BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC

VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM

HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ

-----------------------------

Đào Tuấn Anh

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

LUẬN VĂN THẠC SĨ: KỸ THUẬT MÔI TRƯỜNG

Hà Nội- 2021

BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC

VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM

HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ

-----------------------------

Đào Tuấn Anh

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

Chuyên ngành: Kỹ thuật Môi trường

Mã số: 18812107

LUẬN VĂN THẠC SĨ : KỸ THUẬT MÔI TRƯỜNG

NGƯỜI HƯỚNG DẪN KHOA HỌC

Hướng dẫn 1: TS. Lê Thanh Sơn

Hà Nội- 2021

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn về đề tài “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” là quá trình nghiên cứu của tôi trong thời gian qua. Mọi số liệu và kết

quả trong luận văn là do tôi tự làm dưới sự hướng dẫn của thầy giáo TS. Lê

Thanh Sơn. Tôi xin chịu hoàn toàn trách nhiệm nếu có sự không trung thực trong

thông tin sử dụng trong luận văn này.

Học viên thực hiện

Đào Tuấn Anh

LỜI CẢM ƠN

Bài luận văn được hoàn thành tại Viện Công Nghệ Môi Trường, trong

quá trình nghiên cứu thực hiện tôi đã nhận được rất nhiều sự giúp đỡ để hoàn

tất luận văn.

Trước hết tôi xin gửi lời cảm ơn chân thành đến giáo viên hướng dẫn

khoa học TS. Lê Thanh Sơn đã tận tình hướng dẫn, truyền đạt những kiến thức,

kinh nghiệm cho tôi trong suốt quá trình thực hiện đề tài luận văn tốt nghiệp

này.

Xin gửi lời cảm ơn đến quý thầy cô Khoa Môi Trường, học viện Khoa

Học Công Nghệ những người đã truyền đạt kiến thức quý báu cho em suốt

trong thời gian học tập vừa qua cũng như đã giúp đỡ và hỗ trợ em thực hiện

các thủ tục trong quá trình hoàn thành luận văn.

Một lần nữa, xin chân thành cảm ơn!

MỤC LỤC

LỜI CAM ĐOAN ......................................................................................

LỜI CẢM ƠN ............................................................................................

MỤC LỤC ..................................................................................................

DANH MỤC BẢNG ..................................................................................

DANH MỤC HÌNH ...................................................................................

DANH MỤC CHỮ VIẾT TẮT ................................................................

MỞ ĐẦU .................................................................................................. 1

1. Đặt vấn đề ........................................................................................... 1

2. Mục đích nghiên cứu .......................................................................... 2

3. Phạm vi và đối tượng nghiên cứu ...................................................... 2

4. Ý nghĩa khoa học và thực tiễn của luận án ........................................ 3

5. Phương pháp nghiên cứu .................................................................... 3

CHƯƠNG 1. TỔNG QUAN ................................................................... 4

1.1 Tổng quan về ô nhiễm khí NO2 ....................................................... 4

1.1.1 Tính chất, đặc điểm khí NO2 ...................................................... 4

1.1.2 Nguồn gốc phát sinh khí NO2 trong không khí .......................... 5

1.1.3 Hậu quả của ô nhiễm khí NOx đối với môi trường và sức khỏe

con người ..................................................................................................... 7

1.2 Mô hình ô nhiễm không khí ........................................................... 10

1.2.1 Mô hình hồi quy đa biến .......................................................... 10

1.2.2 Mô hình mạng neuron nhân tạo ............................................... 14

1.3 Tình hình nghiên cứu về ô nhiễm NOx và tương quan với các yếu tố

khí tượng ....................................................................................................... 19

1.3.1 Tình hình nghiên cứu trên thế giới ........................................... 19

1.3.2 Tình hình nghiên cứu ở Việt Nam ........................................... 22

CHƯƠNG 2 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 dữ liệu .................................... 24

2.2.2 Phương pháp thực nghiệm ....................................................... 24

2.2.3. Phương pháp phân tích, xử lý số liệu ...................................... 27

2.2.4. Phương pháp mô hình hóa ...................................................... 28

CHƯƠNG 3. KẾT QUẢ VÀ THẢO LUẬN ....................................... 31

3.1. Đánh giá hiện trạng ô nhiễm khí NO2 ở một số khu vực điển hình

của TP. Hà Nội ............................................................................................. 31

3.2. Đánh giá sự phân bố nồng độ khí NO2 theo thời gian .................. 34

3.2.1. Quy luật biến thiên nồng độ khí NO2 trong ngày ................... 34

3.2.2. Quy luật biến thiên nồng độ NO2 trong ngày theo tháng ........ 39

3.2.3. Diễn biến nồng độ NO2 theo mùa ........................................... 41

3.3. Nghiên cứu sự ảnh hưởng của một số yếu tố khí tượng đến sự phân

bố nồng độ NO2 ở TP. Hà Nội ..................................................................... 43

3.3.1. Ảnh hưởng của tốc độ gió ....................................................... 44

3.3.2. Ảnh hưởng của nhiệt độ không khí ......................................... 46

3.3.3. Ảnh hưởng của độ ẩm không khí ............................................ 48

3.3.4. Ảnh hưởng của lượng mưa ...................................................... 49

3.3.5. Xây dựng quan hệ hồi quy giữa nồng độ NO2 và các biến khí

tượng bằng mô hình ANN ......................................................................... 50

KẾT LUẬN VÀ KIẾN NGHỊ .............................................................. 53

1. Kết luận ............................................................................................ 53

2. Kiến nghị .......................................................................................... 53

TÀI LIỆU THAM KHẢO .................................................................... 54

PHỤ LỤC ............................................................................................... 59

DANH MỤC BẢNG

Bảng 3.1. Tương quan Spearman giữa nồng độ NO2 và các yếu tố khí tượng

DANH MỤC HÌNH

Hình 1.1. Ô nhiễm không khí làm gia tăng mưa axit

Hình 1.2. Lỗ thủng ozon lớn nhất ở Nam Cực từ trước đến nay (tháng 9 năm

2000)

Hình 1.3. Minh họa mối quan hệ tuyến tính (phải) và phi tuyến tính (trái)

Hình 1.4. Minh họa về phương sai thay đổi của dữ liệu

Hình 1.5. Mô hình của một neuron nhân tạo với đầu ra k

Hình 1.6. Đồ thị hàm logistic sigmoid

Hình 1.7. Đồ thị hàm hyperbolic tangent

Hình 2.1. Thiết bị đo NOx APNA-370 Horiba, Nhật Bản

Hình 2.2. Bản đồ các vị trí lấy mẫu

Hình 3.1. Kết quả đo NO2 tại một số khu vực của TP. Hà Nội tháng 3/2020

Hình 3.2. Diễn biến nồng độ NO2 trung bình giờ các ngày trong năm 2016 của

TP. Hà Nội

Hình 3.3. Diễn biến nồng độ NO2 trung bình giờ các ngày trong mùa xuân (a),

mùa hè (b), mùa thu (c) và mùa đông (d) của TP. Hà Nội năm 2016

Hình 3.4. Diễn biến nồng độ NO2 trong ngày theo tháng năm 2016 của TP. Hà

Nội

Hình 3.5. Lượng mưa trung bình các tháng năm 2016 của TP. Hà Nội

Hình 3.6. Diễn biến nồng độ NO2 các mùa năm 2016 của TP. Hà Nội

Hình 3.7. Diễn biến tốc độ gió trung bình ngày của các tháng trong năm 2016

của TP. Hà Nội

Hình 3.8. Diễn biến nhiệt độ trung bình ngày của các tháng trong năm 2016 của

TP. Hà Nội

Hình 3.9. Diễn biến độ ẩm trung bình ngày của các tháng trong năm 2016 của

TP. Hà Nội

Hình 3.10. Sơ đồ mô phỏng mạng ANN sử dụng trong luận văn

Hình 3.11. So sánh kết quả dự báo nồng độ NO2 và kết quả thực đo tính toán

của tập số liệu huấn luyện (a) và kiểm định

DANH MỤC CHỮ VIẾT TẮT

Kí hiệu Tiếng Anh Tiếng Việt

ANN Artificial Neural

network

Mạng thần kinh nhân tạo

BTNMT Bộ tài nguyên môi trường

CLD Phương pháp phát sáng hóa

học

EC Cacbon nguyên tố

GD Gradient descent Thuật toán tối ưu lặp

KCN Khu công nghiệp

MLR Multiple Linear

Regression

Hồi quy tuyến tính đa biến

MSE Mean square error Sai số bình phương trung

bình

OC Cacbon hữu cơ

ONKK Ô nhiễm không khí

PCA Principal Components

Analysis

Phép phân tích thành phần

chính

QCVN Quy chuẩn Việt Nam

SPSS Statistical Package for

Social Sciences

TSP Natri photphat

VIF Variation Inflation

Factor

Hệ số phóng đại phương sai

VOC

Volatile Organic

Compound

Các hóa chất có gốc

Carbon, bay hơi rất nhanh

1

MỞ ĐẦU

1. Đặt vấn đề

Thủ đô Hà Nội là trung tâm kinh tế, văn hóa, chính trị của cả nước. Trong

những năm qua, hòa nhịp chung với quá trình phát triển kinh tế, xã hội của cả

nước, Hà Nội đã có những bước phát triển mạnh mẽ: quá trình đô thị hóa, hiện

đại hóa, đã diễn ra với tốc độ chóng mặt, mật độ dân cư ngày càng gia tăng, số

lượng các khu, cụm công nghiệp mọc lên không ngừng. Càng ngày càng nhiều

trung tâm thương mại sầm uất. Tuy nhiên, mặt trái của những quá trình trên là

vấn đề ô nhiễm môi trường, nhất là ô nhiễm môi trường không khí. Theo báo

cáo Quốc gia về môi trường không khí của Bộ Tài nguyên môi trường, hầu hết

các hoạt động sản xuất công nghiệp, giao thông vận tải, nông nghiệp, làng

nghề,… đều phát sinh ra chất thải gây ô nhiễm môi trường, trong đó đáng chú

ý là khí NO2. Theo các nhà khoa học, khi con người hít thở bầu không khí bị ô

nhiễm NO2, không chỉ các tế bào phổi bị tổn thương mà còn trực tiếp gây ra

các bệnh về hô hấp như hen suyễn, viêm cuống phổi, tim mạch. Ngoài ra, NO2

còn gây ra hiện tượng mưa axit làm hư hại các công trình xây dựng, góp phần

gây ra hiệu ứng nhà kính,…

Tuy nhiên, mức độ ô nhiễm không khí gây ra bởi khí NO2 ở mỗi khu vực

trong thành phố (khu cụm công nghiệp, làng nghề, nút giao thông, trung tâm

thương mại, bến xe, bến tàu,…) lại rất khác nhau do đặc thù các nguồn phát

thải. Ngoài ra, thực tế quan sát thấy hàm lượng các chất ô nhiễm trong không

khí tại các thời điểm khác nhau trong ngày, các ngày khác nhau trong tháng,

các mùa khác nhau trong năm là không giống nhau. Nguyên nhân có thể là do

các yếu tố khí tượng, thời tiết như tốc độ gió, nhiệt độ, độ ẩm, lượng mưa,... có

ảnh hưởng đến sự lan truyền hoặc rửa trôi các chất ô nhiễm trong không khí,

dẫn đến thay đổi sự phân bố các chất ô nhiễm trong không khí [1]. Tuy các

thông số khí tượng là yếu tố không thể kiểm soát được nhưng lại đóng vai trò

quan trọng trong việc làm thay đổi hàm lượng các chất ô nhiễm trong môi

trường không khí. Do đó, việc nghiên cứu hiện trạng phân bố nồng độ NO2 theo

không gian và thời gian ở Hà Nội là rất quan trọng, giúp đánh giá, kiểm soát

2

chất lượng không khí và đưa ra dự báo, cảnh báo về ô nhiễm khí NO2 trong

không khí ở thủ đô Hà Nội.

Trên cơ sở đó, đề tài “Nghiên cứu đánh giá hiện trạng ô nhiễm khí NO2 ở

một số khu vực điển hình của thành phố Hà Nội” được thực hiện nhằm đánh

giá mức độ ô nhiễm khí NO2 ở một số khu vực điển hình của TP. Hà Nội như

các khu, cụm công nghiệp, làng nghề, các nút giao thông lớn, nhà ga, bến tàu,

các trung tâm thương mại hay khu dân cư; nghiên cứu sự biến thiên nồng độ

khí NO2 theo thời gian trên cơ sở phân tích thống kê mối tương quan giữa các

yếu tố khí tượng như nhiệt độ, độ ẩm, lượng mưa, tốc độ gió; lượng hóa mối

quan hệ giữa các đại lượng này bằng mô hình mạng thần kinh nhân tạo (ANN).

Kết quả của đề tài luận văn sẽ góp phần đưa ra các đánh giá, dự báo chính xác

hơn về ONMT không khí nói chung, ô nhiễm khí NO2 nói riêng ở các khu vực

khác nhau và các thời điểm khác nhau, góp phần xây dựng các phương án giảm

thiểu ONMT không khí, bảo vệ môi trường, ứng phó biến đổi khí hậu và bảo

vệ sức khỏe cộng đồng.

2. Mục đích nghiên cứu

- Đánh giá được hiện trạng ô nhiễm khí NO2 ở một số khu vực nội thành

điển hình (nút giao thông, khu, cụm công nghiệp, làng nghề, bến tàu, xe,…)

của TP. Hà Nội.

- Đánh giá được diễn biến nồng độ khí NO2 trong không khí của TP. Hà

Nội theo thời gian: biến thiên theo các thời điểm khác nhau trong ngày, giữa

các tháng và mùa khác nhau trong một năm.

- Đánh giá được sự ảnh hưởng của các yếu tố khí tượng đến sự phân bố

nồng độ khí NO2 trong không khí xung quanh khu vực nội thành TP. Hà Nội

và lượng hóa được mối quan hệ này (quan hệ hồi quy giữa biến khí NO2 và các

biến khí tượng) làm cơ sở để dự đoán tình hình ô nhiễm khí NO2 trên các khu

vực khác nhau của TP. Hà Nội.

3. Phạm vi và đối tượng nghiên cứu

+ Nồng độ khí NO2 tại một số khu vực của TP. Hà Nội (lấy mẫu,

phân tích bằng thực nghiệm);

3

+ Dữ liệu nồng độ khí NO2 năm 2016 và dữ liệu khí tượng năm 2016

thu thập từ trạm quan trắc tự động thuộc Trung tâm Quan trắc môi trường miền

Bắc - Tổng cục Môi trường.

4. Ý nghĩa khoa học và thực tiễn của luận án

Ý nghĩa khoa học: Đề tài nghiên cứu góp phần bổ sung cơ sở khoa học

cho việc đánh giá hiện trạng phân bố nồng độ khí NO2 theo không gian và thời

gian, nghiên cứu sự ảnh hưởng của một số yếu tố khí tượng đến nồng độ khí

NO2.

Ý nghĩa thực tiễn: Kết quả nghiên cứu có thể hỗ trợ phục vụ công tác kiểm

soát, dự báo nồng độ khí NO2, góp phần bảo vệ môi trường và sức khỏe cộng

đồng.

5. Phương pháp nghiên cứu

- Phương pháp thu thập, kế thừa dữ liệu

- Phương pháp phân tích, xử lý số liệu

- Phương pháp thực nghiệm

- Phương pháp mô hình hóa

4

CHƯƠNG 1. TỔNG QUAN

1.1 TỔNG QUAN VỀ Ô NHIỄM KHÍ NO2

1.1.1 Tính chất, đặc điểm khí NO2

NO2 là chất khí màu nâu đỏ, có khả năng bao phủ lên vùng đô thị và làm

giảm tầm nhìn của mắt thường. Đây là chất khí có độ hấp thụ mạnh đối với các

tia cực tím tạo nên ô nhiễm quang hóa học.

Hiện nay, trong môi trường tự nhiên khí NO và NO2 là hai loại oxit nitơ

thường gặp. Chúng được sinh ra nhờ sự kết hợp giữa khí nitơ và oxy trong

không khí kết hợp với nhau ở nhiệt độ cao.

Trong khí quyển, khí NO2 sẽ kết hợp với các gốc OH- trong không khí để

tạo thành HNO3, khi trời mưa, NO2 và các phân tử HNO3 sẽ hòa vào nước mưa

và làm giảm độ pH trong nước. NO2 là một trong nguyên nhân gây ô nhiễm

không khí.

Trong Ozon, NO2 có thể được sinh ra theo phản ứng oxy hóa NO:

NO + O3 → O2 + NO2

Khí NO2 rất độc đối với sức khỏe con người. Nồng độ NO2 trong khoảng

50 – 100 ppm có thể gây viêm phổi. Nồng độ NO2 trong khoảng 150 – 200 ppm

sẽ gây phá hủy dây khí quản và gây tử vong nếu thời gian nhiễm độc kéo dài.

Bên cạnh đó, nếu hàm lượng NO2 trong cơ thể cao gây hiện tượng thiếu

oxy trong máu dẫn đến tình trạng choáng váng, thậm chí ngất đi. Trường hợp

nhiễm độc khí NO2 nặng nếu không cứu chữa kịp thời có thể dẫn đến tử vong.

NO2 được khuyến cáo là có khả năng gây ung thư ở người.

Đối với sinh vật, khí NO2 trong nước cao khiến tôm giảm ăn, dễ bị

nhiễm bệnh phân trắng trên tôm, bệnh gan tụy,...thậm chí chết do khí độc.

Đối với môi trường, NO2 dễ dàng tạo thành HNO3 trong khí quyển gây

mưa axit khi gặp điều kiện thuận lợi.

5

1.1.2 Nguồn gốc phát sinh khí NO2 trong không khí

1.1.2.1 Từ hoạt động giao thông

Hoạt động giao thông vận tải được xem là một trong những nguồn phát

thải khí NOx gây ô nhiễm lớn đối với môi trường không khí, đặc biệt ở các khu

đô thị và khu vực đông dân cư. Cùng với sự phát triển của hệ thống cơ sở hạ

tầng giao thông, tăng trưởng các phương tiện cơ giới và khối lượng vận tải hàng

hóa, hành khách là sự phát thải khí NOx gây ONMT không khí. Khí NOx chủ

yếu sinh ra từ quá trình đốt nhiên liệu động cơ. Sự phát thải khí NOx của các

phương tiện cơ giới đường bộ phụ thuộc rất nhiều vào chủng loại và chất lượng

phương tiện, nhiên liệu, đường xá... Nhìn chung, xe có tải trọng càng lớn thì hệ

số phát thải ô nhiễm càng cao, sử dụng nhiên liệu càng sạch thì hệ số phát thải

ô nhiễm càng thấp.

Tại Việt Nam hiện nay, sự gia tăng các phương tiện đặc biệt là ô tô và xe

máy cùng với chất lượng các tuyến đường chưa đáp ứng nhu cầu là một trong

những nguyên nhân chính gây ONMT không khí. Khí thải từ phương tiện giao

thông vẫn đang là một trong những tác nhân lớn gây ONMT không khí. Trong

đó, xe máy chiếm tỷ trọng lớn trong sự phát thải các chất ô nhiễm CO, VOC,

TSP, còn ô tô con và ô tô các loại chiếm tỷ trọng lớn trong sự phát thải SO2,

NO2.

Lượng phát thải khí NOx tăng lên hàng năm cùng với sự phát triển về số

lượng của các phương tiện giao thông đường bộ. Với tốc độ tăng trưởng hàng

năm các loại xe ô tô đạt 12%, trong đó xe ô tô con có tốc độ tăng cao nhất là

17%/năm, xe tải khoảng 13%, xe máy tăng khoảng 15% kèm theo việc sử dụng

nhiên liệu (chủ yếu là xăng, dầu diezen), cùng với chất lượng phương tiện còn

hạn chế (xe cũ, không được bảo dưỡng thường xuyên) làm gia tăng đáng kể

nồng độ khí NOx trong không khí. Bên cạnh đó, các tuyến đường chật hẹp,

xuống cấp, thiếu quy hoạch đồng bộ, chưa đáp ứng nhu cầu đi lại cùng với ý

thức tham gia giao thông của người dân chưa cao gây ùn tắc giao thông cũng

là yếu tố đáng kể làm nghiêm trọng thêm vấn đề ONMT không khí, đặc biệt là

tại các đô thị lớn như Hà Nội [2].

6

1.1.2.2 Từ hoạt động sản xuất công nghiệp

Hoạt động sản xuất công nghiệp với nhiều loại hình khác nhau được đánh

giá là một trong những nguồn gây ONMT không khí đáng kể tại Việt Nam. Khí

NOx chủ yếu phát sinh từ quá trình khai thác và cung ứng nguyên vật liệu đầu

vào, khí thải từ các công đoạn sản xuất như đốt nhiên liệu hóa thạch, khí thải

lò hơi, hóa chất bay hơi… Nguồn ONKK từ hoạt động công nghiệp thường có

nồng độ các chất độc hại cao, tập trung trong một vùng.

Các nhóm ngành phát sinh nhiều khí NOx phải kể đến là các ngành có lò

hơi, lò sấy, máy phát điện đốt nhiên liệu nhằm cung cấp hơi, điện, nhiệt; nhóm

ngành nhiệt điện; nhóm ngành sản xuất các sản phẩm từ kim loại; nhóm ngành

sản xuất hóa chất (sản xuất axit nitric, amoniac, sản xuất phân bón,...); nhóm

ngành khai thác dầu thô, khí đốt; nhóm ngành khai thai sản xuất than và khoáng

sản [3].

1.1.2.3 Từ hoạt động xây dựng và dân sinh

Khí NOx được sinh ra chủ yếu do các thiết bị xây dựng (máy xúc, máy

ủi,...), các phương tiện vận chuyển vật liệu xây dựng.

Đối với khu vực dân cư, ở các vùng nông thôn hay ngoại thành, nếu vẫn

còn tồn tại hoạt động đun nấu sử dụng nhiên liệu than tổ ong, cũng có thể phát

sinh khí NOx gây ô nhiễm cục bộ trong phạm vi hộ gia đình hoặc vài hộ xung

quanh.

1.1.2.4 Từ hoạt động nông nghiệp và làng nghề

a) Hoạt động nông nghiệp:

Hoạt động chăn nuôi ở nước ta hiện nay đang tồn tại ở hai loại hình: trang

trại và hộ gia đình, trong đó loại hình chăn nuôi theo mô hình hộ gia đình đang

là nguồn gây ô nhiễm khó kiểm soát đối với môi trường không khí tại các khu

vực nông thôn. Theo thống kê mỗi năm ngành chăn nuôi gia súc, gia cầm thải

ra khoảng 75 - 85 triệu tấn chất thải. Trong quá trình chăn nuôi, khí NOx chiếm

đến 65% lượng các khí thải.

7

Hiện nay, tại các vùng nông thôn, việc gia tăng số mùa vụ canh tác hàng

năm cũng làm gia tăng lượng rơm rạ thải ra môi trường. Biện pháp chính được

người dân sử dụng đối với lượng rơm rạ thải nói trên là đốt ngay trên đồng

ruộng. Chính vì vậy, sau mỗi vụ thu hoạch, hoạt động đốt rơm rạ đã gây hiện

tượng khói mù cho các vùng lân cận. Việc đốt rơm rạ ngoài trời là quá trình đốt

không kiểm soát, trong đó sản phẩm phát thải có cả khí NOx. Khi rơm rạ cháy

không hết có thể tạo ra hợp chất Andehit và bụi mịn là những chất gây ảnh

hưởng xấu tới sức khỏe con người.

b) Làng nghề:

ONMT không khí nói chung, ô nhiễm khí NOx nói riêng, tại các làng nghề

có nguồn gốc chủ yếu từ việc sử dụng than làm nhiên liệu (phổ biến là than chất

lượng thấp), sử dụng nguyên vật liệu và hóa chất trong dây chuyền công nghệ

sản xuất. Tùy theo tính chất của từng loại làng nghề mà ONMT cũng khác nhau.

Các làng nghề chế biến lương thực, thực phẩm, chăn nuôi và giết mổ phát sinh

ô nhiễm mùi do quá trình phân huỷ các chất hữu cơ trong nước thải và các chất

hữu cơ trong chế phẩm thừa thải ra tạo nên khí NO2. Các làng nghề ươm tơ, dệt

vải và thuộc da cũng thường bị ô nhiễm bởi khí NO2 [4].

1.1.3 Hậu quả của ô nhiễm khí NOx đối với môi trường và sức khỏe

con người

Các oxit nitơ (NOx), bao gồm NO2 và NO là các khí vi lượng trong khí

quyển với thời gian tồn tại ngắn, và chúng tham gia tích cực vào sự hình thành

tầng đối lưu và các sol khí thứ cấp và do đó gây hại cho sức khỏe con người và

ảnh hưởng đáng kể đến khí hậu toàn cầu.

1.1.3.1 Sương mù quang hóa

Sương mù quang hóa được định nghĩa là hỗn hợp các chất ô nhiễm gây ra

bởi sự tương tác giữa các oxit nitơ (NOx) và các hợp chất hữu cơ dễ bay hơi

(VOCs) với bức xạ mặt trời. Nó có xu hướng xảy ra nhiều hơn vào mùa hè, vì

khi đó lượng ánh sáng mặt trời chiếu xuống trái đất là lớn nhất.

Sương mù quang hóa được đặc trưng bởi hàm lượng O3 cao trong không

khí. Nồng độ ozon thấp ở tầng không khí gần mặt đất có thể làm cay mắt, mũi

8

và cổ họng. Khi sương mù tăng lên, nó có thể gây ra nhiều vấn đề về sức khỏe

nghiêm trọng hơn như:

- Hen suyễn, viêm phế quản, ho và tức ngực.

- Làm tăng sự nhạy cảm đối với các lây nhiễm về đường hô hấp.

- Làm giảm chức năng của phổi.

1.1.3.2 Mưa axit

NO2 và NOx tương tác với nước, oxy và các hóa chất khác trong khí quyển

để tạo thành mưa axit (Hình 1.1). Mưa axit có rất nhiều ảnh hưởng xấu tới môi

trường thiên nhiên. Cụ thể như sau:

- Mưa axit sẽ làm tăng độ chua trong đất khiến đất bị suy thoái, cây cối

kém phát triển. Mưa axit sẽ làm giảm độ pH trong ao hồ. Điều này khiến các

sinh vật sinh sống trong ao hồ suy yếu, thậm chí là chết.

- Mưa axit còn phản ứng hoá học với các vật liệu kim loại như sắt, đồng,

kẽm…khiến chúng bị giảm tuổi thọ, phá hủy các công trình kiến trúc, xây dựng.

Ngoài việc ảnh hưởng đến môi trường thiên nhiên, mưa axit còn tác động

không nhỏ đến con người. Theo đó, con người có thể mắc các bệnh về đường

hô hấp như ho gà, hen suyễn, nhức đầu, đau họng, đau mAắt…

9

Hình 1.1. Ô nhiễm không khí làm gia tăng mưa axit

1.1.3.3 Gia tăng hiệu ứng nhà kính

Hiệu ứng nhà kính là hiện tượng các tia bức xạ sóng ngắn của Mặt Trời

xuyên qua khí quyển đến mặt đất và phản xạ lại thành các bức xạ nhiệt sóng

dài, sau đó bị thành phần khí quyển giữ lại làm khí quyển nóng lên. Hiện tượng

này giúp mặt đất giữ ở mức nhiệt trung bình khoảng 15°C, thay vì -18°C. Một

trong những khí nhà kính được kể đến là NOx, bắt giữ lượng nhiệt gấp 270 lần

so với CO2 chỉ cần một lượng nhỏ N2O thì nhiệt độ của Trái Đất tăng lên

đáng kể. Trong khi đó lượng khí NOx đang tăng dần qua các năm, hằng năm

khoảng 0.2 đến 3% làm cho nhiệt độ ngày càng tăng nhanh [5].

1.1.3.4 Phá hủy tầng ozon

Ozon hấp thụ phần lớn tia cực tím (UV) có hại của bức xạ Mặt Trời không

cho xuyên qua bầu khí quyển Trái Đất, giúp bảo vệ Trái Đất :

h + O3 O2 + O

Khí N2O trơ có thể bay lên đến tầng bình lưu. Tại đây dưới tác dụng của

ánh sáng mặt trời, N2O chuyển thành 2 oxit khác có khả năng hoạt động hóa

học là NO và NO2. Chính những hợp chất NO và NO2 đã chuyển hóa ozon

thành oxi phân tử O2. Bản thân NO và NO2, như những chất xúc tác không bị

tiêu hao trong quá trình này nên chúng lại tiếp tục phân huỷ tầng ozon.

10

Hình 1.2. Lỗ thủng ozon lớn nhất ở Nam Cực từ trước đến nay (tháng 9năm

2000)

1.1.3.5 Ảnh hưởng đến sức khỏe con người

Trong số các oxit của nitơ thì NO2 là loại khí độc nhất, ảnh hưởng cực kì

nghiêm trọng đến sức khoẻ của con người. Ở nhiệt độ bình thường, khí NO2

thường hay đi kèm với Na2SO4 để tạo nên một hỗn hợp khí màu đỏ, khó ngửi

và cực kì độc. Cũng giống như NO, NO2 được tạo liên kết với hemoglobin để

làm giảm hiệu suất vận chuyển O2 của máu động vật [6]. Đối với con người,

theo thống kê thì hậu quả bị nhiễm độc khí NO2 như sau:

– Nồng độ NO2 ở vào khoảng 50 – 100 ppm dưới 1h rất có thể sẽ gây viêm

phổi trong 6 – 8 tuần.

– Nồng độ NO2 ở vào khoảng 150 – 200 ppm dứơi 1h cũng sẽ gây phá huỷ

dây khí quản và gây tử vong nếu thời gian nhiễm độc kéo dài 3 – 5 tuần.

– Nồng độ NO2 là 500 ppm hay có thể lớn hơn trong 2 – 10 ngày thì sẽ

gây tử vong. Việc mọi người hít phải NO2 lẫn trong các hỗn hợp khí khi đốt

xenlulozo và phim nitro xenlulozo rất có thể sẽ dẫn tới tử vong. Mới gần đây

cũng đã xảy ra sự cố hai người bị chết và 5 người bị thương khi hít phải khí

NO2 rò rỉ khi phóng tên lửa vượt đại dương Titan II ở Rock Kansas (Hoa Kỳ)

vào ngày 24/8/1978. NO2 là một chất lỏng được dùng trong tên lửa được xem

như là chất oxy hoá N2H2.

Cơ chế hoá sinh cụ thể giải thích về tính độc của NO2 vẫn chưa được làm

rõ. Người ta cho rằng có thể một số hệ enzim của tế bào rất dễ bị phá huỷ bởi

NO2 [7].

1.2 MÔ HÌNH Ô NHIỄM KHÔNG KHÍ

1.2.1 Mô hình hồi quy đa biến

1.2.1.1 Lý thuyết mô hình hồi quy đa biến

Hồi quy tuyến tính đa biến (Multiple Linear regression – MLR) hay còn gọi

là hồi quy đa biến, là một kỹ thuật trong thống kê trong đó sử dụng một vài biến

giải thích (explainatory variables) để dự báo đầu ra của biến mục tiêu. Bản chất

11

của MLR là mô hình hóa lại mối quan hệ tuyến tính giữa các biến giải thích (độc

lập) và biến mục tiêu (phụ thuộc này) [8] .

Phương trình MLR có dạng như sau:

yi = β0 + β1xi1 + β2xi2 + ... + βpxip + €

Trong đó ,

yi là biến phụ thuộc;

xi là biến độc lập (biến giải thích/dự báo);

β0 là hằng số;

βp là hệ số góc của mỗi biến giải thích trong phương trình;

€ là phần sai lệch của mô hình hay còn gọi là phần dư (residuals).

1.2.1.2 Giả thuyết

Những giả thuyết sau đây được xem xét sử dụng khi dùng MLR hay trong

phân tích hồi quy tuyến tính nói chung.

a. Sự tuyến tính

Trong mô hình hồi quy tuyến tính đơn giản, giả thiết có sự tồn tại của một

đường thẳng mô tả mối quan hệ giữa hai biến Y và X, các mối quan hệ phi

tuyến khác không được xem xét. Tương tự như vậy, đối với MLR, giả thiết rằng

có sự tồn tại mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập.

Điều này có thể dễ dàng kiểm tra bằng biểu đồ phân tán (scatter plot) giữa các

biến nêu trên với nhau.

Hình 1.3 là một ví dụ minh họa với hình bên trái thể hiện mối quan hệ phi

tuyến, và hình bên phải thề hiện mối quan hệ tuyến tính.

12

Hình 1.3. Minh họa mối quan hệ tuyến tính (phải) và phi tuyến tính (trái)

b. Không có sự tuyến tính đồng nhất (multicolinearity)

Giả thuyết này có nghĩa là các biến độc lập không quá tương quan với nhau.

Sự đồng tuyến tính có thể được kiểm tra bởi các cách sau:

- Ma trận tương quan: tính toán ma trận tương quan giữa 2 biến độc lập với

nhau, hệ số tương quan giữa các biến cần phải nhỏ hơn 0.8.

- Sử dụng Variation Inflation Factor (VIF) – thể hiện mức độ của phương

sai trong việc ước tính hồi quy tăng lên khi có sự xuất hiện của hiện tượng đồng

tuyến tính. Giá trị VIF lớn hơn 10 chỉ ra rằng đã có sự đồng tuyến tính trong dữ

liệu.

- Nếu có sự đồng tuyến tính trong dữ liệu, một giải pháp có thể thực hiện

đó là chuẩn hóa dữ liệu. Tuy nhiên, cách đơn giản nhất là loại bỏ các biến đó ra

khỏi mô hình.

c. Sự độc lập

Phần dư giữa giá trị thực đo và tính toán là các giá trị độc lập. Điều này

cũng có thể hiểu là các giá trị thực đó sử dụng trong mô hình phần phải độc lập

13

với nhau (không có tương quan). Giả thiết này có thể được kiểm tra bằng phép

thử Durbin - Watson.

d. Phương sai của phần dư là không đổi

Giả thiết này được gọi là phương sai không đổi, có nghĩa là sự biến đổi của

phần dư là dư nhau ở mỗi một điểm trong mô hình. Hay nói cách khác, sự phân

tán của các giá trị dư sẽ tương đối đồng đều ở mỗi điểm của giá trị dự báo.

Khi vẽ biểu đồ giữa phần dư và giá trị dự báo mà xuất hiện hình mẫu dạng

nón như Hình 1.4 dưới đây, thì có nghĩa là dữ liệu có phương sai thay đổi

(heterocedastic).

Hình 1.4. Minh họa về phương sai thay đổi của dữ liệu

e. Giá trị của phần dư là phân phối chuẩn

Phần dư giữa giá trị thực đo và tính toán trong MLR phải có phân phối

chuẩn. Giả thuyết này có thể được kiểm tra bằng cách xem biểu đồ phân bố của

giá trị dư hay xem trên biểu đồ Q-Q.

f. Không có trường hợp đặc biệt nào làm thiên lệch mô hình

Các giá trị ngoại biên sẽ gây ảnh hưởng đáng kể đến khả năng khái quát

hóa của mô hình MLR, từ đó làm giảm tính đại diện của mô hình một cách tổng

thể.

14

1.2.2 Mô hình mạng neuron nhân tạo

1.2.2.1 Lý thuyết mô hình

Mạng neuron (thần kinh) nhân tạo (ANN) được xây dựng để mô phỏng

các chức năng của bộ não con người là lưu trữ thông tin trong những tế bào

thần kinh và những khớp thần kinh giữa các tế bào này với nhau. Mỗi khái niệm

lưu trữ trong não bộ được tượng trưng bằng một mạng của các kết nối khác

nhau giữa các tế bào thần kinh. Sự hình thành các kiến thức mới xảy ra khi các

khớp kết nối giữa nhiều neuron trở nên mạnh hơn và liên kết giữa một cụm tế

bào mới được hình thành. Cụ thể hơn, những thông tin này được hình thành từ

khả năng thay đổi cường độ liên kết giữa các khớp thần kinh hay còn gọi là sự

mềm dẻo của khớp thần kinh. Điều này có nghĩa là khi hai neuron được kích

hoạt cùng lúc, các khớp thần kinh giữa hai tế bào sẽ trở nên mạnh hơn và hai tế

bào này sẽ có thể kích hoạt lẫn nhau hiệu quả hơn. Các quá trình kích hoạt tạo

nên sự liên kết này lâu dần sẽ tạo ra mạng lưới của các kết nối và nó sẽ đại diện

cho một khái niệm/kiến thức nào đó.

Các nhà nghiên cứu đã tìm cách chuyển đổi những khái niệm và kiến thức

về cách thức hoạt động của các tế bào thần kinh sinh học thành các mô hình

ANN hoạt động trên máy tính. Một mạng neuron nhân tạo bao gồm các thành

phần cơ bản sau [9]:

- Tập hợp các khớp thần kinh (hay các đường kết nối các neuron lại với

nhau). Mỗi synapse đặc trưng bởi cường độ liên kết của nó. Cụ thể, mỗi khớp

thần kinh dùng để chuyển tín hiệu từ neuron từ lớp thứ j sang lớp thứ k với

trọng số là wkj. Khác với trong mạng thần kinh sinh học, trọng số trong mạng

nhân tạo có thể âm hoặc dương.

- Bộ cộng (để tổng hợp các tín hiệu đầu vào tại mỗi neuron và gửi kết quả

đi tiếp.

15

Hình 1.5. Mô hình của một neuron nhân tạo với đầu ra k

Inputs: Mỗi Input tương ứng với 1 thuộc tính của dữ liệu. Ví dụ như trong

nghiên cứu này thì đầu vào là số liệu đã thu thập được.

Output: Kết quả của một ANN là một giải pháp cho một vấn đề, ví dụ như

nghiên cứu này đầu ra là nồng độ NO2.

Một hàm kích hoạt (activvation function) để đưa các tín hiệu đầu ra của

một neuron vào một miền giá trị nhất định hoặc vào một tập hợp các giá trị cố

định.

Hoạt động của một neuron có nhãn k trong hình trên được mô tả qua các

phương trình toán sau:

µ𝑘 = ∑ 𝑊𝑘𝑗 . 𝑋𝑗 (1)

𝑚

𝑗=1

vk = µk + bk (2)

yk = ϕ(vk) (3)

16

Trong đó, x1, x2, …, xm là giá trị của các tín hiệu đầu vào wk1, wk2, … wkm

là các trọng số tương ứng với các khớp thần kinh liên kết đến neuron có nhãn

k, uk là bộ tổ hợp tuyến tính đầu ra (liner combiner output) từ các tín hiệu đầu

vào, bk là độ lệch, φ(.) là hàm kích hoạt (activation function) và yk là tín hiệu

đầu ra từ neuron có nhãn k.

1.2.2.2 Mạng neural truyền thằng (Feedforward Neural Netwwork)

Các neuron đơn lẻ kết hợp lại với nhau tạo ra các mạng neuron. Trong

mạng neuron này, các neuron được tổ chức thành các lớp (layer). Một mạng

neuron thường bao gồm ba lớp, đầu vào, lớp ẩn, và đầu ra. Một mạng neuron

chỉ có một lớp đầu vào và một lớp đầu ra nhưng có thể có nhiều ớp ẩn (Hình

1.8).

Mạng neuron truyền thẳng là cấu trúc phổ biến nhất của mạng neuron.

Trong đó, các neuron được kết hợp đôi một với nhau theo một chiều duy nhất

từ tầng vào tới tầng ra. Tức là mỗi nốt ở một tầng nào đó sẽ nhận đầu vào là tất

cả các nốt ở tầng trước đó mà không suy luận ngược lại. Hay nói cách khác,

việc suy luận trong mạng neuron là suy luận tiến (feedforward) [9].

Hình 1.8. Mô tả mạng ANN hai lớp ẩn

17

(20)

)

Trong đó, n(l) số lượng nút ở lớp l tương ứng và aj(l) là nút mạng thứ j của

lớp l: wij(l+1) là tham số trọng số của đầu vào aj

(l) đối với nút mạng thứ i của lớp

l+1 và bi(l+1) là độ lệch của nút mạng thứ i của tầng l+1. Đầu ra của nút mạng

này được biểu diễn bằng ứng với hàm kích hoạt f(zi) tương ứng. Đối với

lớp đầu vào, a(l) cũng chính là các số liệu đầu vào x tương ứng.

Để tiện tính toán, coi là một đầu vào và = là trọng số

và độ lệch của đầu vào này. Công thức trên có thể viết lại dưới dạng vector như

sau:

= .a(l) (21)

Nhóm các tham số của mỗi tầng thành một ma trận có các cột tương ứng

với tham số mỗi nút mạng thì ta có thể tính toán cho toàn bộ các nút trong một

tầng bằng vector:

(22)

= f(

1.2.2.3 Huấn luyện mạng ANN và thuật toán lan truyền ngược

(backpropgation)

Để huấn luyện mạng ANN nhiều lớp, phương pháp phổ biến nhất là dùng

gradient descent (GD). Để tính GD, cần phải tính được đạo hàm của hàm mất

mát theo từng ma trận trọng số W(l) và vector bias b(l).

Giả sử f (W, b, X, Y) là một hàm mất mát của bài toán, trong đó W, b là

tập hợp tất cả các ma trận trọng số giữa các tầng và vector bias của các tầng đó.

X, Y là cặp dữ liệu huấn luyện với mỗi cột tương ứng với một điểm dữ liệu. Để

áp dụng GD, cần phải tính được l = 1,2,…,L.

Lấy hàm mất mát (MSE) làm ví dụ:

18

f(W,b,X,Y) = =

Trong đó, N là cặp số liệu đầu vào, ra (x,y) trong tập huấn luyện. Đối với

công thức trên, việc tính đạo hàm rất phức tạp do hàm mất mát không phụ thuộc

trực tiếp vào các ma trận trọng số và vector bias. Do đó, phương pháp lan truyền

ngược giúp tính đạo hàm ngược từ tầng cuối đến tầng đầu tiên [10]. Tầng cuối

được tính toán trước vì nó gần nhất với đầu ra dự báo và hàm mất mát. Việc

tính toán đạo hàm của các ma trận trong số các tầng trước được thực hiện dựa

trên một quy tắc chuỗi quen thuộc cho đạo hàm của hàm hợp. Giải thuật lan

truyền ngược có thể được trình bày tóm tắt như sau:

Bước 1: Tính lan truyền tiến:

Lần lượt tính a(l) từ l = 2 -> L theo công thức

Z(l) = W(l) . a(l-1)

a(l) = f(z(l))

Trong đó, a(l) bằng các giá trị đầu vào của mạng X.

Tính đạo hàm theo z ở tầng ra

= *

Với a(l) và z(l) tính ở bước 1

Bước 2: Tính lan truyền ngược

Tính đạo hàm theo z ngược lại từ l = (L-1) -> 2 theo công thức

Với z(l) tính toán ở bước 1 và tính toán ở ngay vòng lặp

trước.

Bước 3: Tính đạo hàm

Tính đạo hàm theo hàm số w bằng công thức:

19

Với a(l-1) tính ở bước 1 và tính ở bước 3.

1.3 TÌNH HÌNH NGHIÊN CỨU VỀ Ô NHIỄM NOX VÀ TƯƠNG QUAN

CÁC YẾU TỐ KHÍ TƯỢNG

1.3.1 Tình hình nghiên cứu trên thế giới

Tại Mỹ, Fruin và cộng sự đã thực hiện quan trắc bụi, carbon nguyên tố

(EC) và carbon hữu cơ (OC) trong phạm vi kích thước dưới 0,2 m, 0,2 đến 2,5

m và 2,5 đến 10 m, và nồng độ NOx và NO2 trong tám cộng đồng ở Nam

Califonia. Kết quả cho thấy các chất gây ô nhiễm sơ cấp như EC2,5 và NOx có

nồng độ cao hơn trong mùa mát (tháng 10 đến tháng 3) so với trong mùa ấm

(tháng 4 đến tháng 9). Nguyên nhân là do gió biển yếu hơn, độ cao xáo trộn

thấp hơn và điều kiện khí quyển ổn định hơn trong đêm vào mùa mát. Đối với

các chất ô nhiễm thứ cấp, sự khác biệt giữa các mùa ít quan trọng hơn và nồng

độ ô nhiễm cao hơn trong mùa ẩm [11].

Zhang và cộng sự nghiên cứu mối quan hệ của sáu chất gây ô nhiễm không

khí (bụi PM2,5, bụi PM10, CO, SO2, NO2 và O3) với các thông số khí tượng

(tốc độ gió, hướng gió, nhiệt độ, độ ẩm tương đối) tại ba thành phố lớn là Bắc

Kinh, Thượng Hải và Quảng Châu trong 12 tháng từ năm 2013-2014 nhằm làm

rõ các cơ chế tạo ra ô nhiễm không khí. Kết quả xu hướng biến đổi theo mùa

được thể hiện rõ, nồng độ bụi PM2,5, bụi PM10, CO, SO2, NO2 lớn nhất vào

mùa đông và thấp nhất vào mùa hè, trong khi đối với O3 xu hướng biến đổi là

ngược lại. Sự thay đổi theo mùa một phần là do sự biến đổi của lớp biên ranh

giới (thấp hơn vào mùa đông và cao hơn vào mùa hè). Ngoài ra, các chất gây ô

nhiễm không khí có tương quan nghịch với tốc độ gió, trong khi nhiệt độ có

tương quan thuận với O3. Ở Bắc Kinh, gió đông đã dẫn đến nồng độ bụi PM2,5

cao nhất. Ở Thượng Hải, nồng độ bụi PM2,5 cao nhất có liên quan đến gió tây,

sau đó là gió bắc, thể hiện sự vận chuyển các chất ô nhiễm từ phía bắc và phía

tây đến Thượng Hải. Trong khi đó gió bắc dẫn đến nồng độ bụi PM2,5 cao nhất

20

ở Quảng Châu. Nhóm nghiên cứu kết luận vai trò quan trọng của yếu tố khí

tượng trong việc hình thành ô nhiễm không khí với sự biến đổi rõ rệt theo mùa

và khu vực địa lý [12].

Dou và cộng sự nghiên cứu sự ảnh hưởng của nhiệt độ, độ ẩm, tốc độ gió

và áp suất khí quyển đến các chất gây ô nhiễm không khí bao gồm SO2, NO2,

CO, O3, bụi PM2,5 và bụi PM10 tại Lhasa, Tây Tạng. Vào mùa xuân, nhiệt độ

là yếu tố khí tượng chiếm ưu thế trong mùa thu, mối tương quan âm giữa tốc

độ gió và các chất gây ô nhiễm không khí cho thấy sự khuếch tán của gió. Trong

mùa đông, các chất gây ô nhiễm không khí cho thấy mối tương quan không

đáng kể với các yếu tố khí tượng, thể hiện sự phụ thuộc của chất ô nhiễm vào

phát thải nguồn thay vì giới hạn bởi khí tượng học. Đặc điểm thời tiết ô nhiễm

tại khu vực cho thấy khí thải có nguồn gốc từ đốt sinh khối và bụi lơ lửng và

các yếu tố khí tượng cũng đóng vai trò quan trọng [13].

Chi tiết hơn về ảnh hưởng của các đặc trưng khí tượng đến ô nhiễm không

khí nói chung và ô nhiễn bụi nói riêng, Miao và cộng sự tập trung nghiên cứu

sự biến đổi của lớp biên ranh giới trong khu vực Bắc Kinh – Thiên Tân – Hà

Bắc, nơi thường xuyên bị ô nhiễm không khí rất nặng vào mùa thu và mùa

đông. Kết quả cho thấy sự thay đổi theo mùa ảnh hưởng đáng kể đến sự biến

đổi của lớp biên ranh giới. Cụ thể, do độ ổn định bề mặt cao vào mùa đông nên

độ cao lớp biên ranh giới thấp, trong khi vào mùa xuân độ cao lớp biên ranh

giới cao là do lực cơ học mạnh. Như vậy, nguyên nhân do độ cao lớp biên tương

đối thấp vào mùa thu và mùa đông có thể đã làm cho tình trạng ô nhiễm không

khí càng thêm trầm trọng [14].

Oji và cộng sự đã nghiên cứu so sánh nồng độ một số chất trong không

khí như NO2, PM10, SO2, H2S và CO ở một số địa phương của Nigeria và

nghiên cứu sự ảnh hưởng của một số yếu tố khí tượng như nhiệt độ, độ ẩm

tương đối và lượng mưa đến sự phân bố nồng độ các đối tượng trên trong khí

quyển. Kết quả nghiên cứu cho thấy nồng độ các chất ô nhiễm trong khí quyển

thấp hơn trong điều kiện lượng mưa tăng, nhiệt độ thấp và độ ẩm tăng. Nhiệt

độ cao và độ ẩm thấp làm giảm tốc độ phân tán của các chất ô nhiễm trong

không khí, do đó làm tăng nồng độ trên mặt đất của các chất ô nhiễm tương tự

21

và ngược lại. Nghiên cứu cũng đánh giá diễn biến nồng độ các đối tượng ô

nhiễm trên theo mùa so với mùa khô, theo đó nồng độ NO2 thấp trong thời kỳ

mùa mưa so với nồng độ được ghi nhận trong mùa khô [15].

Seo và cộng sự đã nghiên cứu mối tương quan giữa các yếu tố khí tượng

và nồng độ của các đối tượng ô nhiễm PM10, SO2, NO2, CO và O3 trong giai

đoạn 1999 – 2016 ở Seoul, Hàn Quốc. Bằng phương pháp phân tích hồi quy

tuyến tính bội xét về sự thay đổi trong thời gian ngắn, mối tương quan giữa các

chất ô nhiễm và các biến số khí tượng và phân tích tổng hợp các trường khí

tượng khái quát cho thấy rằng khi thời tiết ấm có thể làm tăng nồng độ các chất

ô nhiễm PM10, trong khi bức xạ mạnh, gió lớn có liên quan đến lượng O3 cao

và lượng NO2 thấp [16].

Hadei và cộng sự nghiên cứu diện biến nồng độ PM10, PM2.5, O3, NO2,

SO2 và CO ở Tehran trong giai đoạn từ tháng 3 năm 2014 đến tháng 3 năm

2018, và đánh giá ảnh hưởng của các ngày lễ và các thông số khí tượng đối với

mức độ ô nhiễm không khí. Kết quả nghiên cứu cho thấy mức trung bình trong

4 năm của PM10, PM2.5, O3, NO2, SO2, và nồng độ CO tương ứng là 88,74

µg/m3, 31,02 µg/m3, 34,87 ppb, 71,01 ppb, 20,04 ppb và 3,78 ppm. Nồng độ

PM10 và O3 vào mùa hè cao hơn các mùa khác trong năm, trong khi với PM2.5

và CO, mùa thu và mùa đông có nồng độ cao hơn mùa xuân và mùa hè[17].

KovaI-Andric và cộng sự đã nghiên cứu mối tương quan giũa nồng độ O3,

CO và NO2 với các thông số khí tượng ở Osijek (Đông Croatia) trong các mùa

hè năm 2002, 2007 và 2012. Nhóm tác giả sử dụng kỹ thuật phân tích đa biến

PCA để thiết lập mối tương quan giữa nồng độ chất ô nhiễm đo được và các

thông số khí tượng và kết quả cho thấy tồn tại mối tương quan có ý nghĩa giữa

O3 và nhiệt độ, bức xạ mặt trời và tầm nhìn. Nồng độ O3 có tương quan nghịch

đáng kể với độ ẩm tương đối, vì độ ẩm thấp hơn thường tương ứng với nhiệt

độ cao hơn, bức xạ mặt trời cao hơn và tỷ lệ hình thành O3 cao hơn. Tương

quan giữa O3, CO và NO2 thấp và được coi là không đáng kể. Giữa CO và NO2

có mối tương quan thuận nghịch với nhau [18].

22

1.3.2 Tình hình nghiên cứu ở Việt Nam

Cho đến nay, hầu như chưa có công trình nào ở Việt Nam nghiên cứu về

mối tương quan giữa các yếu tố khí tượng và nồng độ khí NO2 trong không khí

xung quanh, mà chỉ có một vài công trình nghiên cứu về mô hình chất lượng

không khí nói chung hoặc nghiên cứu về bụi mịn PM2.5, PM10 như:

Luận án Tiến sỹ của Ngô Thọ Hùng về mô hình hóa chất lượng không khí

đô thị và quản lý ở Hà Nội đã kết luận điều kiện khí tượng tại Hà Nội không

thuận lợi để phân tán các chất gây ô nhiễm không khí. Tốc độ gió thấp kết hợp

với nhiệt độ cao làm mức độ ô nhiễm không khí tại khu vực trung tâm thành

phố tăng lên. Vào thời kỳ gió mùa, không khí gần mặt đất nguội đi nhanh hơn

lớp trên, do đó ngăn chặn sự pha loãng và khuếch tán khí thải lên cao. Ngoài

ra, hiện tượng thay đổi nhiệt độ vào ban đêm cũng làm cho nồng độ khí cao gấp

2-3 lần ban ngày [19].

Cao Dung Hải và Nguyễn Thị Kim Oanh đã nghiên cứu ảnh hưởng của

các điều kiện khí tượng địa phương, khu vực và sự phát thải đến khối lượng và

thành phần của bụi tại Hà Nội và kết quả cho thấy mối tương quan nghịch giữa

tốc độ gió và nồng độ bụi. Bên cạnh đó, điều kiện khí tượng trong thời gian

khảo sát (mùa đông) với hướng gió chủ đạo là hướng bắc, nhiệt độ thấp hơn

20°C, biểu đồ thời tiết cho thấy có những vùng áp suất cao xuất hiện ở phía bắc

chính là nguyên nhân của sự gia tăng nồng độ bụi. Khi tốc độ gió tăng và ảnh

hưởng của hệ thống áp suất thấp khu vực Đông Nam Á, nồng độ bụi giảm [20].

Nguyễn Anh Dũng và cộng sự nghiên cứu ảnh hưởng của các yếu tố khí

tượng bao gồm nhiệt độ, độ ẩm và tốc độ gió đến nồng độ PM10 ở Hà Nội

thông qua hệ số tương quan Spearman và dữ liệu sử dụng trong nghiên cứu là

dữ liệu của 3 trạm quan trắc của TP. Hà Nội năm 2018. Kết quả cho thấy có xu

hướng thay đổi theo mùa của nồng độ PM10, cụ thể, nồng độ PM10 ghi nhận

giá trị cao hơn vào mùa đông và thấp hơn vào mùa hè. Các mối tương quan

khác nhau giữa các chất ô nhiễm không khí và các yếu tố khí tượng cũng được

quan sát thấy: nồng độ PM10 có tương quan nghịch với hầu hết các yếu tố khí

tượng và có sự khác biệt có ý nghĩa thống kê (Sig. <0,05) của nồng độ PM10

trong mùa khô và mùa mưa [21].

23

Hiền và cộng sự nghiên cứu diễn biến nồng độ bụi PM2.5 và PM10 và kết

quả cho thấy nồng độ bụi cao hơn đáng kể vào ban đêm so với ban ngày. Vào

mùa hè (tháng 5 đến tháng 9) ô nhiễm dạng hạt thấp hơn nhiều so với mùa

đông. Nghiên cứu hồi quy bội của nồng độ hạt trong 24 giờ so với các thông số

khí tượng cho cả thời kỳ gió mùa mùa đông và mùa hè cho thấy rằng các yếu

tố quyết định quan trọng nhất của PM2.5 là tốc độ gió và nhiệt độ không khí,

trong khi lượng mưa và độ ẩm tương đối kiểm soát phần lớn các biến thể hàng

ngày của PM10, cho thấy sự phong phú cao của bụi đất trong phần này [22].

24

CHƯƠNG 2. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1 SỐ LIỆU NGHIÊN CỨU

- Dữ liệu quan trắc và phân tích trong phòng thí nghiệm (phương pháp

truyền thống) được thu thập thêm để phục vụ việc đánh giá hiện trạng nồng độ

NO2 ở một số khu vực điển hình của TP. Hà Nội.

- Dữ liệu quan trắc khí NO2 và dữ liệu khí tượng năm 2016 của TP. Hà

Nội được thu thập từ trạm quan trắc không khí thuộc Trung tâm Quan trắc môi

trường miền Bắc - Tổng cục Môi trường, 556 Nguyễn Văn Cừ, Ngọc Lâm,

Long Biên, Hà Nội phục vụ việc đánh giá mối tương quan giữa nồng độ NO2

và các yếu tố khí tượng..

2.2 PHƯƠNG PHÁP NGHIÊN CỨU

2.2.1 Phương pháp thu thập, kế thừa dữ liệu

Trên cơ sở phân tích, xác định các tư liệu cần thiết, có liên quan đến đề tài

nghiên cứu. Việc thu thập, kế thừa dữ liệu thu được từ các nguồn khác nhau,

đáng tin cậy nhằm đưa ra các kết quả chính xác theo nhiệm vụ, mục tiêu nghiên

cứu của đề tài. Các dữ liệu thu thập, kế thừa bao gồm dữ liệu về các yếu tố khí

tượng, thời tiết (của Tổng cục Khí tượng Thủy văn) và hàm lượng khí NO2

trong không khí xung quanh của TP. Hà Nội (dữ liêu của trạm Quan trắc môi

trường không khí xung quanh Nguyễn Văn Cừ). Sau khi dữ liệu được thu thập

sẽ được xử lý để tính các đặc trưng ngày của khí NO2 và các yếu tố khí tượng

tại các trạm (trung bình ngày, giá trị lớn nhất, nhỏ nhất trong ngày).

2.2.2 Phương pháp thực nghiệm

2.2.2.1 Giới thiệu về thiết bị đo NO2:

Để đo đạc nồng độ khí NO2 ở các vị trí và thời điểm khác nhau, luận văn

sử dụng thiết bị đo nhanh khí NOx trong không khí xung quanh APNA-370 của

hãng Horiba, Nhật Bản. Đây là thiết bị đo khí nitơ oxit môi trường xung quanh

dùng phương pháp phát sáng hóa học (CLD) cho phép đo lường liên tục hàm

lượng của nito oxit (NO, NO2, và NOx (NO+ NO2) trong không khí (Hình 2.1).

Thông số kỹ thuật của thiết bị APNA-370 như sau:

25

+ Khoảng đo: 0-10/20/50/100ppm; 0-/10/20/50ppm, lựa chọn tự động

hoặc thủ công, có thể bật tắt từ xa;

+ Giới hạn phát hiện nhỏ nhất (LDL): 0,02ppm;

+ Độ trôi điểm Zero: <LDL/ngày và <0,2 ppm/tuần ở khoảng thấp nhất;

+ Độ trôi khoảng: <LDL/ngày ở khoảng thấp nhất và -/+1% toàn giải/tuần;

+ Độ tuyến tính: -/+1% toàn giải ;

+ Độ lập: -/+1% giá trị đọc;

+ Tốc dòng lấy mẫu: 1,5L/phút.

Hình 2.1. Thiết bị đo NOx APNA-370 Horiba, Nhật Bản

*Nguyên lý phân tích nồng độ khí NO2:

Phương pháp phát quang hóa học (LCD) sử dụng phản ứng của NO với

Ozon (O3):

NO + O3 = NO2* + O2

NO2* = NO2 + hv

Khi các phân tử NO2 bị kích thích trở về trạng thái cơ bản, phát quang hóa

được tạo ra trong phạm vi từ 600 đến 3000 nm. Cường độ ánh sáng tỉ lệ thuận

với nồng độ của các phân tử NO từ đo tính toán được nồng độ NO. Sau đó nồng

độ NO2 được tính toán dựa vào sự chênh lệch nồng độ giữa nồng độ NOx thu

được qua bộ chuyển đổi và nồng độ NO thu được.

Giải đo của thiết bị là 0 – 10 ppm, giới hạn phát hiện 0,5 ppb.

26

* Phương pháp đo:

Thiết bị được đặt trên xe ô tô và tại các điểm đo nhóm nghiên cứu sẽ

triển khai đo đạc trong 1 tiếng đồng hồ.

2.2.2.2 Vị trí và thời điểm đo:

* Vị trí đo:

Để khái quát được hiện trạng môi trường không khí của thành phố Hà Nội,

các vị trí quan trắc lấy mẫu nằm rải rác trên khắp địa bàn thành phố và nằm

trong các khu vực đặc thù: các nút giao thông chính, khu, cụm công nghiệp,

làng nghề, bến xe, các trung tâm thương mại lớn và các khu dân cư đông đúc.

Các vị trí lấy mẫu cụ thể như sau:

Hình 2.2. Bản đồ các vị trí lấy mẫu

1) Ngã tư Khuất Duy Tiến – Nguyễn Trãi

2) Ngã sáu Ô Chợ Dừa

3) Cụm Công nghiệp Ngọc Hồi

4) Làng nghề đồ gỗ Liên Hà

5) Làng nghề gốm Bát Tràng

27

6) Bến xe Yên Nghĩa

7) Bến xe Giáp Bát

8) Khu công nghiệp Nam Thăng Long

9) Trung tâm thương mại AEON Mall Long Biên

10) Khu dân cư Times City

Điểm lấy mẫu được bố trí ở nơi trống, thoáng gió từ mọi phía, đảm bảo

đại diện cho khu vực quan tâm, số lượng điểm đo, phân bố các điểm trong khu

vực đo cũng như chương trình đo được xác định theo những yêu cầu cụ thể.

* Thời điểm đo

Chọn chế độ đo liên tục trong một giờ và hiển thị kết quả trung bình giờ

trên máy. Đo liên tục trong 24 giờ, giá trị trung bình của 24 giờ liên tục chính

là giá trị trung bình ngày của nồng độ NO2 tại các vị trí đo.

Nhiệt độ trung bình trong khoảng 25 – 26℃. Nhiệt độ cao nhất trong ngày

vào lúc 11 - 12h trưa khoảng 30℃. Độ ẩm 40%.

2.2.3. Phương pháp phân tích, xử lý số liệu

Phân tích thống kê, xử lý các số liệu để đánh giá ảnh hưởng của các yếu

tố khí tượng đến phân bố theo thời gian và không gian của hàm lượng NO2. Dữ

liệu được phân loại thành các bộ dữ liệu khác nhau để đánh giá ảnh hưởng của

các yếu tố khí tượng đến nồng độ khí NO2 bằng bảng tính (Excel) và phần mềm

phân tích thống kê (SPSS V.20). Giá trị trung bình, độ lệch chuẩn và đồ thị hộp

đã được sử dụng để chứng minh sự khác biệt giữa các bộ dữ liệu. Công cụ thống

kê SPSS (Statistical Package for Social Sciences) được sử dụng để đánh giá

mối tương quan giữa nồng độ NO2 và các yếu tố khí tượng thông qua hệ số

tương quan Spearman (r). Đây là hệ số sử dụng để đo lường mức độ tương quan

tuyến tính giữa 2 biến, sử dụng khi phân phối của tổng thể được giả sử không

phải là phân phối chuẩn hoặc trong trường hợp có các giá trị quan sát bất thường

(lớn quá hoặc nhỏ quá) :

28

Hệ số tương quan Spearman sẽ nhận giá trị từ +1 đến -1. Nếu r >0, có sự

tương quan dương giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ

làm tăng giá trị của biến kia và ngược lại. Nếu r < 0, có sự tương quan âm giữa

hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến

kia và ngược lại. Giá trị tuyệt đối của r càng cao, thì mức độ tương quan giữa

hai biến càng lớn hoặc dữ liệu càng phù hợp với quan hệ tuyến tính giữa hai

biến.

Sự khác biệt trung bình về mặt thống kê của nồng độ NO2 trong mùa khô

và mùa mưa cũng được xây dựng để cho thấy sự khác biệt trung bình giữa hai

biến tổng thể (thử nghiệm T- mẫu độc lập). Giá trị Sig. của T-Test mẫu độc lập

có xác suất α = 0,05 và độ tin cậy là 95%. Khi Sig. < 0,05, có sự khác biệt về

giá trị trung bình của các yếu tố khí tượng và nồng độ PM2.5 trong hai biến

tổng thể (mùa khô và mùa mưa), ngược lại, trong trường hợp Sig. ≥ 0,05, có sự

giống nhau giữa giá trị trung bình của hai biến tổng thể.

Sử dụng hệ số tương quan kết hợp với phân tích từ các đồ thị sẽ giúp

nghiên cứu mối quan hệ giữa nồng độ bụi và các yếu tố khí tượng ảnh hưởng

đến nó.

2.2.4. Phương pháp mô hình hóa

Sau khi thu thập, kế thừa, xử lý và thống kê các dữ liệu cần thiết. Tiến

hành chuẩn hóa các biến khí tượng phục vụ xây dựng mô hình hồi quy đa biến

giữa các yếu tố khí tượng và hàm lượng khí NO2. Các bước xây dựng quan hệ

hồi quy như trong sơ đồ sau:

Tính các đặc trưng ngày của NO2 và các yếu tố khí tượng từ số liệu giờ

tại từng trạm (trung bình ngày, giá trị lớn nhất, nhỏ nhất trong ngày)

Xác định và chuẩn hóa các biến khí tượng phục vụ

xây dựng mô hình hồi quy

29

Chuẩn bị số liệu đầu vào bao gồm các bước nhỏ sau : a) Tính các giá trị

đặc trưng ngày của cả NO2 và biến khí hậu; b) Xác định các biến phụ thuộc xây

dựng quan hệ hồi quy; c) Chuẩn hóa số liệu và lựa chọn các biến đầu vào.

a) Tính các giá trị đặc trưng ngày của cả NO2 và biến khí hậu :

Để loại bỏ ảnh hưởng của các yếu tố về giao thông cũng như hạn chế sai

số đo đạc, nghiên cứu sẽ sử dụng số liệu trung bình ngày để xây dựng quan hệ

hồi quy đa biến giữa nồng độ NO2 và các yếu tố khí tượng. Bước này sẽ thực

hiện tính toán cả nồng độ NO2 và các yếu tố khí tượng từ chuỗi số liệu giờ thu

thập được từ các trạm trong năm 2018.

b) Xác định các biến phụ thuộc xây dựng quan hệ hồi quy :

Để xây dựng được mô hình hồi quy đa biến giữa các yếu tố khí tượng và

nồng độ NO2, có rất nhiều biến khí tượng có thể được đưa vào. Tuy nhiên, dựa

trên chuỗi số liệu đo đạc sẵn có tại trạm quan trắc Nguyễn Văn Cừ, các yếu tố

khí tượng được xem xét trong luận văn này bao gồm: nhiệt độ trung bình ngày,

độ ẩm, tốc độ gió, lượng mưa. Bên cạnh các yếu tố khí tượng, luận văn còn

xem xét mối quan hệ giữa nồng độ NO2 và các tổ hợp tích của chúng với nhau :

NO = f (Xi, Xi2, XiXj) i , j = 1,2,..6, i≠ j

Trong đó Xi (i= 1, 2,…6) là các biến độ ẩm (X1), nhiệt độ trung bình ngày

(X2), tốc độ gió (X3), lượng mưa (X4). Bốn biến này cộng với 3 tổ hợp tích của

chúng X2X3, X2X4, X3X4. Ngoài ra, luận văn còn sử dụng thêm biến

PMNO2(nồng độ NO2 của ngày hôm trước).

c) Chuẩn hóa số liệu và lựa chọn các biến đầu vào :

Để áp dụng được mô hình này, các biến đầu vào sẽ được chuẩn hóa để loại

bỏ ảnh hưởng của sự khác nhau về đơn vị tính giữa các yếu tố như sau:

Xây dựng mô hình mạng thần kinh nhân tạo ANN

30

Trong đó Xik và xik là giá trị ban đầu và sau khi chuẩn hóa của biến i, và

σi là giá trị trung bình của biến thứ i, k =1,…. ; N là đại diện cho ngày thứ j

trong chuỗi số liệu. Sau khi được chuẩn hóa chuỗi số liệu của từng biến sẽ được

đưa về phân phối có trung bình bằng 0 và độ lệch chuẩn bằng 1.

Trong nghiên cứu này,việc tính toán mô hình ANN sử dụng phầm mềm

Pycharm (ngôn ngữ lập trình Python) để đánh giá độ chính xác của mô hình

ANN, hệ số tương quan R được sử dụng, được tính theo công thức sau :

Trong đó :

N là tổng số giá trị đo đạc/tính toán ;

Oi là giá trị thực đo;

Pi là giá trị dự báo ;

Ō là giá trị trung bình.

31

CHƯƠNG 3. KẾT QUẢ VÀ THẢO LUẬN

3.1. ĐÁNH GIÁ HIỆN TRẠNG Ô NHIỄM KHÍ NO2 Ở MỘT SỐ KHU VỰC

ĐIỂN HÌNH CỦA TP. HÀ NỘI

Tại mỗi vị trí, tiến hành đo liên tục trong 3 ngày liên tiếp và lấy giá trị

trung bình của 3 ngày này làm giá trị nồng độ khí NO2 trung bình ngày của vị

trí đó. Kết quả phân tích nồng độ khí NO2 trong không khí xung quanh tại một

số khu vực của TP. Hà Nội được thể hiện trên đồ thị hình 3.1.

Hình 3.1. Kết quả đo NO2 tại một số khu vực của TP. Hà Nội tháng

3/2020

Kết quả trên đồ thị hình 3.1 cho thấy hàm lượng khí NO2 ở các khu vực

khác nhau là khác nhau và có sự khác biệt đáng kể giữa các khu vực. Trong số

các khu vực được khảo sát, hàm lượng khí NO2 xung quanh các nút giao thông

lớn trọng điểm và khu vực bến xe là cao nhất trong khi ở khu vực dân cư Times

City hay trung tâm thương mại Aeon Mall Long Biên là thấp nhất còn các khu,

cụm công nghiệp hay làng nghề ở mức độ trung bình. Mặt khác, hầu như ở tất

cả các điểm khảo sát, nồng độ khí NO2 đều thấp hơn quy chuẩn cho phép đối

với nồng độ NO2 trung bình 24 giờ trong QCVN 05:2013/BTNMT, Quy chuẩn

kỹ thuật Quốc gia về chất lượng không khí xung quanh, ngoại trừ điểm nút giao

thông Nguyễn Trãi – Khuất Duy Tiến, hàm lượng NO2 tại thời điểm đo vượt

Quy chuẩn một chút. Kết quả này có thể được giải thích như sau:

32

Khí NO2 ở TP. Hà Nội chủ yếu được sinh ra do các hoạt động giao thông

và sản xuất công nghiệp sử dụng nhiên liệu hóa thạch, khí thải lò hơi, hóa chất

bay hơi…do đó ở khu vực nút giao thông trọng điểm, lưu lượng xe cộ qua lại

ở mức rất cao, đặc biệt là vào giờ cao điểm (sáng 7-9h, chiều 17h-19h), do đó

hàm lượng NO2 phát sinh từ các phương tiện giao thông đã làm cho nồng độ

khí này ở nút giao thông Nguyễn Trãi - Khuất Duy Tiến và ngã sáu Ô Chợ Dừa

ở mức rất cao, thậm chí ở đường Nguyễn Trãi, hàm lượng NO2 đã vượt Quy

chuẩn cho phép như đã thấy ở trên (106 µg/m3 so với 100 µg/m3). Khu vực thứ

hai có hàm lượng NO2 trong không khí xung quanh cao là khu vực bến xe. Kết

quả này cũng là hợp lý vì khu vực bến xe là nơi cũng tập trung đông các phương

tiện giao thông (xe khách, taxi, xe ôm,....). Ở nước ta, nhiều phương tiện giao

thông không thực hiện nghiêm túc chế độ bảo hành bảo dưỡng định kỳ là

nguyên nhân làm tăng lượng khí phát thải ra môi trường với mức độ độc hại

ngày càng lớn. Đặc biệt, nhiều phương tiện cũ nát, quá hạn sử dụng rất lâu vẫn

ngang nhiên tham gia giao thông. Đây chính là lý do dẫn đến việc hàm lượng

NO2 ở bến xe Giáp Bát và bến xe Yên Nghĩa ở mức khá cao, thậm chí khu vực

xung quanh bến xe Giáp Bát có hàm lượng khí NO2 gần tiệm cận giá trị cho

phép của QCVN 05:2013/BTNMT.

Khu vực xung quanh các khu, cụm công nghiệp có hàm lượng khí NO2

thấp hơn một chút so với nút giao thông và bến xe nhưng vẫn ở mức khá cao,

KCN Nam Thăng Long là 72 µg/m3, cụm công nghiệp Ngọc Hồi là 60 µg/m3

so với Quy chuẩn cho phép là 100 µg/m3. Khí NO2 ở các khu vực này chủ yếu

phát sinh do hoạt động sản xuất sử dụng nhiên liệu hóa thạch, khí thải lò hơi,

hóa chất bay hơi…và hoạt động giao thông, di chuyển vào ra của các xe chở

hàng, container. Tuy nhiên, hầu hết các cơ sở sản xuất trong KCN đều có hệ

thống xử lý khí thải, nên thực tế quan sát thấy nồng độ NO2 ở khu vực này ở

mức độ không quá cao. Với cụm công nghiệp Ngọc Hồi cũng tương tự, hàm

lượng khí NO2 thậm chí thấp hơn khu vực KCN Nam Thăng Long, nguyên

nhân có thể do đặc điểm các cụm công nghiệp là tập hợp các doanh nghiệp sản

xuất vừa và nhỏ, mức độ phát thải khí NO2 cũng thấp hơn so với KCN. Ngoài

ra, các cơ sở sản xuất trong cụm công nghiệp Ngọc Hồi không tập trung hoàn

33

toàn một chỗ mà phân tán, đan xen trong các khu dân cư, vì vậy nồng độ khí

NO2 đo được ở đây cũng thấp hơn một chút so với KCN Nam Thăng Long.

Hai khu vực làng nghề được khảo sát là làng gốm Bát Tràng và làng gỗ

Liên Hà có nồng độ NO2 ở mức trung bình, lần lượt là 59 µg/m3 và 55 µg/m3.

Khí NO2 ở các khu vực này chủ yếu phát sinh do đốt nhiên liệu hóa thạch phục

vụ hoạt động sản xuất làng nghề, khí thải lò hơi, hóa chất bay hơi…và hoạt

động giao thông đi lại của người dân nơi đây. Tuy nhiên, ở các làng nghề này,

nhiên liệu hóa thạch và lo hơi sử dụng không nhiều và cũng giống như cụm

công nghiệp, các hộ sản xuất trong làng nghề không tập trung mà tản mát, đan

xen với các khu dân cư, do đó hàm lượng khí NO2 ở đây ở mức độ trung bình

so với QCVN 05:2013/BTNMT.

Khu vực dân cư, tập trung đông người được khảo sát là chung cư Times

City và trung tâm thương mại Aeon Mall Long Biên, hàm lượng khí NO2 ở đây

không cao, lần lượt ở mức 47 µg/m3 và 42 µg/m3. Ở khu vực dân cư, phương

tiện giao thông chỉ cao vào giờ đi làm buổi sáng (khoảng 7 – 8 giờ) và giờ tan

tầm buổi chiều (18 – 20 giờ), còn các hoạt động dân sinh ở khu chung cư Times

City ít phát sinh khí NO2, dẫn đến nồng độ NO2 trung bình trong ngày ở đây

không cao. Đối với trung tâm thương mại Aeon Mall Long Biên, lượng phương

tiện giao thông cũng chỉ tăng cao vào một số thời điểm như ngày lễ, cuối tuần

nên hàm lượng các chất ô nhiễm nói chung, khí NO2 nói riêng ở đây là không

cao và kết quả đo đạc ở trên đã chỉ rõ điều đó.

Tóm lại, qua khảo sát, đánh giá hiện trạng ô nhiễm khí NO2 ở một số khu

vực điển hình của TP. Hà Nội, có thể thấy rằng, ở các khu dân cư, trung tâm

thương mại, hàm lượng khí NO2 thấp hơn nhiều so với mức Quy chuẩn; các

khu, cụm công nghiệp và làng nghề, hàm lượng khí NO2 ở mức trung bình,

riêng khu vực nút giao thông lớn, bến tàu, xe, hàm lượng khí NO2 tương đối

cao tiệm cận giá trị cho phép trong QCVN 05:2013/BTNMT, thậm chí tại các

nút giao thông lớn như Nguyễn Trãi – Khuất Duy Tiến có nguy cơ vượt giới

hạn cho phép của Quy chuẩn.

34

3.2. ĐÁNH GIÁ SỰ PHÂN BỐ NỒNG ĐỘ KHÍ NO2 THEO THỜI GIAN

Để nghiên cứu, đánh giá sự phân bố nồng độ khí NO2 ở TP. Hà Nội theo

thời gian, cần số liệu về nồng độ khí NO2 của TP. Hà Nội trong một khoảng

thời gian dài, do đó luận văn tham khảo, kế thừa dữ liệu nồng độ khí NO2 năm

2016 thu thập tại trạm quan trắc không khí thuộc Trung tâm Quan trắc môi

trường miền Bắc - Tổng cục Môi trường, 556 Nguyễn Văn Cừ, Ngọc Lâm,

Long Biên, Hà Nội.

3.2.1. Quy luật biến thiên nồng độ khí NO2 trong ngày

Từ dữ liệu quan trắc khí NO2 năm 2016 của TP. Hà Nội được thu thập từ

trạm quan trắc không khí thuộc Trung tâm Quan trắc môi trường miền Bắc -

Tổng cục Môi trường, tính được nồng độ NO2 trung bình giờ trong ngày của

365 ngày trong năm, phân tích thống kê các dữ liệu và biểu diễn bằng đồ thị

boxplot như trên hình 3.2. Kết quả thu được cho thấy nồng độ NO2 tại các thời

điểm khác nhau trong ngày là không giống nhau. Cụ thể, thường trong một

ngày, hàm lượng biến thiên có xu hướng tăng dần từ 6 giờ sáng và đạt đỉnh cực

đại vào khoảng đến khoảng 11 giờ sáng, sau đó duy trì đến khoảng 15h chiều,

sau đó lại tiếp tục tăng và đạt đỉnh cực đại trong ngày lúc 18h, sau đó bắt đầu

giảm dần.

35

Hình 3.2. Diễn biến nồng độ NO2 trung bình giờ các ngày trong năm 2016

của TP. Hà Nội

Các kết quả này có thể được giải thích như sau: vị trí trạm quan trắc đạt

cách đường Nguyễn Văn Cừ khoảng 10m và cách xa các khu, cụm công nghiệp

nên hàm lượng NO2 đo được chịu tác động chủ yếu từ nguồn phát thải là các

phương tiện giao thông. Thật vậy, theo Azmi và cộng sự [23], cùng với CO,

NO2 là chất ô nhiễm chính được thải ra từ các phương tiện cơ giới và lượng

phát thải NO2 của các phương tiện giao thông phụ thuộc vào thời gian sử dụng,

bảo dưỡng và công nghệ của động cơ xe, trong đó khí thải ô tô có nhiều NO

hơn NO2 [24, 25]. Cũng theo Notario và cộng sự [26], phát thải NOx vào khí

quyển chủ yếu ở dạng NO, sau đó NO sẽ bị oxy hóa theo phản ứng (3.1) bằng

quá trình quang phân để tạo thành NO2 và trên thực tế, ước tính 95% NOx được

được thải ra dưới dạng NO [26, 27]. Kết hợp với lượng NO2 có sẵn trong khí

quyển, làm tăng nồng độ khí này trong những giờ nắng và giờ cao điểm về giao

thông như đã quan sát thấy.

36

NO + O3 → NO2 + O2 (3.1)

Mối quan hệ giữa NO, NO2 và ozon đã được KovaI-Andric và cộng sự

minh chứng khi sử dụng phương pháp phân tích thành phần chính (PCA) kết

hợp phương pháp xoay (Varimax) để phân tích dữ liệu không khí ở thành phố

Osijek Croatia và kết quả thu được chỉ ra rằng thông qua đánh giá hệ số tương

quan Pearson, nồng độ NO2 có tương quan âm mạnh mẽ với O3. Nồng độ NO2

cao có liên quan đến nồng độ ozon thấp hơn và ngược lại do các phản ứng

quang hóa. Kết quả nghiên cứu của Wang và cộng sự [28] cũng cho thấy mối

tương quan giữa NO, NO2 và NOx ở Trường Xuân, Trung Quốc là rất mạnh.

Kết quả cũng xác nhận rằng những chất ô nhiễm này có một nguồn chung và

có một mối tương quan nghịch đáng kể giữa nồng độ NO2 và nồng độ O3 do

các tiền chất được tiêu thụ và tạo ra bởi các phản ứng quang hóa.

Tương tác giữa 3 khí NO, NO2, O3 và sự biến thiên cường độ bức xạ tia

UV cũng như sự khuếch tán không khí theo phương ngang và phương thẳng

đứng giúp giải thích sự biến thiên nồng độ khí NO2 tại các thời điểm khác nhau

trong ngày: vào đầu giờ sáng, từ khoảng 6 giờ, các hoạt động của con người và

lưu lượng giao thông tăng dần, đạt mức cao nhất vào khoảng 8h30 – 9h, khi đó

nồng độ khí NO và NO2 phát ra là lớn nhất (trong đó NO chiếm phần đa so với

NO2). Sau 9h, lượng phương tiện giao thông giảm nhanh và đến tầm 11h30,

lượng phương tiện giao thông lại tăng nhẹ đến khoảng 12h30. Do đó, về mặt lý

thuyết, nồng độ NO2 trong không khí sẽ giảm dần sau 9h sáng do lượng phương

tiện giao thông giảm và sự khuếch tán khí NO2 theo phương ngang do gió và

phương thẳng đứng do chênh lệch nhiệt độ giữa tầng không khí phía dưới và

phía trên. Tuy nhiên, theo Adame và cộng sự [29], nồng độ ozon thấp vào buổi

sáng sớm, tăng dần vào giữa trưa và đạt cực đại vào buổi chiều và giảm vào

ban đêm, nên sau 9h sáng, dù nồng độ NO2 do các phương tiện trực tiếp thải ra

giảm, nhưng do sự có mặt của khí O3, NO bị chuyển hóa thành NO2 theo phản

ứng (3.1) dẫn đến nồng độ NO2 thực tế vẫn tăng sau 9h và đạt cực đại trong

khoảng 12 – 13h như quan sát thấy ở trên. Ngoài ra, theo Han và cộng sự [30],

nồng độ NO2 đạt mức tối đa vào buổi sáng muộn hơn 2 giờ so với mức đỉnh

điểm của nồng độ NO ở TP. Thiên Tân, Trung Quốc.

37

Hình 3.3. Diễn biến nồng độ NO2 trung bình giờ các ngày trong mùa xuân

(a), mùa hè (b), mùa thu (c) và mùa đông (d) của TP. Hà Nội năm 2016

Hiện tượng tương tự cũng được Agudelo-Castaneda và cộng sự [31] quan

sát thấy ở khu vực đô thị Porto Alegre, Brazil với độ trễ khoảng 2 giờ giữa điểm

cực đại của nồng độ NO2 so với nồng độ NO. Theo các tác giả này, sự chậm trễ

này có thể được giải thích là do tỷ lệ phát thải NO từ động cơ ô tô cao hơn tốc

độ phản ứng (3.1). Đây có thể là nguyên nhân dẫn đến nồng độ NO2 trong

không khí đô thị của TP. Hà Nội đạt cực đại vào khoảng 11h sáng, chậm hơn

2h so với thời điểm cao điểm nhất về giao thông ở Hà Nội.

(b)

(c) (d)

(a)

38

Mặt khác, khi có mặt tia tử ngoại, khí NO2 bị chuyển hóa thành khí NO

theo phương trình phản ứng (3.2), dẫn đến liên tục có sự chuyển hóa lẫn nhau

giữa NO và NO2. Đặc biệt trong khoảng từ 10h đến 15h – là khoảng thời gian

cường độ UV cao nhất trong ngày, do đó có thể đây là nguyên nhân nồng độ

khí NO2 đạt mức tối đa lúc 11h và sau đó gần như không đổi đến 15h. Sau 15h,

phản ứng chuyển hóa NO2 thành NO (phản ứng (3.2)) suy giảm do lượng tia

UV chiếu xuống trái đất giảm, kết hợp với việc lưu lượng xe cộ bắt đầu có xu

hướng tăng sau 16h, nên nồng độ NO2 tiếp tục tăng nhẹ. Tuy nhiên, sau khoảng

17h – 18h (tùy theo mùa), cường độ ánh sáng mặt trời chiếu xuống trái đất giảm

mạnh, dẫn đến phương trình quang phân (3.1) chuyển hóa NO thành NO2 giảm,

kết hợp với hiện tượng khuếch tán không khí dẫn đến nồng độ NO2 giảm như

quan sát thấy ở trên.

NO2 + O2 + hν (λ < 424 nm) → NO + O3 (3.2)

Delaney và Dowding [32] cũng quan sát thấy 2 đỉnh nồng độ NO2 trong

ngày vào lúc 10h sáng và 7h chiều khi nghiên cứu diễn biến nồng độ khí NO

và NO2 trong không khí ở TP. Dublin, Ireland giai đoạn 1988 – 1992. Xu thế

diễn biến nồng độ NO2 trong ngày cũng tương tự như Hà Nội, bắt đầu từ 6h

sáng, nồng độ NO2 tăng dần, đạt đỉnh khoảng 9h30 – 10h, sau đó giảm nhẹ, đến

15h30 lại tiếp tục tăng và đạt cực đại lúc 19h, sau đó giảm dần đến 6h sáng hôm

sau.

Để xem xét diễn biến nồng độ NO2 trung bình giờ trong các mùa: xuân (từ

tháng 2 đến tháng 4), hè (từ tháng 5 đến tháng 7), thu (từ tháng 8 đến tháng 10),

đông (từ tháng 11 đến tháng 1 năm sau) có sự khác biệt hay không, tiến hành

phân tích thống kê số liệu quan trắc NO2 trung bình giờ trong các mùa và thể

hiện trên đồ thị hình 3.3.

Từ kết quả hình 3.3 có thể thấy rằng trong tất cả các khung giờ trong ngày,

nồng độ NO2 trung bình giờ có sự khác biệt giữa các mùa, cụ thể là nồng độ

giảm dần theo thứ tự sau: mùa đông > mùa xuân > mùa thu > mùa hè, trong đó

nồng độ NO2 tại các khung giờ khác nhau trong ngày của mùa hè thấp hơn hẳn

so với ba mùa còn lại. Giữa mùa đông, mùa xuân và mùa thu, nồng độ NO2 tại

các khung giờ có sự chênh lệch, nhưng sự chênh lệch là không lớn. Quy luật

39

thay đổi trong ngày cũng có sự khác biệt giữa các mùa: đối với mùa đông, mùa

xuân và mùa thu, dường như nồng độ khí NO2 ít biến động từ sau 19h tối hôm

trước đến 5h sáng hôm sau; trong khi vào mùa hè, từ 19h tối hôm trước đến 6h

sáng hôm sau nồng độ NO2 giảm hơn 60%. Nguyên nhân của sự khác biệt này

có thể là do hiện tượng nghịch nhiệt - là hiện tượng của khí quyển xảy ra khi

nhiệt độ của lớp khí quyển trên cao lớn hơn nhiệt độ của lớp khí quyển phía

dưới, thường xảy ra vào thời điểm cuối mùa thu, mùa đông và mùa xuân, khi

bắt đầu có các đợt không khí lạnh từ phía Bắc tràn về. Lớp không khí lạnh thời

điểm này còn mỏng, nên chúng chìm xuống và chỉ làm giảm nhiệt độ ở những

tầng thấp trong khi tầng trên ít mây và vẫn có nắng nên nhiệt độ cao hơn, do đó

gây ra hiện tượng nghịch nhiệt [33]. Khi có nghịch nhiệt, lớp không khí ở bên

dưới trở nên rất ổn định và cản trở mọi chuyển động thẳng đứng của từng bộ

phận khí do lực nổi gây ra. Độ ổn định do nghịch nhiệt tạo ra làm hạn chế sự

trao đổi năng lượng của lớp không khí sát mặt đất và lớp khí quyển trên cao,

gây cản trở sự xáo trộn của khí quyển, do đó làm cản trở quá trình khuếch tán

khí NO2 trong bầu khí quyển, dẫn đến sự tích tụ và làm nồng độ khí NO2 có thể

tăng cao. Chính vì vậy nồng độ khí NO2 vào ban đêm trong ngày vào cuối mùa

thu, mùa đông và mùa xuân thường ít dao động hơn mùa hè.

Ngoài ra, độ ẩm không khí vào mùa đông và mùa xuân thường cao hơn

mùa hè và mùa thu, trong khi mùa hè lại mưa nhiều, làm rửa trôi bớt khí NO2,

vì vậy nồng độ khí NO2 tại các thời điểm trong ngày mùa đông và mùa xuân

cao hơn mùa hè và mùa thu như quan sát được ở trên.

3.2.2. Quy luật biến thiên nồng độ NO2 trong ngày theo tháng

Từ dữ liệu quan trắc NO2 hàng giờ và hàng ngày của năm 2016 của TP.

Hà Nội được thu thập từ trạm quan trắc không khí thuộc Trung tâm Quan trắc

môi trường miền Bắc - Tổng cục Môi trường, 556 Nguyễn Văn Cừ, xử lý thống

kê và vẽ đồ thị boxplot biểu diễn nồng độ NO2 trung bình tháng năm 2016 như

trên hình 3.4.

40

Hình 3.4. Diễn biến nồng độ NO2 trong ngày theo tháng năm 2016 của TP.

Hà Nội

Kết quả thu được cho thấy nồng độ NO2 thấp nhất vào các tháng từ tháng

4 đến tháng 9, cao nhất vào các tháng từ tháng 10 đến tháng 12. Kết quả này có

thể được giải thích như sau: các tháng từ tháng 4 (cuối xuân đầu hè) đến tháng

9 (giữa thu) là các tháng mưa nhiều trong năm ở Hà Nội, các trận mưa sẽ hòa

tan khí NO2 kéo theo nước mưa rơi xuống bề mặt trái đất (hiệu ứng rửa trôi),

do đó nồng độ NO2 trung bình các tháng này thấp hơn các tháng còn lại trong

năm. Số liệu quan trắc lượng mưa trung bình các tháng trong năm 2016 cũng

khá tương đồng với kết quả này: trong năm 2016, thời điểm từ tháng 4 đến

tháng 9 là thời điểm có lượng mưa trung bình cao hơn hẳn các tháng còn lại

(Hình 3.5). Ngoài ra, trong mùa hè, nhiệt độ và độ ẩm khí quyển tương đối cao,

là điều kiện đẩy nhanh quá trình oxy hóa NO2 trong không khí [34] và mùa

đông nhiệt độ thấp, khí NO2 tồn tại lâu không có lợi cho quá trình chuyển hóa

NO2 nên tích tụ dần dần, làm tăng nồng độ trung bình NO2 trong không khí

[28].

41

Hình 3.5. Lượng mưa trung bình các tháng năm 2016 của TP. Hà Nội

Mặt khác cũng trên hình 3.4 có thể thấy rằng ở các tháng 10 và 11 cao hơn

hẳn các tháng khác. Nguyên nhân có thể do hiện tượng nghịch nhiệt: vào các

tháng trên, bắt đầu có các đợt không khí lạnh từ phía Bắc tràn về. Lớp không

khí lạnh thời điểm này còn mỏng, nên chúng chìm xuống và chỉ làm giảm nhiệt

độ ở những tầng thấp trong khi tầng trên ít mây và vẫn có nắng nên nhiệt độ

cao hơn, do đó gây ra hiện tượng nghịch nhiệt, dẫn đến khí NO2 trong khí quyển

khó khuếch tán lên cao, do đó nồng độ NO2 trở nên cao bất thường.

3.2.3. Diễn biến nồng độ NO2 theo mùa

Từ dữ liệu quan trắc khí NO2 hàng giờ và hàng ngày của năm 2016 của

TP. Hà Nội được thu thập từ trạm quan trắc không khí thuộc Trung tâm Quan

trắc môi trường miền Bắc - Tổng cục Môi trường, 556 Nguyễn Văn Cừ, xử lý

thống kê và vẽ đồ thị boxplot biểu diễn nồng độ NO2 trung bình các mùa năm

2016 như trên hình 3.6.

Lư

ợn

g m

ưa

tru

ng

bìn

h (

ml)

Tháng

42

Hình 3.6. Diễn biến nồng độ NO2 các mùa năm 2016 của TP. Hà Nội

Kết quả thu được cho thấy nồng độ NO2 trong không khí theo thứ tự giảm

dần mùa đông > mùa xuân > mùa thu > mùa đông, trong đó nồng độ NO2 vào

mùa hè thấp hơn hẳn các mùa khác, giữa mùa thu và mùa xuân chênh nhau

không nhiều và nồng độ NO2 vào mùa thu dao động nhiều hơn mùa xuân. Ở

đây mùa xuân là các tháng 2, 3, 4; mùa hè là các tháng 5, 6, 7; mùa thu là các

tháng 8, 9, 10; mùa đông là các tháng 11, 12, 1. Diễn biến nồng độ NO2 theo

mùa này tương hợp với kết quả nghiên cứu ở mục 3.2.2: các tháng có nồng độ

NO2 thấp nhất theo thứ tự tăng dần là 6, 5, 8, 4, 9, 7. Do đó mùa hè (trung bình

của 3 tháng 5, 6,7) sẽ có nồng độ NO2 thấp hơn hẳn các mùa còn lại. Mùa thu

có 2 tháng là 8 và 9 có nồng độ NO2 rất thấp nhưng lại có tháng 10 có nồng độ

NO2 trung bình khá cao (có thể do hiện tượng nghịch nhiệt như giải thích ở trên

vì tháng 10 là thời điểm giao mùa, thường có gió mùa Đông Bắc), do đó nồng

độ NO2 trung bình tương đối cao và biên độ dao động giữa các tháng lớn như

quan sát thấy ở trên. Các tháng 11, 12, 1, 2, 3 có nồng độ NO2 ở mức trung bình

43

và cao, dẫn đến mùa đông và mùa xuân có nồng độ NO2 trung bình cao như

quan sát thấy ở trên. Kết quả này cũng tương tự như kết quả của Wang và cộng

sự [28] khi nghiên cứu diễn biến nồng độ NO2 theo mùa trong năm 2018 ở

Thường Châu, Trung Quốc; Roberts–Semple và cộng sự khi nghiên cứu diễn

biến nồng độ NO2 trong không khí ở New Jersey, Mỹ [35].

3.3. NGHIÊN CỨU SỰ ẢNH HƯỞNG CỦA MỘT SỐ YẾU TỐ KHÍ TƯỢNG

ĐẾN SỰ PHÂN BỐ NỒNG ĐỘ NO2 Ở TP. HÀ NỘI

NO2 được tạo ra từ quá trình đốt nhiên liệu động cơ của các phương tiện

giao thông cũng như quá trình đốt nhiên liệu hóa thạch trong một số ngành công

nghiệp, khí thải lò hơi, hóa chất bay hơi,...do đó sự phân bố nồng độ chất này

trong không khí sẽ phụ thuộc vào lưu lượng phương tiện giao thông, tuổi thọ

của các phương tiện và lượng nhiên liệu hóa thạch sử dụng,... Ngoài ra, các yếu

tố khí tượng như vận tốc gió, nhiệt độ không khí và độ ẩm không khí tương đối,

cũng là những yếu tố quan trọng, ảnh hưởng đến sự thay đổi của nồng độ NO2

[12 - 15]. Sử dụng hệ số tương quan Spearman để đánh giá tương quan giữa

nồng độ NO2 và các yếu tố khí tượng là giải pháp thường được các nhà khoa

học sử dụng. Trong nghiên cứu này cũng sử dụng hệ số tương quan Spearman

để đánh giá tương quan giữa nồng độ NO2 và 4 yếu tố khí tượng thường gặp là:

nhiệt độ, độ ẩm, tốc độ gió, lượng mưa và kết quả được thể hiện trong bảng 3.1.

Bảng 3.1. Tương quan Spearman giữa nồng độ NO2 và các yếu tố khí tượng

Tương quan Spearman NO2

Tốc độ gió

Hệ số tương quan -0,129

Sig 0,00

N 1168

Nhiệt độ

Hệ số tương quan -0,091

Sig 0,002

44

N 1168

Độ ẩm

Hệ số tương quan 0,035

Sig 0,009

N 1168

Lượng mưa

Hệ số tương quan 0,070

Sig 0,016

N 1168

Từ kết quả trên bảng 3.1 có thể nhận thấy rằng Sig tương quan giữa nồng

độ NO2 và lượng mưa là 0,016 > 0,01, do vậy không có mối tương quan tuyến

tính giữa 2 đại lượng này. Ngược lại, Sig tương quan giữa nồng độ NO2 và

nhiệt độ là 0,002 < 0,01; Sig tương quan giữa nồng độ NO2 và tốc độ gió là

0,00 < 0,01; Sig tương quan giữa nồng độ NO2 và độ ẩm là 0,009 < 0,01, chứng

tỏ nhiệt độ, tốc độ gió và độ ẩm có tương quan tuyến tính với nồng độ NO2,

trong đó nhiệt độ không khí và tốc độ gió là tương quan nghịch với nồng độ

NO2 (hệ số tương quan < 0 ) và độ ẩm là tương quan thuận với nồng độ NO2

(hệ số tương quan dương). Với hệ số tương quan -0,129 là lớn nhất trong số 3

hệ số tương quan được tìm thấy chứng tỏ NO2 có tương quan tuyến tính mạnh

nhất với tốc độ gió.

3.3.1. Ảnh hưởng của tốc độ gió

Từ kết quả trên bảng 3.1 có thể thấy rằng tốc độ gió tương quan tuyến tính

nghịch (Sig = 0, hệ số tương quan âm) với nồng độ NO2, nghĩa là khi tốc độ

gió tăng thì nồng độ NO2 trong không khí giảm. Tương quan này là hợp lý vì

gió có vai trò vận chuyển các chất ô nhiễm không khí trên mặt đất bằng cách

đối lưu (chất ô nhiễm di chuyển từ nơi có áp suất khí quyển cao đến nơi có áp

suất khí quyển thấp) và khi vận tốc gió càng lớn, khả năng khuếch tán, pha

45

loãng và phân tán các chất ô nhiễm càng tốt, do đó giảm thiểu nồng độ tích lũy

của chúng trong khí quyển, dẫn đến nồng độ NO2 trong không khí càng giảm

[18]. Ngược lại, tốc độ gió thấp sẽ làm tăng ảnh hưởng của các nguồn phát xạ

cục bộ, ức chế sự khuếch tán của NO2 [31, 36]. Kết quả này cũng tương tự như

các nghiên cứu của Delaney và cộng sự [32] khi nghiên cứu diễn biến nồng độ

khí NO và NO2 trong không khí ở TP. Dublin, Ireland giai đoạn 1988 – 1992,

Hadei và cộng sự [17] khi nghiên cứu các điều kiện khí tượng đến sự phân bố

nồng độ PM10, PM2.5, O3, NO2, SO2 và CO ở Tehran trong giai đoạn từ tháng

3 năm 2014 – tháng 3 năm 2018; Agudelo-Castaneda và cộng sự [31] khi

nghiên cứu ảnh hưởng của các yếu tố khí tượng đến nồng độ NO2 trong không

khí ở khu vực đô thị Porto Alegre, Brazil.

Tương quan nghịch giữa tốc độ gió và nồng độ NO2 này có thể giúp giải

thích diễn biến nồng độ NO2 các tháng trong năm 2016 ở trên. Thật vậy, khi

xem xét diễn biến tốc độ gió trung bình ngày các tháng trong năm 2016 (Hình

3.7) có thể thấy rằng các tháng mùa hè có tốc độ gió cao hơn hẳn các tháng còn

lại trong năm, do đó nồng độ các chất ô nhiễm trong không khí như NO2 vào

các tháng mùa hè sẽ được khuếch tán, phân tán tốt hơn, dẫn đến nồng độ NO2

trong không khí các tháng mùa hè thấp hơn hẳn như kết quả quan sát thấy ở

trên (Hình 3.4 và 3.6). Ngược lại, tốc độ gió trung bình thấp vào mùa đông và

xuân là nguyên nhân dẫn đến sự khuếch tán khí NO2 trong không khí kém, kết

quả là nồng độ khí NO2 trong không khí vào 2 mùa này khá cao như kết quả

trên hình 3.4 và 3.6.

46

Hình 3.7.Diễn biến tốc độ gió trung bình ngày của các tháng trong năm 2016

của TP. Hà Nội

3.3.2. Ảnh hưởng của nhiệt độ không khí

Theo kết quả trên bảng 3.1, nhiệt độ không khí có tương quan nghịch với

nồng độ NO2, nghĩa là khi nhiệt độ không khí tăng, nồng độ NO2 trong không

khí giảm. Kết quả này cũng tương tự kết quả nghiên cứu của Gasmi và cộng sự

[37], Wang và cộng sự [28], Gamo và cộng sự [38].

Xem xét sự biến thiên nhiệt độ các tháng trong năm 2016, có thể thấy rằng

nhiệt độ các tháng mùa hè (tháng 5, 6 và 7) là cao nhất trong năm, sau đó đến

các tháng mùa thu, mùa xuân và cuối cùng là các tháng mùa đông (Hình 3.8).

Căn cứ vào kết quả phân tích tương quan giữa nhiệt độ và nồng độ NO2 và sự

biến thiên nhiệt độ trên hình 3.8 thì việc nồng độ NO2 xuống là thấp nhất vào

mùa hè và lên cao nhất vào mùa đông như quan sát ở trên (Hình 3.4) là hợp lý.

47

Hình 3.8. Diễn biến nhiệt độ trung bình ngày của các tháng trong năm 2016

của TP. Hà Nội

Để giải thích ảnh hưởng của nhiệt độ lên sự phân bố nồng độ NO2 có thể

giải thích như sau: thông lượng nhiệt bề mặt rất thấp vào mùa lạnh và rất cao

vào mùa nóng dẫn đến chiều cao lớp hỗn hợp không khí giảm vào mùa đông

và tăng lên vào mùa hè [38], do đó sự đốt nóng trái đất bởi mặt trời gây ra sự

nhiễu loạn nhiệt độ trong mùa hè dẫn đến nhiệt độ không khí biến thiên mạnh

theo độ cao và làm tăng chiều cao của lớp hỗn hợp không khí. Nhiệt từ bức xạ

mặt trời được hấp thụ bởi không khí, dẫn đến làm giảm nhiệt độ khí quyển ở

gần bề mặt trái đất. Lớp không khí gần bề mặt trái đất trở nên lạnh hơn các lớp

trên, do đó làm giảm các luồng không khí đi lên và dẫn đến tăng nồng độ NO2.

Theo Pearce và cộng sự [39], khi nhiệt độ tăng trên 35°C, nồng độ NO2 tăng

khoảng 120%.

48

3.3.3. Ảnh hưởng của độ ẩm không khí

Theo kết quả trên bảng 3.1, độ ẩm không khí có tương quan thuận với

nồng độ NO2 trong không khí, nghĩa là khi độ ẩm không khí tăng, nồng độ NO2

trong không khí cũng tăng lên. Kết quả này cũng tương tự kết quả nghiên cứu

của Gasmi và cộng sự [37], Elminir [40], Mavroidis và cộng sự [41]. Tương

quan này phù hợp với thực tế vì độ ẩm tương đối giảm khi nhiệt độ tăng [42],

mà theo kết quả nghiên cứu ở mục 3.3.3, nhiệt độ có tương quan âm với nồng

độ NO2, do đó nồng độ NO2 và độ ẩm có tương quan thuận. Thực tế, sự gia

tăng độ ẩm trong khí quyển sẽ làm giảm lượng bức xạ mặt trời đến bề mặt trái

đất và do đó dẫn đến tăng tỷ lệ hấp thụ chất ô nhiễm trong khí quyển [40].

Ngoài ra, khi lượng bức xạ mặt trời đến bề mặt trái đất giảm kết hợp với nhiệt

độ thấp (vào mùa đông và xuân) cũng làm giảm nồng độ ozon và do đó làm

giảm mức độ chuyển hóa khí NO thành NO2 trong khí quyển theo phản ứng

(3.1) [43, 44]. Kết quả là cũng làm giảm nồng độ NO2 trong khí quyển. Điều

này giải thích nồng độ NO2 thấp được ghi nhận trong mùa hè và nồng độ NO2

cao vào mùa đông, mùa xuân như quan sát thấy ở trên (Hình 3.4).

Khi xem xét sự biến thiên độ ẩm tương đối của không khí các tháng trong

năm 2016 (Hình 3.9), có thể thấy rằng các tháng mùa xuân và mùa đông thường

có độ ẩm cao hơn các tháng còn lại trong năm, kết hợp với nền nhiệt độ thấp

làm cho nồng độ NO2 đạt mức rất cao như kết quả trên đồ thị 3.4, còn các tháng

mùa hè như tháng 5, 6 độ ẩm thấp, kết hợp nền nhiệt độ cao, lượng mưa nhiều

làm cho nồng độ khí NO2 đạt mức thấp nhất trong năm. Tháng 12 có nhiều

ngày có độ ẩm thấp hơn các tháng mùa đông còn lại, có thể do trong tháng này

có nhiều đợt gió mùa Đông Bắc tràn về, mang theo khối không khí lạnh, khô

và sau đó là mưa nhiều, vì vậy nồng độ NO2 trong tháng 12 cũng thấp hơn các

tháng mùa đông khác như quan sát thấy ở trên. Tháng 7 có độ ẩm tương đối

cao hơn các tháng mùa hè khác nên thực tế nồng độ NO2 trong các ngày tháng

7 phần lớn cũng cao hơn các tháng mùa hè còn lại.

49

Hình 3.9. Diễn biến độ ẩm trung bình ngày của các tháng trong năm 2016

của TP. Hà Nội

3.3.4. Ảnh hưởng của lượng mưa

Theo kết quả trên bảng 3.1, tương quan giữa lượng mưa với nồng độ NO2

trong không khí có hệ số tin cậy không cao, Sig = 0,016 > 0,01, do đó không

thể khẳng định được giữa nồng độ NO2 và lượng mưa có tương quan chặt chẽ

(thuận hay nghịch). Tuy nhiên, điều này có thể giải thích được khi theo dõi diễn

biến lượng mưa của Hà Nội trong năm 2016, số lượng ngày không mưa (lượng

mưa bằng 0 ml) rất nhiều, do đó khi biểu diễn bằng đồ thị boxplot, quan sát

thấy rất nhiều các điểm ngoại lai (các trị số lớn hơn 1,5 lần chiều dài của hộp

từ số phân vị thứ 75 hoặc nhỏ hơn 1,5 lần chiều dài của hộp kể từ số phân vị số

25) và các điểm cực trị (các trị số lớn hơn 3 lần chiều dài của hộp từ số phân vị

thứ 75 hoặc nhỏ hơn 3 lần chiều dài của hộp kể từ số phân vị số 25), hay nói

khác đi số liệu thống kê về lượng mưa trung bình giờ không có độ tập trung mà

phân tán rất nhiều, do đó khi tính hệ số tương quan Spearman, hệ số Sig thường

cao. Như vậy không thể lượng hóa được mối tương quan giữa 2 đại lượng này.

50

Tuy nhiên, như nghiên cứu ở trên, một cách định tính, vào các tháng mùa

mưa (mưa nhiều), nồng độ NO2 thường thấp hơn vào các tháng mùa khô (mưa

ít), hay nói khác đi khi lượng mưa tăng lên thì nồng độ NO2 giảm và ngược lại.

Nguyên nhân là khi có mưa, các hạt mưa sẽ hòa tan, kéo theo các phân tử khí

NO2 rơi xuống mặt đất (hiệu ứng rửa trôi hay hiệu ứng thu gom), làm cho nồng

độ khí NO2 thường rất thấp sau cơn mưa. Vào thời kỳ mùa khô, mưa ít, NO2

trong không khí ít bị rửa trôi nên nồng độ thường cao như quan sát thấy ở trên.

Do đó, mưa hoạt động như một bộ lọc tự nhiên trong mùa mưa và làm giảm

mức độ ô nhiễm do xói mòn và sự pha loãng khuếch tán do mưa. Ngoài ra, do

thực tế là trong mùa mưa, bầu khí quyển kém ổn định hơn so với thời kỳ khô,

dẫn đến sự phân tán chất ô nhiễm nhiều hơn [40].

Như vậy, dù không định lượng được tương quan giữa lượng mưa và nồng

độ NO2, nhưng có thể tiên đoán được sau các trận mưa, hoặc vào mùa mưa,

nồng độ NO2 trong không khí sẽ giảm đi đáng kể so với thời kỳ không mưa.

3.3.5. Xây dựng quan hệ hồi quy giữa nồng độ NO2 và các biến khí

tượng bằng mô hình ANN

Trong luận văn này mô hình ANN được sử dụng để xây dựng mối quan

hệ hồi quy giữa các yếu tố khí tượng và nồng độ NO2 trong không khí ở TP. Hà

Nội. Sau khi tiến hành thử sai hàng loạt các lựa chọn khác nhau như số lớp, số

nút trong mỗi lớp, nghiên cứu lựa chọn cấu trúc mô hình mạng thần kinh nhân

tạo như hình 3.10 dưới đây: sơ đồ gồm 8 nút đầu vào; 2 lớp ẩn, lớp ẩn thứ nhất

gồm 20 nút và lớp ẩn thứ hai gồm 30 nút; 1 nút ở lớp đầu ra và 1 đầu ra. Mô

hình có duy nhất một biến đầu ra là nồng độ NO2.

Hình 3.10. Sơ đồ mô phỏng mạng ANN sử dụng trong luận văn

Để tránh hiện tượng ‘quá tốt’ (overfitting) của phương pháp này, nghiên

cứu chia chuỗi số liệu ra thành 2 tập số liệu nhỏ hơn: tập số liệu huấn luyện và

30 20

8

51

tập số liệu kiểm định. Nhiệm vụ của tập số liệu huấn luyện là xác định trọng số

của các nút của mạng ANN. Tập số liệu kiểm định được sử dụng để hạn chế

đến mức thấp nhất hiện tượng overfitting giữa đầu ra thực đo và tính toán. Tập

số liệu này không hiệu chỉnh các trọng số của các nút mà được sử dụng để đảm

bảo rằng bất kỳ sự gia tăng độ chính xác nào ở tập số liệu huấn luyện cũng tạo

ra sự gia tăng độ chính xác ở tập số liệu chưa được huấn luyện, trước hết ở tập

số liệu kiểm định. Nếu độ chính xác ở tập số liệu huấn luyện gia tăng nhưng độ

chính xác ở tập số liệu kiểm định giữ nguyên hoặc giảm thì hiện tượng

overfitting xảy ra và quá trình huấn luyện phải ngừng lại. Hai tập số liệu này

được chọn ngẫu nhiên theo tỷ lệ 70% cho chuỗi số liệu huấn luyện và 30% cho

chuỗi số liệu kiểm định. Nghiên cứu sẽ cho mô hình chạy lặp 1000 lần tương

ứng với 1000 lần lấy mẫu các chuỗi số liệu huấn luyện và kiểm định. Cách phân

chia cho kết quả tốt nhất trong 1000 lần lấy mẫu sẽ được lựa chọn là mô hình

mạng thần kinh nhân tạo cuối cùng. Trong hình 3.11 dưới đây so sánh kết quả

dự báo và kết quả thực đo tính toán của tập số liệu huấn luyện và kiểm định của

trường hợp tối ưu nhất.

Hình 3.11. So sánh kết quả dự báo nồng độ NO2 và kết quả thực đo tính toán

của tập số liệu huấn luyện (a) và kiểm định (b)

Kết quả thu được cho thấy hệ số tương quan R trong nghiên cứu này có

giá trị ở mức chấp nhận được (R = 0,61376 với tập số liệu training, R = 0,50128

với tập số liệu kiểm định) (chi tiết đoạn code lập trình xem trong phụ lục). Do

(b) (a)

52

đó, mô hình thần kinh nhân tạo có thể được sử dụng để dự báo nồng độ NO2

trong không khí dựa vào các biến khí tượng và giá trị nồng độ NO2 của ngày

hôm trước.

53

KẾT LUẬN VÀ KIẾN NGHỊ

1. Kết luận

Tại TP. Hà Nội, hàm lượng NO2 ở hầu hết các khu vực đều thấp hơn quy

chuẩn cho phép (QCVN05:2013/BTNMT), trong đó khu vực dân cư, trung tâm

thương mại có hàm lượng thấp nhất, các khu vực nút giao thông lớn, bến tàu,

xe có hàm lượng cao nhất và ở một số thời điểm, nồng độ NO2 ở khu vực này

đã vượt quy chuẩn Quốc gia. Các khu vực khu, cụm công nghiệp, làng nghề có

nồng độ NO2 ở mức trung bình.

Nồng độ NO2 vào các tháng mùa hè là thấp nhất, tiếp đến là mùa thu, mùa

xuân và cao nhất là mùa đông. Trong ngày, thời điểm 10h sáng nồng độ NO2

thường tăng cao nhất, sau đó gần như ổn định, đến 15h lại tiếp tục tăng và đạt

đỉnh thứ hai trong ngày vào khoảng 19h, sau đó giảm dần trong đêm.

Hệ số tương quan Spearman cho thấy các yếu tố khí tượng như độ ẩm,

nhiệt độ, tốc độ gió đều có ảnh hưởng đến sự phân bố NO2, trong đó tốc độ gió

và nhiệt độ có tương quan nghịch còn độ ẩm có tương quan thuận với nồng độ

NO2. Riêng lượng mưa, mặc dù có hệ số Sig khá cao, không thể hiện được mối

tương quan chặt chẽ với nồng độ NO2 tuy nhiên cũng có những ảnh hưởng định

tính nhất định.

Nồng độ NO2 có thể được dự báo dựa vào các biến khí tượng như nhiệt

độ, độ ẩm, lượng mưa, tốc độ gió, tổ hợp tích của các biến này và nồng độ NO2

của ngày hôm trước thông qua mô hình thần kinh nhân tạo ANN với hệ số

tương quan ở mức chấp nhận được, R = 0,61376.

2. Kiến nghị

Do khuôn khổ nghiên cứu của luận văn có hạn, các kết quả của luận văn

là các nghiên cứu dựa trên số liệu của 1 trạm quan trắc và dữ liệu của năm 2016.

Để có thể áp dụng được trong thực tiễn, cần đánh giá với bộ số liệu dày hơn và

sử dụng số liệu của nhiều trạm quan trắc hơn (nên phân bố đều ở các khu vực

trong TP. Hà Nội).

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 và thiệt hại kinh tế do ô nhiễm không khí gây ra”.

[3] Bộ Tài nguyên và Môi trường, 2010, Báo cáo môi trường quốc gia năm

2009 – Môi trường Khu công nghiệp Việt Nam.

[4] Cục Kiểm soát Ô nhiễm, Tổng cục Môi trường, 2013, Dự án “ Kiểm soát ô

nhiễm môi trường làng nghề”.

[5] Bộ Tài nguyên và Môi trường, 2014, Báo cáo môi trường quốc gia 2013 –

Môi trường không khí.

[6] Cục Y tế, Bộ Giao thông Vận tải, 2010, Đề tài “Nghiên cứu đánh giá tổng

thể sức khỏe và thiệt hại kinh tế do ô nhiễm không khí gây ra”.

[7] Viện Khoa học Quản lý môi trường 2012, Tổng cục Môi trường, Đề tài “

Ảnh hưởng của ô nhiễm không khí đến sức khỏe người dân”.

[8] Ngo Tho Hung (2010). Urban Air Quality Modeliling and Management in

Hanoi, Vietjnam. PhD Thesis. National Environmental Research Institute,

Aarhus University.

[9] Fine, T.L. (1999). Feedforward neural network methodology. Spinger.

[10] Rumelhart, D.E., Hinton, G.E., William, R.J. (1986). Learning

representation by back-propagating errors, Nature, 323: 533-536.

[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.

[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.

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.

[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.

[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.

[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.

[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.

[19] Ngo Tho Hung (2010). Urban Air Quality Modelling and Management in

Hanoi, Vietnam. PhD Thesis, National Environmental Research Institute,

Aarhus University.

[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.

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.

[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.

[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,.

[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.

[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.

[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.

[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.

[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,

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). Time-

series analysis of surface ozon and nitrogen oxides concentrations in an

urban area at Brazil. Atmospheric Pollution Research, 5: 411–42.

[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.

[33] Thủy, T.T., Hạnh, N.T.Đ., Thư, N.T.A., Thắm, T.T. (2013). Nghiên cứu

ảnh hưởng của hiện tượng nghịch nhiệt đến hàm lượng bụi PM2.5 trong

môi trường không khí tại Hà Nội. Tạp chí Khoa học ĐHQGHN: Các Khoa

học Trái đất và Môi trường, 34(3), 1-9.

[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.

[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.

[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.

[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.

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.

[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.

[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.

[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.

[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.

59

PHỤ LỤC

Đoạn code lập trình chạy mô hình ANN:

# Import library

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import os

from numpy import array

from sklearn.model_selection import GridSearchCV

from sklearn.model_selection import TimeSeriesSplit

from sklearn.preprocessing import MinMaxScaler

from sklearn.preprocessing import StandardScaler

from sklearn.neural_network import MLPRegressor

# Set main working direction

os.chdir("J:\DOCUMENTS\WRI\Year2020\OnhiemKK_VienHanLam")

# RMSE function

def rmse(pred, targ):

differences = pred - targ

differences_squared = differences ** 2

mean_of_differences_squared = differences_squared.mean()

rmse_val = np.sqrt(mean_of_differences_squared)

return rmse_val

# NSE function

def nse(pred, obs):

error = (obs - pred) ** 2

60

obs_avg = obs.mean()

obs_diff = (obs - obs_avg) ** 2

nse_val = 1 - 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

Y = dat_raw[["NO2"]] # Extract NO2 col as output

Y.describe() # Check output

# Standardize data the split

X_scaler = StandardScaler()

Y_scaler = StandardScaler()

X_scaled = X_scaler.fit_transform(X)

Y_scaled = Y_scaler.fit_transform(Y)

splitPoint = 280 # 75% of data

X_train_scaled, Y_train_scaled = array(X_scaled[0:splitPoint]),

array(Y_scaled[0:splitPoint])

X_test_scaled = array(X_scaled[splitPoint:])

Y_test = array(Y[splitPoint:])

Y_train_scaled = np.ravel(Y_train_scaled)

my_cv = TimeSeriesSplit(n_splits=5) # 5 folds

# region MODEL DEVELOPMENT NETWORK

# Implement model

np.random.seed(0)

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],

}

ann = GridSearchCV(mlp, param_grid, cv=my_cv, scoring='r2')

ann.fit(X_train_scaled, Y_train_scaled) # fit model

ann.out_activation_ = 'logistic' # change activation function for output layer

ann_pred = ann.predict(X_test_scaled) # apply model to test set

ann_pred = ann_pred.reshape(-1, 1) # reshape

ann_pred_inv = Y_scaler.inverse_transform(ann_pred) # transform

# Quick test of results

print('RMSE = ', rmse(ann_pred_inv, Y_test))

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()

# endregion

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

plt.scatter(ann_pred_inv, Y_test, color='black', s=15)

plt.plot(ann_pred_inv, Fit_line(ann_pred_inv), "k--")

plt.xlim(10, 60), plt.ylim(10, 60)

plt.xlabel("Prediction [$\mu$g/m3]")

plt.ylabel("Observation [$\mu$g/m3]")

plt.title('ANN - Daily NO2, fontweight="bold")

plt.savefig('ANN_daily_NO2.png', dpi=150)

plt.show()

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)

ann_train_pred = ann_train_pred.reshape(-1, 1)

ann_train_inv = Y_scaler.inverse_transform(ann_train_pred)

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]")

plt.ylabel("Observation [$\mu$g/m3]")

plt.title('ANN - Daily NO2 - Training Result', fontweight="bold")

plt.savefig('ANN_Daily_NO2_Train.png', dpi=150)

plt.close()

# # end region

# region EXPORT & SEASONAL ANALYSIS

# Export testing simulation data

pred_df = pd.DataFrame({'NO2_Sim': ann_pred_inv[:, 0], 'NO2_Obs':

Y_test[:, 0]}) # convert to data frame

pred_df.to_csv('ANN_daily_NO2_Test.csv', index=False)

# Export training simulation data

sim_df = pd.DataFrame({'NO2_train': ann_train_inv[:, 0], 'NO2_obs':

y_train_inv[:, 0]})

# convert to data frame

sim_df.to_csv('ANN_daily_NO2_Train.csv', index=False)

# end region

64