Nghiên cứu sự ảnh hưởng của thủy triều đến chất lượng nước sông Sài Gòn bằng phương pháp phân tích thống kê

^{* Nghiên cứu thực hiện trước 01/7/2025}

Tóm tắt

Nghiên cứu này khảo sát ảnh hưởng của dao động thủy triều trong chế độ bán nhật triều đến các thông số chất lượng nước trên sông Sài Gòn bằng cách sử dụng dữ liệu lấy mẫu 24 giờ. Kết quả chứng minh rằng sự thay đổi của thủy triều, đặc trưng bởi các giai đoạn thủy triều cao và thấp xen kẽ, ảnh hưởng đáng kể đến tốc độ dòng chảy, nồng độ chất dinh dưỡng và các thông số hóa lý. Phân tích thống kê cho thấy sáu mối tương quan đáng kể, bao gồm mối quan hệ chặt chẽ giữa nồng độ Silicate và EC, pH và TSS, cũng như mối tương quan nghịch giữa nồng độ Nitrate và EC. Việc chia tập dữ liệu thành hai khoảng thời gian 12 giờ cho thấy mối tương quan mạnh mẽ hơn khi thủy triều xuống nhỏ so với thủy triều xuống lớn. Đáng chú ý, mối tương quan giữa EC và Nitrate đã đảo ngược giữa hai giai đoạn lấy mẫu. Phân tích thành phần chính (PCA) đã xác định hai thành phần chính giải thích hầu hết phương sai trong tập dữ liệu. Trong đó thành phần chính thứ nhất, chiếm một nửa phương sai của tập dữ liệu và chỉ ra tương quan thuận với độ pH và EC nhưng tương quan nghịch với các chất dinh dưỡng như Nitrate và Phosphate. Thành phần chính thứ hai chiếm gần một nửa của tập dữ liệu còn lại và chỉ ra mối tương quan chặt chẽ với TSS và Ammonium. Biểu đồ kép PCA cho thấy sự khác biệt rõ rệt trong sự phân bố của các điểm lấy mẫu giữa khoảng thời gian lấy mẫu 12 giờ đầu và sau, trong đó các điểm thủy triều thấp nhất có ảnh hưởng đáng kể nhất đến các thành phần chính. Những phát hiện này nêu bật mối tương quan chặt chẽ giữa biến động thủy triều và chất lượng nước trong chế độ thủy triều bán nhật triều, cung cấp những hiểu biết sâu sắc có giá trị cho việc theo dõi và dự đoán chất lượng nước.

Từ khóa: Sông Sài Gòn, chất lượng nước, thủy triều, phân tích thống kê, PCA.

1. Giới thiệu

Sông Sài Gòn, chảy qua Thành phố Hồ Chí Minh, đóng vai trò là kênh dẫn nước thải sinh hoạt và công nghiệp, cũng như giao thông, từ các kênh rạch đô thị ra Biển Đông Việt Nam. Với lượng nước thải sinh hoạt chưa qua xử lý đổ ra sông Sài Gòn [1] và dự báo ô nhiễm sẽ gia tăng [2], việc nghiên cứu và quan trắc liên tục các thông số liên quan đến nước là rất quan trọng để hiểu được sự vận động của hệ thống sông. Bằng cách theo dõi sự thay đổi của các chỉ tiêu khác nhau, các nhà khoa học có thể tiếp cận mức độ ô nhiễm và phát triển các chiến lược hiệu quả để giảm thiểu tác động đối với các nguồn nước này. Một cách tiếp cận nghiên cứu phổ biến là thực hiện phân tích dữ liệu từ các thông số của nước và tích hợp dữ liệu đó với các phương pháp thống kê để đơn giản hóa, tổng hợp và dự đoán các biến đổi về chất lượng nước sông. Nhiều nghiên cứu đã tích hợp phương pháp Phân tích thành phần chính – Principal Component Analysis (PCA) vào quản lý chất lượng nước [3, 4]. Các nghiên cứu dựa trên thông tin của các thành phần chính từ phương pháp PCA sẽ giúp xác định các yếu tố cơ bản thúc đẩy sự thay đổi chất lượng nước trong các môi trường khác nhau. PCA được sử dụng một cách hiệu quả để thiết lập các trọng số và nhóm các thông số cần thiết để tính toán chỉ số chất lượng nước tưới tiêu [5]. PCA cũng giúp giải thích mối quan hệ phức tạp giữa các thông số chất lượng nước trong các hồ [6]. Liên kết với các nghiên cứu về việc sử dụng đất và các hoạt động xung quanh khu vực nghiên cứu, để giúp xác định các nguồn ô nhiễm chính ảnh hưởng đến chất lượng nước. Hơn nữa, chỉ số chất lượng nước hiệu chỉnh, thu được bằng cách sử dụng các thông số ảnh hưởng quan trọng được chọn thông qua PCA, có thể đưa ra đánh giá chính xác hơn về tác động của chất thải động vật [7]. PCA có thể được sử dụng để xác định xu hướng phân bố không gian của các thông số chất lượng nước từ việc thu mẫu nước của nhiều mặt cắt dọc theo sông [8], giúp xác định xem vị trí lấy mẫu quan trọng một mặt cắt ngang và vị trí mặt cắt ngang quan trọng dọc theo sông có ảnh hưởng đáng kể đến các thông số chất lượng nước hay không. PCA còn giúp hỗ trợ hiệu chỉnh các phương trình phù hợp để dự đoán như chlorophyll-a, oxy hòa tan và độ pH. Kết quả PCA cũng giúp chứng minh ảnh hưởng tiềm tàng của các hoạt động từ hoạt động nông nghiệp và xả thải công nghiệp xung quanh đến chất lượng nước bằng cách chỉ ra các yếu tố chất lượng nước vượt trội biến đổi theo mùa và không gian dọc theo kênh [9], chất lượng nước ngầm của vùng đồng bằng do nồng độ cao của Ca2+ , Mg2+ và SO4 2− , tất cả đều tương quan với thành phần chính thứ nhất từ phương pháp PCA [10].

Do đó, nghiên cứu này nhằm mục đích kiểm tra sự biến đổi dữ liệu và hiểu mối quan hệ giữa một số chỉ số nước trong khoảng thời gian lấy mẫu 24 giờ. Hai phương pháp thống kê sẽ được sử dụng trong bài nghiên cứu bao gồm: PCA và hệ số tương quan Pearson. Trong khi PCA sẽ được sử dụng để cung cấp thông tin chi tiết về cấu trúc cơ bản của dữ liệu, hệ số tương quan của Pearson định lượng độ mạnh và hướng của mối quan hệ giữa các biến. Nghiên cứu cũng sử dụng dữ liệu đo mực nước dưới dạng dữ liệu thô, tiền xử lý và hậu xử lý với độ phân giải 15 phút của Amaral và cộng sự [11] với dữ liệu thủy văn được thu thập tại 5 địa điểm dọc theo sông Sài Gòn trong khoảng thời gian từ 21/10/2022 đến 16/12/2022.

2. Địa điểm nghiên cứu và đo lường

Một đợt thu mẫu 24 giờ đã được thực hiện trên sông Sài Gòn tại điểm đo HOBO3 (10,829748°N; 106,709833°E, gần khu vực cầu Bình Lợi). Địa điểm nghiên cứu được mô tả là tương đối không bị ảnh hưởng bởi những cải tạo bờ sông và xả thải sinh hoạt ra sông từ các hoạt động thường ngày của người dân. Các mẫu nước được thu thập liên tục trong khoảng thời gian 24 giờ từ 10 giờ sáng ngày 30/11/2022 đến 10 giờ sáng ngày 1/12/2022, với các mẫu được lấy hai giờ một lần. Địa điểm ghi nhận không có mưa xảy ra trong suốt quá trình lấy mẫu, bảo đảm giá trị đo các thông số chính xác hơn. Theo đó, tổng cộng có 13 mẫu nước đã được thu thập và tiền xử lí tại chỗ. Sau khi được thu thập, các mẫu được lọc ngay lập tức qua màng GF/F (0,7 μm) để đo Tổng lượng chất rắn lơ lửng (TSS). Trong mỗi lần lấy mẫu, các chỉ số đo hóa lý cần thiết đã được thực hiện bao gồm Độ dẫn điện (EC) - µS/cm và độ pH bằng cách sử dụng máy đo đa thông số Multi-3620-IDS. Sau đó, các mẫu được bảo quản ở -20oC cho đến khi thực hiện phân tích tại phòng thí nghiệm. Các chất dinh dưỡng hòa tan được phân tích bao gồm Nitrate (NO3-N), Ammonium (NH4+-N), Phosphate (PO43--P) và Silicate (SiO2 -S) bằng phương pháp so màu. Trong đó, chỉ số Ammonium và Nitrate là các dạng thường gặp trong nước của hợp chất nitơ và là kết quả của quá trình phân hủy các chất hữu cơ hoặc do ô nhiễm từ nước thải. Chỉ số phosphate phản ánh sự đóng góp từ nước thải, thoát nước nông nghiệp, hoặc chất thải công nghiệp. Phosphate rất cần thiết cho sự phát triển của động thực vật, nhưng có nhiều phosphate trong nước có thể góp phần gây ra hiện tượng phú dưỡng. Nồng độ Silicate ảnh hưởng một phần đến sự phát triển của tảo cát và góp phần vào sự hình thành các trầm tích, làm ảnh hưởng đến hệ sinh thái của thực vật trong hệ thống sông [13]. Các phương pháp thống kê đã được sử dụng để kiểm tra một bộ thông số toàn diện gồm tám thông số này, cung cấp những hiểu biết có giá trị về mối quan hệ của các thông số chất lượng nước.

3. Phương pháp nghiên cứu

Các phương pháp phân tích thống kê được sử dụng trong bài nghiên cứu bao gồm hai phần: xác định hệ số tương quan Pearson giữa các cặp biến số và PCA. Đầu tiên là xây dựng ma trận tương quan để xác định mức độ mạnh và hướng của mối quan hệ tuyến tính giữa các cặp biến. Phổ biến nhất là sử dụng hệ số tương quan Pearson [1] (rXY) giữa hai biến x và y, được định nghĩa là bằng hiệp phương sai mẫu chia cho tích các độ lệch chuẩn mẫu đã được sử dụng.

Giá trị của hệ số tương quan nằm trong khoảng từ -1 đến 1, trong đó 0 cho biết không có mối tương quan giữa hai biến, +1 thể hiện tương quan thuận tuyệt đối và -1 thể hiện tương quan nghịch tuyệt đối. Giá trị p đi kèm với tính toán của Pearson cũng là một chỉ số đánh giá, kết luận một hệ số tương quan khác 0 là có ý nghĩa về mặt thống kê. Giá trị p được tính toán phức tạp từ hai biến gồm giá trị của hệ số tương quan và số lượng mẫu. Giá trị ngưỡng điển hình của giá trị p là 0,05, có nghĩa là nếu giá trị p nhỏ hơn 0,05 cho thấy hệ số tương quan giữa hai biến có ý nghĩa. Tóm lại, hệ số tương quan đo lường mối quan hệ giữa hai biến, trong khi giá trị p đánh giá ý nghĩa thống kê dựa trên bộ dữ liệu. Sử dụng kết hợp giữa hệ số tương quan và giá trị p kết luận một cách thống kê, một mối tương quan là có ý nghĩa giữa hai biến hay không.

PCA là phương pháp phân tích thứ hai giúp tìm mối quan hệ cơ bản giữa tất cả các biến bằng cách giảm tập dữ liệu có chiều dữ liệu lớn thành tập dữ liệu có chiều dữ liệu nhỏ hơn trong khi vẫn giữ lại hầu hết thông tin quan trọng trong tập dữ liệu gốc. Mục tiêu chính của phương pháp PCA trong nghiên cứu này nhằm xác định mối tương quan giữa các thông số chất lượng nước sông được đo trong bộ dữ liệu. Điều này được thực hiện bằng cách tìm biến mới gọi là Thành phần chính của tập dữ liệu. Đầu tiên, phương pháp tìm ra hướng trong tập dữ liệu (trong bài nghiên cứu là này các thông số chất lượng nước) giải thích nhiều nhất sự biến đổi (thành phần chính thứ nhất). Sau đó, thành phần chính tiếp theo được xây dựng giúp giả thích nhiều nhất sự biến đổi của tập dữ liệu còn lại, đồng thời độc lập với thành phần chính thứ nhất. Về bản chất, PCA biến đổi dữ liệu gốc thành một tập hợp biến mới dễ hiểu và phân tích hơn, đồng thời vẫn bảo toàn thông tin quan trọng nhất. Tương tự như vai trò của giá trị p trong ý nghĩa thống kê, giá trị riêng (Eigenvalues) đi kèm với phương pháp phân tích thành phần chính đánh giá mức độ ý nghĩa thống kê tương đối của từng thành phần chính. Một giá trị điển hình của giá trị riêng là xem xét các thành phần chính có giá trị riêng lớn hơn 1 thì có ý nghĩa và quan trọng về mặt thống kê.

4. Kết quả và thảo luận

Các biểu đồ minh họa mối quan hệ giữa sự thay đổi cao độ mực nước và chất lượng nước được thể hiện ở hình 1. Cao độ mực nước (nét đứt màu xám) được vẽ dưới nền để trực quan hóa giữa sự dao động của mực nước và các thông số chất lượng nước khác nhau. Thông tin mực nước cho thấy chế độ bán nhật triều rõ ràng, với hai lần thủy triều lên và hai lần thủy triều xuống trong 24 giờ. Những dao động mực nước này gây ra những thay đổi về lưu lượng dòng chảy, tạo ra các khoảng thời gian dòng chảy mạnh và yếu xen kẽ. Cụ thể, triều cường xảy ra vào khoảng 12h và 22h, trong khi thủy triều thấp xảy ra vào khoảng 4h và 16h. Sự biến đổi về mực nước do chế độ bán nhật triều gây ảnh hưởng rõ ràng đến nồng độ chất dinh dưỡng và các thông số lý hóa. Nhận xét rằng hình 1a cho thấy sự tương quan giữa mực nước và sự thay đổi độ dẫn điện (có liên quan trực tiếp đến độ mặn). Tuy nhiên, có sự dịch chuyển pha khoảng 4 tiếng giữa hai thông số này khiến kết quả phân tích tương quan Pearson có thể không phản ánh chính xác mối liên hệ thực tế.

Bảng 1 thể hiện ma trận với hệ số tương quan Pearson trong tập dữ liệu mẫu 24 giờ. Tổng cộng có sáu mối tương quan được xác định là có ý nghĩa thống kê, với giá trị p đạt ngưỡng nhỏ hơn 0.05. Hình cho thấy mối tương quan mạnh giữa nồng độ Silicate và ba thông số hóa lý: EC (-0,622), pH (-0,706) và TSS (0,628). Một mối tương quan nghịch mạnh cũng được quan sát thấy giữa nồng độ Nitrate và EC (0,669). Mối tương quan có ý nghĩa cuối cùng là mối quan tương quạn thuận giữa pH và EC (0,572). Sau đó, tập dữ liệu 24 giờ được chia thành hai giai đoạn bằng nhau với mỗi tập dữ liệu 12 giờ. Bộ dữ liệu kéo dài 12 giờ đầu tiên, bao gồm 7 điểm dữ liệu, được đặc trưng bởi sự dao động mực nước đáng kể và bao gồm mực thủy triều thấp nhất so với mực thủy triều thấp của tập dữ liệu 12 giờ sau. Ma trận tương quan (Bảng 2 và 3) được xây dựng cho cả hai khoảng thời gian để trực quan hóa lại mối tương quan giữa tất cả các biến trong mỗi tập dữ liệu.

Theo bảng 2 và 3, khoảng thời gian lấy mẫu 12 giờ sau có số lượng mối tương quan có ý nghĩa thống kê cao hơn so với khoảng thời gian lấy mẫu 12 giờ đầu, cho thấy mối quan hệ mạnh mẽ giữa các thông số khi triều xuống không đáng kể. Điều này cho thấy rằng tập dữ liệu 12 giờ đầu tiên chứa tỷ lệ lớn các tương quan yếu, điều này góp phần làm giảm tương quan tổng thể trong tập dữ liệu 24 giờ. Mối tương quan mạnh nhất được quan sát thấy giữa Ammonium và Nitrate trong tập dữ liệu 12 giờ sau. Ngoài ra, các mối tương quan mạnh đã được thể hiện giữa mực nước (WL) và Ammonium , TSS và Silicate, EC và pH, EC và Nitrate trong cả hai khoảng thời gian lấy mẫu 12 giờ. Trong số các mối tương quan này, mối tương quan giữa EC và Nitrate đã được quan sát thấy trong cả hai khoảng thời gian lấy mẫu 12 giờ và trong cả suốt 24 giờ, nhưng có sự tương quan đảo ngược: mối tương quan âm trong khoảng thời gian 12 giờ đầu tiên và mối tương quan dương trong 12 giờ sau.

Bảng 4. Tải thành phần chính của các thông số trong 24 giờ từ phương pháp PCA.

Để đánh giá mối tương quan giữa ảnh hưởng của thủy triều lên chất lượng nước, phương pháp PCA đã được tiến hành trên tập dữ liệu rút gọn chỉ còn 7 biến số từ 13 mẫu nước. Thông số mực nước đã được loại trừ trong việc xây dựng thành phần chính. Kết quả cho thấy hai thành phần chính đầu tiên có ý nghĩa thống kê cao, với giá trị riêng lớn hơn 1 (Bảng 4). Hai thành phần chính (PC1 và PC2) chiếm khoảng 70,92% tổng phương sai trích từ bộ dữ liệu với khoảng thời gian lấy mẫu 24 giờ. Thành phần chính đầu tiên (PC1) chiếm một phần đáng kể (50,77%) phương sai của dữ liệu. PC1 bị ảnh hưởng mạnh mẽ bởi gần như tất cả các biến số, bao gồm pH, EC, Nitrate, Phosphate và Silicate. Các thông số vật lý (pH, EC) thể hiện mối tương quan thuận với nhau và với PC1. Ngược lại, các thông số chất dinh dưỡng (Nitrate, Phosphate và Silicate) có tương quan nghịch với PC1. Thành phần chính thứ hai (PC2) đóng góp thêm 20,15% phương sai và tương quan thuận với TSS và Ammonium. Mối tương quan của tất cả các biến được quan sát thấy sự đối lập giữa PC1 và PC2. Điều này chỉ ra rằng TSS và Ammonium, có liên quan chặt chẽ với PC2, khác biệt với các thông số khác, có mối tương quan chặt chẽ với PC1.

Những mô tả đó có thể được nhìn thấy trên biểu đồ kép đặc trưng của phương pháp PCA (Hình 2). Biểu đồ kép minh họa mối quan hệ giữa các thông số chất lượng nước khác nhau và sự phân bổ mẫu nước trong khoảng thời gian 24 giờ trong không gian của hai thành phần chính. Hướng và độ lớn của các mũi tên trên biplot thể hiện sự đóng góp của từng biến đối với các thành phần chính đó. Nhìn chung, biểu đồ kép cho thấy sự phân bổ riêng biệt giữa dữ liệu được thu thập trong 12 giờ đầu và sau của khoảng thời gian lấy mẫu. Các điểm thủy triều xuống (4H, 6H, 8H, 10H) trong khoảng thời gian lấy mẫu 12 giờ đầu cho thấy tương quan mạnh đến hai thành phần chính đầu tiên (PC1 và PC2), trong khi các điểm còn lại được phân bố gần điểm gốc biểu đồ. Đáng chú ý, điểm 4H, có giá trị tương quan với PC1 và PC2 cao nhất thì tương ứng với điểm triều xuống thấp nhất trong khoảng thời gian 24 giờ khi so sánh với dữ liệu mực nước thực tế.

Kết quả phân tích PCA minh họa rõ ràng về tác động của thủy triều lên các chỉ tiêu chất lượng nước, ở đây, là khả năng hòa tan khi thủy triều lên. Trước khi nước biển xâm nhập, nồng độ các chỉ tiêu này tương đối cao và có mối tương quan cao với hai thành phần chính PC1 và PC2. Tuy nhiên, khi thủy triều lên, sự pha loãng của nước biển làm giảm đáng kể nồng độ của hầu hết các chỉ tiêu. Sự thay đổi này không chỉ phản ánh cơ chế pha loãng và khuếch tán dưới tác động của yếu tố thủy văn. Nghiên cứu này còn chỉ ra tầm quan trọng của việc quan trắc dữ liệu mực nước của sông tại điểm quan trắc lấy mẫu nước. Đặc biệt, các khoảng thời gian bán nhật triều xảy ra rõ rệt có mối tương quan đáng kể với sự thay đổi chất lượng nước. Đây có thể là một sự bổ sung thông số giúp cải thiện độ chính xác của các mô hình dự đoán chất lượng nước. Bằng cách kết hợp nhiều thông số chất lượng nước khác nhau và nhiều hơn, các mô hình nghiên cứu có thể đạt được sự đa dạng cao hơn và xác định phạm vi tương quan rộng hơn, từ đó tạo điều kiện thuận lợi cho việc áp dụng kỹ thuật học máy hoặc thống kê trong dự đoán chất lượng nước [14].

5. Phần kết luận

Kết quả của phương pháp phân tích thống kê thể hiện các mối tương quan tuyến tính giữa một số thông số chất lượng nước đo được từ sông Sài Gòn trong khoảng thời gian lấy mẫu xuyên suốt 24 giờ. Sự biến động của thủy triều còn ảnh hưởng đáng kể đến chất lượng nước thông qua sự thay đổi mối tương quan giữa các thông số chất lượng nước ở các khoảng thời gian triều khác nhau. Dựa trên hệ số tương Pearson, kết quả phân tích cho thấy mối tương quan mạnh giữa nồng độ Silicate và các thông số hóa lý như EC, pH và TSS. Ngoài ra, bài nghiên cứu thể hiện mối tương quan nghịch mạnh giữa nồng độ Nitrate và EC.

Phân tích hai khoảng thời gian lấy mẫu 12 giờ, đặc trưng bởi mực nước thay đổi khác nhau, làm nổi bật tác động của biến động thủy triều đến mối tương quan giữa các biến số. Khoảng thời gian lấy mẫu 12 giờ sau, khi mực nước thay đổi ít, cho thấy số lượng mối tương quan có ý nghĩa thống kê cao hơn so với khoảng thời gian 12 giờ đầu, cho thấy nhiều mối tương quan giữa các thông số với nhau khi dòng chảy yếu hơn. Phương pháp PCA làm sáng tỏ thêm ảnh hưởng của thủy triều đến chất lượng nước. Biểu đồ kép PCA cho thấy sự phân bố tách biệt rõ rệt giữa dữ liệu được thu thập trong 12 giờ đầu và sau. Các điểm thủy triều thấp nhất trong 12 giờ đầu tiên tương quan mạnh đáng kể đến các thành phần chính, cho thấy các thông số chất lượng nước có sự thay đổi đáng kể khi mực nước giảm mạnh. Nghiên cứu này nhấn mạnh tầm quan trọng của việc xem xét ảnh hưởng của thủy triều khi quan trắc và quản lý chất lượng nước ở các hệ thống sông chịu ảnh hưởng triều.

Lời cảm ơn: Nghiên cứu được tài trợ bởi Đại học Quốc gia Thành phố Hồ Chí Minh (ĐHQG-HCM) trong khuôn khổ Đề tài mã số: ĐA2024-20-01. Các tác giả cảm ơn các thành viên của CARE-RESCIF đã hỗ trợ việc thực hiện quan trắc và cung cấp thiết bị phân tích.

Tài liệu tham khảo

1.Đức Thịnh, N.V., et al., USING MULTIVARIATE STATISTICAL TECHNIQUES TO ASSESS WATER QUALITY OF THE SAIGON RIVER, VIETNAM. Journal of Environmental Science for Sustainable Society, 2022. 11: p. PP01_p1-PP01_p4.

2.Nguyen, T., et al., Nutrient budgets in the Saigon–Dongnai River basin: Past to future inputs from the developing Ho Chi Minh megacity (Vietnam). River Research and Applications, 2020. 36.

3.Fatima, U., et al., Geospatial assessment of water quality using principal components analysis (PCA) and water quality index (WQI) in Basho Valley, Gilgit Baltistan (Northern Areas of Pakistan). Environmental Monitoring and Assessment, 2022. 194.

4.Benkov, I., et al., Principal Component Analysis and the Water Quality Index-A Powerful Tool for Surface Water Quality Assessment: A Case Study on Struma River Catchment, Bulgaria. Water, 2023. 15: p. 1961.

5. Jahin, H., A. Abuzaid, and A. Abdellatif, Using multivariate analysis to develop irrigation water quality index for surface water in Kafr El-Sheikh Governorate, Egypt. Environmental Technology & Innovation, 2019. 17.

6. Sharma, P. and P. Bora, Water Quality Assessment Using Water Quality Index and Principal Component Analysis: A Case Study of Historically Important Lakes of Guwahati City, North-East India. 2020.

7. Zeinalzadeh, K. and E. Rezaei, Determining spatial and temporal changes of surface water quality using principal component analysis. Journal of Hydrology: Regional Studies, 2017. 13: p. 1-10.

8. Horvat, Z., et al., Multivariate Analysis of Water Quality Measurements on the Danube River. Water, 2021. 13: p. 3634.

9. Hammoumi, D., et al., Seasonal Variations and Assessment of Surface Water Quality Using Water Quality Index (WQI) and Principal Component Analysis (PCA): A Case Study. Sustainability, 2024. 16.

10. Ariman, S., et al., Assessment of Groundwater Quality through Hydrochemistry Using Principal Components Analysis (PCA) and Water Quality Index (WQI) in Kızılırmak Delta, Turkey. Water, 2024. 16: p. 1570.

11. Amaral, F., et al., Datasets of high-resolution water level and discharge from the Saigon-Dong Nai estuary system impacted by a developing megacity, Ho Chi Minh City - Vietnam. Data in Brief, 2023. 48: p. 109147.

12.Pullyottum Kavil, S., et al., Seasonal, weathering and water use controls of silicon cycling along the river flow in two contrasting basins of South India. Chemical Geology, 2022. 604: p. 120883.

13.Nguyen Khoi, D., et al., Using Machine Learning Models for Predicting the Water Quality Index in the La Buong River, Vietnam. Water, 2022. 14: p. 1552.

Nhóm tác giả: Nguyễn Trung Tín ^a , Lê Thị Minh Tâm ^a,b* , Hồ Tuấn Đức ^a,b , Nguyễn Thị Huyền Trang ^a,b

^{a Trung tâm Nghiên cứu về Nước khu vực Châu Á (CARE), Trường Đại học Bách khoa Thành phố Hồ Chí Minh (HCMUT), 268 Lý Thường Kiệt, Quận 10, Thành phố Hồ Chí Minh, Việt Nam.}

^{b Đại học Quốc gia Thành phố Hồ Chí Minh, Phường Linh Trung, Thành phố Thủ Đức, Thành phố Hồ Chí Minh, Việt Nam.}