Tổng quan

Quản lý nước đóng vai trò quan trọng và then chốt trong nông nghiệp, ảnh hưởng trực tiếp đến sự phát triển, năng suất cây trồng và hiệu quả kinh tế. Trong bối cảnh biến đổi khí hậu toàn cầu và nguồn nước sạch ngày càng trở nên khan hiếm, việc tưới tiêu không hiệu quả có thể dẫn đến lãng phí lớn tài nguyên nước quý giá hoặc ngược lại, thiếu hụt nước trầm trọng cho cây trồng, gây giảm năng suất và
thiệt hại kinh tế nghiêm trọng.

Các hệ thống tưới tiêu truyền thống hiện nay thường chỉ dựa vào các cảm biến độ ẩm đất để kích hoạt tưới khi đất khô hoặc cảm biến mưa để ngừng tưới khi có mưa. Cách tiếp cận này chỉ mang tính phản ứng với điều kiện hiện tại mà không có khả năng dự báo được lượng mưa trong tương lai gần. Điều này dẫn đến nguy cơ tưới thừa trước khi trời mưa lớn, gây lãng phí nước và làm ngập úng cây trồng; hoặc tưới thiếu khi không dự đoán được một đợt khô hạn sắp tới.

Việc ứng dụng các công nghệ tiên tiến như Machine Learning và IoT vào dự báo lượng mưa mang lại tiềm năng to lớn trong việc giải quyết những hạn chế trên. Học máy có thể phân tích dữ liệu khí tượng lịch sử để đưa ra các dự báo lượng mưa chính xác, còn IoT cho phép thu thập dữ liệu thời gian thực và tự động hóa hệ thống tưới tiêu dựa trên các dự báo đó.

Với những lý do trên, đề tài này được lựa chọn dựa trên các yếu tố sau:

• Tầm quan trọng cấp thiết của quản lý nước: Trước tình trạng khan hiếm tài nguyên nước và nhu cầu lương thực ngày càng cao, việc tối ưu hóa sử dụng nước trong nông nghiệp là vô cùng quan trọng để đảm bảo phát triển bền vững.
• Hạn chế cố hữu của các hệ thống tưới tiêu truyền thống: Các hệ thống hiện tại chưa thể chủ động thích nghi với sự biến động của thời tiết, đặc biệt là lượng mưa.
• Tiềm năng cách mạng của Machine Learning và IoT: Sự kết hợp giữa khả năng dự báo thông minh của ML và khả năng tự động hóa, kết nối của IoT mở ra một hướng đi mới để xây dựng các hệ thống tưới tiêu thực sự thông minh, tiết kiệm nước và nâng cao năng suất cây trồng.

Trong nghiên cứu này, giải pháp dự báo lượng mưa đa mô hình được đề xuất và phát triển một cách toàn diện, với việc kết hợp các mô hình học sâu như LSTM, GRU và học máy truyền thống như XGBoost thông qua kỹ thuật hợp nhất mô hình bằng hệ mờ (Fuzzy Fusion). Kỹ thuật này thay thế các phương pháp kết hợp cứng nhắc truyền thống bằng cách sử dụng hệ mờ để đánh giá và cân bằng mức độ tin cậy của từng mô hình dựa trên các điều kiện thời tiết cụ thể, chẳng hạn như độ ẩm, nhiệt độ hay áp suất khí quyển. Cụ thể, các hàm thành viên mờ được thiết kế để định lượng đóng góp của mỗi mô hình, từ đó tạo ra một tổ hợp linh hoạt và tối ưu cho dự báo cuối cùng. Việc tận dụng thế mạnh của LSTM và GRU trong xử lý chuỗi thời gian dài hạn, kết hợp với khả năng học các đặc trưng không gian của XGBoost, giúp khắc phục hạn chế của các mô hình đơn lẻ trong điều kiện thời tiết biến động. Kết quả thực nghiệm cho thấy phương pháp này nâng cao đáng kể độ chính xác dự báo, đặc biệt hiệu quả trong các tình huống dữ liệu thời tiết phức tạp và không đồng nhất.

Bên cạnh đó, đề tài còn thiết kế và triển khai một hệ thống tưới cây tự động thông minh và chủ động dựa trên nền tảng IoT, nhằm tối ưu hóa việc tưới tiêu trong nông nghiệp. Hệ thống này tích hợp các thành phần chính bao gồm cảm biến độ ẩm đất, cảm biến thời tiết, module dự báo lượng mưa sử dụng giải pháp đa mô hình đã đề cập và thiết bị điều khiển tưới tiêu. Điểm nổi bật của hệ thống nằm ở khả năng không chỉ phản ứng với điều kiện môi trường hiện tại mà còn chủ động điều chỉnh lịch tưới dựa trên dự báo lượng mưa trong tương lai. Chẳng hạn, nếu dự báo cho thấy có mưa trong vòng 24 giờ tới, hệ thống sẽ tự động hoãn tưới để tránh lãng phí nước. Quá trình ra quyết định được hiện thực hóa dưới dạng các quy tắc thông minh, dễ truy vết và điều chỉnh, đảm bảo tính minh bạch và hiệu quả. Kết quả thực nghiệm trên các cánh đồng thử nghiệm cho thấy hệ thống giảm lượng nước tiêu thụ, đồng thời tăng hiệu quả tưới tiêu và năng suất cây trồng.

Mục tiêu, đối tượng và phạm vi nghiên cứu

1. Mục tiêu nghiên cứu

Đề tài đặt ra các mục tiêu chính sau:

• Phát triển và tối ưu hóa các mô hình học máy như LSTM, GRU và XGBoost để dự báo lượng mưa trong 24 giờ tới, sử dụng dữ liệu khí tượng lịch sử và thời gian thực.
• Tạo cơ chế để hệ thống tưới tự động sử dụng kết quả dự báo lượng mưa từ mô hình học máy, giúp đưa ra quyết định tưới tiêu tối ưu, tiết kiệm nước và duy trì độ ẩm đất lý tưởng cho cây trồng.
• Đánh giá hiệu quả của hệ thống thông qua việc kiểm tra và đánh giá hiệu suất về khả năng dự báo, hiệu quả tưới tiêu và khả năng tiết kiệm nước, đồng thời so sánh với các phương pháp truyền thống.

2. Đối tượng nghiên cứu

Để thực hiện các mục tiêu nghiên cứu, nhóm sẽ tập trung vào các đối tượng chính sau:

• Các thuật toán học máy tiên tiến như LSTM, GRU và XGBoost, được lựa chọn để giải quyết bài toán dự báo chuỗi thời gian phức tạp của dữ liệu khí tượng.
• Cơ sở hạ tầng IoT: Gồm Raspberry Pi, ESP32 và các hệ thống cảm biến, đóng vai trò nòng cốt trong việc thu thập và quản lý dữ liệu thời
• gian thực.
• Hệ mờ (Fuzzy Logic): Được ứng dụng như một công cụ thông minh để hợp nhất và tối ưu hóa các kết quả dự báo từ nhiều mô hình khác
• nhau.
• Dữ liệu phục vụ nghiên cứu bao gồm dữ liệu khí tượng lịch sử chi tiết (lượng mưa, nhiệt độ, độ ẩm, áp suất) và dữ liệu cảm biến thời gian thực, đảm bảo cung cấp nguồn thông tin phong phú và cập nhật cho quá trình phát triển hệ thống.

3. Phạm vi nghiên cứu

Nghiên cứu này tập trung vào việc dự báo lượng mưa và phát triển hệ thống tưới cây tự động thông minh, với phạm vi được xác định rõ ràng như sau. Trước hết, dữ liệu khí tượng sẽ được thu thập từ nguồn World Weather Online trong khoảng thời gian 5 năm, từ ngày 01/01/2020 đến ngày 31/05/2025, nhằm đảm bảo tính đầy đủ và độ tin cậy cho phân tích. Dựa trên dữ liệu này, nghiên cứu sẽ áp dụng các mô hình học sâu như LSTM và GRU kết hợp với mô hình học máy truyền thống XGBoost, để giải quyết bài toán dự báo chuỗi thời gian, đồng thời tích hợp kỹ thuật Fuzzy Fusion nhằm nâng cao độ chính xác của kết quả dự báo.

Tiếp theo, về mặt triển khai, hệ thống IoT sẽ được thử nghiệm trên một mô hình vườn hoặc khu vực nhỏ cụ thể, với các loại cây trồng và điều kiện môi trường được giả định hoặc tái hiện gần với thực tế, nhằm đánh giá tính khả thi và hiệu quả của hệ thống. Cuối cùng, phạm vi dự báo tập trung vào việc dự đoán lượng mưa trong khoảng thời gian ngắn hạn là 24 giờ, hỗ trợ việc ra quyết định tưới tiêu tức thời, từ đó tối ưu hóa sử dụng nước và nâng cao hiệu quả tưới cây.

Kiến trúc hệ thống

Hệ thống bao gồm các thành phần chính: cảm biến thu thập dữ liệu môi trường, vi điều khiển xử lý và truyền dữ liệu, máy chủ chạy mô hình học máy, và giao diện web. Dữ liệu từ cảm biến được gửi đến Raspberry Pi, kết hợp với dữ liệu thời tiết từ World Weather Online API. Mô hình học máy dự đoán lượng mưa, và logic mờ đưa ra quyết định tưới nước, được thực thi qua relay.

Luồng hoạt động của hệ thống dự báo lượng mưa và điều khiển tưới tiêu tự động là một chu trình liên tục, tích hợp chặt chẽ các công nghệ IoT và học máy để đưa ra quyết định tưới tiêu thông minh. Toàn bộ quá trình vận hành được cấu trúc thành ba giai đoạn chính, bao gồm: thu thập và tiền xử lý dữ liệu, dự báo lượng mưa và hợp nhất mô hình, và cuối cùng là ra quyết định điều khiển tưới.

Giai đoạn đầu tiên tập trung vào thu thập và tiền xử lý dữ liệu. Hệ thống khởi đầu bằng việc thu thập các dữ liệu thời tiết lịch sử trong ba ngày gần nhất từ Database. Dữ liệu thô này sau đó được trải qua quy trình tiền xử lý cần thiết, bao gồm làm sạch, chuẩn hóa và chuyển đổi định dạng, nhằm đảm bảo chất lượng và tính phù hợp cho các bước xử lý tiếp theo của mô hình.

Tiếp theo là giai đoạn dự báo lượng mưa và hợp nhất mô hình. Dữ liệu đã được tiền xử lý sẽ được đưa vào ba mô hình học máy độc lập: LSTM, GRU và XGBoost, mỗi mô hình có nhiệm vụ dự báo lượng mưa. Để tăng cường độ chính xác và tính tin cậy của dự báo, các kết quả đầu ra từ ba mô hình này sẽ được hợp nhất thông qua một hệ thống Logic mờ (Fuzzy Logic).

Cuối cùng, giai đoạn ra quyết định điều khiển tưới sẽ sử dụng kết quả dự báo tổng hợp cùng với dữ liệu về độ ẩm đất hiện tại (từ cảm biến) và lịch tưới cây đã thiết lập để đưa ra quyết định tối ưu. Dựa trên một tập hợp các luật tưới được định nghĩa trước bởi hệ thống Logic mờ cấp độ 2, hệ thống sẽ phân tích các yếu tố đầu vào này để xác định liệu có nên kích hoạt hệ thống tưới tiêu hay không. Quyết định cuối cùng sẽ là Tưới hoặc Không tưới, nhằm đảm bảo việc cung cấp nước hiệu quả cho cây trồng, tiết kiệm tài nguyên và tối ưu hóa năng suất. Sau khi quyết định được thực hiện, chu trình hoàn tất và hệ thống sẵn sàng cho lần vận hành tiếp theo.

Thu thập dữ liệu

1. Dữ liệu từ cảm biến

Độ ẩm đất là một chỉ số quan trọng để đánh giá lượng nước trong đất, ảnh hưởng trực tiếp đến sự phát triển của cây trồng. Nhiệt độ và độ ẩm không khí cung cấp thông tin về điều kiện khí hậu chung, trong khi áp suất không khí có thể liên quan đến các hiện tượng thời tiết như mưa hoặc bão. Việc thu thập các loại dữ liệu này đảm bảo rằng nghiên cứu có một bức tranh toàn diện về môi trường, từ đó hỗ trợ các phân tích và dự đoán chính xác hơn.

Về mặt lưu trữ, dữ liệu được gửi từ thiết bị cảm biến ESP32 đến Raspberry Pi, sau đó được lưu trong cơ sở dữ liệu MongoDB. Việc sử dụng MongoDB cho phép lưu trữ dữ liệu theo định dạng thời gian thực, điều này rất hữu ích cho việc truy xuất và phân tích dữ liệu sau này. Định dạng thời gian thực giúp dễ dàng theo dõi và so sánh dữ liệu theo thời gian, từ đó hỗ trợ các phân tích xu hướng và dự đoán. Quá trình này đảm bảo rằng dữ liệu không chỉ được thu thập một cách chính xác mà còn được tổ chức và lưu trữ một cách hiệu quả, sẵn sàng cho các bước xử lý và phân tích tiếp theo trong nghiên cứu.

2. Dữ liệu từ API

Dữ liệu được thu thập từ World Weather Online API, một nguồn cung cấp toàn diện bao gồm cả dữ liệu thời tiết lịch sử (qua nhiều năm) và dữ liệu dự báo (trong 24 giờ tới). Các thông số chính được trích xuất bao gồm nhiệt độ, độ ẩm, áp suất khí quyển và lượng mưa. Dữ liệu lịch sử đóng vai trò thiết yếu trong việc huấn luyện các mô hình học máy, trong khi dữ liệu dự báo được sử dụng để vận hành hệ thống thời gian thực, đảm bảo cung cấp thông tin cập nhật liên tục và chính xác.

Mô hình học máy

Mô hình sử dụng

Các mô hình học máy tiên tiến được sử dụng để xử lý hiệu quả các đặc điểm phức tạp của dữ liệu thời tiết, đặc biệt là trong việc dự đoán lượng mưa. Mô hình GRU được lựa chọn nhờ khả năng quản lý tốt dữ liệu chuỗi thời gian dài, một đặc trưng phổ biến trong các bản ghi thời tiết, như đã được chứng minh trong nghiên cứu về dự đoán lượng mưa tại Palembang. Bên cạnh đó, mô hình LSTM được áp dụng để nắm bắt các mẫu phi tuyến thường xuất hiện trong dữ liệu khí tượng, điều này rất quan trọng để đảm bảo độ chính xác của dự báo. Ngoài ra, XGBoost cũng được tích hợp nhờ hiệu quả vượt trội trong việc xử lý các tập dữ liệu phức tạp và đa chiều, chẳng hạn như các đặc trưng thời tiết đa dạng được phân tích trong nghiên cứu. Sự kết hợp của các mô hình này tận dụng tối đa điểm mạnh riêng biệt của từng mô hình, từ đó nâng cao hiệu suất dự đoán tổng thể.

Quy trình huấn luyện

Dữ liệu được phân chia theo thời gian thành ba tập hợp: tập huấn luyện bao gồm dữ liệu từ năm 2020 đến hết năm 2023, tập đánh giá bao gồm dữ liệu trong suốt năm 2024, và tập kiểm tra bao gồm dữ liệu từ ngày 01/01/2025 đến ngày 31/05/2025. Cách phân chia này giúp mô hình học từ dữ liệu lịch sử và được đánh giá trên các giai đoạn thời gian tiếp theo một cách tuần tự, đảm bảo tính chân thực của hiệu suất dự đoán trong môi trường thực tế.

Để tối ưu hóa các siêu tham số của mô hình GRU và LSTM, kỹ thuật Random Search từ thư viện Keras Tuner đã được áp dụng. Đối với mô hình XGBoost, phương pháp tìm kiếm lưới (Grid Search) kết hợp với kỹ thuật kiểm định chéo (cross-validation) đã được sử dụng để xác định các siêu tham số tối ưu. Các phương pháp này giúp đảm bảo mô hình có hiệu suất tốt nhất trên dữ liệu mới.

Việc đánh giá hiệu suất mô hình được thực hiện sau khi huấn luyện. Các chỉ số như sai số tuyệt đối trung bình (MAE – Mean Absolute Error), sai số căn bậc hai trung bình (RMSE – Root Mean Squared Error) và sai số tương đối căn bậc hai (RRSE – Root Relative Squared Error) được sử dụng để đo lường độ chính xác của các mô hình dự báo lượng mưa. Những chỉ số này cung cấp cái nhìn rõ ràng về khả năng dự đoán của mô hình, hỗ trợ việc tinh chỉnh trước khi áp dụng thực tế.

Hệ thống tưới cây tự động sử dụng phương pháp Fuzzy-based Fusion được điều chỉnh để đưa ra quyết định tưới dựa trên hai yếu tố chính: lượng mưa dự đoán và độ ẩm đất hiện tại từ cảm biến. Các dự đoán lượng mưa từ ba mô hình học máy (GRU, LSTM, XGBoost) được tổng hợp bằng trung bình có trọng số, dựa trên nghiên cứu về hệ thống dự đoán mưa.

Thực nghiệm

Thực nghiệm được tiến hành tại một sân vườn ở Thành phố Hồ Chí Minh, Việt Nam, từ ngày 15/06/2025 đến ngày 28/06/2025. Cây trồng được chọn là cây ớt đang trong giai đoạn phát triển, do chúng có giá trị kinh tế cao và phù hợp với điều kiện địa phương.

Kết luận

Kết quả đạt được

Hệ thống đã được triển khai và thử nghiệm thành công. Các kết quả chính cho thấy mô hình học máy kết hợp cùng với phương pháp Fuzzy-Based Machine Learning Fusion đạt độ chính xác cao trong dự đoán lượng mưa trong 24 giờ tới, với các chỉ số MAE là 0.185, RMSE là 0.598, và RRSE là 0.640. Những con số này thể hiện khả năng dự đoán chính xác và ổn định của hệ thống.

Về năng suất cây trồng, ớt trong khu vực sử dụng hệ thống tưới tự động cho thấy kết quả tương đương hoặc cao hơn so với khu vực áp dụng phương pháp tưới truyền thống. Đồng thời, hiệu quả của hệ thống IoT, được xây dựng với ESP32 và Raspberry Pi 3, đã được chứng minh qua quá trình hoạt động ổn định trong suốt quá trình thử nghiệm. Giao diện web phát triển bằng NextJS cung cấp khả năng giám sát dữ liệu cảm biến như độ ẩm đất, nhiệt độ và lượng mưa. Giao diện này cũng cho phép điều khiển máy bơm tưới từ xa, giúp nâng cao khả năng quản lý và tương tác của người dùng.

Các đóng góp khoa học và thực tiễn của đề tài bao gồm việc tích hợp thành công công nghệ IoT và học máy. Điều này giúp hệ thống vượt trội hơn so với các phương pháp tưới truyền thống nhờ khả năng dự đoán mưa chi tiết. Từ đó, hệ thống góp phần vào nông nghiệp thông minh và bền vững, đặc biệt trong bối cảnh biến đổi khí hậu và khan hiếm tài nguyên nước.

Hạn chế

Mặc dù hệ thống đã đạt được những kết quả nhất định, vẫn còn một số hạn chế cần được khắc phục trong tương lai.

Đầu tiên, tính khái quát của mô hình dự báo là một điểm cần cải thiện. Kết quả dự báo hiện tại chỉ mang tính chất khái quát cho toàn thành phố, chưa thể cung cấp dự báo chi tiết và cục bộ cho từng khu vực cụ thể. Điều này có thể ảnh hưởng đến độ chính xác của kế hoạch tưới tiêu ở những địa điểm có điều kiện vi khí hậu khác biệt.

Thứ hai, phạm vi áp dụng của hệ thống tưới tiêu còn hạn chế. Hệ thống tưới cây tự động được phát triển trong nghiên cứu này hiện chỉ áp dụng hiệu quả cho giai đoạn trưởng thành của cây ớt. Việc mở rộng khả năng ứng dụng cho các giai đoạn phát triển khác của cây ớt hoặc các loại cây trồng khác đòi hỏi nghiên cứu và điều chỉnh thêm.

Cuối cùng, mức độ hoàn thiện của hệ thống IoT và giao diện web vẫn ở mức thử nghiệm. Để triển khai thực tế và đảm bảo tính ổn định, cần có những cải tiến về mặt kỹ thuật, tối ưu hóa hiệu suất, và nâng cao tính bảo mật cũng như khả năng mở rộng trong tương lai.

Hướng phát triển

Dù đạt được nhiều kết quả tích cực, hệ thống vẫn có một số hạn chế cần khắc phục, bao gồm chi phí lắp đặt ban đầu cao và phụ thuộc vào kết nối internet. Các hướng phát triển trong tương lai được đề xuất nhằm nâng cao hiệu quả và khả năng ứng dụng của hệ thống.

Một trong những hướng quan trọng là tích hợp cảm biến đa năng để thu thập dữ liệu toàn diện hơn. Việc bổ sung cảm biến ánh sáng, pH đất hoặc nồng độ dinh dưỡng có thể cung cấp thông tin chi tiết về điều kiện môi trường và nhu cầu của cây trồng, từ đó cải thiện quyết định tưới và hỗ trợ quản lý nông nghiệp chính xác. Để giảm chi phí, việc sử dụng các loại cảm biến giá rẻ hoặc tự chế sẽ phù hợp hơn với các hộ nông nghiệp vừa và nhỏ.

Bên cạnh đó, cần thử nghiệm các mô hình học máy tiên tiến như Transformer hoặc Bidirectional LSTM (Bi-LSTM) để cải thiện độ chính xác dự đoán mưa, đặc biệt với dữ liệu thời tiết phức tạp. Việc kết hợp thêm dữ liệu vệ tinh hoặc radar thời tiết cũng có thể tăng cường đáng kể chất lượng dự báo.

Để nâng cao tính tiện lợi cho người dùng, phát triển ứng dụng di động (Android/iOS) để thay thế hoặc bổ sung cho giao diện web là cần thiết. Ứng dụng này sẽ giúp nông dân giám sát và điều khiển hệ thống dễ dàng hơn, đặc biệt ở khu vực có kết nối internet hạn chế. Tích hợp thông báo đẩy để cảnh báo về tình trạng cây trồng hoặc thời tiết bất thường sẽ là một tính năng hữu ích.

Việc tối ưu hóa chi phí và năng lượng cũng là một hướng phát triển trọng tâm. Cần tối ưu hóa thiết kế phần cứng, sử dụng các vi điều khiển giá rẻ hơn như ESP8266 cho các tác vụ đơn giản hơn nhằm giảm đáng kể chi phí triển khai. Ngoài ra, tăng cường sử dụng năng lượng mặt trời và pin hiệu suất cao sẽ đảm bảo hệ thống hoạt động bền vững ở vùng sâu vùng xa, giảm phụ thuộc vào nguồn điện lưới và chi phí vận hành.

Hệ thống cũng cần được mở rộng thử nghiệm trên các loại cây trồng khác (như lúa, cà chua) và ở các khu vực khí hậu đa dạng (miền Bắc, miền Trung Việt Nam) để đánh giá khả năng thích nghi và tính tổng quát. Hợp tác với các hợp tác xã nông nghiệp để triển khai hệ thống ở quy mô lớn sẽ giúp đánh giá tính khả thi kinh tế và tác động xã hội.

Cuối cùng, việc tăng cường khả năng tự học là rất quan trọng. Cần phát triển hệ thống để mô hình học máy tự cập nhật dựa trên dữ liệu thời tiết và cảm biến mới, từ đó cải thiện độ chính xác theo thời gian. Tích hợp AI để dự đoán nhu cầu nước của cây trồng dựa trên giai đoạn sinh trưởng và các yếu tố khác như loại đất, loại cây, và giai đoạn phát triển sẽ nâng cao hiệu quả. Đồng thời, để giảm phụ thuộc vào kết
nối internet, có thể triển khai hệ thống xử lý cục bộ trên Raspberry Pi để đưa ra quyết định tưới mà không cần kết nối liên tục với API thời tiết, tăng cường độ tin cậy khi mất mạng. Sử dụng mạng LoRa hoặc Zigbee cũng là một giải pháp cho các khu vực có hạ tầng internet yếu hoặc không có.