(Luận văn thạc sĩ ) hệ thống hỗ trợ quyết định quản lý thông số độ ẩm trong nông nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH

-------- ∞0∞--------

ĐỖ KIM ĐOÀN

HỆ THỐNG HỔ TRỢ QUYẾT ĐỊNH QUẢN LÝ
THÔNG SỐ ĐỘ ẨM TRONG NÔNG NGHIỆP

LUẬN VĂN THẠC SĨ
KHOA HỌC MÁY TÍNH

TP. HỒ CHÍ MINH, NĂM 2020


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH

-------- ∞0∞--------

ĐỖ KIM ĐOÀN

HỆ THỐNG HỔ TRỢ QUYẾT ĐỊNH QUẢN LÝ
THÔNG SỐ ĐỘ ẨM TRONG NÔNG NGHIỆP
Chuyên ngành: Khoa học máy tính
Mã số chuyên ngành: 60 48 01 01

LUẬN VĂN THẠC SĨ
KHOA HỌC MÁY TÍNH
Giảng viên hướng dẫn: TS. Nguyễn Xuân Sâm

TP. HỒ CHÍ MINH, NĂM 2020

2


i

LỜI CAM ĐOAN
Tôi cam đoan rằng luận văn “Hệ thống hỗ trợ quyết định quản lý thông
số độ ẩm trong nông nghiệp” là bài nghiên cứu của chính tôi.
Ngoại trừ những tài liệu tham khảo được trích dẫn trong luận văn này,
tôi cam đoan rằng toàn phần hay những phần nhỏ của luận văn này chưa từng
được công bố hoặc được sử dụng để nhận bằng cấp ở những nơi khác.
Không có sản phẩm/nghiên cứu nào của người khác được sử dụng trong
luận văn này mà không được trích dẫn theo đúng quy định.
Luận văn này chưa bao giờ được nộp để nhận bất kỳ bằng cấp nào tại các
trường đại học hoặc cơ sở đào tạo khác.


ii

LỜI CẢM ƠN
Trong suốt quá trình học tập, nghiên cứu để thực hiện được luận văn này, tôi
đã nhận được rất nhiều sự hướng dẫn, giúp đỡ và góp ý quý báu từ quý thầy cô, bạn
bè và đồng nghiệp.
Trước hết, tôi xin gửi lời cảm ơn trân trọng đến TS. Nguyễn Xuân Sâm đã
định hướng, trực tiếp hướng dẫn, chia sẻ kíến thức, tài liệu và hỗ trợ tôi hoàn thành
luận văn này.
Nhân đây, tôi xin tỏ lòng biết ơn sâu sắc tới quý thầy cô Trường Đại học Mở

TPHCM, Học viện Công nghệ Bưu chính Viễn thông đã truyền đạt cho tôi những
kiến thức quý báu trong những năm học vừa qua.
Đồng thời, tôi xin cảm ơn Ban Giám hiệu Trường Đại học Mở TPHCM, gia
đình, bạn bè, đồng nghiệp đã ủng hộ, và giúp đỡ tôi trong quá trình thực hiện đề tài
nghiên cứu của mình.
Mặc dù đã cố gắng hoàn thành luận văn với tất cả sự nỗ lực, nhưng chắc chắn
luận văn vẫn còn những thiếu sót, rất mong nhận được những đóng góp quý báu của
thầy cô và các bạn.
TP. Hồ Chí Minh, tháng 01 năm 2020
Người thực hiện
Đỗ Kim Đoàn


iii

TÓM TẮT
Việt Nam là một đất nước nằm trong vùng khí hậu nhiệt đới ẩm, nông nghiệp
luôn là lĩnh vực thế mạnh. Để có sự đóng góp tích cực của ngành nông nghiệp trong
cơ cấu kinh tế, nông nghiệp thông minh và chính xác sẽ là giải pháp để tăng năng suất
cây trồng. Trong nông nghiệp thông minh, việc thu thập dữ liệu tự động về các thông
số ánh sáng, nhiệt độ, độ ẩm…, tại các trang trại canh tác, sau đó phân tích dữ liệu
thời gian thực này cho các ứng dụng phân loại, dự báo, tư vấn, … hỗ trợ tự động và
bán tự động các quyết định nhằm nâng cao hiệu quả sản xuất và canh tác trong nông
nghiệp.
Để hệ thống hóa các quá trình trên, chúng tôi xây dựng mô hình hệ thống bao
gồm 3 lớp 1) phần cứng cho hệ thu thập dữ liệu là nodeMCU [1] và DHT22 [2], 2)
khối back-end sử dụng firebase [3], và 3) front-end để ảo hóa dữ liệu đã được phân
tích cho ứng dụng web và ứng dụng di động [4]. Trong luận văn này, chúng tôi tập
trung đề xuất phân tích dữ liệu thời gian thực để hỗ trợ các quyết định quản lý thông
số độ ẩm như: cảnh báo độ ẩm vượt ngưỡng hoặc dưới ngưỡng ảnh hưởng đến sinh

trưởng và phát triển cây trồng, dự báo độ ẩm thích nghi theo sự thay đổi nhanh của
thời tiết, vv...
Do sự biến đổi nhanh về thời gian và cường độ của thông số trên, các mô hình
máy học như: hồi quy tuyến tính [25], Bộ lọc Kalman [26] và Hồi quy Bayes [42]
được khảo sát nhằm cảỉ thiện độ chính xác của các kịch bản thử nghiệm, để đánh giá
xử lý thông tin thời gian thực và độ chính xác được mô phỏng trong python [50]. Kết
quả mô phỏng cho thấy thuật toán hồi quy tuyến tính đáp ứng nhu cầu dự đoán độ ẩm
theo thời gian thực với những tập dữ liệu có biến đổi cường độ chậm và nhỏ, trong
khi đó Bộ lọc Kalman và Hồi quy Bayes cho độ chính xác cao hơn với các trường
hợp dữ liệu độ ẩm thay đổi bất thường, tuy nhiên thời gian sử dụng cho xử lý và tính
toán trong các trường hợp này là chậm hơn.


iv

Trong tương lai, chúng tôi đặt mục tiêu mở rộng và đánh giá hệ thống với
nhiều thông số cho các loại cây trồng cụ thể và phân tích dữ liệu trong một số điều
kiện và khu vực cụ thể. Thêm vào đó, các ứng dụng phân loại bệnh của cây theo sự
thay đổi của độ ẩm trong hệ thống nhà kính, dự báo thay đổi độ ẩm cho ứng dụng tự
động trong tưới tiêu, và tư vấn chu kỳ sinh trưởng của cây theo thông số độ ẩm cũng
được xem xét bổ sung.

ABSTRACT
Vietnam is a tropical and humid country where agriculture is often dominant.
To foster its active contribution to the country’s economic structure, smart and
accurate agriculture is the key to increasing crop productivity. In smart agriculture,
the automatic collection of the parameters such as light, temperature, humidity, etc.
in farms, then the real-time data analysis for the purposes of classification,
forecasting, and advising will automatically and semi-automatically support the
decision making in improving the efficiency of agricultural production and farming.

In order to systematize the above processes, we built a system model
consisting of 3 layers: the so-called nodeMCU [1] and DHT22 [2] hardwares for data
collection system, the back-end block using firebase [3], and the front-end to
virtualize data having analyzed for web and mobile applications[4]. In this thesis, we
focus on proposing real-time data analysis to support the decisions of supervising the
humidity parameter, namely the alert of humidity above or below threshold that
affects plant growth and development and the humidity forecasting in accordance
with fast changing weather.


v

Due to the rapid change in terms of time and intensity of the above parameter,
machine learning models as: linear regression [25], Kalman filter [26] and Bayes
Regression [42] are investigated to improve the accuracy of experimental scenarios,
to evaluate real-time information processing and the accuracy simulated in python
[50]. The simulation results show that the linear regression algorithm meets the
demand of forecasting real-time humidity by data sets with slow change of intensity,
whereas Kalman filter and Bayes Regression are more accurate in case of abnormal
humidity data changes. However, the time used for processing and calculating in
these cases is slower.

In the future, we aim to expand and evaluate the system with many parameters
for specific crops and analyze data in specific conditions and areas. In addition, a
variety of applications to classify plant diseases according to humidity changes in
greenhouse system, to forecast humidity changes for automatic applications in
irrigation, and to advise on plant growth cycles according to humidity parameters is
also taken into consideration.

vi

MỤC LỤC
LỜI CAM ĐOAN .......................................................................................................i
LỜI CẢM ƠN ........................................................................................................... ii
TÓM TẮT ................................................................................................................ iii
MỤC LỤC .................................................................................................................vi
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ ...........................................................ix
DANH MỤC CÁC BẢNG ........................................................................................x
DANH MỤC TỪ VIẾT TẮT...................................................................................xi
MỞ ĐẦU ....................................................................................................................1
CHƯƠNG 1: GIỚI THIỆU ......................................................................................3
1.1. Cơ sở hình thành luận văn ................................................................................3
1.2. Mục tiêu nghiên cứu...........................................................................................5
1.3. Phạm vi và đối tượng nghiên cứu .....................................................................5
1.4. Phương pháp nghiên cứu...................................................................................5
1.4.1. Mô hình toán học .........................................................................................7
1.4.2. Thiết bị cảm biến .........................................................................................7
1.4.3. Front-end, Back-end và nền tảng tính toán ..............................................8
1.5. Tính khoa học và tính mới của đề tài ............................................................. 10
1.5.1. Tính khoa học luận văn.............................................................................10
1.5.2. Tính thực tiễn ............................................................................................. 11
1.6. Kết cấu luận văn ............................................................................................... 12
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ......................................................................13
2.1. Mô hình và sơ đồ thuật toán hồi quy tuyến tính ...........................................13
2.1.1. Mô hình hồi quy tuyến tính đơn giản ......................................................13
2.1.2. Ước tính tham số........................................................................................14
2.1.3. Thử nghiệm các giả thuyết .......................................................................15
2.1.4. Dự đoán ......................................................................................................17

vii

2.1.5. Chất lượng đo lường của sự điều chỉnh...................................................18
2.1.6. Phân tích đối tượng trong trong thuật toán hồi quy tuyến tính ...........20
2.2. Bộ lọc Kalman ..................................................................................................22
2.2.1. Quá trình được ước tính ...........................................................................23
2.2.2. Nguồn gốc tính toán của bộ lọc ................................................................ 24
2.2.3. Nguồn gốc xác suất của bộ lọc ..................................................................25
2.2.4. Thuật toán bộ lọc Kalman ........................................................................26
2.2.5. Thông số bộ lọc và điều chỉnh ..................................................................27
2.2.6. Thuật toán lọc Kalman của dự báo độ ẩm ..............................................28
2.2.6.1. Phương trình trạng thái của độ ẩm ...........................................................28
2.2.6.2. Phương trình quan sát độ ẩm....................................................................29
2.2.6.3. Phân tích đối tượng nghiên cứu trong bộ lọc Kalman ............................. 29
2.3. Mô hình hồi quy Bayes ....................................................................................30
2.3.1. Phương pháp Bayes ...................................................................................30
2.3.2. Định lý Bayes.............................................................................................. 31
2.3.3. Biến ngẫu nhiên liên tục ............................................................................32
2.3.4. Trung bình và phương sai ........................................................................33
2.3.5. Phân phối Gaussian (chuẩn) .....................................................................34
2.3.6. Phân tích Bayes của phân phối Gaussian................................................35
2.3.6.1. Phân phối trước chuẩn..............................................................................35
2.3.6.2. Khả năng ..................................................................................................35
2.3.6.3. Phân phối trước ........................................................................................36
2.3.6.4. Phân phối sau ...........................................................................................36
2.3.6.5. Dự đoán phân phối sau .............................................................................39
2.3.6.6. Thực hiện hồi quy tuyến tính Bayes ........................................................39
2.3.6.7. Phân tích đối tượng nghiên cứu trong thuật toán hồi quy Bayes .............40

CHƯƠNG 3: KẾT QUẢ VÀ ĐÁNH GİÁ THỰC NGHIỆM.............................. 42
3.1. Thực hiện mô phỏng/thông số mô phỏng/giả định nghiên cứu ....................42
3.2. Kết quả và đánh giá thực nghiệm bằng mô phỏng .......................................43


viii

3.2.1. Kịch bản 1 ..................................................................................................43
3.2.2. Kịch bản 2 ..................................................................................................54
CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .....................................62
4.1. Kết luận .............................................................................................................62
4.2. Hướng phát triển .............................................................................................. 63
TÀI LIỆU THAM KHẢO ......................................................................................64


ix

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
Hình 1.1. Hệ thống hỗ trợ quyết định quản lý thông số độ ẩm trong nông nghiệp ....6
Hình 1.2. Mô hình hoạt động của hệ thống đề xuất ....................................................7
Hình 1.3. Một nút cảm biến nguyên mẫu cho nhà kính ..............................................8
Hình 1.4. Ứng dụng web để theo dõi thời gian thực ...................................................9
Hình 1.5. Ứng dụng web để kiểm soát thời gian thực ................................................9
Hình 1.6. Dữ liệu nối tiếp về các giá trị của cảm biến trong nhà kính .....................10
Hình 2.1. Minh họa đồ họa của các đại lượng khác nhau được tính toán sau khi điều
chỉnh một đường hồi quy với dữ liệu. .......................................................................19
Hình 2.2. Cập nhật tuần tự một giá trị trung bình Gaussian bắt đầu bằng một trung
tâm dự đoán trước đó trên 𝜇0 = 0. Các tham số thực là 𝜇 ∗= 0.8 (chưa biết), (𝜎 2 ) ∗
= 0.1 (đã biết). Lưu ý cách dữ liệu nhanh chóng lấn át dự đoán trước và làm thế nào
dự đoán sau trở nên hẹp hơn. Nguồn: Hình 2.12 (Bishop, 2006) [45]. ....................38

Hình 3.1. Mối tương quan giữa thời gian và độ ẩm ..................................................44
Hình 3.2. Giá trị quan sát và giá trị ước tính bằng bộ lọc Kalman ...........................46
Hình 3.3. Các sơ đồ trên hiển thị các bản phân phối cho beta_0, và sigma..............47
Hình 3.4. Các sơ đồ trên đây hiển thị biểu đồ cho các phân phối sau. .....................48
Hình 3.5. Mối tương quan giữa thời gian và độ ẩm. .................................................50
Hình 3.6. Giá trị quan sát và giá trị ước tính bằng bộ lọc Kalman. ..........................52
Hình 3.7. Các sơ đồ trên hiển thị các bản phân phối cho beta_0, và sigma..............53
Hình 3.8. Các sơ đồ trên đây hiển thị biểu đồ cho các phân phối sau. .....................53
Hình 3.9. Mối tương quan giữa thời gian và độ ẩm ..................................................55
Hình 3.10. Giá trị quan sát và giá trị ước tính bằng bộ lọc Kalman. ........................57
Hình 3.11. Các sơ đồ trên hiển thị các bản phân phối cho beta_0, và sigma............58
Hình 3.12. Các sơ đồ trên đây hiển thị biểu đồ cho các phân phối sau. ...................58
Hình 3.13. Giá trị quan sát và giá trị ước tính bằng bộ lọc Kalman. ........................60


x

DANH MỤC CÁC BẢNG
Bảng 2.1. Phương trình cập nhật thời gian lọc Kalman ............................................26
Bảng 2.2. Phương trình cập nhật đo lường bộ lọc Kalman .......................................26
Bảng 3.1. Tóm tắt mô hình của hồi quy OLS ...........................................................44
Bảng 3.2. Các hệ số của hồi quy OLS ......................................................................45
Bảng 3.3. Các xét nghiệm bổ sung trong Hồi quy OLS............................................45
Bảng 3.4: Tóm tắt đầu ra cho mô hình ước lượng Bayes .........................................48
Bảng 3.5: Tóm tắt mô hình của hồi quy OLS ...........................................................50
Bảng 3.6: Các hệ số của hồi quy OLS ......................................................................51
Bảng 3.7: Các xét nghiệm bổ sung trong Hồi quy OLS ...........................................51
Bảng 3.8: Tóm tắt đầu ra cho mô hình ước lượng Bayes .........................................53
Bảng 3.9: Tóm tắt mô hình của hồi quy OLS ...........................................................55
Bảng 3.10: Các hệ số của hồi quy OLS ....................................................................56

Bảng 3.11: Các xét nghiệm bổ sung trong Hồi quy OLS .........................................56
Bảng 3.12. Tóm tắt đầu ra cho mô hình ước lượng Bayes........................................59
Bảng 3.13. So sánh giữa Hồi quy tuyến tính, Bộ lọc Kalmanm và Hồi quy Bayes. 59
Bảng 3.14. Thời gian thực hiện của các thuật toán ...................................................61


xi

DANH MỤC TỪ VIẾT TẮT

OLS

Bình phương nhỏ nhất

cdf

Hàm phân phối tích lũy

pdf

Hàm mật độ xác suất

MLE

Uớc tính khả năng tối đa

MCMC

Chuỗi Markov Monte Carlo

PyMCMC

Gói Python ước tính Bayes sử dụng chuỗi Markov Monte Carlo

MAP

Tối đa một phân phối sau

HPD

Mật độ sau cao nhất


1

MỞ ĐẦU
Trong những năm qua nhờ có sự thay đổi và đầu tư mạnh cho nông nghiệp nông thôn, ngành nông nghiệp nước ta đã đạt nhiều kết quả vượt bậc, có nhiều điểm
sáng, điểm mới; đạt thành tích xuất sắc, toàn diện trên các lĩnh vực. Bên cạnh những
thành tựu, chúng ta cũng phải xác định trước là cũng có rất nhiều khó khăn, thách
thức và cả rủi ro. Thách thức lớn nhất là hiện nay chúng ta vẫn đang duy trì một nền
nông nghiệp nhỏ lẻ, manh mún, kiểu hộ gia đình (Nguyễn Xuân Sâm và Nguyễn
Hồng Sơn, 2018) [5]. Đa số hộ nông dân sản xuất theo kinh nghiệm, và theo cách
thức truyền thống dẫn tới việc sử dụng lãng phí tài nguyên nước, tài nguyên đất, năng
suất, chất lượng sản phẩm thấp.
Thách thức thứ hai là biến đổi khí hậu, càng ngày ta càng thấy rõ biến đổi khí
hậu tác động cực đoan đến thời tiết, khí hậu Việt Nam. Trong đó, tác động tới nông
nghiệp, nông dân, nông thôn ngày càng cực đoan, khốc liệt. Trong nhiều năm gần
đây, thiên tai liên tục đe dọa sản xuất nông nghiệp.
Hiện nay, tiến bộ khoa học công nghệ cảm biến, truyền thông, cơ khí chính
xác đã mở ra triển vọng ứng dụng công nghệ cao trong lĩnh vực nông nghiệp, đây là

cơ hội tốt để nông nghiệp, nông dân Việt Nam không những phát huy thế mạnh của
một nước có điều kiện thuận lợi về nông/lâm nghiệp mà còn hạn chế các rủi ro do
thiên nhiên gây ra như: việc quản lý theo dõi chặt chẽ diễn biến thời tiết, thiên tai;
thực hiện tốt công tác ứng phó, khắc phục, không để bị động bất ngờ nếu có kết quả
dự báo tốt.
Quản lý sự tăng trưởng và phát triển của thực vật liên quan đến việc điều khiển
một môi trường phát triển như: ánh sáng, nhiệt độ, và độ ẩm tương đối để thúc đẩy
quá trình quang hợp, tăng trưởng tổng quát và năng suất cao. Tốc độ thoát hơi nước
tối ưu tùy theo loại cây khác nhau, tuổi và mùa, làm cho việc kiểm soát khí hậu đối
với sự phát triển của cây là cần thiết trong suốt cả năm. Nhiều nhà nghiên cứu cung


2

cấp các giải pháp kiểm soát khí hậu tạm thời, hoạt động kết hợp với hệ thống chiếu
sáng nhà kính và hệ thống tưới tiêu để tối ưu hóa sự phát triển của cây.
Các yếu tố trong môi trường đều ảnh hưởng đến cách cây phát triển, lớn lên
và sinh sản. Khi trồng cây ngoài môi trường mà chúng phát triển tự nhiên, kiểm soát
khí hậu cho sự phát triển của cây là điều cần thiết để tối đa hóa quá trình quang hợp.
Bằng cách duy trì mức độ ẩm tương đối tối ưu trong nhà kính và các môi trường phát
triển khác, bạn đảm bảo thoát hơi nước tối ưu cho cây.
Kiểm soát độ ẩm cho sự phát triển của thực vật là một yêu cầu thiết yếu liên
quan đến quản lý dịch hại và bệnh. Khi điều kiện quá ẩm, nó có thể thúc đẩy sự phát
triển của nấm mốc và vi khuẩn làm cho cây bị chết và mùa màng thất bại, cũng như
các điều kiện như thối rễ hoặc mục nát. Điều kiện ẩm cũng gây ra sự hiện diện của
sâu bệnh, chẳng hạn như nấm gnats, có ấu trùng ăn rễ cây và phát triển mạnh trong
đất ẩm.
Để hỗ trợ các nhà nông học theo dõi và nhận thông tin về độ ẩm chúng tôi đề
xuất: “Hệ thống hỗ trợ quyết định quản lý thông số độ ẩm trong nông nghiệp”
được thiết kế nhằm hỗ trợ người nông dân trong việc ra quyết định về tình trạng thiếu

hay đủ độ ẩm trong trang trại nông nghiêp tương ứng với môi trường sống các loại
thực vật, từ đó điều chỉnh các ngưỡng tự động cho hệ thống đóng/mở cung cấp nước
và độ ẩm.


3

CHƯƠNG 1: GIỚI THIỆU
1.1. Cơ sở hình thành luận văn
Việt Nam là một nước nằm trong vùng khí hậu nhiệt đới ẩm và nông nghiệp
là một trong những ngành đóng vai trò quan trọng nhất của nền kinh tế Việt Nam.
Việc áp dụng các công nghệ mới cùng các công cụ giám sát và kiểm soát dựa trên
IoT cho nông nghiệp thông minh làm nền tảng cho sự phát triển của ngành nông
nghiệp. Khi nói về nông nghiệp và yếu tố độ ẩm, mọi người có thể nghĩ rằng càng
nhiều độ ẩm xung quanh thực vật thì càng tốt. Tuy nhiên, điều đó không đúng với
mọi loại cây. Quá nhiều độ ẩm cho một số thực vật có thể bị hư hỏng như là quá ít
đối với những cây khác. Bởi vì thực vật tự nhiên tạo ra độ ẩm, đây có thể là khía
cạnh khó kiểm soát môi trường nhất. Đó là lý do tại sao một hệ thống điều khiển độ
ẩm thông minh, tự động là cần thiết để quản lý đúng yêu cầu độ ẩm của cây trồng.
Hiện nay, do tác động của biến đổi khí hậu có nhiều yếu tố liên quan đến sự
phát triển của thực vật và các vấn đề về môi trường thường ảnh hưởng trực tiếp đến
năng suất cây trồng. Trong các giai đoạn phát triển của thực vật phụ thuộc rất nhiều
vào độ ẩm không khí và các yếu tố về thời tiết, do đó, trong nghiên cứu (King và
Shellie, 2016) [6] đã sử dụng mô hình Neural Net-work ước tính nhiệt độ ngưỡng
thấp hơn, độ ẩm tương đối, để dự đoán nhiệt độ nước tưới của các giống nho. Các
công trình khác ước tính tiềm năng nước gốc [6, 7] để cung cấp hệ thống hỗ trợ quyết
định tưới tiêu thông minh tự động .. do vị trí của các cảm biến phân tán, chúng tôi
cần các hệ thống điều khiển tiên tiến liên quan đến điều kiện môi trường và hệ thống
nên tích hợp với thực tế cảnh báo thời gian, khởi động sớm, khẩn cấp, hỗ trợ phản
hồi, vv các mô-đun ở mọi lúc và mọi nơi. Hệ thống hỗ trợ quyết định ước tính nhu

cầu tưới tiêu hàng tuần của một đồn điền, trên cơ sở cả các phép đo đất và các biến
khí hậu được thu thập bởi một số nút tự điều khiển được triển khai trên cánh đồng
(Navarro-Hellín và các cộng sự, 2016) [7].
Việc giám sát dựa trên tham số và điều khiển các nhiệm vụ vật lý của các hệ
thống cảm biến không đồng nhất thường xem xét biến độc lập duy nhất (Wold và các


4

cộng sự, 1984) [8]. Ví dụ: chúng tôi theo dõi độ ẩm trong nhà kính bằng cách sử dụng
các thiết bị cảm biến, nếu độ ẩm thấp hơn ngưỡng, thì chúng tôi bật chế độ phun
sương làm tăng độ ẩm. Ngược lại nếu độ ẩm cao hơn ngưỡng, thì bật quạt hút làm
mát nhà kính bằng cách hút không khí từ bên ngoài vào và trao đổi với không khí bên
trong nhà kính. Sử dụng quạt hút giúp giữ cho nhà kính mát mẻ hơn và làm giảm độ
ẩm. Nếu chúng tôi có thể dự đoán sự thay đổi của các tham số, thì chúng tôi cũng có
thể thực hiện các biện pháp kiểm soát tương ứng trước để làm cho điều kiện môi
trường nhà kính phù hợp với nhu cầu tăng trưởng của thực vật.
Các phân tích hồi quy tuyến tính đơn giản được nghiên cứu để tìm mối quan
hệ giữa các biến tiếp tục bằng cách sử dụng phương trình tuyến tính. Nghiên cứu này
là cần thiết cho các hệ thống nhà kính thời gian thực. Tuy nhiên, các công trình không
xem xét hoạt động của nhà kính phụ thuộc rất nhiều vào độ ẩm không khí và sự bốc
hơi nước trong điều kiện nhà kính. Do đó, chúng có thể trở nên dưới mức tối ưu trong
điều kiện biến đổi khí hậu. Hơn nữa, có một số bộ cảm biến nhiệt độ và bộ truyền
động và các thiết bị cảm biến được phân phối ở các vị trí khác nhau trong toàn bộ
không gian nhà kính. Dựa trên các giá trị độ ẩm phản hồi, các bộ truyền động điều
khiển có thể hỗ trợ trong khu vực địa phương (Peck và các cộng sự, 2016) [9].
Một mối tương quan tích cực mạnh giữa sự bốc hơi với độ ẩm, bức xạ mặt trời
được hiển thị. Hơn nữa, mối quan hệ tích cực giữa bốc hơi và bức xạ mặt trời, ánh
nắng mặt trời, tốc độ gió, vv… được phân tích. Tuy nhiên, nó dẫn đến việc tăng tiêu
thụ năng lượng và chi phí cuối cùng và làm cho hệ thống nhà kính trở nên phức tạp

(Asaana và các cộng sự, 2017) [10]. Trong thực tế, các nền tảng giám sát và kiểm
soát dựa trên IoT sử dụng với nodeMCU [1] và DHT22 [2] không chỉ có chi phí thấp
mà còn tiết kiệm năng lượng. Chúng thích hợp cho dữ liệu đo lường ở các nước nhiệt
đới do độ nhạy độ ẩm. Vì lý do này, chúng tôi đã chọn chúng cho nghiên cứu của
chúng tôi.


5

1.2. Mục tiêu nghiên cứu
Mục tiêu tổng quát nghiên cứu này là trích xuất, chuyển đổi dữ liệu thu thập
được từ thiết bị cảm biến thành thông tin có khả năng hỗ trợ các quyết định quản lý.
Hệ thống hỗ trợ quyết định hợp thành từ các khối khác nhau và thuật toán trích
xuất/chuyển đổi/nạp biến đổi dữ liệu thành thông tin có khả năng dự báo.
Mục tiêu cụ thể là hệ thống phải có khả năng thu thập/truyền dữ liệu độ ẩm từ
nút cảm biến đến cloud hoặc máy chủ. Dữ liệu này phải được chuyển đổi và huấn
luyện cho phù hợp với các phương pháp nghiên cứu của luận văn, từ đó chúng tôi có
thể sử dụng dạng dữ liệu này để trích xuất dự báo. Các kỹ thuật hiển thị, tương tác
trên nền tảng ứng dụng web/ứng dụng trên điện thoại thông minh có thể được xem
xét bổ sung để tăng tính minh họa cho dự báo.
1.3. Phạm vi và đối tượng nghiên cứu
Thông số vật lý độ ẩm (bên trong/bên ngoài) nhà kính được thu thập và xử lý.
Dữ liệu này phải được chuyển đổi thành thông tin và gửi theo thời gian thực đến đầu
cuối, hệ thống phải có khả năng hỗ trợ các quyết định cảnh báo, dự báo đến người
dùng, để hỗ trợ một cách tự động hoặc bán tự động việc ra quyết định đóng mở, điều
khiển hệ thống.
Nhà kính với các loại cây trồng tương ứng có thể được xem xét để hiệu chỉnh
các ngưỡng trên/dưới của độ ẩm phù hợp với từng loại trong việc ra quyết định tự
động đóng mở hệ thống lịch trình thu thập các đối tượng dữ liệu này được mô hình
hóa (bằng toán học) hoặc dưới dạng biểu đồ tuần tự thuận tiện cho việc phân tích đối

tượng nghiên cứu.
1.4. Phương pháp nghiên cứu
Trong đề tài này, chúng tôi đề xuất một hệ thống hỗ trợ quyết định tự động để
quản lý độ ẩm trong nông nghiệp bao gồm các thiết bị cảm biến, cơ sở dữ liệu và biểu
diễn dữ liệu đồ họa, trong đó một mô hình động để dự đoán độ ẩm là trung tâm của
hệ thống. Trong nỗ lực khám phá và mô hình hóa mối quan hệ giữa độ ẩm bên trong
và độ ẩm bên ngoài như trong điều kiện môi trường nhà kính, chúng tôi tìm kiếm mối


6

quan hệ cơ bản giữa các yếu tố dự đoán và phản hồi được đề xuất. Trong mô hình,
biến phản hồi là độ ẩm bên trong và độ ẩm bên ngoài như các yếu tố dự báo. Dựa trên
mối quan hệ trong mô hình, chúng tôi trả lời câu hỏi nghiên cứu như: dự đoán nào có
tác động đến phản hồi. Ngoài ra, chúng tôi đánh giá mối tương quan và trình bày mức
độ mạnh mẽ của các yếu tố dự đoán đối với phản hồi.

Hình 1.1. Hệ thống hỗ trợ quyết định quản lý thông số độ ẩm trong nông nghiệp

Sơ đồ khối của hệ thống được chúng tôi nghiên cứu trong đề tài này được trình
bày trong hình 1.1 [5] (Popovic và các cộng sự, 2017) [11] , bao gồm 3 lớp. Lớp thứ
nhất gồm các thiết bị cảm biến không dây (đo độ ẩm bên trong và bên ngoài nhà kính)
hoạt động độc lập, thu thập, truyền dữ liệu đến cổng kết nối wifi (Imad Aad và C.
Castelluccia, 2001) [12]. Lớp thứ hai bao gồm các điểm truy cập đóng vai trò là các

cổng vào, ra kết nối với Internet để chuyển tiếp dữ liệu thu thập từ các thiết bị cảm
biến đến trung tâm thu thập dữ liệu. Dữ liệu này được lưu trữ và xử lý tại cloud hoặc
máy chủ. Tại đây, các thuật toán chuyển đổi, phân tích và dự báo bằng các mô hình
máy học tiên tiến (Mohammadi và các cộng sự, 2018) [13], để tạo điều kiện thuận lợi
cho việc học và học trong miền IoT, và đề xuất xử lý dữ liệu này để đưa ra thông tin

hỗ trợ người sử dụng xử lý các quyết định tương ứng (tự động/bán tự động). và thiết
bị theo dõi đầu cuối. Lớp thứ ba gồm trung tâm quản lý dữ liệu bao gồm người quản


7

lý trang trại, trung tâm tư vấn và phân tích, trung tâm hỗ trợ các dịch vụ chăm sóc cây
trồng. Cấu trúc ba lớp này được sử dụng phổ biến trong các nghiên cứu gần đây [5].

1.4.1. Mô hình toán học
Dựa trên khái niệm này, Hệ thống hỗ trợ quyết định quản lý thông số độ ẩm
trong nông nghiệp của chúng tôi được đề xuất. Để đánh giá hiệu suất và tính hợp lệ
phương pháp của chúng tôi, hệ thống hỗ trợ quyết định sẽ sử dụng thông tin thu thập
được và sẽ đưa ra các yêu cầu về độ ẩm cho ngày hoặc tuần kế tiếp. Để thực hiện điều
này, hệ thống máy học phải được đào tạo với dữ liệu lịch sử và báo cáo nhu cầu độ
ẩm của nhà nông học, sử dụng các quyết định về độ ẩm được đưa ra trong các báo
cáo này làm cơ sở của hệ thống. Mục đích của hệ thống là chính xác nhất có thể đối
với nền tảng này. Một số kỹ thuật học máy đã được áp dụng và đánh giá để đạt được
hiệu suất tốt nhất. Hình 1.2 trình bày sơ đồ của hệ thống.

Hình 1.2. Mô hình hoạt động của hệ thống đề xuất

1.4.2. Thiết bị cảm biến
Độ ẩm và nhiệt độ là những yếu tố quan trọng không chỉ ảnh hưởng đến việc
trồng cây mà còn có thể phá hủy toàn bộ cánh đồng do bệnh tật. Bằng cách tìm sự


8

tương quan giữa độ ẩm trung bình với thời gian khi độ ẩm tương đối tăng hoặc giảm.

Chúng ta có thể tìm ra điều kiện nhiệt độ và độ ẩm cần thiết cho cây (Rosenzweig và
các cộng sự, 2001) [14]. Mặt khác, cảm biến độ ẩm thường đo mức độ bốc hơi nước
trong điều kiện nhà kính bị ảnh hưởng bởi nhiệt độ trong nhà kính. Mối quan hệ có
thể được mô hình hóa để ước tính đầu ra chính xác cho các hệ thống điều khiển.
Để đo nhiệt độ và độ ẩm trong nhà kính, các cảm biến độ ẩm và nhiệt độ được
sử dụng với các nền tảng như Arduino (Mukhopadhyay và A. Mason, 2013) [15],
telosB (Gubbi và các cộng sự, 2013) [16]. Các cảm biến có thể cung cấp độ chính xác
± 0,1o C và độ ẩm liên quan ± 2%. Do chi phí thấp, cảm biến DHT22 [2] đã được sử
dụng với nodeMCU [1] để đo độ ẩm và nhiệt độ tương đối trong nhà kính, độ chính
xác của cảm biến DHT22 là ± 0,5o C đối với nhiệt độ và ± 5% đối với độ ẩm. Ngoài
ra, chúng tôi cũng đã thêm Rơle, ánh sáng, còi, quạt, vv cho nodeMCU để cảm nhận
và kiểm soát các điều kiện môi trường. Một nút cảm biến nguyên mẫu cho nhà kính
được trình bày trong hình 1.3.

Hình 1.3. Một nút cảm biến nguyên mẫu cho nhà kính

1.4.3. Front-end, Back-end và nền tảng tính toán
Để chuyển đổi dữ liệu thành biểu diễn đồ họa, các giá trị tương đối được thu
thập và trình bày trong một số loại đồ thị hiển thị trực quan như đồ thị phân tán, đồ
thị dòng lịch sử, ký hiệu và số nguyên thời gian thực bằng cách sử dụng chart.js (N.
Downie, 2015) [17], Highcharts [18]. Chúng tôi đã sử dụng nodejs [19] để tương tác
với ứng dụng web và chuyển đổi dữ liệu thành thông tin. Để xử lý dữ liệu phát trực


9

tuyến theo thời gian thực, firebase [3] và thuật toán đề xuất của chúng tôi được nhúng
vào ứng dụng web [4].

Hình 1.4. Ứng dụng web để theo dõi thời gian thực

Như trong hình 1.4, phần đầu của ứng dụng web của chúng tôi có thể tương
tác với giao diện người dùng, nó có thể mang dữ liệu từ cơ sở dữ liệu. Dữ liệu được
chuyển đổi, phân tích tại back-end và nền tảng đám mây firebase chuyển tiếp đến
người dùng. Để kiểm soát thủ công, chúng tôi đã thêm chức năng mở rộng hơn cho
ứng dụng web để kiểm soát cảnh báo và bảo mật, ánh sáng, quạt, động cơ, v.v. như
trong hình 1.5.

Hình 1.5. Ứng dụng web để kiểm soát thời gian thực


10

Bằng cách sử dụng chart.js và Highcharts, dữ liệu nối tiếp trong cơ sở dữ liệu
có thể xuất hiện trong đồ thị đường thẳng và đồ thị hồi quy tuyến tính. Như được hiển
thị trong hình 1.6, dữ liệu nối tiếp về nhiệt độ, độ ẩm, ánh sáng, mực nước và giá trị
pH của cảm biến trong nhà kính được trình bày. Khoảng thời gian của các mẫu dữ
liệu có thể được thay đổi tùy thuộc vào việc thiết lập khoảng thời gian cho từng loại
dữ liệu trong nodeMCU. Hơn nữa, hình 1.6 trình bày một hồi quy tuyến tính đơn giản
để dự đoán nhiệt độ trong nhà của hệ thống nhà kính dựa trên dữ liệu lịch sử nối tiếp
của nhiệt độ.

Hình 1.6. Dữ liệu nối tiếp về các giá trị của cảm biến trong nhà kính

Là một nền tảng thời gian thực, Firebase cung cấp dịch vụ back-end cho hệ
thống của chúng tôi. Đối với mỗi giá trị thu được của nhiệt độ và độ ẩm, các thiết bị
cảm biến sẽ đẩy dữ liệu vào cơ sở dữ liệu của firebase trên internet, mỗi giá trị của
nhiệt độ và độ ẩm được liên kết với một khóa duy nhất, sau đó dữ liệu được chuyển
đổi và phân tích ở phần dự phòng trước khi nó được chuyển tiếp để kết thúc Do đó,
firebase là công cụ quan trọng để kết nối giữa các thiết bị cảm biến và front-end theo

cách thức thời gian thực.
1.5. Tính khoa học và tính mới của đề tài
1.5.1. Tính khoa học luận văn
Như mô tả trong hình 1.1, luận văn hướng đến phát triển hệ thống hỗ trợ quyết
định sử dụng các thuật toán Hồi quy tuyến tính, Bộ lọc Kalman và Hồi quy Bayes


11

phù hợp với kiểu dữ liệu độ ẩm, dựa vào hệ thống thu thập dữ liệu là các thiết bị cảm
biến được đặt tại các vị trí thu thập. Các dữ liệu này được thu thập và xử lý bằng các
thuật toán trên để đưa ra thông tin chuyển về hệ thống đầu cuối là các thiết bị hiển thị
(có khả năng tương tác). Do vậy, đề xuất cung cấp và phân tích hệ thống hóa từ việc
thu thập dữ liệu đến xử lý dữ liệu để tạo ra thông tin có khả năng hỗ trợ các quyết
định trong hệ thống thông tin quản lý.
Chi tiết kỹ thuật nghiên cứu trong phân tích dữ liệu lớn bằng mô hình máy học
sử dụng các bộ công cụ trích xuất (extraction mechanism), chuyển đổi
(transformation mechanism), và nạp thông tin (loading mechanism) được nghiên cứu
(Puerto và các cộng sự, 2013) [20]. Mô hình phân tích được đánh giá và so sánh trên
các tập dữ liệu khác nhau phù hợp với đặc điểm dữ liệu của thông số độ ẩm. Kết quả
nghiên cứu được mô phỏng trên python và chạy thử trên hệ thống thật (được mô tả
trong chương 3).

1.5.2. Tính thực tiễn
Việt Nam ta là nước có ưu thế về phát triển nông nghiệp. Do đó, việc đầu tư và
tạo ra nhiều cơ hội cho việc nghiên cứu các giải pháp trong nông nghiệp thông minh,
là hướng tiếp cận phù hợp với tình hình thực tế của nước ta. Hướng nghiên cứu trong
luận văn không những có khả năng ứng dụng cao trong hệ thống nghiên cứu mà còn
có khả năng phát hiển cho các hệ thống hỗ trợ quyết định quản lý khác.
Vấn đề nghiên cứu trên đang là một chủ đề thời sự và được nhiều nhóm nghiên

cứu trong và ngoài nước rất quan tâm. Tuy nhiên, với lời giải hiện thực dựa vào một
ứng dụng cụ thể (nông nghiệp và thông số độ ẩm) với đặc điểm biến đổi thông số vật
lý của độ ẩm phù hợp với thuật toán hồi qui tuyến tính. Do đó, đề xuất của chúng tôi
là phù hợp với yêu cầu cho luận văn thạc sĩ kỹ thuật.


12

1.6. Kết cấu luận văn
Chương 1: Giới thiệu
 Giới thiệu tổng quan về các công trình nghiên cứu gần đây;
 Mục tiêu nghiên cứu;
 Phạm vi và đối tượng nghiên cứu;
 Phương pháp nghiên cứu;
 Tính khoa học và tính mới của đề tài;
Chương 2: Cơ sở lý thuyết
 Mô hình và sơ đồ thuật toán hồi quy tuyến tính;
 Phân tích đối tượng nghiên cứu trong thuật toán hồi quy tuyến tính;
 Mô hình và sơ đồ thuật toán bộ lọc Kalman;
 Phân tích đối tượng nghiên cứu trong thuật toán bộ lọc Kalman;
 Mô hình và sơ đồ thuật toán hồi quy Bayes;
 Phân tích đối tượng nghiên cứu trong thuật toán hồi quy Bayes;
Chương 3: Kết quả và đánh giá thực nghiệm
 Thực hiện mô phỏng/thông số mô phỏng/giả định nghiên cứu;
 Kết quả và đánh giá thực nghiệm bằng mô phỏng;
 Đánh giá và phân tích kết quả;

Chương 4: Kết luận và hướng phát triển
 Kết luận;
 Hướng phát triển;