(Luận văn) nghiên cứu hiện trạng ô nhiễm bụi mịn pm2 5 ở một số khu vực điển hình của thành phố hà nội

i LỜI CAM ĐOAN Tôi xin cam đoan Những nội dung luận văn thực hướng dẫn TS Lê Thanh Sơn PGS.TS Dương Hồng Sơn Mọi tham khảo dùng luận văn tơi trích dẫn nguồn gốc rõ ràng Các kết nghiên cứu luận văn trung thực chưa công bố cơng trình lu an n va Học viên p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si ii LỜI CẢM ƠN Luận văn tốt nghiệp với đề tài: “Nghiên cứu trạng ô nhiễm bụi mịn PM2.5 số khu vực điển hình TP Hà Nội” hồn thành Trước hết, tơi xin bày tỏ lịng biết ơn sâu sắc đến Ban Lãnh đạo Học viện Khoa học Công nghệ - Viện Hàn lâm khoa học công nghệ Việt Nam, thầy cô khoa Môi trường, Khoa, Phòng ban chức đã giảng dạy, truyền đạt kiến thức, tạo điều kiện hướng dẫn tơi hồn thành chương trình học tập thực luận văn lu an n va gh tn to Tôi xin bày tỏ lòng biết ơn sâu sắc tới Ban lãnh đạo Viện Công nghệ môi trường - Viện Hàn lâm Khoa học Công nghệ Việt Nam cho phép tạo điều kiện thuận lợi cho học tập, cơng tác hồn thành tốt luận văn p ie Đặc biệt, xin gửi lời cảm ơn chân thành đến TS Lê Thanh Sơn PGS.TS Dương Hồng Sơn tận tình hướng dẫn giúp đỡ tơi q trình nghiên cứu hồn thành luận văn oa nl w d Ngoài ra, xin gửi lời cảm ơn tới đề tài “Nghiên cứu, phát triển hệ thống giám sát chất lượng môi trường khơng khí cơng nghệ Lidar mặt đất viễn thám, ứng dụng thử nghiệm TP Hà Nội TP Đà Nẵng” nf va an lu z at nh oi lm ul Và cuối xin bày tỏ lịng biết ơn đến gia đình, bạn bè, đồng nghiệp ln động viên, khích lệ tơi q trình thực luận văn z Với điều kiện thời gian kinh nghiệm hạn chế, luận văn khơng thể tránh thiếu sót Rất mong nhận góp ý, đánh giá thầy để luận văn hoàn thiện l gm @ Xin trân trọng cảm ơn! m co Học viên an Lu n va ac th si MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC DANH MỤC BẢNG DANH MỤC HÌNH DANH MỤC CHỮ VIẾT TẮT MỞ ĐẦU lu Tính cấp thiết đề tài an va Mục tiêu nghiên cứu n Đối tượng phạm vi nghiên cứu gh tn to Phương pháp nghiên cứu: p ie Ý nghĩa khoa học ý nghĩa thực tiễn đề tài w Bố cục luận văn oa nl CHƯƠNG TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU 10 d 1.1 TỔNG QUAN VỀ Ô NHIỄM BỤI MỊN PM 2.5 10 lu va an 1.1.1 Khái niệm, phân loại bụi mịn PM 2.5 10 u nf 1.1.2 Các nguồn gây ô nhiễm bụi mịn PM 2.5 12 ll 1.1.3 Tác động ô nhiễm bụi mịn PM 2.5 16 m oi 1.2 TÌNH HÌNH NGHIÊN CỨU Ơ NHIỄM BỤI TRONG VÀ NGỒI NƯỚC 20 z at nh 1.2.1 Tình hình nghiên cứu giới 20 z 1.2.2 Tình hình nghiên cứu nước 22 @ gm 1.3 MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN) 27 m co l CHƯƠNG NGUYÊN VẬT LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU30 2.1 NGUYÊN VẬT LIỆU 30 an Lu 2.1.1 Thiết bị 30 n va ac th si 2.2 PHƯƠNG PHÁP NGHIÊN CỨU 30 2.2.1 Phương pháp thu thập, kế thừa liệu 30 2.2.2 Phương pháp thực nghiệm 30 2.2.3 Phương pháp phân tích, xử lý số liệu 34 2.2.4 Phương pháp mơ hình hóa 35 CHƯƠNG KẾT QUẢ VÀ THẢO LUẬN 38 3.1 ĐÁNH GIÁ HIỆN TRẠNG Ô NHIỄM BỤI MỊN PM2.5 Ở MỘT SỐ KHU VỰC ĐIỂN HÌNH CỦA TP HÀ NỘI 38 lu 3.2 ĐÁNH GIÁ SỰ PHÂN BỐ NỒNG ĐỘ BỤI MỊN PM2.5 THEO THỜI GIAN 40 an n va 3.2.1 Quy luật biến thiên nồng độ bụi PM2.5 ngày 41 3.3 NGHIÊN CỨU ẢNH HƯỞNG CỦA MỘT SỐ YẾU TỐ KHÍ TƯỢNG ĐẾN SỰ PHÂN BỐ NỒNG ĐỘ BỤI MỊN PM2.5 Ở TP HÀ NỘI 48 p ie gh tn to 3.2.2 Quy luật biến thiên nồng độ bụi mịn PM2.5 theo mùa 46 w 3.3.1 Ảnh hưởng tốc độ gió 49 oa nl 3.3.2 Ảnh hưởng nhiệt độ khơng khí 50 d 3.3.3 Ảnh hưởng độ ẩm khơng khí 52 lu va an 3.3.4 Ảnh hưởng lượng mưa 53 ll u nf 3.3.5 Xây dựng quan hệ hồi quy nồng độ bụi mịn PM2.5 biến khí tượng mơ hình ANN 54 m oi KẾT LUẬN VÀ KIẾN NGHỊ 57 z at nh Kết luận 57 z Kiến nghị 57 @ gm TÀI LIỆU THAM KHẢO 58 m co l PHỤ LỤC 63 an Lu n va ac th si DANH MỤC BẢNG Bảng 1.1 Các nhóm ngành sản xuất khí thải phát sinh điển hình 14 Bảng 3.1: Tương quan Spearman nồng độ bụi PM2.5 yếu tố khí tượng………………………………………………… ……………………… 46 Bảng 3.2: Tương quan Spearman nồng độ bụi mịn PM2.5 yếu tố tốc độ gió theo mùa năm 2018 50 Bảng 3.3: Tương quan Spearman nồng độ bụi mịn PM2.5 yếu tố nhiệt độ khơng khí theo mùa năm 2018 51 lu Bảng 3.4: Tương quan Spearman nồng độ bụi mịn PM2.5 yếu tố độ ẩm khơng khí theo mùa năm 2018 52 an n va Bảng 3.5: Tương quan Spearman nồng độ bụi mịn PM2.5 yếu tố lượng mưa theo mùa năm 2018 54 p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si DANH MỤC HÌNH Hình 1.1: Bụi PM 2.5 12 Hình 1.2: Đường xâm nhập bụi mịn vào thể người 18 Hình 1.3: Sơ đồ mơ hình mạng thần kinh nhân tạo lớp 28 Hình 2.1: Thiết bị lấy mẫu bụi thể tích lớn Kimono để xác định nồng độ bụi mịn PM2.5…………………………………………………………………….28 Hình 3.1: Kết đo bụi PM2.5 số khu vực thành phố Hà Nội tháng 3/2020………………………………………………………… 35 lu an Hình 3.2: Diễn biến nồng độ bụi PM2.5 trung bình ngày năm 2018 TP Hà Nội……………………………………………….… 39 n va p ie gh tn to Hình 3.3: Diễn biến nồng độ bụi PM2.5 trung bình ngày mùa xuân (a), mùa hè (b), mùa thu (c) mùa đông (d) TP Hà Nội năm 2018………………………………………………………………………….40 oa nl w Hình 3.4: Diễn biến nồng độ bụi PM2.5 ngày theo tháng năm 2018 TP Hà Nội 45 d Hình 3.5: Diễn biến độ ẩm ngày theo tháng năm 2018 TP Hà Nội 46 an lu ll u nf va Hình 3.6: Diễn biến nồng độ bụi PM2.5 mùa năm 2018 TP Hà Nội 47 oi m Hình 3.7: Diễn biến nhiệt độ trung bình ngày tháng năm 2018 TP Hà Nội 51 z at nh Hình 3.8: Sơ đồ mô mạng ANN sử dụng luận văn 54 z Hình 3.9: So sánh kết dự báo bụi PM2.5 kết thực đo tính tốn tập số liệu huấn luyện (a) kiểm định (b) 56 m co l gm @ an Lu n va ac th si DANH MỤC CHỮ VIẾT TẮT Tiếng Việt AQI Chỉ số chất lượng khơng khí ANN Mạng thần kinh nhân tạo BAM Thiết bị giám sát suy giảm beta IARC Cơ quan Nghiên cứu ung thư quốc tế ONKK Ô nhiễm khơng khí ONMT Ơ nhiễm mơi trường WHO Tổ chức Y tế giới lu Kí hiệu viết tắt an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si MỞ ĐẦU Tính cấp thiết đề tài lu an n va p ie gh tn to Ơ nhiễm khơng khí mối quan tâm chung xã hội toàn cầu Trong thập kỷ gần đây, thành phố Hà Nội phải đối mặt với vấn đề ô nhiễm môi trường (ONMT) không khí, đặc biệt ô nhiễm bụi mịn PM2.5 Theo đánh giá Bộ Tài nguyên Môi trường, thủ đô Hà Nội phải đối mặt với tình trạng nhiễm khơng khí ngày gia tăng, đặc biệt ô nhiễm bụi tiếng ồn[1] Theo công bố Báo cáo chất lượng khơng khí Việt Nam năm 2016 Liên Minh lượng bền vững Việt Nam, nồng độ bụi mịn PM2.5 trung bình năm 2016 Hà Nội lên tới 50,5 µg/m3, cao gấp đơi so với quy chuẩn Quốc gia QCVN 05:2013/BTNMT gấp lần so với ngưỡng trung bình theo hướng dẫn khuyến nghị Tổ chức Y tế Thế giới (WHO) Ngày 3/3/2016, Đại sứ quán Mỹ Hà Nội công bố trị số quan trắc bụi PM2.5 Hà Nội vào cao điểm (8-9 sáng) 383µg/m3 d oa nl w Ô nhiễm bụi mịn PM 2.5 gây ảnh hưởng lớn đến sức khỏe người Vì có kích thước nhỏ nên bụi PM 2.5 nguy hiểm, có khả sâu vào tận phế nang phổi vào máu Những chất vào thể gây kích ứng hắt hơi, sổ mũi, khiến người có phản ứng ho, khạc đờm kéo dài Đặc biệt, bị phơi nhiễm với bụi PM 2.5 làm tăng nguy mắc bệnh hen suyễn, bệnh phổi tắc nghẽn mạn tính viêm phổi, chứng bệnh hô hấp, tim mạch, tiểu đường ung thư phổi, ảnh hưởng nghiêm trọng đến sức khỏe người Uớc tính góp phần gây triệu ca chết sớm năm, khí có tới 92% dân số giới phải hít thở bầu khơng khí độc hại (WHO, 2016) Một nghiên cứu Tổ chức Y tế giới WHO Cơ quan nghiên cứu ung thư quốc tế IARC cho thấy mối tương quan tỷ lệ thuận mức độ nhiễm bụi khơng khí với tỷ lệ người mắc ung thư Cụ thể mật độ PM10 khơng khí tăng lên 10 µg/m3 tỷ lệ ung thư tăng 22% mật độ PM2.5 tăng thêm 10 µg/m3 tỷ lệ ung thư phổi tăng đến 36% ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si lu an n va ie gh tn to Thành phố Hà Nội trung tâm kinh tế, văn hóa, trị nước, nơi tập trung nhiều khu, cụm công nghiệp, làng nghề, trung tâm thương mại, nhà ga, bến xe, bến tàu, nút giao thơng lớn Đây nguồn gây ONMT khơng khí, nhiễm bụi mịn PM2.5 TP Hà Nội Tuy nhiên, mức độ ô nhiễm khơng khí khu vực lại khác đặc thù nguồn phát thải Ngoài ra, nồng độ bụi PM2.5 thời điểm khác ngày, theo tháng, mùa khác năm khác yếu tố khí tượng, thời tiết ảnh hưởng đến lan truyền phân bố bụi mịn PM2.5 khu vực Thơng số khí tượng yếu tố khơng thể kiểm sốt đóng vai trị quan trọng việc làm thay đổi hàm lượng chất ô nhiễm mơi trường khơng khí Do đó, việc nghiên cứu trạng phân bố bụi mịn PM2.5 theo không gian thời gian Hà Nội quan trọng, giúp đánh giá, kiểm sốt chất lượng khơng khí đưa dự báo, cảnh báo ô nhiễm bụi mịn PM2.5 – vấn đề xúc, thu hút ý người dân Hà Nội p Trên sở đó, đề tài “Nghiên cứu trạng ô nhiễm bụi mịn PM2.5 số khu vực điển hình thành phố Hà Nội” thực nhằm đánh giá mức độ ô nhiễm bụi mịn PM2.5 số khu vực điển hình TP Hà Nội khu, cụm công nghiệp, làng nghề, nút giao thông lớn, nhà ga, bến tàu, trung tâm thương mại hay khu dân cư; nghiên cứu biến thiên nồng độ bụi theo thời gian sở phân tích thống kê mối tương quan yếu tố khí tượng nhiệt độ, độ ẩm, lượng mưa, tốc độ gió; lượng hóa mối quan hệ đại lượng mơ hình mạng thần kinh nhân tạo (ANN) Kết luận văn góp phần đưa đánh giá, dự báo xác ONMT khơng khí nói chung, nhiễm bụi mịn PM2.5 nói riêng khu vực khác thời điểm khác nhau, góp phần xây dựng phương án giảm thiểu ONMT khơng khí, bảo vệ mơi trường, ứng phó biến đổi khí hậu bảo vệ sức khỏe cộng đồng d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si Mục tiêu nghiên cứu a Mục tiêu chung: Nghiên cứu phân bố nồng độ bụi mịn PM2.5 số khu vực điển hình thành phố Hà Nội theo không gian theo thời gian tương tác với số yếu tố khí tượng b Mục tiêu cụ thể - Đánh giá trạng ô nhiễm bụi mịn PM2.5 số khu vực nội đô điển hình (nút giao thơng, khu, cụm cơng nghiệp, làng nghề, bến tàu, bến xe,…) TP Hà Nội lu - Đánh giá biến thiên nồng độ bụi mịn PM2.5 thời điểm khác ngày, tháng mùa năm TP Hà Nội an n va tn to - Đánh giá ảnh hưởng yếu tố khí tượng đến phân bố hàm lượng bụi PM2.5 TP Hà Nội p ie gh - Xây dựng quan hệ hồi quy biến nồng độ bụi mịn PM2.5 biến khí tượng làm sở để dự đốn tình hình nhiễm bụi mịn PM2.5 khu vực khác thời điểm khác thành phố Hà Nội nl w d oa Đối tượng phạm vi nghiên cứu an lu - Đối tượng nghiên cứu: Bụi mịn PM2.5 u nf va - Phạm vi nghiên cứu: TP Hà Nội ll Phương pháp nghiên cứu: m oi Có phương pháp nghiên cứu sử dụng trình nghiên cứu bao gồm: z at nh z - Phương pháp thu thập, kế thừa liệu; m co - Phương pháp mơ hình hóa l - Phương pháp thực nghiệm; gm @ - Phương pháp phân tích, xử lý số liệu; an Lu n va ac th si 54 bụi mịn PM2.5 [19, 20, 36, 37], lượng mưa tăng, nồng độ bụi mịn PM2.5 khơng khí giảm quan sát thấy vào mùa xuân mùa đông Bảng 3.5: Tương quan Spearman nồng độ bụi mịn PM2.5 yếu tố lượng mưa theo mùa năm 2018 Tương quan Spearman Hệ số tương quan Lượng mưa Xuân Hè Thu Đông -0,195 0,078 -0,046 -0,206 0,133 0,401 368 340 Sig lu N 356 360 an n va p ie gh tn to Tuy nhiên, vào mùa hè mùa thu, mối quan hệ đại lượng khơng tuyến tính, ngun nhân lượng mưa có tương quan thuận với yếu tố khí tượng khác độ ẩm khơng khí, dẫn đến lượng mưa tăng, độ ẩm khơng khí tăng Theo phân tích trên, nồng độ bụi mịn PM2.5 lại tăng độ ẩm tăng vào mùa hè mùa thu Kết ảnh hưởng lượng mưa đến nồng độ bụi mịn PM2.5 vào mùa hè mùa thu theo chế trái ngược nhau, tương quan lượng mưa bụi mịn PM2.5 khơng tuyến tính d oa nl w lu u nf va an 3.3.5 Xây dựng quan hệ hồi quy nồng độ bụi mịn PM2.5 biến khí tượng mơ hình ANN ll Các kết số yếu tố khí tượng có ảnh hưởng định đến phân bố nồng độ bụi PM2.5 TP Hà Nội để lượng hóa ảnh hưởng này, luận văn sử dụng mơ hình ANN để xây dựng mối quan hệ PM2.5 yếu tố khí tượng (Hình 3.8) oi m z at nh z 20 30 m co l gm @ an Lu Hình 3.8: Sơ đồ mô mạng ANN sử dụng luận văn n va ac th si 55 Sau tiến hành thử sai hàng loạt lựa chọn khác số lớp, số nút lớp, nghiên cứu lựa chọn cấu trúc mơ hình mạng thần kinh nhân tạo hình 3.8 đây: sơ đồ gồm nút đầu vào; lớp ẩn, lớp ẩn thứ gồm 20 nút lớp ẩn thứ hai gồm 30 nút; nút lớp đầu đầu Mơ hình có biến đầu nồng độ bụi PM2.5 lu an n va p ie gh tn to Để tránh tượng ‘quá tốt’ (overfitting) phương pháp này, nghiên cứu chia chuỗi số liệu thành tập số liệu nhỏ hơn: tập số liệu huấn luyện (trainning set) tập số liệu kiểm định (validating set) Nhiệm vụ tập số liệu huấn luyện xác định trọng số nút mạng ANN Tập số liệu kiểm định sử dụng để hạn chế đến mức thấp tượng overfitting đầu thực đo tính tốn Tập số liệu không hiệu chỉnh trọng số nút mà sử dụng để đảm bảo gia tăng độ xác tập số liệu huấn luyện tạo gia tăng độ xác tập số liệu chưa huấn luyện, trước hết tập số liệu kiểm định Nếu độ xác tập số liệu huấn luyện gia tăng độ xác tập số liệu kiểm định giữ nguyên giảm tượng overfitting xảy trình huấn luyện phải ngừng lại Hai tập số liệu chọn ngẫu nhiên theo tỷ lệ 70% cho chuỗi số liệu huấn luyện 30% cho chuỗi số liệu kiểm định Nghiên cứu cho mơ hình chạy lặp 1000 lần tương ứng với 1000 lần lấy mẫu (sampling) chuỗi số liệu huấn luyện kiểm định Cách phân chia cho kết tốt 1000 lần lấy mẫu lựa chọn mơ hình mạng thần kinh nhân tạo cuối Trong hình 3.9 so sánh kết dự báo kết thực đo tính tốn tập số liệu huấn luyên kiểm định trường hợp tối ưu d oa nl w ll u nf va an lu oi m z at nh z Kết thu cho thấy hệ số tương quan R nghiên cứu có giá trị mức chấp nhận (R = 0,66566 với tập số liệu training, R = 0,52151 với tập số liệu kiểm định) (chi tiết đoạn code lập trình xem phụ lục) Do đó, mơ hình thần kinh nhân tạo sử dụng để dự báo nồng độ bụi mịn PM2.5 TP Hà Nội dựa vào biến khí tượng giá trị nồng độ bụi mịn PM2.5 ngày hôm trước m co l gm @ an Lu n va ac th si 56 Training result R = 0,53151 Training result R = 0,66566 lu (a) (b) Hình 3.9: So sánh kết dự báo bụi PM2.5 kết thực đo tính tốn tập số liệu huấn luyện (a) kiểm định (b) an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 57 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Tại TP Hà Nội, hàm lượng bụi mịn PM2.5 khu dân cư, trung tâm thương mại, hàm lượng bụi mịn PM2.5 thấp mức quy chuẩn; khu, cụm công nghiệp làng nghề, hàm lượng bụi mịn PM2.5 bắt đầu vượt quy chuẩn cho phép mức độ vượt không đáng kể; riêng khu vực nút giao thông lớn, bến tàu, xe, hàm lượng bụi mịn PM2.5 tương đối cao, vượt quy chuẩn cho phép tương đối lớn lu Hàm lượng bụi mịn PM2.5 vào tháng mùa hè thấp nhất, tiếp đến mùa thu, mùa xuân cao mùa đông Trong ngày, thời điểm – 10h sáng nồng độ bụi PM2.5 thường tăng cao nhất, sau giảm dần, sau 15h nồng độ bụi bắt đầu tăng đạt đỉnh thứ hai khoảng 21h an n va p ie gh tn to Các yếu tố khí tượng độ ẩm, nhiệt độ, tốc độ gió, lượng mưa ảnh hưởng đến phân bố bụi mịn PM2.5, tốc độ gió có ảnh hưởng lớn nhất, tiếp đến nhiệt độ hai có tương quan tuyến tính âm độ ẩm có tương quan âm vào mùa đông mùa xuân, tương quan dương vào mùa hè mùa thu d oa nl w ll u nf va an lu Nồng độ bụi mịn PM2.5 dự báo dựa vào biến khí tượng nhiệt độ, độ ẩm, lượng mưa, tốc độ gió, tổ hợp tích biến nồng độ bụi PM2.5 ngày hơm trước thơng qua mơ hình thần kinh nhân tạo ANN với hệ số tương quan mức chấp nhận được, R = 0,66566 oi m Kiến nghị z at nh z Do khuôn khổ nghiên cứu luận văn có hạn, kết luận văn nghiên cứu dựa số liệu trạm quan trắc liệu năm 2018 Để áp dụng thực tiễn, cần đánh giá với số liệu dày sử dụng số liệu nhiều trạm quan trắc (nên phân bố khu vực TP Hà Nội) m co l gm @ an Lu n va ac th si 58 TÀI LIỆU THAM KHẢO [1] Bộ Tài Nguyên Môi trường, “Báo cáo trạng môi trường Quốc gia năm 2016 Chương 2: Môi trường khơng khí” vol 2, pp 25– 45, 2017 [2] WHO (2019), https://www.who.int/vietnam/vi/news/featurestories/detail/ten-threats-to-global-health-in-2019 [3] Cục Y tế, Bộ Giao thông Vận tải (2010) Đề tài “Nghiên cứu đánh giá tổng thể sức khỏe thiệt hại kinh tế ô nhiễm khơng khí gây ra” lu [4] Cục Kiểm sốt Ô nhiễm, Tổng cục Môi trường (2013) Dự án “ Kiểm sốt nhiễm mơi trường làng nghề” an n va p ie gh tn to [5] Viện Khoa học Quản lý môi trường, Tổng cục Môi trường (2012) Đề tài “Ảnh hưởng nhiễm khơng khí đến sức khỏe người dân” d oa nl w [6] Hazenkamp-von Ã, M.E., Schindler, C., Ragettli, M.S., Kunzli, N., Fahrlander, C.B, Liu, L.J.S (2011) Impact of hightway traffic exhaust in alpine valleys on the respiratory health in adults: A crossectional study En viaromental Health, 10(13) 1-9 an lu ll u nf va [7] Laden, F., Schwartz, J., Speizer, F.E and Dockery, D.W (2001) Air pollution and mortality: A continued follow-up in the harvard six cities study Epidemiology 12 437 oi m z at nh [8] Nam, K.M., Selin, N.E , Reilly, J.M , Paltsev, S (2010) Measuring welfare loss caused by air pollution in Europe: A CGE analysis Energy Policy, 38 5059–5071 z @ m co l gm [9] Schleicher, N., Norra, S., Fricker, M., Kaminski, U., Chen, Y., Chai, F., Wang, S., Yu, Y., Cen, K (2013) Spatio-temporal variations of black carbon concentrations in the Megacity Beijing Environmental Pollution, 182 392-401 an Lu n va ac th si 59 [10] Yang, F., Tan, J., Zhao, Q., Du, Z., He, K., Ma, Y., Duan, F., Chen, G and Zhao, Q (2011) Characteristics of PM2.5 speciation in representative megacities and across China Atmos Chem Phys., 11 5207–5219 [11] Padró-Martínez, L.T., Patton, A.P., Trull, J.B., Zamore, W.2, Brugge, D and Duran, J.L (2012) Mobile monitoring of particle number concentration and other traffic-related air pollutants in a near-highway neighborhood over the course of a year Atmos Environ., 61 253–264 lu [12] Zhao, X Zhang, X., Xu, X., Xu, J., Meng, W., Pu, W (2009) Seasonal and diurnal variations of ambient PM2.5 concentration in urban and rural environments in Beijing Atmospheric Environment.,43(18) 2893-2900 an n va p ie gh tn to [13] Zhang, H., Wang, Y., Hu, J., Ying, Q., Hu, X.M (2015) Relationships between meteorological parameters and criteria air pollutants in three megacities in China Environmental Research 140 242-254 w d oa nl [14] Monre(2019), http://www.monre.gov.vn/Pages/thuc-trang-onhiem-khong-khi-o-viet-nam.aspx lu ll u nf va an [15] Hien, P.D., Bac, V.T., Tham, H.C., Nhan, D.D., Vinh, L.D (2002) Influence of meteorological conditions on PM2.5 and PM2.5−10 concentrations during the monsoon season in Hanoi, Vietnam Atmospheric Environment, 36(21) 3473-3484 oi m z at nh [16] Hai, C.D., Oanh, N.T.K (2013) Effects of local, regional meteorology and emission sources on mass and compositions of particulate matter in Hanoi Atmospheric Environment, 78 105-112 z @ m co l gm [17] Tiryaki, S., Aydin, A (2014) An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model Construction and Building Materials, 62 102-108 an Lu n va ac th si 60 [18] Thủy, T.T., Hạnh, N.T.Đ., Thư, N.T.A., Thắm, T.T (2013) Nghiên cứu ảnh hưởng tượng nghịch nhiệt đến hàm lượng bụi PM2.5 môi trường không khí Hà Nội Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất Môi trường, 34(3), 1-9 [19] Huang, F., L, X., Wang, C., Xu, Q., Wang, W., Luo, Y., Tao, L., Gao, Q., Guo, J., Chen, S., Cao,K., Liu, L., Gao, N., Liu, X., Yang, K., Yan, A., Guo, X (2015) PM2.5 Spatiotemporal Variations and the Relationship with Meteorological Factors during 2013-2014 in Beijing, China LoS ONE 10(11): e0141642 lu [20] Li, X., Feng, Y.J., Liang, H.Y (2017) The Impact of Meteorological Factors on PM2.5 Variations in Hong Kong.IOP Conf Series: Earth and Environmental Science 78, 012003 an n va p ie gh tn to [21] Wang, J And Ogawa, S (2015) Effects of Meteorological Conditions on PM2.5 Concentrations in Nagasaki, Japan Int J Environ Res Public Health 12, 9089-9101 d oa nl w [22] Chunxue Y., Haidong K., Renjie C (2011) Research on level, composition, source and pollution characteristics of ambient fine particles in China Journal of environment and health, 28, 735-738 lu ll u nf va an [23] Xianlei Z., Yuanhang Z., Limin Z (2005) Source Identification of Ambient PM2.5 in Beijing Research of environmental sciences, 18, 1-5 m oi [24] Chen, Z., Xie, X., Cai, J., Chen, D., Gao, B., He,B., Cheng, N and Xu, B (2018) Understanding meteorological influences on PM2.5 concentrations across China: a temporal and spatial perspective Atmos Chem Phys., 18, 5343–5358 z at nh z @ m co l gm [25] Zhang, Q., Quan, J., Tie, X., Li, X., Liu, Q., Gao, Y andZhao, D (2015) Effects of meteorology and secondary particle formation on visibility during heavy haze events in Beijing, China Sci Total Environ., 502, 578–84 an Lu n va ac th si 61 [26] Vassilakos, C., Saraga, D., Maggos, T., Michopoulos, J., Pateraki, S., Helmis, C.G.( 2005) Temporal variations of PM2.5 in the ambient air of a suburban site in Athens, Greece Sci Total Environ., 349, 223–31 [27] Luo, X S., Zhao, Z., Chen, Y., Ge, X L Huang, Y., Suo, C and Zhang, D (2017) Effects of emission control and meteorological parameters on urban air quality showed by the 2014 youth olympic games in China, Fresen Environ Bull., 26, 4798–4807, lu [28] Tian,G., Liu, X and Kong, L (2017) Spatiotemporal Patterns and Cause Analysis of PM 2.5 Concentrations in Beijing, China Hindawi Advances in Meteorology 2018, 1724872 an n va p ie gh tn to [29] Zhang, Y., Jian, W (2017) Pollution characteristics and influencing factors of atmospheric particulate matter (PM2.5) in ChangZhu-Tan area.IOP Conf Series: Earth and Environmental Science 108, 042047 d oa nl w [30] Yanosky, J.D., Paciorek, C.J., Laden, F., Hart, J.E., Puett, R.C., Liao, D., Suh, H.H (2014) Spatio-temporal modeling of particulate air pollution in the conterminous United States using geographic and meteorological predictors Environ Health., 13(1), 63 an lu ll u nf va [31] Song, C., Pei, T., Yao, L (2015) Analysis of the characteristics and evolution modes of PM2.5 pollution episodes in Beijing, China during 2013 Int J Environ Res Public Health., 12(2), 1099–111 oi m z at nh z [32] Olivares, G., Johansson, C., Ström, J (2007) Hansson HC The role of ambient temperature for particle number concentrations in a street canyon Atmos Environ., 41(10), 2145–55 gm @ m co l [33] Dawson, J.P., Adams, P.J., Pandis, S.N (2007) Sensitivity of PM2.5 to climate in the Eastern US: a modeling case study Atmos Chem Phys 7(16), 4295–4309 an Lu n va ac th si 62 [34] Kang, H., Zhu, B., Su, J., Wang, H., Zhang, Q and Wang, F (2013) Analysis of a long-lasting haze episode in Nanjing, China Atmos Res., 120–121, 78–87 [35] Zhao, D., Chen, H., Sun, X., Shi, Z (2018) Spatio-temporal Variation of PM2.5 Pollution and its Relationship with Meteorology among Five Megacities in China Aerosol and Air Quality Research, 18, 2318–2331 [36] Cheng, Y.H (2010) Influences of traffic emissions and meteorological conditions on ambient PM10 and PM2.5 levels at a highway toll station Aerosol Air Qual Res 10, 456–462 lu an n va p ie gh tn to [37] Connan, O., Maro, D., Hébert, D., Roupsard, P., Goujon, R., Letellier, B and Le Cavelier, S (2013) Wet and dry deposition of particles associated metals (Cd, Pb, Zn, Ni, Hg) in a rural wetland site, Marais Vernier, France Atmos Environ 67, 394–403 d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 63 PHỤ LỤC Đoạn code lập trình chạy mơ hình ANN: # Import library import pandas as pd import numpy as np import matplotlib.pyplot as plt import os lu from numpy import array an n va from sklearn.model_selection import GridSearchCV to from sklearn.preprocessing import MinMaxScaler p ie gh tn from sklearn.model_selection import TimeSeriesSplit nl w from sklearn.preprocessing import StandardScaler d oa from sklearn.neural_network import MLPRegressor an lu # Set main working direction # RMSE function z at nh differences = pred - targ oi m def rmse(pred, targ): ll u nf va os.chdir("J:\DOCUMENTS\WRI\Year2020\OnhiemKK_VienHanLa") z gm @ differences_squared = differences ** l mean_of_differences_squared = differences_squared.mean() m co rmse_val = np.sqrt(mean_of_differences_squared) an Lu return rmse_val n va ac th si 64 # NSE function def nse(pred, obs): error = (obs - pred) ** obs_avg = obs.mean() obs_diff = (obs - obs_avg) ** nse_val = - np.sum(error) / np.sum(obs_diff) return nse_val lu # IMPORT DATA an n va dat_raw = pd.read_csv('Input.csv') gh tn to X = dat_raw.drop(["Date", "PM25"], axis=1) # Drop unused cols X.describe() # Check input p ie w Y = dat_raw[["PM25"]] # Extract PM25 col as output d oa nl Y.describe() # Check output an lu # Standardize data the split u nf va X_scaler = StandardScaler() ll Y_scaler = StandardScaler() m oi X_scaled = X_scaler.fit_transform(X) z at nh Y_scaled = Y_scaler.fit_transform(Y) array(X_scaled[0:splitPoint]), an Lu X_test_scaled = array(X_scaled[splitPoint:]) m co l array(Y_scaled[0:splitPoint]) = gm Y_train_scaled @ X_train_scaled, z splitPoint = 280 # 75% of data n va ac th si 65 Y_test = array(Y[splitPoint:]) Y_train_scaled = np.ravel(Y_train_scaled) my_cv = TimeSeriesSplit(n_splits=5) # folds # region MODEL DEVELOPMENT NETWORK # Implement model np.random.seed(0) mlp = MLPRegressor(shuffle=False, alpha=0.0001) lu param_grid = {'hidden_layer_sizes': [20, 30], an n va 'activation': ['logistic'], gh tn to 'solver': ['adam'], 'learning_rate': ['adaptive'], p ie 'max_iter': [10000], } d oa nl w 'learning_rate_init': [0.0001], an lu ann = GridSearchCV(mlp, param_grid, cv=my_cv, scoring='r2') u nf va ann.fit(X_train_scaled, Y_train_scaled) # fit model ll ann.out_activation_ = 'logistic' # change activation function for output m oi layer z at nh ann_pred = ann.predict(X_test_scaled) # apply model to test set z ann_pred = ann_pred.reshape(-1, 1) # reshape @ an Lu print('RMSE = ', rmse(ann_pred_inv, Y_test)) m co # Quick test of results l gm ann_pred_inv = Y_scaler.inverse_transform(ann_pred) # transform n va ac th si 66 print('NSE = ', nse(ann_pred_inv, Y_test)) print(ann.best_params_) plt.scatter(ann_pred_inv, Y_test, marker='.') plt.show() # plt.plot(Y_test) # plt.plot(ann_pred_inv) # plt.show() lu # endregion an n va # region PLOTTING tn to os.chdir("J:\DOCUMENTS\WRI\Year2020\OnhiemKK_VienHanLa") # Scatter plot p ie gh # Change saving direction w oa nl coeff_test = np.polyfit(np.ravel(ann_pred_inv), np.ravel(Y_test), 1) # d calculate slope and intercept lu va an Fit_line = np.poly1d(coeff_test) # create trend line ll u nf plt.scatter(ann_pred_inv, Y_test, color='black', s=15) oi m plt.plot(ann_pred_inv, Fit_line(ann_pred_inv), "k ") z at nh plt.xlim(10, 60), plt.ylim(10, 60) z plt.xlabel("Prediction [$\mu$g/m3]") l gm @ plt.ylabel("Observation [$\mu$g/m3]") plt.title('ANN - Daily PM2.5', fontweight="bold") an Lu plt.show() m co plt.savefig('ANN_daily_PM25.png', dpi=150) n va ac th si 67 plt.close() # endregion # region Export training results Y_train_scaled = Y_train_scaled.reshape(-1, 1) y_train_inv = Y_scaler.inverse_transform(Y_train_scaled) y_train_inv = y_train_inv.reshape(-1, 1) ann_train_pred = ann.predict(X_train_scaled) lu ann_train_pred = ann_train_pred.reshape(-1, 1) an n va ann_train_inv = Y_scaler.inverse_transform(ann_train_pred) gh tn to rmse(ann_train_inv, y_train_inv), nse(ann_train_inv, y_train_inv) coeff_train = np.polyfit(np.ravel(ann_train_inv), np.ravel(y_train_inv), ie p 1) # calculate slope and intercept w oa nl FitLine_train = np.poly1d(coeff_train) # create trend line d plt.scatter(ann_train_inv, y_train_inv, color='black', s=15) an lu plt.plot(ann_train_inv, FitLine_train(ann_train_inv), "k ") u nf va plt.xlim(0, 70), plt.ylim(0, 70) ll m oi plt.xlabel("Prediction [$\mu$g/m3]") z at nh plt.ylabel("Observation [$\mu$g/m3]") z plt.title('ANN - Daily PM2.5 - Training Result', fontweight="bold") @ an Lu # # end region m co plt.close() l gm plt.savefig('ANN_Daily_PM25_Train.png', dpi=150) n va ac th si 68 # region EXPORT & SEASONAL ANALYSIS # Export testing simulation data pred_df = pd.DataFrame({'PM25_Sim': ann_pred_inv[:, 0], 'PM25_Obs': Y_test[:, 0]}) # convert to data frame pred_df.to_csv('ANN_daily_PM25_Test.csv', index=False) # Export training simulation data sim_df = pd.DataFrame({'PM25_train': ann_train_inv[:, 0], 'PM25_obs': y_train_inv[:, 0]}) # convert to data frame lu an sim_df.to_csv('ANN_daily_PM25_Train.csv', index=False) va n # end region p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si