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

2

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

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.