Ứng dụng học sâu trong dự báo chất lượng không khí đô thị từ dữ liệu quan trắc môi trường tại TP.HCM

Abstract

Ô nhiễm không khí đô thị, đặc biệt là bụi mịn PM₂.₅, đang trở thành một thách thức lớn đối với sức khỏe cộng đồng và phát triển bền vững tại các đô thị lớn. TP.Hồ Chí Minh, với tốc độ đô thị hóa và mật độ giao thông cao, thường xuyên ghi nhận nồng độ bụi mịn vượt ngưỡng khuyến nghị, đòi hỏi những công cụ dự báo chính xác để hỗ trợ quản lý môi trường và đưa ra cảnh báo sớm. Xuất phát từ nhu cầu thực tiễn này, đề tài “Ứng dụng học sâu trong dự báo chất lượng không khí đô thị từ dữ liệu quan trắc môi trường tại TP.HCM” được thực hiện với mục tiêu xây dựng mô hình dự báo hiệu quả nồng độ PM₂.₅ theo chuỗi thời gian. Trong nghiên cứu này, bộ dữ liệu Air Quality in Ho Chi Minh City, Vietnam (2021–2022) được sử dụng, bao gồm các chỉ số quan trắc bụi mịn (PM₂.₅, TSP), khí ô nhiễm (CO, NO₂, SO₂, O₃) cùng các yếu tố khí tượng (nhiệt độ, độ ẩm, tốc độ gió). Dữ liệu được tiền xử lý qua các bước làm sạch, xử lý ngoại lai, chuẩn hóa và tạo cửa sổ trượt (sliding window) để phục vụ huấn luyện mô hình học sâu. Ba kiến trúc mạng nơ-ron hồi tiếp được triển khai và so sánh gồm RNN, GRU và Bi-LSTM, trong đó Bi-LSTM cho thấy khả năng vượt trội trong việc nắm bắt quan hệ phụ thuộc theo thời gian hai chiều. Kết quả đánh giá trên tập kiểm tra cho thấy mô hình Bi-LSTM đạt hiệu quả tốt nhất, với sai số tuyệt đối và tương đối đều thấp hơn hai mô hình còn lại, đồng thời đường cong huấn luyện ổn định và không có dấu hiệu quá khớp. Điều này khẳng định rằng Bi-LSTM là lựa chọn phù hợp cho bài toán dự báo nồng độ PM₂.₅ tại TP.HCM. Các kết quả thu được không chỉ góp phần minh chứng tính khả thi của việc ứng dụng học sâu trong dự báo chất lượng không khí, mà còn tạo nền tảng cho việc phát triển các hệ thống cảnh báo sớm, hỗ trợ cơ quan quản lý trong công tác hoạch định chính sách và bảo vệ sức khỏe cộng đồng