Hệ thống hỗ trợ quyết định quản lý thông số độ ẩm trong nông nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ ĐỖ KIM ĐOÀN HỆ THỐNG HỔ TRỢ QUYẾT ĐỊNH QUẢN LÝ THÔNG SỐ ĐỘ ẨM TRONG NÔNG NGHIỆP Tai Lieu Chat Luong LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH TP HỒ CHÍ MINH, NĂM 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ ĐỖ KIM ĐOÀN HỆ THỐNG HỔ TRỢ QUYẾT ĐỊNH QUẢN LÝ THÔNG SỐ ĐỘ ẨM TRONG NƠNG NGHIỆP Chun ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giảng viên hướng dẫn: TS Nguyễn Xuân Sâm TP HỒ CHÍ MINH, NĂM 2020 i LỜI CAM ĐOAN Tôi cam đoan luận văn “Hệ thống hỗ trợ định quản lý thông số độ ẩm nông nghiệp” nghiên cứu tơi Ngoại trừ tài liệu tham khảo trích dẫn luận văn này, tơi cam đoan toàn phần hay phần nhỏ luận văn chưa công bố sử dụng để nhận cấp nơi khác Khơng có sản phẩm/nghiên cứu người khác sử dụng luận văn mà khơng trích dẫn theo quy định Luận văn chưa nộp để nhận cấp trường đại học sở đào tạo khác ii LỜI CẢM ƠN Trong suốt trình học tập, nghiên cứu để thực luận văn này, nhận nhiều hướng dẫn, giúp đỡ góp ý q báu từ q thầy cơ, bạn bè đồng nghiệp Trước hết, xin gửi lời cảm ơn trân trọng đến TS Nguyễn Xuân Sâm định hướng, trực tiếp hướng dẫn, chia sẻ kíến thức, tài liệu hỗ trợ tơi hồn thành luận văn Nhân đây, tơi xin tỏ lịng biết ơn sâu sắc tới quý thầy cô Trường Đại học Mở TPHCM, Học viện Cơng nghệ Bưu Viễn thơng truyền đạt cho kiến thức quý báu năm học vừa qua Đồng thời, xin cảm ơn Ban Giám hiệu Trường Đại học Mở TPHCM, gia đình, bạn bè, đồng nghiệp ủng hộ, giúp đỡ tơi q trình thực đề tài nghiên cứu Mặc dù cố gắng hồn thành luận văn với tất nỗ lực, chắn luận văn cịn thiếu sót, mong nhận đóng góp q báu thầy bạn TP Hồ Chí Minh, tháng 01 năm 2020 Người thực Đỗ Kim Đồn iii TĨM TẮT Việt Nam đất nước nằm vùng khí hậu nhiệt đới ẩm, nông nghiệp lĩnh vực mạnh Để có đóng góp tích cực ngành nông nghiệp cấu kinh tế, nông nghiệp thông minh xác giải pháp để tăng suất trồng Trong nông nghiệp thông minh, việc thu thập liệu tự động thông số ánh sáng, nhiệt độ, độ ẩm…, trang trại canh tác, sau phân tích liệu thời gian thực cho ứng dụng phân loại, dự báo, tư vấn, … hỗ trợ tự động bán tự động định nhằm nâng cao hiệu sản xuất canh tác nông nghiệp Để hệ thống hóa q trình trên, chúng tơi xây dựng mơ hình hệ thống bao gồm lớp 1) phần cứng cho hệ thu thập liệu nodeMCU [1] DHT22 [2], 2) khối back-end sử dụng firebase [3], 3) front-end để ảo hóa liệu phân tích cho ứng dụng web ứng dụng di động [4] Trong luận văn này, tập trung đề xuất phân tích liệu thời gian thực để hỗ trợ định quản lý thông số độ ẩm như: cảnh báo độ ẩm vượt ngưỡng ngưỡng ảnh hưởng đến sinh trưởng phát triển trồng, dự báo độ ẩm thích nghi theo thay đổi nhanh thời tiết, vv Do biến đổi nhanh thời gian cường độ thông số trên, mơ hình máy học như: hồi quy tuyến tính [25], Bộ lọc Kalman [26] Hồi quy Bayes [42] khảo sát nhằm cảỉ thiện độ xác kịch thử nghiệm, để đánh giá xử lý thơng tin thời gian thực độ xác mô python [50] Kết mô cho thấy thuật tốn hồi quy tuyến tính đáp ứng nhu cầu dự đoán độ ẩm theo thời gian thực với tập liệu có biến đổi cường độ chậm nhỏ, Bộ lọc Kalman Hồi quy Bayes cho độ xác cao với trường hợp liệu độ ẩm thay đổi bất thường, nhiên thời gian sử dụng cho xử lý tính tốn trường hợp chậm iv Trong tương lai, đặt mục tiêu mở rộng đánh giá hệ thống với nhiều thông số cho loại trồng cụ thể phân tích liệu số điều kiện khu vực cụ thể Thêm vào đó, ứng dụng phân loại bệnh theo thay đổi độ ẩm hệ thống nhà kính, dự báo thay đổi độ ẩm cho ứng dụng tự động tưới tiêu, tư vấn chu kỳ sinh trưởng theo thông số độ ẩm xem xét bổ sung ABSTRACT Vietnam is a tropical and humid country where agriculture is often dominant To foster its active contribution to the country’s economic structure, smart and accurate agriculture is the key to increasing crop productivity In smart agriculture, the automatic collection of the parameters such as light, temperature, humidity, etc in farms, then the real-time data analysis for the purposes of classification, forecasting, and advising will automatically and semi-automatically support the decision making in improving the efficiency of agricultural production and farming In order to systematize the above processes, we built a system model consisting of layers: the so-called nodeMCU [1] and DHT22 [2] hardwares for data collection system, the back-end block using firebase [3], and the front-end to virtualize data having analyzed for web and mobile applications[4] In this thesis, we focus on proposing real-time data analysis to support the decisions of supervising the humidity parameter, namely the alert of humidity above or below threshold that affects plant growth and development and the humidity forecasting in accordance with fast changing weather v Due to the rapid change in terms of time and intensity of the above parameter, machine learning models as: linear regression [25], Kalman filter [26] and Bayes Regression [42] are investigated to improve the accuracy of experimental scenarios, to evaluate real-time information processing and the accuracy simulated in python [50] The simulation results show that the linear regression algorithm meets the demand of forecasting real-time humidity by data sets with slow change of intensity, whereas Kalman filter and Bayes Regression are more accurate in case of abnormal humidity data changes However, the time used for processing and calculating in these cases is slower In the future, we aim to expand and evaluate the system with many parameters for specific crops and analyze data in specific conditions and areas In addition, a variety of applications to classify plant diseases according to humidity changes in greenhouse system, to forecast humidity changes for automatic applications in irrigation, and to advise on plant growth cycles according to humidity parameters is also taken into consideration vi MỤC LỤC LỜI CAM ĐOAN .i LỜI CẢM ƠN ii TÓM TẮT iii MỤC LỤC vi DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ ix DANH MỤC CÁC BẢNG x DANH MỤC TỪ VIẾT TẮT xi MỞ ĐẦU CHƯƠNG 1: GIỚI THIỆU 1.1 Cơ sở hình thành luận văn 1.2 Mục tiêu nghiên cứu 1.3 Phạm vi đối tượng nghiên cứu .5 1.4 Phương pháp nghiên cứu 1.4.1 Mơ hình tốn học 1.4.2 Thiết bị cảm biến 1.4.3 Front-end, Back-end tảng tính tốn 1.5 Tính khoa học tính đề tài 10 1.5.1 Tính khoa học luận văn 10 1.5.2 Tính thực tiễn 11 1.6 Kết cấu luận văn 12 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 13 2.1 Mô hình sơ đồ thuật tốn hồi quy tuyến tính 13 2.1.1 Mơ hình hồi quy tuyến tính đơn giản 13 2.1.2 Ước tính tham số 14 2.1.3 Thử nghiệm giả thuyết .15 2.1.4 Dự đoán 17 vii 2.1.5 Chất lượng đo lường điều chỉnh 18 2.1.6 Phân tích đối tượng trong thuật tốn hồi quy tuyến tính 20 2.2 Bộ lọc Kalman 22 2.2.1 Quá trình ước tính 23 2.2.2 Nguồn gốc tính tốn lọc 24 2.2.3 Nguồn gốc xác suất lọc 25 2.2.4 Thuật toán lọc Kalman 26 2.2.5 Thông số lọc điều chỉnh 27 2.2.6 Thuật toán lọc Kalman dự báo độ ẩm 28 2.2.6.1 Phương trình trạng thái độ ẩm 28 2.2.6.2 Phương trình quan sát độ ẩm 29 2.2.6.3 Phân tích đối tượng nghiên cứu lọc Kalman 29 2.3 Mơ hình hồi quy Bayes 30 2.3.1 Phương pháp Bayes 30 2.3.2 Định lý Bayes 31 2.3.3 Biến ngẫu nhiên liên tục 32 2.3.4 Trung bình phương sai 33 2.3.5 Phân phối Gaussian (chuẩn) .34 2.3.6 Phân tích Bayes phân phối Gaussian 35 2.3.6.1 Phân phối trước chuẩn 35 2.3.6.2 Khả 35 2.3.6.3 Phân phối trước 36 2.3.6.4 Phân phối sau 36 2.3.6.5 Dự đoán phân phối sau .39 2.3.6.6 Thực hồi quy tuyến tính Bayes 39 2.3.6.7 Phân tích đối tượng nghiên cứu thuật tốn hồi quy Bayes .40 CHƯƠNG 3: KẾT QUẢ VÀ ĐÁNH GİÁ THỰC NGHIỆM 42 3.1 Thực mô phỏng/thông số mô phỏng/giả định nghiên cứu 42 3.2 Kết đánh giá thực nghiệm mô .43 viii 3.2.1 Kịch 43 3.2.2 Kịch 54 CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .62 4.1 Kết luận .62 4.2 Hướng phát triển 63 TÀI LIỆU THAM KHẢO 64 52 Với lọc Kalman giả sử ẩm độ thực 70%, chúng tơi có mơ hình xác, chúng tơi đặt phương sai nhiễu q trình 0,1 Sai số đo (độ lệch chuẩn) 0,5 % Hình 3.6 Giá trị quan sát giá trị ước tính lọc Kalman Kết cho thấy giá trị ước tính cách lọc Kalman giá trị quan sát thực phù hợp (Hình 3.6) Giá trị ước tính lọc Kalman phản ánh toàn chuyển động độ ẩm, nghĩa thuật tốn lọc Kalman có hiệu việc theo dõi Theo mơ hình khơng gian trạng thái thiết lập thuật toán lọc Kalman, dự báo độ ẩm vào ngày 22 tháng 05 năm 2019 Độ ẩm dự báo thời điểm 80.45% độ ẩm thực tế 81.5% lỗi dự đốn nhỏ Tất kết cho thấy thuật toán lọc Kalman hợp lệ việc dự đoán độ ẩm ngắn hạn Độ lệch chuẩn lọc Kalman 1.11 Với hồi quy Bayes traceplot hình 3.7 hiển thị phân phối sau cho tham số mô hình bên trái tiến trình mẫu vẽ dấu vết cho biến bên phải Hai màu đại diện cho hai chuỗi khác biệt lấy mẫu 53 Hình 3.7 Các sơ đồ hiển thị phân phối cho beta_0, sigma Ở tham số mơ hình chúng tơi khơng phải ước tính điểm mà phân phối Giá trị trung bình phân phối coi ước tính có khả nhất, chúng tơi sử dụng tồn phạm vi giá trị thấy không chắn giá trị thực Trong hình 3.8 cách khác để xem phân phối sau biểu đồ: Hình 3.8 Các sơ đồ hiển thị biểu đồ cho phân phối sau Một bảng tóm tắt tất tham số mơ hình: Bảng 3.8: Tóm tắt đầu cho mơ hình ước lượng Bayes mean sd mc_error hpd_2.5 hpd_97.5 n_eff Rhat mu_a 32.574635 7.119171 0.106982 19.280428 46.601768 4446.714364 0.999752 mu_1 0.395696 -12.807489 7.179128 0.205166 15.247871 971.480263 1.000062 54 alpha 65.292569 0.188439 0.004054 64.929383 65.674508 1899.148843 0.999752 beta_0 0.770231 0.010292 0.000221 0.749889 0.791100 1967.148349 0.999755 sigma 0.509000 0.059969 0.001245 0.393065 0.624194 2162.240791 0.999753 Trong bảng 3.8 ước tính điểm (trong trường hợp giá trị trung bình (mean) phân bố sau), cho phần chặn (alpha) 65.2925, với 95% PI = [64.929, 65.674] Ước tính cho tham số độ dốc (beta_0) thay đổi đơn vị giá trị ngày có liên quan đến việc giảm, 0,77 (95% PI = [0,75, 0,79]) giá trị độ ẩm Độ lệch chuẩn (sd) thấp cho khả liệu, cho thấy độ tin cậy lớn mục tiêu Từ kết thực nghiệm thuật toán hồi quy Bayes ta giá trị 𝛼 = 65.292 𝛽0 = 0.77, từ phương trình tuyến tính là: 𝜇 = 65.292 + 0.77 ∗ 𝑋1 Độ lệch chuẩn hồi quy Bayes 0.51 3.2.2 Kịch Thực nghiệm với hồi quy tuyến tính đơn hình 3.9, chúng tơi trình bày mối tương quan liệu thời gian độ ẩm thu thập liệu 3, độ ẩm khoảng thời gian có chiều hướng tăng giảm bất thường Mục tiêu phân tích tương quan tìm mối quan hệ biến dự đoán độ ẩm y với đặc trưng biến thời gian x Vì đường phù hợp có độ dốc dương Hơn nữa, mức độ mối quan hệ trung bình (0,536) 55 Hình 3.9 Mối tương quan thời gian độ ẩm Tóm tắt hồi quy bao gồm ba bảng bảng 3.9 trình bày tóm tắt mơ hình, bảng 3.10 cho thấy hệ số bảng 3.11 thử nghiệm bổ sung Theo thứ tự để giữ kết ban đầu, hiển thị tất thông tin kết hồi quy tập trung vào yếu tố quan trọng để xác định mối quan hệ hệ số Bảng 3.9: Tóm tắt mơ hình hồi quy OLS Dep Variable: y R-squared (uncentered): 0.536 Model: OLS Adj R-squared 0.520 (uncentered): Method: Least Squares F-statistic: 33.47 Date: Wed, 04 Dec 2019 Prob (F-statistic): 2.88e-06 Time: 12:57:29 Log-Likelihood: -42.662 No Observations: 31 AIC: 89.32 Df Residuals: 29 BIC: 92.19 Df Model: Bảng 3.9 cho thấy Biến Dep đáp ứng thấp mơ hình hồi quy đơn phương pháp OLS R-squared Adj R-squared đánh giá phân tán điểm liệu xung quanh đường hồi quy trang bị Từ mơ hình chúng tơi giá trị R- 56 squared trung bình (0,536), đó, có khác biệt giá trị quan sát giá trị mong đợi Trong mơ hình chúng tôi, F-statistic 33.47 theo sau F distribution Prob (F-statistic) nhỏ để nói hồi quy tổng thể khơng quan trọng Bảng 3.10: Các hệ số hồi quy OLS coef std err t P>|t| [0.025 0.975] const 80.9297 0.365 221.946 0.000 80.184 81.675 x1 0.1151 0.020 5.785 0.000 0.074 0.156 Bảng 3.10 trình bày hệ số phần chặn giá trị không đổi cho hồi quy đơn Ngoài ra, hệ số khác độ lệch chuẩn (std err), mơ hình thống kê t giá trị P trình bày Độ lệch chuẩn hệ số, chúng tơi tính hệ số phương sai hiệp phương sai, thống kê t đưa tỷ lệ hệ số biến dự đoán quan tâm sai số chuẩn tương ứng Khoảng tin cậy phạm vi giá trị mà chúng tơi mong đợi để tìm tham số quan tâm, Bảng 3.11: Các xét nghiệm bổ sung Hồi quy OLS Omnibus: 0.441 Durbin-Watson: 1.021 Prob(Omnibus): 0.802 Jarque-Bera (JB): 0.584 Skew: 0.201 Prob(JB): 0.747 Kurtosis: 2.461 Cond No 37.7 Bảng 3.11 tiếp tục cung cấp số thông tin bổ sung thảo luận phần dư mô hình Bằng cách sử dụng OLS, chúng tơi tìm thấy giá trị hệ số cho phương trình hồi quy dự đốn giá trị khơng đổi 𝛽0 80.929, giá trị hệ số 𝛽1 0.115 Do đó, mối quan hệ thể sau: y = 80.929 + 0.115∗ 𝑥 (3.3) 57 Dựa phương trình (3.3), mối quan hệ y x, y mơ hình đề xuất hiển thị Độ lệch chuẩn hồi quy đơn 0.96 Thực nghiệm với lọc Kalman giả sử ẩm độ thực 82.77%, chúng tơi có mơ hình xác, chúng tơi đặt phương sai nhiễu trình 0,1 Sai số đo (độ lệch chuẩn) 0,5 % Hình 3.10 Giá trị quan sát giá trị ước tính lọc Kalman Kết cho thấy giá trị ước tính cách lọc Kalman giá trị quan sát thực phù hợp (Hình 3.10) Giá trị ước tính lọc Kalman phản ánh toàn chuyển động độ ẩm, nghĩa thuật tốn lọc Kalman có hiệu việc theo dõi Theo mơ hình khơng gian trạng thái thiết lập thuật toán lọc Kalman, dự báo độ ẩm vào ngày 26 tháng năm 2019 Độ ẩm dự báo thời điểm 83.28% độ ẩm thực tế 84.5% lỗi dự đốn nhỏ Tất kết cho thấy thuật toán lọc Kalman hợp lệ việc dự đoán độ ẩm ngắn hạn Độ lệch chuẩn lọc Kalman 0.87 Với hồi quy Bayes traceplot hình 3.11 hiển thị phân phối sau cho tham số mơ hình bên trái tiến trình mẫu vẽ dấu vết cho biến bên phải Hai màu đại diện cho hai chuỗi khác biệt lấy mẫu 58 Hình 3.11 Các sơ đồ hiển thị phân phối cho beta_0, sigma Ở tham số mơ hình chúng tơi khơng phải ước tính điểm mà phân phối Giá trị trung bình phân phối coi ước tính có khả nhất, chúng tơi sử dụng toàn phạm vi giá trị thấy không chắn giá trị thực Trong hình 3.12 cách khác để xem phân phối sau biểu đồ: Hình 3.12 Các sơ đồ hiển thị biểu đồ cho phân phối sau 59 Một bảng tóm tắt tất tham số mơ hình: Bảng 3.12 Tóm tắt đầu cho mơ hình ước lượng Bayes mean sd mc_error hpd_2.5 hpd_97.5 n_eff Rhat mu_a 40.313565 7.185045 0.105241 25.456365 53.592968 4307.181698 0.999764 mu_1 0.118604 -13.413562 alpha 80.891679 0.310231 0.006151 80.302614 81.533610 2408.500407 0.999973 beta_0 0.116789 0.016927 0.000320 0.081960 0.147972 2507.205219 0.999964 sigma 0.854833 0.084118 0.001349 0.690723 1.022162 3736.357591 0.999754 7.098935 0.110159 14.361270 3797.677093 0.999756 Trong bảng 3.12 ước tính điểm (trong trường hợp giá trị trung bình (mean) phân bố sau), cho phần chặn (alpha) 80.89, với 95% PI = [80.302, 81.534] Ước tính cho tham số độ dốc (beta_0) thay đổi đơn vị giá trị ngày có liên quan đến việc giảm, 0,12 (95% PI = [0,082, 0,148]) giá trị độ ẩm Độ lệch chuẩn (sd) thấp cho khả liệu, cho thấy độ tin cậy lớn mục tiêu Từ kết thực nghiệm thuật toán hồi quy Bayes ta giá trị 𝛼 = 80.892 𝛽0 = 0.17, từ phương trình tuyến tính là: 𝜇 = 80.892 + 0.17 ∗ 𝑋1 Độ lệch chuẩn hồi quy Bayes 0.85 Chúng tiếp tục thử nghiệm liệu với thuật toán thảo luận kết độ lệch chuẩn thuật toán thể bảng 3.13 Bảng 3.13 So sánh Hồi quy tuyến tính, Bộ lọc Kalmanm Hồi quy Bayes Độ lệch chuẩn Thuật toán Kịch Kịch Bộ liệu Bộ liệu Bộ liệu Bộ liệu Hồi quy tuyến tính đơn 0.64 0.508 0.96 1.01 Bộ lọc Kalman 1.12 1.11 0.87 0.958 Hồi quy Bayes 0.62 0.51 0.85 0.89 60 3.3 Đánh giá phân tích kết Từ bảng 3.13 so sánh độ lệch chuẩn thuật tốn Hồi quy tuyến tính đơn, Bộ lọc Kalman, Hồi quy Bayes Trong kịch độ lệch chuẩn Hồi quy tuyến tính đơn Hồi quy Bayes nhỏ so với Bộ lọc Kalman Ưu điểm Hồi quy tuyến tính đơn so với Bộ lọc Kalman, Hồi quy Bayes liệu đào tạo sử dụng cho việc đào tạo q trình tính tốn phương pháp nhanh bảng 3.14 hai kịch thời gian thực Hồi quy tuyến tính thấp nhất, để áp dụng thuật tốn ứng dụng thời gian thực Theo định nghĩa mơ hình hồi quy tuyến tính mối quan hệ biến phụ thuộc biến độc lập tuyến tính Phương pháp nhạy cảm với bất thường liệu, qua kết thực nghiệm từ kịch bảng 3.13 độ lệch chuẩn Hồi quy tuyến tính lớn nhầt Khác với Hồi quy tuyến tính, Bộ lọc Kalman ước tính quy trình cách sử dụng phương trình cập nhật thời gian phương trình cập nhật số đo, ngồi để đạt hiệu suất tốt cách điều chỉnh tham số lọc, xử lý nhiễu cho liệu thay đổi bất thường hình 3.13 Hình 3.13 Giá trị quan sát giá trị ước tính lọc Kalman 61 Trong bảng 3.13 ta thấy độ lệch chuẩn Bộ lọc Kalman so với Hồi quy tuyến tính kịch bàn thấp Mơ hình ước lượng phải mở rộng để xử lý lỗi nhiễu số đo từ liệu quan sát, điều làm tăng đáng kể độ phức tạp tính tốn thuật tốn Từ bảng 3.14 ghi nhận thời gian thực lọc Kalman nhiều Hồi quy tuyến tính đơn Bảng 3.14 Thời gian thực thuật toán Thuật toán Thời gian thực (sec) Kịch Kịch Bộ liệu Bộ liệu Bộ liệu Bộ liệu Hồi quy tuyến tính đơn 1.75 1.84 1.86 1.86 Bộ lọc Kalman 2.34 2.37 2.46 2.5 Hồi quy Bayes 30.95 31.785 29.61 31.495 Hồi quy tuyến tính Bayes cho phép chế hữu ích để xử lý liệu khơng đủ liệu phân tán Quan trọng hơn, hồi quy Bayes phù hợp với liệu, tự tin phần khơng chắn (có lẽ hồn tồn dựa phân phối sau) phương pháp tối ưu hóa tính tốn tóm tắt dựa mẫu rút từ phân phối sau phương pháp lấy mẫu MCMC Trong bảng 3.13 kết thực nghiệm từ hai kịch độ lệch chuẩn Hồi quy Bayes nhỏ Hồi quy tuyến tính Bộ lọc Kalman ngược lại kết bảng 3.14 thời gian thực nghiệm hồi quy Bayes cao thuật toán Hồi quy Bayes thường kèm với chi phí tính tốn cao 62 CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.1 Kết luận Nghiên cứu luận văn mô tả thiết kế phát triển hệ thống hỗ trợ định tự động để quản lý độ ẩm nông nghiệp Đặc điểm hệ thống sử dụng phép đo độ ẩm liên tục để bổ sung cho thông số khí hậu dự đốn xác nhu cầu độ ẩm trồng, ngược lại với cơng trình trước dựa biến thời tiết lượng nước cần thiết cho trồng Việc sử dụng thông tin thời gian thực từ tham số độ ẩm sơ đồ điều khiển vịng kín cho phép điều chỉnh hệ thống hỗ trợ định với nhiễu cục bộ, tránh hiệu ứng tích lũy sai sót ước tính độ ẩm hàng tuần liên tiếp thực người nơng dân Việc phân tích hiệu suất hệ thống thực so sánh định đưa chuyên gia người thành phần hỗ trợ định Ba kỹ thuật học máy, Hồi quy tuyến tính đơn, Bộ lọc Kalman, Hồi quy Byes đề xuất làm sở cho công cụ lý luận phân tích để có hiệu suất tốt Các thực nghiệm mô từ liệu thu thập hệ thống nghiên cứu Kịch thử nghiệm cho thấy so sánh hiệu suất hệ thống cảm biến độ ẩm đất bên cạnh thơng tin thời tiết để dự đốn độ ẩm năm 2020, sử dụng thông tin năm 2019 để huấn luyện hệ thống Việc sử dụng thuật toán Hồi quy tuyến tính đơn cho liệu giả định trước tăng giảm liên tục phù hợp đáp ứng nhu cầu dự đoán độ ẩm theo thời gian thực với độ xác cao Kịch thứ hai chúng tơi dự đốn độ ẩm cho trồng nơng nghiệp, cách sử dụng thuật tốn Bộ lọc Kalman Hồi quy Bayes trường hợp liệu độ ẩm thay đổi bất thường Qua bước xử lý khử nhiễu lấy mẩu kết thực nghiệm từ hai thuật tốn có hiệu suất tốt Từ bảng 3.13 bảng 3.14 thuật toán Bộ lọc Kalman cho kết có độ xác thấp hơn, thời gian xử lý ngược lại Hồi quy Bayes có kết có độ xác cao phải trả giá cho thời gian xử lý chậm nhiều 63 4.2 Hướng phát triển Để nghiên cứu tương lai, đặt mục tiêu mở rộng đánh giá hệ thống loại trồng cụ thể, phân tích hiệu suất số điều kiện khu vực Do đó, việc thêm cảm biến dự báo nhiệt độ làm đầu vào hệ thống giúp cải thiện lịch theo dõi độ ẩm vào tuần xem xét dự đốn độ ầm ước tính chúng tơi Chúng đặt mục tiêu nắm bắt liệu lớn cho phép tạo mơ hình tổng qt hướng tới cơng cụ ước tính độ ẩm chung loại trồng định Bộ liệu khám phá việc sử dụng nhiều cảm biến cho môi trường để giải điều kiện mặt đất không đồng khu vực khác cung cấp thêm thông tin đầu vào cho hệ thống để có kết tốt TP HCM, ngày 08 tháng 01 năm 2020 HỌC VIÊN KÝ TÊN (Họ tên chữ ký) ĐỖ KIM ĐOÀN 64 TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] NodeMCU [Online] Available: https://www.nodemcu.com/index_en.html Technical Specification of DHT22 [Online] Available: https://www.sparkfun.com/datasheets/Sensors/Temperature/DHT22.pdf Firebase [Online] Available: https://firebase.google.com Smart farming systems at uclab [Online] Available: https://predictionsys.firebaseapp.com Nguyễn Xuân Sâm and N H Sơn, "Tối ưu độ tin cậy truyền liệu cho hệ thống nuôi tôm dựa vào tảng kết nối vạn vật," no 03[124], 2018 TC Khoa học Công nghệ Đại học Đà Nẵng B A King and K C Shellie, "Evaluation of neural network modeling to predict nonwater-stressed leaf temperature in wine grape for calculation of crop water stress index," 2016 H Navarro-Hellín, J Martínez-del-Rincon, R Domingo-Miguel, F Soto-Valles, and R Torres-Sánchez, "A decision support system for managing irrigation in agriculture," 2016 S Wold, A Ruhe, H Wold, and I Dunn, "The collinearity problem in linear regression The partial least squares (PLS) approach to generalized inverses," SIAM Journal on Scientific and Statistical Computing, vol 5, no 3, 1984 R Peck, C Olsen, and J L DeVore, Introduction to Statistics and Data Analysis, Fifth Edition ed 2016, p 944 J Asaana, A Sadick, A A Akunai, and T Salifa, "Correlation analysis between climatic parameters and their effect on evapotranspiration at Tono irrigation area, Upper East Region, Ghana," vol 2, no 2, pp 1-10, 2017 Tomo Popovic, Nedeljko Latinovic, and A Pešic, "Architecting an IoT-enabled platform for precision agriculture and ecological monitoring: A case study," 2017 Imad Aad and C Castelluccia, "Differentiation mechanisms for IEEE 802.11," 2001 Mehdi Mohammadi, Ala Al-Fuqaha, and S Sorour, "Deep Learning for IoT Big Data and Streaming Analytics: A Survey," 2018 C Rosenzweig, A Iglesius, X B Yang, P R Epstein, and E Chivian, "Climate change and extreme weather events Implications for food production, plant diseases, and pests," vol 2, no 2, pp 90-104, 2001 S C Mukhopadhyay and A Mason, Smart Sensors for Real-Time Water Quality Monitoring Springer, 2013 J Gubbi, R Buyya, S Marusic, and M Palaniswami, "Internet of Things (IoT):A vision, architectural elements, and future directions," vol 29, no 7, pp 1645-1660, 2013 N Downie, ""Chart js: Open source HTML5 Charts for your website," Chart js," 2015 Highcharts Available: https://www.highcharts.com Node.js [Online] Available: https://nodejs.org P Puerto, R Domingo, R Torres, A Pérez-Pastor, and M García-Riquelme, "Remote management of deficit irrigation in almond trees based on maximum daily trunk shrinkage Water relations and yield," 2013 65 [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] D Mulyani, "Prediction of New Student Numbers using Least Square Method," (IJARAI) International Journal of Advanced Research in Artificial Intelligence, vol 4, no 11, 2015 Suruchi Dedgaonkar, Vishal Patil, Niraj Rathod, Gajanan Hakare, and J Bhosale, "Solar Energy Prediction using Least Square Linear Regression Method," International Journal of Current Engineering and Technology, vol 6, no 5, pp 1549-1552, 2016 M R Braun, S B M Beck, P Walton, and M Mayfield, "Estimating the impact of climate change and local operational procedures on the energy use in several supermarkets throughout Great Britain," Energy and Buildings, pp 109–119, 2016 Nehal N Ghosalkar and S N Dhage, "Real Estate Value Prediction Using Linear Regression," IEEE, 2018 Fourth International Conference on Computing Communication Control and Automation Samprit Chatterjee and A S Hadi, Regression Analysis by Example, ed Wiley, 2012, p 424 Greg Welch and G Bishop, "An Introduction to the Kalman Filter," 2001 R E Kalman, "A New Approach to Linear Filtering and Prediction Problems," ASME, pp 35-45, 1960 P S Maybeck, "Stochastic Models, Estimation, and Control," vol Volume 1, 1979 Academic Press, Inc H W Sorenson, "Least-Squares estimation: from Gauss to Kalman," IEEE Spectrum, vol 7, pp 63-68, 1970 A Gelb, Applied Optimal Estimation 1974 F L Lewis, Optimal Estimation with an Introduction to Stochastic Control Theory (2nd Edition) 2008, p 552 R G Brown and P Y C Hwang, Introduction to Random Signals and Applied Kalman Filtering (4th Edition) John Wiley & Sons, Inc, 2012 Mohinder S Grewal and A P Andrews, Kalman Filtering: Theory and Practice Using MATLAB (4 edition) Wiley-IEEE Press, 2015, p 640 Zhu Meifeng and Z Guohao, "Forecasting the Coke Price Based on the Kalman Filtering Algorithm," Journal of Resources and Ecology, vol 6, no 1, pp 060-064, 2015 Xu Yuanxin, Yang Wanying, and S Wen, "Real-time Traffic Signal Control Based on Kalman Filtering Theory," Applied Mechanics and Materials, vol 713-715, pp 915-918, 2015 Trans Tech Publications Lorenzo Zanni, Jean-Yves Le Boudec, Rachid Cherkaoui, and M Paolone, "A Prediction-Error Covariance Estimator for Adaptive Kalman Filtering in StepVarying Processes: Application to Power-System State Estimation," IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY, 2016 S V Kumar, "Traffic Flow Prediction using Kalman Filtering Technique," Transportation Science and Technology, vol 187, pp 582 – 587, 2017 P Congdon, Bayesian Statistical Modelling, ed Wiley, 2007, p 596 Scott A Baldwin and M J Larson, "An introduction to using Bayesian linear regression with clinical data," vol 98, 2017 Shiyong Cui, Oliver Meynberg, and P Reinartz, "Bayesian linear regression for crowd density estimation in aerial images," 2017 IEEE 66 [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] Syarifah Diana Permaia and HerunaTanty, "Linear regression model using bayesian approach for energy performance of residential building," vol 135, 2018 Procedia Computer Science George E P Box and G C Tiao, Bayesian Inference in Statistical Analysis, ed Wiley-Interscience, 1992, p 608 K P Murphy, Machine Learning: A Probabilistic Perspective The MIT Press, 2012, p 1104 A Gelman, John B Carlin, Hal S Stern, David B Dunson, Aki Vehtari, and D B Rubin, Bayesian Data Analysis (Third Edition) CRC Press, 2014, p 675 C M Bishop, Pattern Recognition and Machine Learning Springer, 2006, p 738 Clair L Alston, Kerrie L Mengersen, and A N Pettitt, Case Studies in Bayesian Statistical Modelling and Analysis ( First Edition) John Wiley & Sons, 2013 G V Rossum, Python tutorial 2016 Christian P Robert and G Casella, Monte Carlo Statistical Methods (Second Edition) Springer, 2004 John Salvatier, Thomas V Wiecki, and C Fonnesbeck, "Probabilistic Programming in Python using PyMC3," 2016 Python reference manual [Online] Available: https://www.python.org/download/releases/3.0/