Luận án Ứng dụng kỹ thuật hạt nhân để nghiên cứu ô nhiễm kim loại nặng trong không khí tại Hà Nội dùng chỉ thị rêu sinh học

dụng để phân tích các loại mẫu sau: 
- Mẫu dày là mẫu có tính đến sự suy giảm và hấp thụ của chùm tia X khi đi 
trong mẫu. 
- Mẫu mỏng là mẫu không tính đến sự suy giảm năng lượng của chùm tia X 
khi đi trong mẫu, đối với loại mẫu này hiệu ứng ma trận có thể bỏ qua. 
- Mẫu lớp thường ít được sử dụng. 
 Trong tất cả các trường hợp trên, phổ PIXE sẽ được khớp bởi một mô hình 
tính toán và đưa ra hàm lượng nguyên tố có mặt trong mẫu. Trong khuôn khổ 
luận án này, kỹ thuật phân tích PIXE được sử dụng để phân tích các nguyên tố 
có trong mẫu dày, cụ thể là mẫu rêu bằng phương pháp tuyệt đối. Đây là phương 
pháp đòi hỏi có các thông số và các bố trí hình học trước khi tính toán hàm 
lượng. 
 56 
 Tổng số đếm của đỉnh phổ tia X đặc trưng của nguyên tố được gọi là suất 
lượng hay hiệu suất phát Y của vạch  và là tích của 5 đại lượng: 
 . . . .
4
p zY N n   

= (2.21) 
trong đó,  là góc khối chắn bởi đầu dò tại mẫu. 
 Np là số proton tới mẫu. 
 nz là số nguyên tử trên đơn vị diện tích của mẫu có số nguyên tử Z. 
  là tiết diện tạo ra vạch  của tia X. 
  là hiệu suất xác định đối với vạch  của tia X. 
 Đối với mẫu mỏng, khối lượng mặt của nguyên tố cần phân tích, mz (g.cm-2) 
được tính như sau: 
0
.z z
z
A n
m
N
= (2.22) 
trong đó, Az là khối lượng nguyên tử của nguyên tố trong mẫu; N0 là số 
Avogaro. Số proton tới mẫu, Np, có thể đo trực tiếp hoặc gián tiếp. Do proton là 
điện tích dương nên Np thường được đo bằng bộ tích điện. Số điện tích, pQ (C), 
tích lũy bởi Np proton là: 
 131,60210 10p pQ N
−= (2.23) 
 Phương pháp xác định giá trị Np có thể thực hiện trực tiếp bằng việc tích hợp 
bộ tích điện vào cốc Faraday (đối với mẫu mỏng) hoặc vào giá đỡ mẫu (đối với 
mẫu dày). Giá trị Np có thể xác định gián tiếp thong qua đo proton tán xạ ngược 
từ mẫu. 
 Tiết diện sinh tia X,  
 . .s s r   = (2.24) 
trong đó, s là tiết diện ion hóa lớp vỏ s (s = K, L, M); s là hiệu suất quang 
điện; r là phân số độ rộng bức xạ vạch  của tia X. 
 Tiết diện ion hóa, s, là hệ số xác suất và có kích thước diện tích. Tích nz.s 
đại diện cho xác suất một proton đánh bật một electron ở lớp vỏ s. Ở đây, s là 
một hàm của năng lượng proton tới và có thể xác định bằng lý thuyết dựa trên 
phương pháp tính tiết diện cho chỗ trống tạo ra ở lớp vỏ trong. 
 Hiệu suất huỳnh quang lớp vỏ K: 
 KK
K
I
N
 = (2.25) 
 57 
trong đó, Ik là tổng số tia X lớp vỏ K phát ra từ mẫu và Nk là số lỗ trống trong 
lớp vỏ K. Việc tính hiệu suất huỳnh quang lớp vỏ L phức tạp hơn so với lớp K 
do có sự chuyển dời Coster Kronig giữa các lớp vỏ thứ cấp. Các chuyển dời 
electron khi nguyên tử giảm kích thích được chi phối theo quy tắt lựa chọn sau: 
1
1
1,0
n
l
j
 = 
 = 
 (2.26) 
trong đó, n, l, j lần lượt là số lượng tử chính, số lượng tử quỹ đạo và số lượng tử 
toàn phần. Các electron lấp đầy các chỗ trống của lớp vỏ trong có thể đến từ một 
hoặc nhiều lớp vỏ ngoài theo như quy tắt chọn lựa nhưng với những xác suất 
khác nhau chính là phân số độ rộng bức xạ vạch  , r , của tia X. 
 Hiệu suất ghi  của các đầu dò tia X phụ thuộc vào năng lượng tia X và 
được xác định bằng lý thuyết dựa theo các thông số (độ dày của điốt Si, của sổ 
Be hay lớp chết Si) được cung cấp bởi nhà sản xuất. Tuy nhiên, việc chuẩn 
hiệu suất  bằng thực nghiệm sử dụng các đồng vị chuẩn (Bảng 2.1) thường 
được sử dụng hơn. 
Bảng 2.1. Một số đồng vị dùng để chuẩn năng lượng và hiệu suất trong PIXE. 
Đồng vị Chu kỳ bán rã (năm) Năng lượng (keV) 
55Fe 2,737 5,864 
6,485 
57Co 5,2714 6,371 
7,024 
14,361 
241Am 432,2 11,861 
13,936 
17,727 
20,766 
26,305 
 Mối liên hệ giữa hiệu suất phát tia X và khối lượng mặt 
 . . . .p zY Q m y  =  (2.27) 
 với, 0
13
.
4 .1,60210 10 . z
N
y
A



=
 (2.28) 
 58 
 Từ đây ta có công thức tính khối lượng mặt mz (g.cm-2) của nguyên tố trong 
mẫu mỏng: 
. . .
z
p
Y
m
Q y

 
=

 (2.29) 
 Đối với mẫu có độ đày trung bình và dày, phông nền tán xạ Bremsstralung có 
thể lớn, đặc biệt trong vùng năng lượng thấp sẽ gây ra giảm giới hạn xác định 
đối với các nguyên tố nhẹ cũng như giảm độ nhạy đối với các nguyên tố có số Z 
trung bình và cao. Do đó để giảm phông vùng năng lượng thấp, một tấm lọc kim 
loại hoặc plastic với bề dày thích hợp được đặt giữa đầu dò và mẫu. Nếu sử 
dụng tấm lọc, Cần phải hiệu chỉnh lại hiệu ứng tự suy giảm trong tính hàm 
lượng nguyên tố. công thức 2.29 được viết lại như sau: 
 𝐶𝑧 =
𝑌𝜐
𝛺.𝑄𝑝.𝜀𝜐.𝑦𝜐.𝑓𝑇
 (2.30) 
trong đó, fT là hệ số truyền qua tấm lọc như là một hàm của năng lượng tia X. 
 Công thức 2.30 đã bỏ qua sự đóng góp thứ cấp đến cường độ của quá trình 
tia X sinh ra từ các nguyên tố chính, tia X này bị hấp thụ ngay trong mẫu, kích 
thích phát huỳnh quang lên các nguyên tố khác. Quá trình phát huỳnh quang thứ 
cấp này phải được tính đến trong các chương trình tính hiệu suất phát tia X xuất 
phát từ hàm lượng của các nguyên tố. 
 Khi đo được suất lượng phát tia X và xác định được các hệ số, chúng ta có 
thể xác định được hàm lượng nguyên tố Cz bằng phần mềm xử lý số liệu đi kèm 
hệ phân tích. 
2.2.4. Giới hạn phát hiện trong phân tích PIXE 
 Giới hạn phát hiện là hàm lượng nhỏ nhất của một nguyên tố có thể phát hiện 
được. Từ các hiểu biết về tiết diện tạo tia X, tiết diện tạo phông, tỷ số giữa diện 
tích đỉnh tia X đặc trưng so với phông dưới đỉnh, có thể đánh giá được giới hạn 
phát hiện nguyên tố trong mẫu. Trong kỹ thuật phân tích PIXE, một nguyên tố 
được xem là phát hiện nếu cường độ nhỏ nhất của đỉnh bằng 3 lần căn phông tại 
vùng phân giải của đỉnh (FWHM), vì vậy giới hạn phát hiện được tính như sau: 
3 BG
LOD C
S
= (2.31) 
trong đó: S, BG là số đếm của đỉnh và phông tương ứng; C là hàm lượng đã biết 
của nguyên tố chuẩn. 
 59 
2.3. Phương pháp nghiên cứu tương quan hàm lượng các KLN trong rêu và 
mẫu sol khí 
Kể từ khi các nhà khoa học phát hiện ra khả năng sử có thể sử dụng rêu để 
giám sát ô nhiễm không khí, rất nhiều kết quả nghiên cứu về mối tương quan 
hàm lượng của các nguyên tố KLN trong rêu và trong không khí đã được công 
bố [110-113]. Các phương pháp nghiên cứu tương quan hàm lượng KLN trong 
rêu và trong không khí có thể phân chia thành hai loại chính sau: 
(1) Tương quan hàm lượng của các nguyên tố KLN trong các loại rêu và 
trong nước mưa. 
(2) So sánh hàm lượng của các nguyên tố KLN trong rêu với kết quả tính 
toán mô phỏng ô nhiễm không khí bằng các phần mềm. 
Các kết quả nghiên cứu cho thấy rõ sự tồn tại của các mối tương quan tuyến 
tính giữa hàm lượng của các nguyên tố KLN trong cả các loại rêu với hàm lượng 
của các nguyên tố này trong nước mưa. Các nghiên cứu đã rút ra kết luận: 
 - Số liệu về hàm lượng của các nguyên tố KLN trong rêu phản ánh số liệu 
về hàm lượng của các nguyên tố này trong không khí (vì hàm lượng của các 
nguyên tố KLN trong nước mưa chính là hàm lượng của các nguyên tố này 
trong không khí). 
 - Hàm lượng của các nguyên tố KLN trong hai loại rêu có tương quan khá 
tuyến tính với nhau nên có thể sử dụng chúng làm các chỉ thị ô nhiễm các 
nguyên tố KLN trong không khí. 
Trong khuôn khổ luận án, phương pháp nghiên cứu tương quan hàm lượng 
KLN trong rêu và trong không khí sử dụng các túi rêu treo tại các vị trí khảo sát 
cùng với việc thu thập các mẫu sol khí sử dụng bơm hút khí loại nhỏ tại cùng vị 
trí và trong cùng thời gian được đề xuất. 
2.4. Phân tích số liệu sử dụng các phương pháp thống kê 
 Các phương pháp này bao gồm phân tích thống kê mô tả trong đó các tham 
số chính được xác định bao gồm: trung bình, độ lệch chuẩn, các giá trị nhỏ nhất 
và lớn nhất, hệ số biến thiên, các hệ số độ lệch (skewness) và độ nhọn (kurtosis). 
Ngoài ra, để kiểm tra tính chuẩn của phân bố hàm lượng của các nguyên tố, 
phương pháp kiểm tra thống kê Shapiro Wilk được sử dụng. 
 60 
 Hệ số biến thiên CV được tính bằng công thức: 
 (%) 100CV
x

= (2.32) 
 Với  là độ lệch chuẩn và x là trung bình của mẫu. 
 Để sơ bộ đánh giá mức độ ô nhiễm của các nguyên tố trong không khí tại Tp. 
Hà Nội, hệ số ô nhiễm CF tính cho từng nguyên tố theo công thức sau: 
i
i
i
C
CF
BG
= (2.33) 
trong đó, các đại lượng Ci và BGi tương ứng là hàm lượng trung bình và hàm 
lượng phông nền (background concentration) của nguyên tố i. Hàm lượng phông 
nền của một nguyên tố là giá trị tham chiếu nằm trong ngưỡng các tiêu chuẩn về 
an toàn theo TCVN cho nguyên tố đó. Nguồn ô nhiễm khả dĩ của các nguyên tố 
khác nhau trong không khí ở Tp. Hà Nội được đoán nhận nhờ áp dụng phương 
pháp phân tích thống kê đa biến, cụ thể là phương pháp thành phần chính 
(PCA). 
 Kết quả tính hệ số ô nhiễm CF dùng công thức (2.33) cho từng nguyên tố. Do 
không có số liệu về hàm lượng nền của các nguyên tố trong không khí ở Tp. Hà 
Nội nên đại lượng BGi được ước lượng bằng cách lấy trung bình của 3 giá trị 
hàm lượng nhỏ nhất của nguyên tố tương ứng có trong các mẫu đã khảo sát. Giá 
trị của CF được dùng để phân loại mức độ ô nhiễm theo Bảng 2.2. 
 Bảng 2.2. Phân loại mức độ ô nhiễm theo hệ số ô nhiễm CF. 
Hệ số ô nhiễm Mức độ ô nhiễm 
CF ≤ 1 Không ô nhiễm. 
1 < CF ≤ 2 Có dấu hiệu ô nhiễm. 
2 < CF ≤ 3,5 Bắt đầu bị ô nhiễm. 
3,5 < CF ≤ 8 Tương đối bị ô nhiễm. 
8 < CF ≤ 27 Ô nhiễm nghiêm trọng. 
CF >27 Vô cùng ô nhiễm. 
 Đánh giá nguồn gốc phát tán các kim loại nặng bằng cách phân chia các 
chúng theo các nhóm có sự tương đồng hoặc phụ thuộc mật thiết với nhau trong 
quá trình vận chuyển trong môi trường. Phương pháp phân tích thống kê đa biến 
 61 
(Multivariate Analysis) là phương pháp toán học tìm mối quan hệ giữa các biến 
trong tập số liệu. Nó cho phép giảm hoặc đơn giản hoá kích thước tập số liệu, 
sắp xếp hoặc nhóm các số liệu thành nhóm có cùng thuộc tính, tìm ra sự phụ 
thuộc và quan hệ giữa các biến, xây dựng hoặc kiểm tra các giả thiết thống kê. 
Phân tích thống kê đa biến gồm các phương pháp chủ yếu như phân tích thành 
phần chính (Principal Component Analysis - PCA), phân tích nhân tố (Factor 
Analysis - FA) và phân tích nhóm (Cluster Analysis - CA). 
2.4.1. Phương pháp phân tích thành phần chính (PCA) 
 Phương pháp PCA là một trong những kỹ thuật xử lý số liệu đa chiều quan 
trọng nhất được sử dụng trong khoa học môi trường và nhiều lĩnh vực khoa học 
khác. Đây là phương pháp nhóm các đối tượng phân tích và rất hữu ích khi bảng 
dữ liệu có nhiều biến tham gia và đưa ra thành phần nào là chính trong bảng dữ 
liệu. Những nhân tố này sẽ góp phần lớn vào sự biến động của tập dữ liệu. 
Phương pháp này cho phép ta giảm thiểu đáng kể số chiều của tập số liệu bằng 
cách lập các tổ hợp tuyến tính từ tất cả các véctơ quan sát để hình thành một số 
véctơ số liệu mới có độ nhạy cao nhất đối với sự thăng giáng thống kê hay cấu 
trúc của tập số liệu. Các véctơ số liệu mới này được gọi là các thành phần chính 
PCA. Từ các hệ số tổ hợp tuyến tính sẽ xác định được các thành phần nguyên tố 
chính và mối tương quan đặc trưng giữa các thành phần chính này. Các tương 
quan đặc trưng khác nhau sẽ đại diện cho các nhóm mẫu có nguồn gốc xuất xứ 
khác nhau. Ngoài ra, có thể loại bỏ sự ảnh hưởng của các thành phần nguyên tố 
có trọng số tương quan thấp và gây phân tán (nhiễu) trong quá trình xử lý số 
liệu. mà không làm mất đáng kể lượng thông tin chứa thống kê của tập số liệu. 
 Phương pháp phân tích thành phần chính còn được gọi là phương pháp hồi 
qui cấu tử chính, cho phép giảm số biến trong tập số liệu, đưa về biểu diễn hai 
chiều hoặc 3 chiều từ tập số liệu đa chiều bằng cách tìm ra giá trị phương sai lớn 
nhất với số cấu tử chính (PC) ít nhất. Chấp nhận phương sai do mỗi biến mới 
gây ra để loại bớt các biến phía cuối dãy, giảm được kích thước của tập số liệu, 
mất ít nhất thông tin về các số liệu ban đầu. Tuy nhiên, PCA là phương pháp 
toán học đơn thuần, kết quả thu được bị ảnh hưởng rất lớn bởi tập số liệu ban 
đầu, do đó cần kết hợp với những kiến thức chuyên ngành để giải thích hiện 
tượng phù hợp 
 Các bước tiến hành phân tích thành phần chính: 
 62 
(1) Bước 1: Nhập các giá trị của biến độc lập dưới dạng ma trận ma trận gồm 
m hàng và n cột ( thông thường m là số phép đo, n là số biến trong hệ). 
(2) Bước 2: Tính ma trận đồng phương sai (hoặc ma trận hệ số tương quan) 
của ma trận số liệu ban đầu. 
(3) Bước 3: Tính vectơ riêng của ma trận và trị riêng (gọi là phương trình đặc 
trưng của ma trận đồng phương sai). 
(4) Bước 4: Chọn số thành phần và tạo vectơ đặc trưng, xếp chúng theo thứ 
tự từ cao xuống thấp để có thể nhận ra thứ tự có nghĩa của các thành phần 
và có thể loại bớt các thành phần ít có nghĩa mà không sợ bị mất thông tin 
về tập số liệu. 
(5) Bước 5: Chuyển hoá từ tập số liệu mới khi đã chọn được thành phần 
chính (vectơ riêng), muốn giữ trong tập số liệu và tạo được vectơ đặc 
trưng cần chuyển vị vectơ (transpose of the vectorr) và nhân nó với tập số 
liệu ban đầu. Khi đó, số liệu sau cùng = vectơ riêng đặc trưng hàng × số 
liệu hiệu chỉnh hàng. 
2.4.2. Phương pháp phân tích nhân tố (FA) 
 Phân tích nhân tố là phương pháp thống kê nhằm phát hiện mối quan hệ giữa 
các biến và thường được dùng để: Nhận dạng kết quả PCA; Giảm số biến 
trongviệc mô hình hoá số liệu thực nghiệm; Phát hiện mối quan hệ giữa các biến 
để phân loại biến; Chọn tập hợp con các biến từ tập hợp lớn các biến ban đầu có 
tương quan cao với các nhân tố chính; Thiết lập nhiều phép kiểm tra đo trên 
cùng yếu tố bằng cách đưa ra phán đoán; Nhận ra số nhóm có sai số thô; Xác 
định nhóm bằng cách xác định xem tập nào cùng kết hợp với nhau. 
 Các bước tiến hành phân tích nhân tố 
(1) Bước 1: Chọn tập số liệu để xử lý trong một miền xác định kiểm tra dữ 
liệu để tìm ma trận tương quan cho tất cả các biến. 
(2) Bước 2: Các nhân tố được trích ra từ ma trận tương quan dựa trên hệ số 
tương quan của các biến. 
(3) Bước 3: Các nhân tố trực giao theo thứ tự tối ưu hoá quan hệ giữa các 
biến. Xác nhận và độ tin cậy của các biện pháp. Cuối cùng là giải thích 
dựa trên kết quả và kiến thức chuyên môn. 
 Trong phân tích FA, phải đảm bảo rằng các mẫu được chọn dựa trên các 
thuộc tính có thể có đối với các biến và các yếu tố được đo. Các yếu tố sẽ thay 
 63 
đổi qua từng mẫu và các thời điểm đo, do đó các mẫu nên được kiểm tra trước 
khi được tổng hợp lại với nhau. 
2.4.3. Phương pháp phân tích nhóm (CA) 
 Phân tích CA là kỹ thuật phân tích đa biến nhằm phân loại số liệu thành các 
nhóm nhỏ hơn có tính chất giống nhau. Hai loại phân tích nhóm thường được sử 
dụng là nhóm theo bậc và nhóm k- trungbình (k-mean clustering). Nhóm theo 
bậc là tạo ra cây phân nhóm (cluster tree), tập số liệu lớn được chia thành các 
tập số liệu nhỏ hơn đến khi mỗi tập số liệu nhỏ chỉ còn một phần tử. Cây phân 
nhóm gồm nhiều bậc trong đó nhóm ở mức này được nối với với nhóm bên cạnh 
ở mức cao hơn. Điều đó cho phép quyết định mức hoặc thang chia nào của 
nhóm là phù hợp hơn. Việc chia nhóm là vấn đề quan trọng thường được dùng 
trong phân tích nhận dạng, phân tích hình ảnh và các đối tượng khác trong lĩnh 
vực khoa học và công nghệ. Nhóm theo k-trung bình là các phần tử trong tập số 
liệu được tách thành k nhóm, các phần tử cùng nhóm được kết hợp với nhau. 
Các bước tiến hành phân tích nhóm: 
(1) Bước 1: Tìm tính đồng dạng hoặc không đồng dạng giữa từng cặp biến số 
trong tập số liệu. 
(2) Bước 2: Nhóm các biến thành cây cụm bậc nhị nguyên (binary, 
hierarchical cluster tree) gọi là linkage: dùng thông tin khoảng cách tạo ra 
trong bước 1 để xác định độ gần nhau của các đối tượng cạnh nhau. Khi 
các đối tượng đựơc xếp cặp thành các nhóm nhị nguyên, các nhóm mới 
được tạo ra lại được nhóm thành các nhóm lớn hơn cho đến khi cây phân 
loại được tạo lập (có 3 loại nhóm: liên kết đơn, liên kết hoàn toàn hoàn 
toàn và liên kết trung tâm: single, complete, centroil). 
(3) Bước 3: Quyết định cây phân loại thành các cụm có tính chất giống nhau. 
2.4.4. Phương pháp xử lý thống kê đa biến (MCA) 
 Việc đánh giá chất lượng và quản lý ô nhiễm KLN trong không khí ngày 
càng trở nên quan trọng với mục đích kiểm soát nguồn phát tán KLN nhằm đảm 
bảo các chỉ tiêu môi trường. Số liệu khảo sát bằng các phương pháp phân tích là 
cơ sở số liệu về hàm lượng đa nguyên tố (~ 20 − 30 nguyên tố) trong một tập 
hợp mẫu nghiên cứu. Cơ sở số liệu này hàm chứa nhiều thông tin đặc trưng cho 
nguyên liệu làm ra chúng như thành phần các nguyên tố chính đại diện cho một 
nguồn nào đó, một lớp mẫu nào đó sự giống và khác nhau giữa các nhóm mẫu 
 64 
về nguồn gốc phát thải ô nhiễm. Với bộ số liệu nhiều chiều như vậy thì phân tích 
MCA là thích hợp nhất để xác định nguồn phát thải ô nhiễm. 
 Phương pháp truyền thống là so sánh giữa giá trị thực nghiệm với các giá trị 
chuẩn theo quy định để xác định mức độ ô nhiễm mà không thể đưa ra thông tin 
về nguồn phát thải ô nhiễm. Ngày nay, phân tích MCA được ứng dụng rộng rãi 
trong các ngành phân tích môi trường, địa lý, địa chất, hải dương học Trong 
đó, các phương pháp phân tích PCA, CA, FA được kết hợp cùng nhau để ứng 
dụng phân tích dữ liệu trong việc xây dựng các mô hình dự đoán quá trình vận 
chuyển các chất gây ô nhiễm, đóng vai trò quan trọng trong việc đánh giá nguồn 
gốc phát tán và kiểm soát các chất gây ô nhiễm môi trường. Các phần mềm 
thống kê STATISTICA và SPSS là lựa chọn tối ưu cho phân tích thống kê đa 
biến đối với nghiên cứu trong luận án, các phần mềm được sử dụng làm nền 
tảng cơ bản để phân tích thống kê đa biến (MSA – Multivariate Statistics 
Analysis) với các tùy chọn giao diện, hiển thị kết quả và cách trình bày phù hợp 
nhất từng nội dung nghiên cứu được chọn như phân tích cụm (CA - Cluster 
Analysis), phân tích thành phần chính (PCA), phân tích phương sai đa biến 
(MANOVA), PCA được áp dụng để giảm số chiều của một tập dữ liệu bao 
gồm một số lượng lớn của các biến liên quan. Những cắt giảm được thực hiện 
bằng cách chuyển đổi các dữ liệu vào một tập mới của các biến, các thành phần 
chủ yếu (PCA), đó là trực giao (không tương quan) và được sắp xếp theo thứ tự 
giảm dần tầm quan trọng. CA là phương pháp phân loại các đối tượng hay các 
biến sao cho các đối tượng trong cùng một cụm xét theo các đặc tính được chọn 
để phân tích. 
 65 
CHƯƠNG 3. PHÂN TÍCH HÀM LƯỢNG KIM LOẠI NẶNG TRONG 
MẪU RÊU BẰNG KỸ THUẬT HẠT NHÂN 
3.1. Thiết kế thực nghiệm, lựa chọn và chuẩn bị mẫu rêu 
3.1.1. Xác định khu vực khảo sát ô nhiễm không khí 
 Các địa điểm khảo sát, thu thập mẫu với các mức độ ô nhiễm khác nhau 
được lựa chọn trên địa bàn Tp. Hà Nội và một số khu vực lân cận, cụ thể là các 
khu vực có mật độ dân số cao, gần khu công nghiệp, có lưu lượng giao thông 
cao, có mật độ dân số thấp, và xung quanh là ruộng lúa... Điều này cho phép dễ 
dàng so sánh và đánh giá số liệu ô nhiễm tại các khu vực khác nhau. 
 Trong phạm vi của luận án, các nghiên cứu về ô nhiễm không khí sử dụng 
chỉ thị sinh học rêu được chia làm 2 đợt với hai phương pháp chỉ thị sinh học thụ 
động với loại rêu Barbula indica và chỉ thị sinh học chủ động bằng cách treo 
mẫu rêu Sphagnum girgensohnii. 
 Các khảo sát được chia làm 2 đợt: (1) xác định khu vực và thu thập mẫu rêu 
sống Barbula indica tại 27 địa điểm khác nhau tại nội thành Hà Nội và các vùng 
lân cận trong năm 2017 với vị trí lấy mẫu được đánh dấu trên bản đồ như Hình 
3.1; (2) Xác định khu vực, treo mẫu rêu Sphagnum girgensohnii tại 45 địa điểm 
quan trắc ở khu vực Tp. Hà Nội trong thời gian cuối năm 2017 đầu năm 2018. 
Các điểm quan trắc được đánh dấu trên bản đồ Hình 3.2. 
Hình 3.1. Các địa điểm lấy mẫu rêu Barbula indica tại khu vực Tp Hà Nội và 
một số vùng lân cận 
 66 
Hình 3.2. Vị trí các địa điểm treo túi rêu Sphagnum girgensohnii tại Tp. Hà Nội. 
3.1.2. Thu thập và xử lý mẫu đối với rêu Barbula indica 
 Việc sử dụng rêu Barbula Indica làm chỉ thị sinh học thụ động trong đánh 
giá ONKK được sử dụng khá phổ biến vì chúng hấp thụ các chất dinh dưỡng 
chủ yếu từ không khí và có khả năng tích tụ giữ lại nhiều nguyên tố cao. Việc 
thu thậ