Ở Việt Nam nói riêng cũng như nhiều nước trên thế giới nói chung, cháy rừng là một hiện tượng khá phổ biến. Cháy rừng là một trong những hiện trượng thiên tai gây tổn thất to lớn về kinh tế và môi trường sinh thái. Nó huỷ diệt gần như toàn bộ động vật, thực vật trong vùng bị cháy, phát thải vào khí quyển khối lượng lớn khói bụi cùng với những khí gây hiệu ứng nhà kính như CO, CO2, NO,…Cháy rừng là một trong những nguyên nhân quan trọng làm gia tăng quá trình biến đổi khí hậu và các thiên tai hiện nay, Mặc dù phương tiện và phương pháp phòng cháy chữa cháy rừng ngày càng hiện đại nhưng cháy rừng vẫn không ngừng xảy ra, thậm chí ngay cả ở những nước phát triển nhất. Phòng, chữa cháy rừng đang được xem là nhiệm vụ cấp bách của thế giới nói chung , cũng như Việt Nam nói riêng, nhằm mục địch bảo vệ các nguồn tài nguyên thiên nhiên và bảo vệ môi trường. Nên nhóm chúng tôi đã nghiên cứu phát triển một hệ thống giám sác thu thập dữ liệu các điều kiện gây cháy rừng sử dụng công nghệ IOT kết hợp machine leaning nhằm mục đích đưa ra kết quả dự đoán và phát hiện kịp thời những nơi xảy ra cháy rừng.
ĐẠI HỌC ĐÀ NẴNG KHOA CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐỒ ÁN CƠ SỞ NGHIÊN CỨU HỆ THỐNG CẢNH BÁO CHÁY RỪNG Giảng viên hướng dẫn: ThS NGUYỄN ANH TUẤN Sinh viên thực hiện: NGUYỄN TUẤN VƯƠNG NGUYỄN CHÍ THÀNH NGUYỄN THANH HÀO PHAN ANH KIỆT Lớp: 18CE Đà Nẵng, ngày 12 tháng 09 năm 2020 ĐẠI HỌC ĐÀ NẴNG KHOA CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐỒ ÁN CƠ SỞ NGHIÊN CỨU HỆ THỐNG CẢNH BÁO CHÁY RỪNG Đà Nẵng, ngày 12 tháng 09 năm 2020 MỞ ĐẦU Ở Việt Nam nói riêng nhiều nước giới nói chung, cháy rừng tượng phổ biến Cháy rừng trượng thiên tai gây tổn thất to lớn kinh tế môi trường sinh thái Nó huỷ diệt gần tồn động vật, thực vật vùng bị cháy, phát thải vào khí khối lượng lớn khói bụi với khí gây hiệu ứng nhà kính CO, CO2, NO,…Cháy rừng nguyên nhân quan trọng làm gia tăng q trình biến đổi khí hậu thiên tai nay, Mặc dù phương tiện phương pháp phòng cháy chữa cháy rừng ngày đại cháy rừng khơng ngừng xảy ra, chí nước phát triển Phòng, chữa cháy rừng xem nhiệm vụ cấp bách giới nói chung , Việt Nam nói riêng, nhằm mục địch bảo vệ nguồn tài nguyên thiên nhiên bảo vệ mơi trường Nên nhóm nghiên cứu phát triển hệ thống giám sác thu thập liệu điều kiện gây cháy rừng sử dụng công nghệ IOT kết hợp machine leaning nhằm mục đích đưa kết dự đốn phát kịp thời nơi xảy cháy rừng LỜI CẢM ƠN Học phải đôi với hành với sinh viên việc thực đồ án vơ cần thiết chúng em xin chân thành cảm ơn Ban lãnh đạo Khoa Công nghệ thông tin Truyền thông tạo điều kiện cho chúng em thực đồ án Để hoàn thành tốt đề tài này, nỗ lực thân, tơi cịn nhận quan tâm giúp đỡ nhiều tập thể cá nhân Trước hết, tơi xin gửi tới tồn thể thầy, cô giáo Khoa Công Nghệ Thông Tin Truyền Thơng Đặc biệt, tơi xin bày tỏ lịng biết ơn sâu sắc tới Giảng viên hướng dẫn ThS Nguyễn Anh Tuấn, người tận tâm hướng dẫn suốt q trình thực tập hồn thiện đề tài Em xin bày tỏ lòng cảm ơn đến gia đình, người thân bạn bè giúp đỡ, tạo điều kiện cho em thời gian thực đồ án, để hồn thành đồ án điều kiện tốt Vì kiến thức thân cịn hạn chế, q trình thực hồn thành đề tài em không tránh khỏi sai sót, kính mong nhận ý kiến đóng góp từ q thầy Cuối tơi kính chúc q Đà thầy, cô dồi khỏe thành Nẵng, ngày 12sức tháng 09 năm 2020.công nghiệp cao quý Đồng kính chúc gia đình, người thân bạn bè Sinh viên: NGUYỄN TUẤN VƯƠNG Giảng viên hướng dẫn dồi sức khỏe, đạt nhiều thành công tốt đẹp cơng việc NGUYỄN CHÍ THÀNH NGUYỄN THANH HÀO ThS Nguyễn Anh Tuấn PHAN ANH KIỆT NHẬN XÉT (Của giảng viên hướng dẫn) ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… MỤC LỤC MỞ ĐẦU LỜI CẢM ƠN NHẬN XÉT MỤC LỤC DANH MỤC CÁC BẢNG .5 DANH MỤC HÌNH DANH MỤC CỤM TỪ VIẾT TẮT .7 GIỚI THIỆU 1.1 Tổng quan 1.1.1 Thực trạng cháy rừng giới 1.1.2 Ở Việt Nam .11 1.1.3 Dự báo cháy rừng 11 1.2 Phương pháp kết .12 NGHIÊN CỨU TỔNG QUAN .13 2.1 Phương pháp dự báo cháy rừng giới .13 2.2 Phương pháp dự báo cháy rừng nước ta 15 2.3 Giải pháp iot machine learning 16 PHÂN TÍCH THIẾT KẾ HỆ THỐNG 18 3.1 Mơ hình tổng quan hệ thống nghiên cứu 18 3.2 Thiết kế chi tiết 18 3.3 Thiết kế phần cứng 21 3.4 Thiết kế phần mền 24 3.4.1 Xây dựng sở dử liệu .26 3.4.2 ĐỘ CHÍNH XÁC 30 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 33 4.1 Quá trình thử nghiệm .33 4.2 Đánh giá kết thử nghiệm 36 4.3 Kết luận 37 4.4 Hướng phát triển tương lai 37 DANH MỤC TÀI LIỆU THAM KHẢO 38 DANH MỤC CÁC BẢNG Trang Bảng 1-1 Phân cấp dự báo cháy rừng 11 Bảng 2-1 Tiêu chí đánh giá nguy cháy rừng theo số Angstrom 14 Bảng 3-1 Đặc trưng liệu đầu vào .27 Bảng 3-2 Bộ liệu học máy .27 Bảng 4-1 Bộ dử liệu thử nghiệm 34 Bảng 4-2 Kịch hoạt động .35 DANH MỤC HÌNH Trang Hình 1-1 Bầu trời đỏ ngầu Mallacoota ngày 31/12 Hình 1-2 Biển cấp dự báo cháy rừng 12 Hình 3-1 Mơ hình tổng quan 18 Hình 3-2 Module lora SX1278 .19 Hình 3-3 Vi điều khiển atmega328p-pu 20 Hình 3-4 Module esp8266 20 Hình 3-5 Cảm biến DHT21 20 Hình 3-6 Cảm biến tốc độ gió .21 Hình 3-7 Pin mặt trời 21 Hình 3-8 Sơ đồ nguyên lý Gateway 22 Hình 3-9 Gateway 22 Hình 3-10 Sơ đồ nguyên lý cảm biến 23 Hình 3-11 Cảm biến 23 Hình 3-12 Mơ hình hoạt động 24 Hình 3-13 liệu lưu trử .25 Hình 3-14 Mơ hình traning data 28 Hình 3-15 Biểu đồ Adam SGD 31 Hình 3-16 Trang chủ website .32 Hình 4-1 Hình ảnh hoạt động thực tế 33 Hình 4-2 Biểu đồ liệu kiểm thử .35 DANH MỤC CỤM TỪ VIẾT TẮT STT Cụm từ Công nghệ phần mềm Công nghệ thông tin Viết tắt CNPM CNTT Lỗi bình phương gốc RMSE Độ lệch tuyệt đối MAD Root Mean Square Communication Hiển thị kết độ xác Acuracy AUC Internet of thing IOT Vi điều khiển VĐK Vật liệu cháy VLC 10 Trí tuệ nhân tạo AI 11 Biến đổi khí hậu BĐKH 12 … RMSProp GIỚI THIỆU 1.1 Tổng quan Ở Việt Nam nói riêng nhiều nước giới nói chung, cháy rừng tượng phổ biến Cháy rừng trượng thiên tai gây tổn thất to lớn kinh tế mơi trường sinh thái Nó huỷ diệt gần toàn động vật, thực vật vùng bị cháy, phát thải vào khí khối lượng lớn khói bụi với khí gây hiệu ứng nhà kính CO, CO2, NO,…Cháy rừng nguyên nhân quan trọng làm gia tăng trình biến đổi khí hậu thiên tai nay, Mặc dù phương tiện phương pháp phòng cháy chữa cháy rừng ngày đại cháy rừng không ngừng xảy ra, chí nước phát triển Phòng, chữa cháy rừng xem nhiệm vụ cấp bách giới nói chung, Việt Nam nói riêng, nhằm mục địch bảo vệ nguồn tài nguyên thiên nhiên bảo vệ môi trường Trong năm qua, tác động biến đổi khí hậu, tần suất cường độ thiên tai ngày can gia tang, gây tổn hại người tài sản, hệ thống hạ tần kinh tế, văn hóa xã hội, tác động xấu đến môi trường đặt biệt cho công tác quản lý cháy rừng BĐKH góp phần gia tăng cháy rừng lý do: Nhiệt độ khơng khí tang nắng nóng kéo dài; tốc độ gió hướng gió mùa thịnh hành gió thay đổi; thiên tai (lốc, bảo, hạn hán, giá rét,…); gia tăng cường độ tầng xuất xuất làm thay đỗi đặc trưng vật liệu cháy rừng 1.1.1 Thực trạng cháy rừng giới Cháy rừng Australia bắt đầu bùng phát Australia từ tháng 11-2019, đến ngày 7-1-2020 thiêu rụi triệu đất (gần gấp đơi diện tích nước Bỉ), riêng bang New South Wales 1,2 triệu Với gần 200 đám cháy hoành hành hầu khắp lục địa châu Đại Dương rộng lớn, gây thiệt hại nghiêm trọng người tài sản tàn phá hệ động vật hoang dã Theo thống kê quan chức Australia, từ đầu vụ cháy rừng đến nay, hỏa hoạn khiến 26 người thiệt mạng, thiêu rụi 10,3 triệu héc ta đất rừng, phá hủy gần 2.000 nhà 4.000 công Khi áp dụng logarit tập liệu chúng tơi đến tập liệu kết được sử dụng đào tạo thuật toán SVM Đây Hỗ trợ Máy Vector (SVM) cấu hình với kernel tuyến tính epsilon có giá trị 0,336 .Để giảm thiểu tỷ lệ lỗi mưa liệu, hàm số mũ (e ^ x-1) áp dụng Hàm dự đốn sử dụng mơ hình cung cấp liệu thu thập dự đốn Tính đắn tập liệu đào tạo đánh giá cách sử dụng trung bình Độ lệch tuyệt đối (MAD) lỗi bình phương gốc (RMSE) Cuối cùng, thuật toán cung cấp với cảm biến liệu thu từ nút Kết thu được sử dụng dự đoán khu vực dễ bị tổn thương cháy rừng Hình 3-13 liệu lưu trử 25 Máy chủ phân tích xử lý yêu cầu, sau xây dựng theo mơ hình có sẵn dự đoán kết Các phần khác hệ thống thực với công nghệ khác Express.JS, sử dụng để mak hệ thống API Restful API thư viện TensorF lowJS (Tf.js) Tf.js nhanh mơ hình nhỏ, mơ hình trở nên đào tạo lớn trở nên chậm 101515x[3] Trong vấn đề cấu hình lại ứng dụng IoT thường liên quan đến nhiều liệu chuỗi thời gian cảm biến Giá trị tính thường khơng phức tạp, chúng tơi sử dụng tảng chủ yếu TensorFlow.JS thay tảng python Chúng triển khai IRPS máy chủ với phần cứng sau: Intel Xeon E3-1225 v5 @ 3.30GHz (4 CPU) ~ 3.3GHZ, RAM 32 GB Trong phần này, hệ thống có ba bước: bước tải lên Bộ liệu; bước chọn tính đầu vào tính đầu nhận từ liệu; Bước 3: chọn thuật toán số 04 thuật toán đề cập phần 3.1 để đào tạo Khi mơ hình đào tạo, người dùng tải xuống mơ hình để sử dụng để dự đoán xem kết chức xác Hệ thống dựa khung thấp TensorFlow với thư viện liên quan để truy cập liệu trực tuyến Mơ hình hoạt động hệ thống hình 3.4.1 Xây dựng sở dử liệu Dữ liệu bao gồm nhiệt độ quận huyện Đà Nẵng vào mùa mưa mùa khô (từ t4/2019 t9/2020) Sau tiến hành gán nhãn liệu tạo thành dataset có 10.253 liệu thời tiết mức độ cảnh báo cháy rừng Bộ liệu sau lọc liệu khơng cần thiết bao gồm đặc trưng chủ yếu để đánh giá nguy khả cháy rừng khu vực, file download dùng để import vào trình traning liệu Các đặc trưng liệu đầu vào bao gồm Temperature, Relative_Humidity, Wind_Speed, Soil_Temperature Soil_Moisture Đặc trưng đầu 26 Caution bao gồm lớp liệu {0 khơng có nguy khả cháy rừng có nguy khả ănng cháy rừng} Bảng 3-1 Đặc trưng liệu đầu vào Temp_air Humi_air Temp_Soild Humi_ Soild Rain Wind (℃) (%) (℃) (%) (0/1) (0/1) Bên cạnh chúng tơi cịn nghiên cứu bổ sung thêm vào dataset liệu bất thường, thường thấy vụ hoản hoạn từ báo cáo nghiên cứu yếu tố thời tiết ảnh hưởng đến nguy cháy rừng như: Nhiệt độ trung bình thấp độ ẩm trung bình lại thấp bất thường nhiệt độ cách mặt đất 10cm cao, độ ẩm cánh đất 10cm thấp (cảnh báo khói có không), rơi vào trường hợp người dân đốt rừng làm rẫy, người dân rừng cắm trại,… Các yếu tố bất lợi, model học liệu đưa cảnh báo có nguy cháy, dựa theo nghiên cứu nhữung yếu tố thời tiết ảnh hưởng đến nguy cháy rừng Mốt số liệu bất thường liệu thu thập không theo nguyên tắt, người khó mà nhận biết được, xét qua bảng liệu đây: Bảng 3-2 Bộ liệu học máy Temperat ure (°C) Relative_Humi Wind_Spe Soil_Temperat Soil_Moist dity (%) ed (km/h) ure (°C) ure (m³/m³) Cauti on 26.65 92 5.23 27.03 0.26 26.32 93 5.75 26.87 0.26 25.95 43 6.01 26.68 0.26 25.50 94 6.33 26.49 0.26 25.41 94 6.66 26.30 0.26 25.14 94 6.66 26.12 0.26 25.59 93 6.66 25.96 0.26 28.05 85 6.01 26.04 0.26 29.83 76 6.33 26.38 0.26 31.19 70 5.49 26.87 0.26 31.87 68 4.39 27.41 0.26 31.36 40 2.94 27.74 0.27 27 Ta xét bảng cột Temperature mức nhiệt độ cao nằm mức cảnh báo (dựa theo bảng thang đo mức độ hỏa hoạn) lúc hộp xốt, đồ nhựa bắt đầu bị nhiệt độ làm cho biết dạng, dựa vào liệu thu thập ta có thấy thấy nhiệt độ mức 31°C trở lên lúc độ ẩm thấp từ (20-40%) nguy hiểm Xét hàng đầu tiên, lúc nhiệt độ mức nguy cao 32.42°C so với hàng cột độ ẩm có khác biệt ,theo nguyên tắc liệu thu thập thực tế nhiệt độ cao độ ẩm thấp cột độ ẩm lại cao bất thường, độ ẩm cao khả bốc lửa thấp hơn, nhưung nhìn chung nhiêịt độ trung bình cao nguy cháy rừng có nên mức cảnh báo Ta xét hàng nhiệt độ trung bình mức an tồn, độ ẩm nhiệt độ mặt đất có chênh lệch, cột độ ẩm thấp 28% lúc khả bắt lửa cao, nguy cháy rừng cao, nên mức cảnh báo Hình 3-14 Mơ hình traning data Sau training liệu dataset, tiến hành sử dụng kỹ thuật Cross– validation để ước tính độ xác hay lỗi thuật tốn, mục đích kỹ thuật nhằm chia tập liệu ban đầu thành training Data sử dụng để huấn luyện mơ hình tập liệu độc lập sử dụng để đánh giá Phương pháp phổ biến Kflod, liệu ban đầu chia thành tập có kích thước nhau, 28 gọi “fold” Giá trị K số tập liệu phân chia Phương pháp lặp lại nhiều lần có K số mơ hình khác nhau, tập k sử dụng làm tập kiểm thử tập lại ghép lại thành tập huấn luyện Việc ước tính độ xác hay lỗi tính trung bình thử nghiệm k để đánh giá mức độ hiệu mơ hình Dựa vào số Confusion matrix để mơ hình phân lại đánh giá, điều chỉnh hiệu quả, trước tiên phải tang tỷ lệ trường hợp TP, TN, giảm FP, FN để tăng tỷ lệ Accuracy giảm tỷ lệ Error Acuracy = 𝑇𝑃 + 𝑇𝑁 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 Trong : TP (True Positive): Số lượng dự đốn xác TN (True Negative): Số lương dự đốn xác cách gián tiếp FP (False Positive - Type Error): Số lượng dự đoán sai lệch FN (False Negative - Type Error): Số lượng dự đoán sai lệch cách gián tiếp Thuật toán chúng em sử dụng Adam Thuật Toán Tối Ưu Gradient Descent (sgd) thuật tốn xử lý liệu số, tìm kiếm độ dốc học có giám sát mạnh thư viện tenserflow Adam thuật toán feedforward neural network(FFNN) thuộc lĩnh vực deep learning, thuật toán phân lớp nhị phân, hàm kích hoạt thuật tốn (activation functions) đóng vai trị quan trọng việc điều chỉnh độ dốc đạo hàm sử dụng thay cho thủ tục giảm độ dốc ngẫu nhiên cổ điển để cập nhật lặp lặp lại trọng số mạng dựa liệu huấn luyện Thuật toán Gradient Thích ứng (AdaGrad) trì tốc độ học tập tham số giúp cải thiện hiệu suất vấn đề có gradient thưa thớt (ví dụ: vấn đề ngôn ngữ tự nhiên thị giác máy tính) 29 Root Mean Square Communication (RMSProp) trì tốc độ học tham số điều chỉnh dựa mức trung bình cường độ gần gradient trọng số (ví dụ tốc độ thay đổi nó) Điều có nghĩa thuật tốn giải tốt vấn đề trực tuyến khơng cố định (ví dụ: nhiễu) Sử dụng mơ hình liệu lớn, chúng em chứng minh Adam giải vấn đề học sâu thực tế cách hiệu Thuật tốn Gradient Thích ứng (AdaGrad) trì tốc độ học tập tham số giúp cải thiện hiệu suất vấn đề có gradient thưa thớt (ví dụ: vấn đề ngơn ngữ tự nhiên thị giác máy tính) Root Mean Square Communication (RMSProp) trì tốc độ học tham số điều chỉnh dựa mức trung bình cường độ gần gradient trọng số (ví dụ tốc độ thay đổi nó) Điều có nghĩa thuật tốn giải tốt vấn đề trực tuyến khơng cố định (ví dụ: nhiễu) Sử dụng mơ hình liệu lớn, chúng em chứng minh Adam giải vấn đề học sâu thực tế cách hiệu Với tham số xử lý traning: - - - Epoch:200 Số lần học, training lặp lại liệu, số lần nhiều độ xác cao, sau test số lần học, chúng e thấy 200 số lần học cho kết xác tốt Learning rate:0,005 Tốc độ học thuật toán, tốc độ lớn, yêu cầu, cấu hình máy mạnh tốc độ training nhanh Batch size:60 Chia liệu data thành 60 phần, để tránh epoch cao gây lỗi traning, batch size cao traning ổ định nhưng, tốc độ traning lâu 3.4.2 ĐỘ CHÍNH XÁC Hiển thị kết độ xác Acuracy (AUC) thuật toán adam sgd biểu đồ Tiến hành training , cho thuật toán chạy song song ta thu liệu độ xác (acc) thuật toán 30 Hình 3-15 Biểu đồ Adam SGD Ta thấy thuật tốn Adam cho độ xác ổn định lần học từ 0->20, cịn thuật tốn sgd độ xác có tăng biến thiên từ lần học thứ 30 Có thể lý giải lý thay thực phép tính tồn tập liệu điều dư thừa không hiệu - SGD tính tốn tập nhỏ data training lựa chọn ngẫu nhiên ví dụ liệu, độ xác lần train thấp, tăng dần ổn định Có thể nói acc phương pháp đánh giá hay sử dụng ,có thể hiểu đơn giản tính tỉ lệ số điểm dự đoán tổng số điểm tập liệu kiểm thử ta thấy độ xác thuật tốn ngưỡng 0.97->0.98 kết đáng khả quan model 31 Hình 3-16 Trang chủ website Trang chủ wedsite cung cấp thơng số khí tượng ảnh hưởng tới cháy rừng theo khu vực Với biểu đồ thơng tin khí tượng biến đổi trực quan với kết dự báo Trang quản lý với giao diện trực quan dễ sử dụng Cung cấp công cụ cần thiết cho việc quản lý giám sác tình trạng thiết bị quan trắc cơng cụ thiết yếu phụ vụ việc hổ trợ tính tốn đưa kết dự đoán 32 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.1 Quá trình thử nghiệm Hệ thống chạy liệu thử nghiệm thu thập bán đảo Sơn Trà TP Đà Nẵng Hình 4-1 Hình ảnh hoạt động thực tế Để đánh giá độ ổn định khả hoạt động thực tế chọn vị trí đặt thiết bị Bán đảo Sơn trà TP Đà Nẵng có tọa độ 16.116582, 108.278307 (Vị trí A) vị trí đặt Gateway nhận liệu vị trí B có tọa độ ………… 33 Sau đặt cảm biến ngồi thực địa, chúng tơi nhận khoản cách cảm biến tới Gateway lên đến 2km với tỉ lệ gói tin 10% Bộ liệu thử nghiệm thu thập Bán đảo Sơn Trà TP Đà Nẵng Gồm có trường (Nhiệt độ khơng khí, Độ ẩm khơng khí, Nhiệt độ đất, Độ ẩm đất, Trạng thái mưa, trạng thái cháy, ngày tháng năm) Do thời gian thu thập liệu chưa thu liệu cháy rừng Bán đảo Sơn Trà, chúng tơi tính tốn để thêm vào Dữ liệu cháy ảo lấy liệu có nước khác Bộ liệu có 10000 ghi, liệu bao gồm liệu thật thu thập liệu ảo thêm vào để tạo ngữ cảnh cháy Bảng 4-1 Bộ dử liệu thử nghiệm Temp Humi (%) Wind Speed (km/h) Soil Temp (°C) 32.42 84 5.66 24.02 0.28 33.31 40 4.12 20.78 0.27 (°C) Soil_Moisture (m³/m³) Caution 32.42 84 5.66 24.02 0.28 33.31 40 4.12 20.78 0.27 33.85 60 4.21 28.56 0.25 34.09 58 3.79 29.21 0.25 32.65 65 2.15 29.38 0.25 26.24 28 6.74 31.24 0.24 25.45 88 6.58 27.83 0.26 25.14 94 6.66 26.12 0.26 26.65 92 5.23 27.03 0.26 26.32 93 5.75 26.87 0.26 32.42 84 5.66 24.02 0.28 32.42 84 5.66 24.02 0.28 33.31 40 4.12 20.78 0.27 34 Bảng 4-2 Kịch hoạt động Chức Thông tin kịch Chức dự Chức hoạt động dựa thay đổi nhiệt độ báo cháy môi trường, lượng mưa, số ngày nắng, … Để đưa kế dự đốn Ví dụ như: nắng nóng thời gian dài nhiều ngày qua khơng có mưa hệ thống sẻ phát cảnh báo Nguy cháy cao Nếu nắng nóng nhiều ngày mà gần có mưa hệ thong sẻ đưa cảnh báo nguy cháy trung bình Nếu nhiều ngày qua mưa liên tục hệ thống cảnh báo nguy cháy thấp, … Chức phát Khi có đám cháy sảy phạm vi hoạt động báo động thiết bị hệ thống phát tín hiệu báo động trung tâm xử lý, để phát báo động còi loa, … Trong q trình kiểm thử chúng tơi thay đổi thơng số đâị vào nhiệt độ, độ ẩm, lượng mưa, … Hệ thống cho kết với biểu đồ sau: Biểu đồ kết kiểm thử 60 60 40 20 40 40 34.6 50.9 10 10 50.8 34.6 20 34.5 20 30 50.8 15 34.4 50.7 20 10 Temp_Air Humi_Air Fire Column2 Tỉ lệ cháy Hình 4-2 Biểu đồ liệu kiểm thử Qua biểu độ nhận thấy Khi nhiệt độ môi trường tăng, độ ẩm giảm, số ngày nắng dài dẫn tới tỉ lệ cháy tăng Khi nhiệt độ môi trường tăng, độ ẩm giảm, số ngày nắng ngắn tỉ lệ cháy không tăng 35 4.2 Đánh giá kết thử nghiệm Phần mềm sử dụng trạm quan sát đặt thực địa Phần mềm ứng dụng phát sớm cháy rừng từ trạm quan sát mặt đất thiết kế phát triển dựa yêu cầu công tác quản lý tài nguyên rừng giảm thiểu thiệt hại cháy cháy nước ta Cháy rừng sảy có xuất ba nhân tố bản: Oxy, vật liệu cháy, nhiệt lượng Nếu thiếu ba nhân tố cháy khơng xảy Sự kết hợp ba nhân tố tạo thành quy luật chung cháy rừng Đây khoa học để nghiên cứu, chế tạo thiết bị dự báo cháy rừng Bằng việc bố trí thiết bị dự báo cháy rừng rừng, hệ thống mạng lưới hình thành Mỗi thiết bị cảm biến thu thập nhiều thơng tin khác liên quan đến cháy rừng như: nhiệt độ, độ ẩm, khói… Các liệu thu thập truyền máy chủ machine learning để tính tốn, số liệu phân tích tính tốn cách xác Từ thiết đưa cảnh báo thảm họa cháy rừng thời gian sớm độ xác cao Thiết bị dự báo cháy rừng hoạt động nhờ cảm biến Nhìn chung hạn chế cảm biến thời gian hoạt động chúng không lâu, cảm biến hoạt động thời gian định Để khắc phục tình hình đó, cảm biến chúng tơi dùng thiết bị dự báo cháy rừng thiết kế với pin dự phòng kết hợp với pin lượng mặt trời Cảm biến hoạt động liên tục thời gian dài mà không gặp trở ngại Ngồi cảm biến cịn khắc phục vấn đề hạn chế cảm biến khác như: hoạt động điều kiện thời tiết bất thường, chụi áp suất nhiệt độ cao, tuổi thọ trung bình cảm biến cao… Một models hoạt động thiếu data, trường hợp dự án ứng dụng thực tế IOT đời sống xã hội, y học, Có tầm quan trọng lớn Lượng dataset nhỏ dể dẫn đến overfitting model khơng thể học đầy đủ features cho trường hợp tổng quan hay nói khác model thiếu khả tổng quan hóa chương trình ,điều nguy hiểm thực tế có nhiều trường hợp xảy theo hướng tích cực tiêu cực 36 Đối với dự án cháy rừng nói riêng xem cơng việc quan trọng nhiều thời gian công sức Vì cần phải cố gắng để chọn data đúng, an toàn đầy đủ trường hợp dự án cảnh báo cháy rừng Thu thập liệu xong cần tiến hành tiền xử lí liệu thu thập liệu thô nên đưa thẳng vào Models Ta tiến hành đánh nhãn liệu Đây bước quan trọng đánh giá mơ hình làm việc tốt hay không! Đánh nhãn sai liệu làm cho model dự đoán đánh giá sai dẫn đến tốn nhiều thời gian công sức bỏ cho q trình training Một dự án học máy nói chung IOT nói riêng sau qua bước: chuẩn bị liệu, mơ hình hóa liệu, tinh chỉnh mơ hình bước cuối quan trọng đánh giá độ xác, mơ hình có quy mơ tầm cỡ, bao gồm nhiều thuật tốn chun sâu, cấu hình xử lý cực khủng, khơng có đồng liệu ,thuật tốn, mơ hình xử lý , cho kết tỷ lệ rủi ro cao, độ xác thấp không 4.3 Kết luận Một dự án IOT ứng dụng kỹ thuật machine learning có nhiều phương pháp, model để đánh giá tiến hành xử lý cho phù hợp Chúng ta nên tiến hành đánh giá cách khách quan, chuẩn xác nhằm đáp ứng đầy đủ nhu cầu cần thiết dự án Khi tiến hành xử lý nên áp dụng nhiều chương trình đánh giá, thuật tốn để có cách nhìn khách quan độ xác hay u cầu chương trình mà ta điều chỉnh ,tìm thuật tốn phù hợp Cần phải xây dựng mơ hình dự án, hồn chỉnh phần cứng lẫn phần mềm , nên mơ hình mở để thể dễ dàng cập nhập, nâng cấp thêm chức để ứng dụng mở rộng phạm vi dự án tương lai 4.4 Hướng phát triển tương lai Bộ liệu liệu chưa chuẩn sác số nguyên nhân khách quan nên cần cải thiện liệu Nghiên cứu cải thiện nhân tố ảnh hưởng đến cháy rừng nhằm cải thiện độ sác cho kết tính tốn 37 DANH MỤC TÀI LIỆU THAM KHẢO [1] T Nguyên, "Những vụ cháy rừng tiếng giới," 11 07 2019 [Online] Available: https://daihocpccc.edu.vn/934-revision- 1049/2019/07/11/ [2] meteoblue, 22 10 2020 [Online] Available: https://www.meteoblue.com/en/weather/archive/export/s%c6%a1ntr%c3%a0_vietnam_8656396 [3] "tensorflow," google, 10 11 2020 [Online] Available: https://www.tensorflow.org/ [4] T M CẢNH, "NGHIÊN CỨU XÂY DỰNG CÁC GIẢI PHÁP QUẢN LÝ," in LUẬN ÁN TIẾN SĨ LÂM NGHIỆP, 2019 [5] "GIẢI PHÁP QUẢN LÝ VÀ CẢNH BÁO SỚM CHÁY RỪNG," phadistribution, [Online] Available: https://www.phadistribution.com/index.php/giai-phap/iot/qun-ly-va-cnh-baosm-chay-rng N D Phong, "Biển báo hiệu cấp dự báo cháy rừng tự động," Trường đại [6] học nông lâm, 2019 07 2019 [Online] Available: https://ln.huaf.edu.vn/2019/07/04/bien-bao-hieu-cap-du-bao-chay-rung-tudong/ [7] V H Tiệp, Machine Learning bản, 2020 [8] [Online] Available: https://www.hindawi.com/journals/complexity/2018/1639715/ [9] N A Tuấn, "A Predictive System for IoTs Reconfiguration" 38 39 ... https://daihocpccc.edu.vn/934-revision- 104 9/2019/07/11/ [2] meteoblue, 22 10 2020 [Online] Available: https://www.meteoblue.com/en/weather/archive/export/s%c6%a1ntr%c3%a0_vietnam_8656396 [3] "tensorflow," google, 10 11 2020 [Online]... hoạn từ báo cáo nghiên cứu yếu tố thời tiết ảnh hưởng đến nguy cháy rừng như: Nhiệt độ trung bình thấp độ ẩm trung bình lại thấp bất thường nhiệt độ cách mặt đất 10cm cao, độ ẩm cánh đất 10cm thấp... cảnh báo nguy cháy trung bình Nếu nhiều ngày qua mưa liên tục hệ thống cảnh báo nguy cháy thấp, … Chức phát Khi có đám cháy sảy phạm vi hoạt động báo động thiết bị hệ thống phát tín hiệu báo động