thuyết và mô hình chính được áp dụng gồm:

  • Học máy có giám sát (Supervised Learning): Sử dụng bộ dữ liệu đã gán nhãn để huấn luyện mô hình dự báo nồng độ asen dựa trên các biến đầu vào như Fe, Mn, pH, độ cứng, Coliforms và EC. Các thuật toán phổ biến gồm Hồi quy tuyến tính (MLR), Random Forest (RF) và Support Vector Machines (SVM).

  • Mô hình Support Vector Machines (SVM): Thuật toán phân loại và hồi quy mạnh mẽ, tối ưu hóa khoảng cách giữa các điểm dữ liệu và mặt phân cách, giúp dự báo chính xác nồng độ asen trong nước dưới đất. SVM có khả năng xử lý dữ liệu không cân bằng và nhiễu tốt, phù hợp với bộ dữ liệu thực tế.

Các khái niệm chính bao gồm:

  • Chất lượng nước dưới đất (CLNDD): Đánh giá dựa trên các chỉ số hóa học và vi sinh như Fe, Mn, pH, độ cứng, Coliforms, EC và nồng độ asen.

  • Sai số trung bình tuyệt đối (MAE), Sai số trung bình bình phương (MSE), Sai số trung bình bình phương căn (RMSE): Các chỉ số đánh giá hiệu quả mô hình dự báo.

  • Tiền xử lý dữ liệu: Chuẩn hóa, loại bỏ dữ liệu lỗi để đảm bảo chất lượng bộ dữ liệu đầu vào.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ 569 mẫu nước dưới đất tại 8 huyện tỉnh Đắk Nông, lấy mẫu theo tọa độ địa lý (x, y). Các mẫu được phân tích nồng độ asen và các chỉ số liên quan bởi chuyên gia địa phương. Bộ dữ liệu được chuẩn hóa và chia thành 70% dùng để huấn luyện mô hình, 30% dùng để kiểm thử.

Phương pháp phân tích sử dụng ba thuật toán học máy: Hồi quy tuyến tính đa biến (MLR), Random Forest (RF) và Support Vector Machines (SVM). Mỗi mô hình được đánh giá dựa trên các chỉ số MAE, MSE và RMSE để xác định độ chính xác và khả năng dự báo.

Quá trình nghiên cứu được thực hiện trên môi trường máy tính cấu hình Intel Core i7, sử dụng phần mềm Visual Studio Code và các thư viện Python như Scikit-learn và SciPy để xây dựng, huấn luyện và đánh giá mô hình. Thời gian nghiên cứu kéo dài trong năm 2023, tập trung vào việc thu thập dữ liệu, xây dựng mô hình và phát triển ứng dụng dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình SVM vượt trội: Mô hình SVM đạt MAE = 0.23, MSE = 0.24 và RMSE = 0.49, thấp hơn đáng kể so với MLR (MAE = 2.10, RMSE = 2.77) và RF (MAE = 0.43, RMSE = 1.01). Điều này chứng tỏ SVM có khả năng dự báo nồng độ asen chính xác và ổn định hơn.

  2. Phân bố nồng độ asen tại Đắk Nông: Nồng độ asen trung bình tại các huyện dao động từ 3.48 ppb (Tuy Đức) đến 14.15 ppb (Cư Jút), trong đó một số huyện như Krông Nô có nồng độ trung bình vượt mức tiêu chuẩn 10 ppb theo WHO và QCVN 01:2009/BYT.

  3. Ứng dụng dự báo trực quan: Ứng dụng dự báo được xây dựng cho phép người dùng truy cập thông tin nồng độ asen theo từng vị trí khoan, với biểu đồ và bản đồ heatmap thể hiện mức độ ô nhiễm. Màu sắc phân loại rõ ràng theo mức độ: xanh (dưới 10 ppb), vàng (10-50 ppb), cam (vượt mức tiêu chuẩn).

  4. Dữ liệu đầu vào đa chiều: Việc sử dụng các chỉ số Fe, Mn, pH, độ cứng, Coliforms và EC làm biến đầu vào giúp mô hình dự báo chính xác hơn nhờ phản ánh đa dạng các yếu tố ảnh hưởng đến nồng độ asen.

Thảo luận kết quả

Kết quả cho thấy mô hình SVM phù hợp nhất với bài toán dự báo chất lượng nước dưới đất tại Đắk Nông, nhờ khả năng xử lý dữ liệu không cân bằng và nhiễu tốt. So với các nghiên cứu trước đây về ô nhiễm asen tại Việt Nam và châu Á, việc ứng dụng học máy giúp nâng cao độ chính xác và tính ứng dụng thực tiễn của dự báo.

Biểu đồ so sánh giá trị dự báo và thực tế minh họa rõ sự phù hợp của mô hình SVM, trong khi MLR cho sai số lớn hơn do hạn chế trong việc mô hình hóa mối quan hệ phi tuyến tính giữa các biến. Kết quả này cũng phù hợp với các nghiên cứu quốc tế về ứng dụng SVM trong dự báo môi trường.

Việc phát triển ứng dụng dự báo trực tuyến giúp tăng cường khả năng quản lý và giám sát chất lượng nước, hỗ trợ các nhà quản lý đưa ra quyết định kịp thời. Dữ liệu trực quan qua biểu đồ và bản đồ heatmap giúp người dùng dễ dàng nhận biết vùng có nguy cơ ô nhiễm cao để có biện pháp xử lý phù hợp.

Đề xuất và khuyến nghị

  1. Triển khai ứng dụng dự báo rộng rãi: Khuyến nghị các cơ quan quản lý môi trường tỉnh Đắk Nông và các địa phương lân cận áp dụng hệ thống dự báo dựa trên mô hình SVM để giám sát chất lượng nước dưới đất định kỳ, nhằm phát hiện sớm và xử lý kịp thời các điểm ô nhiễm.

  2. Mở rộng thu thập dữ liệu: Tăng cường lấy mẫu nước tại nhiều vị trí và thời điểm khác nhau để cập nhật bộ dữ liệu, nâng cao độ chính xác và khả năng dự báo của mô hình trong vòng 1-2 năm tới.

  3. Phát triển thêm các chỉ số dự báo: Nghiên cứu bổ sung các yếu tố môi trường khác như nhiệt độ, độ ẩm đất, hoạt động nông nghiệp để cải thiện mô hình dự báo, hướng tới dự báo đa biến và toàn diện hơn.

  4. Đào tạo và nâng cao nhận thức: Tổ chức các khóa đào tạo cho cán bộ quản lý và cộng đồng về cách sử dụng ứng dụng dự báo và ý nghĩa của việc kiểm soát ô nhiễm asen, nhằm nâng cao hiệu quả quản lý nguồn nước.

  5. Tích hợp hệ thống cảnh báo sớm: Xây dựng cơ chế cảnh báo tự động khi nồng độ asen vượt ngưỡng cho phép, giúp các đơn vị chức năng nhanh chóng triển khai biện pháp xử lý, dự kiến hoàn thành trong 1 năm.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý môi trường và tài nguyên nước: Sử dụng kết quả nghiên cứu để xây dựng chính sách giám sát và quản lý chất lượng nước dưới đất, áp dụng công nghệ dự báo hiện đại nhằm nâng cao hiệu quả quản lý.

  2. Các nhà nghiên cứu và học thuật trong lĩnh vực môi trường và công nghệ thông tin: Tham khảo phương pháp ứng dụng học máy trong dự báo ô nhiễm môi trường, phát triển các mô hình dự báo tương tự cho các khu vực khác.

  3. Doanh nghiệp và tổ chức phát triển công nghệ: Áp dụng mô hình và ứng dụng dự báo để phát triển các sản phẩm công nghệ phục vụ quản lý tài nguyên nước và bảo vệ môi trường.

  4. Cộng đồng dân cư và các tổ chức phi chính phủ: Nắm bắt thông tin về mức độ ô nhiễm asen tại địa phương, sử dụng ứng dụng để theo dõi và bảo vệ sức khỏe cộng đồng, đồng thời tham gia vào các hoạt động bảo vệ nguồn nước.

Câu hỏi thường gặp

  1. Ứng dụng dự báo chất lượng nước dưới đất hoạt động như thế nào?
    Ứng dụng sử dụng mô hình học máy SVM được huấn luyện trên bộ dữ liệu mẫu nước tại Đắk Nông để dự báo nồng độ asen dựa trên các chỉ số như Fe, Mn, pH, độ cứng, Coliforms và EC. Kết quả được hiển thị trực quan qua biểu đồ và bản đồ heatmap giúp người dùng dễ dàng theo dõi.

  2. Mô hình SVM có ưu điểm gì so với các thuật toán khác?
    SVM có khả năng xử lý dữ liệu không cân bằng và nhiễu tốt, cho kết quả dự báo chính xác với sai số thấp (MAE = 0.23). Nó cũng có tính ổn định và khả năng tổng quát hóa cao, phù hợp với các tập dữ liệu thực tế phức tạp.

  3. Dữ liệu thu thập được lấy ở đâu và như thế nào?
    Dữ liệu được thu thập từ 569 mẫu nước dưới đất tại 8 huyện tỉnh Đắk Nông, lấy mẫu theo tọa độ địa lý bằng phương pháp khoan giếng và đào mương, sau đó phân tích nồng độ asen và các chỉ số liên quan tại phòng thí nghiệm chuyên môn.

  4. Ứng dụng có thể áp dụng cho các khu vực khác ngoài Đắk Nông không?
    Với cấu trúc dữ liệu tương tự và mô hình được huấn luyện lại trên dữ liệu địa phương, ứng dụng có thể mở rộng áp dụng cho các khu vực khác có vấn đề ô nhiễm asen, giúp quản lý chất lượng nước hiệu quả hơn.

  5. Làm thế nào để cập nhật dữ liệu mới vào hệ thống?
    Hệ thống cho phép người dùng tải lên dữ liệu mẫu mới qua giao diện web, sau đó mô hình sẽ dự báo nồng độ asen dựa trên dữ liệu cập nhật và lưu trữ kết quả vào cơ sở dữ liệu để theo dõi liên tục.

Kết luận

  • Luận văn đã xây dựng thành công mô hình dự báo chất lượng nước dưới đất dựa trên thuật toán SVM với sai số dự báo thấp, phù hợp cho khu vực Đắk Nông.
  • Bộ dữ liệu gồm 569 mẫu nước với các chỉ số đặc trưng được chuẩn hóa và phân tích kỹ lưỡng, đảm bảo độ tin cậy của mô hình.
  • Ứng dụng dự báo trực tuyến giúp người dùng dễ dàng truy cập, theo dõi và quản lý nồng độ asen tại các vị trí khoan khác nhau.
  • Kết quả nghiên cứu góp phần nâng cao hiệu quả quản lý nguồn nước, giảm thiểu rủi ro sức khỏe do ô nhiễm asen.
  • Đề xuất mở rộng thu thập dữ liệu, phát triển thêm chỉ số dự báo và tích hợp hệ thống cảnh báo sớm trong các bước phát triển tiếp theo.

Mời các nhà quản lý, chuyên gia môi trường và cộng đồng cùng áp dụng và phát triển ứng dụng dự báo nhằm bảo vệ nguồn nước và sức khỏe cộng đồng hiệu quả hơn.