Ước tính chỉ số tổng chất rắn lơ lửng trên các nhánh sông chảy qua tỉnh Bình Dương dựa trên dữ liệu viễn thám và phương pháp hồi quy đa biến

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:12

Thêm vào BST

Báo xấu

7
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích của bài nghiên cứu của chúng tôi là giúp mọi người có cái nhìn tổng quát về chất lượng nước trên lưu vực sông Đồng Nai – Sài Gòn và các nhánh phân lưu chảy qua tỉnh Bình Dương, nhóm nghiên cứu thực hiện ước tính nồng độ TSS bằng cách kết hợp việc sử dụng dữ liệu ảnh vệ tinh và dữ liệu quan trắc TSS, dùng phương pháp phân tích hồi quy tuyến tính đa biến để ước tính mức độ ô nhiễm của nồng độ TSS tại các nhánh sông chảy qua tỉnh Bình Dương trong giai đoạn 3 năm 2019 – 2022 và đề xuất các giải pháp quản lý.

Chủ đề:

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

Lưu

Nội dung Text: Ước tính chỉ số tổng chất rắn lơ lửng trên các nhánh sông chảy qua tỉnh Bình Dương dựa trên dữ liệu viễn thám và phương pháp hồi quy đa biến

ƯỚC TÍNH CHỈ SỐ TỔNG CHẤT RẮN LƠ LỬNG TRÊN CÁC NHÁNH SÔNG CHẢY QUA TỈNH BÌNH DƯƠNG DỰA TRÊN DỮ LIỆU VIỄN THÁM VÀ PHƯƠNG PHÁP HỒI QUY ĐA BIẾN Ngô Trần Sang1, Nguyễn Nhật Nguyên1, Nguyễn Thị Mai Thảo1, Nguyễn Thị Kim Trang1, Lê Trọng Diệu Hiền2* 1. Lớp D21QLMT0, Khoa Khoa học quản lý, Trường Đại học Thủ Dầu Một 2. Khoa Khoa học quản lý, Trường Đại học Thủ Dầu Một * Liên hệ email: hienltd@tdmu.edu.vn TÓM TẮT Tại Việt Nam, lưu vực sông Đồng Nai – Sài Gòn và các nhánh phân lưu có vai trò rất quan trọng trong sự phát triển kinh tế - xã hội của khu vực, tạo điều kiện để thúc đẩy tăng trưởng mạnh mẽ cho các lĩnh vực như công nghiệp, dịch vụ, sản xuất và dân sinh. Tuy nhiên, việc phát triển kinh tế và quá trình đô thị hoá diễn ra quá nhanh chóng khiến cho các vấn đề suy thoái môi trường và ô nhiễm ngày càng nghiêm trọng, đặc biệt là ô nhiễm TSS (tổng chất rắn lơ lửng) (Đào Xuân Học, 2006). Trong khi đó, việc áp dụng công nghệ viễn thám và sử dụng mô hình toán học để giám sát và đánh giá diễn biến chất lượng nước mặt ngày càng hiệu quả hơn. Viễn thám cung cấp cái nhìn khái quát về bề mặt trái đất, có thể cung cấp các xu hướng không gian và thời gian cần thiết cho việc giám sát và đánh giá chất lượng nước toàn diện; đặc biệt là chỉ số tổng chất rắn lơ lửng (Japitana Michelle, 2019). Bài nghiên cứu phân tích các vấn đề: (1) Phân tích diễn biến nồng độ TSS quan trắc trên lưu vực sông Đồng Nai – Sài Gòn giai đoạn 2019-2022; (2) Ước tính nồng độ TSS thông qua các chỉ số vật lý được trích xuất từ dữ liệu vệ tinh; (3) Đánh giá mức độ ô nhiễm của chỉ số tổng chất rắn lơ lửng dựa trên bản đồ phân vùng nồng độ ô nhiễm TSS. Kết quả từ bài nghiên cứu cho thấy, giữa dữ liệu quan trắc TSS thực tế và dữ liệu ước tính nồng độ TSS dự đoán có hệ số R2 = 0,7. Mục đích của bài nghiên cứu của chúng tôi là giúp mọi người có cái nhìn tổng quát về chất lượng nước trên lưu vực sông Đồng Nai – Sài Gòn và các nhánh phân lưu chảy qua tỉnh Bình Dương, nhóm nghiên cứu thực hiện ước tính nồng độ TSS bằng cách kết hợp việc sử dụng dữ liệu ảnh vệ tinh và dữ liệu quan trắc TSS, dùng phương pháp phân tích hồi quy tuyến tính đa biến để ước tính mức độ ô nhiễm của nồng độ TSS tại các nhánh sông chảy qua tỉnh Bình Dương trong giai đoạn 3 năm 2019 – 2022 và đề xuất các giải pháp quản lý. Qua đó, nghiên cứu cũng chứng minh tầm quan trọng, mức độ tin cậy cao và khả năng ứng dụng rất tiện lợi của dữ liệu viễn thám và mô hình hồi quy đa biến vào công tác quản lý tài nguyên nước mặt. Từ khóa: Nồng độ TSS, Dữ liệu viễn thám, Lưu vực sông Đồng Nai – Sài Gòn, Mô hình hồi quy tuyến tính đa biến. 1. ĐẶT VẤN ĐỀ Sự thay đổi môi trường và các tác động từ chúng đối với các hệ thống tự nhiên, kinh tế và xã hội con người là chủ đề nghiên cứu được quan tâm trong mọi lĩnh vực khoa học khác nhau. Trong đó, nước là nguồn tài nguyên có vai trò hết sức quan trọng đối với con người và mọi sinh vật khác trên Trái đất. Nước phục vụ cho con người trong mọi lĩnh vực, từ sinh hoạt đời sống hằng ngày cho đến các hoạt động sản xuất tạo ra hàng hóa để phát triển kinh tế (Terry và nnk, 2009; Yi Qian, 2016; Groenfeldt, 2016). Nhưng ở thời điểm hiện tại, sự ô nhiễm và thiếu hụt nguồn nước sạch đang được xem là vấn đề đáng bận tâm nhất. Nguyên nhân chủ yếu đến từ biến đổi khí hậu, việc gia tăng dân số, đô thị hóa, công nghiệp hóa và các hoạt động khai thác, sản xuất (William A Jury và nnk, 2005). Phần lớn các quốc gia trên thế giới, nguồn nước cung cấp cho các nhu cầu đô thị đang thiếu hụt và các ngành kinh tế bị ảnh hưởng nghiêm trọng bởi việc ô nhiễm nước. Ngoài công tác quản lý và xử lý 344
nước thải không đúng cách, một số bộ phận doanh nghiệp đã xả nước thải vào các vùng nước mặt, dẫn đến sự gia tăng các chất ô nhiễm. Mức độ ô nhiễm cao tại các con sông làm tăng hàm lượng tổng chất rắn lơ lửng. Các kim loại độc hại có trong nước như Cd, Cr, Ni và Pb làm ảnh hưởng đến đời sống sinh hoạt và sản xuất, môi trường sống của các động vật thủy sinh và thậm chí gây nguy hiểm đến sức khỏe con người (Odigie, 2014). Do đó, vấn đề quan tâm lúc này là cần có những biện pháp giám sát và cung cấp kịp thời những dữ liệu về động lực học tại các dòng sông để hỗ trợ cho quá trình hoạch định chính sách và ra quyết định phù hợp (Giardino và nnk, 2010; Morss và nnk, 2005). Tại Việt Nam, lưu vực sông Đồng Nai – Sài Gòn và các nhánh phân lưu có vai trò rất quan trọng trong sự phát triển kinh tế - xã hội của khu vực, có đủ các điều kiện để thúc đẩy tăng trưởng mạnh mẽ các lĩnh vực như công nghiệp, dịch vụ, sản xuất và dân sinh. Các con sông này giữ vai trò quan trọng trong nền kinh tế của cả nước, cụ thể chúng đóng góp 35% vào tổng GDP, riêng công nghiệp chiếm tỷ trọng 54% của cả nước (Đào Xuân Học, 2020). Tuy nhiên, với sự phát triển kinh tế và quá trình đô thị hoá diễn ra nhanh chóng đã khiến cho các vấn đề ô nhiễm ngày càng diễn biến phức tạp, đặc biệt là ô nhiễm nước mặt rất nghiêm trọng (Đào Xuân Học, 2020). Các dòng sông trên địa bàn tỉnh đã và đang chịu tác động mạnh mẽ từ các hoạt động công nghiệp và sự gia tăng dân số, điều đó dẫn đến một lượng rác thải tăng cao. Việc này chắc chắn tác động tiêu cực đến việc sử dụng nước và hệ sinh thái xung quanh sẽ bị ảnh hưởng nghiêm trọng. Bên cạnh đó, việc giám sát và dự đoán chất lượng nước mặt trên một lưu vực lớn rất phức tạp do sự biến thiên theo thời gian và không gian của vị trí giám sát (Singh Kunwar và nnk, 2004). Ngoài ra, để có thể xác định chính xác nồng độ TSS (tổng chất rắn lơ lửng) thì việc phân tích bằng các thiết bị chuyên dụng và hóa chất có thể gây tốn kém. Hơn thế nữa, địa hình sông tại Việt Nam rất phức tạp, việc này đã gây khó khăn rất lớn cho công tác thu thập và phân tích mẫu nước. Do đó việc xây dựng một mô hình toán học dùng để mô phỏng, xác định các yếu tố ảnh hưởng từ ô nhiễm là vô cùng cần thiết. Tuy nhiên, các phương pháp đánh giá chất lượng nước truyền thống còn tồn đọng nhiều hạn chế về máy móc, phương pháp và quy mô nghiên cứu so với thế giới, quan trọng nhất đó là chi phí để thực hiện. Phương pháp truyền thống cần có số lượng mẫu lớn và thời gian thực hiện khá lâu, điều này làm mất đi sự chính xác của mô hình nghiên cứu, kéo theo đó là hao tốn chi phí phát sinh (Graveline, 2010). Một biện pháp thay thế tốt hơn đó chính là công nghệ viễn thám. Công nghệ viễn thám mang lại rất nhiều ưu điểm như thu thập dữ liệu lớn, giảm chi phí và tiết kiệm thời gian hơn so với chụp ảnh trên không tại các khu vực địa lý rộng lớn, thậm chí nó còn có khả năng phân tích dữ liệu và giám sát những thay đổi của chúng theo thời gian (Stacy Ozesmi, 2002). Viễn thám cung cấp cái nhìn khái quát về bề mặt trái đất, có thể cung cấp các xu hướng không gian và thời gian cần thiết cho việc giám sát và đánh giá chất lượng nước toàn diện; đặc biệt là chỉ số tổng chất rắn lơ lửng (Japitana Michelle, 2019). 2. KHU VỰC, DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Khu vực nghiên cứu (a) (b) Hình 1. (a) vị trí địa lý của tỉnh Bình Dương; (b) vị trí của lưu vực sông Đồng Nai – Sài Gòn 345
Khu vực nghiên cứu gồm các phân lưu chảy từ LVS (lưu vực sông) Đồng Nai – Sài Gòn trải dài khắp địa phận tỉnh Bình Dương. Bình Dương là một tỉnh nằm ở miền Đông Nam Bộ với diện tích khoảng 2.695,2km2 (khoảng 0,83% diện tích tự nhiên của cả nước), nằm trong 11052’ – 120 18’ vĩ Bắc, 106°45'- 107°67'30" kinh độ Đông. Tỉnh Bình Dương có khí hậu nhiệt đới gió mùa, nóng ẩm với 2 mùa rõ rệt bởi đặc điểm tự nhiên đặc trưng cho vùng trung du tiếp giáp giữa vùng núi cao Nam Trường Sơn và đồng bằng thấp Nam Bộ. Khu vực nghiên cứu có hai hệ thống hồ thủy lợi lớn là hồ Dầu Tiếng và hồ Trị An, điều này đã giúp tỉnh Bình Dương có được tài nguyên nước vô cùng phong phú. Ngoài ra, tỉnh còn bao gồm các sông, suối với diện tích lưu vực trung bình nhưng khả năng bồi tụ rất lớn. Ba con sông chính là sông Sài Gòn, Đồng Nai và Sông Bé, những con sông chính này chảy qua và giữ vai trò quan trọng đối với tỉnh Bình Dương. 2.2. Dữ liệu Hình 2. Quy trình thực hiện nghiên cứu Nghiên cứu sử dụng kĩ thuật viễn thám và phương pháp phân tích hồi quy đa biến để ước tính ô nhiễm chỉ số tổng chất rắn lơ lửng dựa trên kết quả quan trắc nước mặt được quan trắc tại lưu vực sông Đồng Nai – Sài Gòn, đoạn chảy qua tỉnh Bình Dương. Quy trình thực hiện trong nghiên cứu này được trình bày trong hình 2. 2.2.1. Dữ liệu quan trắc Tại khu vực nghiên cứu có 34 trạm quan trắc, chúng được sử dụng cho mục đích thu thập mẫu và nằm trên các nhánh sông chính của khu vực nghiên cứu (Hình 3). Các mẫu nước được các chuyên gia quan trắc vào khoảng thời gian từ ngày 10 tháng 1 năm 2019 đến ngày 8 tháng 12 năm 2022, các mẫu nước được thu thập dựa theo TCVN: 6663-6:2018. Các giá trị của thông số TSS được trình bày trong bài nghiên cứu là kết quả phân tích tại phòng thí nghiệm từ các chuyên gia PTN-BREM thuộc Trung tâm Quan trắc Kỹ thuật Tài nguyên và Môi trường tỉnh Bình Dương cung cấp. Giá trị chỉ số đánh giá chất lượng nồng độ TSS trong các mẫu nước mặt có giá trị dao động trong khoảng 5-183 (mg/l). Trong đó, dữ liệu TSS được chia làm hai phần, 70% được dùng để xây dựng mô hình hồi quy đa biến và 30% dữ liệu TSS còn lại được sử dụng để kiểm tra độ tin cậy của kết quả từ mô hình hồi quy. Các mẫu TSS được sử dụng trong bài nghiên cứu là biến phụ thuộc, trong khi đó biến độc lập là các chỉ số vật lý được chiết xuất từ dữ liệu ảnh vệ tinh quang học. 346
Hình 3. Bản đồ thể hiện tọa độ các điểm quan trắc nước mặt 2019 – 2022 2.2.2. Dữ liệu viễn thám Trong phạm vi nghiên cứu, đề tài thu thập các dữ liệu viễn thám để thành lập bản đồ nước mặt và giám sát sự thay đổi chỉ số TSS trên LVS Đồng Nai – Sài gòn và các nhánh phân lưu chảy qua tỉnh Bình Dương. Nhóm tác giả sử dụng Landsat Collection 2 Level-2 chứa Landsat 8-9 OLI/TIRS C2 L2 để tính toán chỉ số tổng chất rất lơ lửng (TSS). Các cơ sở dữ liệu từ vệ tinh Landsat được cung cấp từ nguồn dữ liệu chính là Usgs Earth Explorer (Cơ quan Khảo sát Địa chất Hoa Kỳ). Trong đó, 22 ảnh viễn thám bao gồm các dải màu và kênh phổ được thu thập vào tháng 8 năm 2023 và điều chỉnh độ che phủ mây ở mức 30%. Bên cạnh đó, nhóm nghiên cứu lựa chọn các dữ liệu ảnh có độ phân giải không gian tốt và phạm vi quang phổ đủ rộng, việc này giúp tạo ra các chỉ số vật lí nhạy cảm với TSS có trong nước mặt. Trong nghiên cứu này, dữ liệu DEM được tải xuống từ USGS, trong đó nhóm tác giả sử dụng Digital Elevation, SRTM 1 Arc-Second Global. Các dữ liệu này được đưa vào nghiên cứu để phân tích chặt chẽ hơn về các yếu tố ảnh hưởng đến sự thay đổi của TSS trên các phân lưu LVS Đồng Nai - Sài Gòn đoạn chảy qua tỉnh Bình Dương, các yếu tố bao gồm như độ cao, độ dốc và hướng sườn. 2.3. Phương pháp nghiên cứu 2.3.1. Phương pháp chiết xuất chỉ số nước mặt từ dữ liệu viễn thám Mohammad và những người khác (2016) cho rằng các nghiên cứu về mối quan hệ giữa đặc tính quang phổ và các chỉ số vật lý dùng trong đánh giá chất lượng trong nước đã được nghiên cứu mạnh mẽ từ năm 1970, khi đó các vệ tinh quan sát bề mặt Trái Đất đang bắt đầu phát triển. Tính chất phản xạ quang học của nước chủ yếu phụ thuộc vào nồng độ và đặc tính của các chất có trong nước mặt. Ngoài ra, bộ cảm biến trên vệ tinh có khả năng đo lượng bức xạ mặt trời ở các bước sóng khác nhau và phản xạ ngược lại bởi tính chất của nước. Điều này có thể tương quan với các chỉ số vật lý đánh giá chất lượng trong nước, đặc biệt là TSS. Sau khi các tác giả thu thập dữ liệu viễn thám, nhóm tác giả tiếp tục sử dụng công cụ QGIS để xử lý các ảnh, dùng thuật toán Raster Calculator để tính toán các chỉ số đa phổ. Chín chỉ số bao gồm NDWI (chỉ số nước chênh lệch chuẩn hóa), MNDWI (chỉ số nước chênh lệch chuẩn hóa hiệu chỉnh), 347
WRI (chỉ số tỉ lệ nước), AWEI (chỉ số chiết tách nước tự động), MBWI (chỉ số nước đa kênh phổ), NSMI (Chỉ số trầm tích lơ lửng hiệu chỉnh), EGRI(Chỉ số tỷ lệ xanh nâng cao), NDVI (Chỉ số thực vật chênh lệch chuẩn hóa) và NDSSI (Chỉ số trầm tích lơ lửng chênh lệch chuẩn hóa). Theo nghiên cứu của Yong Yan và nnk (2023), nồng độ các chất ô nhiễm khác nhau trong nước sẽ dẫn đến sự khác biệt về đặc điểm bề mặt như màu sắc, độ đục và độ trong suốt, cũng như thay đổi đặc tính hấp thụ và phản xạ của nước, dẫn đến các đặc điểm quang phổ khác nhau trong hình ảnh. Chính vì lý do đó, nhóm nghiên cứu đã xây dựng 9 chỉ số đa phổ trên với mục đích tăng cường độ nhạy của các giá trị phản xạ quang phổ đối với các thông số TSS và đánh giá chính xác sự thay đổi của TSS theo thời gian và không gian. Nguyên nhân do các chỉ số vật lý này rất nhạy cảm với môi trường nước mặt và chúng được tính toán từ các kênh phổ Green, Red, NIR và SWIR (từ dải phổ màu xanh lam đến vùng sóng ngắn hồng ngoại). Chúng có tương quan chặt chẽ giữa phản xạ cột nước với các thành phần vật lí, sinh hóa, chất hữu cơ và tổng chất rắn lơ lửng tại các vùng nước (Đỗ Thị Nhung và nnk, 2021). Các chỉ số đa phổ này được tính toán dựa trên các band của ảnh Landsat 8 và tham gia vào mô hình ước tính ô nhiễm TSS (Bảng 1). Chín chỉ số trên được nhóm tác giả lựa chọn dựa theo các công trình nghiên cứu có liên quan (Acharya và nnk, 2018; Wang và nnk, 2018; Mustafa T. Mustafa và nnk, 2017; Biswas., 2004; Odigie., 2014). Bảng 1. Chín chỉ số vật lý chiết xuất từ dữ liệu vệ tinh Landsat 8,9 Chỉ số vật lí Mô tả Công thức NDWI Normalized Difference Water Index NDWI = GREEN−NIR GREEN+NIR MNDWI Modification Of Normalized Difference Water MNDWI = GREEN−SWIR1 GREEN+SWIR1 Index WRI Water Ratio Index WRI = GREEN + RED NIR+SWIR1 AWEI Automated Water Extraction Index AWEI = 4 ∗ (GREEN − SWIR2) − (0.25 ∗ NIR + 2.75 ∗ SWIR1) MBWI Multi – Band Water Index MBWI = 2 ∗ (GREEN) − RED − NIR − SWIR1 − SWIR2 NSMI Normalized Suspended Material Index NSMI = Red + Green − Blue Red + Green + Blue EGRI Enhanced Green Ratio Index EGRI = Green Coastal + Blue NDVI Normalized Difference Vegetation Index NDVI = NIR−Red NIR+Red NDSSI The Normalized Difference Suspended Sediment NDSSI = NIR−BLUE NIR+BLUE Index (Nguồn: Tác giả tổng hợp từ các nghiên cứu) 2.3.2 Phương pháp phân tích hồi quy tuyến tính đa biến Để xác định mối tương quan giữa các chỉ số vật lý được chiết xuất từ dữ liệu ảnh viễn thám (NDWI, MNDWI, WRI, AWEI, MBWI,……) và chỉ số TSS, nhóm tác giả dùng phương pháp hồi quy tuyến tính đa biến. Trong phương pháp hồi quy tuyến tính đa biến, nhóm tác giả tính toán hai chỉ số định lượng giữa giá trị thực đo và giá trị dự đoán bằng cách sử dụng phần mềm phân tích SPSS (IBM SPSS Statistics 26). Hồi quy tuyến tính đa biến được đề cập đến một kỹ thuật thống kê được sử dụng để dự đoán kết quả của một biến dựa trên giá trị của hai hoặc nhiều biến. Mối quan hệ giữa thông số TSS và các chỉ số đa phổ, địa hình được xác định thông qua phần mềm IBM SPSS Statistics 26 để phân tích thống kê bằng cách sử dụng phương pháp hồi quy tuyến tính đa biến (MLR). Trong đó, dữ liệu được chia ngẫu nhiên thành 2 tập dữ liệu, sử dụng 70% cho tập huấn luyện và đưa vào mô hình hồi quy để xác định các giá trị β. Phương trình hồi quy tuyến tính đa biến được tham khảo từ nghiên cứu từ trước có liên quan đến mô hình chất lượng nước như Mustafa và nnk (2019); Shivarajappa và nnk (2022); Đỗ Thị Nhung và nnk (2021), Japitana và nnk (2019), Rabia và nnk (2010), Ahamad và nnk (2015); và Narayanan và nnk (2015). Phương trình hồi quy tuyến tính đa biến được biểu diễn dưới dạng phương trình có công thức: 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽i(Xi) + ε (Mustafa và nnk, 2019) 348
Trong đó, mô hình được diễn đạt qua phương trình trên cho biết 𝑌 là biến phụ thuộc (TSS), 𝑋1, 𝑋2,…, 𝑋i là các biến độc lập (9 chỉ số đa phổ và 3 chỉ số địa hình), 𝛽0, 𝛽1, 𝛽2,…, 𝛽i là các tham số chưa biết và ε là sai số liên quan đến ước lượng của Y. Phương trình có nhiều biến X (X1, X2,… Xi) và mỗi biến có một thông số 𝛽i (i = 1,2,…,k) cần phải ước tính. Vì thế mô hình còn được gọi là mô hình hồi quy tuyến tính đa biến. Trong phương pháp phân tích hồi quy đa biến, để có thể xác định mức độ ảnh hưởng lên các biến, tác giả dựa vào các giá trị sau: (Ajitesh và nnk, 2023) N 1 RMSE = √ ∑(Mi − Pi )2 (Temeng, N i=1 2020) NRMSE = RMSE/(Mmax − (Temeng, 2020) Mmin ) 2.3.3 Phương pháp xử lý và thành lập bản đồ Sau khi đã có được phương trình, nhóm nghiên cứu tiến hành chồng các lớp chỉ số đa phổ trung bình theo từng năm để có lớp bản đồ phân bố hàm lượng TSS cuối cùng. Các bước trên được thực hiện bằng công cụ Raster Calculator trong phần mềm QGIS version 3.36. Bước tiếp theo, tác giả thực hiện cắt raster của bản đồ ước tính TSS theo ranh giới hành chính tỉnh Bình Dương và thay đổi màu sắc cho LVS Đồng Nai – Sài Gòn và các phân lưu theo nồng độ ước tính từ mô hình hồi quy. Việc phân loại màu sắc dựa theo phương pháp “natural break” trong nghiên cứu của Đỗ Thị Nhung và những người khác (2021). Bước cuối cùng là biên tập bản đồ ước tính nồng độ TSS tại khu vực nghiên cứu và đề xuất giải pháp thích hợp. 2.3.4 Phương pháp so sánh và phân loại mức độ ô nhiễm Dựa vào QCVN 08:2015-MT/BTNMT để tiến hành so sánh các giá trị đo đạc và giá trị dự đoán với các ngưỡng giá trị mà quy chuẩn Việt Nam cho phép. Từ kết quả so sánh, nhóm nghiên cứu xác định mục đích sử dụng và đề xuất giải pháp phù hợp. Nhằm mục đích hỗ trợ cho việc xây dựng các bản đồ ước tính ô nhiễm TSS từ mô hình hồi quy tuyến tính đa biến ở phần trên, nhóm tác giả sử dụng công cụ Raster Calculator trong phần mềm QGIS phiên bản 3.34.3 để tiến hành phân chia phạm vi cho nồng độ TSS. Trong đó, phạm vi giá trị được phân thành năm mức độ và dùng thuật toán "natural break" trong phần mềm QGIS 3.34.3. Các ngưỡng giá trị được hiệu chỉnh bởi những nhà nghiên cứu, chuyên gia trong lĩnh vực tài nguyên nước thuộc Trung tâm Quan trắc Kỹ thuật Tài nguyên và Môi trường tỉnh Bình Dương. Bảng 2 cho thấy, các mức độ ô nhiễm liên quan đến chỉ số TSS và được chia thành 5 mức độ ô nhiễm: (1) Rất thấp, (2) Thấp, (3) Vừa phải, (4) Cao, và (5) Rất cao. Bảng 2. Mức độ ô nhiễm TSS của khu vực nghiên cứu Rất thấp Thấp Trung Bình Cao Rất cao < 20 20 → 40 40 → 60 60 → 80 80 → 100 3. KẾT QUẢ VÀ THẢO LUẬN 3.1 Kết quả mô hình hồi quy tuyến tính đa biến ước tính tổng chất rắn lơ lửng Đối với tập dữ liệu tập huấn, chúng ta sẽ điều tra sự tương quan giữa biến phụ thuộc (TSS) và các biến độc lập. Với mục đích phân tích mối quan hệ giữa 12 biến độc lập (9 chỉ số đa phổ và 3 chỉ 349
số địa hình) và 1 biến phụ thuộc (TSS) nhằm đánh giá mức độ tác động của 12 loại biến này. Kết quả của mô hình hồi quy được tính toán thể hiện cụ thể ở bảng 3 và bảng 4. Bảng 3. Kết quả mô hình hồi quy tuyến tính đa biến giữa các tập dữ liệu tập huấn Hệ số Hệ số chưa chuẩn hóa Mô hình Hệ số chuẩn hóa Beta Giá trị t Ý nghĩa thống kê B Std.Error (hằng số) 278.145 28.112 9.894 0.000 AWEI -26.071 11.169 -0.205 -2.334 0.020 MBWI -48.780 18.816 -0.165 -2.593 0.010 MNDWI -96.828 19.878 -0.477 -4.871 0.010 NDSSI 171.067 28.157 1.099 6.076 0.000 NDVI -132.448 29.701 -0.781 -4.459 0.000 NDWI 351.503 37.805 1.897 9.298 0.000 NSMI -96.892 23.698 -0.426 -4.089 0.004 WRI -197.796 23.572 -1.189 -8.391 0.000 Sau khi lựa chọn các biến dự đoán trên, phương trình hồi quy tuyến tính đa biến chỉ còn lại các biến như bảng 3. Các biến còn lại (EGRI, độ cao, độ dốc, hướng sườn) đã bị loại ra khỏi mô hình do có hệ số tương quan cao, nhóm nghiên cứu thành lập phương trình hồi quy tuyến tính đa biến như sau: TSS = 278.145 - 26.071 * (AWEI) - 48.780 * (MBWI) - 96.828 * (MNDWI) + 171.067 * (NDSSI) - 132.448 * (NDVI) + 351.503 * (NDWI) - 96.892 * (NSMI) - 197.796 * (WRI) Bảng 4. Thống kê hồi quy của MLR để dự đoán TSS Multiple R 0.891 R bình phương 0.795 R bình phương hiệu chuẩn 0.791 Quan sát 551 RMSE = 1.051045 NRMSE = 0.004777 Hình 4. Biểu đồ phân tán giữa giá trị TSS dự đoán với giá trị TSS quan trắc 350
Hình 4 minh họa mối quan hệ giữa các chỉ số tổng chất rắn lơ lửng thực tế với các chỉ số tổng chất rắn lơ lửng dự đoán. Trong đó, các giá trị tập trung xung quanh đường chéo và ít có sự sai lệch. Biểu đồ cho thấy mô hình hồi quy trong nghiên cứu được xác định tốt. Trong đó, chúng thể hiện các giá trị dự đoán và thực tế có mối quan hệ tuyến tính cao, hệ số xác định (R 2) cao, cụ thể với R2 = 0,844. 3.2. Bản đồ phân vùng nồng độ TSS tại lưu vực sông Đồng Nai – Sài Gòn, đoạn chảy qua tỉnh Bình Dương Kết quả mô phỏng thông số TSS được tính toán từ dữ liệu ảnh vệ tinh Landsat 8 (OLI, TIRS) theo công thức tính toán TSS tại mục 3.1. Hình 5. Bản đồ phân bố không gian của nồng độ TSS năm 2019 Theo kết quả phân tích nước từ bản đồ phân bố hàm lượng TSS theo không gian năm 2019, ở các khu vực nội địa tỉnh Bình Dương, hàm lượng TSS dao động từ 5 – 278 (mg/L). Bản đồ phân bố TSS cho thấy, phạm vi từ 20 mg/L → 60 mg/L và nhỏ hơn 20 mg/L chủ yếu ở thành phố Thủ Dầu Một, thành phố Thuận An và thành phố Dĩ An. Phạm vi từ 60 mg/L → 80 mg/L tập trung phần lớn tại huyện Phú Giáo, huyện Bắc Tân Uyên, huyện Bàu Bàng, thành phố Bến Cát. Tuy nhiên, riêng ở phía thượng nguồn sông Sài Gòn thuộc huyện Dầu Tiếng có mức phạm vi 80 mg/L → 100 mg/L. Nguyên nhân chủ yếu làm gia tăng hàm lượng tổng chất rắn lơ lửng tại thượng nguồn sông Sài Gòn đến từ nước thải sinh hoạt và nước thải chăn nuôi gia súc từ các hộ gia đình và tình trạng khai thác cát trái phép. Theo báo cáo từ Lê Quang Minh (2018) cho biết, hiện chất lượng nước tại hồ Dầu Tiếng và thượng nguồn sông Sài Gòn đang bị đe dọa nghiêm trọng do các trại nuôi heo, cá, các cơ sở sơ chế mủ cao su, khoai mì đổ chất thải trực tiếp ra các dòng chi lưu. Trong đó, nguyên nhân cơ bản khiến hiện tượng nước hồ bị đục và tổng chất rắn lơ lửng gia tăng đến từ nạn khai thác cát trong lòng hồ, hoạt động khai thác cát không đúng công suất được cấp phép, tàu thuyền đủ loại kích cỡ qua lại thường xuyên trên hồ (Giang, 2018). Tại thượng nguồn sông Sài Gòn thuộc địa phận huyện Dầu Tiếng, tỉnh Bình Dương có đến 215 trại chăn nuôi gia súc và gia cầm (Hồng Nga, 2019). Tuy nhiên, phần lớn tại các khu chăn nuôi tập trung chưa đầu tư vào hệ thống xử lý chất thải. Bên cạnh đó, việc kiểm soát lượng nước thải và xử lý 351
chúng còn chưa được các cấp lãnh đạo địa phương quan tâm. Mặc khác, các vùng chăn nuôi vẫn còn tình trạng quy hoạch không đồng bộ. Một số khu chăn nuôi còn nằm xen kẻ trong khu dân cư cũng đang là mối nguy hại rất lớn, ảnh hưởng đến sức khỏe người dân và môi trường xung quanh. Ngoài ra, vấn nạn khai thác cát trái phép đang là vấn đề khó khăn cho công tác quản lý môi trường tại khu vực thượng nguồn sông Sài Gòn. Hoạt động khai thác cát khiến nước sông bị đục ngầu, ô nhiễm ảnh hưởng lớn đến việc sản xuất của nhiều người dân địa phương. Vấn đề khai thác cát tại sông Sài Gòn (hồ Dầu Tiếng) đang đe dọa đến sự ổn định bờ sông và sinh kế của người dân tại khu vực huyện Dầu Tiếng. Đặc biệt lưu vực sông Sài Gòn giữ vai trò rất quan trọng đối với đời sống xã hội và kinh tế, cụ thể chúng đóng góp rất lớn trong sự phát triển cho các hoạt động sản xuất và ổn định sinh kế cho người dân. Bằng việc sử dụng phương pháp điều tra khảo sát, nhóm nghiên cứu phân tích rằng khai thác cát làm mất đi việc làm của người dân, làm phát sinh các chất gây ô nhiễm sông, đặc biệt là làm gia tăng hàm lượng tổng chất rắn lơ lửng, tạo điều kiện cho các căn bệnh như bệnh sốt rét phát triển, gây ảnh hưởng tiêu cực đến sức khỏe dân cư sinh sống tại khu vực (Manoah Muchanga, 2019). Một nghiên cứu khác tại sông Kelantan (2013), kết quả của nghiên cứu đã chỉ ra rằng khai thác cát sông ảnh hưởng đến hệ sinh thái sông từ chuỗi thức ăn - thực vật thủy sinh - đến các cộng đồng đáy sông và cũng ảnh hưởng đến cá và động vật có vú bậc cao hơn. Nguyên nhân đến từ sự xáo trộn vật lý của trầm tích trong quá trình khai thác quá mức, trong khi nạo vét cát ảnh hưởng đến tổng chất rắn lơ lửng và làm tăng độ đục của nước. Sự gia tăng hàm lượng tổng chất rắn lơ lửng ảnh hưởng đến động vật phù du bằng cách giảm các hạt thức ăn và làm tắc nghẽn hệ thống thức ăn của sinh vật. Hình 6. Bản đồ phân bố không gian của nồng độ TSS năm 2022 Kết quả nội suy TSS phân bố trong nước mặt tại tỉnh Bình Dương năm 2022 được trình bày trong Hình 6. Giá trị hàm lượng tổng chất lơ lửng trong nước mặt khu vực tỉnh Bình Dương dao động từ 5 – 234 (mg/L), phạm vi từ 80 mg/l → 100 mg/l được tập trung phân bố chủ yếu ở các huyện như Dầu Tiếng, Bàu Bàng, Phú Giáo, Bắc Tân Uyên; phạm vi từ 60 – 80 (mg/L) tập trung ở thành phố Bến Cát và các thành phố như Thủ Dầu Một, Thuận An, Dĩ An. Hàm lượng tổng chất lơ lửng trong nước mặt phân bố cao ở vùng đầu nguồn và hạ được nguồn dọc theo hướng về Bắc Tân Uyên, TSS thấp hơn phân bố bên đất liền trong vùng ngập nước do nước cao vào các tháng mưa. Nguyên nhân do huyện Phú Giáo, tỉnh Bình Dương đang trên đà phát triển mạnh mẽ, là khu vực tập trung nhiều công ty, khu công nghiệp, nhà máy. Ngoài ra, huyện Phú Giáo tập trung lớn các 352
khu chăn nuôi gia súc, do đó nơi này thường xuyện bị ảnh hưởng bởi sự ô nhiễm đến từ hàm lượng TSS. Cụ thể, trên địa bàn xã An Linh, huyện Phú Giáo hiện có trên 20 trang trại chăn nuôi chưa được cơ quan chức năng của huyện và tỉnh cấp phép hoạt động (Quang, 2022). Các trang trại chăn nuôi này chưa được cơ quan chức năng chấp thuận phương án chăn nuôi cũng như đề án bảo vệ môi trường. Đây cũng chính là nguyên nhân khiến hàm lượng TSS gia tăng bởi hàng ngày lượng phân, lông của gia cầm, gia súc được thải xuống ao sau đó các trang trại này đã xả thải nước bẩn trong ao ra suối Nước Trong chảy về phía hạ lưu gây ô nhiễm môi trường tại huyện Bắc Tân Uyên. Bên cạnh đó, sự phát triển của các ngành công nghiệp vào năm 2022, nước thải công nghiệp ngày càng có các thành phần hóa chất nguy hiểm và độc hại, chúng không phụ thuộc hoặc cố định, tùy vào từng loại hình sản xuất công nghiệp khác nhau sẽ có thành phần khác nhau. Tuy nhiên phần lớn nước thải công nghiệp sẽ có các ion kim loại nặng như Fe, Pb, Hg, … và các loại chất rắn. Các nhà máy và cơ sở sản xuất công nghiệp tại huyện Bến Cát và Bàu Bàng thường xả thải chứa hóa chất độc hại, chất thải hữu cơ và vô cơ ra môi trường nước mà không qua quá trình xử lý hiệu quả. Các cơ sở công nghiệp có thể gặp phải các vấn đề kỹ thuật như rò rỉ hóa chất từ bể chứa, ống dẫn hoặc nổ rò của các cấu trúc công nghiệp, dẫn đến sự tràn vào môi trường nước. Phát triển quá mức của ngành công nghiệp có thể gây ra sự mất cân bằng sinh thái, làm thay đổi hệ thống sinh thái tự nhiên và dẫn đến sự suy giảm chất lượng nước (Lê Ánh, 2020). Qua 4 bản đồ phân vùng hàm lượng TSS theo không gian tại lưu vực sông Đồng Nai đoạn chảy qua tỉnh Bình Dương cho thấy, năm 2019 sự ô nhiễm từ hàm lượng TSS ít hơn bởi các ngành công nghiệp nặng và độc hại chưa có sự phát triển ồ ạt nhưng vẫn bị ô nhiễm cao ở khu vực thượng nguồn sông Sài Gòn bởi các hoạt động khai thác cát trái phép và chưa có hệ thống xử lý ô nhiễm cho các khu chăn nuôi phía hồ Dầu Tiếng. Năm 2022 tình trạng ô nhiễm TSS có xu hướng xấu hơn năm 2019 bởi sự gia tăng của các hoạt động sinh hoạt, sự quá tải từ các cơ sở y tế, bệnh viện và các công ty khử trùng. Việc sự quản lý thiếu chặt chẽ đã khiến vấn đề ô nhiễm có xu hướng tăng cao. Tuy nhiên, so với hai năm 2020 và 2021 hàm lượng TSS năm 2022 có chuyển biến tích cực hơn do kế hoạch giản cách xã hội và sự đóng cửa tạm thời từ các nhà máy, xí nghiệp. 4. KẾT LUẬN Nghiên cứu “Ước tính chỉ số tổng chất rắn lơ lửng trên các nhánh sông chảy qua tỉnh Bình Dương dựa trên dữ liệu viễn thám và phương pháp hồi quy đa biến” cho chúng ta cái nhìn khách quan về tình hình nước mặt trên lưu vực sông Đồng Nai – Sài Gòn, đoạn chảy qua địa bàn hành chính tỉnh Bình Dương giai đoạn 2019 – 2022. Kết quả từ mô hình hồi quy đa biến cho thấy, giữa TSS và các chỉ số vật lý có sự tương quan khá cao, cụ thể hệ số R2 = 0.795, RMSE = 1.05 và NRMSE = 0.004. Trong đó, các yếu tố khách quan từ địa hình gồm độ cao, độ dốc và hướng sườn không ảnh hưởng đáng kể đến sự gia tăng ô nhiễm TSS. Từ bản đồ phân bố không gian, hàm lượng TSS tập trung cao vào mùa khô, tại thượng nguồn sông Sài Gòn (2019), các khu vực nội thành và có xu hướng giảm dần về phía Nam tỉnh Bình Dương. Trong đó năm 2020 hàm lượng TSS vượt tiêu chuẩn mức B của QCVN 08:2015-MT/BTNMT. Từ những kết quả của nghiên cứu mang lại, ta có thể thấy được tính tiện lợi và hữu ích của công nghệ viễn thám và mô hình toán học trong việc quản lý tài nguyên nước. Tuy nhiên, nghiên cứu vẫn không thể tránh khỏi những hạn chế như: chất lượng ảnh Landsat 8 Collection 2 level 2 vẫn bị ảnh hưởng bởi vấn đề bão hòa của khí quyển, thời gian và chi phí nghiên cứu bị giới hạn do đó không thể đánh giá khách quan hơn về diễn biến ô nhiễm trên các phân lưu sông trên địa bàn tỉnh Bình Dương. Nhóm nghiên cứu đề xuất kiến nghị cho các nghiên cứu về sau nên sử dụng các loại ảnh khác nhau để giảm thiểu sự biến động từ khí quyển (Sentinel-2 hay Modis), phát triển các mô hình để loại bỏ sự ảnh hưởng của khí quyển để các nhà nghiên cứu có thể sử dụng ảnh viễn thám Landsat 8 trùng khớp với ngày quan trắc. 353
TÀI LIỆU THAM KHẢO 1. Bộ Tài nguyên và môi trường. (2023). QCVN 08:2023/BTNMT-Quy chuẩn kỹ thuật quốc gia về chất lượng nước mặt. Hà Nội: Bộ tài nguyên và môi trường. 2. Đào Xuân Học. (2006). Tài nguyên nước và vấn đề phát triển bền vững lưu vực sông Đồng Nai. Tạp chí Khoa học Kỹ thuật Thủy lợi và Môi trường(13), 3-11. 3. Đỗ Thị Nhung, N. T. (2021). Ước tính định lượng rủi ro ô nhiễm nước mặt dựa trên dữ liệu viễn thám quang học và phương pháp phân tích đa tiêu chí. Tạp chí khoa học trường đại học sư phạm tp Hồ Chí Minh, 18(12), 2283-2296. 4. Graveline, N. (2010). An operational perspective on potential uses and constraints of emerging tools for monitoring water quality. TrAc Trends in Analytical chemistry, 29(5), 378-384. 5. Groenfeldt, D. (2006). Multifunctionality of agricultural water: looking beyond food production and ecosystem services. Irrigation and drainage: the journal of the International Commission on Irrigation and Drainage, 55(1), 73-83. 6. Japitana Michelle, B. M. (2019). A satellite-based remote sensing technique for surface water quality estimation. Engineering, Technology & Applied Science Research, 09(02), 3965-3970. 7. King, M. (1981). The alternative Durbin-Watson test: An assessment of Durbin and Watson's choice of test statistic. Journal of Econometrics, 17(1), 51-66. 8. Liang & Wang. (2020). Atmospheric correction of optical imagery, in: Advanced Remote Sensing. Elsevier, 131-156. Retrieved from https://doi.org/10.1016/B978-0-12-815826-5.00004-0 9. Nguyễn Kỳ Phùng, L. T. (2012). Ứng dụng mô hình SWAT đánh giá tác động của biến đổi khí hậu đến dòng chảy lưu vực sông Đồng Nai. Tạp chí Khoa học và công nghệ Thủy lợi(12), 96-101. 10. Nguyễn Minh Kỳ, N. C. (2020). Hiện trạng áp lực xả thải và chất lượng nước mặt kênh rạch tại tp. Thuận An, tỉnh Bình Dương. Tạp chí Khoa học Công nghệ và Thực phẩm, 20(1), 46-59. 11. Nguyễn Thị Thanh Thúy, N. H. (2019). Ứng dụng mạng nơron hồi quy tổng quát và thuật toán nội suy đánh giá chất lượng nước mặt sông và các chi lưu sông Đồng Nai, tỉnh Bình Dương năm 2012 - 2018. Tạp chí Khoa học Trường Đại học Cần Thơ, 55(2), 85-95. 12. Odigie. (2014). Harmful effects of wastewater disposal into water bodies: a case review of the Ikpoba river, Benin city, Nigeria. Tropical Freshwater Biology(23), 87-101. 13. Phạm Thanh Lưu, N. T. (2020). Sử dụng ảnh Landsat 8 OLI để dự đoán tổng chất rắn lơ lửng (TSS) ở hồ Trị An, tỉnh Đồng Nai. Tạp chí Phát triển Khoa học và Công nghệ – Khoa học Tự nhiên, 4(1), 187- 195. 14. Rabia Koklu, B. S. (2010). Water Quality Assessment Using Multivariate Statistical Methods - A Case Study: Melen River System (Turkey). Water resources management, 24, 959 - 978. 15. Shivarajappa1, M. H. (2022). Multiple linear regression model to predict the water quality parameters of musi river near Hyderabad, India. International Journal of Civil Engineering and Technology (IJCIET), 13(3), 19-30. 16. Singh, Kunwar P, et al. (2004). Multivariate statistical techniques for the evaluation of spatial and temporal variations in water quality of Gomti River (India)—a case study. Water research, 38(18), 3980-3992. 17. Stacy Ozesmi, M. B. (2002). Satellite remote sensing of wetlands. Wetlands ecology and management, 10(5), 381 - 402. 18. Terry D. Prowse, C. F. (2009). Implications of climate change for economic development in northern Canada: Energy, resource, and transportation sectors. AMBIO: A Journal of the Human Environment, 38(5), 272-281. 19. Thạch, N. N. (2005). Cơ sở viễn thám. Hà Nội: Đại học quốc gia Hà Nội. 20. William A Jury và các cộng sự. (2005). The role of science in solving the world's emerging water problems. Proceedings of the National Academy of Sciences 102.44, 102(44), 15715-15720. 21. Yuan Ming, et al. (2007). Dimension reduction and coefficient estimation in multivariate linear regression. Journal of the Royal Statistical Society Series B: Statistical Methodology, 69(3), 329-346. 22. Giang, T. (2018, 05 21). Nguy cơ ô nhiễm nguồn nước hồ Dầu Tiếng. Retrieved 04 01, 2024, from Tây Ninh online: https://baotayninh.vn/nguy-co-o-nhiem-nguon-nuoc-ho-dau-tieng-a98655.html 23. Nguyễn Kỳ Phùng, L. T. (2012). Ứng dụng mô hình SWAT đánh giá tác động của biến đổi khí hậu đến dòng chảy lưu vực sông Đồng Nai. Tạp chí Khoa học và công nghệ Thủy lợi(12), 96-101. 24. Nguyễn Thị Thanh Thúy, N. H. (2019). Ứng dụng mạng nơron hồi quy tổng quát và thuật toán nội suy đánh giá chất lượng nước mặt sông và các chi lưu sông Đồng Nai, tỉnh Bình Dương năm 2012 - 2018. Tạp chí Khoa học Trường Đại học Cần Thơ, 55(2), 85-95. 25. Ánh, L. (2020, 04 14). Bình Dương: Nước ô nhiễm vượt chuẩn 75 lần, cá chết hàng loạt. Retrieved 3 354
18, 2024, from Pháp luật Bình Dương: https://plo.vn/binh-duong-nuoc-o-nhiem-vuot-chuan-75-lan-ca- chet-hang-loat-post571128.html 26. Binh Duong Department of Natural Resources and Environment. (2021, 2 12). Binh Duong continues to invest in implementing urban wastewater treatment projects in the province (in Vietnammes). Retrieved 4 9, 2023, from Environmental Protection Agency of Binh Duong province:https://stnmt.binhduong.gov.vn/chitiet-bai-viet/-/view- article/1/1541066076402/1633592031752 27. Chi, H. (2020, 07 21). Nhiều sông, suối ở Bình Dương đang bị 'đầu độc'? Retrieved 04 3, 2024, from Báo Tiên Phong: https://tienphong.vn/nhieu-song-suoi-o-binh-duong-dang-bi-dau-doc- post1258215.tpo 28. Giang, T. (2018, 05 21). Nguy cơ ô nhiễm nguồn nước hồ Dầu Tiếng. Retrieved 04 01, 2024, from Tây Ninh online: https://baotayninh.vn/nguy-co-o-nhiem-nguon-nuoc-ho-dau-tieng-a98655.html 29. Manoah Muchanga, S. (2021). Spatial and Seasonal Dynamics of Total Suspended Sediment, Total Dissolved Solids and Turbidity of a Lacustrine Reservoir in the Magoye Catchment, Southern Zambia. European Journal of Environment and Earth Sciences, 2(6), 43-48. 30. Trang, H. (2020, 03 05). Bình Dương: Hơn 500 DN có nguy cơ cao gây ô nhiễm ở thành phố Thuận An. Retrieved 04 02, 2024, from Báo Việt Nam plus: https://www.vietnamplus.vn/binh-duong-hon-500-dn- co-nguy-co-cao-gay-o-nhiem-o-thanh-pho-thuan-an-post776493.vnp#google_vignette 355