Xây dựng hệ thống dự báo tình hình dịch bệnh hại lúa

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN ĐOÀN THANH NGHỊ XÂY DỰNG HỆ THỐNG DỰ BÁO TÌNH HÌNH DỊCH BỆNH HẠI LÚA LUẬN VĂN THẠC SĨ TIN HỌC Thành phố Hồ Chí Minh - 2003 6 CHƯƠNG MẠNG NƠRON NHÂN TẠO (ANN) 1.1 NÃO VÀ NƠRON SINH HỌC Não tổ chức vật chất cao cấp, có cấu tạo vô phức tạp, dày đặc mối liên kết nơron xử lý thông tin linh hoạt môi trường bất định Trong não có khoảng 1011 – 1012 nơron nơron liên kết với 1014 nơron khác qua khớp nối Những kích hoạt ức chế truyền qua trục nơron (axon) đến nơron khác Trên hình 1.1 hình ảnh tế bào nơron não người Khớp nối (Synapse) Nhân Trục (axon) Khớp nối (Synapse) Hình 1.1 Cấu tạo nơron não người Khi người ta nhìn não từ góc độ tính toán, dễ dàng phát cách thức tính toán não khác xa với tính toán theo thuật toán chương trình thường làm với trợ giúp máy tính Sự khác biệt trước tiên điểm quan trọng sau: 7 - Quá trình tính toán tiến hành song song phân tán nhiều nơron gần đồng thời - Tính toán thực chất trình học, theo sơ đồ định sẵn từ trước 1.2 NƠRON NHÂN TẠO Khai thác nhận xét trên, bắt chước não, nhà khoa học có mô hình tính toán mới: mạng nơron nhân tạo (Artificial Neural Networks–ANN) Một nơron nhân tạo (một đơn vị xử lý – PE) phản ánh tính chất nơron sinh học mô dạng hình 1.2 x1 Bộ tổng x2 y u Hàm phi tuyến Hình 1.2 Nơron nhân tạo Đầu vào nơron nhân tạo gồm n tín hiệu xi (i = 1, 2, , n) Đầu tín hiệu y Trạng thái bên nơron xác định qua tổng đầu vào có trọng số wi (i = 1, 2, , n) Đầu y nơron xác định qua hàm phi tuyến f Như mô hình định lượng nơron nhân tạo sau: n y (t ) = f (∑ wi xi (t ) − θ ) i =1 đó: (1.1) 8 n + net = ∑ wi xi (t ) = I (t ) tín hiệu tổng hợp đầu vào i =1 + wi , i = 1, 2, , n: trọng số đặc trưng cho tính liên kết khớp synapse + θ: ngưỡng kích hoạt nơron, t: thời gian, n: số tín hiệu đầu vào + f: hàm kích hoạt Do người ta hay dùng kí hiệu sau: Đầu out = y(t) = f(net) Tóm lại xem nơron hàm phi tuyến nhiều đầu vào, đầu Các nơron liên kết vơí tạo thành mạng nơron nhân tạo Ví dụ nơron i liên kết với nơron j theo hai chiều thuận nghịch (có thông tin phản hồi) hình 1.3 i wji j k wij Hình 1.3 Liên kết chiều nơron i nơron j 1.3 GIẢI THUẬT HỌC LAN TRUYỀN NGƯC (Backpropagation Algorithm) Giải thuật áp dụng cho mạng hướng phía trước nhiều tầng bao gồm phần tử xử lý với hàm kích hoạt khả vi, liên tục Cho trước tập huấn luyện gồm cặp input-output { x(k), d(k)}, k = 1,2, …, p Giaûi thuật học lan truyền ngược cung cấp thủ tục nhằm thay đổi trọng 9 số mạng lan truyền ngược để phân loại mẫu input cho trước cách hợp lý Cơ sở giải thuật cập nhật trọng số phương pháp giảm gradient Đối với cặp input-output cho trước, giải thuật lan truyền ngược thực hai pha dòng liệu Trước hết mẫu input x(k) lan truyền từ tầng input đến tầng output tạo tín hiệu output thực xem dòng kết hướng phía trước Sau tín hiệu lỗi, kết từ khác d(k) y(k), lan truyền ngược từ tầng output tới tầng phía trước nhằm làm cho tầng cập nhật lại trọng số chúng Ví dụ 1.1: Xét mạng ba tầng với m nút tầng input, l tầng ẩn n nút tầng output Các đường nét liền lan truyền phía trước tín hiệu đường nét đứt lan truyền ngược lỗi y1 yi yn yi(i=1,…, n) w1q wiq wnq zq(q=1,…, n) vqn vqi vqj vq1 xj(j=1,…, m) x1 xj xm Hình 1.4 Mạng lan truyền ngược ba tầng Xét cặp huấn luyện (x, d) Với mẫu input cho trước x, nút q tầng ẩn nhận input mạng m net q = ∑ v qj x j j =1 (1.2)  10  Và tạo output m Z q = a (net q ) = a (∑ v qj x j ) (1.3) j =1 Input mạng cho nút i tầng output sau: l l  m  net i = ∑ wiq z q = ∑ wiq a ∑ v qj x j  q =1 q =1  j =1  Và tạo output  l  l   m  y i = a (net i ) = a ∑ wiq z q  = a ∑ wiq a ∑ v qj x j    q =1   q =1   j =1   Các phương trình xác định lan truyền phía trước tín hiệu input xuyên qua tầng nơron Định nghóa hàm chi phí theo phương trình   n n n  E ( w) = ∑ (d i − y i ) = ∑ [d i − a (net i )]2 = ∑ d i − a ∑ wiq z q  i =1 i =1 i =1    (1.4) Theo phương pháp giảm gradient trọng số cập nhật sau: ∆wiq = −η ∂E ∂Wiq (1.5) Ta coù:  dE   ∂y   ∂net i  ∆wiq = −η    i    = η [d i − y i ][a ' (net )] z q ≡ η δ oi z q  ∂y i   ∂net i   ∂wiq  [ ] Ở δoi tín hiệu lỗi số kép oi xác định nút thứ i tầng output Tín hiệu lỗi định nghóa sau:  11  ∂ oi ≡ −  ∂E   ∂y  ∂E = −    i  = [d i − y i ][a ' (net i )] ∂net i  ∂y i   ∂net i  (1.6) Ở neti input nút thứ i tầng output Và a’(neti) = δa(neti)/δneti Trọng số nối kết input lớp ẩn cập nhật sau:  ∂E   ∂E   ∂net q   ∂E   ∂z q   ∂net q  ∆v qj = −η   = −η    = −η      ∂v qj   ∂net q   ∂v qj   ∂z q   ∂net q   ∂v qj  Do ñoù [ ] ∆v qj = η ∑ (d i − y i )a ' (net i )wiq a ' (net q )x j Suy [ ] ∆v qj = η ∑ δ oi wiq a ' (net q )x j = η δ lq x j Ở δlq tín hiệu lỗi (error signal) nút q tầng ẩn định nghóa sau: δ lq ≡ − n  ∂E   ∂z q  ∂E = −   = a ' (net q )∑ δ oi wiq ∂net q i =1  ∂z q   ∂net q  Ở netq input ẩn thứ q Trong trường hợp mạng tổng quát với số tầng tùy ý, quy luật cập nhật lan truyền ngược có dạng ∆wij = η δ i x j = η δ output −i xinput − j Ở “output-i” “input-j” xác định hai lần nối kết từ nút thứ j đến nút thứ i, xj input thích hợp, điểm hoạt động từ nút ẩn từ input bên ngoài, δi tín hiệu học  12  Khi hàm kích hoạt sigmoid, ta coù: δ oi = l − y i2 [d i − y i ] δ hq = l − z q2 ( ) Vaø ( )∑ δ oi wiq Giải thuật: Xét mạng làm việc với Q tầng hướng phía trước, q = 1, 2, …, Q dùng qneti , qyi input output đơn vị thứ i tầng thứ q Mạng có m nút input n nút output Dùng qwij trọng nối kết từ q-1yi đến qyi Input: Một tập cặp huấn luyện {x(k), d(k)} véctơ input tăng thêm thành phần với thành phần cuối –1, tức x m( k+)1 = −1 Bước 0: Chọn η Emax (lỗi lớn chấp nhận) Khởi tạo trọng số với giá trị ngẫu nhiên nhỏ Đặt E = k = Bước 1: p dụng mẫu input thứ k cho tầng input (q = l) q yi = l yi = xi( k ) , Với i Bước 2: Cho lan truyền tín hiệu phía trước xuyên qua mạng sử dụng ( ) ( q yi = a q neti = a ∑ q w ij q y−1j ) Cho giá trị i q output tầng outputQyj nhận hết Bước 3: Tính toán giá trị lỗi tín hiệu lỗi Qδi tầng output  13  E= Q (k ) Q d i − yi ( ) +E δ i = (d i( k ) − Q y i )a ' ( Q net i ) Bước 4: Cho lan truyền lỗi ngược trở lại để cập nhật trọng số tính toán tín hiệu lỗi cho tầng trước ñoù ∆q wij = η q δ iq −l y i q −1 vaø Vaø q wijnew = q wijold + ∆q wij δ i = a ' ( q −1 net i )∑ q w ji q δ j ,với q = Q, Q-1, Q-2, … Bước 5: Kiểm tra xem toàn tập liệu huấn luyện dùng hết lượt hay chưa Nếu k < p k = k+1 quay lại bước Ngược lại thực bước Bước 6: Kiểm tra xem lỗi tổng có chấp nhận không Nếu E < Emax kết thúc trình huấn luyện đưa trọng số cuối cùng, ngược lại cho E=0, k = bắt đầu thời kỳ huấn luyện cách quay bước  14  CHƯƠNG THUẬT GIẢI DI TRUYỀN (Genetic Algorithm) 2.1 GIỚI THIỆU 2.1.1 Đại cương Thuật giải di truyền kỹ thuật giúp giải vấn đề bắt chước theo tiến hóa người hay sinh vật nói chung, điều kiện quy định sẵn môi trường Phương tiện để thực cách giải vấn đề chương trình tin học gồm bước phải thi hành, từ việc chọn giải pháp tiêu biểu cho vấn đề đến việc chọn hàm số thích nghi phương pháp biến hóa để tạo cho giải pháp ngày thích nghi Như GA không trọng đến giải pháp xác phương pháp cổ điển, trái lại GA xét đến toàn giải pháp chọn lấy giải pháp tương đối tốt không nói tối ưu GA dựa tính ngẫu nhiên có hướng dẫn hàm số thích nghi, nghóa “đoán mò” nhiều người hiểu lầm, trái lại GA có tảng toán học vững mà có dịp xét đến phần 2.1.2 Các tính chất đặc thù thuật giải di truyền GA lập luận mang tính chất ngẫu nhiên (stochastic), thay xác định (deterministic) toán học giải tích GA duyệt xét toàn giải pháp, sau chọn lấy giải pháp tương  109  73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 3260.8401 854.4050 522.9940 797.2520 1171.9600 1931.1600 2483.9700 3147.0801 4145.1899 4202.0898 5576.6299 2030.4200 1406.7700 2850.1001 2960.3501 738.2060 425.9620 325.0460 1640.5000 1229.5500 6683.9800 5417.2598 4981.7700 4832.2598 4238.6401 3667.7600 5813.7598 7018.1899 6307.2798 3865.1399 1538.7200 626.2660 520.1650 242.9690 3525.5801 5642.0698 4246.7100 4276.0601 4616.2798 4838.2500 5446.8599 6538.1201 6048.3501 2745.7800 3256.0610 844.2529 543.3493 818.1420 1229.2848 1977.6843 2520.4673 3175.6116 4161.1904 4206.6812 5550.6309 2024.9128 1402.9244 2841.4902 2964.6033 745.0667 431.1498 350.5912 1598.2711 1258.7672 6659.0630 5377.1934 4944.6528 4820.9194 4197.7739 3647.9021 5769.5234 6956.9263 6246.3711 3834.3340 1507.2953 663.1040 574.9615 249.2299 3578.3574 5612.8086 4227.1152 4269.4028 4660.5435 4835.6201 5431.4688 6494.8887 6017.4287 2707.2085 4.7791 10.1521 -20.3553 -20.8900 -57.3248 -46.5243 -36.4973 -28.5315 -16.0005 -4.5913 25.9990 5.5072 3.8456 8.6099 -4.2532 -6.8607 -5.1878 -25.5452 42.2289 -29.2172 24.9170 40.0664 37.1172 11.3403 40.8662 19.8579 44.2363 61.2637 60.9087 30.8059 31.4247 -36.8380 -54.7965 -6.2610 -52.7773 29.2612 19.5947 6.6572 -44.2637 2.6299 15.3911 43.2314 30.9214 38.5715 3255.9888 853.4380 531.4290 799.1652 1166.5128 1936.4694 2483.7029 3147.6125 4143.6089 4198.0249 5581.1987 2027.8586 1399.3475 2856.2290 2952.5244 731.8900 423.6242 324.9477 1627.1897 1212.2612 6812.7959 5408.5435 4989.2471 4838.0542 4227.6445 3654.1213 5797.4438 7013.4478 6324.8945 3849.1008 1536.9921 631.7750 552.5786 242.9010 3513.7822 5668.2588 4242.8413 4266.2949 4604.6484 4831.8579 5450.6797 6520.3916 6056.1436 2742.1736 4.8513 0.9670 -8.4349 -1.9131 5.4471 -5.3093 0.2671 -0.5325 1.5811 4.0649 -4.5688 2.5614 7.4225 -6.1289 7.8257 6.3160 2.3378 0.0983 13.3103 17.2888 -128.8159 8.7163 -7.4771 -5.7944 10.9956 13.6387 16.3159 4.7422 -17.6147 16.0391 1.7279 -5.5090 -32.4136 0.0680 11.7979 -26.1890 3.8687 9.7651 11.6313 6.3921 -3.8198 17.7285 -7.7935 3.6064  110  326 327 328 329 761.2940 448.2700 398.3690 206.2930 Sai soá RMSE 752.8259 457.4861 437.0103 205.8752 8.4681 -9.2161 -38.6414 0.4178 757.4758 448.6403 400.1339 196.9795 29.134 3.8182 -0.3703 -1.7649 9.3135 10.649 Nhận xét: Từ bảng 5.20, ta có nhận xét sau: Mô hình Mạng nơron kết hợp Thuật giải di truyền có sai số RMSE = 10.649, mô hình hồi quy tuyến tính cho sai số RMSE = 29.134 Rõ ràng, mô hình Mạng nơron kết hợp với Thuật giải di truyền cho kết dự báo tốt nhiều so với dự báo mô hình hồi quy tuyến tính  111  5.4 HIỆN THỰC CHƯƠNG TRÌNH Chương trình cho phép người sử dụng định cấu hình mạng nơron cho phù hợp với toán thực tế 5.4.1 Biểu mẫu menu Menu File: Cho phép người dùng mở đồ GIS a Chọn Open: Hiển thị hộp thoại Open Mapinfo Table (cho phép người dùng chọn mở đồ GIS) Menu Map:  112  Cho phép người dùng thực thao tác đồ GIS: - Điều khiển lớp (Layer control) - Tạo đồ chuyên đề (Create Thematic Map) - Xem toàn cảnh đồ (Overview) Menu Mạng nơron: Cho phép người dùng thực chức mạng nơron: a Chọn Huan luyen: Hiển thị biểu mẫu Huấn luyện mạng b Chọn Ket qua huan luyen: Hiển thị biểu mẫu Chọn xem kết c Chọn Chạy: Hiển thị biểu mẫu Chạy kiểm tra mạng d Chọn Cau hinh -> Mo…: Hiển thị hộp thoại Cấu hình mạng e Choïn Du lieu huan luyen -> Xem du lieu…: Hiển thị biểu mẫu Xem liệu huấn luyện f Chọn Du lieu huan luyen -> Tao du lieu…: Hiển thị biểu mẫu Tạo liệu huấn luyện  113  Menu Tình hình dịch bệnh: Cho phép người dùng dự báo lập báo cáo tình hình dịch bệnh tuần tới a Chọn Du bao tuan toi: Hiển thị đồ dự báo tình hình dịch bệnh b Chọn Xem bao cao: Hiển thị Báo cáo tình hình dich bệnh tuần tới .4.2 Biểu mẫu huấn luyện mạng  114  Biểu mẫu cho phép người dùng quan sát trình huấn luyện mạng: Số lần lặp (thế hệ) Sai số học (Sai số trung bình bình phương _ mean square error) a Chọn nút Bat dau: Bắt đầu trình huấn luyện mạng Đồ thị hiển thị kết huấn luyện hệ b Chọn nút Dung: Dừng trình huấn luyện mạng c Chọn nút Tiep tuc: Tiếp tục trình huấn luyện mạng d Chọn nút Thoat: thoát khỏi biểu mẩu 5.4.3 Hộp thoại cấu hình mạng Cho phép người dùng thiết lập điều chỉnh cấu hình mạng Tab Cấu hình Mạng:  115  Tab Cấu hình liệu huấn luyện: 5.4.4 Biểu mẫu chạy kiểm tra mạng Cho phép người dùng kiểm tra lực mạng mẫu (huấn luyện kiểm tra)  116  a Chọn mẫu kiểm tra hộp Combobox Chọn mẫu liệu số: hiển thị giá trị mẩu phía b Chọn nút Chay kiem tra để chạy kiểm tra mạng: kết chạy hiển thị bên c Chọn nút Ghi vào tập tin: ghi kết chạy kiểm tra vào tập tin định sẵn d Chọn nút Thoát: thoát khỏi biểu mẫu 5.4.5 Biểu mẫu xem liệu huấn luyện Cho phép người dùng quan sát liệu dùng để huấn luyện mạng a Người dùng chọn nút Thoat : Đóng biểu mẩu lại b Người dùng chọn nút In : cho phép In giấy tập tin 5.4.6 Biểu mẫu chọn xem kết  117  a Nhóm: Yêu cầu chọn liệu: Sử dụng liệu Huấn luyện hay Sử dụng liệu kiểm tra b Chọn nút Hủy: Đóng biểu mẫu c Nhấn button Đồng ý: Hiển thị biểu mẫu Đồ thị kết huấn luyện mạng tất loại dịch bệnh hại lúa 5.4.7 Biểu mẫu đồ thị kết huấn luyện mạng Biểu mẫu trình bày kết huấn luyện, kết kiểm tra mạng sai số trung bình tất mẫu, với số mẫu huấn luyện 300 mẫu, số mẫu kiểm tra 29 mẫu a Nhấn hộp ComboBox Chọn loại dịch bệnh để hiển thị đồ thị kết loại dịch bệnh chọn  118  b Nhấn nút Xem so lieu: Hiển thị biểu mẫu Số liệu kết huấn luyện đồ thị loại sâu bệnh hành c Nhấn nút Thoát: để đóng biểu mẩu lại d Nhấn nút In để in đồ thị giấy tập tin 5.4.8 Biểu mẫu xem số liệu kết huấn luyện  119  5.4.9 Bản đồ dự báo tình hình sâu bệnh tuần tới 11 huyện Cho phép người dùng quan sát trực tiếp đồ GIS: • Tình hình sâu bệnh tuần tới huyện toàn tỉnh An Giang • Diện tích nhiễm bệnh (tính héc ta) loại sâu bệnh huyện (mỗi màu biểu đồ hình tròn thể phần trăm diện tích nhiễm bênh loại sâu bệnh huyện)  120  5.4.10 Biểu mẫu báo cáo tình hình dịch bệnh tuần tới Cho phép người dùng in ấn báo cáo tình hình sâu bệnh tuần tới  121  PHẦN III KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN KẾT LUẬN Với hỗ trợ tích cực Chi Cục Bảo Vệ Thực Vật Tỉnh An Giang, Khoa Nông Nghiệp Tài Nguyên Thiên Nhiên trường Đại học An Giang, đề tài đạt kết định triển vọng mang lại nhiều lợi ích cho bà nông dân Đề tài thực nghiệm đồng ruộng 11 huyện thuộc tỉnh An Giang Kết thực nghiệm cho thấy đề tài cho kết tốt Tuy nhiên, tình hình dịch bệnh hại lúa ngày diễn phức tạp nên đề tài phải thường xuyên cập nhật Trong đề tài này, sử dụng mô hình Mạng nơron kết hợp với Thuật giải di truyền để dự báo tình hình dịch bệnh hại lúa Với việc áp dụng mô hình dự báo này, ta thấy việc dự báo đạt ưu điểm hẳn so với việc dùng phương pháp thống kê truyền thống sau: - Không cần biết thông tin tương lai dự đoán cho yếu tố mà phụ thuộc vào thông tin - Mạng nơron kết hợp với GA khai phá liệu tự dự đoán số liệu có khứ - Phương pháp có khả dự đoán đa biến, không bị hạn chế số lượng MS Excel hay Lotus, lại cho kết dự đoán xác  122  - Có thể dự đoán nhiều thời điểm tương lai - Có khả áp dụng thời gian thực - Không phải tính toán biến trễ để xác định biến vào cho dự đoán Không bị giới hạn khoảng dự đoán thời gian thực phương pháp thống kê mà có khả nhìn toàn cục, dự đoán nhiều thời điểm tương lai - Không nhiều công sức phân tích tính toán tham số đầu vào cho mô hình hồi quy để dự đoán Khác với phương pháp trước học cần phải có giai đoạn lấy mẫu để trích chọn đặc trưng mẫu; tập mẫu học yêu cầu phải phải bao hết khả xảy ra, khai phá liệu cài đặt không sử dụng biện pháp trích chọn đặc trưng Nó nhận liệu nguyên sơ có sở liệu chiết xuất mẫu dự đoán xác Đây đặc trưng khai phá liệu phân biệt với phương pháp khác HƯỚNG PHÁT TRIỂN Nhằm góp phần vào công công nghiệp hóa đại hóa đất nước, công nghệ thông tin có nhiều cố gắng việc đẩy mạnh ứng dụng thành tựu khoa học kỹ thuật ngành vào tất lónh vực đời sống, kinh tế xã hội Tuy nhiên, với Việt Nam lónh vực cần đặc biệt ý ứng dụng công nghệ thông tin vào lónh vực nông nghiệp phát triển nông thôn Điều hoàn toàn phù hợp với chủ trương đại hóa nông nghiệp phát triển nông thôn Bộ Nông Nghiệp Và Phát Triển Nông Thôn  123  Theo chủ trương này, cần đến phần mềm dự báo thiên tai (lũ lụt, dịch bệnh hại nông nghiệp, …), quy hoạch rừng, quy hoạch thủy lợi; phần mềm thiết kế, thi công, điều hành công trình; phần mềm sinh học; phần mềm phân tích lâm nghiệp, bình tuyển giống bò sữa, giống ăn trái, lúa, tôm cá, …; phần mềm hướng dẫn nông dân trồng lúa, hoa màu chăn nuôi gia súc đạt hiệu kinh tế cao nhất, … Trong phạm vi đề tài này, thực ứng dụng công nghệ thông tin việc dự báo tình hình dịch bệnh hại lúa Chương trình đạt kết định, giúp cho Chi Cục Bảo Vệ Thực Vật Tỉnh An Giang có mô hình dự báo tốt hơn, hiệu Trong năm tới chương trình hoàn thiện thêm để dự báo suất lúa, … Mô hình mô hình mở rộng đầu vào hơn, nghóa yếu tố đầu vào hệ thống cập nhật cách: - Chụp không ảnh tình hình thời tiết toàn đồng ruộng Đồng sông cửu long Sau ảnh chụp đưa vào hệ thống để phân tích - Hoặc qui hoạch đặt trạm quan trắc toàn đồng ruộng Đồng sông cửu long Các trạm thường xuyên gởi thông tin cho trung tâm dự báo để phân tích ... quát hóa, hiểu hệ GIS trình “vào – ra” hình 3.1 Phương pháp biểu thị “vào – ra” khởi điểm việc xây dựng nguyên tắc hoạt động GIS  26  Số liệu vào Quản lý số liệu Xử lý số liệu Phân tích mô... lượng cao vị trí, … Trắc địa Trắc địa nguồn kiểm tra vị trí xác cho GIS Thống kê học Nhiều mô hình xây dựng sở GIS mặt chất mang tính thống kê Ngoài ra, nhiều kỹ thuật thống kê sử dụng để phân tích... Toán học, đặc biệt hình học lý thuyết đồ thị sử dụng hệ thiết kế GIS phân tích liệu không gian Xây dựng GIS có nhiều ứng dụng không gian, qui hoạch đô thị 3.4.2 Các lónh vực ứng dụng thực tế