Ứng dụng mô hình AI để dự báo các tham số môi trường trong nuôi trồng thủy sản thông minh

Tài liệu nghiên cứu Ứng dụng mô hình ai để dự báo các tham số môi trường trong hệ thống quan trắc môi trường nuôi trồng, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Hà Ngọc Anh
• Người hướng dẫn: PGS. Trần Quang Vinh
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Dự Báo Tham Số Môi Trường Trong Nuôi Trồng Thủy Sản Bằng Mô Hình AI
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu của đề tài
• 1.3. Phạm vi nghiên cứu
• 1.4. Công cụ thực hiện và phương pháp nghiên cứu
• 1.5. Bố cục luận văn
• 1.6. Tổng kết
• 2. KHẢO SÁT THỰC TRẠNG VÀ CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Thực trạng quan trắc môi trường thủy sản
• 2.1.1. Quan trắc môi trường thủy sản trên thế giới
• 2.1.2. Quan trắc môi trường thủy sản ở Việt Nam
• 2.2. Các hệ thống quan trắc liên quan
• 2.2.1. Hệ thống giám sát môi trường nông ngư nghiệp của công ty FarmTech
• 2.2.2. Hệ thống mạng cảm biến không dây trong nông nghiệp chính xác của ĐH Kinh tế công nghiệp Long An
• 2.2.3. Hệ thống giám sát chất lượng nước nuôi trồng thủy sản e-AQUA
• 2.2.4. Hệ thống mạng cảm biến không dây giám sát môi trường nước phục vụ nuôi trồng thủy hải sản, triển khai tại Quảng Ninh (BKRES)
• 2.2.5. Hệ thống quan trắc mực nước sông tự động
• 2.2.6. Hệ thống quản lý và giám sát nguồn phóng xạ di động (BKRAD)
• 2.3. Các tham số thiết yếu trong môi trường nuôi trủy sản
• 2.3.1. Nồng độ Oxy hòa tan (DO) hay Dissolved Oxygen
• 2.3.2. Độ muối hay độ mặn (salt)
• 3. HỆ THỐNG QUAN TRẮC MÔI TRƯỜNG
• 3.1. Tổng quan hệ thống quan trắc tự động và cảnh báo môi trường nuôi tôm hùm tại vịnh Xuân Đài và đầm Cù Mông tỉnh Phú Yên
• 3.1.1. Kiến trúc tổng thể
• 3.1.2. Phân hệ cảm biến và phân hệ trạm gốc
• 3.1.3. Phân hệ xử lý dữ liệu và cung cấp dịch vụ (máy chủ)
• 3.1.4. Phân hệ vận hành và phân hệ người dùng
• 3.2. Phạm vi luận văn trong hệ thống
• 4. DỰ BÁO CHUỖI THỜI GIAN VÀ DEEP LEARNING
• 4.1. Dự báo chuỗi thời gian (Time Series Forecasting)
• 4.1.1. Dữ liệu chuỗi thời gian
• 4.1.2. Phân tích chuỗi thời gian (Time series analysis) và dự báo chuỗi thời gian (Time series forecasting)
• 4.1.3. Các phương pháp dự báo chuỗi thời gian
• 4.2. Đôi nét về Deep Learning
• 4.2.1. Các mô hình Deep Learning phổ biến
• 4.2.2. Deep Learning với dữ liệu chuỗi thời gian
• 4.2.3. Convolutional Neural Networks với dữ liệu chuỗi thời gian
• 4.2.4. Recurrent Neural Networks với dữ liệu chuỗi thời gian
• 4.2.5. Long Short-term Memory Networks với dữ liệu chuỗi thời gian
• 5. XÂY DỰNG VÀ TRIỂN KHAI MÔ HÌNH DỰ BÁO
• 5.1. Kiến trúc module dự báo
• 5.2. Lưu đồ xây dựng mô hình
• 5.3. Xây dựng bộ dữ liệu huấn luyện mạng
• 5.3.1. Tiền xử lý dữ liệu
• 5.3.2. Chuẩn hóa dữ liệu
• 5.4. Mô hình sử dụng LSTM
• 5.4.1. Lựa chọn Dropout
• 5.5. Mô hình RNN cơ bản (SimpleRNN)
• 5.5.1. SimpleRNN 4 lớp hồi tiếp
• 5.5.2. SimpleRNN 2 lớp hồi tiếp
• 5.6. Mô hình GRU
• 5.7. Lựa chọn mô hình phù hợp
• 5.8. Sự phụ thuộc lẫn nhau của các tham số quan trắc
• 5.9. Cải tiến mô hình LSTM với nhiều tham số đầu vào (LSTM đa biến)
• 5.10. Retrain model khi có dữ liệu mới
• 6. KẾT QUẢ VÀ ĐÁNH GIÁ
• 6.1. Đánh giá kết quả dự báo (LSTM đơn biến)
• 6.1.1. Đánh giá kết quả dự báo tham số nhiệt độ
• 6.1.2. Đánh giá kết quả dự báo tham số độ mặn
• 6.1.3. Đánh giá kết quả dự báo tham số pH
• 6.1.4. Đánh giá kết quả dự báo tham số NH3
• 6.1.5. Đánh giá kết quả dự báo tham số H2S
• 6.1.6. Đánh giá kết quả dự báo tham số DO
• 6.1.7. Đánh giá kết quả dự báo tham số COD
• 6.1.8. Đánh giá kết quả dự báo tham số TSS
• 6.1.9. Đánh giá tổng hợp kết quả của mô hình dự báo
• 6.1.10. So sánh kết quả dự báo với kết quả quan trắc định kỳ
• 6.2. Đánh giá mô hình LSTM đa biến
• 6.2.1. Những điểm đạt được
• 6.2.2. Những điểm chưa đạt được
• 6.3. Hướng phát triển của đồ án trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về dự báo tham số môi trường trong nuôi trồng thủy sản

Dự báo tham số môi trường trong nuôi trồng thủy sản là một lĩnh vực quan trọng, giúp người nuôi có thể theo dõi và điều chỉnh các yếu tố môi trường nhằm tối ưu hóa sản lượng. Việc áp dụng mô hình AI trong dự báo này không chỉ nâng cao độ chính xác mà còn giúp giảm thiểu rủi ro trong quá trình nuôi trồng. Mô hình AI có khả năng phân tích dữ liệu lớn và đưa ra dự đoán dựa trên các yếu tố môi trường như nhiệt độ, độ mặn, và nồng độ oxy hòa tan.

1.1. Khái niệm về dự báo tham số môi trường

Dự báo tham số môi trường liên quan đến việc sử dụng các công nghệ hiện đại để theo dõi và dự đoán các yếu tố ảnh hưởng đến chất lượng nước trong nuôi trồng thủy sản. Các tham số này bao gồm nhiệt độ, độ mặn, và nồng độ oxy hòa tan, tất cả đều có ảnh hưởng lớn đến sự phát triển của thủy sản.

1.2. Tầm quan trọng của mô hình AI trong nuôi trồng thủy sản

Mô hình AI giúp cải thiện độ chính xác trong việc dự báo các tham số môi trường. Bằng cách sử dụng các thuật toán học sâu, mô hình có thể phân tích dữ liệu từ nhiều nguồn khác nhau, từ đó đưa ra những dự đoán chính xác hơn về các biến động trong môi trường nuôi trồng.

II. Thách thức trong việc dự báo tham số môi trường nuôi trồng thủy sản

Mặc dù có nhiều tiến bộ trong công nghệ dự báo, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng mô hình AI vào nuôi trồng thủy sản. Các yếu tố như sự biến động của môi trường, chất lượng dữ liệu và khả năng xử lý thông tin đều ảnh hưởng đến độ chính xác của dự báo.

2.1. Biến động môi trường và ảnh hưởng đến dự báo

Môi trường nước thường xuyên thay đổi do nhiều yếu tố như thời tiết, ô nhiễm và hoạt động của con người. Những biến động này có thể làm giảm độ chính xác của các mô hình dự báo nếu không được cập nhật kịp thời.

2.2. Chất lượng dữ liệu trong mô hình dự báo

Chất lượng dữ liệu đầu vào là yếu tố quyết định đến độ chính xác của mô hình AI. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những dự đoán sai lệch, gây thiệt hại cho người nuôi.

III. Phương pháp dự báo tham số môi trường bằng mô hình AI

Để dự báo các tham số môi trường trong nuôi trồng thủy sản, nhiều phương pháp khác nhau đã được áp dụng. Trong đó, mô hình LSTM (Long Short-Term Memory) được coi là một trong những giải pháp hiệu quả nhất nhờ khả năng xử lý dữ liệu chuỗi thời gian.

3.1. Mô hình LSTM trong dự báo chuỗi thời gian

Mô hình LSTM có khả năng ghi nhớ thông tin trong thời gian dài, giúp dự đoán chính xác các tham số môi trường dựa trên dữ liệu lịch sử. Điều này rất quan trọng trong việc theo dõi sự biến động của chất lượng nước.

3.2. So sánh các mô hình dự báo khác nhau

Ngoài LSTM, còn có các mô hình khác như RNN và GRU. Tuy nhiên, nghiên cứu cho thấy LSTM thường cho kết quả chính xác hơn trong việc dự báo các tham số môi trường trong nuôi trồng thủy sản.

IV. Ứng dụng thực tiễn của mô hình AI trong nuôi trồng thủy sản

Mô hình AI không chỉ giúp dự báo mà còn hỗ trợ người nuôi trong việc quản lý chất lượng nước. Việc áp dụng công nghệ này đã mang lại nhiều lợi ích cho ngành nuôi trồng thủy sản, từ việc giảm thiểu rủi ro đến tối ưu hóa quy trình sản xuất.

4.1. Cải thiện chất lượng nước trong ao nuôi

Bằng cách dự báo chính xác các tham số môi trường, người nuôi có thể điều chỉnh kịp thời các yếu tố như độ mặn và nồng độ oxy, từ đó cải thiện chất lượng nước trong ao nuôi.

4.2. Tăng cường hiệu quả sản xuất

Việc sử dụng mô hình AI giúp người nuôi có thể tối ưu hóa quy trình nuôi trồng, từ đó tăng cường hiệu quả sản xuất và giảm thiểu thiệt hại do các yếu tố môi trường.

V. Kết luận và triển vọng tương lai của mô hình AI trong nuôi trồng thủy sản

Mô hình AI đang mở ra nhiều cơ hội mới cho ngành nuôi trồng thủy sản. Với sự phát triển không ngừng của công nghệ, dự báo tham số môi trường sẽ ngày càng chính xác hơn, giúp người nuôi chủ động hơn trong việc quản lý chất lượng nước.

5.1. Tương lai của mô hình AI trong nuôi trồng thủy sản

Với sự phát triển của công nghệ, mô hình AI sẽ ngày càng được cải tiến, giúp nâng cao độ chính xác trong dự báo và quản lý chất lượng nước.

5.2. Khuyến nghị cho người nuôi trồng thủy sản

Người nuôi nên áp dụng các công nghệ mới, bao gồm mô hình AI, để cải thiện quy trình nuôi trồng và giảm thiểu rủi ro do biến động môi trường.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế và gia tăng dân số, ô nhiễm môi trường nước ngày càng trở nên nghiêm trọng, ảnh hưởng trực tiếp đến ngành nuôi trồng thủy sản (NTTS) vốn rất nhạy cảm với các biến đổi môi trường. Chất lượng nước trong ao nuôi là yếu tố quyết định sự thành bại của vụ nuôi, tuy nhiên các công cụ quan trắc hiện nay chủ yếu cung cấp dữ liệu tức thời, thiếu khả năng dự báo, khiến người nuôi thường bị động trước những biến đổi bất lợi. Mục tiêu của nghiên cứu là xây dựng một mô hình trí tuệ nhân tạo (AI) dự báo các tham số môi trường trong hệ thống quan trắc môi trường nuôi trồng thủy sản thông minh, nhằm giúp người nuôi chủ động giám sát và ứng phó kịp thời với các thay đổi môi trường. Nghiên cứu tập trung vào khu vực Vịnh Xuân Đài và đầm Cù Mông, tỉnh Phú Yên, sử dụng dữ liệu thu thập năm 2020. Việc ứng dụng mô hình AI, đặc biệt là mạng neural bộ nhớ dài hạn và ngắn hạn (LSTM), được kỳ vọng nâng cao độ chính xác dự báo các tham số như nhiệt độ, độ mặn, pH, oxy hòa tan (DO), NH4+, H2S, COD và TSS, góp phần thúc đẩy quá trình thông minh hóa ngành NTTS trong nước. Nghiên cứu có ý nghĩa quan trọng trong việc giảm thiểu rủi ro, nâng cao hiệu quả sản xuất và bảo vệ môi trường nuôi trồng thủy sản.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết dữ liệu chuỗi thời gian và ứng dụng các mô hình deep learning trong dự báo chuỗi thời gian. Chuỗi thời gian là tập hợp các quan sát được ghi nhận theo thứ tự thời gian, có tính chất phụ thuộc lẫn nhau giữa các thời điểm. Các mô hình deep learning phổ biến được khảo sát bao gồm:

• Mạng Neural Hồi tiếp (RNN): Mô hình có khả năng xử lý dữ liệu tuần tự, tuy nhiên gặp khó khăn với vấn đề mất mát thông tin dài hạn.
• Mạng Neural Bộ nhớ Dài hạn và Ngắn hạn (LSTM): Cải tiến của RNN, có khả năng ghi nhớ thông tin dài hạn nhờ cấu trúc cell đặc biệt, phù hợp với dữ liệu chuỗi thời gian phức tạp.
• Mạng Neural Đơn vị Cổng (GRU): Một biến thể của LSTM với cấu trúc đơn giản hơn, giảm thiểu số lượng tham số nhưng vẫn giữ được hiệu quả dự báo.

Các khái niệm chính bao gồm: tham số môi trường (nhiệt độ, pH, DO, độ mặn, NH4+, H2S, COD, TSS), dữ liệu chuỗi thời gian, học sâu (deep learning), mạng neural hồi tiếp, và dự báo đa biến.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ hệ thống quan trắc tự động tại Vịnh Xuân Đài và đầm Cù Mông, tỉnh Phú Yên trong năm 2020. Dữ liệu bao gồm các tham số môi trường nước được đo liên tục qua các trạm cảm biến tự động. Cỡ mẫu dữ liệu là khoảng hàng nghìn điểm quan trắc theo thời gian, đảm bảo tính đại diện và độ tin cậy.

Phương pháp phân tích gồm các bước:

• Tiền xử lý dữ liệu: Loại bỏ dữ liệu nhiễu, chuẩn hóa các tham số để đưa về cùng thang đo.
• Xây dựng bộ dữ liệu huấn luyện: Chia dữ liệu thành tập huấn luyện và tập kiểm thử theo tỷ lệ phù hợp.
• Triển khai mô hình deep learning: Xây dựng và huấn luyện các mô hình LSTM, RNN, GRU với cấu trúc mạng nhiều lớp, sử dụng thư viện TensorFlow trên ngôn ngữ Python.
• Đánh giá mô hình: Sử dụng các chỉ số sai số trung bình, sai số lớn nhất, phương sai và độ lệch chuẩn để so sánh hiệu quả dự báo giữa các mô hình.
• Cải tiến mô hình LSTM đa biến: Kết hợp nhiều tham số đầu vào để nâng cao độ chính xác dự báo.
• Cập nhật mô hình: Áp dụng kỹ thuật retrain khi có dữ liệu mới để duy trì hiệu quả dự báo theo thời gian.

Timeline nghiên cứu kéo dài trong năm 2020, từ thu thập dữ liệu, xây dựng mô hình đến đánh giá và hoàn thiện giải pháp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình LSTM đơn biến: Mô hình LSTM cho kết quả dự báo tham số nhiệt độ với sai số trung bình thấp hơn 15% so với mô hình RNN và GRU. Sai số lớn nhất của LSTM chỉ khoảng 0.5°C, trong khi RNN và GRU có sai số lớn hơn 0.7°C.

2. Dự báo đa biến nâng cao độ chính xác: Khi sử dụng mô hình LSTM đa biến với các tham số đầu vào gồm nhiệt độ, độ mặn, pH, DO, NH4+, H2S, COD và TSS, độ chính xác dự báo tăng lên khoảng 20% so với mô hình đơn biến, đặc biệt với các tham số biến động nhanh như DO và NH4+.

3. Khả năng dự báo nhiều bước thời gian: Mô hình LSTM có thể dự báo trước các tham số môi trường từ 1 đến 6 giờ với độ chính xác duy trì trên 85%, giúp người nuôi có thời gian ứng phó kịp thời.

4. So sánh với dữ liệu quan trắc định kỳ: Kết quả dự báo của mô hình LSTM phù hợp với dữ liệu quan trắc định kỳ từ 07/10/2020 đến 16/12/2020, sai số trung bình dưới 10%, cho thấy tính khả thi trong thực tế.

Thảo luận kết quả

Nguyên nhân mô hình LSTM vượt trội là do khả năng ghi nhớ thông tin dài hạn và xử lý các phụ thuộc phức tạp trong chuỗi thời gian, phù hợp với đặc điểm biến động thất thường của môi trường nước nuôi trồng thủy sản. Việc kết hợp đa biến đầu vào giúp mô hình tận dụng mối quan hệ phụ thuộc giữa các tham số môi trường, từ đó nâng cao độ chính xác dự báo.

So với các nghiên cứu trước đây sử dụng mô hình RNN hoặc các phương pháp truyền thống, kết quả này cho thấy sự cải tiến rõ rệt về hiệu quả dự báo và khả năng ứng dụng thực tiễn. Dữ liệu có thể được trình bày qua biểu đồ so sánh giá trị dự báo và giá trị thực tế theo thời gian, cũng như bảng tổng hợp sai số các mô hình để minh họa sự khác biệt hiệu năng.

Ý nghĩa của nghiên cứu là cung cấp một công cụ dự báo chính xác, liên tục và kịp thời, giúp người nuôi thủy sản chủ động trong quản lý chất lượng nước, giảm thiểu thiệt hại do biến động môi trường, đồng thời góp phần thúc đẩy phát triển NTTS thông minh và bền vững.

Đề xuất và khuyến nghị

1. Triển khai hệ thống dự báo AI tích hợp trong hệ thống quan trắc: Áp dụng mô hình LSTM đa biến vào hệ thống quan trắc tự động tại các vùng nuôi trọng điểm, nhằm cung cấp dự báo liên tục và cảnh báo sớm. Thời gian thực hiện trong vòng 6 tháng, chủ thể là các cơ quan quản lý thủy sản và đơn vị nghiên cứu.

2. Nâng cấp và mở rộng mạng lưới cảm biến: Tăng cường số lượng trạm quan trắc tự động, bổ sung các cảm biến đo các tham số biến động nhanh như DO, NH4+, H2S để cải thiện chất lượng dữ liệu đầu vào cho mô hình. Thời gian thực hiện 1 năm, chủ thể là các địa phương và nhà đầu tư công nghệ.

3. Đào tạo và nâng cao năng lực vận hành hệ thống: Tổ chức các khóa đào tạo cho cán bộ kỹ thuật và người nuôi về sử dụng hệ thống giám sát và dự báo, cách thức ứng phó với cảnh báo môi trường. Thời gian 3-6 tháng, chủ thể là các viện nghiên cứu và trung tâm đào tạo.

4. Phát triển phần mềm ứng dụng di động và web: Cung cấp giao diện thân thiện cho người dùng cuối, cho phép theo dõi dữ liệu thời gian thực, nhận cảnh báo và hướng dẫn xử lý. Thời gian phát triển 6 tháng, chủ thể là các đơn vị công nghệ thông tin.

5. Cập nhật và bảo trì mô hình dự báo định kỳ: Áp dụng kỹ thuật retrain mô hình khi có dữ liệu mới để duy trì độ chính xác dự báo theo thời gian. Chủ thể là nhóm nghiên cứu và đơn vị vận hành hệ thống, thực hiện liên tục hàng năm.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý ngành thủy sản: Giúp hoạch định chính sách, xây dựng quy trình quản lý chất lượng nước và phát triển NTTS thông minh dựa trên dữ liệu dự báo chính xác.

2. Các nhà nghiên cứu và phát triển công nghệ: Tham khảo phương pháp ứng dụng AI trong dự báo môi trường, phát triển các mô hình deep learning phù hợp với dữ liệu chuỗi thời gian trong lĩnh vực thủy sản.

3. Doanh nghiệp công nghệ và cung cấp thiết bị cảm biến: Nắm bắt nhu cầu và đặc điểm kỹ thuật của hệ thống quan trắc tự động, từ đó phát triển sản phẩm phù hợp với thị trường NTTS.

4. Người nuôi trồng thủy sản: Sử dụng các công cụ giám sát và dự báo để chủ động quản lý môi trường nuôi, giảm thiểu rủi ro và nâng cao hiệu quả sản xuất.

Câu hỏi thường gặp

1. Mô hình LSTM có ưu điểm gì so với các mô hình khác trong dự báo môi trường nuôi trồng thủy sản?
   Mô hình LSTM có khả năng ghi nhớ thông tin dài hạn và xử lý các phụ thuộc phức tạp trong chuỗi thời gian, giúp dự báo chính xác hơn các tham số môi trường biến động thất thường so với RNN hay GRU.

2. Dữ liệu quan trắc được thu thập như thế nào và có đảm bảo chất lượng không?
   Dữ liệu được thu thập từ hệ thống quan trắc tự động tại Vịnh Xuân Đài và đầm Cù Mông, với các trạm cảm biến đo liên tục các tham số môi trường. Dữ liệu được tiền xử lý và chuẩn hóa để đảm bảo độ tin cậy và phù hợp cho mô hình học sâu.

3. Mô hình có thể dự báo trước bao lâu và độ chính xác ra sao?
   Mô hình LSTM có thể dự báo trước từ 1 đến 6 giờ với độ chính xác duy trì trên 85%, giúp người nuôi có thời gian ứng phó kịp thời với các biến đổi môi trường.

4. Làm thế nào để cập nhật mô hình khi có dữ liệu mới?
   Nghiên cứu áp dụng kỹ thuật retrain mô hình, tức là huấn luyện lại mô hình với dữ liệu mới bổ sung, giúp duy trì và nâng cao độ chính xác dự báo theo thời gian.

5. Ứng dụng thực tiễn của mô hình này trong ngành nuôi trồng thủy sản là gì?
   Mô hình giúp người nuôi chủ động theo dõi và dự báo chất lượng nước, từ đó có các biện pháp xử lý kịp thời, giảm thiểu thiệt hại do môi trường xấu, nâng cao năng suất và chất lượng sản phẩm.

Kết luận

• Nghiên cứu đã xây dựng thành công mô hình AI dự báo các tham số môi trường trong hệ thống quan trắc nuôi trồng thủy sản thông minh tại Vịnh Xuân Đài, Phú Yên.
• Mô hình LSTM đa biến cho kết quả dự báo chính xác hơn 20% so với các mô hình truyền thống như RNN và GRU.
• Mô hình có khả năng dự báo trước từ 1 đến 6 giờ, hỗ trợ người nuôi chủ động ứng phó với biến đổi môi trường.
• Hệ thống quan trắc tự động tích hợp mô hình AI giúp nâng cao hiệu quả quản lý chất lượng nước và thúc đẩy phát triển NTTS thông minh.
• Các bước tiếp theo bao gồm triển khai thực tế rộng rãi, nâng cấp mạng lưới cảm biến, đào tạo nhân lực và phát triển phần mềm ứng dụng hỗ trợ người dùng cuối.

Hãy áp dụng các giải pháp dự báo AI để nâng cao hiệu quả quản lý môi trường nuôi trồng thủy sản, góp phần phát triển ngành thủy sản bền vững và thông minh.

Trích đoạn nội dung tài liệu

đặt vấn đề sức khỏe con người lên hàng đầu. Tùy theo mục tiêu của từng chương trình quan trắc, các hệ thống quan trắc tự động môi trường nước lưu vực sông, hệ thống quan trắc chất lượng nước cấp, hệ thống quan trắc nước thải công nghiệp đối với các khu công nghiệp, hệ thống quan trắc nước tưới tiêu thủy lợi, chăn nuôi cho hoạt động nông nghiệp và NTTS. được xây dựng với các bộ chỉ tiêu kiểm soát chất lượng nước đặc thù phục vụ công tác quản lý và bảo vệ môi trường. Tại các nước phát triển, nguồn kinh phí cho các hoạt động quan trắc tương đối lớn, đặc biệt đối với quan trắc theo phương pháp tự động được đầu tư với các trang thiết bị hiện đại, duy tu bảo dưỡng thường xuyên, nguồn nhân lực vận hành hệ thống cũng được đào tạo bài bản.

Đi kèm là các hệ thống đảm bảo chất lượng và kiểm soát chất lượng được văn bản hóa và thực hiện nghiêm ngặt, các phần mềm ứng dụng, dự báo và đánh giá chất lượng môi trường được phát triển mạnh. Về hành lang pháp lý cho hoạt động quan trắc môi trường tự động, hệ thống cơ sở khoa học và pháp lý được từng bước xây dựng với các văn bản hướng dẫn, các quy định sử dụng số liệu, các chính sách nhân sự. Công tác quan trắc tự động, liên tục được lồng ghép, kết hợp với các hoạt động nghiên cứu khoa học công nghệ. Số liệu quan trắc được chia sẻ rộng rãi tới cộng đồng thông qua nhiều hình thức: chỉ số chất lượng, báo cáo khoa học, hội thảo, trang web, diễn đàn, thống kê.

Nhiều chương trình quan trắc xuyên biên giới, toàn cầu được xây dựng nhằm đánh giá mức độ ô nhiễm môi trường trên khu vực rộng, quy mô lớn.1 Một số hệ thống quan trắc môi trường NTTS trên thế giới Năm 2003, với sự ủng hộ kinh phí của chính phủ Nhật Bản, bộ phận Quản lý nuôi trồng thủy sản của FAO và Cục Bảo tồn thiên nhiên (FIMA) thực hiện đề án “Nuôi trồng thủy sản bền vững: Các vấn đề được lựa chọn và hướng dẫn” tập trung vào 5 nội dung trong đó có quan trắc và đánh giá ảnh hưởng môi trường nuôi trồng thủy sản của 35 nước ở 4 khu vực: Châu Phi, châu Á - Thái Bình Dương, châu Mỹ La Tinh và Bắc Mỹ. Australia và New Zealand cũng là những nước đầu tiên ban hành quy trình hướng dẫn quan trắc chất lượng nước nuôi trồng thủy sản. Hướng dẫn này tập trung vào các yếu tố vật lý, hóa học và vi sinh có thể gây ảnh hưởng tới sản lượng hoặc chất lượng nguồn thức ăn cho tiêu dùng. Các thông số dùng để quan trắc bao gồm: Các yếu tố vi sinh (vi khuẩn lam, mầm bệnh, ký sinh trùng); các yếu tố lý hóa (DO, pH, độ muối, và nhiệt độ); các độc chất vô cơ và hữu cơ (kim loại nặng, thuốc trừ sâu) [5].

Một số hệ thống quan trắc tự động môi trường NTTS trên thế giới Như đã nhận định ở trên, việc tiến hành quan trắc chất lượng nước đối với NTTS là cần thiết đặc biệt là phương pháp quan trắc tự động nhằm có kết quả tức thời, liên tục chất lượng nước phục vụ nuôi trồng thủy sản và cảnh báo sớm các nguy cơ gây hại đối với con giống. Do đó, bộ thông số hóa lý gồm các chỉ tiêu cơ 7 bản được nhiều hệ thống quan trắc tự động trên thế giới lựa chọn. Soonhee Han và cộng sự [9] xây dựng hệ thống quan trắc cho trang trại nuôi trồng thủy sản đặc thù, các chỉ tiêu tiến hành quan trắc chất lượng nước gồm độ dẫn, nhiệt độ, DO và phần trăm bão hòa không khí. Hwang và cộng sự [10] xây dựng hệ thống quan trắc chất lượng nước với thông số nhiệt độ nước, phần trăm bão hòa của oxy hòa tan, DO, pH, độ dẫn, độ muối.

Qi Lin và cộng sự (2011) thiết kế hệ thống thu thập thông tin của nhiệt độ nước, độ dẫn, độ muối và pH. Huang Jianqing và cộng sự [11] lựa chọn hệ thống quan trắc tự động chất lượng nước thu thập thông tin của pH, nhiệt độ nước và hàm lượng oxy hòa tan DO.Simbeye và cộng sự (2014) lựa chọn đo thông số pH, mực nước, nhiệt độ nước và DO. Các kết quả đo chỉ ra sự dao động giá trị các thông số trong cả ngày. Đối với hệ thống của Lua Hongpin và cộng sự (2015) ngoài chỉ tiêu DO, nhiệt độ còn tiến hành quan trắc thêm amoni.

Gianni Cario và cộng sự (2017) giới thiệu hệ thống quan trắc cho trang trại nuôi cá với các thông số giám sát gồm nhiệt độ, pH, DO, độ muối, thế oxy hóa khử (ORP). Hiện nay, các thành phần cơ bản của hệ thống quan trắc tự động môi trường nước bao gồm: - Thiết bị lấy mẫu nước tự động - Các cảm biến đo các thông số ô nhiễm nước - Thiết bị kết nối, hiển thị và lưu trữ số liệu từ các cảm biến (Datalogger) - Thiết bị truyền dữ liệu Về kĩ thuật quan trắc, các cảm biến đo thương mại được sử dụng trên thế giới phổ biến trong quan trắc tự động dựa trên nguyên tắc trắc quang (so màu, hấp thụ UV, hấp thụ UV-vis) và điện cực ion chọn lọc. Ứng dụng công nghệ 4.0 và IoT trong quan trắc tự động môi trường NTTS Trên thế giới việc áp dụng các công nghệ tự động hóa, điện tử, công nghệ thông tin và truyền thông vào các hệ thống quan trắc môi trường NTTS một cách tự động và liên tục đã và đang được triển khai như: hệ thống đo nồng độ pH và nhiệt độ trong môi trường nước dựa trên các nút mạng cảm biến [12], hệ thống kiểm soát nguồn nước linh hoạt hàng ngày dựa trên các cảm biến ở Malawi [13], hệ thống mạng cảm biến giám sát nguồn nước tại bãi biển Kuwait dựa trên đo 8 nồng độ pH và ôxi [14]. Tại Tây Ban Nha [15], Libelium đã xây dựng hệ thống giám sát nguồn nước tại các sông, suối và các hồ nước sử dụng các cảm biến.

Các hệ thống này thu nhận các tham số như pH, ôxy hòa tan, độ mặn,. và gửi về cho trung tâm qua mạng di động. Tất cả các tham số này được tích hợp vào các đầu đo như trên Hình 2. Hệ thống này có khả năng ứng dụng trong cảnh báo ô nhiễm môi trường cũng như nuôi trồng thủy sản.

Tại Thái Lan [16], dự án (NECTEC-ACE) sử dụng cảm biến trong nuôi tôm cũng đang được triển khai. Dự án này dựa trên việc đo và điều khiển nồng độ ôxy hòa tan để tăng năng suất và sản lượng tôm. Nhờ yếu tố này mà tôm đạt chất lượng cao cũng như sản lượng yêu cầu khoảng 30 đến 35 gam trên 1 con sau một thời gian ngắn. Tại Trung Quốc có rất nhiều dự án sử dụng mạng cảm biến cho nuôi trồng thủy sản.

Một trong các dự án [17], Peng Jiang đã xây dựng các mô hình truyền dữ liệu thu được từ môi trường nước trên nền các nút cảm biến như Hình 2. Nhờ sử dụng giao thức định tuyến mới nên hệ thống đáp ứng được yêu cầu cảnh báo về thời gian thực. Tại Mỹ [18], đã đề xuất xây dựng hệ thống mạng cảm biến kết hợp cũng nuôi trồng thủy sản tạo thành một chu trình khép kín. Trong chu trình này các cảm biến đo lượng khí các sinh vật thải ra và đưa các chất này đến phục vụ sản xuất nông nghiệp.

Các cây trồng lại thải ra khí ôxy quay lại cung cấp cho các vật nuôi. Tại Ấn Độ, Alkandari [14] và Chandanapalli [19] đề xuất hệ thống ứng dụng mạng cảm biến trong nuôi cá với việc đo và kiểm soát hai tham số pH và nhiệt độ, vì đây là hai tham số biến đổi nhanh theo môi trường và ảnh hưởng trực tiếp đến vật nuôi.2 Mô hình tích hợp các cảm biến vào bộ xử lý dữ liệu (Libelium, 2018) 9 Hình 2.3 Mô hình truyền dữ liệu trong mạng cảm biến (Peng Jiang, 2018) 2.2 Quan trắc môi trường thủy sản ở Việt Nam 2. Mạng lưới quan trắc môi trường Ở Việt Nam, mạng lưới quan trắc môi trường thủy sản được hình thành dựa vào 4 trung tâm quan trắc tại các Viện 1, 2, 3 (quan trắc môi trường nuôi trồng thủy sản) và Viện NCHS (quan trắc môi trường biển và cảng cá bến cá) từ năm 2001. - Trung tâm Quốc gia quan trắc, cảnh báo môi trường và phòng ngừa dịch bệnh thủy sản (QGQT, CBMT và PNDBTS) tại Viện Nghiên cứu NTTS I.

Trung tâm QGQT, CBMT và PNDBTS có 8 trạm vùng: Trạm Cát Bà, Quý Kim, Hải Dương, Nam Định, Nghệ An, Thừa Thiên Huế, Sơn La và Tuyên Quang. - Trung tâm Quốc gia quan trắc, cảnh báo môi trường và phòng ngừa dịch bệnh thủy sản Nam bộ (QGQT, CBMT và PNDBTS Nam Bộ) tại Viện Nghiên cứu NTTS II. Trung tâm có các trạm thu mẫu được phân chia thành trạm cấp 1 và cấp 2. Trạm cấp 1 là các trạm tối thiểu giúp thu thập các tài liệu cơ bản để phân tích đánh giá chất lượng nước của một tiểu vùng.

Trạm cấp 2 là các trạm mở rộng theo yêu cầu và điều kiện cho phép. Các địa điểm chính là Bán đảo Cà Mau, Đồng Tháp Mười, Sông Tiền, Sông Hậu, Tứ giác Long Xuyên. - Trung tâm Quốc gia quan trắc, cảnh báo môi trường và phòng ngừa dịch bệnh thủy sản miền Trung (QGQT, CBMT và PNDBTS miền Trung) tại Viện Nghiên cứu NTTS III, thực hiện quan trắc môi trường tại các tỉnh từ Đà Nẵng đến Bình Thuận. - Trung tâm Quốc gia quan trắc cảnh báo môi trường biển (QGQT CBMT biển) tại Viện Nghiên cứu Hải sản.

Trung tâm tham gia vào trạm quan trắc phân tích môi trường biển quốc gia (trạm quan trắc biển khơi 5) và phụ trách quan trắc 10 môi trường biển vùng biển khơi Côn Đảo, Trung và Đông Nam bộ, Tây Nam bộ.