Ứng dụng phương pháp hồi quy đa biến xác định các yếu tố ảnh hưởng nồng độ Chloride trên sông Vàm Cỏ Tây

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Thêm vào BST

Báo xấu

4
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích của bài viết này là trình bày kết quả nghiên cứu ứng dụng phương pháp hồi quy tuyến tính đa biến để xác định các yếu tố ảnh hưởng đến nồng độ Clo trên lưu vực sông Vàm Cỏ Tây. Từ đó, có thể đưa ra dự báo xu hướng thay đổi nồng độ Clo, hỗ trợ khắc phục được tình trạng thiếu dữ liệu trong việc giám sát và đề xuất hướng quản lý, xử lý.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng phương pháp hồi quy đa biến xác định các yếu tố ảnh hưởng nồng độ Chloride trên sông Vàm Cỏ Tây

ỨNG DỤNG PHƯƠNG PHÁP HỒI QUY ĐA BIẾN XÁC ĐỊNH CÁC YẾU TỐ ẢNH HƯỞNG NỒNG ĐỘ CHLORIDE TRÊN SÔNG VÀM CỎ TÂY Nguyễn Văn Tiến1, Nguyễn Thị Loan2 1. Chương trình thạc sỹ Khoa học Môi Trường, Trường Đại học Thủ Dầu Một 2. Khoa Khoa học quản lý, Trường Đại học Thủ Dầu Một TÓM TẮT Chỉ số chất lượng nước là thước đo đánh giá và quản lý chất lượng nước tại một địa điểm trong khoảng thời gian nhất định. Các giá trị cao cho thấy nguồn nước không đủ chất lượng đáp ứng cho các mục đích sử dụng nước. Việc ứng dụng phương pháp hồi quy đa biến được tiến hành để xác định các yếu tố ảnh hưởng Chloride (Cl-) tại các vị trí phức tạp không thể đo đạc trên lưu vực sông Vàm Cỏ Tây. Bên cạnh đó, mô hình góp phần dự báo xu hướng thay đổi nồng độ Clo và từ đó hỗ trợ khắc phục được tình trạng thiếu dữ liệu trong việc giám sát và dự đoán quản lý. Các biến giải thích được đưa vào mô hình bao gồm nhiệt độ, pH, EC, TDS, NaCl- , NO3-N, NO2-N, NH3-N, SS, COD, BOD5, Fe, PO43-. Kết quả mô hình cho hệ số tương quan R2 = 0.76 tương đương với mô hình giải thích được 76 % sự biến thiên của nồng độ Clo trên sông Vàm Cỏ Tây. Từ khóa: Hồi quy tuyến tính đa biến, Chloride, sông Vàm Cỏ Tây, hệ số tương quan R. 1. ĐẶT VẤN ĐỀ Hệ thống sông Vàm Cỏ bắt nguồn từ hai mạng lưới sông lớn: Sài Gòn – Đồng Nai qua sông Vàm Cỏ Đông và Mê Kông qua sông Vàm Cỏ Tây (Patrick H , 2014). Trong những năm gần đây, diện tích đất đô thị và sự gia tăng dân số, xả nước thải công nghiệp cùng các hoạt động nông nghiệp đi kèm đã làm tăng nồng độ Chloride (Cl-) gây ra các ảnh hưởng xấu đến hệ sinh thái lưu vực sông Vàm Cỏ Tây (Patrick H , 2014). Ngoài ra, Clo cũng có thể xâm nhập vào lưu vực sông qua việc xả chất thải làm mềm nước loại bỏ các ion Magiê và Canxi bằng cách thực hiện phản ứng trao đổi ion với NaCl (Shukla M, 2018). Clo không hấp thụ lên bề mặt khoáng chất và trầm tích nên nồng độ có trong nước mặt rất cao (Mayer T và nkk, 2017). Theo (Rebecca L và nnk, 2006) nghiên cứu ra rằng nồng độ Clo tăng cao đã ảnh hưởng đến quá trình vi khuẩn phân hủy N ở khu vực như kênh, đập, góc đá của dòng chảy. Vì vậy, việc xác định các yếu tố ảnh hưởng đến nồng độ Clo để đánh giá chất lượng nước mặt rất quan trọng, thể hiện được mức độ ô nhiễm và trạng thái của hệ sinh vật dưới nước. Tuy nhiên, việc dự đoán chính xác để đánh giá được nồng độ Clo vẫn còn là một thách thức do thiếu hụt mạng lưới vị trí giám sát chất lượng ở lưu vực sông Vàm Cỏ Tây. Trên một lưu vực sông việc dự đoán chất lượng nước rất phức tạp do sự biến thiên theo thời gian và không gian của vị trí giám sát (Cho JH, Ha SR, 2010) . Ngoài ra, để xác định chính 662
xác nồng độ Clo chỉ có thể phân tích với thiết bị tiêu chuẩn và hóa chất có thể gây tốn kém. Tại các vị trí trên lưu vực sông có địa hình phức tạp gây khó khăn trong thực hiện các phương pháp lấy mẫu và phân tích. Từ đó việc xây dựng một phương trình (mô hình toán học) được phát triển để mô phỏng xác định các yếu tố ảnh hưởng dựa trên thực nghiệm và khái niệm (Ouma YO và nnk, 2020). Mô hình hồi quy đa biến (MLR) là một mô hình thống kê liên quan đến việc xử lý chuỗi dữ liệu theo thời gian, trong đó việc phân tích của mô hình là tập hợp các giá trị của một hoặc nhiều biến giải thích, giảm độ phức tạp của dữ liệu chất lượng nước lớn (giảm số lượng biến) mà không làm mất thông tin ban đầu. Mô hình được ứng dụng rộng rãi trong xác định các yếu tố ảnh hưởng đến các thông số thủy văn; dự đoán được xu hướng thay đổi nồng độ Clo trong tương lai cung cấp một cách đại diện dữ liệu giám sát và dự đoán quản lý cho cơ quan nhà nước, người dân để bảo vệ và duy trì dòng sông khỏi nguy cơ ô nhiễm. Một vài nghiên cứu trên thế giới ứng dụng mô hình hồi quy tuyến tính đa biến như nghiên cứu của Mohd Fahmi Mohd Nasir tiến hành tổng hợp dữ liệu trong 5 năm ở khu vực sông Klang để lập mô hình dự báo chất lượng nước mặt bằng phương pháp hồi quy tuyến tính đa biến (MLR) với các biến giải thích như con người, dòng chảy bề mặt, chất thải sinh hoạt, nước thải công nghiệp và chất tẩy rửa cho kết quả độ chính xác trung bình mô hình 75%. Tại Việt Nam, nghiên cứu của tác giả NH Quang (Quang NH và nnk, 2022) đã sử dụng phương pháp hồi quy tuyến tính đa biến ước tính sinh khối rừng ngập mặn trên mặt đất bằng cách sử dụng dữ liệu ở các cửa sông Hồng ở Việt Nam trong khoảng thời gian 45 năm đạt ở mức độ chính xác lên 80%. Từ những nghiên cứu trong và ngoài nước cho thấy mô hình hồi quy đa biến ứng dụng phổ biến rộng rãi trong các lĩnh vực môi trường khác nhau. Tuy nhiên, hiệu quả của mô hình này đối với việc xác định cũng như dự báo các yếu tố ảnh hưởng đến nồng độ thông số các chất ô nhiễn có trong nước mặt chưa được thể hiện phổ biến qua các kết quả nghiên cứu. Ngày nay, việc dự đoán các thông số chất lượng nước như Clo, EC, TDS,… trong nước là vấn đề thách thức trong quản lý tài nguyên nước. Do đó, mục đích của bài báo này là trình bày kết quả nghiên cứu ứng dụng phương pháp hồi quy tuyến tính đa biến để xác định các yếu tố ảnh hưởng đến nồng độ Clo trên lưu vực sông Vàm Cỏ Tây. Từ đó, có thể đưa ra dự báo xu hướng thay đổi nồng độ Clo, hỗ trợ khắc phục được tình trạng thiếu dữ liệu trong việc giám sát và đề xuất hướng quản lý, xử lý: Không sử dụng nước trực tiếp cho mục đích sinh hoạt; Hạn chế hoặc cấm các loại hoá chất chứa Cl- cho mục đích sản xuất công nghiệp, sản xuất phân bón; các nguồn chất thải chứa Cl- phải được phân loại và xử lý trước khi xả vào nguồn tiếp nhận,… 2. PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Phương pháp thu thập dữ liệu Nghiên cứu sử dụng dữ liệu các kết quả quan trắc chất lượng nước mặt của sông Vàm Cỏ Tây trong 2 năm 2020-2021 do Trung tâm quan trắc Tài nguyên và Môi trường tỉnh Long An cung cấp. Kết quả quan trắc 39 mẫu tại các kênh (Trung Ương, Cà Môn, kênh 28, kênh Tắt, Thủ Thừa); rạch (Tà Me, Cửa Đông, rạch Chanh, rạch Mác, Cửa Đông); bến phà (Tân Trụ, Bình Tịnh, Phước Tân Hưng, Nhựt Ninh); đoạn hợp lưu với sông Vàm Cỏ Tây (ngã 5 gần phà 663
Cà Môn, sông Vàm Cỏ Đông); các khu vực những nơi sinh hoạt người dân (chùa Nổi, cầu Mộc Hóa, cầu Tân An, cầu Tuyên Nhơn). Kết quả quan trắc bao gồm những chỉ tiêu Clo, nhiệt độ, pH, EC, TDS, NaCl-, NO3-N, NO2-N, NH3-N, SS, COD, BOD5, Fe, PO43-. Hình 1. Bảng đồ các vị trí quan trắc trên sông Vàm Cỏ Tây 2.2. Phương pháp hồi quy tuyến tính Mối quan hệ giữa thông số Clo và các thông số như nhiệt độ, pH, DO, EC, TDS, NaCl, NO3-N, NO2-N, NH3-N, SS, COD, BOD5, Fe, PO43- được xác định thông qua phần mềm R để phân tích thống kê bằng cách sử dụng phương pháp hồi quy tuyến tính đa biến (MLR). Phương trình mô hình hồi quy đa biến dựa trên các tài liệu trước đây liên quan đến mô hình chất lượng nước được thể hiện phương trình (1) như sau: 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2𝑋2 + ⋯ + 𝛽𝑘𝑋𝑘 + 𝑒 (1) Mô hình được diễn đạt qua phương trình (1) cho biết 𝑌 là biến phụ thuộc, 𝑋1, 𝑋2,…, 𝑋𝑘 là các biến độc lập, 𝛽0, 𝛽1, 𝛽2,…, 𝛽𝑘 là các tham số chưa biết và 𝑒 là sai số liên quan đến ước lượng của Y [25]. Phương trình có nhiều biến X (X1,X2,… Xk) và mỗi biến có một thông số 𝛽k( k = 1,2,…,k) cần phải ước tính. Vì thế mô hình còn được gọi là mô hình hồi quy tuyến tính đa biến. Trong phân tích hồi quy tuyến tính đa biến để biết mức độ ảnh hưởng lên các biến cần lưu ý đến các giá trị số như: − Hệ số tương quan R (coefficient of correlation): thể hiện sự ảnh hưởng càng nhiều khi R càng lớn. − Bình phương của R (R square): khi R2 càng lớn thì mối quan hệ giữa các yếu tố đó và biến y càng chặt chẽ. − Trị số P (P value): càng nhỏ mức ảnh hưởng càng mạnh. Mô hình (1) bao gồm biến phản ứng Cl- (y); các biến dự báo: nhiệt độ, pH, DO, EC, TDS, NaCl, NO3-N, NO2-N, NH3-N, SS, COD, BOD5, Fe, PO43; βi (i =0, 1, 2, 3, 4) là các hệ số hồi quy và ε là sai số của mô hình hồi quy. Các thông số dữ liệu quan trắc được đo bằng đơn vị mg/L. 664
Tiến hành nhập dữ liệu kết quả quan trắc chất lượng nước mặt để xây dựng phương trình hồi quy tuyến tính đa biến cho thông số Clo của nước sông Vàm Cỏ Tây. Đầu tiên, kiểm tra các dữ liệu không có khả năng cung cấp thông tin thực hiện phương trình. Tiếp theo, chia dữ liệu thành 75% dữ liệu phân tích (351 quan sát) để dự báo, 25% còn lại là tập dữ liệu kiểm tra. Hệ số tương quan R được tính toán để xác định mối quan hệ giữa các biến trong dữ liệu, có thể kiểm tra điều này bằng cách sử dụng biểu đồ phân tán tạo ma trận biểu đồ phân tán cho các biến định lượng với biểu đồ mật độ. Kiểm tra phân phối của các biến độc lập và chuyển đổi các biến nếu cần thiết. Hệ tương quan là một số có giá trị từ -1 đến 1 cho biết ảnh hưởng của mối quan hệ giữa các biến. Giá trị hệ số tương quan bằng 1 tương quan thuận, giá trị bằng 0 cho thấy không có sự tương quan giữa các biến và giá trị bằng -1 tương quan âm khi một biến thay đổi thì các biến khác thay đổi theo hướng ngược lại (Kronthaler F, Zöllner S, 2021). Như vậy, có thể loại bỏ tiếp các biến có hệ số tương quan cao và cuối cùng xây dựng mô hình hồi quy tuyến tính đa biến, các giá trị Clo quan sát từ kết quả được so sánh cùng kết quả từ tệp dữ liệu kiểm định và cho thấy được kết quả dự báo của phương trình hồi quy đa biến. Tiến hành kiểm tra các giả định sử dụng phân tích hồi quy bội qua cách xác định: tính chuẩn sai số (2), tính độc lập (3), phương sai không đổi của các sai số (4) và đa cộng tuyến (VIF) (5) [29–31]. 3. KẾT QUẢ VÀ THẢO LUẬN Đối với tập dữ liệu dự báo, chúng ta điều tra tương quan giữa các biến số: nhiệt độ (x1), pH (x2), DO (x3), EC (x4), TDS (x5), NaCl- (x6), NO3-N (x7), NO2-N (x8), NH3-N (x9), SS (x10), COD (x11), BOD5 (x12), Fe (x13), PO43- (x14). Mối tương quan giữa biến phản hồi y và các biến dự báo tương đối cao tuy nhiên nghiên cứu lựa chọn các biến dự báo nhiệt độ (x1), NO2-N (x8), NH3-N (x9), BOD5 (x12), PO43- (x14) để loại bỏ vì sự tương quan các biến này cao hơn đối với các biến khác, các biến dự báo còn lại có thể xem xét giữ lại. Dữ liệu các biến dự báo và phương trình đã sửa đổi được lập công thức như sau: log(Cl-) = 0.44721 - 1.18271pH + 0.82610EC + 0.07979NO3 + 0.09170SS + 0.21925COD - 0.07610Fe (6) Bước đầu tiên trong việc giải thích phân tích hồi quy là kiểm tra giá trị p liên quan ở cuối mô hình. Giá trị p một mô hình xác định tầm quan trọng của mô hình so với một mô hình rỗng. Đối với mô hình tuyến tính, mô hình rỗng được định nghĩa là biến phụ thuộc bằng giá trị trung bình của nó. Trong các mô hình này có thể nhận thấy rằng giá trị p đều < e-5 điều này có ý nghĩa rất cao, giữa biến dự báo có quan hệ đáng kể. 665
Bảng 1. Kết quả mô hình hồi quy đa biến giữa các tập dữ liệu dự báo Tên biến Ký hiệu Hệ số hồi quy Mức ý nghĩa (P-value) Clo - 0.44721 0.0530* pH x2 - 1.18271 0.0303* EC x4 0.82610 < 2e-16 ** NO3 x7 0.07979 0.0381* SS x10 0.09170 0.0451* COD x11 0.21925 7.39e-05*** Fe x13 - 0.0761 0.0595* R2 = 0,7607 Số quan sát = 351 Ghi chú: *: có ý nghĩa thống kê tại α = 0,01; **: có ý nghĩa thống kê tại α = 0,05; ***: không có ý nghĩa thống kê Bảng 1 có kết quả R bình phương đại diện cho hệ số tương quan giữa các giá trị quan sát của biến kết quả (y) vì vậy R2 luôn dương nằm trong khoảng từ 0 đến 1. R2 còn đại diện cho tỷ lệ phương sai. Như vậy kết quả mô hình giữa biến Clo (y) và các biến dự báo đạt 0.7625 điều này có nghĩa 76,25% đánh giá được sự phù hợp của mô hình. Tuy nhiên, theo hình 3 cho ta nhận thấy các biến dự báo có ý nghĩa thực tế hơn đối với biến Cl- (y) là các biến pH (x2), EC (x3), NO3-N (x5), SS (x7), COD (x8) và biến Fe (x9) được thể hiện qua các dấu (*). Như vậy, với giả thuyết trên thì việc xả chất thải làm mềm nước hoặc ô nhiễm nước thải cũng có thể xâm nhập vào lưu vực sông. Đặc biệt, trong phân bón N - nitơ và P - phốt pho là một trong các chất dinh dưỡng thiết yếu được thêm vào để tăng độ phì nhiêu của đất ở các trang trại, vườn nhà và bãi cỏ. Tuy nhiên, giống như Nitơ và Phốt pho, Clorua có thể bị rỉ ra từ phân bón. Độ dẫn điện (EC) là mức độ truyền tải dòng điện của một chất. Các hạt tích điện nhỏ (được gọi là ion) giúp mang điện tích đi qua một chất; điều này cũng chứng minh được các chất ô nhiễm mang ion được dẫn qua việc xả nước thải ảnh hưởng lên sự thay đổi nồng độ Cl-. Hình 2 phân tích phần dư để kiểm tra các giả định trong phân tích hồi quy đa biến cho thấy các giả định về mô hình có thể đáp ứng. Biểu đồ Residuals vs Filted cho đường thẳng màu đỏ xấp xỉ ngang bằng 0 cho thấy mối quan hệ tuyến tính giữa các yếu tố dự báo và các biến kết quả có thể giả định. Hình 2. Phân tích phần dư 666
Biểu đồ vị trí theo tỷ lệ (Scale-Location) là biểu đồ hiển thị các giá trị phù hợp với mô hình hồi quy dọc theo trục x và căn bậc hai của các phần dư chuẩn hóa dọc theo trục y thể hiện tính đồng nhất của phương sai. Các phần dư được phân tán ngẫu nhiên xung quanh đường màu đỏ với độ biến thiên gần như bằng nhau ở tất cả các giá trị nhưng có 3 biến ở góc trên đường màu đỏ làm sai lệch đường ngang. Hình 3. Biểu đồ tương quan giữa các tập dữ liệu dự báo và quan sát Như vậy kết quả mô hình giữa biến Cl- (y) và các biến kiểm định đạt 0.7315 điều này có nghĩa 73,15% đánh giá được sự phù hợp của mô hình. 4. KẾT LUẬN Dựa trên kết quả thu được trong nghiên cứu này, có thể kết luận rằng mối quan hệ giữa các biến số: Clo (y), nhiệt độ (x1), pH (x2), EC (x4), TDS (x5), NaCl- (x6), NO3-N (x7), NH3- N (x9), SS (x10), COD (x11), Fe (x13), PO43- (x14) qua phương trình (6) (R2=76,25%), (7) (R2=73,15%) của mô hình hồi quy tuyến tính đa biến giải quyết được những khó khăn trong việc lấy mẫu, dự đoán được chất lượng nước khu vực sông Vàm Cỏ Tây. Đối với các nghiên cứu trong tương lai nên xem xét các yếu tố ảnh hưởng khác, vị trí khu vực khác và so sánh hiệu quả mô hình hồi quy tuyến tính đa biến với các mô hình phân tích thống kê khác nhau. TÀI LIỆU THAM KHẢO 1. Patrick H. (2014) Participation in climate adaptation in the Lower Vam Co River Basin in Vietnam. Routledge. (doi:10.4324/9781315780368-12) 2. Shukla M. (2018), Determination of chloride ion(cl-) concentration in ganga river water by mohr method at kanpur, india. Green Chemistry & Technology Letters 4, 06–08. (doi:10.18510/gctl.2018.412) 667
3. Mayer T, Snodgrass WJ, Morin D. (1999), Spatial Characterization of the Occurrence of Road Salts and Their Environmental Concentrations as Chlorides in Canadian Surface Waters and Benthic Sediments. Water Quality Research Journal 34, 545–574. (doi:10.2166/wqrj.1999.028) 4. Rebecca L, Hale, Peter M. Groffman, 2006 In press. Chloride Effects on Nitrogen Dynamics in Forested and Suburban Stream Debris Dams - Hale - 2006 - Journal of Environmental Quality - Wiley Online Library. See https://acsess.onlinelibrary.wiley.com/doi/abs/10.2134/jeq2006.0164 (accessed on 11 July 2022). 5. Cho JH, Ha SR. (2010) Parameter optimization of the QUAL2K model for a multiple-reach river using an influence coefficient algorithm. Science of The Total Environment 408, 1985–1991. (doi:10.1016/j.scitotenv.2010.01.025) 6. Ouma YO, Okuku CO, Njau EN. (2020) Use of Artificial Neural Networks and Multiple Linear Regression Model for the Prediction of Dissolved Oxygen in Rivers: Case Study of Hydrographic Basin of River Nyando, Kenya. Complexity 2020, e9570789. (doi:10.1155/2020/9570789) 7. Quang NH, Quinn CH, Carrie R, Stringer LC, Hue LTV, Hackney CR, Tan DV. (2022) Comparisons of regression and machine learning methods for estimating mangrove above-ground biomass using multiple remote sensing data in the red River Estuaries of Vietnam. Remote Sensing Applications: Society and Environment 26, 100725. (doi:10.1016/j.rsase.2022.100725) 8. In press. Pages from Tap chi KHKT Thuy loi &Moi truong so 42-4.pdf. 9. J OF, A TM, C.c A. (2020) Multiple Linear Regression (MLR) Model: A Tool for Water Quality Interpretation. Momona Ethiopian Journal of Science 12, 123–134. (doi:10.4314/mejs.v12i1.8) 10. In press. Statistical Methods in Hydrology and Hydroclimatology. See https://link.springer.com/book/10.1007/978-981-16-5517-3. 11. Schneider A, Hommel G, Blettner M. (2010) Linear Regression Analysis. Dtsch Arztebl Int 107, 776–782. (doi:10.3238/arztebl.2010.0776) 12. Tripepi G, Jager KJ, Stel VS, Dekker FW, Zoccali C. (2011) How to Deal with Continuous and Dichotomic Outcomes in Epidemiological Research: Linear and Logistic Regression Analyses. NEC 118, c399–c406. (doi:10.1159/000324049) 13. Lewis PAW. (1961) Distribution of the Anderson-Darling Statistic. The Annals of Mathematical Statistics 32, 1118–1124. 23. Durbin J, Watson GS. (1950) Testing for Serial Correlation in Least Squares Regression: I. Biometrika 37, 409–428. (doi:10.2307/2332391) 14. Breusch TS, Pagan AR. (1979) A Simple Test for Heteroscedasticity and Random Coefficient Variation. Econometrica 47, 1287–1294. (doi:10.2307/1911963) 15. Maaouane M, Zouggar S, Krajačić G, Zahboune H. (2021) Modelling industry energy demand using multiple linear regression analysis based on consumed quantity of goods. Energy 225, 120270. (doi:10.1016/j.energy.2021.120270) 16. Kronthaler F, Zöllner S. (2021) Testing Normal Distribution with RStudio. In Data Analysis with RStudio: An Easygoing Introduction (eds F Kronthaler, S Zöllner), pp. 59–63. Berlin, Heidelberg: Springer. (doi:10.1007/978-3-662-62518-7_5) 17. In press. Chlorides in Fresh Water. 18. Kronthaler F, Zöllner S. (2021) Linear Regression with RStudio. In Data Analysis with RStudio: An Easygoing Introduction (eds F Kronthaler, S Zöllner), pp. 87–106. Berlin, Heidelberg: Springer. (doi:10.1007/978-3-662-62518-7_7) 668