Ứng dụng phương trình tương quan "lấp đầy" dữ liệu quan trắc chất lượng nước phục vụ đánh giá chất lượng và khả năng tự làm sạch của nước
&
Article Sidebar
Main Article Content
Tóm tắt
Trong công tác quản lý môi trường, quan trắc chất lượng nước được thực hiện liên tục nhằm cung cấp thông tin về hiện trạng chất lượng nước, phân bố và xu hướng diễn ra. Tuy nhiên, do nhiều nguyên nhân khác nhau, công tác quan trắc không diễn ra liên tục, gây gián đoạn / thiếu số liệu cho bộ dữ liệu quan trắc. Việc thiếu số liệu và không liên tục của bộ dữ liệu quan trắc gây ra sự không đồng nhất hoặc làm yếu tính đại diện của các kết quả phân tích / đánh giá về mức độ chất lượng hoặc khả năng tự làm sạch của nước. Phương trình đường cong thực nghiệm đa thức bậc cao (HoCEq) và phương trình hồi quy đa biến (MREq) là một số những phương pháp nội suy / mô phỏng thường được sử dụng do được tích hợp trong bộ công cụ phân tích văn phòng như excel hay SPSS (Statistical Product and Services Solutions) và chúng cho kết quả phù hợp. Trong nghiên cứu đánh giá chất lượng nước kênh Nhiêu Lộc Thị Nghè (NLTN), TP. Hồ Chí Minh (TP.HCM), HoCEq và MREq được áp dụng cho “lấp đầy” cho bộ dữ liệu quan trắc chất lượng nước giai đoạn 2012 - 2021 (nội suy giữa các vị trí và giữa các thời điểm quan trắc). Điều này đã giúp tăng hiệu quả việc phân tích / đánh giá và tăng tính đại diện của kết quả nghiên cứu với hệ số tương quan thích hợp (R2 trên 0,5), tương ứng mức tương quan chặt.
Article Details
Tài liệu tham khảo
Harvey, A. C. (1990). The econometric analysis of time series (2nd ed.). Massachusetts, USA: The MIT Press.
Hunter, J. M., Maier, H. R., Gibbs, M. S., Foale, E. R., Grosvenor, N. A., Harders, N. P., & KikuchiMiller, T. C. (2018). Framework for developing hybrid process-driven, artificial neural network and regression models for salinity prediction in river systems. Hydrology and Earth System Sciences 22(5), 2987-3006. https://doi.org/10.5194/hess-22-2987-2018.
Le, T., & Le, H. Q. (2004). Environment in Dong Nai - Sai Gon River Basin. Ha Noi, Vietnam: Science and Technics Publishing House.
Le, X. H., Ho, H. V., Lee, G., & Jung, S. (2019). Application of long short-term memory (LSTM) neural network for flood forecasting. Water 11(7), 1387. https://doi.org/10.3390/w11071387.
Lin, K., Lu, P., Xu, C. Y., Yu, X., Lan, T., & Chen, X. (2019). Modeling saltwater intrusion using an integrated bayesian model averaging method in the Pearl River Delta. Journal of Hydroinformatics 21(6), 1147-1162. https://doi.org/10.2166/hydro.2019.073.
Palani, S., Liong, S. Y., & Tkalich, P. (2008). An ANN application for water quality forecasting. Marine Pollution Bulletin 56(9), 1586-1597. https://doi.org/10.1016/j.marpolbul.2008.05.021.
Ross, A. C., & Stock, C. A. (2019). An assessment of the predictability of column minimum dissolved oxygen concentrations in Chesapeake Bay using a machine learning model. Estuarine, Coastal and Shelf Science 221, 53-65. https://doi.org/10.1016/j.ecss.2019.03.007.