Nghiên cứu này sử dụng số liệu bụi mịn trong 3 năm từ năm 2016 đến năm 2018 của trạm quan trắc môi trường liên tục đặt tại Đại sứ quán Mỹ, kết hợp với các mô hình toán mã nguồn mở (Openair) trên nền chương trình R. Kết quả cho thấy nồng độ PM_2,5 tại Hà Nội giảm dần theo năm, lần lượt ở năm 2016, 2017, 2018 là 50,8 ± 36,3, 42,6 ± 35,2 và 40,7 ± 31,3µg/m³. Trong các giờ cao điểm từ 7h đến 9h sáng và 19h đến 22h tối nồng độ PM2,5 là cao nhất trong ngày. Vào cuối tuần và đầu tuần, nồng độ bụi mịn là cao hơn so với các ngày khác. Vào các tháng mùa hè, nhiệt độ cao, cường độ UV cao, phản ứng quang hóa mạnh làm giảm nồng độ bụi mịn. Hai mô hình nguồn tiếp nhận là CBPF (Conditional Bivariate Probability Function) và PSCF (Potential source contribution function) đã được áp dụng để xác định nguồn phát thải PM_2,5 tại Hà Nội. Hoạt động giao thông, mật độ dân cư, quá trình đô thị hóa và quá trình xây dựng các khu chung cư cao tầng là những nguyên nhân chính làm gia tăng nồng độ bụi mịn trong không khí. Bên cạnh đó, sự lan truyền chất ô nhiễm từ đông bắc Trung Quốc vào mùa Thu-Đông cũng là tác nhân làm tăng nồng độ PM_2,5 tại Hà Nội. Thực hiện đánh giá rủi ro sức khoẻ đối với công nhân làm việc ngoài trời theo các chỉ số HQ và ELCR. Chỉ số nguy hại HQ>1 ở cả 3 năm, cho thấy nguy cơ xảy ra rủi ro sức khoẻ là cao, trong khi đó, chỉ số vượt ngưỡng rủi ro gây ung thư (ELCR) ở mức độ chấp nhận được theo khuyến cáo của EPA-US.

1. MỞ ĐẦU

Bụi mịn có đường kích nhỏ hơn 2,5µm (PM_2.5) trong không khí ngày càng thu hút sự quan tâm của các nhà khoa học và cơ quan quản lý của thế giới nói chung và của Việt Nam nói riêng. PM_2,5 gây giảm tầm nhìn và đã được chứng minh là nguyên nhân gây ra một số bệnh liên quan hệ hô hấp, Alzheimer [1], tiểu đường tuýp 2 [2] và các bệnh liên quan đến phổi [3], [4]. Nguồn gốc của bụi mịn PM_2,5 có thể được phát sinh từ phát thải trực tiếp hoặc sinh ra do ô nhiễm thứ cấp hay do sự lan truyền các chất ô nhiễm trong không khí đưa bụi từ nơi này đến nơi khác. Thành phần hóa học trong bụi mịn PM_2,5 gồm các cation, anion, kim loại, hợp chất hữu cơ, sol khí… [5], [6].

Các nghiên cứu về bụi mịn ở Việt Nam trong những năm gần đây tập trung vào lấy mẫu bụi chủ động sau đó tính toán nồng độ trong không khí, đặc tính thành phần hóa học của bụi, sử dụng mô hình tính toán hay các phương pháp thống kê để tìm nguồn gốc phát thải. Một số nghiên cứu về bụi trong không khí của Việt Nam gần đây có thể kể đến như: Nhóm nghiên cứu của GS Nghiêm Trung Dũng, Trường Đại học Bách Khoa Hà Nội đã sử dụng cảm biến đo bụi mịn PM_2,5 của hãng Panasonic để đánh giá đặc tính của bụi theo thời gian. Sau 1 năm đo nồng độ bụi tại Hà Nội từ tháng 7/2016 đến 6/2017, kết quả thu được từ cảm biến có hệ số tương quan tốt với trạm quan trắc tự động liên tục (R² = 0,73), nồng độ bụi trung bình thu được cao nhất vào tháng 12 (62µg/m³), thấp nhất tháng 6 (19µg/m³). Kết quả nghiên cứu cũng chỉ ra có 13 lần xuất hiện sương mù với nồng độ PM_2,5 trong không khí cao hơn 100µg/m³ trong mùa khô (10/2016 – 7/2017) [7].

Nghiên cứu về thành phần hóa học trong bụi PM_2,5 và PM₁₀ tại Hà nội từ tháng 12/2006-2/2007 [8], kết quả nghiên cứu cho thấy các ion SO₄^2-, NO₃^-, NH₄⁺, Cl^-, và K⁺ chiếm thành phần chính trong bụi mịn PM_2,5. Mô hình PMF (Positive Matrix Factorization) và mô hình truy xuất sự lan truyền chất ô nhiễm trong không khí (HYSPLIT trajectories) cho thấy nguồn ô nhiễm thứ cấp đóng góp 40%, tiếp theo là hoạt động sống của con người 16%, giao thông 10%, muối biển 11%... Nguồn gốc bụi của Hà Nội được cho là từ hoạt động phát thải ở địa phương. Nghiên cứu khác về thành phần hóa học của bụi PM_0,1, PM_2,5 và PM₁₀ tại Hà Nội [9] cho thấy các bon hữu cơ, nguyên tố các bon và ô nhiễm thứ cấp ảnh hưởng đến nồng độ bụi tại Hà nội. Thời gian đốt rơm rạ quanh khu vực ngoại thành cũng làm gia tăng nồng độ bụi.

Nhóm nghiên cứu của Phùng Đức Hiển [10] về sự ảnh hưởng của điều kiện khí tượng đến nồng độ PM_2,5 và PM_2,5-10 cho thấy khi tầng đảo nhiệt xuất hiện, không khí tại bề mặt trái đất bị nén lại khiến sự khuếch tán của bụi giảm đáng kể. Điều này dẫn tới sự gia tăng nồng độ PM_2,5 và PM_2,5-10 ở Hà nội vào mùa thu và mùa đông. Nồng độ PM_2,5 trung bình từ 8/1998 đến 7/1999 là 36,1µg/m³. Các chất NO₃^-, SO₄^2- và NH₄⁺ là thành phần chính của bụi [11], [12].

Nghiên cứu về nguồn gốc bụi mịn PM_2,5 trên toàn cầu bằng cách quan trắc thành phần hóa học bằng vệ tinh kết hợp sử dụng mô hình làn truyền hóa chất toàn cầu cho thấy 50% bụi mịn PM_2,5 ở Việt Nam là do đốt nhiên liệu rắn (than đá, củi, rơm rạ...). Nồng độ PM_2,5 trung bình trong khí tại Hà Nội từ tháng 05/2015–03/2016 là 50,9 ± 7,5µg/m³ (đo qua vệ tinh) và 45,0µg/m³ (qua mô hình) [13].

Phương pháp mô hình PMF cũng đã được sử dụng để xác định nguồn gốc PM_2.5 ở Hà Nội giai đoạn từ 2001 đến 2008. Nồng độ trung bình PM_2,5 là (54 ± 33)μg/m³, cao hơn rất nhiều so với tiêu chuẩn của EPA-Mỹ (15μg/m³). Thành phần chính là NH₄⁺ (29%), tiếp theo là chất hữu cơ (28%), carbon đen (9,2%), bụi đất (8,9%). Nguồn gốc bụi như sau: giao thông 40%, đốt rác và than 30%, công nghiệp 19% và bụi thứ cấp gốc SO₄^2- là 7,8% [14].

Nghiên cứu này của nhóm đề cập đến xu thế, sự biến thiên theo thời gian và sử dụng mô hình để truy xuất nguồn gốc bụi mịn PM_2.5 ở Hà Nội.

2. THU THẬP SỐ LIỆU VÀ PHƯƠNG PHÁP

2.1. Thu thập dữ liệu

Số liệu PM_2.5 được lấy từ trạm quan trắc môi trường không khí của Đại sứ quán Mỹ ở Hà Nội (E21.021570; N105.818974) từ 01/01/2016 đến 31/12/2018, truy cập tại: https://www.airnow.gov/.

Số liệu về điều kiện khí tượng được thu thập từ trạm quan trắc khí tượng lắp đặt tại sân bay Nội Bài, truy cập tại: ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/.

2.2. Mô hình tính toán

Để tính toán và vẽ biểu đồ theo xu hướng, biến đổi theo thời gian, phần mềm mã nguồn mở R-Program và R studio được sử dụng. Gói phân tích dữ liệu Openair [15] đã được ứng dụng rộng rãi trong nghiên cứu về ô nhiễm môi trường không khí từ khi được công bố vào năm 2012 đến nay [16], [17], [18]. Openair cho phép phân tích dữ liệu lớn theo giờ trong nhiều năm.

Mô hình CBPF (Conditional Bivariate Probability Function) là một trong những mô hình nguồn tiếp nhận được sử dụng trong nghiên cứu này để tìm nguồn gốc làm gia tăng hàm lượng bụi mịn tại Hà Nội. Hàm nhị biến có điều kiện này sử dụng tốc độ gió như một biến thứ ba và được vẽ xuyên tâm trong vòng tròn bốn hướng như la bàn. Mô hình dựa trên số liệu là nồng độ chất ô nhiễm tại vị trí quan trắc, kết hợp điều kiện khí tượng, nó sẽ mô phỏng nguồn phát tán. Mô hình này được chạy trên chương trình R thông qua gói dữ liệu Openair [19]. Mô hình nguồn tiếp nhận PSCF (Potential source contribution function) sử dụng truy ngược quỹ đạo sự di chuyển của khối không khí 5 ngày ở độ cao 500m so với mặt đất. Số quỹ đạo được lấy từ trang mạng thông tin khí tượng thủy văn của Mỹ https://www.ready.noaa.gov/HYSPLIT.php. Thông qua phần mềm HYSPLIT (Hybrid Single-Particle Lagrangian Integrated Trajectory). Dựa vào thời điểm khối không khí đi qua các lưới khí tượng kết hợp với nồng độ chất ô nhiễm môi trường quan trắc được tại điểm cố định trên mặt đất ta có thể tính toán được hướng mang chất ô nhiễm đến. Để dễ quan sát và phù hợp với khí hậu đặc trưng của Hà Nội, mô hình PSCF được chia theo mùa trong năm.

2.3. Đánh giá rủi ro đến sức khỏe con người

Chỉ số rủi ro vượt ngưỡng gây ung thư (ELCR - Excess Lifetime Cancer Risk) và chỉ số nguy hại (HQ-Hazard quotient) đối với bụi mịn PM2,5 được tính toán và đánh giá [20] theo các công thức sau đây.

ELCR = LADD x SF           (1)

Trong đó LADD là lượng trung bình hàng ngày (µg/kg – ngày), hệ số SF tính bằng đơn vị (kg – ngày/µg).

Trong đó, C là nồng độ PM_2.5 (µg/m³), IR tỷ lệ hít thở (m³/ngày), ED thời gian phơi nhiễm (năm), EF là tần suất ô nhiễm (ngày/năm), BW trọng lượng cơ thể (kg), AT thời gian phơi nhiễm trung bình.

RFC đối với bụi mịn PM_2.5 là 5µg/m³, IR = 16m³/ngày đối với độ tuổi lao động từ 21 đến 61 tuổi, BW trọng lượng cơ thể trung bình 70kg, AT = 17885 ngày, UR = 0,008µg/m³, ED = 40 năm. EF = 365 ngày.

3. KẾT QUẢ VÀ THẢO LUẬN

3.1. Sự biến thiên nồng độ bụi mịn theo thời gian

Nồng độ trung bình và độ lệch chuẩn của PM_2.5 được thể hiện ở Hình 1. Nồng độ PM_2.5 lần lượt các năm 2016, 2017, 2018 là 50,8 ± 36,3, 42,6 ± 35,2 và 40,7 ± 31,3µg/m³. Như vậy, nồng độ PM_2,5 có xu hướng giảm nhẹ theo năm, tuy nhiên, vẫn cao hơn nhiều so với giá trị cho phép theo QCVN 05:2013/BTNMT (25µg/m³) và khuyến cáo của WHO (10µg/m³).

Bụi bẩn PM_2,5 nồng độ thay đổi theo tháng của 3 năm có thể hiển thị ở Hình 2 dưới đây, phù hợp với xu hướng chung của thế giới. Vào mùa hè (tháng 6,7) lượng mưa lớn, nhiều tia UV và tốc độ gió lớn, các phản ứng quang hóa xuất hiện mạnh mẽ đến nồng độ bụi bẩn. Ngược lại, vào mùa Đông và Xuân, nhiệt độ thấp nhưng độ ẩm cao, ít phản ứng quang hóa, trong không khí thành và tồn tại các sol khí chứa nhiều cation, anion và ô chất lượng, nồng độ cao bụi bẩn [21], [22].

Hình 3 cho thấy nồng độ bụi mịn ở Hà Nội theo giờ và theo ngày có sự thay đổi biến thiên rõ rệt, giờ cao điểm buổi sáng đi làm từ 7h đến 9h chất lượng không khí có hàm lượng PM_2,5 cao nhất trung bình năm giao động từ 60-65µg/m³. Giờ cao điểm buổi chiều từ 19h đến 22h, lượng người sau giờ làm đi về rải rác hơn, không tập trung như cao điểm lúc buổi sáng nên nồng độ bụi có cao so với các thời gian khác trong ngày nhưng vẫn thấp hơn giờ cao điểm buổi sáng, nồng độ trung bình năm trong khung giờ này khoảng từ 50-55µg/m³. Hình 3 bản đồ nhiệt cũng cho thấy ngày đầu tuần thứ 2 và cuối tuần có nồng độ bụi mịn cao hơn các ngày khác trong tuần. Điều này cũng phù hợp với thực trạng giao thông trong tuần ở Hà Nội: hoạt động giao thông tăng ở đầu tuần và cuối tuần, và giảm ở giữa tuần.

3.2. Đánh giá nguồn gốc bụi mịn tại Hà Nội theo mô hình CBPF

Kết quả xác định nguồn gốc bụi mịn của Hà Nội theo mô hình CBPF được thể hiện ở Hình 4. Tính trung bình theo năm thì 2016 cho thấy có ảnh hưởng từ phía Tây của Hà Nội ở những ngày có tốc độ gió lớn (12-14 m/s). Trong năm 2016, hàng loạt khu đô thị mới phía Tây Hà Nội như khu ngoại giao đoàn, khu tây hồ tây được xây dựng, đây được cho là một trong những nguyên nhân làm gia tăng nồng độ bụi mịn tại Hà Nội. Cả 3 năm đều có một xu hướng chung là ảnh hưởng bụi từ phía đông bắc và đông nam. Những năm gần đây, lưu lượng giao thông gia tăng ở các khu vực quanh đường vành đai 3 dẫn đến tình trạng ùn tắc thường xuyên. Mặt khác, mật độ xây dựng chung cư ở phía đông như đường Lê Văn Lương kéo dài, khu bán đảo Linh Đàm, khu Hà Đông đã làm cho mật độ dân cư tăng đột biến. Chính những nguyên nhân này đã làm cho khu vực đông bắc và đông nam Hà Nội trở thành nguồn bụi mịn lớn nhất.

3.3. Đánh giá nguồn gốc bụi mịn tại Hà Nội theo mô hình PSCF

Mô hình PSCF đã được áp dụng và tính theo mùa Xuân-Hè và Thu-Đông, kết quả chỉ ra ở Hình 5. Với tính toán khối không khí từ độ cao 500m bắt đầu từ điểm quan trắc là Đại sứ quán Mỹ truy ngược lại 5 ngày trước đó. Kết quả cho thấy khối không khí đưa bụi mịn đến Hà Nội vào mùa Thu-Đông chủ yếu là phía đông bắc, khu vực được cho là ô nhiễm cao như Bắc Kinh, Thượng Hải và Sơn Đông của Trung Quốc. Đây đều là những thành phố kinh tế trọng điểm, đặt nhiều khu công nghiệp, thương cảng và có mật độ dân số rất cao. Thu-Đông cũng là mùa mà Hà Nội ghi nhận ô nhiễm cao nhất trong năm. Ngược lại vào mùa Xuân-Hè, Hà Nội chịu ảnh hưởng của gió tây nam và đông nam, mang ít nguồn ô nhiễm hơn.

3.4. Ảnh hưởng đến sức khỏe người lao động ngoài trời

Kết quả tính toán các chỉ số ELCR và HQ cho từng năm được tập hợp ở Bảng 1. Chỉ số HQ >1: nguy cơ xảy ra rủi ro sức khoẻ là cao, ngược lại, HQ ≤1: là an toàn đối với sức khoẻ. Giá trị ELCR ≤10^-6: rủi ro ung thư chấp nhận được và ELCR>10^-6: rủi ro ung thư cao.

Bảng 1: Kết quả tính toán ELCR và HQ đối với người lao động làm việc ngoài trời

Từ Bảng 1, thấy rằng HQ đều lớn hơn 1, có nghĩa nguy cơ xảy ra rủi ro sức khoẻ là cao. Còn chỉ số ELCR ở mức chấp nhận được theo khuyến cáo của USEPA.

4. KẾT LUẬN

Nồng độ bụi mịn PM_2,5 ở Hà Nội có xu hướng giảm dần theo các năm. Trong giờ cao điểm, hoạt động giao thông đô thị tăng là nguyên nhân chính làm gia tăng nồng độ bụi mịn trong không khí. Thói quen đi lại của người dân vào các ngày làm việc và ngày cuối tuần tạo ra sự khác biệt về nồng độ bụi mịn theo ngày. Nhiệt độ, lượng mưa, tốc độ gió, lượng tia UV và phản ứng quang hóa làm giảm nồng độ PM_2,5 vào mùa hè. Mô hình xác định nguồn phát thải bụi mịn cho thấy có sự khác biệt của năm 2016 so với năm 2017 và 2018. Quá trình đô thị hóa phía tây Hà Nội, hoạt động của đường vành đai 3 và sự xuất hiện các khu chung cư ở phía đông bắc, đông nam Hà Nội góp phần đáng kể vào việc gia tăng nồng độ bụi mịn trong không khí. Bên cạnh đó, do sự lan truyền chất ô nhiễm đặc biệt là từ phía đông bắc Trung Quốc đã làm gia tăng nồng độ PM_2.5 ở Hà Nội đặc biệt vào mùa Thu-Đông. Rủi ro sức khoẻ đối với người lao động làm việc ngoài trời do phơi nhiễm với PM_2,5 là cao (HQ>1).

TÀI LIỆU THAM KHẢO

[1]. Jung, C.-R., Y.-T. Lin, and B.-F. Hwang (2015), "Ozone, particulate matter, and newly diagnosed Alzheimer's disease: a population-based cohort study in Taiwan". J. Alzheimers Dis. 44(2): p. 573-584.

[2]. Lai, Y.-C., et al. (2017), "Distribution and sources of atmospheric polycyclic aromatic hydrocarbons at an industrial region in kaohsiung", Taiwan. Aerosol Air Qual. Res. 17(3): p. 776-787.

[3]. Huang, F., et al. (2017), "Relationship between exposure to PM2.5 and lung cancer incidence and mortality: A meta-analysis". Oncotarget. 8(26): p. 43322-43331.

[4]. Raaschou-Nielsen, O., et al. (2013), Air pollution and lung cancer incidence in 17 European cohorts: prospective analyses from the European Study of Cohorts for Air Pollution Effects (ESCAPE). Lancet Oncol. 14(9): p. 813-822.

[5]. Squizzato, S., et al. (2013), "Factors determining the formation of secondary inorganic aerosol: a case study in the Po Valley (Italy)". Atmos. Chem. Phys. 13(4): p. 1927-1939.

[6]. Stockwell, W.R., et al. (2003), "The Treasure Valley secondary aerosol study II: modeling of the formation of inorganic secondary aerosols and precursors for southwestern Idaho". Atmospheric Environment. 37(4): p. 525-534.

[7]. Ly, B.-T., et al. (2018), "Characterizing PM2.5 in Hanoi with New High Temporal Resolution Sensor". Aerosol and Air Quality Research. 18(9): p. 2487-2497.

[8]. Hai, C.D. and N.T. Kim Oanh (2013), "Effects of local, regional meteorology and emission sources on mass and compositions of particulate matter in Hanoi". Atmospheric Environment. 78: p. 105-112.

[9]. Thuy, N.T.T., et al. (2018), "Mass Concentrations and Carbonaceous Compositions of PM0.1, PM2.5, and PM10 at Urban Locations of Hanoi, Vietnam". Aerosol and Air Quality Research. 18(7): p. 1591-1605.

[10]. Hien, P.D., et al. (2002), "Influence of meteorological conditions on PM2.5 and PM2.5−10 concentrations during the monsoon season in Hanoi, Vietnam". Atmospheric Environment. 36(21): p. 3473-3484.

[11]. Hien, P.D., V.T. Bac, and N.T.H. Thinh (2005), "Investigation of sulfate and nitrate formation on mineral dust particles by receptor modeling". Atmospheric Environment. 39(38): p. 7231-7239.

[12]. Bac, V.T. and P.D. Hien (2009), "Regional and local emissions in red river delta, Northern Vietnam". Air quality, atmosphere, & health. 2(3): p. 157-167.

[13]. Weagle, C.L., et al. (2018), "Global Sources of Fine Particulate Matter: Interpretation of PM2.5 Chemical Composition Observed by SPARTAN using a Global Chemical Transport Model". Environmental Science & Technology. 52(20): p. 11670-11681.

[14]. Cohen, D.D., et al. (2010), "Characterisation and source apportionment of fine particulate sources at Hanoi from 2001 to 2008". Atmospheric Environment. 44(3): p. 320-328.

[15]. Carslaw, D.C. and K. Ropkins (2012), openair — An R package for air quality data analysis. Environmental Modelling & Software. 27-28: p. 52-61.

[16]. Oduber, F., et al. (2021), "Characterization of aerosol sources in León (Spain) using Positive Matrix Factorization and weather types". Science of The Total Environment. 754: p. 142045.

[17]. Ropkins, K. and J.E. Tate (2021), "Early observations on the impact of the COVID-19 lockdown on air quality trends across the UK". Science of The Total Environment. 754: p. 142374.

[18]. Moufarrej, L., D. Courcot, and F. Ledoux (2020), "Assessment of the PM2.5 oxidative potential in a coastal industrial city in Northern France: Relationships with chemical composition, local emissions and long range sources." Science of The Total Environment. 748: p. 141448.

[19]. Uria-Tellaetxe, I. and D.C. Carslaw (2014), "Conditional bivariate probability function for source identification". Environmental Modelling & Software. 59: p. 1-9.

[20]. Yunesian, M., et al. (2019), "Exposure to high levels of PM2.5 and PM10 in the metropolis of Tehran and the associated health risks during 2016–2017". Microchemical Journal. 150: p. 104174.

[21]. Thang, P.Q., et al. (2020), "Monitoring of polycyclic aromatic hydrocarbons using passive air samplers in Seoul, South Korea: Spatial distribution, seasonal variation, and source identification". Atmospheric Environment. 229: p. 117460.

[22]. Thang, P.Q., et al. (2019), "Seasonal characteristics of particulate polycyclic aromatic hydrocarbons (PAHs) in a petrochemical and oil refinery industrial area on the west coast of South Korea". Atmospheric Environment. 198: p. 398-406.

TS. Phan Quang Thăng^1,2*, Phạm Thị Hồng², Vương Trần Quang¹, Trần Thị Thu Lan¹, Quách Trung Hiếu³

¹Viện Công nghệ môi trường, Viện Hàn lâm Khoa học và Công nghệ Việt Nam,

1. ² Học viên Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam,
2. ³ Học Viện an ninh Nhân dân.