Bối cảnh và vấn đề nghiên cứu

Nuôi trồng nấm bào ngư tại Việt Nam là một hướng đi mang lại giá trị kinh tế và dinh dưỡng cao. Tuy nhiên, sự sinh trưởng của nấm bào ngư chịu tác động trực tiếp và nghiêm ngặt từ các yếu tố môi trường, trong đó nhiệt độ giữ vai trò quyết định đến năng suất sinh khối và chất lượng cây nấm. Theo các khảo sát thực nghiệm được tác giả trích dẫn, sự phát triển của nấm bào ngư theo các mốc thời gian sau cấy (Day After Inoculation - DAI) phụ thuộc chặt chẽ vào mức nhiệt:

  • Nhiệt độ tối ưu nhất cho sự tăng trưởng của nấm bào ngư là 28°C.
  • Các mức nhiệt 24°C và 32°C vẫn ghi nhận sự phát triển nhưng tốc độ chậm hơn.
  • Ở mức nhiệt 36°C, sau 8 ngày theo dõi (8 DAI), nấm hoàn toàn không có dấu hiệu tăng trưởng.

Thực trạng canh tác tại phần lớn các trang trại nấm ở Việt Nam hiện nay chủ yếu dựa vào các thiết bị đo nhiệt độ thủ công hoặc hệ thống cảm biến đặt ngưỡng cố định để kích hoạt cảnh báo tức thời. Phương thức này tồn tại hai hạn chế lớn: tốn kém nhân lực quản lý dữ liệu và thiếu khả năng phân tích, dự báo trước xu hướng biến động nhiệt. Khi nhận được cảnh báo vượt ngưỡng thì môi trường đã bị biến đổi, người nuôi không đủ thời gian chuẩn bị để can thiệp kịp thời, dẫn đến thiệt hại về sản lượng.

Nhằm khắc phục tình trạng trên, đề tài "Ứng dụng máy học thiết kế thiết bị biên để hỗ trợ đưa ra quyết định trong nuôi trồng nấm bào ngư" được thực hiện với mục tiêu chính là xây dựng và triển khai một mô hình dự đoán nhiệt độ trong môi trường nuôi trồng nấm bào ngư dựa trên chuỗi dữ liệu lịch sử, ứng dụng thiết bị biên kết hợp các thuật toán máy học nhằm đưa ra cảnh báo sớm và dự báo biến động nhiệt độ trong vòng 7 ngày tiếp theo.

Các mục tiêu và nhiệm vụ cụ thể được xác định bao gồm:

  1. Tìm hiểu và nghiên cứu các mô hình học máy phù hợp cho bài toán dự báo nhiệt độ chuỗi thời gian.
  2. So sánh và lựa chọn mô hình mang lại kết quả tốt nhất dựa trên độ chính xác, khả năng dự báo và tính ổn định.
  3. Xây dựng cơ sở dữ liệu về nhiệt độ từ các trang trại nuôi trồng nấm để phục vụ công tác huấn luyện và đánh giá mô hình.
  4. Tối ưu hóa việc thiết lập các tham số của mô hình để đạt hiệu năng xử lý tốt nhất.
  5. Xây dựng giao diện ứng dụng giúp giám sát nhiệt độ trong nhà nấm trực quan dựa trên kết quả của mô hình máy học.
  6. Cho phép người dùng nhận cảnh báo khi môi trường có dấu hiệu bất thường và cung cấp gợi ý để điều chỉnh môi trường kịp thời.

Đối tượng nghiên cứu của đồ án là quá trình sinh trưởng của nấm bào ngư và sự biến động nhiệt độ trong môi trường nuôi trồng. Phạm vi nghiên cứu tập trung vào không gian các nhà nấm tại trang trại nuôi cấy, với dữ liệu nhiệt độ được thu thập liên tục theo chu kỳ 6 phút và phân tích theo từng mốc giờ (0h đến 23h) mỗi ngày, phục vụ việc dự báo xu hướng nhiệt độ liên tục trong 7 ngày kế tiếp.

Cơ sở lý thuyết và phương pháp

Nghiên cứu ứng dụng lý thuyết về tính toán biên (Edge Computing), kỹ thuật phần cứng nhúng, hệ quản trị cơ sở dữ liệu thời gian thực và các mô hình học máy giám sát dự báo chuỗi thời gian.

Về phần cứng thu thập và xử lý:

  • Bộ xử lý trung tâm biên (Processor): Sử dụng máy tính bảng đơn Raspberry Pi 4 (vi xử lý Broadcom BCM2711 64-bit quad-core ARM Cortex-A72, 4 GB RAM). Thiết bị này thực hiện chức năng như một máy chủ biên (Edge Server), trực tiếp chạy các giải thuật máy học, tính toán dự báo cục bộ mà không cần truyền tải toàn bộ dữ liệu thô lên đám mây, giảm độ trễ và tiết kiệm băng thông.
  • Khối nút cảm biến (Node Sensor): Sử dụng vi điều khiển ESP32 (vi xử lý Xtensa Dual-Core LX6 32-bit, 520 KB RAM, 448 KB ROM, tích hợp kết nối Wi-Fi 802.11 b/g/n) kết hợp với cảm biến DHT11. Cảm biến DHT11 có phạm vi đo nhiệt độ từ 0°C đến 50°C (sai số ±2°C), dải độ ẩm 20% đến 90% RH (sai số ±5% RH), tần số lấy mẫu 1 Hz và khoảng cách truyền dữ liệu tối đa 20m. Chu kỳ lấy mẫu thực tế được thiết lập là 6 phút/lần.
Thiết bị Thành phần chính / Thông số Vai trò trong hệ thống
Raspberry Pi 4 Broadcom BCM2711, Quad-core Cortex-A72, 4 GB RAM, Gigabit Ethernet, Wi-Fi Khối xử lý biên (Processor/Server), huấn luyện/thực thi mô hình ML, đồng bộ CSDL
ESP32 Xtensa Dual-Core LX6 32-bit, 520 KB RAM, 448 KB ROM, Wi-Fi, Bluetooth Khối cảm biến (Node Sensor/Client), lấy mẫu dữ liệu nhiệt độ định kỳ 6 phút
DHT11 Dải nhiệt 0°C - 50°C (±2°C), Dải ẩm 20% - 90% RH (±5% RH), Tần số 1 Hz Thu nhận tín hiệu nhiệt độ và độ ẩm thực tế trong nhà nấm

Về mô hình thuật toán máy học, tác giả phân tích và xây dựng 6 mô hình phục vụ bài toán dự báo:

  • ARIMA (Auto Regressive Integrated Moving Average): Phương pháp dự báo chuỗi thời gian tuyến tính kết hợp giữa tự hồi quy AR(p) và trung bình trượt MA(q) thông qua sai phân bậc d. Sử dụng kiểm định nghiệm đơn vị ADF (Augmented Dickey-Fuller) để xác định và đưa dữ liệu về dạng dừng (Stationary).
  • SVM (Support Vector Machine): Thuật toán tìm siêu phẳng tối ưu (Hyperplane) phân tách với khoảng lề (Margin) lớn nhất, áp dụng hàm nhân phi tuyến (RBF Kernel, Polynomial Kernel) để mô hình hóa mối quan hệ nhiệt độ phi tuyến tính.
  • HYBRID (ARIMA + SVM): Mô hình lai ghép hai giai đoạn. Giai đoạn 1 dùng ARIMA để mô hình hóa và dự báo thành phần tuyến tính của chuỗi thời gian; giai đoạn 2 dùng SVM để học và dự đoán phần dư sai số phi tuyến từ kết quả của ARIMA.
  • LSTM (Long Short-Term Memory): Mạng nơ-ron hồi quy đặc biệt có khả năng học các mối tương quan chuỗi dài, khắc phục hiện tượng triệt tiêu gradient (Vanishing Gradient) của RNN truyền thống thông qua cấu trúc 3 cổng: Cổng quên (Forget Gate), Cổng vào (Input Gate) và Cổng ra (Output Gate) cùng trạng thái ô nhớ (Cell State).
  • RF (Random Forest): Phương pháp học có giám sát dựa trên tập hợp nhiều cây quyết định độc lập (Ensemble of Decision Trees). Kết quả dự báo là giá trị trung bình từ các cây, giúp giảm thiểu hiện tượng quá khớp (Overfitting).
  • RF-LSTM: Mô hình kết hợp hiện đại, tận dụng Random Forest để trích xuất và xử lý đặc trưng không gian/dữ liệu đa chiều, sau đó đưa qua mạng LSTM để dự báo chuỗi thời gian.

Phương pháp nghiên cứu thực tế bao gồm phương pháp tổng hợp lý thuyết, thu thập dữ liệu thực nghiệm qua mạng cảm biến IoT tại nhà nấm, tiền xử lý chuẩn hóa dữ liệu, huấn luyện mô hình và đo lường định lượng hiệu năng thông qua các chỉ số: Sai số tuyệt đối trung bình (MAE), Căn bậc hai sai số trung bình bình phương (RMSE), Hệ số xác định (R-squared), thời gian thực thi (Execution Time) và dung lượng bộ nhớ sử dụng (Memory Usage) trên thiết bị Raspberry Pi 4.

Thiết kế và triển khai hệ thống

Kiến trúc toàn hệ thống được tổ chức thành ba tầng: tầng thu thập dữ liệu (Nút cảm biến), tầng tính toán biên (Khối xử lý Raspberry Pi 4) và tầng ứng dụng/lưu trữ đám mây.

[ Node Sensor: ESP32 + DHT11 ]
[ Edge Processor: Raspberry Pi 4 ]
   - Xử lý dữ liệu & Thực thi ML (ARIMA, SVM, HYBRID, LSTM, RF, RF-LSTM)
   - Dự báo nhiệt độ 7 ngày tiếp theo
[ Firebase Firestore ]             [ Firebase Realtime Database ]
  Collection "Database"              Node "Actual" (Nhiệt độ hiện tại)
  (Lưu lịch sử 0h - 23h/ngày)        Node "Predict" (Dự báo 7 ngày)
              [ Ứng dụng React Native (Android/iOS) ]
              - Giám sát biểu đồ nhiệt độ thời gian thực
              - Cảnh báo ngưỡng nhiệt ảnh hưởng nấm bào ngư

Cơ chế giao tiếp nội bộ giữa ESP32 và Raspberry Pi 4 được thiết lập qua giao thức mạng Socket TCP/IP. Khối xử lý Raspberry Pi đóng vai trò Socket Server, lắng nghe tại một địa chỉ IP và cổng cố định. Khi nhận yêu cầu kết nối từ Node Sensor, một luồng (Thread) xử lý riêng biệt được khởi tạo. Việc phân luồng cho phép hệ thống mở rộng kết nối song song nhiều nút cảm biến cùng lúc mà không làm nghẽn tiến trình tính toán, đồng thời tự động giải phóng tài nguyên bộ nhớ khi ngắt kết nối.

Cấu trúc cơ sở dữ liệu trên nền tảng Firebase gồm hai thành phần:

  • Firebase Firestore: Quản lý dữ liệu lịch sử phục vụ lưu trữ lâu dài và huấn luyện lại mô hình. Dữ liệu được nhóm trong Collection mang tên "Database", mỗi Document đại diện cho một ngày cụ thể. Trong từng Document, các trường thông tin (Fields) được tổ chức cố định theo 24 mốc thời gian trong ngày từ "0h", "1h", "2h" đến "23h".
  • Firebase Realtime Database: Quản lý trạng thái tức thời và phục vụ render giao diện ứng dụng. Cấu trúc chia làm hai nhánh Document:
    • Nhánh "Actual": Lưu cặp key-value duy nhất chứa nhiệt độ đo đạc thực tế tại thời điểm gần nhất ("Temperature": giá trị).
    • Nhánh "Predict": Lưu dữ liệu dự báo nhiệt độ cho 7 ngày kế tiếp. Mỗi mốc ngày và giờ tương ứng là một cặp key-value để ứng dụng di động truy xuất nhanh chóng.

Quy trình tiền xử lý và suy luận thuật toán:

  • Với ARIMA và HYBRID: Dữ liệu chuỗi thời gian ban đầu được kiểm tra tính dừng bằng thuật toán ADF. Nếu chuỗi chưa dừng, hệ thống thực hiện lấy sai phân bậc một hoặc biến đổi qua hàm Logarit tự nhiên để triệt tiêu xu hướng và đảm bảo tính dừng.
  • Với LSTM: Dữ liệu được chuẩn hóa về mức Zero Base (chia toàn bộ giá trị cho giá trị đầu tiên của chuỗi rồi trừ đi 1) và phân tách bằng phương pháp trượt cửa sổ (Sliding Window) để mô hình nắm bắt sự phụ thuộc theo các bước thời gian ngắn.
  • Với RF và RF-LSTM: Dữ liệu được chuẩn hóa theo thang đo MinMaxScaler và biến đổi hình dạng (Reshape). Đối với mô hình RF-LSTM, đầu ra dự báo trung gian của RF được chuyển đổi ngược định dạng gốc trước khi nạp vào các lớp mạng LSTM để đưa ra kết quả cuối cùng.

Giao diện người dùng được xây dựng trên nền tảng React Native, hỗ trợ cả hai hệ điều hành Android và iOS. Ứng dụng đọc dữ liệu thời gian thực từ Realtime Database để vẽ đồ thị diễn biến nhiệt độ theo ngày (ví dụ đồ thị nhiệt độ ngày Chủ nhật), thông báo trạng thái môi trường và tự động đẩy cảnh báo đến người dùng khi nhiệt độ dự báo hoặc nhiệt độ thực tế vượt ngoài khoảng tối ưu cho sự sinh trưởng của nấm bào ngư.

Nội dung chính theo từng chương

Chương 1: Tổng quan về đề tài

Trình bày cơ sở khoa học về ảnh hưởng của nhiệt độ đối với nấm bào ngư, dẫn chứng số liệu thực nghiệm chứng minh ngưỡng nhiệt 28°C tối ưu và 36°C gây ức chế sinh trưởng sau 8 DAI. Chương này phân tích nhược điểm của các phương pháp giám sát thủ công tại các trang trại trong nước, đối chiếu với các công trình nghiên cứu IoT và Machine Learning quốc tế (Nguyen et al., 2019; Liu et al., 2020), từ đó xác lập mục tiêu nghiên cứu, phương pháp tiếp cận và phạm vi đề tài.

Chương 2: Cơ sở lý thuyết

Cung cấp bức tranh toàn diện về công nghệ phần cứng và thuật toán. Trình bày chi tiết cấu trúc phần cứng của vi điều khiển ESP32, máy tính biên Raspberry Pi 4 và cảm biến DHT11. Phân tích nền tảng lý thuyết của học máy có giám sát và không giám sát, nguyên lý chuỗi thời gian, toán tử trễ (Lag operator), kiểm định ADF cho mô hình ARIMA. Khảo sát cấu trúc siêu phẳng tối ưu, hàm nhân RBF và Polynomial của SVM; nguyên lý hoạt động của các cổng Sigmoid và Cell State trong LSTM nhằm giải quyết vấn đề Vanishing Gradient. Trình bày kiến trúc Ensemble của Random Forest, cơ chế kết hợp lai ghép HYBRID (ARIMA+SVM), RF-LSTM, cùng các khái niệm cốt lõi của React Native (TSX, Component, Props, State).

Chương 3: Thiết kế hệ thống

Mô tả chi tiết kiến trúc phần cứng và phần mềm của toàn bộ hệ thống. Thiết kế sơ đồ khối phần cứng gồm Node Sensor (ESP32) và Processor (Raspberry Pi 4). Xây dựng cơ chế truyền thông Socket đa luồng (Multi-threading Socket) qua giao thức TCP/IP. Thiết kế cấu trúc cơ sở dữ liệu trên Firebase Firestore (Collection "Database" chứa 24 trường giờ từ 0h đến 23h) và Realtime Database (Document "Actual" và "Predict"). Trình bày chi tiết lưu đồ thuật toán xử lý trên Raspberry Pi, lưu đồ tiền xử lý và huấn luyện cho 6 mô hình học máy (ARIMA, SVM, HYBRID, LSTM, RF, RF-LSTM) cùng lưu đồ hiển thị, cảnh báo trên ứng dụng React Native.

Chương 4: Kết quả

Tập trung vào phần đánh giá định lượng và kiểm nghiệm thực tế. Tác giả tiến hành chuẩn bị tập dữ liệu, áp dụng kiểm định nghiệm đơn vị ADF để tính toán chỉ số p-value và ADF Statistic trên chuỗi dữ liệu gốc và chuỗi biến đổi sai phân/log. Xác định các siêu tham số tối ưu cho từng mô hình; đo lường và lập bảng so sánh chi tiết các chỉ số MAE, RMSE của ARIMA, SVM, HYBRID, LSTM, RF và RF-LSTM. Đánh giá hiệu năng thực thi trên phần cứng Raspberry Pi qua các bảng đo thời gian huấn luyện, thời gian kiểm tra và dung lượng bộ nhớ RAM tiêu thụ. Trình bày kết quả thi công phần cứng thực tế và các ảnh chụp màn hình giao diện ứng dụng di động hiển thị đồ thị nhiệt độ và cảnh báo ngưỡng nhiệt.

Chương 5: Kết luận và hướng phát triển

Đánh giá mức độ hoàn thành so với 6 mục tiêu đề ra ban đầu. Khẳng định tính khả thi của việc tích hợp các mô hình máy học dự báo chuỗi thời gian trực tiếp lên thiết bị biên Raspberry Pi 4 kết hợp mạng cảm biến IoT và ứng dụng di động. Nêu bật các giới hạn hiện tại của hệ thống và đề xuất các phương hướng nghiên cứu nâng cao cho đề tài trong tương lai.

Kết quả và đóng góp

Nghiên cứu đã xây dựng thành công một hệ thống IoT hoàn chỉnh từ tầng biên đến ứng dụng người dùng, triển khai thực tế trên phần cứng nhúng Raspberry Pi 4 và ESP32. Kết quả đạt được thể hiện qua các mặt số liệu kỹ thuật và giải pháp kiến trúc:

  • Xử lý chuỗi thời gian thực nghiệm: Kiểm định ADF được thực hiện thành công để đưa chuỗi dữ liệu nhiệt độ không dừng (Nonstationary) về dạng dừng (Stationary) qua sai phân bậc một và logarit, thỏa mãn điều kiện đầu vào khắt khe của mô hình ARIMA và HYBRID.
  • Đánh giá so sánh 6 mô hình máy học: Tác giả thực hiện huấn luyện và kiểm thử độc lập 6 thuật toán (ARIMA, SVM, HYBRID, LSTM, RF, RF-LSTM) trên cùng một bộ dữ liệu nhiệt độ nhà nấm. Kết quả kiểm nghiệm định lượng được tổng hợp qua các bảng đo lường sai số (MAE, RMSE), thời gian thực thi (huấn luyện, dự đoán) và mức độ chiếm dụng tài nguyên bộ nhớ trên thiết bị biên. Mô hình đạt độ chính xác cao và sai số thấp nhất được nhóm nghiên cứu lựa chọn để nạp vào tiến trình dự báo 7 ngày trên Raspberry Pi.
  • Thời gian và tài nguyên phần cứng biên: Các chỉ số đo lường hiệu năng chứng minh thiết bị Raspberry Pi 4 hoàn toàn đáp ứng tốt việc lưu trữ, tiền xử lý và chạy các thuật toán học máy mà không gây tràn bộ nhớ, đảm bảo tính liên tục của hệ thống.
  • Ứng dụng di động và cơ chế cảnh báo: Triển khai thành công ứng dụng React Native kết nối đồng bộ với Firebase Realtime Database, hiển thị trực quan biểu đồ nhiệt độ 24 giờ trong ngày và dự báo 7 ngày tiếp theo, hỗ trợ gửi thông báo cảnh báo sớm khi nhiệt độ có xu hướng lệch khỏi khoảng phát triển tối ưu của nấm bào ngư (quanh mốc 28°C).

Đóng góp của đồ án so với các phương pháp truyền thống được tác giả xác định ở các điểm chính:

  • Chuyển đổi phương thức giám sát từ bị động (đo đạc thủ công hoặc cảnh báo ngưỡng tức thời) sang chủ động (dự báo trước xu hướng biến động nhiệt độ trong 7 ngày bằng Machine Learning).
  • Ứng dụng thành công mô hình tính toán biên (Edge Computing) vào nông nghiệp công nghệ cao, thực hiện suy luận máy học trực tiếp tại chỗ bằng Raspberry Pi kết nối mạng cảm biến ESP32 qua giao thức Socket TCP/IP đa luồng, giúp giảm phụ thuộc vào đường truyền mạng diện rộng.
  • Đưa ra một quy trình so sánh bài bản giữa các thuật toán truyền thống (ARIMA), thuật toán học máy phân loại/hồi quy (SVM, RF) và mạng học sâu chuỗi thời gian (LSTM) cùng các mô hình lai ghép (HYBRID, RF-LSTM) phục vụ cho bài toán chuỗi thời gian nhiệt độ nông nghiệp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

  • Hệ thống mới chỉ tập trung giám sát và dự báo một thông số môi trường duy nhất là nhiệt độ, chưa tích hợp sâu các thông số quan trọng khác như độ ẩm cơ chất, độ ẩm không khí, nồng độ khí CO2 và cường độ ánh sáng vốn cũng tác động lớn đến nấm bào ngư.
  • Cảm biến DHT11 sử dụng trong mô hình thực nghiệm có độ chính xác ở mức phổ thông (sai số nhiệt độ ±2°C và dải đo giới hạn 0-50°C), có thể tạo ra độ lệch nhất định trong tập dữ liệu đầu vào.
  • Hệ thống hiện mới dừng lại ở mức hỗ trợ ra quyết định và cảnh báo đến người dùng thông qua ứng dụng di động, chưa tích hợp mạch điều khiển tự động các cơ cấu chấp hành vật lý (như hệ thống quạt thông gió, máy phun sương, rèm che nhiệt).

Hướng phát triển tiếp theo được tác giả đề xuất:

  • Tích hợp thêm các cảm biến môi trường đa chỉ tiêu (độ ẩm không khí, độ ẩm phôi nấm, cảm biến CO2, cảm biến ánh sáng) để xây dựng bộ dữ liệu đa biến cho mô hình máy học.
  • Nâng cấp phần cứng cảm biến lên các dòng công nghiệp có độ nhạy và độ chính xác cao hơn.
  • Phát triển khối cơ cấu chấp hành tự động, kết nối trực tiếp với thiết bị biên để tự động điều chỉnh quạt làm mát, máy tạo ẩm hoặc hệ thống sưởi khi mô hình phát hiện xu hướng nhiệt độ bất lợi trong tương lai.
  • Tiếp tục tối ưu hóa cấu trúc các mô hình học sâu, giảm thiểu kích thước mô hình để tăng tốc độ suy luận và tiết kiệm hơn nữa tài nguyên trên các thiết bị nhúng biên.

Giá trị tham khảo

Báo cáo khóa luận có giá trị tham khảo thiết thực cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành:

  • Công nghệ kỹ thuật máy tính và Hệ thống nhúng: Tài liệu cung cấp thiết kế chi tiết về việc cấu hình phần cứng Raspberry Pi 4 kết hợp ESP32, xây dựng Socket Server đa luồng (Multi-threading TCP/IP) trên Python để quản lý nhiều kết nối cảm biến đồng thời.
  • Khoa học dữ liệu và Trí tuệ nhân tạo: Là tài liệu tham khảo tốt cho bài toán dự báo chuỗi thời gian thực tế, đặc biệt là quy trình kiểm định nghiệm đơn vị ADF, chuẩn hóa dữ liệu Zero Base, trượt cửa sổ và kỹ thuật kết hợp hai mô hình lai ghép HYBRID (ARIMA + SVM) và RF-LSTM.
  • Nông nghiệp công nghệ cao và IoT: Đồ án cung cấp một kiến trúc mẫu về việc kết hợp giữa phần cứng thu thập IoT, thiết bị xử lý biên, cơ sở dữ liệu đám mây Firebase (Firestore, Realtime Database) và ứng dụng di động đa nền tảng bằng React Native.

Các phần đáng tham khảo nhất bao gồm: Sơ đồ khối và lưu đồ thuật toán xử lý dữ liệu của 6 mô hình học máy tại Chương 3; quy trình thiết kế cơ sở dữ liệu kép trên Firebase; và bảng so sánh đa tiêu chí giữa các mô hình thuật toán trên phần cứng nhúng biên tại Chương 4.

Câu hỏi thường gặp

1. Nhiệt độ nào được xác định là tối ưu nhất cho sự phát triển của nấm bào ngư trong nghiên cứu này? Theo các số liệu thực nghiệm được tác giả trích dẫn trong Chương 1, nhiệt độ tối ưu nhất cho sự phát triển của nấm bào ngư là 28°C, tiếp theo là 32°C và 24°C. Sau 8 ngày cấy giống (8 DAI) ở mức nhiệt 36°C, nấm hoàn toàn không có dấu hiệu tăng trưởng.

2. Chu kỳ thu thập dữ liệu từ cảm biến DHT11 gửi về khối xử lý là bao lâu và qua giao thức gì? Khối Node Sensor (ESP32 kết nối DHT11) thực hiện đo đạc và gửi dữ liệu nhiệt độ về khối xử lý (Raspberry Pi 4) định kỳ 6 phút một lần, thông qua kết nối Socket sử dụng giao thức TCP/IP.

3. Cơ sở dữ liệu của hệ thống được tổ chức trên Firebase như thế nào? Cơ sở dữ liệu được chia làm hai phần: Firebase Firestore dùng để lưu trữ dữ liệu lịch sử trong Collection "Database", mỗi Document là một ngày với 24 trường dữ liệu từ "0h" đến "23h". Firebase Realtime Database dùng để lưu trạng thái trực tiếp, gồm nhánh "Actual" lưu nhiệt độ tức thời và nhánh "Predict" lưu kết quả dự báo nhiệt độ 7 ngày tiếp theo theo từng mốc ngày - giờ.

4. Vì sao mô hình ARIMA đòi hỏi phải kiểm tra tính dừng (Stationary) và nhóm tác giả đã dùng phương pháp nào? Mô hình toán học của ARIMA yêu cầu chuỗi thời gian đầu vào phải có tính dừng để đảm bảo các đặc tính thống kê (trung bình, phương sai) không thay đổi theo thời gian. Nhóm nghiên cứu đã sử dụng phương pháp kiểm định Augmented Dickey-Fuller (ADF) để kiểm tra; nếu chuỗi chưa dừng, phương pháp lấy sai phân bậc một hoặc hàm Logarit tự nhiên được áp dụng để biến đổi chuỗi về dạng dừng.

5. Mô hình lai HYBRID trong đồ án được kết hợp từ hai thuật toán nào và hoạt động ra sao? Mô hình HYBRID là sự kết hợp giữa ARIMA và SVM. Quá trình dự báo diễn ra qua hai bước: Đầu tiên, mô hình ARIMA dự đoán thành phần tuyến tính của chuỗi thời gian; sau đó, sai số ngẫu nhiên phi tuyến phát sinh từ ARIMA được chuyển đổi định dạng và đưa vào mô hình SVM để dự đoán tiếp, kết quả cuối cùng là tổng hợp dự đoán của cả hai mô hình.

Kết luận

Đồ án tốt nghiệp "Ứng dụng máy học thiết kế thiết bị biên để hỗ trợ đưa ra quyết định trong nuôi trồng nấm bào ngư" đã nghiên cứu, thiết kế và thi công thành công một hệ thống giám sát và dự báo nhiệt độ chuỗi thời gian hoàn chỉnh dựa trên nền tảng tính toán biên Raspberry Pi 4 kết hợp nút cảm biến ESP32. Đề tài đã khảo sát và đánh giá thực nghiệm 6 mô hình thuật toán gồm ARIMA, SVM, HYBRID, LSTM, RF và RF-LSTM, xác lập được giải pháp dự báo xu hướng nhiệt độ trong 7 ngày kế tiếp với độ chính xác cao và mức tiêu thụ tài nguyên phần cứng hợp lý. Công trình không chỉ cung cấp một giải pháp công nghệ có tính ứng dụng cao giúp người nuôi nấm chủ động phòng ngừa rủi ro thời tiết, mà còn đóng góp một quy trình kỹ thuật rõ ràng trong việc tích hợp học máy vào hệ thống nhúng biên IoT phục vụ nông nghiệp thông minh.