Bối cảnh và vấn đề nghiên cứu

Nuôi trồng thủy sản, đặc biệt là nghề nuôi tôm hùm lồng tại tỉnh Phú Yên, đóng vai trò quan trọng trong phát triển kinh tế địa phương. Tuy nhiên, tình trạng biến đổi khí hậu diễn biến phức tạp, thiên tai lũ lụt và các cơn bão liên tục đổ bộ vào khu vực miền Trung, kết hợp với các đợt bùng phát dịch bệnh đã gây thiệt hại kinh tế nghiêm trọng cho người nuôi.

Bên cạnh yếu tố thời tiết cực đoan, hoạt động nuôi trồng thủy sản tự phát, thiếu quy hoạch đồng bộ tại địa phương đã làm nảy sinh nhiều tác động tiêu cực đến môi trường nước. Việc người dân sử dụng ồ ạt thức ăn công nghiệp, thuốc thú y thủy sản và hóa chất xử lý ao đầm khiến chất lượng nước ngày càng suy thoái. Do đặc thù nuôi tôm bằng lồng hở trên các vịnh, đầm với mật độ nuôi dày, thức ăn tự nhiên dư thừa cùng xác động vật thủy sản chết không được thu gom mà xả thải trực tiếp tại chỗ, dẫn đến lượng chất hữu cơ tích lũy ngày càng nhiều ở tầng đáy. Quá trình phân hủy yếm khí chất hữu cơ phát sinh các chất khí và hợp chất độc hại như $\text{NH}_4^+$, $\text{NO}_2^-$, $\text{NO}_3^-$, $\text{PO}_4^{3-}$, $\text{S}^{2-}$, làm tăng nhu cầu oxy hóa học (COD), khiến độ pH thay đổi và làm suy giảm nghiêm trọng hàm lượng oxy hòa tan (DO).

Theo số liệu quan trắc của Trung tâm Giống và Kỹ thuật Thủy sản Phú Yên phối hợp với Trung tâm Quan trắc Môi trường và Bệnh Thủy sản miền Trung từ đầu năm 2018 tại vùng nuôi tôm hùm vịnh Xuân Đài và đầm Cù Mông:

  • Hàm lượng khí độc $\text{NH}_3$ thường xuyên vượt ngưỡng giới hạn cho phép từ 1,1 đến 3 lần.
  • Hàm lượng khí $\text{H}_2\text{S}$ vượt ngưỡng cho phép và tăng gấp 3 lần.
  • Hàm lượng oxy hòa tan (DO) ở mức rất thấp, dao động từ 3,3 mg/L đến 5,8 mg/L (trong khi ngưỡng cho phép yêu cầu từ 6,2 mg/L đến 7,2 mg/L), đặc biệt thiếu hụt trầm trọng vào sáng sớm của mùa nắng nóng khi xuất hiện mưa dông gây phân tầng nước.

Xuất phát từ thực tế trên, đề tài "Ứng dụng AI và các mô hình học máy để dự báo xu hướng diễn biến môi trường thủy sản ở Phú Yên" được tác giả Vũ Xuân Tuấn thực hiện dưới sự hướng dẫn của PGS. Trần Quang Vinh tại Viện Điện tử - Viễn thông, Trường Đại học Bách khoa Hà Nội.

Mục tiêu và nhiệm vụ nghiên cứu của đồ án bao gồm:

  1. Nghiên cứu cơ sở lý thuyết về mạng nơ-ron nhân tạo, các mô hình học sâu cho dữ liệu chuỗi thời gian và các kỹ thuật xử lý dữ liệu liên quan.
  2. Xây dựng bộ dữ liệu huấn luyện từ dữ liệu quan trắc môi trường thực tế tại Phú Yên giai đoạn 2014–2020 kết hợp nguồn dữ liệu khí tượng.
  3. Thiết kế, huấn luyện và thử nghiệm các mô hình học sâu (SimpleRNN, SimpleRNN 2 lớp, GRU, LSTM) trên tập dữ liệu nhằm lựa chọn mô hình và tham số phù hợp nhất.
  4. Dự báo xu hướng biến thiên của 7 thông số môi trường nước quan trọng (nhiệt độ, độ mặn, pH, $\text{NH}_3$, $\text{H}_2\text{S}$, TSS, DO, COD).
  5. So sánh, đối chiếu kết quả dự báo của mô hình với dữ liệu quan trắc thực tế để đánh giá sai số và tính khả thi trong thực tiễn.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thuật toán học sâu xử lý chuỗi thời gian (SimpleRNN, GRU, LSTM) và các chỉ số lý hóa, môi trường nước nuôi trồng thủy sản.
  • Phạm vi không gian: Vùng nuôi tôm hùm tại tỉnh Phú Yên, trọng tâm là vịnh Xuân Đài và đầm Cù Mông.
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian thu thập từ năm 2014 đến năm 2020; giai đoạn kiểm nghiệm và đối chiếu thực nghiệm tập trung vào các đợt quan trắc từ tháng 10/2019 đến tháng 12/2019.

Cơ sở lý thuyết và phương pháp

Khung pháp lý và cơ sở hóa sinh môi trường

Đồ án căn cứ trên các văn bản quy chuẩn kỹ thuật quốc gia do Bộ Nông nghiệp và Phát triển Nông thôn ban hành nhằm xác định các ngưỡng chỉ số quan trắc:

  • Quyết định số 2383/QĐ-BNN-NTTS ngày 06/08/2008 về quản lý công tác quan trắc, cảnh báo môi trường ngành nuôi trồng thủy sản.
  • Thông tư số 32/2014/TT-BNNPTNT ngày 10/09/2014 quy định hoạt động quan trắc, cảnh báo môi trường ngành nông nghiệp và phát triển nông thôn.
  • Thông tư số 04/2016/TT-BNN&PTNT ngày 10/05/2016 quy định phòng chống dịch bệnh động vật thủy sản.

Về cơ chế hóa sinh, đồ án phân tích sâu tác động của các chỉ số:

  • Khí Amoniac ($\text{NH}_3$): Tồn tại ở trạng thái cân bằng giữa $\text{NH}_3$ tự do và ion $\text{NH}_4^+$ tùy thuộc vào nhiệt độ và pH nước. $\text{NH}_3$ gây độc mạnh cho thủy sinh vật (nồng độ gây độc ở cá là 0,6–2,0 ppm; ở nồng độ 0,09 mg/L làm giảm sinh trưởng tôm càng xanh Macrobrachium rosenbergii; ở nồng độ 0,45 mg/L làm giảm 50% sinh trưởng tôm he) do làm tăng pH máu, phá vỡ tính thấm màng tế bào và suy giảm khả năng vận chuyển oxy của máu.
  • Khí Hydro Sulfua ($\text{H}_2\text{S}$): Hình thành từ quá trình phân hủy yếm khí bùn bã hữu cơ. $\text{H}_2\text{S}$ liên kết với Hemoglobin cản trở vận chuyển oxy; nồng độ vượt trên 0,03 ppm có thể làm tôm chết hàng loạt.
  • Hàm lượng oxy hòa tan (DO): Đóng vai trò sống còn trong hô hấp của thủy sản, thường xuyên suy giảm khi nhiệt độ tăng cao hoặc mật độ nuôi quá dày.

Khung lý thuyết mạng nơ-ron và học sâu

Tác giả hệ thống hóa kiến trúc mạng nơ-ron nhân tạo (ANN), cấu trúc tế bào nơ-ron sinh học liên hệ tới mô hình toán học:

  • Tín hiệu đầu vào $x_i$, trọng số $w_i$, trọng số điều chỉnh (bias) $w_0$, hàm tổng đầu vào $\text{Net}(w, x) = w_0 + \sum_{i=1}^m w_i x_i$.
  • Các hàm kích hoạt (activation function): Hàm ngưỡng (step function), hàm Sigmoid $s(t) = 1/(1 + e^{-t})$, hàm Tanh $f(z) = (e^z - e^{-z})/(e^z + e^{-z})$, hàm Rectified Linear Unit (ReLU) $f(x) = \max(0, x)$, Leaky ReLU, Parametric ReLU (PReLU) và Exponential Linear Units (ELU). Trong đó, ReLU được phân tích là giải pháp hạn chế triệt để hiện tượng tiêu biến gradient (vanishing gradient).
  • Thuật toán tối ưu hóa: Đồ án khảo sát từ thuật toán hạ gradient cơ bản (Gradient Descent, SGD) đến các thuật toán có tốc độ học thích ứng gồm Adagrad, Adadelta, RMSprop và Adam (Adaptive Moment Estimation). Đồ án chọn thuật toán Adam làm bộ tối ưu chính nhờ khả năng kết hợp giữa moment bậc một và moment bậc hai của gradient.
  • Kỹ thuật điều chuẩn chống quá khớp (overfitting): Kỹ thuật Dropout (dựa trên nền tảng nhiễu Gauss của Bishop 1995 và chuẩn hóa dropout của Srivastava et al. 2014) với việc loại bỏ ngẫu nhiên các nút nơ-ron theo xác suất $p$ trong quá trình huấn luyện nhằm duy trì kỳ vọng $E[h'] = h$.
  • Kiến trúc mạng hồi tiếp cho dữ liệu chuỗi: SimpleRNN (mạng nơ-ron hồi tiếp cơ bản), GRU (Gated Recurrent Unit với cổng xóa - reset gate và cổng cập nhật - update gate) và LSTM (Long Short-Term Memory với cổng vào - input gate, cổng quên - forget gate, cổng ra - output gate và ô nhớ trạng thái tế bào).

Phương pháp nghiên cứu và công cụ thực hiện

  • Phương pháp nghiên cứu: Phương pháp phân tích - tổng hợp số liệu thống kê chuỗi thời gian kết hợp mô hình hóa học sâu (deep learning).
  • Công cụ phần mềm: Ngôn ngữ lập trình Python; thư viện học sâu TensorFlow; các thư viện xử lý và chuẩn hóa dữ liệu gồm Scikit-learn, Pandas, NumPy.
  • Nguồn dữ liệu: Dữ liệu quan trắc chất lượng nước định kỳ của Trung tâm Giống và Kỹ thuật Thủy sản Phú Yên (2014–2020); dữ liệu thời tiết, nhiệt độ bổ trợ từ nền tảng Freemeteo.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 thiết lập cơ sở ban đầu cho toàn bộ công trình nghiên cứu:

  • Giới thiệu tổng quan về bối cảnh biến đổi khí hậu, các rủi ro thiên tai và dịch bệnh đang đe dọa sinh kế nuôi tôm hùm tại Phú Yên.
  • Xác định mục tiêu trọng tâm là nghiên cứu, phát triển và thử nghiệm các mô hình học máy phục vụ công tác dự báo diễn biến môi trường nước đầm, vịnh.
  • Phân định rõ phạm vi đề tài tập trung vào việc mô hình hóa các chỉ số môi trường thủy sản chủ chốt.
  • Trình bày công cụ thực hiện dựa trên hệ sinh thái mã nguồn mở Python (TensorFlow, Scikit-learn, Pandas, NumPy) và tóm lược cấu trúc văn bản đồ án thành ba khối nội dung (Lý thuyết, Phân tích triển khai, Đánh giá kết quả).

Chương 2: Lý thuyết

Chương 2 cung cấp nền tảng toán học và kỹ thuật chuyên sâu phục vụ việc xây dựng mô hình:

  • Phân tích chi tiết quy chuẩn quan trắc môi trường thủy sản theo các văn bản của Bộ Nông nghiệp và Phát triển Nông thôn; luận giải nguyên nhân lựa chọn bộ thông số quan trắc trọng điểm gồm: nhiệt độ, pH, DO, độ mặn, độ đục/TSS, $\text{S}^{2-}$ ($\text{H}_2\text{S}$), $\text{NH}_4^+$ ($\text{NH}_3$) và COD.
  • Trình bày nguyên lý tế bào thần kinh sinh học và cấu trúc nơ-ron nhân tạo; phân tích vai trò của bias $w_0$ trong việc tịnh tiến mặt phẳng phân tách.
  • Đánh giá ưu nhược điểm của các hàm kích hoạt (Sigmoid, Tanh dễ bị bão hòa triệt tiêu gradient; ReLU, Leaky ReLU, ELU duy trì đạo hàm hiệu quả).
  • Phân tích toán học các thách thức trong tối ưu hóa học sâu: điểm cực tiểu địa phương (local minimum), điểm yên ngựa (saddle point) và tiêu biến gradient (vanishing gradient).
  • Khảo sát các giải thuật tối ưu hóa thích ứng (Adagrad, Adadelta, RMSprop, Adam) và cơ chế điều chuẩn Dropout nhằm kiểm soát sự đánh đổi độ chệch - phương sai (bias-variance tradeoff).
  • Phân tích cấu trúc toán học của các khối mạng chuỗi thời gian: phương trình trạng thái của SimpleRNN, cơ chế kiểm soát dòng thông tin qua cổng reset/update của GRU, và các phép tính cổng đầu vào, cổng quên, cổng đầu ra cùng ô nhớ tiềm năng của LSTM.

Chương 3: Phân tích hệ thống

Chương 3 tập trung vào quy trình xử lý dữ liệu và thiết lập cấu trúc mô hình thử nghiệm:

  • Xây dựng bộ dữ liệu huấn luyện: Thu thập và chuẩn hóa dữ liệu quan trắc thủy sản tại Phú Yên từ năm 2014 đến 2020; ghép nối dữ liệu nhiệt độ khí tượng từ Freemeteo; xử lý các điểm dữ liệu năm 2014–2015 và căn chỉnh chuỗi thời gian.
  • Thiết kế kiến trúc mạng: Lựa chọn số lượng lớp ẩn, số lượng nơ-ron mỗi lớp và cấu hình đầu ra phù hợp với bài toán hồi quy chuỗi thời gian.
  • Triển khai thực nghiệm tham số: Thử nghiệm tác động của các hệ số Dropout khác nhau đối với sai số mô hình.
  • Tiến hành thực nghiệm so sánh độc lập giữa các mô hình SimpleRNN (1 lớp), SimpleRNN 2 lớp, GRU và LSTM trên tham số nhiệt độ để đánh giá hiệu năng huấn luyện và tốc độ hội tụ.

Chương 4: Kết quả

Chương 4 công bố kết quả mô phỏng và đối chiếu thực nghiệm:

  • Trình bày kết quả kiểm tra định lượng của các mô hình trên từng tham số môi trường thông qua các thang đo sai số MAE, MAPE, MSE, RMSE.
  • Trực quan hóa đối chiếu chuỗi giá trị dự đoán so với giá trị thực tế của 7 tham số: độ mặn, pH, $\text{NH}_3$, $\text{H}_2\text{S}$, DO, COD, TSS và nhiệt độ.
  • Trình bày biểu đồ phân phối tích lũy sai số (cumulative error distribution) nhằm xác định mức độ tin cậy và biên độ sai lệch của mô hình dự báo.
  • Tổng hợp và so sánh kết quả dự báo từ ngày 09/10/2019 đến ngày 16/12/2019 với bảng số liệu quan trắc môi trường thực tế tại vùng nuôi tôm hùm trong cùng khoảng thời gian (từ 07/10/2019 đến 16/12/2019).

Chương 5: Kết luận

Chương 5 đúc kết các phát hiện chính của đồ án:

  • Khái quát năng lực dự báo xu hướng của các mô hình học sâu đối với chuỗi dữ liệu môi trường thực tế tại Phú Yên.
  • Thẳng thắn nhìn nhận những rào cản về tính liên tục của dữ liệu và các yếu tố ngoại cảnh khó kiểm soát.
  • Đề xuất các định hướng nghiên cứu tiếp theo để hoàn thiện mô hình và ứng dụng vào thực tế sản xuất.

Kết quả và đóng góp

Kết quả định lượng và thực nghiệm

Đồ án đã triển khai huấn luyện và đánh giá đối chiếu nhiều kiến trúc mạng nơ-ron hồi tiếp trên tập dữ liệu môi trường thủy sản Phú Yên. Kết quả thử nghiệm được thể hiện qua các bảng dữ liệu thực nghiệm trong văn bản:

Nội dung thử nghiệm / Bảng số liệu Mô hình & Tham số đánh giá Phát hiện và kết quả chính
Bảng 3.1: Sai số theo Dropout Khảo sát các mức tỉ lệ Dropout Xác định tỉ lệ dropout tối ưu giúp hạn chế quá khớp trên dữ liệu chuỗi thời gian mà không làm mất thông tin quan trọng.
Bảng 3.2 - 3.5: Thử nghiệm nhiệt độ So sánh SimpleRNN (1 lớp), SimpleRNN 2 lớp, GRU, LSTM Mô hình GRU và LSTM thể hiện khả năng nắm bắt phụ thuộc thời gian dài tốt hơn SimpleRNN; sai số dự báo nhiệt độ bám sát dữ liệu thực tế từ Freemeteo và trạm đo.
Bảng 4.1: Kiểm tra các tham số Đánh giá đồng thời 7 chỉ số: Nhiệt độ, Độ mặn, pH, $\text{NH}_3$, $\text{H}_2\text{S}$, TSS, DO, COD Mô hình dự báo phản ánh sát biến thiên thực tế của độ mặn, nhiệt độ và pH; các chỉ số biến động mạnh như $\text{NH}_3$, $\text{H}_2\text{S}$, DO có độ lệch cao hơn tại các thời điểm thời tiết dông bão đột ngột.
Bảng 4.2 & 4.3: Kiểm chứng thực tế Dữ liệu quan trắc thực tế (07/10/2019 – 16/12/2019) đối chiếu kết quả dự báo (09/10/2019 – 16/12/2019) Khẳng định tính tương quan cao giữa xu hướng dự báo của mô hình với diễn biến môi trường vùng nuôi tôm hùm thực tế tại Phú Yên.

Mô hình dự báo cho thấy sự phân bố sai số tập trung ở khoảng giá trị nhỏ trên biểu đồ phân phối tích lũy sai số, chứng minh các thuật toán học máy có khả năng học được quy luật biến đổi môi trường từ chuỗi dữ liệu lịch sử.

Giải pháp và khuyến nghị của tác giả

  • Ứng dụng các thuật toán dự báo chuỗi thời gian nhằm cung cấp thông tin cảnh báo sớm về nguy cơ thiếu hụt oxy hòa tan (DO) vào các buổi sáng sớm mùa nắng nóng.
  • Cảnh báo sớm các đợt gia tăng nồng độ khí độc $\text{NH}_3$ và $\text{H}_2\text{S}$ (thường vượt ngưỡng từ 1,1 đến 3 lần) để người nuôi kịp thời điều chỉnh lượng thức ăn, sục khí hoặc xử lý đáy lồng.
  • Kết hợp dữ liệu khí tượng bề mặt (nhiệt độ không khí, mưa dông) vào hệ thống dự báo nhằm phát hiện nguy cơ phân tầng nước tại vịnh Xuân Đài và đầm Cù Mông.

Đóng góp của đề tài

  • Hệ thống hóa cơ sở dữ liệu quan trắc môi trường thủy sản tại Phú Yên giai đoạn 2014–2020 thành tập dữ liệu có cấu trúc phục vụ cho các bài toán học máy.
  • Chứng minh tính khả thi của việc ứng dụng các mạng nơ-ron hồi tiếp hiện đại (SimpleRNN, GRU, LSTM) vào bài toán dự báo đa tham số chất lượng nước trong điều kiện dữ liệu thực tế tại Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  • Tác giả tự xác nhận mô hình chưa thể dự báo và cảnh báo hoàn toàn tuyệt đối mọi thiệt hại môi trường có thể xảy ra trong vùng nuôi do thiên tai, dịch bệnh mang tính ngẫu nhiên rất cao.
  • Chưa thiết lập được công thức toán học - sinh hóa tường minh mô tả mối quan hệ phụ thuộc chéo giữa cả 7 tham số môi trường mà hoàn toàn dựa vào khả năng xấp xỉ hàm của mạng nơ-ron.
  • Dữ liệu quan trắc môi trường nước tại địa phương chủ yếu được lấy mẫu định kỳ theo đợt, chưa đạt tần suất liên tục theo thời gian thực (real-time), dẫn đến khoảng trống thông tin giữa các mốc đo.

Hướng nghiên cứu tiếp

  • Tích hợp thêm các nguồn dữ liệu cảm biến đo đạc tự động liên tục để nâng cao độ mịn và độ chính xác của chuỗi thời gian.
  • Tiếp tục nghiên cứu tinh chỉnh kiến trúc mạng nơ-ron và thử nghiệm các mô hình học sâu tiên tiến hơn nhằm giảm thiểu sai số đối với các thông số có tính dao động mạnh ($\text{NH}_3$, $\text{H}_2\text{S}$, DO).
  • Hướng tới triển khai mô hình thành công cụ hỗ trợ thực tế cho các hộ nuôi tôm hùm tại Phú Yên đưa ra các nhận định và biện pháp phòng ngừa sớm.

Giá trị tham khảo

Đồ án là tài liệu tham khảo chuyên môn phù hợp cho:

  • Sinh viên và học viên chuyên ngành Kỹ thuật Điện tử, Viễn thông, Công nghệ Thông tin và Khoa học Dữ liệu: Tham khảo cấu trúc triển khai một bài toán dự báo chuỗi thời gian hoàn chỉnh từ dữ liệu thực địa, phương pháp lập trình mô hình học sâu với TensorFlow và cách đánh giá mô hình bằng các thang đo sai số thống kê.
  • Cán bộ kỹ thuật ngành Nuôi trồng Thủy sản và Quản lý Môi trường: Tham khảo bức tranh tổng quan về diễn biến các chỉ số ô nhiễm ($\text{NH}_3$, $\text{H}_2\text{S}$, DO) tại vịnh Xuân Đài và đầm Cù Mông, cùng cơ chế tác động sinh hóa của các chất khí độc lên tôm cá.
  • Nghiên cứu sinh thực hiện các đề tài tương tự: Có thể kế thừa khung phân tích lý thuyết chi tiết tại Chương 2 (tổng quan toán học về các hàm kích hoạt, hiện tượng tiêu biến gradient, cơ chế cổng của LSTM, GRU và kỹ thuật Dropout) để xây dựng phần cơ sở lý luận cho công trình nghiên cứu của mình.

Câu hỏi thường gặp

1. Vì sao đề tài lại tập trung nghiên cứu vào vùng nuôi tôm hùm tại vịnh Xuân Đài và đầm Cù Mông?

Theo báo cáo của Trung tâm Giống và Kỹ thuật Thủy sản Phú Yên cùng Trung tâm Quan trắc Môi trường và Bệnh Thủy sản miền Trung, đây là hai vùng nuôi tập trung nhưng phát triển tự phát, nuôi lồng hở mật độ dày, lượng thức ăn dư thừa và chất thải hữu cơ tích tụ lớn. Tình trạng ô nhiễm tại đây rất nghiêm trọng: $\text{NH}_3$ và $\text{H}_2\text{S}$ thường xuyên vượt ngưỡng cho phép từ 1,1 đến 3 lần, còn hàm lượng DO thường xuyên hạ thấp xuống mức 3,3–5,8 mg/L (thấp hơn ngưỡng cho phép 6,2–7,2 mg/L).

2. Tác giả đã lựa chọn thuật toán tối ưu nào để huấn luyện mạng học sâu và vì sao?

Tác giả lựa chọn thuật toán tối ưu Adam (Adaptive Moment Estimation). Đồ án phân tích rằng Adam kết hợp ưu điểm của RMSprop và khái niệm moment, điều chỉnh tốc độ học thích ứng dựa trên cả moment bậc một và moment bậc hai của gradient, giúp quá trình hội tụ nhanh hơn và khắc phục nhược điểm tích lũy bình phương gradient vô hạn của Adagrad.

3. Đồ án đã so sánh những mô hình học sâu nào đối với dữ liệu chuỗi thời gian?

Đồ án đã tiến hành thử nghiệm và so sánh 4 cấu trúc mô hình mạng nơ-ron hồi tiếp: SimpleRNN 1 lớp, SimpleRNN 2 lớp, GRU (Gated Recurrent Unit) và LSTM (Long Short-Term Memory). Các mô hình này được kiểm tra ban đầu trên tham số nhiệt độ, sau đó mở rộng đánh giá trên toàn bộ 7 thông số chất lượng nước.

4. Dữ liệu thực nghiệm dùng để kiểm chứng mô hình được thu thập trong khoảng thời gian nào?

Dữ liệu huấn luyện tổng thể được thu thập trong giai đoạn 2014–2020. Trong đó, giai đoạn kiểm chứng thực nghiệm đối chiếu kết quả quan trắc thực tế được thực hiện từ ngày 07/10/2019 đến ngày 16/12/2019, và chuỗi kết quả dự báo của mô hình được đối chiếu tương ứng từ ngày 09/10/2019 đến ngày 16/12/2019.

5. Nồng độ $\text{NH}_3$ và $\text{H}_2\text{S}$ ở mức bao nhiêu thì gây độc hại trực tiếp cho tôm cá theo tài liệu của đồ án?

Theo tổng hợp lý thuyết trong đồ án, nồng độ $\text{NH}_3$ gây độc cho cá là 0,6–2,0 ppm; ở nồng độ 0,09 mg/L làm giảm sinh trưởng tôm càng xanh; ở nồng độ 0,45 mg/L làm giảm 50% sinh trưởng tôm he. Đối với $\text{H}_2\text{S}$, nếu nồng độ trong nước vượt trên 0,03 ppm sẽ khiến tôm nuôi bị nhiễm độc và chết hàng loạt.

Kết luận

Đồ án tốt nghiệp của tác giả Vũ Xuân Tuấn đã giải quyết trọn vẹn bài toán ứng dụng học sâu vào dự báo chuỗi thời gian môi trường nước nuôi tôm hùm tại tỉnh Phú Yên dựa trên bộ dữ liệu thực tế giai đoạn 2014–2020. Nghiên cứu cung cấp hệ thống cơ sở lý thuyết toán học chặt chẽ về mạng nơ-ron nhân tạo, các cơ chế kiểm soát cổng của RNN/GRU/LSTM và giải thuật tối ưu hóa thích ứng. Mặc dù còn những giới hạn về tần suất đo đạc gián đoạn của dữ liệu thực địa, các kết quả mô phỏng và kiểm chứng trong giai đoạn tháng 10–12/2019 đã chứng minh tính khả thi của mô hình học máy trong việc nhận định sớm xu hướng biến động chất lượng nước phục vụ sản xuất thủy sản.