Tài liệu Ứng dụng lstm trong giám sát và dự báo chất lượng nguồn nước

BỘ GIÁO DỤC VÀ ĐÀO TAO TRƯỜNG ĐẠI HỌC QUY NHƠN LƯƠNG THANH LONG ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG NGUỒN NƯỚC LUẬN VĂN THẠC SĨ KHOA HỌC DỮ LIỆU ỨNG DỤNG Bình Định - Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TAO TRƯỜNG ĐẠI HỌC QUY NHƠN LƯƠNG THANH LONG ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG NGUỒN NƯỚC Ngành : Khoa học dữ liệu ứng dụng Mã số : 8904648 Người hướng dẫn: TS. NGUYỄN ĐỨC THIỆN LỜI CAM ĐOAN Tôi xin cam đoan luận văn ‘Ứng dụng LSTM trong giám sát và dự báo chất lượng nguồn nước’ là công trình nghiên cứu của bản thân dưới sự hướng dẫn của TS. Nguyễn Đức Thiện. Mọi tham khảo từ các tài liệu, công trình nghiên cứu liên quan trong nước và quốc tế đều được trích dẫn rõ ràng trong luận văn. Các số liệu, kết quả trình bày trong luận văn là hoàn toàn trung thực. Tôi xin hoàn toàn chịu trách nhiệm về lời cam đoan này. LỜI CẢM ƠN Trong quá trình thực hiện và hoàn thiện luận văn này, tôi xin gửi lời cảm ơn chân thành nhất đến các thầy cô trong Khoa Toán và Thống kê, khoa Công nghệ thông tin, khoa Kỹ thuật công nghệ trường Đại học Quy Nhơn cũng như các thầy thính giảng ở các trường, các viện ở Hà Nội và thành phố Hồ Chí Minh đã cung cấp cho tôi những kiến thức quý báu trong suốt 2 năm học qua. Đặc biệt cho tôi gửi lời cảm ơn sâu sắc nhất tới TS. Nguyễn Đức Thiện đã dành nhiều thời gian để định hướng và nhiệt tình hướng dẫn tôi cũng như tạo mọi điều kiện thuận lợi để tôi có thể hoàn thành tốt nhất luận văn của mình, tôi cũng xin cảm ơn đề tài ĐTĐLCN.44/22 của Bộ KH & CN đã cho phép cùng tham gia nghiên cứu thực hiện. Tôi xin chân thành cảm ơn! Bình Định, tháng 08 năm 2022 Tác giả Lương Thanh Long MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH PHẦN 1. MỞ ĐẦU ..................................................................................................................... 1 1. Lý do chọn đề tài ....................................................................................... 1 2. Tổng quan tình hình nghiên cứu đề tài ..................................................... 2 3. Mục đích và nhiệm vụ nghiên cứu ............................................................ 4 4. Đối tượng và phạm vi nghiên cứu............................................................. 5 5. Phương pháp nghiên cứu........................................................................... 8 PHẦN 2. NỘI DUNG CHÍNH ................................................................................................ 9 CHƯƠNG 1. TỔNG QUAN VỀ EDGE AI VÀ IOT ...................................................... 9 1.1. Giới thiệu chương .................................................................................. 9 1.2. Tổng quan về Edge AI ........................................................................... 9 1.2.1. Điện toán biên (Edge Computing) .................................................. 9 1.2.2. Edge AI .......................................................................................... 10 1.2.3. Ứng dụng của Edge AI .................................................................. 11 1.3. IoT ........................................................................................................ 13 1.3.1. Định nghĩa ..................................................................................... 13 1.3.2. Kiến trúc của IoT .......................................................................... 13 1.3.3. Ứng dụng của IoT ......................................................................... 14 1.4. Edge AI và IoT trong hoạt động giám sát và dự báo ........................... 15 1.4.1. Sự cần thiết của Edge AI và IoT trong giám sát và dự báo .......... 15 1.4.2. Yêu cầu đối với Edge AI trong các ứng dụng IoT................... 16 1.5. Kết luận chương ................................................................................... 17 CHƯƠNG 2. HỌC SÂU VÀ CÁC THUẬT TOÁN RNN...........................................18 2.1. Giới thiệu chương ................................................................................ 18 2.2. Khái niệm học sâu ................................................................................ 18 2.3. Các thuật toán học sâu phổ biến .......................................................... 18 2.4. Mạng nơ-ron hồi quy RNN .................................................................. 21 2.5. Mạng LSTM ......................................................................................... 24 2.6. Mạng GRU ........................................................................................... 26 2.7. Kết luận chương ................................................................................... 27 CHƯƠNG 3. MÔ HÌNH HỆ THỐNG GIÁM SÁT DỰ BÁO CHẤT LƯỢNG NƯỚC ...........................................................................................................................................29 3.1. Giới thiệu chương ................................................................................ 29 3.2. Kiến trúc tổng quát của hệ thống ......................................................... 29 3.2.1. Lớp cảm biến (sensors layer) ........................................................ 30 3.2.2. Lớp xử lý biên (Edge layer) .......................................................... 34 3.2.3. Lớp lưu trữ điện toán đám mây (Cloud Store Layer) .................. 35 3.3. Kết luận chương ................................................................................... 37 CHƯƠNG 4. TRIỂN KHAI VÀ ĐÁNH GIÁ MÔ HÌNH THỰC NGHIỆM.....38 4.1. Giới thiệu chương ................................................................................ 38 4.2. Thu thập tập dữ liệu ............................................................................. 38 4.3. Phân tích tập dữ liệu ............................................................................. 40 4.4. Chuẩn bị dữ liệu ................................................................................... 43 4.5. Xây dựng mô hình dự báo LSTM ........................................................ 45 4.6. Triển khai tại biên mạng ...................................................................... 52 4.7. Đánh giá mô hình ................................................................................. 55 4.8. Kết luận chương ................................................................................... 58 PHẦN 3. KẾT LUẬN VÀ KIẾN NGHỊ ............................................................................60 DANH MỤC TÀI LIỆU THAM KHẢO ..........................................................................61 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (BẢN SAO) DANH MỤC CÁC CHỮ VIẾT TẮT Tên viết tắt Tên đầy đủ AI Artificial Intelligence ANN Artificial Neural Network API REST Application Programming Interface REpresentational State Transfer DL Deep Learning GRU Gated Recurrent Unit HTTP GET Hypertext Transfer Protocol IoT Internet of Things Lora Long Range LSTM Long short term memory ML Machine Learning MQTT Message Queuing Telemetry Transport NLP Neuro-Linguistic Programming RNN Recurrent neural network DANH MỤC CÁC BẢNG Bảng 1: Quy chuẩn nước nuôi tôm ................................................................... 7 Bảng 4.1: Các chỉ số thống kê của tập dữ liệu ................................................ 41 Bảng 4.2: Thống kê thời gian trễ giữa 2 điểm dữ liệu liên tiếp ...................... 43 Bảng 4.3: Thống kê lỗi với mô hình LSTM dự báo nhiệt độ cho 20 ngày liên tiếp ................................................................................................................... 50 Bảng 4.4: Thống kê lỗi với mô hình LSTM dự báo độ pH cho 20 ngày liên tiếp ................................................................................................................... 51 Bảng 4.5: Thống kê lỗi với mô hình LSTM và GRU dự báo nhiệt độ cho 20 ngày liên tiếp ................................................................................................... 57 Bảng 4.6: Thống kê lỗi với mô hình LSTM và GRU dự báo độ pH cho 20 ngày liên tiếp ................................................................................................... 58 DANH MỤC CÁC HÌNH Hình 1: Ảnh hưởng của pH đến sinh vật thủy sinh ........................................... 6 Hình 1.1 Thị phần điện toán biên theo khu vực .............................................. 12 Hình 1.2 Kiến trúc tổng quát của các hệ thống IoT ........................................ 14 Hình 2.1: Mô tả hoạt động của mạng nơ-ron RNN ........................................ 22 Hình 2.2: Cấu trúc của một tế bào mạng nơ-ron RNN ................................... 22 Hình 2.3: So sánh mô hình 2 mạng RNN và LSTM ....................................... 24 Hình 2.4: Mô hình 1 tế bào mạng LSTM........................................................ 26 Hình 2.5: Mô hình 1 tế bào mạng GRU .......................................................... 27 Hình 3.1: Mô hình đề xuất cho hệ thống giám sát và dự báo chất lượng nước ......................................................................................................................... 30 Hình 3.2: Kiến trúc của lớp cảm biến ............................................................. 30 Hình 3.3: Cảm biến đo độ pH (pH Analog Meter Pro Kit V2)....................... 32 Hình 3.4: Cảm biến nhiệt độ DS18B20 .......................................................... 33 Hình 3.5: sơ đồ nguyên lý của lớp cảm biến................................................... 33 Hình 3.6: Ảnh chụp thực tế bo mạch tại lớp cảm biến sau khi thi công ......... 34 Hình 3.7: Bo mạch Raspberry Pi 4B ............................................................... 34 Hình 3.8: Biểu diễn dữ liệu cảm biến thu được theo thời gian thực tại Thingspeak ...................................................................................................... 36 Hình 4.1: Ao nuôi tôm nơi đặt thiết bị thu thập dữ liệu.................................. 39 Hình 4.2: Tủ đựng thiết bị thu thập dữ liệu, đặt tại ao nuôi tôm .................... 39 Hình 4.3: Tập dữ liệu thu nhận được từ hiện trường ...................................... 40 Hình 4.4: Biểu diễn nhiệt độ từ tập dữ liệu thu thập ....................................... 40 Hình 4.5: Biểu diễn độ pH nước từ tập dữ liệu thu thập................................. 41 Hình 4.6: Biểu đồ histogram cho nhiệt độ và độ pH từ tập dữ liệu thu thập .. 41 Hình 4.7: Biểu đồ Box plot cho nhiệt độ và độ pH từ tập dữ liệu thu thập .... 42 Hình 4.8: Biểu đồ scatter giữa nhiệt độ và độ pH ........................................... 42 Hình 4.9: Biểu diễn thời gian giữa 2 điểm dữ liệu liên tiếp nhau với tập dữ liệu thu thập từ thực địa................................................................................... 44 Hình 4.10: Biểu diễn thời gian giữa 2 điểm dữ liệu liên tiếp nhau với tập dữ liệu sau khi xử lý ............................................................................................. 45 Hình 4.11: Kiến trúc mô hình dự báo ............................................................. 46 Hình 4.12: Kích thước dữ liệu ngõ vào và ngõ ra của mô hình LSTM .......... 46 Hình 4.13: Mô tả hoạt động dự báo của mô hình ........................................... 47 Hình 4.14: Chia tập dữ liệu huấn luyện và kiểm tra cho tham số nhiệt độ..... 47 Hình 4.15: Chia tập dữ liệu huấn luyện và kiểm tra cho tham số độ pH ........ 47 Hình 4.16: Kết quả huấn luyện với tham số nhiệt độ ..................................... 48 Hình 4.17: kết quả huấn luyện với tham số độ pH ......................................... 48 Hình 4.18: Kết quả dự báo nhiệt độ trên tập kiểm tra..................................... 48 Hình 4.19: Kết quả dự báo nhiệt độ trên tập kiểm tra..................................... 49 Hình 4.20: Đồ thị scatter nhiệt độ dự đoán trên tập kiểm tra.......................... 49 Hình 4.21: Đồ thị scatter độ pH dự đoán trên tập kiểm tra ............................. 49 Hình 4.22: kết quả dự báo nhiệt độ cho 1 ngày kế tiếp .................................. 50 Hình 4.23: Kết quả dự báo độ pH cho 1 ngày kế tiếp ..................................... 50 Hình 4.24: Cài đặt hệ điều hành Ubuntu 22.04............................................... 52 Hình 4.25: Các file mô hình được lưu trong bộ nhớ của raspberry Pi............ 53 Hình 4.26: Khởi chạy mô hình dự báo trên raspberry Pi ................................ 53 Hình 4.27: Giao diện web app hiển thị kết quả dự báo................................... 54 Hình 4.28: Triển khai Raspberry tại hiện trường ............................................ 54 Hình 4.29: Triển khai Raspberry tại hiện trường ............................................ 55 Hình 4.30: Kết quả dự báo nhiệt độ cho 1 ngày tiếp theo .............................. 56 Hình 4.31: Kết quả dự báo độ pH cho 1 ngày tiếp theo.................................. 57 1 0 PHẦN 1. MỞ ĐẦU 1. Lý do chọn đề tài Nước là một trong những nguồn tài nguyên quan trọng nhất đối với tất cả các sinh vật sống trên trái đất. Tuy vậy, dưới ảnh hưởng của biến đổi khí hậu và quá trình công nghiệp hóa trong thời gian gần đây, nguồn nước bị ô nhiễm nặng nề và tác động xấu tới chất lượng cuộc sống người dân cũng như các hoạt động sản xuất của đời sống xã hội, trong đó có nuôi trồng thủy sản (chẳng hạn làm giảm năng suất và chất lượng sản phẩm, gây bệnh và chết vật nuôi dẫn đến các thiệt hại về kinh tế...). Chính vì vậy, việc giám sát và dự báo chất lượng nguồn nước phục vụ nuôi trồng thủy sản là một nhiệm vụ quan trọng để đảm bảo năng suất, chất lượng sản phẩm và bảo vệ hệ sinh thái. Trên thực tế, việc giám sát chất lượng nguồn nước đã được triển khai theo phương pháp truyền thống, tức lấy mẫu thủ công và phân tích định kỳ ở quy mô phòng thí nghiệm, phương pháp truyền thống này tiêu tốn nhiều thời gian và nguồn lực cũng như không đáp ứng được tính kịp thời và liên tục trong hoạt động giám sát. Đặc biệt, các giải pháp truyền thống thiếu khả năng dự báo, cảnh báo với các nguy cơ ô nhiễm có thể xãy ra trong tương lai gần. Để giải quyết các hạn chế nêu trên, thông qua các công nghệ kết nối vạn vật - IoT (Internet of Things) hiện có trên thị trường, giải pháp có thể triển khai các cảm biến tại thực địa để theo dõi các chỉ số về độ mặn, nhiệt độ, độ pH và oxy hòa tan... trong nước. Kết hợp với các thuật toán máy học, các dữ liệu được thu thập ở thực địa sẽ được xử lý, phân tích và đánh giá để đưa ra những cảnh báo sớm về chất lượng nguồn nước, góp phần nâng cao năng suất và chất lượng sản phẩm. Trong vài năm gần đây, việc kết hợp giữa IoT, điện toán biên EC (Edge Computing) và trí tuệ nhân tạo - AI (Artificial Intelligence) đang được xem là 2 một giải pháp hiệu quả để nâng cao hiệu quả của các hệ thống giám sát và cảnh báo chất lượng nước [12], [15], [16], [17]. Các giải pháp này cho phép thực hiện các thuật toán AI để xử lý dữ liệu tại thiết bị biên (Edge device) thay vì tại máy chủ tập trung (Cloud Server). Giải pháp Edge AI đảm bảo xử lý dữ liệu theo thời gian thực, bảo mật dữ liệu, giảm thiểu băng thông đường truyền, giảm thiểu chi phí đầu tư và giảm năng lượng tiêu thụ. Giải pháp này đang thu hút nhiều sự quan tâm của cộng đồng nghiên cứu học thuật và doanh nghiệp trên thế giới. Tuy nhiên việc ứng dụng giải pháp này tại Việt Nam, đặc biệt là trong lĩnh vực giám sát chất lượng nước chưa nhiều. Chính vì vậy, trong luận văn này, tác giả lựa chọn đề tài “Ứng dụng LSTM trong giám sát và dự báo chất lượng nguồn nước”. 2. Tổng quan tình hình nghiên cứu đề tài - Trong nước Trong nghiên cứu [6], nhóm tác giả của Viện nghiên cứu sáng chế và khai thác công nghệ đã lắp đặt các thiết bị giám sát các thông số môi trường nước như NH4, NO2, O2, Nitơ, độ mặn phục vụ nuôi tôm giống tại Nam Định. Thiết bị sử dụng công nghệ LoRa (Long Range) để truyền thông tin về các thông số chất lượng nước về máy chủ và điện thoại của người sử dụng. Nhóm tác giả của công ty trách nhiệm hữu hạn Công nghệ MIND đã phát triển sản phẩm ‘Thiết bị quan trắc nước thải’ để đo và giám sát 8 thông số: pH, DO, nhiệt độ, độ mặn, độ trong, NH3, H2S và độ kiềm [2]. Dữ liệu về chất lượng nước cùng sản lượng mỗi vụ được đưa về trung tâm dữ liệu của công ty và được phân tích bằng các thuật toán AI để đưa ra những chuẩn đoán về hiện trạng nguồn nước trong ao nuôi và các gợi ý giúp nâng cao sản lượng. Trong nghiên cứu [15], Nhóm tác giả giới thiệu hệ thống giám sát và dự báo chất lượng nước nuôi trồng thủy sản với các tham số độ mặn, pH, nhiệt độ và độ oxy hòa tan dựa trên IoT và mạng học sâu LSTM (Long Short Term 3 Memory). Kết quả thực hiện trên môt số bộ dữ liệu mẫu cho thấy kết quả khả thi. Tuy nhiên, do quá trình thu thập dữ liệu thực tế chưa hoàn thành nên chưa đưa ra kết quả dự báo với chất lượng nước tại Việt Nam. - Thế giới Trong báo cáo [16], các tác giả đã phát triển một hệ thống dựa trên website để theo dõi độ pH và độ mặn của nước phục vụ cho việc nuôi trồng thủy sản. Dữ liệu về độ pH và độ mặn của nước được gửi đến và lưu trữ tại cơ sở dữ liệu của máy chủ. Người dùng có thể theo dõi trực tiếp từ giao diện website và nếu các thông số vượt quá giá trị cho phép sẽ gửi các thông tin cảnh báo đế người dân để thực hiện các bước cần thiết. Các tác giả trong nghiên cứu [8] đã giới thiệu hệ thống “Giám sát chất lượng nước nuôi cá thâm canh từ xa” tại Trung Quốc. Dựa trên dữ liệu lịch sử và sử dụng mạng nơ-ron nhân tạo ANN (Artificial Neural Networks), hệ thống có thể dự báo chất lượng nước nhằm tránh các thiệt hại đối với vật nuôi. Các nghiên cứu nêu trên bước đầu đạt được một số kết quả đáng khích lệ trong quá trình giám sát, cảnh báo và dự báo môi trường nước nuôi trồng thủy sản, các nghiên cứu hiện nay còn tồn tại một số hạn chế chính như sau:  Các nghiên cứu thực hiện dự báo chất lượng nước chưa sử dụng nguồn dữ liệu thực tế tại địa phương cũng như chưa thu thập đủ dữ liệu với thời gian đủ dài. Vì vậy, độ chính xác dự đoán từ các mô hình này chưa cao;  Việc dự báo chất lượng nước được thực hiện tại máy chủ tập trung làm tăng thời gian trễ. Đồng thời, các mô hình hiện có phụ thuộc vào cơ sở hạ tầng Internet để truyền và nhận dữ liệu, điều này làm tăng chi phí triển khai hệ thống. 4 Để giải quyết những hạn chế và tồn tại trong các nghiên cứu và sản phẩm nêu trên, trong luận văn này, tác giả tập trung vào các nội dung sau:  Thiết kế và triển khai hệ thống cảm biến sử dụng các công nghệ IoT để thu thập trực tiếp một số thông số chất lượng nước nuôi thủy sản;  Nghiên cứu và ứng dụng công nghệ Edge AI kết hợp với thuật toán LSTM nhằm đề xuất mô hình dự báo chất lượng nước nuôi thủy sản tại biên mạng;  Triển khai mô hình giám sát và dự báo hai (02) tham số cơ bản trong nuôi trồng thủy sản là nhiệt độ và độ pH tại địa phương. Dữ liệu phục vụ cho mô hình dự đoán là dữ liệu được thu thập từ ao nuôi tôm hộ gia đình tại xã Tam Quan Bắc, huyện Hoài Nhơn, tỉnh Bình Định. 3. Mục đích và nhiệm vụ nghiên cứu Nghiên cứu và ứng dụng công nghệ Edge AI trong giám sát, phân tích, đánh giá và dự báo chất lượng nguồn nước phục vụ nuôi trồng thủy sản. Giải pháp đề xuất trong đề tài có khả năng đưa ra những dự báo chất lượng nguồn nước trong tương lai gần, có độ tin cậy, đáp ứng tính kịp thời trong công tác giám sát chất lượng nguồn nước phụ vụ hoạt động nuôi trồng thủy sản, từ đó tránh được các thiệt hại do ô nhiễm nguồn nước. Để đạt được mục đích nghiên cứu, trong đề tài này, tác giả đề xuất các nhiệm vụ cụ thể sau: - Nghiên cứu, thiết kế và triển khai mô hình hệ thống IoT để thu thập và giám sát một số tham số của nước nuôi trồng thủy sản tại thực địa. Dữ liệu thu thập được từ hệ thống này sẽ được sử dụng để thực hiện các hoạt động phân tích và dự báo chất lượng nước; - Nghiên cứu và đề xuất giải pháp kết hợp giữa công nghệ Edge Computing và AI (dựa trên mạng hồi quy RNN - Recurrent Neural 5 Network và mô hình LSTM - Long Short Term Memory) để phân tích và dự báo các tham số của nước; - Triển khai mô hình dự báo tại thực địa thực hiện dự báo chất lượng nguồn nước dựa trên dữ liệu thu thập theo thời gian thực. 4. Đối tượng và phạm vi nghiên cứu Trong nuôi trồng thủy sản, độ pH và nhiệt độ là những thành phần quan trọng luôn được nhắc đến nhiều bởi yếu tố này phản ánh đầy đủ các yếu tố lý, hóa, sinh của môi trường ao nuôi và ảnh hưởng trực tiếp đến sức khỏe của thủy sản nuôi như sinh trưởng, tỉ lệ sống, dinh dưỡng... - Ảnh hưởng của độ pH Như đã biết, độ pH là chỉ số đo đặc trưng về độ axit (chua) và độ kiềm (chát) của nước. Trong nuôi trồng thủy sản, pH thích hợp dạo động trong khoảng từ 6 đến 9 (riêng đối với tôm thích hợp nhất là từ 7.8 đến 8.5, tôm sẽ chết khi pH dưới 4 và lớn hơn 11), vì thế khi pH môi trường biến động quá cao hoặc quá thấp sẽ có thể gây chết tôm, cá,....[3] Trong đó:  Khi pH quá thấp (pH < 5.5): khả năng tích trữ khoáng trong cơ thể tôm, cá,... bị giảm thấp khiến tôm bị mềm vỏ hoặc gây tác hại trực tiếp đến chất nhờn da cá, nồng độ H2S tăng cao gây ngộ độc cho tôm, cá,... [3];  Khi pH quá cao (pH > 8.5): môi trường này làm cho tôm, cá,.. trao đổi chất nhiều hơn nên chậm phát triển, Ngoài ra, các chất cặn bã như rong rêu, tảo chết, thức ăn thừa,.. cũng là nguyên nhân tạo ammoniac. Đây là hợp chất vô cùng độc hại cho các sinh vật thủy sinh. [3]. 6 Hình 1: Ảnh hưởng của pH đến sinh vật thủy sinh (nguồn: mybinh.com.vn) - Ảnh hưởng của nhiệt độ Thủy sản nuôi trồng hầu hết là các loài động vật biến nhiệt (thân nhiệt thay đổi theo môi trường sống), do đó khi nhiệt độ môi trường thay đổi sẽ gây tác động đến quá trình trao đổi chất, hô hấp và tiêu hóa của vật nuôi, tốc độ tăng trưởng của các loài thủy sinh sẽ tăng gần gấp đôi khi nhiệt độ nước tăng thêm 10oC trong phạm vi tối ưu, tương đương 10% cho mỗi 1oC tăng thêm, tuy nhiên khi vượt ngưỡng nhiệt độ tối ưu cho mỗi loại thì tốc độ tăng trưởng sẽ bị chậm lại. [1] Khi nhiệt độ tăng cao sẽ thúc đẩy quá trình trao đổi chất trong cơ thể vật nuôi tăng cao, theo đó vật nuôi phải tăng cường hô hấp để cung cấp Oxy, từ đó chúng sử dụng thức ăn nhiều hơn, quá trình tiêu hóa cũng nhanh hơn, tuy nhiên, sự tiêu hóa thức ăn nhiều như vậy trong khi lượng men tiêu hóa trong cơ thể tôm, cá lại có hạn nên khó có thể hấp thu được hết các chất dinh dưỡng trong thức ăn như ở nhiệt độ thường, đồng nghĩa sẽ tiêu tốn nhiều thức ăn mà hiệu quả không cao. Mặt khác nhiệt độ cao còn gây cho quá trình phân hủy thức ăn thừa và chất thải của tôm, cá diễn ra nhanh hơn, quá trình này tiêu tốn nhiều Oxy và gây ra thiếu Oxy cục bộ ở tầng đáy đồng thời sinh ra nhiều khí độc và vi khuẩn gây bệnh. Ngoài ra nhiệt độ tăng cao còn gây căng thẳng cho vật nuôi, 7 khiến chúng khó thích nghi với môi trường, dẫn đến sức đề kháng giảm có dễ có nguy cơ bị các loài vi khuẩn hoặc virut có sẳn trong nước tấn công. Khi nhiệt độ hạ thấp, quá trình trao đổi chất của tôm, cá sẽ giảm, dấn đến sức ăn cũng giảm theo, kéo dài thời gian lột xác của tôm và làm chậm tăng trưởng ở cá. Khi nhiệt độ xuống thấp quá ngưỡng giới hạn, một số loài có sức đề kháng kém sẽ bỏ ăn và chết, đặc biệt là tôm, cá giai đoạn còn nhỏ. Nếu nhiệt độ hạ thấp kéo dài, vật nuôi có xu hướng di chuyển xuống đáy ao để tránh rét, nguy cơ tiếp xúc ới khi độc và nấng sẽ cao. [4] Bảng 1: Quy chuẩn nước nuôi tôm (theo Quy chuẩn kỹ thuật quốc gia về cơ sở nuôi tôm nước lợ) Thông số STT Tối ưu Giới hạn 1 Nhiệt độ (oC) 20 – 30 18 – 33 2 Độ pH (dao động sáng sớm, chiều 7.5 – 8.5 7–9 10 – 25 5 - 35 >5 > 3.5 < 0.1 < 0.3 không quá 0,5) 3 Độ mặn (o/oo) 4 Nồng độ Oxy hòa tan (mg/l) 5 Amoniac tự do NH3 (mg/l) Theo đặc tính mỗi loài tôm, cá chỉ có thể sử dụng và hấp thụ thức ăn hiệu quả khi sống trong ngưỡng nhiệt độ và môi trường có độ pH phù hợp, vì vậy việc giữ ổn định nhiệt độ và độ pH của nước sẽ trực tiếp ảnh hưởng đến quá trình sinh trưởng của thủy sản nuôi và hiệu quả nuôi trồng. Dựa vào những cơ sở phân tích nêu trên, trong phạm vi của luận văn này, tác giả lựa chọn nhiệt độ, độ pH của nước nuôi tôm là hai tham số chính để tiến hành nghiên cứu. 8 5. Phương pháp nghiên cứu Sử dụng kết hợp 2 phương pháp lý thuyết và thực nghiệm:  Nghiên cứu lý thuyết: o Nghiên cứu công nghệ Edge Computing, AI, LSTM, và một số kỹ thuật xử lý dữ liệu. o Xây dựng tập dữ liệu huấn luyện. o Triển khai mô hình dự đoán chất lượng nước từ tập dữ liệu huấn luyện dựa trên các thuật toán AI và Edge Computing.  Triển khai thực tế: o Triển khai thực nghiệm mô hình hệ thống giám sát và dự báo một số tham số chất lượng nước ứng dụng Edge AI trên quy mô nhỏ. 9 PHẦN 2. NỘI DUNG CHÍNH 1 CHƯƠNG 1. TỔNG QUAN VỀ EDGE AI VÀ IOT 1.1. Giới thiệu chương Chương này sẽ giới thiệu những kiến thức tổng quan về Edge Computing/AI/IoT. Đồng thời trong chương này sẽ giới thiệu khả năng kết hợp giữa Edge AI trong các ứng dụng IoT, xu hướng triển khai và vai trò của Edge AI và IoT trong các ứng dụng giám sát và dự báo nói chung, đặc biệt là trong giám sát và dự báo chất lượng nước phục vụ nuôi trồng thủy sản. Các yêu cầu, thách thức khi triển khai Edge AI và IoT cũng được đề cập trong chương này. 1.2. Tổng quan về Edge AI 1.2.1. Điện toán biên (Edge Computing) Edge Computing hay còn gọi là điện toán biên là việc xử lý tính toán dữ liệu cảm biến từ các nút và gần biên logic của mạng, hướng tới các nguồn dữ liệu riêng lẻ. Thay vì gửi dữ liệu đến các trung tâm dữ liệu đám mây, điện toán biên mang sức mạnh tính toán đến gần nguồn dữ liệu để đảm bảo xử lý theo thời gian thực, không có độ trễ đồng thời giảm yêu cầu về băng thông và lưu trữ trên mạng. Khác với các hệ thống nhúng truyền thống đã tồn tại hơn 40 năm qua, điện toán biên không chỉ là một vi điều khiển 8 bit đơn giản điều khiển theo các trường hợp được lập trình sẳn, mà điện toán biên giải quyết các vấn đề quan trọng với số đối tượng và dữ liệu được kết nối với mức độ phức tạp cao và ngày càng tăng. Trong lĩnh vực IoT, điện toán biên được ứng dụng vào một số lĩnh vực cụ thể như sau: 10  Giải quyết, phán đoán nhanh và đưa ra quyết định theo thời gian thực cho các tình huống về an toàn như phẩu thuật từ xa hoặc xe tự lái;  Các giải pháp giúp xử lý các dữ liệu lớn phi cấu trúc như video, âm thanh để tiết kiệm chi phí truyền tải dữ liệu qua các nhà cung cấp dịch vụ dữ liệu di động hoặc lưu trữ. Tuy vậy, Điện toán đám mây và điện toán biên không loại trừ lẫn nhau. Một hệ thống khi kết hợp hai mô hình điện toán này sẽ mang lại hiệu quả cao hơn, vì một máy chủ biên (trong cùng một khu vực hoặc trên cùng một cơ sở) có thể xử lý các tác vụ nhạy cảm về thời gian trong khi gửi dữ liệu đã lọc lên đám mây để phân tích sâu hơn, tốn nhiều thời gian hơn. 1.2.2. Edge AI Edge AI là thuật ngữ chỉ sự kết hợp của Edge Computing (điện toán biên) và Artificial Intelligence (trí tuệ nhân tạo). Edge AI là quá trình tính toán AI được thực hiện gần người dùng ở rìa của mạng, gần nơi đặt hoặc tạo ra dữ liệu, thay vì tập trung trong cơ sở điện toán đám mây hoặc trung tâm dữ liệu. Edge AI mang lại khả năng tính toán hiệu suất cao tại vùng rìa mạng, nơi đặt các cảm biến và thiết bị IoT. Edge AI cho phép các ứng dụng AI chạy trực tiếp trên các thiết bị tại hiện trường, xử lý dữ liệu tại hiện trường và chạy các thuật toán máy học ML (Machine Learning) và học sâu DL (Deep Learning), từ đó thể đưa ra quyết định độc lập trong thời gian ngắn. Với việc tăng cường khả năng tính toán tại vùng rìa của mạng, Edge AI mang lại một số lợi ích cụ thể như:  Thông minh và linh hoạt hơn: Các ứng dụng sẽ trở nên thông minh và linh hoạt hơn so với các ứng dụng được lập trình thông thường chỉ có thể phản hồi với các đầu vào và trường hợp đã được lập trình viên dự đoán trước;