Dự đoán ô nhiễm không khí sử dụng những mô hình chủ đạo nào?

Các phương pháp dự đoán chủ đạo gồm mô hình số trị truyền tải hóa học như CMAQ và WRF-Chem mô phỏng cơ chế vật lý hóa học, cùng với các mô hình học sâu hiện đại như LSTM và mạng tích chập đồ thị STGCN.

Tại sao hiện tượng nghịch nhiệt lại làm trầm trọng thêm ô nhiễm không khí?

Hiện tượng nghịch nhiệt tạo ra một lớp không khí ấm nằm phía trên lớp không khí lạnh sát mặt đất, ngăn cản chuyển động đối lưu khí quyển và giữ lại toàn bộ bụi mịn cùng các chất độc hại trong tầng thở của con người.

Chỉ số VN_AQI được phân chia thành các khoảng giá trị như thế nào?

Theo Quyết định số 1459/QĐ-TCMT ban hành năm 2019, chỉ số VN_AQI được tính toán trên thang đo từ 0 đến 500 và phân chia thành 6 khoảng giá trị tương ứng với 6 mức độ cảnh báo ảnh hưởng sức khỏe.

Quy chuẩn QCVN 05:2023/BTNMT quy định giới hạn bụi PM2.5 như thế nào?

Quy chuẩn kỹ thuật quốc gia QCVN 05:2023/BTNMT quy định giới hạn tối đa của bụi PM2.5 trung bình 24 giờ là 50 µg/Nm³, đồng thời đặt lộ trình giảm giới hạn trung bình năm xuống 25 µg/Nm³ bắt đầu từ năm 2026.

Dự đoán ô nhiễm không khí (air pollution forecasting) là gì?

Dự đoán ô nhiễm không khí là quá trình khoa học ứng dụng các mô hình toán học, mô phỏng vật lý khí quyển và thuật toán học máy nhằm ước tính định lượng nồng độ của các chất ô nhiễm trong không khí xung quanh tại các vị trí không gian và thời điểm xác định trong tương lai. Hoạt động này cung cấp cơ sở khoa học để thiết lập các hệ thống cảnh báo sớm bảo vệ sức khỏe cộng đồng và hỗ trợ các cơ quan quản lý ban hành giải pháp giảm thiểu phát thải kịp thời.

Bản chất khoa học và các chất ô nhiễm mục tiêu

Chất lượng không khí chịu sự chi phối đồng thời của tải lượng phát thải từ nguồn ô nhiễm và các quá trình biến đổi phức tạp trong khí quyển. Khí quyển hoạt động như một lò phản ứng hóa học khổng lồ kèm theo sự xáo trộn thủy động lực học liên tục. Quá trình dự đoán đòi hỏi việc theo dõi và mô phỏng hành vi của hai nhóm tác nhân chính:

Chất ô nhiễm sơ cấp: Là các chất được thải trực tiếp từ các nguồn nhân tạo hoặc tự nhiên vào môi trường không khí. Các chất này bao gồm bụi mịn có đường kính khí động học nhỏ hơn hoặc bằng 2,5 µm (ký hiệu là PM2.5), bụi có đường kính nhỏ hơn hoặc bằng 10 µm (PM10), khí sulfur dioxide (SO2), nitrogen oxides (NOx) và carbon monoxide (CO).
Chất ô nhiễm thứ cấp: Không được phát thải trực tiếp mà hình thành thông qua các phản ứng quang hóa giữa các chất tiền chất dưới tác động của bức xạ mặt trời và nhiệt độ. Điển hình nhất là ozone tầng đối quyển (O3) và sol khí hữu cơ thứ cấp sinh ra từ chuỗi phản ứng giữa các hợp chất hữu cơ dễ bay hơi và các oxit nitơ.

Theo Zhang và cộng sự (2012), các hệ thống dự báo chất lượng không khí thời gian thực thường tập trung cung cấp kết quả dự báo trong khoảng thời gian trước từ 24 giờ đến 72 giờ đối với nồng độ ozone tầng mặt đất và các hạt bụi lơ lửng, phục vụ trực tiếp cho công tác cảnh báo sức khỏe người dân và điều hành giao thông đô thị.

Các phương pháp dự đoán ô nhiễm không khí chủ đạo

Lịch sử phát triển của các phương pháp dự đoán ô nhiễm không khí trải qua ba giai đoạn tiến hóa chính, từ các mô hình phân tích thống kê cổ điển đến mô hình số trị truyền tải hóa học và các cấu trúc học sâu phi tuyến hiện đại.

Mô hình số trị truyền tải hóa học (CTM)

Mô hình truyền tải hóa học (Chemical Transport Models, CTM) là các hệ thống mô phỏng dựa trên nguyên lý vật lý và hóa học cơ bản của khí quyển. Phương pháp này giải hệ phương trình bảo toàn khối lượng và phương trình truyền tải - khuếch tán đối với từng hợp chất khí và hạt bụi trong lưới tính toán không gian ba chiều.

Phương trình truyền tải - khuếch tán khí quyển đối với một chất ô nhiễm thứ $i$ có nồng độ $C_i$ được thiết lập dưới dạng vi phân đạo hàm riêng:

\frac{\partial C_i}{\partial t} = - \nabla \cdot (\mathbf{u} C_i) + \nabla \cdot (\mathbf{K} \nabla C_i) + R_i(C_1, \dots, C_m) + E_i - S_i

Trong đó:

$C_i$ là nồng độ khối lượng của chất ô nhiễm thứ $i$ trong thể tích khí quyển;
$t$ là biến thời gian mô phỏng;
$\mathbf{u}$ là vector vận tốc gió ba chiều được cung cấp từ mô hình dự báo thời tiết số trị;
$\mathbf{K}$ là tensor hệ số khuếch tán rối phản ánh sự xáo trộn của lớp biên khí quyển;
$R_i$ là tốc độ biến đổi hóa học ròng của chất ô nhiễm thứ $i$ thông qua các phản ứng quang hóa với các cấu tử $C_1, \dots, C_m$ ;
$E_i$ là tốc độ phát thải nguồn từ hoạt động công nghiệp, giao thông và sinh hoạt;
$S_i$ là tốc độ suy giảm nồng độ do quá trình lắng đọng khô và lắng đọng ướt bởi mưa.

Theo Baklanov và cộng sự (2014), các mô hình ghép nối trực tuyến giữa khí quyển và hóa học cho phép tương tác hai chiều giữa động lực học khí tượng và các chuyển hóa hóa học sol khí. Việc tính toán hiệu ứng phản hồi bức xạ của hạt bụi giúp mô hình số trị cải thiện đáng kể độ chân thực của cả trường gió, nhiệt độ lẫn nồng độ chất ô nhiễm.

Mô hình thống kê và học máy truyền thống

Các phương pháp thống kê cổ điển tiếp cận vấn đề dự đoán từ góc độ chuỗi thời gian, tiêu biểu là các mô hình tự hồi quy tích hợp trung bình trượt. Các mô hình này có ưu điểm là thời gian xử lý nhanh và cấu trúc toán học tường minh. Tuy nhiên, giả định tuyến tính và tính dừng của dữ liệu khiến mô hình thống kê truyền thống gặp khó khăn khi phản ánh những biến đổi đột ngột do hiện tượng nghịch nhiệt hoặc các phản ứng quang hóa phức tạp.

Sự ra đời của các giải thuật học máy như hồi quy vector hỗ trợ và rừng ngẫu nhiên cho phép nắm bắt các hàm quan hệ phi tuyến giữa thông số khí tượng đầu vào và nồng độ chất ô nhiễm đầu ra. Cabaneros và cộng sự (2019) nhấn mạnh rằng mạng nơ-ron nhân tạo có khả năng mô hình hóa hiệu quả các mối liên hệ phi tuyến phức tạp mà không đòi hỏi phải giải hệ phương trình vi phân chi tiết.

Mô hình học sâu và mạng nơ-ron không thời gian

Từ năm 2019 đến năm 2024, các kiến trúc học sâu chuyên sâu đã được phát triển mạnh mẽ để xử lý dữ liệu ô nhiễm không khí đa chiều. Masood và Ahmad (2021) tổng kết rằng các cấu trúc học sâu như mạng bộ nhớ ngắn hạn dài (LSTM) thể hiện năng lực vượt trội trong việc nắm bắt mối quan hệ phụ thuộc thời gian dài hạn và các quy luật biến thiên tuần hoàn của chất lượng không khí.

Bên cạnh yếu tố thời gian, sự lan truyền của ô nhiễm không khí còn mang tính phụ thuộc không gian mạnh mẽ giữa các trạm quan trắc mặt đất. Sui và Han (2023) đã đề xuất mô hình mạng tích chập đồ thị không thời gian (STGCN) đa góc nhìn, trong đó sử dụng mạng tích chập đồ thị để biểu diễn các tương quan không gian phi Euclid giữa các trạm đo lân cận kết hợp cùng cổng hồi quy để nắm bắt chuỗi biến động lịch sử.

Các mô hình học máy và học sâu thường được tối ưu hóa thông qua việc giảm thiểu hàm mất mát sai số toàn phương trung bình:

\mathcal{L}_{MSE} = \frac{1}{N} \sum_{k=1}^{N} (y_k - \hat{y}_k)^2

Trong biểu thức trên, $N$ là tổng số điểm quan trắc trong tập dữ liệu thử nghiệm, $y_k$ biểu diễn giá trị nồng độ ô nhiễm thực tế đo đạc tại điểm thứ $k$ , và $\hat{y}_k$ là giá trị do mô hình nơ-ron dự đoán.

So sánh đặc tính giữa các cách tiếp cận dự đoán

Mỗi phương pháp dự đoán sở hữu những thế mạnh và giới hạn kỹ thuật riêng biệt, đòi hỏi nhà nghiên cứu phải cân nhắc dựa trên mục tiêu ứng dụng và hạ tầng tính toán sẵn có.

Phương pháp	Cơ chế vận hành	Ưu điểm nổi bật	Hạn chế chính
Mô hình số trị CTM (CMAQ, WRF-Chem)	Mô phỏng dựa trên định luật vật lý và phản ứng hóa học	Tính nhất quán cơ chế cao, có khả năng giải thích nguồn phát thải	Tốn tài nguyên tính toán siêu máy tính, phụ thuộc vào kiểm kê phát thải
Mô hình học máy cổ điển (SVR, Random Forest)	Học các hàm ánh xạ phi tuyến từ tập dữ liệu lịch sử	Tốc độ huấn luyện nhanh, dễ triển khai tại chỗ	Kém hiệu quả với chuỗi thời gian dài, bỏ qua tương quan không gian
Mô hình học sâu không thời gian (STGCN, LSTM)	Khai thác đồng thời đặc trưng đồ thị không gian và chuỗi thời gian	Độ chính xác cao, xử lý tốt dữ liệu cảm biến đa chiều	Thiếu tính diễn giải vật lý, dễ suy giảm độ chính xác khi gặp biến cố cực đoan

Các nguồn dữ liệu đầu vào trong mô hình dự đoán

Độ tin cậy của dự đoán ô nhiễm không khí phụ thuộc trực tiếp vào tính đồng bộ và chất lượng của các luồng dữ liệu đa nguồn:

Dữ liệu trạm quan trắc mặt đất: Cung cấp phép đo trực tiếp nồng độ chất ô nhiễm tại chỗ với độ chính xác chuẩn tham chiếu, đóng vai trò dữ liệu chân thực phục vụ huấn luyện và kiểm định mô hình.
Dữ liệu viễn thám vệ tinh: Các chỉ số như độ sâu quang học của sol khí giúp theo dõi sự phân bố bụi mịn trên diện rộng, bù đắp khoảng trống dữ liệu tại các khu vực thưa thớt trạm quan trắc mặt đất.
Dữ liệu khí tượng: Gồm nhiệt độ, độ ẩm tương đối, hướng gió, tốc độ gió, bức xạ mặt trời và độ cao lớp biên hành tinh. Khí tượng là động lực chính chi phối sự tích tụ hoặc phát tán các chất ô nhiễm.
Dữ liệu kiểm kê phát thải: Ước tính lượng phát thải từ mạng lưới giao thông, khu công nghiệp tập trung, công trình xây dựng và hoạt động đốt phụ phẩm nông nghiệp.

Hệ thống quy chuẩn kỹ thuật và ứng dụng thực tiễn tại Việt Nam

Tại Việt Nam, kết quả từ các mô hình dự đoán nồng độ chất ô nhiễm được chuẩn hóa và đối chiếu với các quy chuẩn kỹ thuật quốc gia nhằm đưa ra thông tin chỉ số cảnh báo phù hợp cho cộng đồng.

Quy chuẩn kỹ thuật quốc gia QCVN 05:2023/BTNMT

Bộ Tài nguyên và Môi trường đã ban hành Quy chuẩn kỹ thuật quốc gia QCVN 05:2023/BTNMT về chất lượng không khí vào năm 2023. Quy chuẩn này quy định giá trị giới hạn tối đa của các thông số cơ bản trong không khí xung quanh, làm căn cứ pháp lý để đánh giá mức độ ô nhiễm:

Giá trị giới hạn tối đa của bụi PM2.5 trung bình 24 giờ là 50 µg/Nm³.
Đối với bụi PM10, giá trị giới hạn tối đa trung bình 24 giờ là 100 µg/Nm³ và trung bình năm là 50 µg/Nm³.
Về lộ trình kiểm soát bụi mịn dài hạn, quy chuẩn quy định nồng độ PM2.5 trung bình năm áp dụng mức 45 µg/Nm³ đến hết năm 2025, và thắt chặt xuống mức 25 µg/Nm³ bắt đầu từ năm 2026.

Để đối chiếu trên bình diện quốc tế, theo hướng dẫn chất lượng không khí toàn cầu của Tổ chức Y tế Thế giới công bố năm 2021, mức khuyến cáo đối với PM2.5 trung bình năm là 5 µg/m³ và trung bình 24 giờ là 15 µg/m³. Khuyến cáo này thể hiện sự thắt chặt tiêu chuẩn bảo vệ sức khỏe so với mức 10 µg/m³ từng được WHO đưa ra vào năm 2005.

Chỉ số chất lượng không khí Việt Nam (VN_AQI)

Theo Quyết định số 1459/QĐ-TCMT ban hành năm 2019 của Tổng cục Môi trường, chỉ số chất lượng không khí Việt Nam (VN_AQI) được tính toán trên thang đo từ 0 đến 500, phân chia thành 6 khoảng giá trị tương ứng với 6 cấp độ cảnh báo sức khỏe từ tốt đến nguy hại.

Chỉ số thành phần đối với từng chất ô nhiễm được tính toán theo công thức nội suy tuyến tính:

I_p = \frac{I_{hi} - I_{lo}}{BP_{hi} - BP_{lo}} (C_p - BP_{lo}) + I_{lo}

Trong đó:

$I_p$ là chỉ số chất lượng không khí đối với thông số ô nhiễm $p$ ;
$C_p$ là giá trị nồng độ tính toán hoặc giá trị dự đoán của chất ô nhiễm $p$ ;
$BP_{hi}$ và $BP_{lo}$ là các điểm giới hạn nồng độ trên và dưới tương ứng với khoảng quy định chứa giá trị $C_p$ ;
$I_{hi}$ và $I_{lo}$ là các giá trị chỉ số giới hạn trên và dưới tương ứng với khoảng nồng độ đó trong bảng thang đo chuẩn.

Đặc thù ô nhiễm khí quyển tại các đô thị lớn

Ứng dụng mô hình dự đoán ô nhiễm không khí tại các đô thị như Hà Nội và Thành phố Hồ Chí Minh đối mặt với nhiều hiện tượng khí quyển đặc thù. Vào mùa đông, miền Bắc Việt Nam thường xuyên chịu ảnh hưởng của các đợt gió mùa đông bắc kèm theo hiện tượng nghịch nhiệt bức xạ, khiến lớp không khí ấm phía trên chặn đứng sự khuếch tán đối lưu và giam giữ bụi mịn sát mặt đất. Ngoài ra, việc đốt rơm rạ theo mùa vụ tại vùng ngoại thành tạo ra các đợt phát thải đột biến sol khí trên diện rộng, đòi hỏi mô hình dự đoán phải cập nhật dữ liệu điểm cháy vệ tinh kịp thời.

Hạn chế kỹ thuật và thách thức nghiên cứu mở

Mặc dù đạt được nhiều tiến bộ công nghệ đáng kể, công tác dự đoán ô nhiễm không khí vẫn đối mặt với những rào cản kỹ thuật cơ bản.

Khảo sát có hệ thống của Zhang và cộng sự (2024) chỉ ra rằng các mô hình học sâu hiện đại vẫn chịu sự chi phối bởi tính chất hộp đen, thiếu tính diễn giải về mặt cơ chế vật lý khí quyển. Khi xảy ra các biến cố thời tiết cực đoan hoặc đột biến phát thải chưa từng xuất hiện trong tập dữ liệu huấn luyện, mô hình học máy thuần túy có xu hướng suy giảm độ chính xác và đưa ra các dự báo thiếu căn cứ vật lý.

Mặt khác, các mô hình số trị CTM lại phụ thuộc nặng nề vào các bảng kiểm kê phát thải vốn thường có độ trễ nhiều năm và sai số thống kê cao. Việc thiết lập lưới tính toán độ phân giải siêu cao cũng bị giới hạn bởi năng lực tính toán của hạ tầng phần cứng.

Tính đến năm 2026, xu hướng nghiên cứu đang tập trung phát triển các mô hình lai kết hợp học máy gắn liền tri thức vật lý. Hướng tiếp cận này nhúng trực tiếp các định luật bảo toàn khối lượng và phương trình động học vào hàm mất mát của mạng nơ-ron, cho phép tận dụng khả năng tính toán nhanh của trí tuệ nhân tạo đồng thời đảm bảo các kết quả dự báo luôn tuân thủ nguyên lý vật lý của khí quyển.