1. Trang chủ
  2. » Luận Văn - Báo Cáo

(Luận văn) nghiên cứu đánh giá hiện trạng ô nhiễm môi trường không khí no2 ở một số khu vực điển hình của thành phố hà nội

75 1 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 75
Dung lượng 1,51 MB

Nội dung

BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - lu an n va p ie gh tn to Đào Tuấn Anh d oa nl w NGHIÊN CỨU ĐÁNH GIÁ HIỆN TRẠNG Ơ NHIỄM MƠI TRƯỜNG KHƠNG KHÍ NO2 Ở MỘT SỐ KHU VỰC ĐIỂN HÌNH CỦA THÀNH PHỐ HÀ NỘI ll u nf va an lu oi m z at nh LUẬN VĂN THẠC SĨ: KỸ THUẬT MÔI TRƯỜNG z m co l gm @ an Lu Hà Nội- 2021 n va ac th si BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - lu an Đào Tuấn Anh n va p ie gh tn to NGHIÊN CỨU ĐÁNH GIÁ HIỆN TRẠNG Ơ NHIỄM MƠI TRƯỜNG KHƠNG KHÍ NO2 Ở MỘT SỐ KHU VỰC ĐIỂN HÌNH CỦA THÀNH PHỐ HÀ NỘI d oa nl w an lu Chuyên ngành: Kỹ thuật Môi trường ll u nf va Mã số: 18812107 oi m LUẬN VĂN THẠC SĨ : KỸ THUẬT MÔI TRƯỜNG z at nh NGƯỜI HƯỚNG DẪN KHOA HỌC z m co Hà Nội- 2021 l gm @ Hướng dẫn 1: TS Lê Thanh Sơn an Lu n va ac th si LỜI CAM ĐOAN Tôi xin cam đoan luận văn đề tài “Nghiên cứu đánh giá trạng nhiễm mơi trường khơng khí NO2 số khu vực điển hình thành phố Hà Nội” q trình nghiên cứu tơi thời gian qua Mọi số liệu kết luận văn tự làm hướng dẫn thầy giáo TS Lê Thanh Sơn Tôi xin chịu hồn tồn trách nhiệm có khơng trung thực thông tin sử dụng luận văn lu Học viên thực an n va tn to p ie gh Đào Tuấn Anh 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 LỜI CẢM ƠN Bài luận văn hồn thành Viện Cơng Nghệ Mơi Trường, q trình nghiên cứu thực tơi nhận nhiều giúp đỡ để hoàn tất luận văn Trước hết xin gửi lời cảm ơn chân thành đến giáo viên hướng dẫn khoa học TS Lê Thanh Sơn tận tình hướng dẫn, truyền đạt kiến thức, kinh nghiệm cho tơi suốt q trình thực đề tài luận văn tốt nghiệp lu Xin gửi lời cảm ơn đến quý thầy cô Khoa Môi Trường, học viện Khoa Học Công Nghệ người truyền đạt kiến thức quý báu cho em suốt thời gian học tập vừa qua giúp đỡ hỗ trợ em thực thủ tục q trình hồn thành luận văn an n va to p ie gh tn Một lần nữa, xin chân thành cảm ơn! 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 LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC BẢNG DANH MỤC HÌNH DANH MỤC CHỮ VIẾT TẮT lu MỞ ĐẦU an n va Đặt vấn đề tn to Mục đích nghiên cứu Ý nghĩa khoa học thực tiễn luận án p ie gh Phạm vi đối tượng nghiên cứu oa nl w Phương pháp nghiên cứu d CHƯƠNG TỔNG QUAN lu va an 1.1 Tổng quan nhiễm khí NO2 u nf 1.1.1 Tính chất, đặc điểm khí NO2 ll 1.1.2 Nguồn gốc phát sinh khí NO2 khơng khí m oi 1.1.3 Hậu nhiễm khí NOx môi trường sức khỏe người z at nh z 1.2 Mô hình nhiễm khơng khí 10 @ gm 1.2.1 Mơ hình hồi quy đa biến 10 m co l 1.2.2 Mơ hình mạng neuron nhân tạo 14 an Lu 1.3 Tình hình nghiên cứu nhiễm NOx tương quan với yếu tố khí tượng 19 n va ac th si 1.3.1 Tình hình nghiên cứu giới 19 1.3.2 Tình hình nghiên cứu Việt Nam 22 CHƯƠNG ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 24 2.1 Số liệu nghiên cứu 24 2.2 Phương pháp nghiên cứu 24 2.2.1 Phương pháp thu thập, kế thừa liệu 24 2.2.2 Phương pháp thực nghiệm 24 2.2.3 Phương pháp phân tích, xử lý số liệu 27 lu 2.2.4 Phương pháp mơ hình hóa 28 an n va CHƯƠNG KẾT QUẢ VÀ THẢO LUẬN 31 3.2 Đánh giá phân bố nồng độ khí NO2 theo thời gian 34 p ie gh tn to 3.1 Đánh giá trạng nhiễm khí NO2 số khu vực điển hình TP Hà Nội 31 nl w 3.2.1 Quy luật biến thiên nồng độ khí NO2 ngày 34 d oa 3.2.2 Quy luật biến thiên nồng độ NO2 ngày theo tháng 39 an lu 3.2.3 Diễn biến nồng độ NO2 theo mùa 41 ll u nf va 3.3 Nghiên cứu ảnh hưởng số yếu tố khí tượng đến phân bố nồng độ NO2 TP Hà Nội 43 oi m 3.3.1 Ảnh hưởng tốc độ gió 44 z at nh 3.3.2 Ảnh hưởng nhiệt độ không khí 46 3.3.3 Ảnh hưởng độ ẩm khơng khí 48 z gm @ 3.3.4 Ảnh hưởng lượng mưa 49 m co l 3.3.5 Xây dựng quan hệ hồi quy nồng độ NO biến khí tượng mơ hình ANN 50 an Lu KẾT LUẬN VÀ KIẾN NGHỊ 53 Kết luận 53 n va ac th si Kiến nghị 53 TÀI LIỆU THAM KHẢO 54 PHỤ LỤC 59 lu 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 DANH MỤC BẢNG Bảng 3.1 Tương quan Spearman nồng độ NO2 yếu tố khí tượng DANH MỤC HÌNH Hình 1.1 Ơ nhiễm khơng khí làm gia tăng mưa axit Hình 1.2 Lỗ thủng ozon lớn Nam Cực từ trước đến (tháng năm 2000) Hình 1.3 Minh họa mối quan hệ tuyến tính (phải) phi tuyến tính (trái) Hình 1.4 Minh họa phương sai thay đổi liệu lu Hình 1.5 Mơ hình neuron nhân tạo với đầu k an n va Hình 1.6 Đồ thị hàm logistic sigmoid tn to Hình 1.7 Đồ thị hàm hyperbolic tangent gh Hình 2.1 Thiết bị đo NOx APNA-370 Horiba, Nhật Bản p ie Hình 2.2 Bản đồ vị trí lấy mẫu nl w Hình 3.1 Kết đo NO2 số khu vực TP Hà Nội tháng 3/2020 d oa Hình 3.2 Diễn biến nồng độ NO2 trung bình ngày năm 2016 TP Hà Nội an lu ll u nf va Hình 3.3 Diễn biến nồng độ NO2 trung bình ngày mùa xuân (a), mùa hè (b), mùa thu (c) mùa đông (d) TP Hà Nội năm 2016 oi m Hình 3.4 Diễn biến nồng độ NO2 ngày theo tháng năm 2016 TP Hà Nội z at nh Hình 3.5 Lượng mưa trung bình tháng năm 2016 TP Hà Nội z Hình 3.6 Diễn biến nồng độ NO2 mùa năm 2016 TP Hà Nội @ m co l gm Hình 3.7 Diễn biến tốc độ gió trung bình ngày tháng năm 2016 TP Hà Nội an Lu Hình 3.8 Diễn biến nhiệt độ trung bình ngày tháng năm 2016 TP Hà Nội n va ac th si Hình 3.9 Diễn biến độ ẩm trung bình ngày tháng năm 2016 TP Hà Nội Hình 3.10 Sơ đồ mô mạng ANN sử dụng luận văn Hình 3.11 So sánh kết dự báo nồng độ NO2 kết thực đo tính tốn tập số liệu huấn luyện (a) kiểm định lu 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 DANH MỤC CHỮ VIẾT TẮT Kí hiệu Tiếng Anh Tiếng Việt ANN Artificial Neural network Mạng thần kinh nhân tạo Bộ tài nguyên mơi trường CLD Phương pháp phát sáng hóa học EC Cacbon nguyên tố lu BTNMT an Thuật toán tối ưu lặp Gradient descent n va GD to Khu công nghiệp p ie gh tn KCN MLR nl w Hồi quy tuyến tính đa biến Mean square error Sai số bình phương trung bình d oa MSE Multiple Linear Regression Cacbon hữu u nf va Ơ nhiễm khơng khí ll ONKK an lu OC m Phép phân tích thành phần Principal Components Analysis oi z at nh PCA Quy chuẩn Việt Nam z QCVN an Lu Natri photphat m co TSP l Statistical Package for Social Sciences gm @ SPSS n va ac th si 50 lu Tuy nhiên, nghiên cứu trên, cách định tính, vào tháng mùa mưa (mưa nhiều), nồng độ NO2 thường thấp vào tháng mùa khô (mưa ít), hay nói khác lượng mưa tăng lên nồng độ NO2 giảm ngược lại Nguyên nhân có mưa, hạt mưa hịa tan, kéo theo phân tử khí NO2 rơi xuống mặt đất (hiệu ứng rửa trôi hay hiệu ứng thu gom), làm cho nồng độ khí NO2 thường thấp sau mưa Vào thời kỳ mùa khơ, mưa ít, NO2 khơng khí bị rửa trơi nên nồng độ thường cao quan sát thấy Do đó, mưa hoạt động lọc tự nhiên mùa mưa làm giảm mức độ ô nhiễm xói mịn pha lỗng khuếch tán mưa Ngoài ra, thực tế mùa mưa, bầu khí ổn định so với thời kỳ khô, dẫn đến phân tán chất ô nhiễm nhiều [40] an n va gh tn to Như vậy, dù không định lượng tương quan lượng mưa nồng độ NO2, tiên đốn sau trận mưa, vào mùa mưa, nồng độ NO2 khơng khí giảm đáng kể so với thời kỳ không mưa p ie 3.3.5 Xây dựng quan hệ hồi quy nồng độ NO2 biến khí tượng mơ hình ANN d oa nl w Trong luận văn mơ hình ANN sử dụng để xây dựng mối quan hệ hồi quy yếu tố khí tượng nồng độ NO2 khơng khí TP Hà Nội 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 3.10 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 NO2 ll u nf va an lu oi m z at nh z 20 30 l gm @ m co Hình 3.10 Sơ đồ mơ mạng ANN sử dụng luận văn an Lu 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 n va ac th si 51 lu an n va p ie gh tn to tập số liệu kiểm định 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 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 3.11 so sánh kết dự báo kết thực đo tính tốn tập số liệu huấn luyện kiểm định trường hợp tối ưu d oa nl w ll u nf va an lu oi m z at nh (a) (b) z l gm @ Hình 3.11 So sánh kết dự báo nồng độ NO2 kết thực đo tính toán tập số liệu huấn luyện (a) kiểm định (b) m co Kết thu cho thấy hệ số tương quan R nghiên cứu có giá trị mức chấp nhận (R = 0,61376 với tập số liệu training, R = 0,50128 với tập số liệu kiểm định) (chi tiết đoạn code lập trình xem phụ lục) Do an Lu n va ac th si 52 đó, mơ hình thần kinh nhân tạo sử dụng để dự báo nồng độ NO2 khơng khí dựa vào biến khí tượng giá trị nồng độ NO2 ngày hôm trước lu 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 53 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Tại TP Hà Nội, hàm lượng NO2 hầu hết khu vực thấp quy chuẩn cho phép (QCVN05:2013/BTNMT), khu vực dân cư, trung tâm thương mại có hàm lượng thấp nhất, khu vực nút giao thông lớn, bến tàu, xe có hàm lượng cao số thời điểm, nồng độ NO khu vực vượt quy chuẩn Quốc gia Các khu vực khu, cụm cơng nghiệp, làng nghề có nồng độ NO2 mức trung bình lu Nồng độ NO2 vào tháng mùa hè thấp nhất, tiếp đến mùa thu, mùa xuân cao mùa đông Trong ngày, thời điểm 10h sáng nồng độ NO2 thường tăng cao nhất, sau gần ổn định, đến 15h lại tiếp tục tăng đạt đỉnh thứ hai ngày vào khoảng 19h, sau giảm dần đêm an n va p ie gh tn to Hệ số tương quan Spearman cho thấy yếu tố khí tượng độ ẩm, nhiệt độ, tốc độ gió có ảnh hưởng đến phân bố NO2, tốc độ gió nhiệt độ có tương quan nghịch cịn độ ẩm có tương quan thuận với nồng độ NO2 Riêng lượng mưa, có hệ số Sig cao, mối tương quan chặt chẽ với nồng độ NO2 nhiên có ảnh hưởng định tính định d oa nl w lu ll u nf va an Nồng độ NO2 dự báo dựa vào biến khí tượng nhiệt độ, độ ẩm, lượng mưa, tốc độ gió, tổ hợp tích biến nồng độ NO2 ngày hôm trước thông qua mô hình thần kinh nhân tạo ANN với hệ số tương quan mức chấp nhận được, R = 0,61376 oi m z at nh Kiến nghị z Do khuôn khổ nghiên cứu luận văn có hạn, kết luận văn nghiên cứu dựa số liệu trạm quan trắc liệu năm 2016 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 54 TÀI LIỆU THAM KHẢO [1] Wang, X.K., Lu, W.Z (2006) Seasonal variation of air pollution index: Hong Kong case study Chemosphere., 63(8):1261-72 [2] Cục Y tế, Bộ Giao thông Vận tải, 2010, Đề tài “Nghiên cứu đánh giá tổng thể sức khỏe thiệt hại kinh tế nhiễm khơng khí gây ra” [3] Bộ Tài nguyên Môi trường, 2010, Báo cáo môi trường quốc gia năm 2009 – Môi trường Khu cơng nghiệp Việt Nam [4] Cục Kiểm sốt Ô nhiễm, Tổng cục Môi trường, 2013, Dự án “ Kiểm sốt nhiễm mơi trường làng nghề” lu an [5] Bộ Tài nguyên Môi trường, 2014, Báo cáo mơi trường quốc gia 2013 – Mơi trường khơng khí n va gh tn to [6] Cục Y tế, Bộ Giao thông Vận tải, 2010, Đề tài “Nghiên cứu đánh giá tổng thể sức khỏe thiệt hại kinh tế nhiễm khơng khí gây ra” p ie [7] Viện Khoa học Quản lý môi trường 2012, Tổng cục Môi trường, Đề tài “ Ảnh hưởng ô nhiễm khơng khí đến sức khỏe người dân” w d oa nl [8] Ngo Tho Hung (2010) Urban Air Quality Modeliling and Management in Hanoi, Vietjnam PhD Thesis National Environmental Research Institute, Aarhus University va an lu [9] Fine, T.L (1999) Feedforward neural network methodology Spinger u nf ll [10] Rumelhart, D.E., Hinton, G.E., William, R.J (1986) Learning representation by back-propagating errors, Nature, 323: 533-536 oi m z at nh z [11] Fruin, S., Urman, R., Lurmann, F., McConnell, R., Gauderman, J., Rappaport, E., Franklin, M., Gilliland, F.D., Shafe, M., Gorski, P., Avol, E (2014) Spatial Variation in Particulate Matter Components over a Large Urban Area Atmos Environ., 83:211-219 l gm @ m co [12] 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 Environ Res., 140: 242-254 an Lu n va ac th si 55 [13] Duo, B., Cui, L., Wang, Z., Li, R., Zhang, L., Fu ; H., Chen, J., Zhang, H., Qiong, A (2018) Observations of atmospheric pollutants at Lhasa during 2014–2015: pollution status and the influence of meteorological factors J Environ Sci., 63:28–42 [14] Miao, Y., Hu, X.M., Liu, S., Qian, T., Xue, M., Zheng, Y., Wang, S (2015) Seasonal variation of local atmospheric circulations and boundary layer structure in the Beijing‐Tianjin‐Hebei region and implications for air quality Journal of Advances in Modeling Earth Systems, 7(4): 1602-1626 lu [15] Oji, S., Adamu, H (2020) Correlation between air pollutants concentration and meteorological factors on seasonal air quality variation Journal of Air Pollution and Health, 5(1):11-32 an n va p ie gh tn to [16] Seo, J., Park, D.S.R., Kim, J.Y, Youn, D., Lim, Y.B and Kim, Y (2018) Effects of meteorology and emissions on urban air quality: aquantitative statistical approach to long-term records (1999–2016) in Seoul, South Korea Atmos Chem Phys., 18, 16121–16137 d oa nl w [17] Hadei, M., Yarahmadi, M., Jafari, A.J., Farhadi, M., Nazari, S.S.H., Emam, B., Namvar, Z., Shahsavani, A (2019) Effects of meteorological variables and holidays on the concentrations of PM 10, PM2.5, O3, NO2, SO2, and CO in Tehran (2014-2018) Journal of Air Pollution and Health, 4(1): 1-14 u nf va an lu ll [18] KovaI-Andric, E., Radanovic, T., Topalovic,I , Markovic, B and Sakac, N (2013) Temporal Variations in Concentrations of Ozon, Nitrogen Dioxide, and Carbon Monoxide at Osijek, Croatia Advances in Meteorology, 2:1-7 oi m z at nh z [19] Ngo Tho Hung (2010) Urban Air Quality Modelling and Management in Hanoi, Vietnam PhD Thesis, National Environmental Research Institute, Aarhus University m co l gm @ an Lu [20] Cao Dung Hai and Nguyen Thi Kim Oanh (2013) Effect of local, regional meteorology and emission sources on mass and compositions of particulate matter in Hanoi Atmos.Environ., 78: 105-122 n va ac th si 56 [21] Nguyen Anh Dung, Duong Hong Son, Nguyen The Duc Hanh, Doan Quang Tri (2019) Effect of Meteorological Factors on PM10 Concentration in Hanoi Vietnam Journal of Geoscience and Environment Protection, 7(11): 138-150 [22] Hien, P.D., Bac, V.T., Tham, H.C., Nhan, N.N., Vinh, L.D (2002) Influence of meteorological conditions on PM2.5 andPM 2.510 concentrations during the monsoon season in Hanoi, Vietnam Atmospheric Environment 36 (2002) 3473–3484 lu [23] Azmi, S.Z., Latif, M.T., Ismail, A.S., Juneng, L., Jemain, A.A (2010) Trend and status of air quality at three different monitoring stations in the Klang Valley, Malaysia Air Quality, Atmosphere & Health 3(1):53-64 an n va ie gh tn to [24] Yorifuji, T., Kawachi, I., Kaneda, M., Takao, S., Kashima, S and Doi, H (2011) Diesel vehicle emission and death rates in Tokyo, Japan: a natural experiment Science of the Total Environment, 409(19): 3620–3627, p [25] Bradley, K S., Stedman, D H and Bishop, G A (1999) A global inventory of carbon monoxide emissions from motor vehicles Chemosphere, 1(1–3): 65–72 oa nl w d [26] Notario, A., Bravo, I., Adame, J.A., Diaz-de-Mera, Y., Aranda, A., Rodriguez, A., Rodriguez, D (2012) Analysis of NO, NO2, NOx, O3 and oxidant (OX = O3 + NO2) levels measured in a metropolitan area in the southwest of Iberian Peninsula Atmospheric Research, 104–105: 217–226 ll u nf va an lu m oi [27] Butler, C.D., Whelan, J (2018) Air pollution and climate change in Australia: a triple burden Climate change and air pollution Springer, Berlin, 7(23):131-149 z at nh z m co l gm @ [28] Wang, L., Wang, J., Tan, X and Fang, C (2020) Analysis of NOx Pollution Characteristics in the Atmospheric Environment in Changchun City Atmosphere, 11(1): 30 an Lu [29] Adame, J.A., Hernández-Ceballos, M.Á., Sorribas, M., Lozano, A & De la Morena, B.A (2014) Weekend-weekday effect assessment for O3, NOx, n va ac th si 57 CO and PM10 in Andalusia, Spain (2003-2008) Aerosol and Air Quality Research, 14: 1862–1874 [30] Han, S., Bian, H., Feng, Y., Liu, A., Li, X., Zeng, F., Zhang, X (2011) Analysis of the relationship between O3, NO and NO2 in Tianjin, China Aerosol and Air Quality Research, 11: 128–139 [31] Agudelo-Castaneda, D.M., Teixeira, E.C and Pereira, F.N (2014) Timeseries analysis of surface ozon and nitrogen oxides concentrations in an urban area at Brazil Atmospheric Pollution Research, 5: 411–42 lu [32] Delaney, C.and Dowding, P.(1998) The Relationship between Extreme Nitrogen Oxide (NOx) Concentrations in Dublin's Atmosphere and Meteorological Conditions Environmental Monitoring and Assessment, 52: 159–172 an n va p ie gh tn to [33] 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 mơi trường khơng khí Hà Nội Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất Môi trường, 34(3), 1-9 nl w d oa [34] Khoder, M.I (2002) Atmospheric conversion of sulfur dioxide to particulate sulfate and nitrogen dioxide to particulate nitrate and gaseous nitric acid in an urban area Chemosphere, 49: 675–684 va an lu ll u nf [35] Roberts–Semple, D., Song, F., Gao, Y (2012) Seasonal characteristics of ambient nitrogen oxides and ground–level ozon in metropolitan northeastern New Jersey Atmospheric Pollution Research, 3(2): 247-257 oi m z at nh z [36] Jones, A.M., Harrison, R.M & Baker, J (2010) The wind speed dependence of the concentrations of airborne particulate matter and NOx Atmospheric Environment, 44:1682–1690 gm @ m co l [37] Gasmi, K., Aljalal, A., Al-Basheer, W., Abdulahi, M (2017) Analysis of NOx, NO and NO2 ambient levels in Dhahran, Saudi Arabia Urban Climate 21: 232-242 an Lu n va ac th si 58 [38] Gamo, M., Goyal, P., Kumari, M., Mohanty, U.C (1994) Singh MP Mixed-layer characteristics as related to the monsoon climate of New Delhi, India Boundary-layer meteorology, 67(3):213-27 [39] Pearce, J L., Beringer, J., Nicholls, N., Hyndman, R J., & Tapper, N J (2011) Quantifying the influence of local meteorology on air quality using generalized additive models Atmospheric Environment, 45(6): 1328-1336 [40] Elminir, H.K (2005) Dependence of urban air pollutants on meteorology Science of the Total Environment, 350: 204–211 lu [41] Mavroidis, I & Ilia, M (2012) Trends of NOx, NO2 and O3 concentrations at three different types of air quality monitoring stations in Athens, Greece Atmospheric Environment, 63: 135–147 an n va p ie gh tn to [42] Wallace, J & Kanaroglou, P (2009) The effect of temperature inversions on ground-level nitrogen dioxide (NO2) and fine particulate matter (PM2.5) using temperature profiles from the Atmospheric infrared sounder (AIRS) Science of the Total Environment, 407: 5085–5095 d oa nl w [43] Gvozdic, V., Kovaˇc-Andric, E and Brana, J (2011) Influence of meteorological factors NO2, SO2, CO and PM10 on the concentration of O3 in the urban atmosphere of Eastern Croatia Environmental Modeling and Assessment, 16(5): 491–501 va an lu ll u nf [44] Kovaˇc-Andric, E., Brana, J and Gvozdic, V (2009) Impact of meteorological factors on ozon concentrations modelled by time series analysis and multivariate statistical methods Ecological Informatics, 4(2): 117–122 oi m z at nh z m co l gm @ an Lu n va ac th si 59 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 from numpy import array lu an from sklearn.model_selection import GridSearchCV n va from sklearn.model_selection import TimeSeriesSplit tn to from sklearn.preprocessing import MinMaxScaler ie gh from sklearn.preprocessing import StandardScaler p from sklearn.neural_network import MLPRegressor oa nl w # Set main working direction os.chdir("J:\DOCUMENTS\WRI\Year2020\OnhiemKK_VienHanLam") d def rmse(pred, targ): differences = pred - targ ll u nf va an lu # RMSE function m oi differences_squared = differences ** z at nh mean_of_differences_squared = differences_squared.mean() z rmse_val = np.sqrt(mean_of_differences_squared) m co an Lu error = (obs - pred) ** l def nse(pred, obs): gm # NSE function @ return rmse_val n va ac th si 60 obs_avg = obs.mean() obs_diff = (obs - obs_avg) ** nse_val = - np.sum(error) / np.sum(obs_diff) return nse_val # IMPORT DATA dat_raw = pd.read_csv('Input.csv') X = dat_raw.drop(["Date", "NO2"], axis=1) # Drop unused cols X.describe() # Check input lu an Y = dat_raw[["NO2"]] # Extract NO2 col as output n va Y.describe() # Check output tn to # Standardize data the split ie gh X_scaler = StandardScaler() p Y_scaler = StandardScaler() oa nl w X_scaled = X_scaler.fit_transform(X) Y_scaled = Y_scaler.fit_transform(Y) d lu va an splitPoint = 280 # 75% of data ll u nf X_train_scaled, Y_train_scaled = array(X_scaled[0:splitPoint]), array(Y_scaled[0:splitPoint]) m oi X_test_scaled = array(X_scaled[splitPoint:]) z at nh Y_test = array(Y[splitPoint:]) z Y_train_scaled = np.ravel(Y_train_scaled) @ # region MODEL DEVELOPMENT NETWORK an Lu np.random.seed(0) m co # Implement model l gm my_cv = TimeSeriesSplit(n_splits=5) # folds n va ac th si 61 mlp = MLPRegressor(shuffle=False, alpha=0.0001) param_grid = {'hidden_layer_sizes': [20, 30], 'activation': ['logistic'], 'solver': ['adam'], 'learning_rate': ['adaptive'], 'learning_rate_init': [0.0001], 'max_iter': [10000], } lu an ann = GridSearchCV(mlp, param_grid, cv=my_cv, scoring='r2') n va ann.fit(X_train_scaled, Y_train_scaled) # fit model tn to ann.out_activation_ = 'logistic' # change activation function for output layer ie gh ann_pred = ann.predict(X_test_scaled) # apply model to test set p ann_pred = ann_pred.reshape(-1, 1) # reshape oa nl w ann_pred_inv = Y_scaler.inverse_transform(ann_pred) # transform # Quick test of results d lu va an print('RMSE = ', rmse(ann_pred_inv, Y_test)) print('NSE = ', nse(ann_pred_inv, Y_test)) ll u nf print(ann.best_params_) m oi plt.scatter(ann_pred_inv, Y_test, marker='.') m co l # endregion gm # plt.show() @ # plt.plot(ann_pred_inv) z # plt.plot(Y_test) z at nh plt.show() an Lu n va ac th si 62 # region PLOTTING os.chdir("J:\DOCUMENTS\WRI\Year2020\OnhiemKK_VienHanLam") # Change saving direction # Scatter plot coeff_test = np.polyfit(np.ravel(ann_pred_inv), np.ravel(Y_test), 1) # calculate slope and intercept Fit_line = np.poly1d(coeff_test) # create trend line lu an plt.scatter(ann_pred_inv, Y_test, color='black', s=15) n va plt.plot(ann_pred_inv, Fit_line(ann_pred_inv), "k ") tn to plt.xlim(10, 60), plt.ylim(10, 60) ie gh plt.xlabel("Prediction [$\mu$g/m3]") p plt.ylabel("Observation [$\mu$g/m3]") oa nl w plt.title('ANN - Daily NO2, fontweight="bold") plt.savefig('ANN_daily_NO2.png', dpi=150) d ll u nf va # endregion an plt.close() lu plt.show() oi m # region Export training results z at nh Y_train_scaled = Y_train_scaled.reshape(-1, 1) z y_train_inv = Y_scaler.inverse_transform(Y_train_scaled) ann_train_pred = ann.predict(X_train_scaled) m co ann_train_pred = ann_train_pred.reshape(-1, 1) l gm @ y_train_inv = y_train_inv.reshape(-1, 1) an Lu ann_train_inv = Y_scaler.inverse_transform(ann_train_pred) n va ac th si 63 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), 1) # calculate slope and intercept FitLine_train = np.poly1d(coeff_train) # create trend line plt.scatter(ann_train_inv, y_train_inv, color='black', s=15) plt.plot(ann_train_inv, FitLine_train(ann_train_inv), "k ") plt.xlim(0, 70), plt.ylim(0, 70) plt.xlabel("Prediction [$\mu$g/m3]") lu an plt.ylabel("Observation [$\mu$g/m3]") n va plt.title('ANN - Daily NO2 - Training Result', fontweight="bold") tn to plt.savefig('ANN_Daily_NO2_Train.png', dpi=150) ie gh plt.close() p # # end region oa nl w # region EXPORT & SEASONAL ANALYSIS # Export testing simulation data d lu u nf va an pred_df = pd.DataFrame({'NO2_Sim': ann_pred_inv[:, 0], 'NO2_Obs': Y_test[:, 0]}) # convert to data frame ll pred_df.to_csv('ANN_daily_NO2_Test.csv', index=False) m oi # Export training simulation data z at nh sim_df = pd.DataFrame({'NO2_train': ann_train_inv[:, 0], 'NO2_obs': y_train_inv[:, 0]}) z gm @ # convert to data frame # end region m co l sim_df.to_csv('ANN_daily_NO2_Train.csv', index=False) an Lu n va ac th si 64 lu 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

Ngày đăng: 13/07/2023, 15:52

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w