Giới thiệu dự án

  • Context & industry statistics
    • Global soybean production in 2016 reached 334 million t (FAOSTAT, 2018) with an average yield of 27.6 t ha⁻¹.
    • Vietnam’s average yield in 2016 was 16.1 t ha⁻¹, while the Thái Nguyên province recorded 14.4 t ha⁻¹ (FAOSTAT, 2018).
  • Problem statement
    • Low productivity of local soybean lines (average 14 t ha⁻¹) hampers farmer income and limits the province’s contribution to national protein supply.
    • Existing germplasm lacks adequate abiotic stress tolerance (drought, cold) and disease resistance (Rhizoctonia, Phakopsora).
  • Project objectives (đánh số)
    1. Đánh giá khả năng sinh trưởng và phát triển của 28 dòng/giống (10 nội địa + 18 nhập nội).
    2. Xác định các tiêu chí TGST (Time to Growth Stage Transition) và NSLT (Năng suất lý thuyết).
    3. Đề xuất 3‑4 cải tiến kỹ thuật dựa trên bằng chứng thực nghiệm.
    4. Xây dựng bộ dữ liệu mở cho mô hình dự báo năng suất.
  • Solution approach
    • Áp dụng RCBD (Randomized Complete Block Design) 3 lần lặp, kết hợp SAS 9.1Python 3.10 để phân tích thống kê.
    • Sử dụng Marker‑Assisted Selection (MAS) dựa trên SSRSNP để khai thác gen liên quan tới độ chịu hạn và năng suất.
    • Triển khai drone‑based phenotyping (RGB + NDVI) để thu thập dữ liệu sinh lý theo thời gian.
  • Expected outcomes
    • Tăng năng suất thực thu trung bình +12 % (từ 14 t ha⁻¹ lên 15.7 t ha⁻¹) trong các đề xuất giống mới.
    • Giảm tỷ lệ hại bệnh Rhizoctonia từ 15 % xuống 5 %.
    • Tạo bộ dữ liệu 5 GB (cơn trùm 15 000 bản ghi) cho mô hình XGBoost dự đoán năng suất.
  • Scope & limitations
    • Nghiên cứu chỉ tập trung vào vụ xuân 2018 tại ĐH Nông Lâm Thái Nguyên; không bao gồm các vụ hè hay các vùng miền khác.
    • Các biện pháp cải tiến được kiểm chứng trên diện tích ≈300 m²; cần mở rộng quy mô thực địa để xác nhận tính khả thi.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Solution Pros Cons
Truyền thống (lai tạo, nhập nội) - Đã được áp dụng rộng rãi.
- Chi phí hạt giống thấp.
- Thời gian phát triển giống > 6 năm.
- Năng suất ổn định < 15 t ha⁻¹.
- Thiếu tính đa dạng gen.
Công nghệ sinh học (MAS, CRISPR) - Rút ngắn thời gian chọn tạo < 2 năm.
- Đảm bảo biến thể gen mục tiêu.
- Đòi hỏi hạ tầng phòng thí nghiệm.
- Rủi ro pháp lý (đăng ký giống biến đổi).
Phenotyping bằng drone - Thu thập dữ liệu 1 m²/giây.
- Đánh giá đồng thời NDVI, LAI.
- Chi phí đầu tư fly‑over (US $1 200/ vụ).
Hệ thống quản lý dữ liệu (PostgreSQL + QGIS) - Lưu trữ chuẩn GIS, truy vấn nhanh.
- Hỗ trợ chia sẻ dữ liệu mở.
- Yêu cầu kiến thức SQL/ GIS cho người dùng.

Market research (đánh giá các dự án quốc tế) cho thấy AVRDC, INTSOY, và USDA đã triển khai MAS cho giống soybean, đạt 15‑20 % tăng năng suất so với truyền thống (J. Dunphy, 2012).

Yêu cầu người dùng (MoSCoW)

  • Must: Đánh giá TGST, NSLT, và các chỉ tiêu bệnh hại.
  • Should: Cung cấp module phân tích thống kê bằng R và Python.
  • Could: Tích hợp dự báo năng suất AI.
  • Won’t: Phát triển ứng dụng di động trong giai đoạn này.

Gap## Giới thiệu dự án

  • Context & industry statistics
    • Global soybean production in 2016 reached 334 million t (FAOSTAT, 2018) with an average yield of 27.6 t ha⁻¹.
    • Vietnam’s average yield in 2016 was 16.1 t ha⁻¹, while the Thái Nguyên province recorded 14.4 t ha⁻¹ (FAOSTAT, 2018).
  • Problem statement
    • Low productivity of local soybean lines (average 14 t ha⁻¹) hampers farmer income and limits the province’s contribution to national protein supply.
    • Existing germplasm lacks adequate abiotic stress tolerance (drought, cold) and disease resistance (Rhizoctonia, Phakopsora).
  • Project objectives (đánh số)
    1. Đánh giá khả năng sinh trưởng và phát triển của 28 dòng/giống (10 nội địa + 18 nhập nội).
    2. Xác định các tiêu chí TGST (Time to Growth Stage Transition) và NSLT (Năng suất lý thuyết).
    3. Đề xuất 3‑4 cải tiến kỹ thuật dựa trên bằng chứng thực nghiệm.
    4. Xây dựng bộ dữ liệu mở cho mô hình dự báo năng suất.
  • Solution approach
    • Áp dụng RCBD (Randomized Complete Block Design) 3 lần lặp, kết hợp SAS 9.1Python 3.10 để phân tích thống kê.
    • Sử dụng Marker‑Assisted Selection (MAS) dựa trên SSRSNP để khai thác gen liên quan tới độ chịu hạn và năng suất.
    • Triển khai drone‑based phenotyping (RGB + NDVI) để thu thập dữ liệu sinh lý theo thời gian.
  • Expected outcomes
    • Tăng năng suất thực thu trung bình +12 % (từ 14 t ha⁻¹ lên 15.7 t ha⁻¹) trong các đề xuất giống mới.
    • Giảm tỷ lệ hại bệnh Rhizoctonia từ 15 % xuống 5 %.
    • Tạo bộ dữ liệu 5 GB (cơn trùm 15 000 bản ghi) cho mô hình XGBoost dự đoán năng suất.
  • Scope & limitations
    • Nghiên cứu chỉ tập trung vào vụ xuân 2018 tại ĐH Nông Lâm Thái Nguyên; không bao gồm các vụ hè hay các vùng miền khác.
    • Các biện pháp cải tiến được kiểm chứng trên diện tích ≈300 m²; cần mở rộng quy mô thực địa để xác nhận tính khả thi.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Solution Pros Cons
Truyền thống (lai tạo, nhập nội) - Đã được áp dụng rộng rãi.
- Chi phí hạt giống thấp.
- Thời gian phát triển giống > 6 năm.
- Năng suất ổn định < 15 t ha⁻¹.
- Thiếu tính đa dạng gen.
Công nghệ sinh học (MAS, CRISPR) - Rút ngắn thời gian chọn tạo < 2 năm.
- Đảm bảo biến thể gen mục tiêu.
- Đòi hỏi hạ tầng phòng thí nghiệm.
- Rủi ro pháp lý (đăng ký giống biến đổi).
Phenotyping bằng drone - Thu thập dữ liệu 1 m²/giây.
- Đánh giá đồng thời NDVI, LAI.
- Chi phí đầu tư fly‑over (US $1 200/ vụ).
Hệ thống quản lý dữ liệu (PostgreSQL + QGIS) - Lưu trữ chuẩn GIS, truy vấn nhanh.
- Hỗ trợ chia sẻ dữ liệu mở.
- Yêu cầu kiến thức SQL/ GIS cho người dùng.

Market research (đánh giá các dự án quốc tế) cho thấy AVRDC, INTSOY, và USDA đã triển khai MAS cho giống soybean, đạt 15‑20 % tăng năng suất so với truyền thống (J. Dunphy, 2012).

Yêu cầu người dùng (MoSCoW)

  • Must: Đánh giá TGST, NSLT, và các chỉ tiêu bệnh hại.
  • Should: Cung cấp module phân tích thống kê bằng R và Python.
  • Could: Tích hợp dự báo năng suất AI.
  • Won’t: Phát triển ứng dụng di động trong giai đoạn này.

Gap analysis

  • Data gap: Thiếu dữ liệu phenotypic thời gian thực.
  • Genetic gap: Chưa khai thác SSR / SNP liên quan tới drought tolerance.
  • Technology gap: Thiếu nền tảng CI/CD cho dữ liệu thực địa.

Thiết kế hệ thống

Architecture diagram

graph LR
    subgraph Field Sensors
        DS[Drone RGB+NDVI] -->|Images| DB[(PostgreSQL + PostGIS)]
        SC[Soil Sensors] -->|Soil Data| DB
    end
    subgraph Analysisa