Lê Quyết Thắng
Trường Đại học Công nghiệp Quảng Ninh, Việt Nam
Lê Thị Thu Hương
Trung tâm giáo dục nghề nghiệp giáo dục thường xuyên Đông Triều, Việt Nam
Tóm tắt (Abstract)
Bài báo này giới thiệu một mô hình giám sát và dự báo thông minh cho cây rau má trong hệ thống thủy canh, được phát triển dựa trên các kỹ thuật Machine Learning (ML) và Deep Learning (DL). Hệ thống sử dụng các cảm biến IoT để thu thập dữ liệu thời gian thực về những thông số môi trường quan trọng như pH dung dịch, độ dẫn điện (EC), nhiệt độ, độ ẩm không khí và cường độ ánh sáng. Dữ liệu sau đó được truyền lên nền tảng đám mây, nơi các mô hình ML và DL tiến hành xử lý, phân tích và dự báo. Điểm mới của nghiên cứu là lần đầu tiên áp dụng đồng thời các mô hình hồi quy, phân loại và chuỗi thời gian (RNN/LSTM) cho rau má thủy canh, nhằm dự đoán biến động của các thông số môi trường và đánh giá tình trạng sinh trưởng của cây. Ngoài ra, hệ thống còn hỗ trợ cảnh báo sớm và đưa ra khuyến nghị hoặc điều khiển tự động, góp phần nâng cao hiệu quả canh tác, cải thiện chất lượng sản phẩm và tối ưu hóa việc sử dụng tài nguyên so với phương pháp thủy canh truyền thống.
This paper proposes and presents a novel approach to optimizing the yield and quality of Centella asiatica (Gotu Kola) in a hydroponic environment through the extensive application of Machine Learning (ML) and Deep Learning (DL) techniques. The system is built with IoT sensors to collect realtime data on key environmental parameters such as nutrient solution pH, EC concentration, temperature, light intensity, and air humidity. This data is then transmitted to a cloud platform where Artificial Intelligence (AI) processes and analyzes it using ML and DL models. The main objective is to develop accurate predictive models that enable automated decision-making and early warning, thereby improving cultivation efficiency and minimizing risks.
Tài liệu tham khảo
[1]. Prasad, A., Pragadheesh, V. S., Mathur, A., Srivastava, N. K., Singh, M., & Mathur, A. K. (2012). Growth and centelloside production in hydroponically established medicinal plantCentella asiatica (L.). Industrial Crops and Products, 35(1), 309-312.
[2]. Eli-Chukwu, N. C. (2019). Applications of artificial intelligence in agriculture: A review. Engineering, Technology & Applied Science Research, 9(4).
[3]. Shareef, U., Rehman, A. U., & Ahmad, R. (2024). A systematic literature review on parameters optimization for smart hydroponic systems. AI, 5(3), 1517-1533.
[4]. Regmi, A., Rueda-Kunz, D., Liu, H., Trevino, J., Kathi, S., & Simpson, C. (2024). Comparing resource use efficiencies in hydroponic and aeroponic production systems. Technology in Horticulture, 4(1).
[5]. Xiong, Y., & Su, Y. (2025). Hybrid modeling approaches for accurate greenhouse climate prediction: Combining mechanistic models and LSTM neural networks. Ecological Modelling, 503, 111059.
[6]. Shu, J., Quan, Y., & Yang, D. (2025). An LSTM–AE–Bayes embedded gateway for real-time anomaly detection in agricultural wireless sensor networks. Smart Agricultural Technology, 11, 100944.
[7]. Dolaptsis, K., Pantazi, X. E., Paraskevas, C., Arslan, S., Tekin, Y., Bantchina, B. B., ... & Mouazen, A. M. (2024). A hybrid lstm approach for irrigation scheduling in maize crop. Agriculture, 14(2), 210.
[8]. Wei, C., Shan, Y., & Zhen, M. (2025). Deep learning-based anomaly detection for precision field crop protection. Frontiers in Plant Science, 16, 1576756.
