4 trang 3 lượt tải

Hệ Thống Tưới Tiêu Thông Minh: Nghiên Cứu và Ứng Dụng Liên Quan | Iot và ứng dụng | Học viện Công nghệ Bưu chính Viễn thông

6

Nghiên cứu “IoT-Enabled Smart Drip Irrigation System Using ESP32” của nhóm tác giả Pereira, G.P., Chaari, M.Z., & Daroge, F., được đăng trên tạp chí IoT vào năm 2023, đã trình bày một hệ thống tưới nhỏ giọt IoT sử dụng vi điều khiển lõi kép ESP32 làm bộ xử lý trung tâm. Hệ thống tập trung vào việc tích hợp một bộ cảm biến đa dạng gồm cảm biến độ ẩm đất DFRobot, cảm biến nhiệt độ DS18B20, DHT22 và cảm biến lưu lượng nước F. Tài liệu được sưu tầm và soạn thảo dưới dạng file PDF để gửi tới các bạn cùng tham khảo, ôn tập đầy đủ kiến thức, chuẩn bị cho các buổi học thật tốt. Mời bạn đọc đón xem!

Môn: IoT và ứng dụng 143 tài liệu

Trường: Học viện Công Nghệ Bưu Chính Viễn Thông 1.8 K tài liệu

Tác giả:

Profile

Mai Nguyệt

1 tuần trước
Tải xuống
Báo cáo
Danh sách Quiz
Tải xuống
/4
Nghiên cứu “IoT-Enabled Smart Drip Irrigation System Using ESP32” của nhóm tác giả
Pereira, G.P., Chaari, M.Z., & Daroge, F., được đăng trên tạp chí vào năm 2023, đã trình IoT
bày một hệ thống tưới nhỏ giọt IoT sử dụng vi điều khiển lõi kép ESP32 làm bộ xử lý trung tâm.
Hệ thống tập trung vào việc tích hợp một bộ cảm biến đa dạng gồm cảm biến độ ẩm đất
DFRobot, cảm biến nhiệt độ DS18B20, DHT22 và cảm biến lưu lượng nước FS300A. Quyết
định tưới được đưa ra một cách thông minh dựa trên các ngưỡng độ ẩm và khung giờ tối ưu
(8-10h sáng, 5-7h chiều), với dữ liệu được truyền qua Wi-Fi đến nền tảng Blynk để giám sát từ
xa. Đóng góp chính của nghiên cứu là việc triển khai và kiểm nghiệm thực tế hệ thống trên cây
thống này chỉ giới hạn ở phương pháp tưới nhỏ giọt, phụ thuộc vào Wi-Fi và chưa tích hợp API
thời tiết hay các mô hình học máy. https://www.mdpi.com/2624-831X/4/3/12
Công trình “IoT-enabled smart agriculture for improving water management using
embedded systems and Server-Sent Events” của Morchid, A. và cộng sự, được công bố trên
tạp chí vào năm 2024, đã giới thiệu một kiến trúc hệ thống nông nghiệp thông Scientific African
minh. Hệ thống tập trung vào việc sử dụng ESP32 (lõi kép LX6) đóng vai trò kép: vừa là bộ điều
khiển nhúng vừa là một web server. Thay vì các giao thức IoT truyền thống, nghiên cứu này sử
dụng công nghệ Server-Sent Events (SSE) để truyền dữ liệu thời gian thực (từ cảm biến
DHT22, độ ẩm đất, mực nước) qua HTTP, cho phép cập nhật tự động mỗi 20 giây mà không
cần polling. Đóng góp chính của nghiên cứu là việc triển khai mới lạ công nghệ SSE và vai trò
kép của ESP32, giúp giảm sự phụ thuộc vào đám mây. Hạn chế của hệ thống là chưa có ứng
dụng di động, không tích hợp API thời tiết và thiếu vắng các thuật toán ML/AI.
https://www.sciencedirect.com/science/article/pii/S2468227624004691?via%3Dihub
Nghiên cứu “High-technology agriculture system to enhance food security using IoT and
cloud computing” của Morchid, A. và cộng sự, đăng trên Journal of the Saudi Society of
Agricultural Sciences năm 2024, đã phát triển một hệ thống nông nghiệp công nghệ cao. Hệ
thống sử dụng ESP32 32-bit để điều phối các cảm biến (DHT22, độ ẩm đất) và thiết bị truyền
động (máy bơm kép). Dữ liệu được thu thập và truyền đến nền tảng đám mây ThingSpeak,
trong khi ứng dụng di động ThingView cho phép nông dân giám sát. Nghiên cứu cũng áp dụng
phương pháp luận phát triển phần mềm V-model và hiệu chỉnh toán học cho cảm biến mực
nước siêu âm HC-SR04. Đóng góp chính và nổi bật của công trình là kết quả thực nghiệm cho
thấy hệ thống giúp giảm 70% lượng nước tiêu thụ so với các phương pháp truyền thống. Tuy
nhiên, hệ thống không tích hợp dự báo thời tiết và chưa ứng dụng ML/AI.
https://www.sciencedirect.com/science/article/pii/S1658077X24000079?via%3Dihub
Một nghiên cứu từ nhóm tác giả Ma-rốc, “IoT-based smart irrigation management
system to enhance agricultural water security”, được công bố trên Smart Agricultural
Technology năm 2024, đã đề xuất một hệ thống quản lý tưới tiêu thông minh. Hệ thống tập
trung vào kiến trúc ba tầng mô-đun: Tầng thiết bị IoT (ESP32, DHT22, cảm biến độ ẩm), Tầng
đám mây ThingsBoard (xử lý dữ liệu, bộ máy quy tắc), và Tầng Bảng điều khiển (trực quan
hóa). Dữ liệu được truyền qua HTTP với định dạng JSON. Đóng góp chính của nghiên cứu là
việc tận dụng Rule Engine (Bộ máy Quy tắc) tích hợp sẵn của nền tảng ThingsBoard. Điều này
cho phép cấu hình logic (low-code) để tự động kích hoạt máy bơm dựa trên ngưỡng độ ẩm và
gửi cảnh báo qua email. Hạn chế của hệ thống là yêu cầu kết nối internet ổn định và không đề
cập đến việc tích hợp API thời tiết. https://www.researchgate.net/publication/383789362_IoT-
Based_Smart_Irrigation_Management_System_to_Enhance_Agricultural_Water_Security_usin
g_Embedded_Systems_Telemetry_Data_and_Cloud_Computing
Nghiên cứu “Intelligent and automatic irrigation system using fuzzy control technology”
của Liu, X., Zhao, Z., và Rezaeipanah, A., đăng trên năm 2025, đã trình bày Scientific Reports
một hệ thống tưới tiêu tự động và thông minh. Hệ thống sử dụng kiến trúc Mạng Cảm biến
Không dây (WSN), truyền dữ liệu qua MQTT đến Raspberry Pi và các nền tảng đám mây (có
tham chiếu đến Firebase). Đóng góp chính của công trình là sự kết hợp tiên tiến giữa Công
nghệ điều khiển Mờ (Fuzzy Logic) và Mạng Nơ-ron Sâu (DNN). Hệ thống sử dụng logic mờ để
suy luận và DNN để dự đoán phương pháp tưới tối ưu (nhỏ giọt, phun sương, hay bề mặt),
đồng thời tối ưu hóa định tuyến OSPF để tiết kiệm năng lượng. Kết quả thử nghiệm thực địa
cho thấy hệ thống giúp giảm 30% lượng nước sử dụng và kéo dài tuổi thọ mạng lưới.
https://www.nature.com/articles/s41598-025-98137-2
Công trình “Smart Water Management Platform: IoT-Based Precision Irrigation for
Agriculture” của Martins, R.L., Pires, L., và cộng sự, công bố trên tạp chí năm 2019, đãSensors
giới thiệu nền tảng Quản lý Nước Thông minh (SWAMP). Nền tảng này được thiết kế theo kiến
trúc bốn lớp toàn diện: Tầng thiết bị (cảm biến LoRaWAN, drone WiFi), Tầng thu thập dữ liệu
(sử dụng Mosquitto MQTT Broker, LoRa Server), Tầng quản lý dữ liệu (FIWARE, Kafka) và
Tầng mô hình tưới (Analytics, ML). Đóng góp chính của nghiên cứu là trình bày một kiến trúc
đường ống dữ liệu (data pipeline) cấp doanh nghiệp, linh hoạt, hỗ trợ cả mô hình cloud-only và
hybrid fog-cloud. Hệ thống đã được triển khai và chứng minh khả năng nhân rộng tại bốn địa
điểm thí điểm ở Brazil và Châu Âu, sử dụng Mosquitto MQTT làm lõi truyền tin nhẹ và hiệu quả.
https://www.mdpi.com/1424-8220/19/2/276
Bài tổng quan nền tảng “IoT-Based Smart Irrigation Systems: An Overview on Recent
Trends” (với hơn 501 trích dẫn) của García, L., Parra, L., và cộng sự, được công bố trên
Sensors năm 2020, là một tài liệu tham khảo cốt lõi. Công trình này tập trung vào việc phân tích
hệ thống toàn diện 160 bài báo nghiên cứu về tưới tiêu thông minh IoT. Đóng góp chính của bài
báo là thiết lập một khung phân loại (classification framework) các thông số giám sát (nước,
khiển (Arduino, Raspberry Pi, ESP8266/ESP32). Nghiên cứu đã xác định các xu hướng thống
trị (như ESP32, WiFi/LoRa), lập bản đồ phân bổ nghiên cứu toàn cầu (bao gồm cả Đông Nam
Á) và chỉ ra các khoảng trống nghiên cứu (như tích hợp ML), cung cấp cơ sở phương pháp
luận vững chắc cho lĩnh vực này. https://www.mdpi.com/1424-8220/20/4/1042
Bài tổng quan mới nhất “Internet of Things-Based Automated Solutions Utilizing
Machine Learning for Smart Irrigation: A Review” của Nsoh, B., Katimbo, A., và cộng sự, đăng
trên năm 2024, đã tổng hợp các giải pháp tưới tiêu tự động tiên tiến. Nghiên cứu tập Sensors
trung đặc biệt vào Edge Computing (Điện toán Biên) và việc triển khai ML trên các thiết bị tài
nguyên hạn chế như ESP32, Arduino và Raspberry Pi. Đóng góp chính của công trình là cung
cấp các chuẩn hiệu suất (benchmarks) định lượng cập nhật: các hệ thống có hỗ trợ AI đạt được
mức giảm 35% lượng nước sử dụng, tăng 20-25% năng suất cây trồng và tăng 40% hiệu quả
vận hành. Bài báo cũng nhấn mạnh tầm quan trọng của kiến trúc hybrid edge-cloud để đảm bảo
hoạt động tự trị ngay cả khi mất kết nối, đồng thời chỉ ra thách thức về bộ nhớ (ví dụ: 520KB
SRAM của ESP32) khi triển khai các mô hình phức tạp. https://www.mdpi.com/1424-
8220/24/23/7480
Nghiên cứu “Prediction of Greenhouse Tomato Crop Evapotranspiration Using XGBoost
Machine Learning Model” của Ge, J., Zhao, L., và cộng sự, được công bố trên tạp chí Plants
năm 2022, đã phát triển một mô hình dựa trên XGBoost (XGBR-ET). Mô hình này tập trung vào
việc dự đoán sự bốc thoát hơi nước (ET) hàng ngày của cây cà chua trong nhà kính tại miền
trung Trung Quốc, sử dụng tám đầu vào khí tượng (như bức xạ mặt trời ròng (Rn), nhiệt độ, độ
ẩm). Đóng góp chính của nghiên cứu là chỉ ra hiệu suất vượt trội của XGBoost, đạt R²=0.981,
vượt qua bảy thuật toán so sánh khác (bao gồm GBR, SVR, và Random Forest). Phân tích độ
quan trọng của đặc trưng (feature ablation) xác định rằng bức xạ ròng (Rn) và độ ẩm tương đối
(RH) là những yếu tố quan trọng nhất, cung cấp hướng dẫn giá trị cho việc lựa chọn cảm biến
và xác thực sự cần thiết của việc tích hợp API thời tiết. https://www.mdpi.com/2223-
7747/11/15/1923
Công trình đột phá “SMRFR: A global multilayer soil moisture dataset generated using
Random Forest” của Liu, Y., Zha, Y., và cộng sự, được đăng trên năm 2025, đã Scientific Data
phát triển SMRFR. Đây là một bộ dữ liệu độ ẩm đất đa tầng trên quy mô toàn cầu (độ phân giải
9km, 5 lớp sâu từ 0-100 cm) được tạo ra bằng mô hình Random Forest (RF). Mô hình RF,
được huấn luyện trên 433 trạm ISMN chất lượng cao và dữ liệu đa nguồn (ERA5-Land, MODIS
NDVI), đã được chọn sau khi so sánh với SVR và KNN. Đóng góp chính của nghiên cứu là khả
năng dự đoán vượt trội của RF (hệ số tương quan 0.947-0.982) so với các mô hình dựa trên
vật lý. Tuy nhiên, độ phân giải 9km có thể không đủ chi tiết cho các ứng dụng tưới tiêu quy mô
trang trại, vốn đòi hỏi các mô hình dự đoán cục bộ, độ phân giải cao hơn.
https://www.nature.com/articles/s41597-025-05511-w
Nghiên cứu “Soil moisture retrieval over agricultural region through machine learning
and sentinel 1 observations” của Lakra, D., Pipil, S., và cộng sự, công bố trên Frontiers in
Remote Sensing năm 2025, đã so sánh năm mô hình ML/DL. Hệ thống tập trung vào việc dự
đoán độ ẩm đất trên các cánh đồng lúa mì bằng cách sử dụng dữ liệu Radar Khẩu độ Tổng hợp
(SAR) từ vệ tinh Sentinel-1. Dữ liệu mặt đất được thu thập bằng cảm biến HydraGO ở độ sâu 5
cm. Đóng góp chính là việc xác định Random Forest (RF) cho thấy hiệu suất vượt trội và tính
tổng quát hóa tốt nhất (R²=0.88 khi huấn luyện, R²=0.61 khi kiểm tra), và đã được sử dụng để
tạo ra các bản đồ độ ẩm không gian cho việc quản lý tưới tiêu. Hạn chế của phương pháp này
là chỉ đo ở độ sâu 5 cm và tần suất chụp ảnh của Sentinel-1 (~6 ngày) không phù hợp cho các
quyết định tưới tiêu thời gian thực.
https://www.frontiersin.org/journals/remote-sensing/articles/10.3389/frsen.2024.1513620/full
Công trình “A TinyML-based System For Smart Agriculture” của Tsoukas, V., Gkogkidis,
A., & Kakarountas, A., trình bày tại hội nghị , đã giải quyết các thách thức của ACM (PCI 2022)
IoT truyền thống (như phụ thuộc internet, chi phí dữ liệu). Nghiên cứu tập trung vào việc triển
khai một hệ thống tưới tiêu tự trị dựa trên TinyML, chạy mô hình mạng nơ-ron dự đoán độ ẩm
đất trực tiếp trên thiết bị Seeed Studio Wio Terminal (ARM Cortex-M4F, 192KB SRAM). Đóng
góp chính của nghiên cứu là việc sử dụng nền tảng Edge Impulse và các kỹ thuật lượng tử hóa
(quantization) để tối ưu hóa và triển khai mô hình nơ-ron trong bộ nhớ cực kỳ hạn chế, cho
phép suy luận tại chỗ (on-device inference) mà không cần đám mây. Mặc dù Wio Terminal có ít
tài nguyên hơn ESP32 (520KB SRAM), nghiên cứu này đã chứng minh tính khả thi của việc
triển khai ML trên vi điều khiển. https://dl.acm.org/doi/10.1145/3575879.3575994
Một nghiên cứu của nhóm tác giả Thổ Nhĩ Kỳ, “Development of IoT and AI based Smart
Irrigation System” (bản thảo năm 2025), đã phát triển một hệ thống tưới tiêu thông minh arXiv
dựa trên ESP32. Hệ thống này nổi bật với ba chế độ hoạt động: Thủ công, Tự động (dựa trên
ngưỡng) và AI (dự đoán bằng LSTM). Các mô hình Mạng Bộ nhớ Dài-Ngắn hạn (LSTM) được
huấn luyện bằng TensorFlow/Keras trên dữ liệu lịch sử (nhiệt độ, độ ẩm, độ ẩm đất) lưu trữ trên
Google Sheets, với ba mô hình riêng biệt cho ba chậu cây. Đóng góp chính là hiệu suất dự
đoán xuất sắc của mô hình LSTM, đạt MAE (Sai số tuyệt đối trung bình) là 0.014. Tuy nhiên,
một hạn chế đáng kể là mô hình AI (LSTM) được thực thi thông qua một tập lệnh Python
(Python script) thay vì chạy trực tiếp trên firmware của ESP32, cho thấy sự phụ thuộc vào máy
chủ hoặc đám mây cho chế độ AI. https://arxiv.org/html/2506.11835v1
Bài báo đột phá “XGBoost: A Scalable Tree Boosting System” của Chen, T., & Guestrin, C.,
được trao giải Bài báo Xuất sắc nhất tại , là tài liệu nền tảng giới thiệu thuật toánACM (KDD '16)
XGBoost. Với hơn 43.599 trích dẫn, công trình này trình bày một hệ thống tăng cường cây (tree
boosting) có khả năng mở rộng, hiệu quả và đã trở thành tiêu chuẩn cho các bài toán dữ liệu có
cấu trúc/dạng bảng. Đóng góp chính là việc giới thiệu các thuật toán mới như thuật toán nhận
biết độ thưa thớt (sparsity-aware) và phác thảo lượng tử có trọng số (weighted quantile sketch),
cùng các tối ưu hóa về truy cập bộ nhớ cache. Trong nông nghiệp, XGBoost đã trở thành
phương pháp vượt trội để dự đoán năng suất, chất lượng đất và tối ưu hóa tưới tiêu nhờ khả
năng mô hình hóa các mối quan hệ phi tuyến phức tạp và cung cấp bảng xếp hạng tầm quan
trọng của đặc trưng. https://dl.acm.org/doi/10.1145/2939672.2939785
Bài tổng quan “Precision Irrigation Management Using Machine Learning and Digital
Farming Solutions” của Abioye, E.A., và cộng sự (bao gồm đồng tác giả Abidin, M.S.Z. từ Đại
học Công nghệ Malaysia), được đăng trên năm 2022, đã cung cấp một cái AgriEngineering
trọng trong khu vực: biến đổi khí hậu ảnh hưởng đến mô hình mưa nhiệt đới, quy mô trang trại
nhỏ lẻ (thường dưới 0.5 ha) và kết nối internet hạn chế ở vùng nông thôn. Đóng góp chính của
bài báo là phân tích các giải pháp ML (bao gồm Random Forest, boosting) và IoT chi phí thấp
(ESP32, Arduino) phù hợp với bối cảnh SEA. Công trình cung cấp các chuẩn hiệu suất thực tế
trong khu vực: các hệ thống ML đạt được cải thiện 15% về hiệu quả sử dụng nước và tăng
11% năng suất cây trồng. https://www.mdpi.com/2624-7402/4/1/6

Tài liệu khác của Học viện Công Nghệ Bưu Chính Viễn Thông

Preview text:

Nghiên cứu “IoT-Enabled Smart Drip Irrigation System Using ESP32” của nhóm tác giả
Pereira, G.P., Chaari, M.Z., & Daroge, F., được đăng trên tạp chí IoT vào năm 2023, đã trình
bày một hệ thống tưới nhỏ giọt IoT sử dụng vi điều khiển lõi kép ESP32 làm bộ xử lý trung tâm.
Hệ thống tập trung vào việc tích hợp một bộ cảm biến đa dạng gồm cảm biến độ ẩm đất
DFRobot, cảm biến nhiệt độ DS18B20, DHT22 và cảm biến lưu lượng nước FS300A. Quyết
định tưới được đưa ra một cách thông minh dựa trên các ngưỡng độ ẩm và khung giờ tối ưu
(8-10h sáng, 5-7h chiều), với dữ liệu được truyền qua Wi-Fi đến nền tảng Blynk để giám sát từ
xa. Đóng góp chính của nghiên cứu là việc triển khai và kiểm nghiệm thực tế hệ thống trên cây
hành tây xanh tại Qatar, xác thực tính hiệu quả của kiến trúc ESP32 chi phí thấp. Tuy nhiên, hệ
thống này chỉ giới hạn ở phương pháp tưới nhỏ giọt, phụ thuộc vào Wi-Fi và chưa tích hợp API
thời tiết hay các mô hình học máy. https://www.mdpi.com/2624-831X/4/3/12
Công trình “IoT-enabled smart agriculture for improving water management using
embedded systems and Server-Sent Events” của Morchid, A. và cộng sự, được công bố trên
tạp chí Scientific African vào năm 2024, đã giới thiệu một kiến trúc hệ thống nông nghiệp thông
minh. Hệ thống tập trung vào việc sử dụng ESP32 (lõi kép LX6) đóng vai trò kép: vừa là bộ điều
khiển nhúng vừa là một web server. Thay vì các giao thức IoT truyền thống, nghiên cứu này sử
dụng công nghệ Server-Sent Events (SSE) để truyền dữ liệu thời gian thực (từ cảm biến
DHT22, độ ẩm đất, mực nước) qua HTTP, cho phép cập nhật tự động mỗi 20 giây mà không
cần polling. Đóng góp chính của nghiên cứu là việc triển khai mới lạ công nghệ SSE và vai trò
kép của ESP32, giúp giảm sự phụ thuộc vào đám mây. Hạn chế của hệ thống là chưa có ứng
dụng di động, không tích hợp API thời tiết và thiếu vắng các thuật toán ML/AI.
https://www.sciencedirect.com/science/article/pii/S2468227624004691?via%3Dihub
Nghiên cứu “High-technology agriculture system to enhance food security using IoT and
cloud computing” của Morchid, A. và cộng sự, đăng trên Journal of the Saudi Society of
Agricultural Sciences năm 2024, đã phát triển một hệ thống nông nghiệp công nghệ cao. Hệ
thống sử dụng ESP32 32-bit để điều phối các cảm biến (DHT22, độ ẩm đất) và thiết bị truyền
động (máy bơm kép). Dữ liệu được thu thập và truyền đến nền tảng đám mây ThingSpeak,
trong khi ứng dụng di động ThingView cho phép nông dân giám sát. Nghiên cứu cũng áp dụng
phương pháp luận phát triển phần mềm V-model và hiệu chỉnh toán học cho cảm biến mực
nước siêu âm HC-SR04. Đóng góp chính và nổi bật của công trình là kết quả thực nghiệm cho
thấy hệ thống giúp giảm 70% lượng nước tiêu thụ so với các phương pháp truyền thống. Tuy
nhiên, hệ thống không tích hợp dự báo thời tiết và chưa ứng dụng ML/AI.
https://www.sciencedirect.com/science/article/pii/S1658077X24000079?via%3Dihub
Một nghiên cứu từ nhóm tác giả Ma-rốc, “IoT-based smart irrigation management
system to enhance agricultural water security”, được công bố trên Smart Agricultural
Technology năm 2024, đã đề xuất một hệ thống quản lý tưới tiêu thông minh. Hệ thống tập
trung vào kiến trúc ba tầng mô-đun: Tầng thiết bị IoT (ESP32, DHT22, cảm biến độ ẩm), Tầng
đám mây ThingsBoard (xử lý dữ liệu, bộ máy quy tắc), và Tầng Bảng điều khiển (trực quan
hóa). Dữ liệu được truyền qua HTTP với định dạng JSON. Đóng góp chính của nghiên cứu là
việc tận dụng Rule Engine (Bộ máy Quy tắc) tích hợp sẵn của nền tảng ThingsBoard. Điều này
cho phép cấu hình logic (low-code) để tự động kích hoạt máy bơm dựa trên ngưỡng độ ẩm và
gửi cảnh báo qua email. Hạn chế của hệ thống là yêu cầu kết nối internet ổn định và không đề
cập đến việc tích hợp API thời tiết. https://www.researchgate.net/publication/383789362_IoT-
Based_Smart_Irrigation_Management_System_to_Enhance_Agricultural_Water_Security_usin
g_Embedded_Systems_Telemetry_Data_and_Cloud_Computing
Nghiên cứu “Intelligent and automatic irrigation system using fuzzy control technology”
của Liu, X., Zhao, Z., và Rezaeipanah, A., đăng trên Scientific Reports năm 2025, đã trình bày
một hệ thống tưới tiêu tự động và thông minh. Hệ thống sử dụng kiến trúc Mạng Cảm biến
Không dây (WSN), truyền dữ liệu qua MQTT đến Raspberry Pi và các nền tảng đám mây (có
tham chiếu đến Firebase). Đóng góp chính của công trình là sự kết hợp tiên tiến giữa Công
nghệ điều khiển Mờ (Fuzzy Logic) và Mạng Nơ-ron Sâu (DNN). Hệ thống sử dụng logic mờ để
suy luận và DNN để dự đoán phương pháp tưới tối ưu (nhỏ giọt, phun sương, hay bề mặt),
đồng thời tối ưu hóa định tuyến OSPF để tiết kiệm năng lượng. Kết quả thử nghiệm thực địa
cho thấy hệ thống giúp giảm 30% lượng nước sử dụng và kéo dài tuổi thọ mạng lưới.
https://www.nature.com/articles/s41598-025-98137-2
Công trình “Smart Water Management Platform: IoT-Based Precision Irrigation for
Agriculture” của Martins, R.L., Pires, L., và cộng sự, công bố trên tạp chí Sensors năm 2019, đã
giới thiệu nền tảng Quản lý Nước Thông minh (SWAMP). Nền tảng này được thiết kế theo kiến
trúc bốn lớp toàn diện: Tầng thiết bị (cảm biến LoRaWAN, drone WiFi), Tầng thu thập dữ liệu
(sử dụng Mosquitto MQTT Broker, LoRa Server), Tầng quản lý dữ liệu (FIWARE, Kafka) và
Tầng mô hình tưới (Analytics, ML). Đóng góp chính của nghiên cứu là trình bày một kiến trúc
đường ống dữ liệu (data pipeline) cấp doanh nghiệp, linh hoạt, hỗ trợ cả mô hình cloud-only và
hybrid fog-cloud. Hệ thống đã được triển khai và chứng minh khả năng nhân rộng tại bốn địa
điểm thí điểm ở Brazil và Châu Âu, sử dụng Mosquitto MQTT làm lõi truyền tin nhẹ và hiệu quả.
https://www.mdpi.com/1424-8220/19/2/276
Bài tổng quan nền tảng “IoT-Based Smart Irrigation Systems: An Overview on Recent
Trends” (với hơn 501 trích dẫn) của García, L., Parra, L., và cộng sự, được công bố trên
Sensors năm 2020, là một tài liệu tham khảo cốt lõi. Công trình này tập trung vào việc phân tích
hệ thống toàn diện 160 bài báo nghiên cứu về tưới tiêu thông minh IoT. Đóng góp chính của bài
báo là thiết lập một khung phân loại (classification framework) các thông số giám sát (nước,
đất, thời tiết), phân tích các công nghệ không dây (WiFi, LoRa, ZigBee) và các nền tảng vi điều
khiển (Arduino, Raspberry Pi, ESP8266/ESP32). Nghiên cứu đã xác định các xu hướng thống
trị (như ESP32, WiFi/LoRa), lập bản đồ phân bổ nghiên cứu toàn cầu (bao gồm cả Đông Nam
Á) và chỉ ra các khoảng trống nghiên cứu (như tích hợp ML), cung cấp cơ sở phương pháp
luận vững chắc cho lĩnh vực này. https://www.mdpi.com/1424-8220/20/4/1042
Bài tổng quan mới nhất “Internet of Things-Based Automated Solutions Utilizing
Machine Learning for Smart Irrigation: A Review” của Nsoh, B., Katimbo, A., và cộng sự, đăng
trên Sensors năm 2024, đã tổng hợp các giải pháp tưới tiêu tự động tiên tiến. Nghiên cứu tập
trung đặc biệt vào Edge Computing (Điện toán Biên) và việc triển khai ML trên các thiết bị tài
nguyên hạn chế như ESP32, Arduino và Raspberry Pi. Đóng góp chính của công trình là cung
cấp các chuẩn hiệu suất (benchmarks) định lượng cập nhật: các hệ thống có hỗ trợ AI đạt được
mức giảm 35% lượng nước sử dụng, tăng 20-25% năng suất cây trồng và tăng 40% hiệu quả
vận hành. Bài báo cũng nhấn mạnh tầm quan trọng của kiến trúc hybrid edge-cloud để đảm bảo
hoạt động tự trị ngay cả khi mất kết nối, đồng thời chỉ ra thách thức về bộ nhớ (ví dụ: 520KB
SRAM của ESP32) khi triển khai các mô hình phức tạp. https://www.mdpi.com/1424- 8220/24/23/7480
Nghiên cứu “Prediction of Greenhouse Tomato Crop Evapotranspiration Using XGBoost
Machine Learning Model” của Ge, J., Zhao, L., và cộng sự, được công bố trên tạp chí Plants
năm 2022, đã phát triển một mô hình dựa trên XGBoost (XGBR-ET). Mô hình này tập trung vào
việc dự đoán sự bốc thoát hơi nước (ET) hàng ngày của cây cà chua trong nhà kính tại miền
trung Trung Quốc, sử dụng tám đầu vào khí tượng (như bức xạ mặt trời ròng (Rn), nhiệt độ, độ
ẩm). Đóng góp chính của nghiên cứu là chỉ ra hiệu suất vượt trội của XGBoost, đạt R²=0.981,
vượt qua bảy thuật toán so sánh khác (bao gồm GBR, SVR, và Random Forest). Phân tích độ
quan trọng của đặc trưng (feature ablation) xác định rằng bức xạ ròng (Rn) và độ ẩm tương đối
(RH) là những yếu tố quan trọng nhất, cung cấp hướng dẫn giá trị cho việc lựa chọn cảm biến
và xác thực sự cần thiết của việc tích hợp API thời tiết. https://www.mdpi.com/2223- 7747/11/15/1923
Công trình đột phá “SMRFR: A global multilayer soil moisture dataset generated using
Random Forest” của Liu, Y., Zha, Y., và cộng sự, được đăng trên Scientific Data năm 2025, đã
phát triển SMRFR. Đây là một bộ dữ liệu độ ẩm đất đa tầng trên quy mô toàn cầu (độ phân giải
9km, 5 lớp sâu từ 0-100 cm) được tạo ra bằng mô hình Random Forest (RF). Mô hình RF,
được huấn luyện trên 433 trạm ISMN chất lượng cao và dữ liệu đa nguồn (ERA5-Land, MODIS
NDVI), đã được chọn sau khi so sánh với SVR và KNN. Đóng góp chính của nghiên cứu là khả
năng dự đoán vượt trội của RF (hệ số tương quan 0.947-0.982) so với các mô hình dựa trên
vật lý. Tuy nhiên, độ phân giải 9km có thể không đủ chi tiết cho các ứng dụng tưới tiêu quy mô
trang trại, vốn đòi hỏi các mô hình dự đoán cục bộ, độ phân giải cao hơn.
https://www.nature.com/articles/s41597-025-05511-w
Nghiên cứu “Soil moisture retrieval over agricultural region through machine learning
and sentinel 1 observations” của Lakra, D., Pipil, S., và cộng sự, công bố trên Frontiers in
Remote Sensing năm 2025, đã so sánh năm mô hình ML/DL. Hệ thống tập trung vào việc dự
đoán độ ẩm đất trên các cánh đồng lúa mì bằng cách sử dụng dữ liệu Radar Khẩu độ Tổng hợp
(SAR) từ vệ tinh Sentinel-1. Dữ liệu mặt đất được thu thập bằng cảm biến HydraGO ở độ sâu 5
cm. Đóng góp chính là việc xác định Random Forest (RF) cho thấy hiệu suất vượt trội và tính
tổng quát hóa tốt nhất (R²=0.88 khi huấn luyện, R²=0.61 khi kiểm tra), và đã được sử dụng để
tạo ra các bản đồ độ ẩm không gian cho việc quản lý tưới tiêu. Hạn chế của phương pháp này
là chỉ đo ở độ sâu 5 cm và tần suất chụp ảnh của Sentinel-1 (~6 ngày) không phù hợp cho các
quyết định tưới tiêu thời gian thực.
https://www.frontiersin.org/journals/remote-sensing/articles/10.3389/frsen.2024.1513620/full
Công trình “A TinyML-based System For Smart Agriculture” của Tsoukas, V., Gkogkidis,
A., & Kakarountas, A., trình bày tại hội nghị ACM (PCI 2022), đã giải quyết các thách thức của
IoT truyền thống (như phụ thuộc internet, chi phí dữ liệu). Nghiên cứu tập trung vào việc triển
khai một hệ thống tưới tiêu tự trị dựa trên TinyML, chạy mô hình mạng nơ-ron dự đoán độ ẩm
đất trực tiếp trên thiết bị Seeed Studio Wio Terminal (ARM Cortex-M4F, 192KB SRAM). Đóng
góp chính của nghiên cứu là việc sử dụng nền tảng Edge Impulse và các kỹ thuật lượng tử hóa
(quantization) để tối ưu hóa và triển khai mô hình nơ-ron trong bộ nhớ cực kỳ hạn chế, cho
phép suy luận tại chỗ (on-device inference) mà không cần đám mây. Mặc dù Wio Terminal có ít
tài nguyên hơn ESP32 (520KB SRAM), nghiên cứu này đã chứng minh tính khả thi của việc
triển khai ML trên vi điều khiển. https://dl.acm.org/doi/10.1145/3575879.3575994
Một nghiên cứu của nhóm tác giả Thổ Nhĩ Kỳ, “Development of IoT and AI based Smart
Irrigation System” (bản thảo arXiv năm 2025), đã phát triển một hệ thống tưới tiêu thông minh
dựa trên ESP32. Hệ thống này nổi bật với ba chế độ hoạt động: Thủ công, Tự động (dựa trên
ngưỡng) và AI (dự đoán bằng LSTM). Các mô hình Mạng Bộ nhớ Dài-Ngắn hạn (LSTM) được
huấn luyện bằng TensorFlow/Keras trên dữ liệu lịch sử (nhiệt độ, độ ẩm, độ ẩm đất) lưu trữ trên
Google Sheets, với ba mô hình riêng biệt cho ba chậu cây. Đóng góp chính là hiệu suất dự
đoán xuất sắc của mô hình LSTM, đạt MAE (Sai số tuyệt đối trung bình) là 0.014. Tuy nhiên,
một hạn chế đáng kể là mô hình AI (LSTM) được thực thi thông qua một tập lệnh Python
(Python script) thay vì chạy trực tiếp trên firmware của ESP32, cho thấy sự phụ thuộc vào máy
chủ hoặc đám mây cho chế độ AI. https://arxiv.org/html/2506.11835v1
Bài báo đột phá “XGBoost: A Scalable Tree Boosting System” của Chen, T., & Guestrin, C.,
được trao giải Bài báo Xuất sắc nhất tại ACM (KDD '16), là tài liệu nền tảng giới thiệu thuật toán
XGBoost. Với hơn 43.599 trích dẫn, công trình này trình bày một hệ thống tăng cường cây (tree
boosting) có khả năng mở rộng, hiệu quả và đã trở thành tiêu chuẩn cho các bài toán dữ liệu có
cấu trúc/dạng bảng. Đóng góp chính là việc giới thiệu các thuật toán mới như thuật toán nhận
biết độ thưa thớt (sparsity-aware) và phác thảo lượng tử có trọng số (weighted quantile sketch),
cùng các tối ưu hóa về truy cập bộ nhớ cache. Trong nông nghiệp, XGBoost đã trở thành
phương pháp vượt trội để dự đoán năng suất, chất lượng đất và tối ưu hóa tưới tiêu nhờ khả
năng mô hình hóa các mối quan hệ phi tuyến phức tạp và cung cấp bảng xếp hạng tầm quan
trọng của đặc trưng. https://dl.acm.org/doi/10.1145/2939672.2939785
Bài tổng quan “Precision Irrigation Management Using Machine Learning and Digital
Farming Solutions” của Abioye, E.A., và cộng sự (bao gồm đồng tác giả Abidin, M.S.Z. từ Đại
học Công nghệ Malaysia), được đăng trên AgriEngineering năm 2022, đã cung cấp một cái
nhìn toàn diện với bối cảnh Đông Nam Á (SEA). Nghiên cứu tập trung vào các thách thức quan
trọng trong khu vực: biến đổi khí hậu ảnh hưởng đến mô hình mưa nhiệt đới, quy mô trang trại
nhỏ lẻ (thường dưới 0.5 ha) và kết nối internet hạn chế ở vùng nông thôn. Đóng góp chính của
bài báo là phân tích các giải pháp ML (bao gồm Random Forest, boosting) và IoT chi phí thấp
(ESP32, Arduino) phù hợp với bối cảnh SEA. Công trình cung cấp các chuẩn hiệu suất thực tế
trong khu vực: các hệ thống ML đạt được cải thiện 15% về hiệu quả sử dụng nước và tăng
11% năng suất cây trồng. https://www.mdpi.com/2624-7402/4/1/6

Tài liệu liên quan: