1.

Tên đề tài:

Ứng dụng mô hình LSTM-MA trong dự báo chất lượng không khí – áp dụng điển hình tại tỉnh Bà rịa – Vũng tàu

2.

Mã số

C2023-24-02

3.

Chủ nhiệm đề tài

TS. Hồ Minh Dũng

4.

Đơn vị:

Viện Môi trường và Tài nguyên, ĐHQG-HCM

5.

Lĩnh vực:

6.

Loại hình :

7.

Thời gian thực hiện:

02/2023 – 11/2025

8.

Kinh phí nghiên cứu:

9

Thời gian nghiệm thu

Ngày 18 tháng 03 năm 2026

10

Chủ tịch Hội đồng và quyết định thành lập HĐ

11.

Nội dung thực hiện

(chi tiết theo nội dung thực hiện/đăng ký; không quá  800 từ)

1. Tổng quan các nghiên cứu liên quan bao gồm nghiên cứu về các phương pháp dự báo chất lượng môi trường không khí và các nghiên cứu dự báo chất lượng không khí bằng trí tuệ nhân tạo
Phần này bao gồm thu thập, tổng quan các nghiên cứu trong nước và trên thế giới các nghiên cứu liên quan đến các phương pháp dự báo chất lượng môi trường không khí và nghiên cứu dự báo chất lượng không khí bằng kỹ thuật trí tuệ nhân tạo; Và các văn bản, chính sánh của nhà nước có liên quan đến chủ đề nghiên cứu.

2. Đánh giá diễn biến CLKK tại 3 trạm quan trắc không khí tự động, liên tục của tỉnh Bà rịa – Vũng tàu (từ năm 2020 đến 2022)
Phần này bao gồm thu thập các thông tin liên quan đến 03 trạm quan trắc không khí tự động, liên tục tại tỉnh BRVT, đánh giá các dữ liệu quan trắc đã thu thập (theo QCVN 05:2023/BTNMT) và thống kê xử lý số liệu nhằm đánh giá diễn biến CLKK tại các trạm quan trắc.

3. Làm sạch và xử lý các số liệu ngoại vi; Bổ khuyết dữ liệu; Kiểm tra độ tin cậy của bộ dữ liệu đã được bổ khuyết
Để việc dự báo chất lượng không khí bằng kỹ thuật AI đạt độ chính xác cao, dữ liệu thô sau khi thu thập được từ trạm quan trắc cần được làm sạch và xử lý chuẩn bị dữ liệu cho các bước tiếp theo. Sự tồn tại của những dữ liệu ngoại vi ảnh hưởng đến độ tin cậy của bộ dữ liệu nghiên cứu, chúng có thể làm sai lệch kết quả phân tích dẫn đến giảm độ tin cậy của các mô hình dự báo thống kê ứng dụng các kỹ thuật học máy. Ngoài ra, với những dữ liệu khuyết cần phải được bổ khuyết để đảm bảo tính liên tục của dữ liệu quan trắc. Do vậy, việc phát hiện và xử lý các dữ liệu này có ý nghĩa rất quan trọng trong khoa học khai thác dữ liệu quan trắc CLKK.

4. Ứng dụng mô hình LSTM-MA để dự báo CLKK tại 3 trạm quan trắc không khí tự động của tỉnh Bà rịa – Vũng tàu
Xây dựng mô hình LSTM-MA để dự báo chất lượng không khí tại 3 trạm quan trắc không khí xung quanh tự động liên tục của tỉnh BRVT. Các số liệu sử dụng để dự báo CLKK là sản phẩm đạt được từ nội dung 3 (sau khi đã làm sạch và chuẩn hóa dữ liệu) và đã tính toán chỉ số AQI.

12.

Kết quả

* Sản phẩm mềm: 01 báo cáo tổng hợp, 01 bài báo quốc tế (Scopus), 02 bài báo khoa học trong nước Tạp chí phát triển khoa học và công nghệ, và Tạp chí Khí tượng thủy văn.

* Sản phẩm cứng: Không.

* Sản phẩm đào tạo và khoa học:

Bài báo quốc tế:

01 bài báo đã đăng IOP Hội thảo EME 2023 (ĐHQG-HCM):

Ho Minh Dung, Nguyen Hien Than (2024), Predicting PM2.5 concentrations in Ba Ria – Vung Tau province using an artificial neural network model. IOP Conf. Series: Earth and Environmental Science 1383 (2024) 012002. doi:10.1088/1755-1315/1383/1/012002

Bài báo trong nước:

01 bài báo đã được chấp nhận đăng Tạp chí TV Khoa học Trái đất và Môi trường – Tạp chí PTKH&CN (ĐHQG-HCM):

Hồ Minh Dũng, Nguyễn Hiền Thân (2026), Dự báo chất lượng không khí bằng mô hình LSTM-MA: nghiên cứu điển hình tại tỉnh Bà Rịa – Vũng Tàu, Việt Nam

01 bài báo đã đăng trên Tạp chí Khí tượng thủy văn:

 Hồ Minh Dũng, Khổng Doãn An Khang (2024), 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 Thủy văn, 765, 75-89. doi:10.36335/VNJHM.2024(765).75-89

13.

Hình ảnh giới thiệu kết quả (1-2 hình tiêu biểu)

Dữ liệu chất lượng không khí là dữ liệu rất dễ biến động và thường không ổn định, do đó, dữ liệu chỉ số AQI^d cần được xử lý để loại bỏ nhiễu và làm mịn dữ liệu (Hình 1-3)

Hình 1. AQI thực tế và MA (AQI) cho trạm Ngã tư Giếng nước

Hình 2. AQI thực tế và MA (AQI) cho trạm Ngã tư đường PĐL-27/4

Hình 3. AQI thực tế và MA (AQI) cho trạm trường tiểu học Tóc tiên

Quá trình luyện mạng với các thông số mô hình được thiết lập mặc định và sự thay đổi số lượng nơ-ron trong lớp ẩn. Nghiên cứu tìm ra số lượng nơ-ron tối ưu cho mô hình LSTM-MA là 40 nơ-ron. Mô hình có 40 nơ-ron trong lớp ẩn cho thấy kết quả tốt nhất qua các lần khảo sát huấn luyện mô hình. Sai số RMSE trong tập đánh giá và dự báo lần lượt là 0,0256 và 0,038. Sai số này thấp nhất trong số các mô hình khác. Do đó, thông số huấn luyện mạng tối ưu của mô hình LSTM-MA cho chất lượng không khí trên địa bàn tỉnh Bà Rịa – Vũng Tàu là 40 nơ-ron trong lớp ẩn, giải thuật tối ưu Adam, ngưỡng biến thiên gradient là 1, tỷ lệ học ban đầu 0,01, số vòng lặp cực đại là 200

Trên cơ sở cấu trúc luyện mạng đã được xác định ở trên, mô hình LSTM-MA tiến hành dự báo cho tất cả điểm quan trắc chất lượng không khí. Mỗi điểm quan trắc được thiết lập khoảng thời gian dự báo từ k = 7 đến k = 30 (Bảng 1)

Bảng 1. Hiệu quả dự báo VN_AQI của mô hình LSTM-MA

14.

Thông tin liên hệ CNĐT

15.

Liên hệ ĐHQG-HCM

Ban Khoa học và Công nghệ (Phòng 309, NĐH) và Trang điện tử thông tin về hoạt động KH&CN (https://research.vnuhcm.edu.vn/)