Giới thiệu dự án

Bối cảnh và thực trạng ngành thủy sản Phú Yên

Tỉnh Phú Yên sở hữu tiềm năng nuôi trồng thủy sản (NTTS) nước lợ và mặn lớn hàng đầu vùng Duyên hải Nam Trung Bộ, trọng tâm là vùng nuôi tôm hùm lồng tại vịnh Xuân Đài và đầm Cù Mông. Tuy nhiên, biến đổi khí hậu diễn biến phức tạp cùng với áp lực từ các cơn bão nhiệt đới và tình trạng xả thải hữu cơ chưa kiểm soát đã gây suy thoái nghiêm trọng môi trường nước. Theo báo cáo quan trắc từ Trung tâm Giống và Kỹ thuật Thủy sản Phú Yên phối hợp cùng Trung tâm Quan trắc Môi trường và Bệnh Thủy sản miền Trung:

  • Hàm lượng oxy hòa tan ($DO$) tại các vùng nuôi thường xuyên sụt giảm xuống mức nguy hại từ $3.3 \text{ mg/L}$ đến $5.8 \text{ mg/L}$ vào sáng sớm (ngưỡng an toàn quy định theo QCVN là $6.2 - 7.2 \text{ mg/L}$).
  • Khí độc Amoniac ($NH_3$) vượt giới hạn cho phép từ $1.1$ đến $3.0$ lần; nồng độ $0.09 \text{ mg/L}$ đã làm suy giảm sinh trưởng ở giáp xác và ngưỡng $0.45 \text{ mg/L}$ làm giảm $50%$ tốc độ phát triển của tôm.
  • Khí Hydro Sunfua ($H_2S$) sinh ra từ quá trình phân hủy yếm khí bùn đáy vượt ngưỡng cho phép gấp $3$ lần; nồng độ trên $0.03 \text{ ppm}$ có thể kết hợp với hemoglobin gây ngạt máu, dẫn đến hiện tượng tôm chết hàng loạt.
+-------------------------------------------------------------------------+
|                  ÁP LỰC MÔI TRƯỜNG TẠI VỊNH XUÂN ĐÀI                    |
|                                                                         |
|  [Mật độ nuôi dày]  -->  [Chất thải hữu cơ tích tụ]  -->  [Phân hủy yếm khí]  |
|                                                                 |       |
|                                                                 v       |
|  [Tôm chết hàng loạt] <-- [H2S > 0.03 ppm & NH3 tăng] <-- [DO < 3.3 mg/L]|
+-------------------------------------------------------------------------+

Vấn đề kỹ thuật cần giải quyết (Problem Statement)

Phương pháp quan trắc truyền thống (lấy mẫu thủ công định kỳ theo tuần/tháng rồi phân tích phòng thí nghiệm) mang tính thụ động cao, độ trễ thông tin từ 24–48 giờ, không kịp thời hỗ trợ người nuôi đưa ra quyết định can thiệp như sục khí đáy, dịch chuyển lồng bè hay điều chỉnh lượng thức ăn. Bài toán đặt ra là: Làm thế nào để xây dựng mô hình học máy (Machine Learning) và học sâu (Deep Learning) có khả năng tự động học các quy luật chuỗi thời gian phi tuyến phức tạp từ dữ liệu quan trắc lịch sử, từ đó dự báo chính xác xu hướng diễn biến của các chỉ số chất lượng nước then chốt trước 24–72 giờ?

Mục tiêu của đồ án

  1. Nghiên cứu lý thuyết: Phân tích chuyên sâu kiến trúc mạng nơ-ron hồi tiếp (Recurrent Neural Networks - RNN) và các biến thể nâng cao chuyên dụng cho dữ liệu chuỗi (LSTM, GRU).
  2. Kỹ thuật tiền xử lý dữ liệu: Thu thập, làm sạch, chuẩn hóa và trích chọn đặc trưng từ chuỗi dữ liệu môi trường thủy sản giai đoạn 2014–2020 tại Phú Yên.
  3. Huấn luyện và tối ưu hóa: Xây dựng, tinh chỉnh siêu tham số (Hyperparameters), thử nghiệm các hàm kích hoạt (ReLU, Leaky ReLU, ELU), kỹ thuật điều chuẩn Dropout và thuật toán tối ưu (SGD, RMSprop, Adam) để cực tiểu hóa sai số dự báo.
  4. Đánh giá và so sánh thực nghiệm: Đánh giá định lượng hiệu năng dự báo của các mô hình trên 08 thông số môi trường then chốt: Nhiệt độ, Độ mặn, pH, $NH_3$, $H_2S$, $DO$, $COD$, và $TSS$.

Giải pháp kỹ thuật và tính khả thi

Đề tài lựa chọn mô hình học sâu chuỗi thời gian dựa trên các đơn vị nhớ có cổng (Gated Units) gồm Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU) kết hợp tối ưu hóa thích ứng Adam (Adaptive Moment Estimation). Giải pháp này khắc phục triệt để hiện tượng triệt tiêu đạo hàm (Vanishing Gradient) của RNN truyền thống khi xử lý chuỗi thời gian có độ phụ thuộc dài.

Phạm vi và giới hạn của đề tài

  • Phạm vi dữ liệu: Dữ liệu chuỗi thời gian quan trắc chất lượng nước được ghi nhận từ năm 2014 đến 2020 tại các trạm quan trắc thuộc vùng đầm Cù Mông và vịnh Xuân Đài, tỉnh Phú Yên.
  • Giới hạn: Dữ liệu đo đạc thực tế có khoảng cách lấy mẫu không đồng đều và phụ thuộc vào tần suất lấy mẫu của trạm quan trắc địa phương; chưa tích hợp module dự báo phân tán thời gian thực trên phần cứng biên (Edge AI).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Quan trắc thủ công định kỳ Hệ thống trạm Sensor IoT cố định Mô hình AI dự báo chuỗi thời gian (Đề tài)
Chi phí đầu tư Thấp ban đầu, cao về nhân công Rất cao (chi phí đầu dò hóa học, bảo trì) Tối ưu (tận dụng dữ liệu hiện có và tính toán tập trung)
Độ trễ thông tin Lớn ($24 - 48\text{ giờ}$) Thời gian thực (chỉ phản ánh hiện tại) Thời gian thực + Cảnh báo sớm xu hướng tương lai
Bảo trì thiết bị Không cần bảo dưỡng đầu dò Cảm biến dễ bám rong rêu, trôi dạt dữ liệu Không phụ thuộc bảo trì cơ khí tại hiện trường
Khả năng dự báo Hoàn toàn không có Không có (chỉ đo tức thời) Dự báo đa thông số ($DO, pH, NH_3, H_2S, ...$) với độ chính xác cao

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Module nạp và làm sạch dữ liệu chuỗi thời gian; thuật toán mạng LSTM/GRU tối ưu hóa bằng Adam; dự báo được 8 thông số ($T^\circ, pH, DO, \text{Độ mặn}, NH_3, H_2S, COD, TSS$); đánh giá sai số qua MSE, MAE, RMSE.
  • Should Have (Nên có): Cơ chế điều chuẩn Dropout động để chống quá khớp (Overfitting); trực quan hóa đường sai số và phân phối sai số tích lũy (Cumulative Error Distribution).
  • Could Have (Có thể có): Khả năng tích hợp nguồn dữ liệu khí tượng mở ngoài môi trường (như Freemeteo) để bổ trợ biến phụ thuộc.
  • Won't Have (Chưa thực hiện): Triển khai ứng dụng di động cho ngư dân và điều khiển tự động hóa thiết bị quạt nước vật lý.

Thiết kế kiến trúc hệ thống

+-----------------------------------------------------------------------------------+
|                           HỆ THỐNG DỰ BÁO CHUỖI THỜI GIAN                         |
+-----------------------------------------------------------------------------------+
| [Nguồn dữ liệu]  --> [Tiền xử lý & Chuẩn hóa] --> [Xây dựng chuỗi Sliding Window] |
| 2014-2020 Data       - Missing Value Imputation   - X(t-k)...X(t-1) -> Y(t)       |
| Trạm Phú Yên         - MinMax Scaler [0, 1]                                       |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH HỌC SÂU ĐỀ XUẤT (LSTM / GRU)                       |
+-----------------------------------------------------------------------------------+
| Input Layer (Timesteps, Features)                                                 |
|   --> Gated Recurrent Layer (64 - 128 Units, tanh/sigmoid activations)            |
|   --> Regularization Layer (Dropout rate: 0.1 - 0.3)                              |
|   --> Dense Hidden Layer (ReLU / ELU Activation)                                  |
|   --> Output Layer (Linear Activation -> Dự báo thông số tại t+1)                 |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                      ĐÁNH GIÁ & XUẤT KẾT QUẢ QUAN TRẮC CẢNH BÁO                   |
|  - Độ đo: MAE, RMSE, MAPE                                                         |
|  - Trực quan hóa đường cong dự đoán vs thực nghiệm kiểm chứng                     |
+-----------------------------------------------------------------------------------+

Technology Stack chi tiết

  • Ngôn ngữ lập trình: Python v3.8.10
  • Khung Deep Learning: TensorFlow v2.4.1, Keras API v2.4.0
  • Xử lý ma trận & Dữ liệu: NumPy v1.19.5, Pandas v1.2.4
  • Khoa học dữ liệu & Đánh giá: Scikit-Learn v0.24.2
  • Trực quan hóa đồ thị: Matplotlib v3.3.4, Seaborn v0.11.1

Implementation và kết quả

Chi tiết các công thức toán học và thuật toán lõi

1. Cơ chế nhớ dài hạn LSTM (Long Short-Term Memory)

Mạng LSTM giải quyết triệt để vấn đề mất mát gradient thông qua 3 cổng điều khiển và 1 ô nhớ trạng thái ($C_t$):

  • Cổng quên (Forget Gate): $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$
  • Cổng đầu vào (Input Gate) và trạng thái ô nhớ tiềm năng: $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$\tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c)$$
  • Cập nhật ô nhớ trạng thái (Cell State Update): $$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$$
  • Cổng đầu ra (Output Gate) và trạng thái ẩn: $$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$ $$h_t = o_t \odot \tanh(C_t)$$

2. Cơ chế cổng tối giản GRU (Gated Recurrent Unit)

GRU gộp trạng thái ô nhớ và trạng thái ẩn thành một vector duy nhất, sử dụng 2 cổng giúp giảm thời gian tính toán:

  • Cổng cập nhật (Update Gate): $z_t = \sigma(W_z \cdot [h_{t-1}, x_t] + b_z)$
  • Cổng xóa (Reset Gate): $r_t = \sigma(W_r \cdot [h_{t-1}, x_t] + b_r)$
  • Trạng thái ẩn ứng viên: $\tilde{h}t = \tanh(W \cdot [r_t \odot h{t-1}, x_t] + b)$
  • Trạng thái ẩn chính thức: $h_t = (1 - z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t$

3. Thuật toán tối ưu hóa thích ứng Adam

Adam tính toán tốc độ học thích ứng cho từng tham số dựa trên moment bậc một ($m_t$) và moment bậc hai ($v_t$): $$m_t = \beta_1 m_{t-1} + (1 - \beta_1) g_t, \quad v_t = \beta_2 v_{t-1} + (1 - \beta_2) g_t^2$$ $$\hat{m}_t = \frac{m_t}{1 - \beta_1^t}, \quad \hat{v}t = \frac{v_t}{1 - \beta_2^t}$$ $$\theta{t+1} = \theta_t - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon} \hat{m}_t$$ (Trong nghiên cứu: $\beta_1 = 0.9, \beta_2 = 0.999, \epsilon = 10^{-6}, \eta = 0.001$).

Hiện thực hóa mã nguồn (Code Snippets)

Module Dropout điều chuẩn chống Overfitting

import numpy as np

def dropout_layer(X: np.ndarray, dropout_rate: float) -> np.ndarray:
    """Hiện thực hóa kỹ thuật Dropout khử độ chệch kỳ vọng."""
    assert 0.0 <= dropout_rate <= 1.0, "Dropout rate phải nằm trong khoảng [0, 1]"
    if dropout_rate == 1.0:
        return np.zeros_like(X)
    if dropout_rate == 0.0:
        return X
    
    # Tạo mặt nạ nhị phân Bernoulli với xác suất giữ lại (1 - dropout_rate)
    mask = (np.random.rand(*X.shape) >= dropout_rate).astype(np.float32)
    # Chia cho (1 - dropout_rate) để đảm bảo E[X_drop] = E[X]
    return (X * mask) / (1.0 - dropout_rate)

Xây dựng mô hình chuỗi thời gian bằng Keras

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

def build_aquaculture_lstm_model(input_shape: tuple) -> Sequential:
    """Xây dựng mô hình LSTM 2 tầng cho bài toán dự báo thông số môi trường."""
    model = Sequential([
        LSTM(units=64, return_sequences=True, input_shape=input_shape),
        Dropout(rate=0.2),
        LSTM(units=32, return_sequences=False),
        Dropout(rate=0.2),
        Dense(units=16, activation='relu'),
        Dense(units=1, activation='linear')
    ])
    
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001, epsilon=1e-6),
        loss='mean_squared_error',
        metrics=['mean_absolute_error']
    )
    return model

Kiểm nghiệm thực nghiệm và đánh giá định lượng

Nghiên cứu tiến hành so sánh đối chiếu giữa 3 kiến trúc: SimpleRNN (1 lớp & 2 lớp), GRU và LSTM trên tập kiểm tra độc lập từ bộ dữ liệu quan trắc thực tế Phú Yên.

1. Đánh giá ảnh hưởng của tỷ lệ Dropout đến hiệu năng mô hình

Thử nghiệm trên thông số Nhiệt độ môi trường nước cho thấy:

Tỷ lệ Dropout MSE RMSE MAE MAPE (%) Nhận xét
Dropout = 0.0 0.892 0.944 0.731 2.54% Có hiện tượng nhẹ quá khớp trên tập Train
Dropout = 0.1 0.654 0.808 0.612 2.11% Cải thiện độ khái quát hóa
Dropout = 0.2 (Tối ưu) 0.512 0.715 0.543 1.86% Đạt sai số cực tiểu và ổn định nhất
Dropout = 0.3 0.589 0.767 0.598 2.05% Bắt đầu xuất hiện Underfitting
Dropout = 0.5 1.120 1.058 0.890 3.12% Mất mát thông tin đặc trưng chuỗi

2. So sánh hiệu năng giữa các kiến trúc học sâu

Kiểm tra hiệu năng dự báo đối với biến Nhiệt độ môi trường:

Mô hình mạng MSE RMSE MAE Thời gian huấn luyện/Epoch
SimpleRNN (1 lớp) 1.245 1.115 0.892 0.42 s
SimpleRNN (2 lớp) 0.982 0.990 0.781 0.78 s
GRU 0.534 0.730 0.556 1.12 s
LSTM (Đề xuất) 0.512 0.715 0.543 1.35 s 
BIỂU ĐỒ SO SÁNH MAE GIỮA CÁC KIẾN TRÚC MÔ HÌNH (Dự báo Nhiệt độ)
-------------------------------------------------------------------
SimpleRNN (1L) : [=============================] 0.892
SimpleRNN (2L) : [=========================] 0.781
GRU            : [==================] 0.556
LSTM           : [=================] 0.543  <-- Tối ưu nhất
-------------------------------------------------------------------

3. Tổng hợp kết quả dự báo toàn diện trên 08 thông số môi trường

Thử nghiệm kiểm chứng từ ngày 09/10/2019 đến 16/12/2019 đối chiếu trực tiếp giữa giá trị dự báo và kết quả đo thực tế tại vùng nuôi tôm hùm Phú Yên:

Thông số môi trường Đơn vị đo Giới hạn an toàn QCVN MAE dự báo RMSE dự báo Độ chính xác xu hướng
Nhiệt độ nước $^\circ\text{C}$ $26.0 - 30.0$ 0.543 0.715 $98.1%$
Độ mặn $\text{‰}$ $28.0 - 33.0$ 0.621 0.843 $96.8%$
pH - $7.5 - 8.5$ 0.112 0.165 $97.4%$
Oxy hòa tan ($DO$) $\text{mg/L}$ $\ge 6.2$ 0.312 0.428 $94.5%$
Amoniac ($NH_3$) $\text{mg/L}$ $\le 0.09$ 0.018 0.027 $92.3%$
Khí độc ($H_2S$) $\text{ppm}$ $\le 0.03$ 0.005 0.008 $93.1%$
Nhu cầu oxy hóa học ($COD$) $\text{mg/L}$ $\le 4.0$ 0.285 0.392 $95.2%$
Chất rắn lơ lửng ($TSS$) $\text{mg/L}$ $\le 50.0$ 2.410 3.180 $94.0%$

Đổi mới và đóng góp

  1. Ứng dụng thành công mô hình học sâu chuỗi thời gian cho bài toán thủy sản đặc thù: Thay vì sử dụng các mô hình hồi quy tuyến tính cổ điển hoặc ARIMA vốn kém hiệu quả trên các hệ sinh thái mở, nghiên cứu áp dụng kiến trúc LSTM/GRU nắm bắt xuất sắc các mối tương quan phi tuyến giữa chu kỳ thời tiết và tốc độ phân hủy chất hữu cơ.
  2. Giải pháp xử lý mất cân bằng và nhiễu dữ liệu thực tế: Xây dựng quy trình tiền xử lý kết hợp phép nội suy chuỗi và chuẩn hóa MinMax đặc thù, kết hợp kỹ thuật Inverted Scaling Dropout giúp triệt tiêu hiện tượng gradient vanishing và giảm thiểu overfitting đến $42.6%$ so với mạng truyền thống không điều chuẩn.
  3. Mô hình hóa đồng thời 8 chỉ số chất lượng nước sống còn: Không chỉ dừng lại ở các chỉ số lý tính dễ đo (Nhiệt độ, pH), mô hình giải quyết chính xác các chỉ số sinh hóa khó đo và có mức độ độc hại cao nhất đối với tôm hùm ($NH_3, H_2S, DO$).

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế tại Vịnh Xuân Đài & Đầm Cù Mông

Khi hệ thống đưa ra cảnh báo sớm trước 24 giờ về việc hàm lượng $DO$ dự báo giảm xuống dưới $4.0\text{ mg/L}$ và $H_2S$ tăng vượt $0.03\text{ ppm}$ vào sáng sớm:

  • Người nuôi tôm: Kích hoạt sớm hệ thống sục khí đáy/quạt nước từ 03:00 sáng, chủ động giảm 30–50% khẩu phần ăn nhằm hạn chế tồn dư hữu cơ dưới đáy lồng.
  • Hợp tác xã & Cơ quan quản lý: Đưa ra khuyến cáo vùng di dời lồng bè tạm thời khỏi các túi nước tù đọng hoặc vùng phân tầng nhiệt độ nguy hiểm.
+----------------------------------------------------------------------------------+
|                            QUY TRÌNH RA QUYẾT ĐỊNH SỚM                           |
|                                                                                  |
| [Dữ liệu trạm đo] --> [AI Engine phân tích] --> [Dự báo t+24h: H2S > 0.03 ppm]   |
|                                                              |                   |
|                                                              v                   |
| [Giảm 50% thức ăn & bật sục khí] <-- [Thông báo khẩn cấp qua SMS/Dashboard]      |
+----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis & ROI)

  • Chi phí triển khai phần mềm & Server tính toán: Khoảng $15 - 25 \text{ triệu VNĐ}$ cho toàn vùng nuôi tập trung.
  • Thiệt hại tiềm tàng tránh được: Một đợt tôm chết ngạt do thiếu oxy và nhiễm độc $H_2S$ có thể gây tổn thất từ $500\text{ triệu} - 2\text{ tỷ VNĐ}$ cho mỗi hộ nuôi quy mô trung bình (20–40 lồng).
  • Tỷ suất sinh lời (ROI): Hệ thống mang lại ROI tức thì ngay trong vụ nuôi đầu tiên thông qua việc bảo toàn trên $90%$ sản lượng tôm thương phẩm trước các biến cố môi trường cực đoan.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Mật độ dữ liệu lịch sử: Tần suất lấy mẫu của các trạm quan trắc địa phương hiện tại chưa hoàn toàn đạt mức liên tục theo từng phút (vẫn còn độ trễ theo chu kỳ ngày), đòi hỏi các giải pháp bù suy hao và nội suy.
  • Tính tổng quát liên vùng: Mô hình hiện được huấn luyện tối ưu cho đặc trưng thủy văn ven biển Nam Trung Bộ (Phú Yên), cần tinh chỉnh tham số (Fine-tuning) khi triển khai cho các vùng sinh thái nước ngọt hoặc rừng ngập mặn Đồng bằng sông Cửu Long.

Hướng phát triển trong tương lai

  1. Tích hợp mô hình Transformer / Informer: Thử nghiệm các kiến trúc Self-Attention thế hệ mới nhằm tăng tốc độ xử lý song song và tăng tầm dự báo lên $7 - 14 \text{ ngày}$.
  2. Triển khai TinyML trên vi điều khiển biên: Nhúng mô hình đã nén lượng tử hóa (Quantization INT8) trực tiếp lên các vi điều khiển ESP32/STM32 gắn tại phao nổi IoT tự hành.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Nắm bắt phương pháp luận áp dụng Deep Learning giải quyết trọn vẹn bài toán thực tế từ khâu thu thập dữ liệu chuỗi thời gian, thiết kế mạng RNN/LSTM/GRU đến kỹ thuật tinh chỉnh siêu tham số.
  • Kỹ sư AI & Lập trình viên: Tiếp cận các đoạn mã nguồn chuẩn mực về kỹ thuật Dropout, thuật toán tối ưu Adam và quy trình xử lý dữ liệu cảm biến môi trường.
  • Hộ nuôi trồng thủy sản & Doanh nghiệp: Nhận được công cụ cảnh báo sớm nguy cơ ô nhiễm, chủ động bảo vệ nguồn vốn và gia tăng năng suất tôm hùm vụ mùa.
  • Cơ quan quản lý Nhà nước: Cung cấp cơ sở khoa học chính xác phục vụ công tác quy hoạch vùng nuôi, cảnh báo dịch bệnh thủy sản diện rộng theo thông tư Bộ NN&PTNT.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để huấn luyện và triển khai mô hình là gì?

Quá trình huấn luyện mô hình LSTM/GRU trên bộ dữ liệu 2014–2020 yêu cầu cấu hình tối thiểu: CPU Intel Core i5 thế hệ 8 (hoặc tương đương), RAM 8GB; khuyến nghị GPU NVIDIA GTX 1050Ti (4GB VRAM) trở lên để tăng tốc. Khi mô hình đã huấn luyện xong, việc suy luận (Inference) dự báo chỉ mất dưới 50ms trên máy tính thông thường hoặc máy chủ đám mây cơ bản (1 vCPU, 1GB RAM).

2. Mô hình xử lý như thế nào khi dữ liệu cảm biến đầu vào bị mất hoặc lỗi ngắt quãng?

Hệ thống sử dụng đường ống tiền xử lý dữ liệu với cơ chế phát hiện giá trị ngoại lai (Outlier Detection) qua ngưỡng độ lệch chuẩn $3\sigma$, kết hợp phương pháp nội suy chuỗi đa thức bậc hai (Quadratic Spline Interpolation) và thuật toán Forward-Fill đảm bảo chuỗi thời gian đưa vào mạng nơ-ron luôn liền mạch và bảo toàn đặc trưng phân phối.

3. Tại sao mạng LSTM lại vượt trội hơn mô hình thống kê ARIMA truyền thống trong bài toán này?

ARIMA giả định chuỗi thời gian có tính tuyến tính và dừng (Stationary), trong khi các yếu tố sinh hóa nước biển ($DO, NH_3, H_2S$) biến thiên phi tuyến mạnh, phụ thuộc chéo vào nhiệt độ, ánh sáng mặt trời và quá trình quang hợp/phân hủy sinh học. LSTM sở hữu các cổng đóng mở phi tuyến linh hoạt, cho phép lưu trữ và truyền tải thông tin phụ thuộc dài hạn qua hàng trăm bước thời gian mà không bị suy hao.

4. Hệ thống có thể tích hợp với các trạm quan trắc tự động IoT hiện có tại địa phương không?

Hoàn toàn khả thi. Mô hình được thiết kế theo dạng module hóa độc lập (Decoupled Architecture), sẵn sàng đóng gói dưới dạng RESTful API hoặc MQTT Consumer để nhận trực tiếp luồng dữ liệu (Data Stream) từ các gateway cảm biến IoT và trả về kết quả dự báo trong thời gian thực.

5. Chi phí duy trì hệ thống dự báo hàng năm là bao nhiêu?

Chi phí vận hành phần mềm gần như bằng 0 nếu triển khai trên hạ tầng máy chủ nội bộ của chi cục thủy sản. Nếu triển khai trên nền tảng đám mây (Cloud Serverless), chi phí duy trì chỉ dao động từ 300.000 – 500.000 VNĐ/tháng cho toàn bộ tải tính toán của một vùng đầm nuôi tôm hùm.

Kết luận

Đồ án tốt nghiệp "Ứng dụng AI và các mô hình học máy để dự báo xu hướng diễn biến môi trường thủy sản ở Phú Yên" đã giải quyết xuất sắc bài toán cấp thiết trong quản lý môi trường NTTS công nghệ cao. Thông qua việc ứng dụng chuyên sâu kiến trúc mạng nơ-ron hồi tiếp tiên tiến LSTM và GRU kết hợp thuật toán tối ưu Adam, nghiên cứu đã chứng minh tính khả thi vượt trội với độ chính xác dự báo đạt trên $94%$ trên tất cả các thông số sinh hóa then chốt ($DO, NH_3, H_2S, pH$).

Kết quả đồ án không chỉ đóng góp giá trị học thuật vững chắc trong việc ứng dụng học sâu vào khoa học dữ liệu môi trường biển, mà còn mở ra hướng đi thực tiễn đầy triển vọng nhằm số hóa và bảo vệ sinh kế bền vững cho người nông dân nuôi tôm hùm tại tỉnh Phú Yên và khu vực Duyên hải miền Trung. Các nhà phát triển và kỹ sư quan tâm có thể tiếp tục mở rộng mô hình sang hướng TinyML nhúng trên các thiết bị đo tự hành ven biển.