BỘ GIÁO DỤC VÀ ĐÀO TAO
TRƯỜNG ĐẠI HỌC QUY NHƠN
LƯƠNG THANH LONG
ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO
CHẤT LƯỢNG NGUỒN NƯỚC
LUẬN VĂN THẠC SĨ KHOA HỌC DỮ LIỆU ỨNG DỤNG
Bình Định - Năm 2022
BỘ GIÁO DỤC VÀ ĐÀO TAO
TRƯỜNG ĐẠI HỌC QUY NHƠN
LƯƠNG THANH LONG
ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO
CHẤT LƯỢNG NGUỒN NƯỚC
Ngành
: Khoa học dữ liệu ứng dụng
Mã số
: 8904648
Người hướng dẫn: TS. NGUYỄN ĐỨC THIỆN
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn ‘Ứng dụng LSTM trong giám sát và dự báo
chất lượng nguồn nước’ là công trình nghiên cứu của bản thân dưới sự hướng
dẫn của TS. Nguyễn Đức Thiện. Mọi tham khảo từ các tài liệu, công trình
nghiên cứu liên quan trong nước và quốc tế đều được trích dẫn rõ ràng trong
luận văn. Các số liệu, kết quả trình bày trong luận văn là hoàn toàn trung thực.
Tôi xin hoàn toàn chịu trách nhiệm về lời cam đoan này.
LỜI CẢM ƠN
Trong quá trình thực hiện và hoàn thiện luận văn này, tôi xin gửi lời cảm
ơn chân thành nhất đến các thầy cô trong Khoa Toán và Thống kê, khoa Công
nghệ thông tin, khoa Kỹ thuật công nghệ trường Đại học Quy Nhơn cũng như
các thầy thính giảng ở các trường, các viện ở Hà Nội và thành phố Hồ Chí Minh
đã cung cấp cho tôi những kiến thức quý báu trong suốt 2 năm học qua. Đặc
biệt cho tôi gửi lời cảm ơn sâu sắc nhất tới TS. Nguyễn Đức Thiện đã dành
nhiều thời gian để định hướng và nhiệt tình hướng dẫn tôi cũng như tạo mọi
điều kiện thuận lợi để tôi có thể hoàn thành tốt nhất luận văn của mình, tôi cũng
xin cảm ơn đề tài ĐTĐLCN.44/22 của Bộ KH & CN đã cho phép cùng tham
gia nghiên cứu thực hiện.
Tôi xin chân thành cảm ơn!
Bình Định, tháng 08 năm 2022
Tác giả
Lương Thanh Long
MỤC LỤC
LỜI CAM ĐOAN
LỜI CẢM ƠN
DANH MỤC CÁC CHỮ VIẾT TẮT
DANH MỤC CÁC BẢNG
DANH MỤC CÁC HÌNH
PHẦN 1. MỞ ĐẦU ..................................................................................................................... 1
1. Lý do chọn đề tài ....................................................................................... 1
2. Tổng quan tình hình nghiên cứu đề tài ..................................................... 2
3. Mục đích và nhiệm vụ nghiên cứu ............................................................ 4
4. Đối tượng và phạm vi nghiên cứu............................................................. 5
5. Phương pháp nghiên cứu........................................................................... 8
PHẦN 2. NỘI DUNG CHÍNH ................................................................................................ 9
CHƯƠNG 1. TỔNG QUAN VỀ EDGE AI VÀ IOT ...................................................... 9
1.1. Giới thiệu chương .................................................................................. 9
1.2. Tổng quan về Edge AI ........................................................................... 9
1.2.1. Điện toán biên (Edge Computing) .................................................. 9
1.2.2. Edge AI .......................................................................................... 10
1.2.3. Ứng dụng của Edge AI .................................................................. 11
1.3. IoT ........................................................................................................ 13
1.3.1. Định nghĩa ..................................................................................... 13
1.3.2. Kiến trúc của IoT .......................................................................... 13
1.3.3. Ứng dụng của IoT ......................................................................... 14
1.4. Edge AI và IoT trong hoạt động giám sát và dự báo ........................... 15
1.4.1. Sự cần thiết của Edge AI và IoT trong giám sát và dự báo .......... 15
1.4.2.
Yêu cầu đối với Edge AI trong các ứng dụng IoT................... 16
1.5. Kết luận chương ................................................................................... 17
CHƯƠNG 2. HỌC SÂU VÀ CÁC THUẬT TOÁN RNN...........................................18
2.1. Giới thiệu chương ................................................................................ 18
2.2. Khái niệm học sâu ................................................................................ 18
2.3. Các thuật toán học sâu phổ biến .......................................................... 18
2.4. Mạng nơ-ron hồi quy RNN .................................................................. 21
2.5. Mạng LSTM ......................................................................................... 24
2.6. Mạng GRU ........................................................................................... 26
2.7. Kết luận chương ................................................................................... 27
CHƯƠNG 3. MÔ HÌNH HỆ THỐNG GIÁM SÁT DỰ BÁO CHẤT LƯỢNG
NƯỚC ...........................................................................................................................................29
3.1. Giới thiệu chương ................................................................................ 29
3.2. Kiến trúc tổng quát của hệ thống ......................................................... 29
3.2.1. Lớp cảm biến (sensors layer) ........................................................ 30
3.2.2. Lớp xử lý biên (Edge layer) .......................................................... 34
3.2.3. Lớp lưu trữ điện toán đám mây (Cloud Store Layer) .................. 35
3.3. Kết luận chương ................................................................................... 37
CHƯƠNG 4. TRIỂN KHAI VÀ ĐÁNH GIÁ MÔ HÌNH THỰC NGHIỆM.....38
4.1. Giới thiệu chương ................................................................................ 38
4.2. Thu thập tập dữ liệu ............................................................................. 38
4.3. Phân tích tập dữ liệu ............................................................................. 40
4.4. Chuẩn bị dữ liệu ................................................................................... 43
4.5. Xây dựng mô hình dự báo LSTM ........................................................ 45
4.6. Triển khai tại biên mạng ...................................................................... 52
4.7. Đánh giá mô hình ................................................................................. 55
4.8. Kết luận chương ................................................................................... 58
PHẦN 3. KẾT LUẬN VÀ KIẾN NGHỊ ............................................................................60
DANH MỤC TÀI LIỆU THAM KHẢO ..........................................................................61
QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (BẢN SAO)
DANH MỤC CÁC CHỮ VIẾT TẮT
Tên viết tắt
Tên đầy đủ
AI
Artificial Intelligence
ANN
Artificial Neural Network
API REST
Application Programming Interface REpresentational State
Transfer
DL
Deep Learning
GRU
Gated Recurrent Unit
HTTP GET
Hypertext Transfer Protocol
IoT
Internet of Things
Lora
Long Range
LSTM
Long short term memory
ML
Machine Learning
MQTT
Message Queuing Telemetry Transport
NLP
Neuro-Linguistic Programming
RNN
Recurrent neural network
DANH MỤC CÁC BẢNG
Bảng 1: Quy chuẩn nước nuôi tôm ................................................................... 7
Bảng 4.1: Các chỉ số thống kê của tập dữ liệu ................................................ 41
Bảng 4.2: Thống kê thời gian trễ giữa 2 điểm dữ liệu liên tiếp ...................... 43
Bảng 4.3: Thống kê lỗi với mô hình LSTM dự báo nhiệt độ cho 20 ngày liên
tiếp ................................................................................................................... 50
Bảng 4.4: Thống kê lỗi với mô hình LSTM dự báo độ pH cho 20 ngày liên
tiếp ................................................................................................................... 51
Bảng 4.5: Thống kê lỗi với mô hình LSTM và GRU dự báo nhiệt độ cho 20
ngày liên tiếp ................................................................................................... 57
Bảng 4.6: Thống kê lỗi với mô hình LSTM và GRU dự báo độ pH cho 20
ngày liên tiếp ................................................................................................... 58
DANH MỤC CÁC HÌNH
Hình 1: Ảnh hưởng của pH đến sinh vật thủy sinh ........................................... 6
Hình 1.1 Thị phần điện toán biên theo khu vực .............................................. 12
Hình 1.2 Kiến trúc tổng quát của các hệ thống IoT ........................................ 14
Hình 2.1: Mô tả hoạt động của mạng nơ-ron RNN ........................................ 22
Hình 2.2: Cấu trúc của một tế bào mạng nơ-ron RNN ................................... 22
Hình 2.3: So sánh mô hình 2 mạng RNN và LSTM ....................................... 24
Hình 2.4: Mô hình 1 tế bào mạng LSTM........................................................ 26
Hình 2.5: Mô hình 1 tế bào mạng GRU .......................................................... 27
Hình 3.1: Mô hình đề xuất cho hệ thống giám sát và dự báo chất lượng nước
......................................................................................................................... 30
Hình 3.2: Kiến trúc của lớp cảm biến ............................................................. 30
Hình 3.3: Cảm biến đo độ pH (pH Analog Meter Pro Kit V2)....................... 32
Hình 3.4: Cảm biến nhiệt độ DS18B20 .......................................................... 33
Hình 3.5: sơ đồ nguyên lý của lớp cảm biến................................................... 33
Hình 3.6: Ảnh chụp thực tế bo mạch tại lớp cảm biến sau khi thi công ......... 34
Hình 3.7: Bo mạch Raspberry Pi 4B ............................................................... 34
Hình 3.8: Biểu diễn dữ liệu cảm biến thu được theo thời gian thực tại
Thingspeak ...................................................................................................... 36
Hình 4.1: Ao nuôi tôm nơi đặt thiết bị thu thập dữ liệu.................................. 39
Hình 4.2: Tủ đựng thiết bị thu thập dữ liệu, đặt tại ao nuôi tôm .................... 39
Hình 4.3: Tập dữ liệu thu nhận được từ hiện trường ...................................... 40
Hình 4.4: Biểu diễn nhiệt độ từ tập dữ liệu thu thập ....................................... 40
Hình 4.5: Biểu diễn độ pH nước từ tập dữ liệu thu thập................................. 41
Hình 4.6: Biểu đồ histogram cho nhiệt độ và độ pH từ tập dữ liệu thu thập .. 41
Hình 4.7: Biểu đồ Box plot cho nhiệt độ và độ pH từ tập dữ liệu thu thập .... 42
Hình 4.8: Biểu đồ scatter giữa nhiệt độ và độ pH ........................................... 42
Hình 4.9: Biểu diễn thời gian giữa 2 điểm dữ liệu liên tiếp nhau với tập dữ
liệu thu thập từ thực địa................................................................................... 44
Hình 4.10: Biểu diễn thời gian giữa 2 điểm dữ liệu liên tiếp nhau với tập dữ
liệu sau khi xử lý ............................................................................................. 45
Hình 4.11: Kiến trúc mô hình dự báo ............................................................. 46
Hình 4.12: Kích thước dữ liệu ngõ vào và ngõ ra của mô hình LSTM .......... 46
Hình 4.13: Mô tả hoạt động dự báo của mô hình ........................................... 47
Hình 4.14: Chia tập dữ liệu huấn luyện và kiểm tra cho tham số nhiệt độ..... 47
Hình 4.15: Chia tập dữ liệu huấn luyện và kiểm tra cho tham số độ pH ........ 47
Hình 4.16: Kết quả huấn luyện với tham số nhiệt độ ..................................... 48
Hình 4.17: kết quả huấn luyện với tham số độ pH ......................................... 48
Hình 4.18: Kết quả dự báo nhiệt độ trên tập kiểm tra..................................... 48
Hình 4.19: Kết quả dự báo nhiệt độ trên tập kiểm tra..................................... 49
Hình 4.20: Đồ thị scatter nhiệt độ dự đoán trên tập kiểm tra.......................... 49
Hình 4.21: Đồ thị scatter độ pH dự đoán trên tập kiểm tra ............................. 49
Hình 4.22: kết quả dự báo nhiệt độ cho 1 ngày kế tiếp .................................. 50
Hình 4.23: Kết quả dự báo độ pH cho 1 ngày kế tiếp ..................................... 50
Hình 4.24: Cài đặt hệ điều hành Ubuntu 22.04............................................... 52
Hình 4.25: Các file mô hình được lưu trong bộ nhớ của raspberry Pi............ 53
Hình 4.26: Khởi chạy mô hình dự báo trên raspberry Pi ................................ 53
Hình 4.27: Giao diện web app hiển thị kết quả dự báo................................... 54
Hình 4.28: Triển khai Raspberry tại hiện trường ............................................ 54
Hình 4.29: Triển khai Raspberry tại hiện trường ............................................ 55
Hình 4.30: Kết quả dự báo nhiệt độ cho 1 ngày tiếp theo .............................. 56
Hình 4.31: Kết quả dự báo độ pH cho 1 ngày tiếp theo.................................. 57
1
0 PHẦN 1. MỞ ĐẦU
1. Lý do chọn đề tài
Nước là một trong những nguồn tài nguyên quan trọng nhất đối với tất cả
các sinh vật sống trên trái đất. Tuy vậy, dưới ảnh hưởng của biến đổi khí hậu
và quá trình công nghiệp hóa trong thời gian gần đây, nguồn nước bị ô nhiễm
nặng nề và tác động xấu tới chất lượng cuộc sống người dân cũng như các hoạt
động sản xuất của đời sống xã hội, trong đó có nuôi trồng thủy sản (chẳng hạn
làm giảm năng suất và chất lượng sản phẩm, gây bệnh và chết vật nuôi dẫn đến
các thiệt hại về kinh tế...). Chính vì vậy, việc giám sát và dự báo chất lượng
nguồn nước phục vụ nuôi trồng thủy sản là một nhiệm vụ quan trọng để đảm
bảo năng suất, chất lượng sản phẩm và bảo vệ hệ sinh thái.
Trên thực tế, việc giám sát chất lượng nguồn nước đã được triển khai theo
phương pháp truyền thống, tức lấy mẫu thủ công và phân tích định kỳ ở quy
mô phòng thí nghiệm, phương pháp truyền thống này tiêu tốn nhiều thời gian
và nguồn lực cũng như không đáp ứng được tính kịp thời và liên tục trong hoạt
động giám sát. Đặc biệt, các giải pháp truyền thống thiếu khả năng dự báo, cảnh
báo với các nguy cơ ô nhiễm có thể xãy ra trong tương lai gần.
Để giải quyết các hạn chế nêu trên, thông qua các công nghệ kết nối vạn
vật - IoT (Internet of Things) hiện có trên thị trường, giải pháp có thể triển khai
các cảm biến tại thực địa để theo dõi các chỉ số về độ mặn, nhiệt độ, độ pH và
oxy hòa tan... trong nước. Kết hợp với các thuật toán máy học, các dữ liệu được
thu thập ở thực địa sẽ được xử lý, phân tích và đánh giá để đưa ra những cảnh
báo sớm về chất lượng nguồn nước, góp phần nâng cao năng suất và chất lượng
sản phẩm.
Trong vài năm gần đây, việc kết hợp giữa IoT, điện toán biên EC (Edge
Computing) và trí tuệ nhân tạo - AI (Artificial Intelligence) đang được xem là
2
một giải pháp hiệu quả để nâng cao hiệu quả của các hệ thống giám sát và cảnh
báo chất lượng nước [12], [15], [16], [17]. Các giải pháp này cho phép thực
hiện các thuật toán AI để xử lý dữ liệu tại thiết bị biên (Edge device) thay vì tại
máy chủ tập trung (Cloud Server). Giải pháp Edge AI đảm bảo xử lý dữ liệu
theo thời gian thực, bảo mật dữ liệu, giảm thiểu băng thông đường truyền, giảm
thiểu chi phí đầu tư và giảm năng lượng tiêu thụ. Giải pháp này đang thu hút
nhiều sự quan tâm của cộng đồng nghiên cứu học thuật và doanh nghiệp trên
thế giới. Tuy nhiên việc ứng dụng giải pháp này tại Việt Nam, đặc biệt là trong
lĩnh vực giám sát chất lượng nước chưa nhiều. Chính vì vậy, trong luận văn
này, tác giả lựa chọn đề tài “Ứng dụng LSTM trong giám sát và dự báo chất
lượng nguồn nước”.
2. Tổng quan tình hình nghiên cứu đề tài
- Trong nước
Trong nghiên cứu [6], nhóm tác giả của Viện nghiên cứu sáng chế và khai
thác công nghệ đã lắp đặt các thiết bị giám sát các thông số môi trường nước
như NH4, NO2, O2, Nitơ, độ mặn phục vụ nuôi tôm giống tại Nam Định. Thiết
bị sử dụng công nghệ LoRa (Long Range) để truyền thông tin về các thông số
chất lượng nước về máy chủ và điện thoại của người sử dụng.
Nhóm tác giả của công ty trách nhiệm hữu hạn Công nghệ MIND đã phát
triển sản phẩm ‘Thiết bị quan trắc nước thải’ để đo và giám sát 8 thông số: pH,
DO, nhiệt độ, độ mặn, độ trong, NH3, H2S và độ kiềm [2]. Dữ liệu về chất
lượng nước cùng sản lượng mỗi vụ được đưa về trung tâm dữ liệu của công ty
và được phân tích bằng các thuật toán AI để đưa ra những chuẩn đoán về hiện
trạng nguồn nước trong ao nuôi và các gợi ý giúp nâng cao sản lượng.
Trong nghiên cứu [15], Nhóm tác giả giới thiệu hệ thống giám sát và dự
báo chất lượng nước nuôi trồng thủy sản với các tham số độ mặn, pH, nhiệt độ
và độ oxy hòa tan dựa trên IoT và mạng học sâu LSTM (Long Short Term
3
Memory). Kết quả thực hiện trên môt số bộ dữ liệu mẫu cho thấy kết quả khả
thi. Tuy nhiên, do quá trình thu thập dữ liệu thực tế chưa hoàn thành nên chưa
đưa ra kết quả dự báo với chất lượng nước tại Việt Nam.
- Thế giới
Trong báo cáo [16], các tác giả đã phát triển một hệ thống dựa trên website
để theo dõi độ pH và độ mặn của nước phục vụ cho việc nuôi trồng thủy sản.
Dữ liệu về độ pH và độ mặn của nước được gửi đến và lưu trữ tại cơ sở dữ liệu
của máy chủ. Người dùng có thể theo dõi trực tiếp từ giao diện website và nếu
các thông số vượt quá giá trị cho phép sẽ gửi các thông tin cảnh báo đế người
dân để thực hiện các bước cần thiết.
Các tác giả trong nghiên cứu [8] đã giới thiệu hệ thống “Giám sát chất
lượng nước nuôi cá thâm canh từ xa” tại Trung Quốc. Dựa trên dữ liệu lịch sử
và sử dụng mạng nơ-ron nhân tạo ANN (Artificial Neural Networks), hệ thống
có thể dự báo chất lượng nước nhằm tránh các thiệt hại đối với vật nuôi.
Các nghiên cứu nêu trên bước đầu đạt được một số kết quả đáng khích lệ
trong quá trình giám sát, cảnh báo và dự báo môi trường nước nuôi trồng thủy
sản, các nghiên cứu hiện nay còn tồn tại một số hạn chế chính như sau:
Các nghiên cứu thực hiện dự báo chất lượng nước chưa sử dụng nguồn
dữ liệu thực tế tại địa phương cũng như chưa thu thập đủ dữ liệu với
thời gian đủ dài. Vì vậy, độ chính xác dự đoán từ các mô hình này chưa
cao;
Việc dự báo chất lượng nước được thực hiện tại máy chủ tập trung làm
tăng thời gian trễ. Đồng thời, các mô hình hiện có phụ thuộc vào cơ sở
hạ tầng Internet để truyền và nhận dữ liệu, điều này làm tăng chi phí
triển khai hệ thống.
4
Để giải quyết những hạn chế và tồn tại trong các nghiên cứu và sản phẩm
nêu trên, trong luận văn này, tác giả tập trung vào các nội dung sau:
Thiết kế và triển khai hệ thống cảm biến sử dụng các công nghệ IoT để
thu thập trực tiếp một số thông số chất lượng nước nuôi thủy sản;
Nghiên cứu và ứng dụng công nghệ Edge AI kết hợp với thuật toán
LSTM nhằm đề xuất mô hình dự báo chất lượng nước nuôi thủy sản tại
biên mạng;
Triển khai mô hình giám sát và dự báo hai (02) tham số cơ bản trong
nuôi trồng thủy sản là nhiệt độ và độ pH tại địa phương. Dữ liệu phục
vụ cho mô hình dự đoán là dữ liệu được thu thập từ ao nuôi tôm hộ gia
đình tại xã Tam Quan Bắc, huyện Hoài Nhơn, tỉnh Bình Định.
3. Mục đích và nhiệm vụ nghiên cứu
Nghiên cứu và ứng dụng công nghệ Edge AI trong giám sát, phân tích,
đánh giá và dự báo chất lượng nguồn nước phục vụ nuôi trồng thủy sản. Giải
pháp đề xuất trong đề tài có khả năng đưa ra những dự báo chất lượng nguồn
nước trong tương lai gần, có độ tin cậy, đáp ứng tính kịp thời trong công tác
giám sát chất lượng nguồn nước phụ vụ hoạt động nuôi trồng thủy sản, từ đó
tránh được các thiệt hại do ô nhiễm nguồn nước.
Để đạt được mục đích nghiên cứu, trong đề tài này, tác giả đề xuất các
nhiệm vụ cụ thể sau:
- Nghiên cứu, thiết kế và triển khai mô hình hệ thống IoT để thu thập
và giám sát một số tham số của nước nuôi trồng thủy sản tại thực địa.
Dữ liệu thu thập được từ hệ thống này sẽ được sử dụng để thực hiện
các hoạt động phân tích và dự báo chất lượng nước;
- Nghiên cứu và đề xuất giải pháp kết hợp giữa công nghệ Edge
Computing và AI (dựa trên mạng hồi quy RNN - Recurrent Neural
5
Network và mô hình LSTM - Long Short Term Memory) để phân tích
và dự báo các tham số của nước;
- Triển khai mô hình dự báo tại thực địa thực hiện dự báo chất lượng
nguồn nước dựa trên dữ liệu thu thập theo thời gian thực.
4. Đối tượng và phạm vi nghiên cứu
Trong nuôi trồng thủy sản, độ pH và nhiệt độ là những thành phần quan
trọng luôn được nhắc đến nhiều bởi yếu tố này phản ánh đầy đủ các yếu tố lý,
hóa, sinh của môi trường ao nuôi và ảnh hưởng trực tiếp đến sức khỏe của thủy
sản nuôi như sinh trưởng, tỉ lệ sống, dinh dưỡng...
- Ảnh hưởng của độ pH
Như đã biết, độ pH là chỉ số đo đặc trưng về độ axit (chua) và độ kiềm
(chát) của nước. Trong nuôi trồng thủy sản, pH thích hợp dạo động trong
khoảng từ 6 đến 9 (riêng đối với tôm thích hợp nhất là từ 7.8 đến 8.5, tôm sẽ
chết khi pH dưới 4 và lớn hơn 11), vì thế khi pH môi trường biến động quá cao
hoặc quá thấp sẽ có thể gây chết tôm, cá,....[3] Trong đó:
Khi pH quá thấp (pH < 5.5): khả năng tích trữ khoáng trong cơ thể
tôm, cá,... bị giảm thấp khiến tôm bị mềm vỏ hoặc gây tác hại trực
tiếp đến chất nhờn da cá, nồng độ H2S tăng cao gây ngộ độc cho
tôm, cá,... [3];
Khi pH quá cao (pH > 8.5): môi trường này làm cho tôm, cá,.. trao
đổi chất nhiều hơn nên chậm phát triển, Ngoài ra, các chất cặn bã
như rong rêu, tảo chết, thức ăn thừa,.. cũng là nguyên nhân tạo
ammoniac. Đây là hợp chất vô cùng độc hại cho các sinh vật thủy
sinh. [3].
6
Hình 1: Ảnh hưởng của pH đến sinh vật thủy sinh
(nguồn: mybinh.com.vn)
- Ảnh hưởng của nhiệt độ
Thủy sản nuôi trồng hầu hết là các loài động vật biến nhiệt (thân nhiệt thay
đổi theo môi trường sống), do đó khi nhiệt độ môi trường thay đổi sẽ gây tác
động đến quá trình trao đổi chất, hô hấp và tiêu hóa của vật nuôi, tốc độ tăng
trưởng của các loài thủy sinh sẽ tăng gần gấp đôi khi nhiệt độ nước tăng thêm
10oC trong phạm vi tối ưu, tương đương 10% cho mỗi 1oC tăng thêm, tuy nhiên
khi vượt ngưỡng nhiệt độ tối ưu cho mỗi loại thì tốc độ tăng trưởng sẽ bị chậm
lại. [1]
Khi nhiệt độ tăng cao sẽ thúc đẩy quá trình trao đổi chất trong cơ thể vật
nuôi tăng cao, theo đó vật nuôi phải tăng cường hô hấp để cung cấp Oxy, từ đó
chúng sử dụng thức ăn nhiều hơn, quá trình tiêu hóa cũng nhanh hơn, tuy nhiên,
sự tiêu hóa thức ăn nhiều như vậy trong khi lượng men tiêu hóa trong cơ thể
tôm, cá lại có hạn nên khó có thể hấp thu được hết các chất dinh dưỡng trong
thức ăn như ở nhiệt độ thường, đồng nghĩa sẽ tiêu tốn nhiều thức ăn mà hiệu
quả không cao. Mặt khác nhiệt độ cao còn gây cho quá trình phân hủy thức ăn
thừa và chất thải của tôm, cá diễn ra nhanh hơn, quá trình này tiêu tốn nhiều
Oxy và gây ra thiếu Oxy cục bộ ở tầng đáy đồng thời sinh ra nhiều khí độc và
vi khuẩn gây bệnh. Ngoài ra nhiệt độ tăng cao còn gây căng thẳng cho vật nuôi,
7
khiến chúng khó thích nghi với môi trường, dẫn đến sức đề kháng giảm có dễ
có nguy cơ bị các loài vi khuẩn hoặc virut có sẳn trong nước tấn công.
Khi nhiệt độ hạ thấp, quá trình trao đổi chất của tôm, cá sẽ giảm, dấn đến
sức ăn cũng giảm theo, kéo dài thời gian lột xác của tôm và làm chậm tăng
trưởng ở cá. Khi nhiệt độ xuống thấp quá ngưỡng giới hạn, một số loài có sức
đề kháng kém sẽ bỏ ăn và chết, đặc biệt là tôm, cá giai đoạn còn nhỏ. Nếu nhiệt
độ hạ thấp kéo dài, vật nuôi có xu hướng di chuyển xuống đáy ao để tránh rét,
nguy cơ tiếp xúc ới khi độc và nấng sẽ cao. [4]
Bảng 1: Quy chuẩn nước nuôi tôm
(theo Quy chuẩn kỹ thuật quốc gia về cơ sở nuôi tôm nước lợ)
Thông số
STT
Tối ưu
Giới hạn
1
Nhiệt độ (oC)
20 – 30
18 – 33
2
Độ pH (dao động sáng sớm, chiều
7.5 – 8.5
7–9
10 – 25
5 - 35
>5
> 3.5
< 0.1
< 0.3
không quá 0,5)
3
Độ mặn (o/oo)
4
Nồng độ Oxy hòa tan (mg/l)
5
Amoniac tự do NH3 (mg/l)
Theo đặc tính mỗi loài tôm, cá chỉ có thể sử dụng và hấp thụ thức ăn hiệu
quả khi sống trong ngưỡng nhiệt độ và môi trường có độ pH phù hợp, vì vậy
việc giữ ổn định nhiệt độ và độ pH của nước sẽ trực tiếp ảnh hưởng đến quá
trình sinh trưởng của thủy sản nuôi và hiệu quả nuôi trồng.
Dựa vào những cơ sở phân tích nêu trên, trong phạm vi của luận văn này,
tác giả lựa chọn nhiệt độ, độ pH của nước nuôi tôm là hai tham số chính để tiến
hành nghiên cứu.
8
5. Phương pháp nghiên cứu
Sử dụng kết hợp 2 phương pháp lý thuyết và thực nghiệm:
Nghiên cứu lý thuyết:
o Nghiên cứu công nghệ Edge Computing, AI, LSTM, và một số kỹ
thuật xử lý dữ liệu.
o Xây dựng tập dữ liệu huấn luyện.
o Triển khai mô hình dự đoán chất lượng nước từ tập dữ liệu huấn
luyện dựa trên các thuật toán AI và Edge Computing.
Triển khai thực tế:
o Triển khai thực nghiệm mô hình hệ thống giám sát và dự báo một
số tham số chất lượng nước ứng dụng Edge AI trên quy mô nhỏ.
9
PHẦN 2. NỘI DUNG CHÍNH
1 CHƯƠNG 1. TỔNG QUAN VỀ EDGE AI VÀ IOT
1.1. Giới thiệu chương
Chương này sẽ giới thiệu những kiến thức tổng quan về Edge
Computing/AI/IoT. Đồng thời trong chương này sẽ giới thiệu khả năng kết hợp
giữa Edge AI trong các ứng dụng IoT, xu hướng triển khai và vai trò của Edge
AI và IoT trong các ứng dụng giám sát và dự báo nói chung, đặc biệt là trong
giám sát và dự báo chất lượng nước phục vụ nuôi trồng thủy sản. Các yêu cầu,
thách thức khi triển khai Edge AI và IoT cũng được đề cập trong chương này.
1.2. Tổng quan về Edge AI
1.2.1. Điện toán biên (Edge Computing)
Edge Computing hay còn gọi là điện toán biên là việc xử lý tính toán dữ
liệu cảm biến từ các nút và gần biên logic của mạng, hướng tới các nguồn dữ
liệu riêng lẻ. Thay vì gửi dữ liệu đến các trung tâm dữ liệu đám mây, điện toán
biên mang sức mạnh tính toán đến gần nguồn dữ liệu để đảm bảo xử lý theo
thời gian thực, không có độ trễ đồng thời giảm yêu cầu về băng thông và lưu
trữ trên mạng.
Khác với các hệ thống nhúng truyền thống đã tồn tại hơn 40 năm qua, điện
toán biên không chỉ là một vi điều khiển 8 bit đơn giản điều khiển theo các
trường hợp được lập trình sẳn, mà điện toán biên giải quyết các vấn đề quan
trọng với số đối tượng và dữ liệu được kết nối với mức độ phức tạp cao và ngày
càng tăng.
Trong lĩnh vực IoT, điện toán biên được ứng dụng vào một số lĩnh vực cụ
thể như sau:
10
Giải quyết, phán đoán nhanh và đưa ra quyết định theo thời gian
thực cho các tình huống về an toàn như phẩu thuật từ xa hoặc xe
tự lái;
Các giải pháp giúp xử lý các dữ liệu lớn phi cấu trúc như video,
âm thanh để tiết kiệm chi phí truyền tải dữ liệu qua các nhà cung
cấp dịch vụ dữ liệu di động hoặc lưu trữ.
Tuy vậy, Điện toán đám mây và điện toán biên không loại trừ lẫn nhau.
Một hệ thống khi kết hợp hai mô hình điện toán này sẽ mang lại hiệu quả cao
hơn, vì một máy chủ biên (trong cùng một khu vực hoặc trên cùng một cơ sở)
có thể xử lý các tác vụ nhạy cảm về thời gian trong khi gửi dữ liệu đã lọc lên
đám mây để phân tích sâu hơn, tốn nhiều thời gian hơn.
1.2.2. Edge AI
Edge AI là thuật ngữ chỉ sự kết hợp của Edge Computing (điện toán biên)
và Artificial Intelligence (trí tuệ nhân tạo). Edge AI là quá trình tính toán AI
được thực hiện gần người dùng ở rìa của mạng, gần nơi đặt hoặc tạo ra dữ liệu,
thay vì tập trung trong cơ sở điện toán đám mây hoặc trung tâm dữ liệu. Edge
AI mang lại khả năng tính toán hiệu suất cao tại vùng rìa mạng, nơi đặt các cảm
biến và thiết bị IoT. Edge AI cho phép các ứng dụng AI chạy trực tiếp trên các
thiết bị tại hiện trường, xử lý dữ liệu tại hiện trường và chạy các thuật toán máy
học ML (Machine Learning) và học sâu DL (Deep Learning), từ đó thể đưa ra
quyết định độc lập trong thời gian ngắn.
Với việc tăng cường khả năng tính toán tại vùng rìa của mạng, Edge AI
mang lại một số lợi ích cụ thể như:
Thông minh và linh hoạt hơn:
Các ứng dụng sẽ trở nên thông minh và linh hoạt hơn so với các
ứng dụng được lập trình thông thường chỉ có thể phản hồi với các
đầu vào và trường hợp đã được lập trình viên dự đoán trước;
- Xem thêm -