Trương Minh Thái1, Trương Xuân Việt1, Nguyễn Hiếu Trung2, Lê Văn Vàng3, Lê Nguyễn Đoan Khôi4, Dương Nhựt Long5 , Trần Ngọc Hải5, Nguyễn Nguyên Minh7, Hà Thanh Toàn6.
1 Khoa CNTT&TT, 2 Viện Nghiên cứu Biến đổi Khí hậu, 3 Khoa Nông nghiệp, 4 Phòng Quản lý Khoa học, 5 Khoa Thủy sản,6 Viện NC & PT Công Nghệ Sinh Học - Trường Đại học Cần Thơ, 7CSIRO - Úc.
TÓM TẮT
Trong bài viết này, chúng tôi trình bày lược khảo một số ứng dụng của Công nghệ thông tin & Truyền thông (CNTT&TT) trong sản xuất nông nghiệp chính xác (AP- Precision Agriculture) và trình bày một mô hình ứng dụng CNTT&TT của Trường Đại học Cần Thơ trong lĩnh vực nông nghiệp và nuôi trồng thủy sản. Điểm đặc biệt của mô hình được đề xuất là một hệ thống kết hợp các kỹ thuật trong cách mạng công nghiệp 4.0 như Internet vạn vật, mạng cảm biến, dữ liệu lớn và trí tuệ nhân tạo trong công tác quản lý sản xuất, dự báo và kết nối các bên liên quan. Sự thành công trong việc hiện thực hóa mô hình không chỉ giúp cho nhà quản lý và người sản xuất giám sát được các chỉ số chất lượng môi trường tại bất cứ thời điểm nào, mà còn có thể phân tích số liệu, gửi cảnh báo và giải pháp ứng phó thích hợp trong sản xuất nông nghiệp và nuôi trồng thủy sản theo chiến lược xoay trục, hướng đến nông nghiệp 4.0 được Bộ trưởng Lê Minh Hoan đề xuất.
Từ khóa: Internet vạn vật, dữ liệu lớn, mạng cảm biến, tác tử
1 SẢN XUẤT NÔNG NGHIỆP VÀ NUÔI TRỒNG THỦY SẢN VÙNG ĐBSCL
1.1 Hiện trạng nông nghiệp và thủy sản vùng Đồng bằng sông Cửu Long
Đồng bằng sông Cửu Long (ĐBSCL) là vùng đất có khí hậu cận xích đạo, thổ nhưỡng, vị trí địa lý khá thuận lợi cho phát triển kinh tế nông nghiệp và nuôi trồng thủy sản theo hướng sản xuất lớn, áp dụng công nghệ cao. Vùng ĐBSCL có diện tích 39,734 ngàn km2, có hơn 2,4 triệu ha đất canh tác nông nghiệp và 700 ngàn ha nuôi trồng thủy sản [1]. ĐBSCL là một trong bảy vùng kinh tế trọng điểm quốc gia, đóng góp trên 50% sản lượng lúa, 65% sản lượng nuôi trồng thủy sản và 70% sản lượng trái cây của cả nước [2]. Theo báo cáo của Bộ Nông nghiệp và Phát triển nông thôn, năm 2021, ĐBSCL đứng đầu cả nước về sản lượng lúa, thủy sản và trái cây, với 24,3 triệu tấn lúa, chiếm 55,4% cả nước; 4,3 triệu tấn trái cây, chiếm 60%; thủy sản 4,79 triệu tấn, chiếm tới 55,7% sản lượng thủy sản của cả nước, trong đó sản lượng nuôi trồng 3,37 triệu tấn, chiếm tới 69,5% sản lượng nuôi trồng của cả nước.
Bên cạnh những thuận lợi về thổ nhưỡng, khí hậu phù hợp cho phát triển nông nghiệp và nuôi thủy sản, ĐBSCL cũng tồn tại nhiều bất lợi như chịu ảnh hưởng nặng nề của biến đổi khí hậu, nền sản xuất nhỏ lẻ, thiếu liên kết [3], ĐBSCL có nhiều lợi thế so sánh trong sản xuất nông nghiệp nhưng lại không có lợi thế cạnh tranh, chưa chủ động xây dựng được nền nông nghiệp mạnh [2].
1.2 Một số hạn chế chung trong sản xuất nông nghiệp và nuôi trồng thủy sản vùng ĐBSCL
Song song với những khó khăn, thách thức mang tính đặc trưng của vùng ĐBSCL, sản xuất nông nghiệp và nuôi trồng thủy sản của vùng cũng gặp phải một số hạn chế chung như:
Thiếu thông tin thị trường hoặc thị trường hoạt động không tốt. Các hộ sản xuất nhỏ chưa hội nhập tốt với thị trường do chi phí vận chuyển cao và không có khả năng cung cấp kịp thời sản phẩm đồng bộ, có chất lượng và khối lượng lớn. Các hộ sản xuất nhỏ sẽ phải đối mặt với chi phí giao dịch để thành lập hợp tác xã và tổng hợp sản phẩm của họ với khối lượng lớn hơn. Họ cũng sẽ phải đối mặt với chi phí để có được thông tin về sở thích của người tiêu dùng và quyết định trồng cây gì, nuôi con gì và như thế nào, đồng thời phải chịu các chi phí liên quan đến việc tìm kiếm và sàng lọc đối tác để đàm phán, mặc cả, ký kết và giám sát các hợp đồng mua bán.
Thiếu thông tin về các công nghệ sản xuất sáng tạo. Việt Nam là một nước đang phát triển, nơi nông nghiệp chiếm phần lớn nền kinh tế, vì thế cần có một số lượng lớn các đại lý khuyến nông nhằm mục đích tiếp cận những nông dân ở vùng sâu, vùng xa và phân tán về mặt địa lý để tương tác và tư vấn cho họ về các công nghệ sản xuất sáng tạo, có thể quan trọng đối với sinh kế.
Nhìn chung, theo Bộ trưởng Bộ Nông nghiệp và Phát triển nông thôn Lê Minh Hoan, để xoay trục toàn bộ nền nông nghiệp, chúng ta buộc phải thay đổi theo: (1) xu thế của thế giới đã tiến tới nông nghiệp 4.0; (2) nông nghiệp tuần hoàn; (3) nông nghiệp hữu cơ và tiêu dùng xanh sẽ dần chi phối thị trường nông sản. Chiến lược phát triển nông nghiệp, nông thôn bền vững đến năm 2030 được thể hiện qua 6 từ khóa: hợp tác, liên kết, thị trường, giảm chi phí, tăng chất lượng, đa dạng hóa sản phẩm [4].
2 ỨNG DỤNG CNTT&TT TRONG SẢN XUẤT NÔNG NGHIỆP CHÍNH XÁC
2.1 Vai trò của CNTT&TT trong sản xuất nông nghiệp
Dân số thế giới dự kiến sẽ vượt mốc 9 tỷ người vào năm 2050 và sản xuất nông nghiệp sẽ cần tăng 60% so với mức 2005/2007 để đáp ứng nhu cầu lương thực bổ sung này. Các ứng dụng CNTT&TT có thể đóng góp đáng kể để đáp ứng nhu cầu lương thực toàn cầu trong tương lai. CNTT&TT có thể góp phần tăng sản lượng và chất lượng bằng cách thu thập và chia sẻ thông tin kịp thời và chính xác về thời tiết, đầu vào, thị trường và giá cả; bằng cách cung cấp thông tin vào các sáng kiến nghiên cứu và phát triển; bằng cách phổ biến kiến thức cho nông dân; bằng cách kết nối người sản xuất và người tiêu dùng, và thông qua nhiều con đường khác. Hình 1 trình bày ứng dụng của CNTT&TT trong nhiều nội dung khác nhau liên quan đến chuyển đổi số trong sản xuất nông nghiệp.
Hình 1: CNTT&TT trong nông nghiệp (nguồn: FAO, ITU)
Với sự hỗ trợ của CNTT&TT, các ứng dụng có thể hỗ trợ cho các bên liên quan nhiều thông tin hữu ích:
Thông tin về mùa vụ, thông tin từ đồng ruộng có thể được thu thập và chuyển qua internet trong máy chủ cơ sở dữ liệu như: chủng loại cây trồng được gieo hạt, diện tích đất trồng cụ thể, thời điểm thả giống, thời điểm thu hoạch, sản lượng, v.v. Thông tin được phân tích để tạo ra các bảng thống kê và đánh giá sẽ được người nông dân truy cập thông qua internet bằng trình duyệt web hay ứng dụng trên điện thoại thông minh. Người nông dân có thể tự lập kế hoạch sản xuất dựa trên thông tin họ được cung cấp và thu thập.
Thông tin về thiết bị sản xuất và đầu vào nông nghiệp, thông tin được thu thập từ các doanh nghiệp bán thiết bị xử lý đất và thiết bị sản xuất khác, hạt giống và các đầu vào nông nghiệp khác. Thông tin được thu thập theo cách này cũng sẽ được cung cấp cho nông dân.
Thông tin thị trường, CNTT&TT có thể hỗ trợ cung cấp thông tin dự báo về các sản phẩm nông nghiệp chính trong những năm tiếp theo giúp nông dân và thương nhân đưa ra quyết định về thời điểm và cách thức bán sản phẩm của họ (bán ngay sau khi thu hoạch hay lưu trữ sản phẩm với kỳ vọng giá cả mùa sau cao hơn). Kết hợp với các dữ liệu khác (ví dụ: ngân sách hiện có của doanh nghiệp hay trang trại), thông tin này có thể được sử dụng để đưa ra quyết định về các loại cây trồng sẽ được sản xuất trong vụ tới.
Các thông tin khác mà nông dân và gia đình họ quan tâm, thông tin bao gồm dự báo thời tiết, thông tin vụ mùa, khả năng cung cấp tín dụng, lời khuyên của chuyên gia về chăm sóc cây trồng hay vật nuôi, và các thông tin liên quan đến chính sách cho nông nghiệp, các dự án hỗ trợ phát triển nông nghiệp, nuôi trồng thủy sản tại địa phương, .v.v.
Nhìn chung, chúng ta thấy CNTT&TT có ứng dụng rất lớn, từ khâu sản xuất, thu hoạch, bảo quản đến chế biến, phân phối và tiêu thụ trên thị trường. Trong các phần sau, chúng tôi chỉ trình bày ứng dụng CNTT&TT trong sản xuất nông nghiệp hay sản xuất nông nghiệp chính xác (Precision Agriculture). Nông nghiệp chính xác là tất cả mọi thứ giúp thực hiện canh tác chính xác hơn, tối ưu hóa và được kiểm soát trong việc trồng trọt hay chăn nuôi.
2.2 Viễn thám trong nông nghiệp chính xác
Viễn thám là quá trình phát hiện và giám sát các đặc điểm vật lý của một khu vực bằng cách đo bức xạ phản xạ phát ra từ khu vực ở khoảng cách xa (thường là từ vệ tinh hoặc máy bay). Máy ảnh đặc biệt thu thập hình ảnh được cảm nhận từ xa, giúp các nhà nghiên cứu "cảm nhận" những điều xảy ra và thay đổi trên mặt đất. Trong nông nghiệp, viễn thám là công nghệ cho phép đo các đặc điểm của đất hoặc cây trồng bằng UAV, máy bay hoặc vệ tinh bay từ khoảng cách vài mét đến vài trăm mét hoặc nhiều kilomet từ mục tiêu. Một số ví dụ: (1) máy ảnh trên vệ tinh và máy bay chụp ảnh các khu vực rộng lớn trên bề mặt Trái đất, cho phép chúng ta phân giải, nhìn thấy nhiều hơn những gì chúng ta có thể thấy khi đứng trên mặt đất như nguy cơ cháy rừng, bệnh của cây trồng; (2) dữ liệu bay không người lái cho phép xác định sự phân bố của loài, ước tính sinh khối, trữ lượng đang phát triển, mật độ đỉnh và chiều cao của các cây cá thể [5], khảo sát và mô hình hóa cảnh báo sớm cháy rừng theo thời gian [6].
Dữ liệu dựa trên máy bay không người lái được sử dụng rộng rãi trong việc sản xuất nông nghiệp, các dữ liệu thu thập từ máy bay không người lái cũng đựợc sử dụng theo dõi và cảnh báo sớm dịch hại cho các vùng canh tác lúa [7], nghiên cứu ứng dụng công nghệ máy bay không người lái (UAV - unmanned aerial vehicle) để theo dõi và cảnh báo sớm dịch hại. Nghiên cứu phân tích mối quan hệ giữa mức độ nhiễm dịch hại trên lúa dựa trên chỉ số khác biệt thực vật (NDVI – normalized difference vegetation index), chỉ số khác biệt rìa đỏ (NDRE – normalized difference red edge index) và số liệu điều tra thực địa được thu thập tại thời điểm chụp ảnh. Mô hình quy trình sử dụng dữ liệu ảnh thu thập từ máy bay không người lái dùng phát hiện dịch hại trên cây trồng và cảnh báo sớm được trình bày ở Hình 2.
Hình 2. Mô hình quy trình xây dựng ghép ảnh trực giao phục vụ phát hiện dịch hại trên cây trồng và cảnh báo sớm [7].
2.3 Kết nối vạn vật trong trong nông nghiệp chính xác
Việc ứng dụng công nghệ thông tin, công nghệ cảm biến trong giám sát môi trường đang trở thành xu hướng trong nuôi trồng thủy sản và sản xuất nông nghiệp hiện đại. Với việc ứng dụng công nghệ cảm biến, công nghệ thông tin trong giám sát điều kiện môi trường có thể giúp nhà quản lý theo dõi được các yếu tố của môi trường ao nuôi, điều kiện môi trường nước, đất trồng cây theo thời gian thực; từ đó có những xử lý kịp thời để giảm thiểu rủi ro, hạ chi phí, nâng cao chất lượng của sản phẩm.
Qua quá trình nghiên cứu tài liệu kết hợp nghiên cứu và khảo sát trên một số hệ thống giám sát môi trường phục vụ cho nuôi thủy sản và trồng trọt đã được phát triển trên thế giới cho thấy: một hệ thống giám sát môi trường bao gồm ba thành phần chính như được trình bày ở Hình 3.
Hình 3: Các thành phần chính của hệ thống gián sát môi trường
Trong đó thành phần: (1) cảm biến dùng thu thập các yếu tố môi trường; (2) hệ thống truyền tin, phụ trách đóng gói dữ liệu nhận được từ cảm biến theo định dạng được quy định trước và truyền thông tin về cho hệ thống xử lý; và (3) hệ thống xử lý sẽ giải mã các dữ liệu nhận được, lưu trữ và tiến hành phân tích giá trị thu được, hiển thị dữ liệu, thực hiện các phân tích/mô phỏng xác định tình trạng môi trường hiện tại và gửi cảnh báo đến người sử dụng nếu giá trị của các yếu tố môi trường vượt ngưỡng cho phép.
Một hệ thống giám sát môi trường (Hình 4) dựa trên kỹ thuật mạng cảm biến không dây (WSN – Wireless Sensor Network), Internet vạn vật (IoT - Internet of Things), lưu trữ và phân tích dữ liệu trên nền tảng mô phỏng đa tác tử (Agent Based Simulation) kết hợp kho dữ liệu (Data Warehouse) đã nghiên cứu xây dựng trong [8]. Hệ thống triển khai xây dựng được gọi là “Hệ thống giám sát môi trường trên nền tảng tác tử” (AEMS - Agent based Environment Monitoring System) [9]. Thành phần trung tâm của hệ thống AEMS là máy chủ dịch vụ giám sát và cảnh báo (Monitoring & Warning Services), cung cấp các dịch vụ: (1) lưu trữ; (2) phân tích (Analysis model) và mô phỏng tác tử (Agent Based Simulation model); (3) cảnh báo (Warning) thực hiện việc gửi các cảnh báo và giải pháp thích hợp đến người dùng thông qua ứng dụng web và ứng dụng di động. Phần thu thập các yếu tố môi trường do các trạm quan trắc môi trường phụ trách thực hiện. Trạm quan trắc môi trường đóng vai trò như một tác tử (Agent), nó có thể tương tác với môi trường và các tác tử khác trong hệ thống. Trạm quan trắc sẽ thu thập các thông số môi trường gửi về trung tâm lưu trữ dữ liệu, đồng thời có thể tương tác với người sử dụng thông qua các ứng dụng web hay ứng dụng di động. Các trạm quan trắc được xây dựng dựa trên công nghệ IoT và tác tử (Agent) nên chúng tôi gọi là các IoT Agent. Các IoT Agent liên kết với nhau qua hệ thống mạng không dây tạo nên một mạng lưới các trạm cảm biến (Wireless Sensor Network).
Hình 4: Hệ thống giám sát môi trường trên nền tác tử
(AEMS - Agent based Environment Monitoring System)
2.4 Dữ liệu lớn và trí tuệ nhân tạo trong nông nghiệp chính xác
Nông nghiệp chính xác là sự phát triển nông nghiệp nhấn mạnh việc sử dụng CNTT&TT trong chu trình quản lý trang trại vật lý trên không gian mạng. Các công nghệ mới như Internet vạn vật, điện toán đám mây, mạng cảm biến, trí tuệ nhân tạo sẽ thúc đẩy sự phát triển này trong nông nghiệp. Điều này được thực hiện bởi các mô hình dữ liệu lớn, với khối lượng dữ liệu khổng lồ được thu thập từ nhiều nguồn khác nhau. Chúng được phân tích và sử dụng để ra quyết định trong sản xuất nông nghiệp như trình bày ở Hình 5.
Hình 5: Thu thập và phân tích dữ liệu trong nông nghiệp chính xác (nguồn: Đại học Wageningen, Hà Lan)
Dữ liệu lớn (Big data) đang được sử dụng để cung cấp thông tin chi tiết mang tính dự đoán trong hoạt động canh tác, thúc đẩy các quyết định hoạt động trong thời gian thực. Các dữ liệu hình ảnh thu được từ vệ tinh, máy bay không người lái hay thậm chí là hình ảnh thu được từ ảnh chụp của điện thoại thông minh có thể được sử dụng để chẩn đoán bệnh cây trồng. Ví dụ như một mô hình máy học (machine learning) (Hình 6) được dùng để nhận dạng bệnh trên cây lúa từ hình ảnh chụp trên điện thoại thông minh [10].
Các dữ liệu thu được từ cảm biến có thể được sử dụng để đưa ra dự báo về tình hình môi trường, giúp người sản xuất sớm đưa ra các hoạt động ứng phó phù hợp, giảm rủi ro, tăng hiệu quả kinh tế trong hoạt động sản xuất. Ví dụ như một mô hình học sâu (Deep Learning) đã được nghiên cứu để dự báo chất lượng nước dựa trên số liệu thu được từ các trạm quan trắc môi trường đã được ứng dụng trong dự đoán chất lượng môi trường nước ao nuôi [11]. Công tác dự đoán sự lan truyền của côn trùng có hại cũng đã được thực hiện dựa trên các mô hình mô phỏng đa tác tử với dữ liệu thời tiết và sự sinh trưởng của cây trồng [12], [13] hay mô hình dự đoán thay đổi diện tích canh tác lúa trong mùa khô bằng phương pháp giải đoán ảnh vệ tinh Landsat 8 [14].
Hình 6. Mô hình nhận dạng bệnh lúa dựa trên mô hình máy học SVM
3 GIẢI PHÁP ỨNG DỤNG CNTT&TT CHO PHÁT TRIỂN NÔNG NGHIỆP VÀ THỦY SẢN VÙNG ĐBSCL
Trong phần này chúng tôi sẽ trình bày một mô hình ứng dụng trong (1) xây dựng hệ thống giám sát các điều kiện môi trường sản xuất dựa trên công nghệ mạng cảm biến, kết hợp với (2) công nghệ Blockchain ghi sổ nhật ký và truy xuất nguồn gốc, (3) viễn thám, mô phỏng đa tác tử và trí tuệ nhân tạo trong công tác phân tích, đánh giá và dự báo. Ngoài ra hệ thống được kết hợp với mạng xã hội kết nối nông dân, nhà quản lý, chuyên gia và nhà phân phối hay thu mua (Hình 7).
Hệ thống bao gồm 5 thành phần chính: (1) Trung tâm dữ liệu, được xem như là trái tim của hệ thống lưu trữ tất cả các thông tin thu thập được từ bốn hệ thống được liệt kê ở phần tiếp theo, và chia sẻ dữ liệu hữu ích cho các bên liên quan; (2) Hệ thống thu thập thông tin môi trường, được xây dựng dựa trên công nghệ mạng cảm biến, IoTs và đa tác tử. Hệ thống bao gồm các trạm cảm biến theo dõi môi trường đất, nước, không khí trong canh tác nông nghiệp (Hình 8), trạm cảm biến theo dõi nhiệt độ, ẩm độ sấy, bảo quản sản phẩm nông nghiệp trong kho sau thu hoạch; thiết bị bay không người lái dùng thu thập thông tin phục vụ phòng chống cháy rừng, phát hiện dịch hại trên cây trồng; (3) Hệ thống thông tin ghi sổ nhật ký và truy xuất nguồn gốc bao gồm phần mềm quản lý quá trình sản xuất, chế biến, phân phối và phần mềm truy xuất các sản phẩm dựa trên công nghệ Blockchain. Hệ thống này đóng vai trò như một sổ cái ghi nhật ký quá trình sản xuất, thu hoạch lưu trữ và hỗ trợ truy xuất nguồn gốc sản phẩm nông, lâm nghiệp và nuôi trồng thủy sản dựa trên mã QR khi đưa ra thị trường; (4) Hệ thống mạng xã hội kết nối nông dân, chuyên gia, nhà phân phối, nhà cung cấp công cụ trao đổi giữa các bên liên quan trong quá trình sản xuất, thu hoạch, lưu trữ và đưa sản phẩm đi tiêu thụ. Hệ thống giúp người nông dân có thể dễ dàng trao đổi với nhà cung cấp vật tư sản xuất, với chuyên gia nông nghiệp hay các công ty thu mua sản phẩm; và (5) Mô hình mô phỏng hay dự báo tình trạng môi trường, cảnh báo cháy rừng, tình hình dịch bệnh trên cây trồng hay dự đoán năng suất dựa trên các yếu tố môi trường và điều kiện canh tác hỗ trợ mô phỏng và dự đoán năng suất lúa dựa trên các tham số đầu vào là điều kiện môi trường, quá trình canh tác, cung cấp cho chuyên gia, nhà quản lý có các thông tin hữu ích để điều chỉnh lại quá trình sản xuất.
Hình 7. Mô hình hệ thống quản lý sản xuất và truy xuất nguồn gốc dựa trên công nghệ Blockchain, IoT, viễn thám và trí tuệ nhân tạo
 |
 |
 |
|
Trạm quan trắc theo dõi điều kiện thời tiết tại thị xã Ngã Năm, tỉnh Sóc Trăng |
Trạm quan trắc theo dõi mực nước tại thị xã Ngã Năm, tỉnh Sóc Trăng |
Trạm quan trắc theo dõi điều kiện môi trường nước tại huyện An Biên, tỉnh Kiên Giang |
|
Hình 8: Hệ thống trạm quan trắc môi trường phục vụ sản xuất nông nghiệp và nuôi trồng thủy sản |
||
Mô hình trên đã được các chuyên gia trong các lĩnh vực nông nghiệp, thủy sản, môi trường, công nghệ và công nghệ thông tin của Trường Đại học Cần Thơ (ĐHCT) nghiên cứu phát triển trong những năn qua, và chúng tôi đã chuyển giao thành công hệ thống quan trắc môi trường nước phục vụ sản xuất nông nghiệp và nuôi trồng thủy sản ở các tỉnh An Giang, Đồng Tháp, Hậu Giang, Kiên Giàng và Sóc Trăng. Đặc biệt, trong khuôn khổ đề tài “Cải tiến và hoàn thiện mô hình sản xuất lúa - tôm nâng cao năng suất, hiệu quả và thích ứng với biến đổi khí hậu trên nền ứng dụng IoT mạng cảm biến tại huyện An Biên, tỉnh Kiên Giang” kết hợp giữa Sở Khoa học và Công Nghệ tỉnh Kiên Giang, Trường Đại học Cần Thơ, hệ thống quan trắc trong đề tài là một mô hình chuyển giao kết quả nghiên cứu điển hình được thực hiện dưới sự hợp tác của CSIRO, Úc và ĐHCT trong chương trình Aus4Innovation của Úc [15].
4 KẾT LUẬN
Trong bài viết này, chúng tôi đã lược khảo một số ứng dụng của CNTT&TT trong sản xuất nông nghiệp, đồng thời chúng tôi cũng đề xuất một mô hình ứng dụng CNTT&TT cho sản xuất nông nghiệp và nuôi trồng thủy sản vùng ĐBSCL. Điểm đặc biệt quan trọng, đây là mô hình kết hợp giữa các công nghệ như mạng cảm biến, Internet vạn vật, tác tử, Blockchain, kho dữ liệu cùng với mô phỏng, khai thác dữ liệu trong hệ thống là trạm quan trắc môi trường được kết hợp với hệ thống ghi nhận số liệu canh tác dựa trên công nghệ Blockchain tạo nên mô hình giúp người sản xuất số hóa hoạt động sản xuất, chế biến và tiêu thụ sản phẩm, kết nối các bên liên quan trong nuôi trồng thủy sản và sản xuất nông nghiệp vùng ĐBSCL.
Song song với nghiên cứu và phát triển hệ thống CNTT&TT hỗ trợ cho sản xuất nông nghiệp và nuôi trồng thủy sản, chúng ta cần xây dựng một hệ thống thông tin hỗ trợ kết nối, trao đổi thông tin giữa nông dân, doanh nghiệp, chuyên gia, nhà quản lý, cụ thể trường Trường đại học Cần Thơ đã xây dựng diễn đàn Phát triển Đồng bằng sông Cửu Long, bước đầu kết hợp với tổ chức tổ chức Nghiên cứu Công nghiệp và Khoa học Khối thịnh vượng chung (CSIRO), Úc xây dựng dự án “Xây dựng tổ nhóm đổi mới sáng tạo trong nuôi thủy sản ĐBSCL (MAIC)” [16]
Ngày nay, việc nghiên cứu, ứng dụng khoa học kỹ thuật vào quy trình sản xuất để nâng cao chất lượng sản phẩm, gia tăng năng suất, tăng cường mạng lưới liên kết, phát triển thị trường để đảm bảo tính bền vững của hệ thống sản xuất nông nghiệp và nuôi trồng thủy sản tại vùng ĐBSCL là vô cùng cần thiết. Bên cạnh các nghiên cứu về chọn giống, xây dựng mô hình canh tác, thu hoạch, bảo quản sản phẩm sau thu hoạch trong sản xuất, việc ứng dụng công nghệ thông tin vào sản xuất mang lại nhiều lợi ích và làm tăng giá trị kinh tế của sản phẩm. Với tình hình nghiên cứu và phát triển như thời gian qua, vấn đề cấp thiết hiện nay là xây dựng một mô hình mẫu, chuẩn nhằm giúp theo dõi các chỉ số môi trường, quản lý hoạt động sản xuất và truy xuất nguồn gốc sản phẩm giúp công tác đánh giá chất lượng môi trường và cung cấp thông tin nhanh, hữu ích cho người sản xuất, nhà quản lý, nhà khoa học và người tiêu dùng.
TÀI LIỆU THAM KHẢO
[1] N. N. Đệ and N. D. Cần, “Sự phát triển của nông nghiệp, nông thôn Đồng bằng sông Cửu Long,” in Nông nghiệp và phát triển nông thôn Đồng bằng sông Cửu Long - Thành tựu và phát triển, NXB Đại học Cần Thơ, 2016, pp. 2–40.
[2] “Diễn đàn Phát triễn bền vững Đồng bằng sông Cửu Long.” https://sdmd2045.ctu.edu.vn/van-de-noi-bat/kinh-te-xa-hoi/45-kien-tao-dong-luc-de-phat-trien-nhanh-va-ben-vung-vung-dong-bang-song-cuu-long-2 (accessed Jun. 08, 2022).
[3] “Cổng thông tin điện tử Bộ Nông nghiệp & Phát triển nông thôn.” https://www.mard.gov.vn/Pages/phat-trien-nong-nghiep-ben-vung-vung-dong-bang-song-cuu-long.aspx (accessed Jun. 08, 2022).
[4] “Báo Điện tử Chính phủ.” https://baochinhphu.vn/bo-truong-le-minh-hoan-ap-dung-6-tu-khoa-trong-tai-co-cau-nong-nghiep-102302990.htm (accessed Jun. 08, 2022).
[5] S. Puliti, J. Breidenbach, and R. Astrup, “Estimation of forest growing stock volume with UAV laser scanning data: Can it be done without field data?,” Remote Sensing, vol. 12, no. 8, 2020, doi: 10.3390/RS12081245.
[6] G. D. Georgiev, G. Hristov, P. Zahariev, and D. Kinaneva, “Forest Monitoring System for Early Fire Detection Based on Convolutional Neural Network and UAV imagery,” 28th National Conference with International Participation, TELECOM 2020 - Proceedings, no. October, pp. 57–60, 2020, doi: 10.1109/TELECOM50385.2020.9299566.
[7] vol. 57, pp. 1–11, 2021, doi: 10.22144/ctu.jvn.2021.x.
[8] M. T. Truong et al., “CFBM - A Framework for Data Driven Approach in Agent-Based Modeling and Simulation,” 2nd EAI International Conference on Nature of Computation and Communication Springer, Cham, pp. 264–275, 2016.
[9] T. M. Truong, C. H. Phan, H. van Tran, L. N. Duong, L. van Nguyen, and T. T. Ha, “To Develop a Water Quality Monitoring System for Aquaculture Areas Based on Agent Model,” Advances in Intelligent Systems and Computing, vol. 1027, no. January, pp. 47–58, 2020, doi: 10.1007/978-981-32-9343-4_5.
[10] N. H. Hòa, L. T. Phương, and N. T. Nghe, “Giải Pháp Nhận Dạng Bệnh Trên Lúa Từ Thiết Bị Di Động Thông Minh,” 2017, doi: 10.15625/vap.2016.00020.
[11] N. Thai-Nghe, N. Thanh-Hai, and N. C. Ngon, “Deep learning approach for forecasting water quality in IoT systems,” International Journal of Advanced Computer Science and Applications, vol. 11, no. 8, pp. 686–693, 2020, doi: 10.14569/IJACSA.2020.0110883.
[12] H. X. Huynh, N. M. L. Phan, H. H. Luong, L. M. T. Ong, H. T. Nguyen, and B. Pottier, “Brown Planthopper Sensor Network Optimization Based on Climate and Geographical Factors using Cellular Automata Technique,” Mobile Networks and Applications, vol. 26, no. 3, pp. 1311–1328, 2021, doi: 10.1007/s11036-021-01763-z.
[13] C. H. Phan, H. X. Huynh, and A. Drogoul, “An Agent-Based Approach to the Simulation of Brown Plant Hopper (BPH) Invasions in the Mekong Delta,” Computing and Communication Technologies Research Innovation and Vision for the Future RIVF 2010 IEEE RIVF International Conference on. IEEE, pp. 1–6, 2010. doi: 10.1109/RIVF.2010.5633134.
[14] T. C. Quang, H. Q. Nghi, and V. Q. Minh, “Mô phỏng sự thay đổi diện tích đất lúa dưới tác động của hạn, mặn - Trường hợp nghiên cứu ở tỉnh Sóc Trăng,” Can Tho University, Journal of Science, vol. Môi trường, p. 144, 2017, doi: 10.22144/ctu.jsi.2017.063.
[15] “Thương mại hóa+ - Nâng cao tác động tích cực của nghiên cứu khoa học và công nghệ qua con đường thương mại hóa.” https://thuongmaihoaplus.org/kinh-nghiem-thuuc-tien/ (accessed Jun. 09, 2022).
[16] “Đổi mới sáng tạo tôm Mekong.” https://sdmd2045.ctu.edu.vn/maic/53-gioi-thieu-maic (accessed Jun. 09, 2022).
