Tác giả

Nguyễn Thị Diễm Thúy 1* , Phạm Thị Thảo Nhi 2 , Đoàn Thị Trúc Măn 3 , Đào Nguyên Khôi 4

Đơn vị công tác

1 Viện Môi trường và Tài nguyên, Đại học Quốc gia TP.HCM; nguyenthidiemthuyapag@gmail.com;

2 Viện khoa học và Công nghệ tính toán Tp.HCM; ptthaonhi@gmail.com

3 Đài khí tượng thủy văn khu vực Nam bộ; trucmandoan@gmail.com

4 Khoa Môi trường, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia TP.HCM; dnkhoi@hcmus.edu.vn

*Tác giả liên hệ: nguyenthidiemthuyapag@gmail.com; Tel.: +84–968638978

Tóm tắt

Nhu cầu oxy sinh hóa (BOD) là thông số chất lượng nước quan trọng để đánh giá mức độ ô nhiễm của nước trên các sông, hồ. Tuy nhiên, việc xác định nồng độ BOD5 trong nước theo các phương pháp phân tích trong phòng thí nghiệm thường mất nhiều thời gian (5 ngày). Mục tiêu của nghiên cứu là xây dựng mô hình dự báo thông số BOD5 dựa trên hai mô hình nơ–ron nhân tạo là MLP và RBF tại hạ lưu sông Sài Gòn–Đồng Nai và đánh giá hiệu quả dự báo giữa hai mô hình. Bảy kịch bản được xây dựng dựa trên tương quan riêng phần giữa thông số BOD5 với các thông số chất lượng nước khác bao gồm COD, DO, TSS, Coliform, P–PO43–, T và N–NH4+. Bộ dữ liệu bao gồm 08 thông số chất lượng nước theo tháng từ 2013–2018 và được chia thành hai phần theo tỷ lệ 75:25 phục vụ huấn luyện và kiểm tra các mô hình. Kết quả nghiên cứu cho thấy, cả hai mô hình MLP và RBF đều có khả năng dự báo tốt BOD5 tại khu vực, tuy nhiên mô hình RBF với 05 thông số đầu vào (COD, DO, TSS, Coliform, P–PO43–) cho kết quả dự báo tốt nhất với NSE = 0,855, R2 = 0,9, RMSE = 0,529 cho quá trình huấn luyện và NSE = 0,848, R2 = 0,865, RMSE = 0,454 cho quá trình kiểm tra. Kết quả nghiên cứu này cũng là nền tảng phục vụ cho việc dự báo các thông số chất lượng nước khác, cũng như dự báo ngắn hạn BOD5 trong khu vực nghiên cứu.

Từ khóa

Nhu cầu oxy sinh hóa; Mô hình nơ–ron nhân tạo; MLP; RBF; Hạ lưu sông Sài Gòn–Đồng Nai

Trích dẫn bài báo

Thúy, N.T.D.; Nhi, P.T.T.; Măn, Đ.T.T.; Khôi, Đ.N. Xây dựng mô hình dự báo BOD5 cho hạ lưu sông Sài Gòn – Đồng Nai dựa trên các mạng nơ–ron nhân tạo MLP và RBF. Tạp chí Khí tượng Thủy văn 2021, 724, 94-104.

Tài liệu tham khảo

1. Đặng Kim Chi. Hoá học môi trường. NXB KHKT, Hà Nội. 1999.

2. Han, H.G; Qiao, J.F. A self–organizing fuzzy neural network based on a growing–and–pruning algorithm. IEEE Trans. Fuzzy Syst. 2010, 18, 1129–1143.

3. Han, H.G.; Qiao, J.F. A structure optimisation algorithm for feedforward neural network construction. Neurocomputing 2013, 99, 347–357.

4. Dogan, E.; Ates, A.; Yilmaz, C.; Eren, B. Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand. Environ. Prog. 2008, 27, 439–446.

5. Csábrági, A.; Molnár, S.; Tanos, P.; Kovács, J. Application of artificial neural networks to the forecasting of dissolved oxygen content in the Hungarian section of the river Danube. Ecol. Eng. 2017, 100, 63–72.

6. Dara, F.; Devolli, A.; Kodra, A. An artificial neural networks modell for predicting BOD of Ishëm river. International Agricultural, Biological & Life Science Conference, Edirne, Turkey, 2018.

7. Ahamad, K.U.; Raj, P.; Barbhuiya, N.H. Advances in Waste Management. Springer Singapore 2019. https://doi.org/10.1007/978–981–13–0215–2.

8. Oyebode, O.; Stretch, D. Neural network modeling of hydrological systems: A review of implementation techniques. Nat. Resour. Model. 2019, 32, 1–14. https://doi.org/10.1111/nrm.12189.

9. Hằng, H.T.M.; Hùng, N.T.; Dũng, N.V. Quản lý thống nhất và tổng hợp các nguồn thải gây ô nhiễm trên lưu vực hệ thống sông Đồng Nai. Tạp chí Phát triển Khoa học và Công nghệ trẻ 2006, 9, 5–17.

10. Gaurang, P.; Ganatra, A.; Kosta, Y.; Panchal, D. Behaviour Analysis of Multilayer Perceptronswith Multiple Hidden Neurons and Hidden Layers. Int. J. Comput. Theory Eng. 2011, 3, 332–337. https://doi.org/10.7763/IJCTE.2011.V3.328.

11. Le, V.T.; Nguyen, H.Q.; Loc, H.; Duyen, N.; Tran, D.; Duc, H.; Do, Q.H. A Multidisciplinary Approach for Evaluating Spatial and Temporal Variations in Water Quality. Water 2019, 11, 853.

12. Faris, H.; Aljarah, I.; Mirjalili, S. Chapter 28 – Evolving Radial Basis Function Networks Using Moth–Flame Optimizer. in Handbook of Neural Computation, Pijush Samui, Sanjiban Sekhar, and Valentina E. Balas, Eds., ed: Academic Press. 2017, 537–550, ISBN: 978–0–12–811318–9.

13. Banadkookia, F.B.; Ehteram, M.; Panahic, F.; Sh. Sammend, S.; Othmane, F.B.; EL–Shafiee, A. Estimation of total dissolved solids (TDS) using new hybrid machine learning models. J. Hydrol. 2020, 587, 124989.

14. Ding, Y.R.; Cai, Y.J.; Sun, P.D.; Chen, B. The use of combined neural networks and genetic algorithms for prediction of river water quality. J. Appl. Res. Technol. 2014, 12, 493–499.

15. Elkiran, G.; Nourani, V.; Abba, S.I. Multi–step ahead modelling of river water quality parameters using ensemble artificial intelligence–based approach. J. Hydrol. 2019, 577, 123962.

16. Zhai, W.; Zhou, X.; Man, J.; Xu, Q.; Jiang, Q.; Yang, Z.; Jiang, L.; Gao, Z.; Yuan, Y.; Gao, W. Prediction of water quality based on artificial neural network with grey theory. IOP Conf. Ser. Earth Environ. Sci. 2019, 295, 042009.

17. Moriasi, D.N.; Gitau, M.W.; Pai, N.; Daggupati, P. Hydrologic and water quality Models performance measures and evaluation criteria. Trans. ASABE Am. Soc. Agric. Biol Eng. 2015, 58, 1763–1785, https://doi.org/10.13031/trans.58.10715.