dự báo nồng độ bụi mịn (DBNDBM 003) Báo cáo cải thiện mô hình học sâu cho việc dự báo nồng độ bụi mịn PM 2.5

Báo cáo cải thiện mô hình học sâu cho việc dự báo nồng độ bụi mịn PM 2.5 Nhóm 11: Các thành viên Nguyễn Văn Tú 19021381 Phạm Thanh Vĩnh 19021396 Bùi Văn Toán 19021372 Nguyễn Mạnh Tuấn 19021384 Giới thiệu và xem xét vấn đề Giới thiệu Các cách tiếp cận trước đó Cách tiếp cận cải tiến Nghiên cứu Khu vực nghiên cứu Dữ liệu khảo sát Nồng độ PM2.5 Khí tượng Mô hình Tổng quan Xây dựng mô hình 1. Tiền xử lý 2. MLP tạo PM2.5 có trọng số cho K khu vực lân cận 3. LSTM để trích xuất đặc trưng không thời gian 4. MLP dự đoán nồng độ PM2.5 vùng trung tâm trong ngày tiếp theo 5. Đánh giá, kết quả và thảo luận Mở rộng vấn đề Tham khảo Từ khóa quan trọng Nhóm 11: Các thành viên Báo cáo cải thiện mô hình học sâu cho việc dự báo nồng độ bụi mịn PM 2.5

Báo cáo cải thiện mô hình học

sâu cho việc dự báo nồng độ

bụi mịn PM 2.5

Nhóm 11: Các thành viên

Nhóm 11: Các thành viên

Nguyễn Văn Tú - 19021381

Phạm Thanh Vĩnh - 19021396

Bùi Văn Toán - 19021372

Nguyễn Mạnh Tuấn - 19021384

Giới thiệu và xem xét vấn đề

Giới thiệu

Các cách tiếp cận trước đó

Cách tiếp cận cải tiến

Nghiên cứu

Khu vực nghiên cứu

Dữ liệu khảo sát

Nồng độ PM2.5 Khí tượng

Mô hình

Tổng quan

Xây dựng mô hình

1 Tiền xử lý

2 MLP tạo PM2.5 có trọng số cho K khu vực lân cận

3 LSTM để trích xuất đặc trưng không - thời gian

4 MLP dự đoán nồng độ PM2.5 vùng trung tâm trong ngày tiếp theo

5 Đánh giá, kết quả và thảo luận

Mở rộng vấn đề

Tham khảo

Từ khóa quan trọng

Nguyễn Văn Tú - 19021381

Phạm Thanh Vĩnh - 19021396

Bùi Văn Toán - 19021372

Nguyễn Mạnh Tuấn - 19021384

Giới thiệu và xem xét vấn đề

Giới thiệu

Tốc độ tăng trưởng kinh tế nhanh chóng trên toàn thế giới đã gây ra tình trạng ô

nhiễm không khí nghiêm trọng Một thành phần quan trọng tạo nên sự ô nhiễm

không khí mà đang rất được quan tâm gần đây là bụi mịn PM2.5 Loại bụi mịn

này chỉ có đường kính nên dễ dàng thâm nhập vào phổi từ đó gây ra

những bệnh về hô hấp, tim mạch

Việc dự đoán được nồng độ PM2.5 trên các địa phương sẽ giúp ích rất nhiều

cho việc kiểm soát và đưa ra khuyến cáo, hướng giải quyết kịp thời, nhằm nâng

cao đời sống, sức khỏe mọi người

Để đạt được mục đích này, nghiên cứu đề xuất mô hình mở rộng mạng LSTM có

trọng số (WLSTME)

Các cách tiếp cận trước đó

1 Sử dụng mô hình lý-hóa để mô phỏng lại hiện tương khuếch đại của không khí ô

nhiễm

Phụ thuộc vào kiến thức của chuyên gia Dễ mắc phải thiếu sót

2 Sử dụng những mô hình học từ dữ liệu thực tế

Mô hình hóa mối quan hệ tuyến tính giữa các đặc trưng của dữ liệu quan sát

và nồng độ PM2.5 của trạm trung tâm Quá đơn giản dẫn đến underfit Biểu diễn bằng mối quan hệ phi tuyến thông qua MLP, SVR, RNN, LSTM

LSTM dùng biểu diễn phụ thuộc thời gian giữa tập giữa dữ liệu trong quá khứ và dữ liệu hiện tại

Dựa vào dữ liệu của những trạm hàng xóm có mối quan hệ mật thiết để đưa

ra dự đoán (KNN) Dữ liệu của trạm hàng xóm sẽ được đánh trọng số dựa

2.5μm

⟶

trên khoảng cách và hướng gió, tốc độ gió của dữ liệu thu được trong lịch sử

so với dữ liệu của trạm trung tâm

Sử dụng đặc trưng khoảng cách địa lý và các đặc điểm về hướng, tốc độ gió là

một đại lượng đánh giá tương quan không gian khá tốt Tuy nhiên tương quan này

đang được mô tả qua quan hệ tuyến tính → Có thể cải tiến

Cách tiếp cận cải tiến

Trên thực tế, mối tương quan giữa trạm trung tâm và các trạm

lân cận không chỉ đơn thuần là mối quan hệ tuyến tính giữa

khoảng cách địa lý và đặc điểm của gió, mà nó còn bị ảnh hưởng bởi sự phụ thuộc mật độ giữa các trạm, do phân bố các trạm

không đồng đều ⇒ Cần một mô hình phức tạp hơn nữa để có

thể mô phỏng đặc điểm mật độ giữa các trạm ⇒ MÔ HÌNH PHI

TUYẾN

⟹

Đề xuất mô hình mở rộng mạng LSTM có trọng số (WLSTME), giải quyết vấn đề làm

thế nào để xem xét ảnh hưởng của mật độ phân bố các trạm và điều kiện gió lên mối

tương quan về mặt không gian của ô nhiễm không khí

Đầu tiên, chọn trạm lân cận ở xung quanh trạm trung tâm

Đánh trọng số dựa trên khoảng cách, nồng độ ô nhiễm và đặc trưng gió Trọng

số này được sinh bởi một mạng MLP Tạo ra tương quan không gian giữa

trạm trung tâm và trạm lân cận

Sau đó, kết hợp với lịch sử về nồng độ PM2.5 của trạm trung tâm và chuỗi dữ

liệu PM2.5 có trọng số của K trạm lân cận được để làm đầu vào cho mạng

LSTM Tạo thành đặc trưng không - thời gian tốt hơn

Cuối cùng, một MLP khác được sử dụng để tích hợp các đặc trưng không - thời

gian được trích xuất ở trên với các đặc trưng phụ khác của trạm trung tâm (dự

báo điều kiện khí tượng hôm sau) Tạo ra các dự báo về nồng độ PM2.5

trong tương lai của khu vực trung tâm

K

⟶

⟶

⟶

💡 Cách tiếp cận trên gọi là Weighted Long - Short Term Memory neuron

network extended model (WLSTM)

Nghiên cứu

Khu vực nghiên cứu

Khu vực Bắc Kinh – Thiên Tân – Hà Bắc (BTH) của Trung Quốc là một trong những

khu vực kinh tế và năng động nhất ở Trung Quốc, bao gồm Bắc Kinh, Thiên Tân và

11 thành phố của tỉnh Hà Bắc Theo Bộ Bảo vệ Môi trường (MEP) (2018), trong số

20 thành phố ô nhiễm nhất, có 9 thành phố thuộc tỉnh Hà Bắc, Thiên Tân và Bắc

Kinh lần lượt xếp thứ 15 và 19 Do đó, nghiên cứu này đã sử dụng vùng BTH làm

vùng nghiên cứu để xây dựng mô hình dự báo nồng độ PM2.5

Dữ liệu khảo sát

Nồng độ PM2.5

Vị trí các trạm và chất lượng không khí trong vùng BTH Màu sắc đại diện cho thứ hạng và nồng độ

PM2.5 trung bình hàng ngày trong thời gian từ ngày 1 tháng 1 năm 2015 đến ngày 31 tháng 12 năm

2017.

Khảo sát 110 trạm quan trắc ô nhiễm không khí được phân bố trong khu vực nghiên

cứu, giúp thu thập:

Nồng độ hàng giờ của PM2.5, PM10, CO, NO2, O3 và SO2

Vĩ độ và kinh độ của trạm, tháng và tuần quan sát

Khí tượng

Ta sẽ quan sát thêm các những biến khí tượng như:

Độ ẩm tuyệt đối (Absolute humidity): khối lượng hơi nước trong một thể tích khí

có thể giữ được ở nhiệt độ nhất định

Tổng cột hơi nước (Total column water vapor): tổng hơi nước trong một cột khí

lấy trong khí quyển Hơi nước thì giữ nhiệt tốt hơn CO2, khi di chuyển có ảnh

hưởng đến sự chuyển đổi nhiệt giữa các khu vực khác nhau và ảnh hưởng đến

lượng mưa (Thời tiết càng ẩm thì càng ít ô nhiễm không khí)

Nhiệt độ điểm sương (Dew point temperature): là nhiệt độ ở đó hơi nước chuyển

sang thể lỏng

Nhiệt độ (MOD11A1 - dữ liệu vệ tinh và ECMWF)

Áp suất khí quyển

Tốc độ gió, hướng gió

: tốc độ gió địa đới và kinh tuyến

Mô hình

Tổng quan

Khung tổng thể của mô hình WLSTME được đề xuất là một mô hình kết hợp tích

hợp ba mạng nơ-ron:

Một mạng MLP để tạo ra PM2.5 có trọng số bằng cách kết hợp tốc độ và hướng

gió, khoảng cách địa lý với nồng độ PM2.5 lịch sử

t c độ gi = oˆˊ oˊ u2 + v2

hướng gi = oˊ −

2

π

tan−1

u v

u , v

Một mạng LSTM để giải quyết đồng thời sự phụ thuộc không gian thời gian và

trích xuất các đặc trưng không - thời gian

Một mạng MLP khác để tối ưu hóa dự đoán bằng cách tích hợp các tính năng

công nghệ không gian và dữ liệu dự báo thời tiết

Xây dựng mô hình

1 Tiền xử lý

Loại bỏ những trạm lân cận thiếu 10% dữ liệu nồng độ PM2.5

Chuẩn hóa dữ liệu đầu vào về μ = 0, σ = 1

Sử dụng dữ liệu nhiệt độ (MOD11A1 - dữ liệu vệ tinh và ECMWF) cung cấp bởi

dữ liệu vệ tinh do có độ phân giải không gian cao hơn, và sử dụng phép nội suy

từ ECMWF cho những trạm không có dữ liệu vệ tinh ( )

Cuối cùng, dữ liệu nhiệt độ được thu thập từ tập dữ liệu MOD11A1 và ECMWF

đã được hợp nhất với nhau để nâng cao độ tin cậy của nó

2 MLP tạo PM2.5 có trọng số cho K khu vực lân cận

Các chất ô nhiễm được vận chuyển giữa các khu vực dựa vào

gió, ô nhiễm không khí của các khu vực trung tâm có mối tương

quan về mặt không gian với các khu vực lân cận Nhưng, các

trạm quan trắc có phân bố không đồng đều, khoảng cách giữa

các vị trí lân cận và vị trí trung tâm là khác nhau đối với các vị trí

trung tâm khác nhau

💡 MLP ba lớp tích hợp khoảng cách và gió của các vị trí lân cận với PM2.5

của nó để tạo ra dữ liệu PM2.5 có trọng số cho mỗi vị trí lân cận của vị trí trung tâm

R2 = 0.91

csM = 0.953842 ∗ cs −E 0.074635

j i

Các dữ liệu ta sẽ đưa vào trong mô hình:

: biểu diễn sự tập trung của của vùng lân cận tại thời điểm

: vẫn tốc gió của vùng lân cận tại thời điểm : khoảng cách giữa vùng trung tâm và lân cận : góc hướng gió từ vùng lân cận với cạnh tại thời điểm Những đại lương trên có liên quan đến tương quan không gian giữa trạm trung

tâm và những trạm lân cận:

Theo dõi nồng độ PM2.5 giúp xem xét tương quan nồng độ bụi giữa 2 trạm nếu giống nhau thì trọng số sẽ lớn hơn

Khoảng cách địa lý thì do ô nhiễm không khí lan sang những nơi khác dựa vào gió do đó cần xem xét vận tốc gió và hướng gió tại các trạm địa

phương

t

Khi đã xây dựng được mô hình, ta thu được các số liệu của bụi PM2.5 cho

khu vực lân cận được đánh trọng số theo mức độ tương quan không gian

3 LSTM để trích xuất đặc trưng không - thời gian

LSTM là một mạng nơ-ron hồi quy đặc biệt (RNN), nó có khả

năng nắm bắt đồng thời các phụ thuộc dài và ngắn trong dữ liệu

chuỗi thời gian.

Mô hình LSTM được sử dụng là LSTM trạng thái hai lớp, sử dụng trạng thái của lô

mẫu LSTM hiện tại làm trạng thái ban đầu của lô mẫu tiếp theo

Kết hợp giữa dữ liệu lịch sử PM2.5 có trọng số từ MLP và các dữ liệu ô nhiễm

vùng trung tâm và lân cận để đưa vào LSTM với mục đích trích xuất đặc điểm

không gian - thời gian

Dữ liệu được hợp nhất thành ma trận : là số vùng lân cận, là

chuỗi thời gian tương ứng và giá trị mỗi cột là nồng độ của vùng trung tâm hoặc

lân cận

K

Mô hình LSTM hai lớp

r × (K + 1) K r

4 MLP dự đoán nồng độ PM2.5 vùng trung tâm trong ngày tiếp

theo

Các biến phụ trợ: nhiệt độ, tốc độ gió, nhiệt độ điểm sương, áp suất khí quyển,

tổng cột hơi nước, dữ liệu thời gian (ngày trong tuần và tháng trong năm), và vĩ

độ của trạm trung tâm tại thời điểm 

Kết hợp các biến phụ trợ với đặc trưng không thời gian từ LSTM và đưa vào

MLP ta có dự đoạn nồng độ PM2.5 ngày hôm sau của vị trí trung tâm

5 Đánh giá, kết quả và thảo luận

Ba tiêu chí được dùng để đánh giá hiệu quả mô hình:

Sai số tuyệt đối trung bình (MAE)

Sai số bình phương trung bình căn (RMSE)

Chỉ số độ chính xác tổng (p)

Vì nồng độ PM2.5 theo từng mùa sẽ khác nhau, nên việc chia tập dữ liệu theo từng

năm là thiết yếu Ta sẽ lấy dữ liệu năm 2015 và 2016 để đào tạo xây dựng mô hình

và năm 2017 để đánh giá hiệu suất mô hình

t

Mở rộng vấn đề

Trong tương lai, nên tập trung vào dự đoán về sự gia tăng đột ngột của PM2.5,

đặc biệt là vào mùa đông khi tất cả các mô hình hoạt động kém

Ảnh hưởng bởi các chính sách của chính phủ và số lượng nhà máy trong khu

vực

Các phương pháp phức tạp hơn để xem xét mật độ của các địa điểm

Tham khảo

1 An improved deep learning model for predicting daily PM2.5 concentration

Từ khóa quan trọng

MLP, RNN, LSTM, WLSTM, zontal and meridional, , RMSE, MAE,

partial autocorrelation, inverse distance weight method, interpolate, ECMWF,

MOD11A1, KNN, spatialtemporal correlation, RSMprop optimizer

Biểu đồ sai số bình phương trung bình căn theo không gian Vị trí các trạm và chất lượng

không khí trong vùng BTH Màu sắc đại diện cho thứ hạng và nồng

độ PM2.5 trung bình hàng ngày trong thời gian từ ngày 1 tháng 1 năm 2015 đến ngày 31 tháng 12

năm 2017.

R2 − value