Tác giả

Hồ Minh Dũng 1* , Khổng Doãn An Khang 1

Đơn vị công tác

1 Viện Môi trường và Tài nguyên, ĐHQG-HCM; H_minhdung@yahoo.com; ankhang28040506@gmail.com
*Tác giả liên hệ: H_minhdung@yahoo.com; Tel.: +84–903605245

Tóm tắt

Ô nhiễm không khí là một trong những nguyên nhân làm tăng nguy cơ mắc các bệnh về hô hấp và tim mạch. Dự báo diễn biến chất lượng không khí giúp cảnh báo cho cộng đồng về mức độ ô nhiễm. Nghiên cứu này ứng dụng trí thông minh nhân tạo cho dự báo chất lượng không khí tại khu vực trạm quan trắc tự động Ngã tư Giếng Nước, tỉnh Bà Rịa - Vũng Tàu. Mô hình bộ nhớ dài ngắn (LSTM) được lựa chọn cho nghiên cứu và để tối ưu khả năng dự báo, bộ lọc trung bình trượt (MA) được sử dụng. Kết quả nghiên cứu cho thấy chất lượng không khí khu vực nghiên cứu tương đối tốt khi nồng độ của CO, NO2, SO2, PM10 và PM2.5 đều dưới ngưỡng cho phép. Ozon là thông số có số lần vượt ngưỡng cho phép cao nhất, cũng là thông số có tác động chính đến chỉ số chất lượng không khí; Mô hình LSTM–MA đã được xây dựng thành công với khả năng dự báo có độ chính xác cao nhất cho thời gian 1 ngày tiếp theo với giá trị căn bậc 2 sai số bình phương trung bình (RMSE) là 3,05; sai số trung bình tuyệt đối (MAE) là 2,17 và sai số phần trăm tuyệt đối trung bình (MAPE) là 3,19%. Khi dự báo trong thời gian dài hơn với 2 tuần tiếp theo, mô hình cho kết quả khả quan khi các chỉ số RMSE, MAE và MAPE lần lượt đạt 22,79; 15,74 và 24,38%.

Từ khóa

LSTM-MA; Bà Rịa - Vũng Tàu; Dự báo; Chất lượng không khí.

Trích dẫn bài báo

Dũng, H.M.; Khang, K.D.A. Dự báo chất lượng không khí bằng mô hình LSTM-MA trường hợp sử dụng dữ liệu tại trạm quan trắc tự động ngã tư Giếng Nước, tỉnh Bà Rịa - Vũng Tàu. Tạp chí Khí tượng Thuỷ văn 2024, 765, 75-89.

Tài liệu tham khảo

1. Li, X.; et al. Long short-term memory neural network for air pollutant concentration predictions: Method development and evaluation. Environ. Pollut. 2017, 231, 997–1004.

2. Phùng, N.K. Nghiên cứu tính toán và dự báo PM2.5 cho khu vực Thành phố Hồ Chí Minh. Tạp chí khí tượng thủy văn 2018, 659, 1–7.

3. Buonocore, J.J.; et al. Using the Community Multiscale Air Quality (CMAQ) model to estimate public health impacts of PM2.5 from individual power plants. Environ. Int. 2014, 68, 200–208.

4. Wang, L.; et al. Source apportionment of PM2.5 in top polluted cities in Hebei, China using the CMAQ model. Environ. Int. 2015, 122, 723–736.

5. Quy, L.V.; và cs. Ứng dụng công cụ kết nối song song mô hình WRF–CMAQ đánh giá nồng độ một số chất ô nhiễm không khí cho Việt Nam. Tạp chí môi trường 2018.

6. Saide, P. E. et al. Forecasting urban PM10 and PM2.5 pollution episodes in very stable nocturnal conditions and complex terrain using WRF–Chem CO tracer model. Environ. Int. 2011, 45, 2769–2780.

7. Hùng, Đ.V.; và cs. Ứng dụng mô hình AERMOD mô phỏng sự lan truyền các chất ô nhiễm không khí từ khu công nghiệp Phú Tài tỉnh Bình Định. Tạp chí khí tượng thủy văn 2024, 758, 72–86.

8. Khuê, V.H.N.; và cs. Tính toán phát thải khí thải và ứng dụng hệ mô hình TAPM-AERMOD mô phỏng ô nhiễm không khí từ hệ thống bến cảng tại Thành phố Hồ Chí Minh. Chuyên san Khoa học trái đất và môi trường 2018, 2, 97–106.

9. Long, B.T.; và cs. Mô hình hóa ô nhiễm không khí trong điều kiện địa hình phức tạp – Trường hợp nguồn thải điểm. Tạp chí Khí tượng Thủy văn 2019, 4, 34–45.

10. Pandey, G. et al. Evaluating AERMOD with measurements from a major U.S. airport located on a shoreline. Atmos. Environ. 2023, 294, 119506.

11. Bang, H.Q.; et al. Air pollution emission inventory and air quality modeling for Can Tho City, Mekong Delta, Vietnam. Air Qual. Atmos. Hlth. 2017, 11, 35–47.

12. Dung, H.M.; et al. Study on load–carrying capacity zoning in atmospheric environment in developing countries – a case study of Can Tho City, Vietnam. Int. J. Environ. Sci. Dev. 2021, 12(7), 193–203.

13. Liao, Q.; et al. Deep learning for air quality forecasts: A review. Curr. Pollut. Rep. 2020, 60, 399–409.

14. Kumar, U.; et al. ARIMA forecasting of ambient air pollutants (O3, NO, NO2 and CO). Stoch Env. Res. Risk A. 2010, 24, 751–760.

15. Vlachogianni, A.; et al. Evaluation of a multiple regression model for the forecasting of the concentrations of NOx and PM10 in Athens and Helsinki. Sci. Total Environ. 2011, 409, 1559–1571.

16. Seng, D.; et al. Spatiotemporal prediction of air quality based on LSTM neural network. Alex. Eng. J. 2021, 60, 2021–2032.

17. Yan, R.; et al. Multi–hour and multi–site air quality index forecasting in Beijing using CNN, LSTM, CNN–LSTM, and spatiotemporal clustering. Expert Syst. Appl. 2021, 169, 114513.

18. Jiao, Y.; et al. Prediction of air quality index based on LSTM. Proceeding of the IEEE 8th Joint International Information Technology and Artificial Intelligence Conference 2019.

19. Belavadi, S.V. Air quality forecasting using LSTM RNN and wireless sensor networks. Proceeding of the 11th International Conference on Ambient Systems. Poland, Elsevier B.V. 2020.

20. Duan, J.; et al. Air–quality prediction based on the ARIMA–CNN–LSTM combination model optimized by Dung Beetle Optimizer. Sci. Rep. 2023, 13, 12127.

21. Yammahi, A.A.; et al. Forecasting the concentration of NO2 using statistical and machine learning methods: A case study in the UAE. Heliyon 2023, 9, 12584.

22. Navares, R.; et al. Predicting air quality with deep learning LSTM: Towards comprehensive models.Ecol. Inform. 2019, 55, 101019.

23. Chang, Y.S.; et al. An LSTM–based aggregated model for air pollution forecasting. Atmos. Pollut. Res. 2020, 11, 1451–1463.

24. Wen, C.; et al. A novel spatiotemporal convolutional long short–term neural network for air pollution prediction. Sci. Total Environ. 2019, 654, 1091–1099.

25. Jung, Y.; et al. Concentration separation prediction model to enhance prediction accuracy of particulate matter. J. Inf. Commun. Technol. 2023, 22(1), 77–96.

26. Rakholia, R.; et al. AI–based air quality PM2.5 forecasting models for developing countries: A case study of Ho Chi Minh City, Vietnam. Urban Clim. 2022, 46, 1–13.

27. Hưng, M.D. Nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo chất lượng không khí. Luận án tiến sĩ, Đại học Bách khoa Hà Nội, 2020.

28. Hà, D.T.; và cs. Ứng dụng mô hình đa biến bộ nhớ dài hạn - ngắn hạn trong dự báo nhiệt độ và lượng mưa, Tạp chí Khoa học Trường ĐH Cần Thơ 2022, 58, 8–16.

29. Thành, N.C.; Giang, N.T. Xây dựng mô hình máy học LSTM (Long Short-Term Memory) phục vụ công tác dự báo mặn tại trạm đo mặn Đại Ngãi. Tạp chí Khí tượng Thủy văn 2022, 740(1), 98–104.

30. Nhung, C.T.H.; và cs. Xác định luật phân bố xác suất của dữ liệu chất lượng không khí được quan trắc tại Hà Nội. Tạp chí Khoa học và Công nghệ Việt Nam 2012, 50, 83–89.

31. Gulia, S.; et al. Extreme events of reactive ambient air pollutants and their distribution pattern at urban hotspots. Aerosol Air Qual. Res. 2017, 17, 394–405.

32. Sharma, S.; et al. Hybrid modelling approach for effective simulation of reactive pollutants like Ozone. Atmos. Environ. 2013, 80, 408–414.

33. Babu, N.; et al. A moving-average-filter-based hybrid ARIMA-ANN model for forecasting time series data. Appl. Soft Comput. 2014, 23, 27–38.

34. Qing, P.; et al. Single-well yield prediction based on LSTM and MA Combination model. Smart Innovation Syst. Technol. 2021, 218, 143–152.

35. Babu, C.N.; et al. A moving-average-filter-based hybrid ARIMA-ANN model for forecasting time series data. Appl. Soft Comput. 2014, 3, 27–38.

36. Johnston, F.R.; et al. Some properties of a simple moving average when applied to forecasting a time series. J. Oper. Res. Soc. 1999, 50, 1267–1271.

37. Tổng Cục Môi Trường. Hướng dẫn kỹ thuật tính toán và công bố chỉ số chất lượng không khí Việt Nam (VN_AQI), 2019.

38. Hochreiter, S.; Schmidhuber, J. Long short-term memory. Neural Comput. 1997, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735.

39. Mikolov, T.; et al. Learning longer memory in recurrent neural networks. ArXiv 2015, 1–9.

40. Shah, J.; et al. Analytical equations based prediction approach for PM2.5 using artifcial neural network. Appl. Sci. 2020, 2, 1516.

41. Kumar, K.; et al. Air pollution prediction with machine learning: A case study of Indian cities. Int. J. Environ. Sci. Technol. 2022, 20, 5333–5348.

42. Yan, J.; et al. Water quality prediction in the Luan River based on 1–DRCNN and BiGRU hybrid neural network model. Water 2021, 13, 1273.