Với mục tiêu xây dựng một hệ thống linh hoạt, chính xác và dễ triển khai, đề tài này không chỉ góp phần nâng cao hiệu quả giám sát chất lượng không khí mà còn mở ra cơ hội ứng dụng công
Trang 1HỌC VIỆN HÀNG KHÔNG VIỆT NAM
KHOA CÔNG NGHỆ THÔNG TIN
BÁO CÁO THỰC TẬP TỐT NGHIỆP CÔNG NGHỆ THÔNG TIN ỨNG DỤNG MACHINE LEARNING TRONG DỰ ĐOÁN CHẤT LƯỢNG KHÔNG KHÍ VÀ NGUY CƠ NGẬP ÚNG TẠI TP.HCM Giảng viên hướng dẫn: Ts.Trần Hoàng Lộc
Nhóm sinh viên thực hiện: Nhóm 28
Mã số sinh viên:
Lớp: 010100087801
TP.Hồ Chí Minh, tháng 04/2025
Trang 2HỌC VIỆN HÀNG KHÔNG VIỆT NAM
KHOA CÔNG NGHỆ THÔNG TIN
BÁO CÁO THỰC TẬP TỐT NGHIỆP CÔNG NGHỆ THÔNG TIN ỨNG DỤNG MACHINE LEARNING TRONG DỰ ĐOÁN CHẤT LƯỢNG KHÔNG KHÍ VÀ NGUY CƠ NGẬP ÚNG TẠI TP.HCM Giảng viên hướng dẫn: Ts.Trần Hoàng Lộc
Nhóm sinh viên thực hiện: Nhóm 28
Mã số sinh viên:
Lớp: 010100087801
TP.Hồ Chí Minh, tháng 04/2025
Trang 3Danh sách Nhóm:
1 Nguyễn Khả Lực 2254810317 22ĐHTT03 Nhóm Trưởng
2 Nguyễn Lê Thùy Linh 2254810152 22ĐHTT03
3 Nguyễn Thanh Hải 2254810118 22ĐHTT03
Trang 4DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
IOT Internet of Things
NodeMCU Vi điều khiển ESP8266/ESP32 JSON JavaScript Object Notation
HTTP HyperText Transfer Protocol MQTT Message Queuing Telemetry Transport LCD Liquid Crystal Display
API Application Programming Interface
Trang 5DANH SÁCH HÌNH ẢNH
Hình 2.1 Hình minh họa IOT 6
Hình 2.2 Giao thức truyền dữ liệu 7
Hình 2.3 Hình minh họa các cảm biến 8
Hình 2.4 ESP32 9
Hình 2.5 Arduino IDE 10
Hình 2.6 Flask 11
Hình 2.7 Cảm biến bụi PMS7003 12
Hình 2.8 Cảm biến MQ-7 và MQ-135 13
Hình 2.9 Cảm biến DHT22 14
Hình 2.10 Arduino uno R3 15
Hình 2.11 Thingspeak 16
Hình 2.12 Linear Regression 17
Hình 2.13 Nguyên tắc hoạt động của Random Forest 18
Hình 2.14 Mô hình XGBoost 19
Hình 2.15 Hình ảnh minh họa LiangChain 20
Hình 2.16 Hình ảnh minh họa Gemini 21
Hình 3.1 Sơ đồ hệ thống 24
Hình 3.2 Chi tiết đánh giá ô nhiễm không khí 25
Hình 3.3 Sơ đồ mạch điện 27
Hình 3.4 Công thức tính AQI 28
Hình 3.5 Ví dụ minh họa tính AQI 29
Hình 3.6 Phạm vi AQI và tác động theo từng mức độ 29
Hình 3.7 Ma trận tương quan giữa AQI và các thuộc tính 30
Hình 3.8 Biểu đồ tương quan giữa AQI và các yếu tố khác 31
Hình 3.9 Biểu đồ cột So sánh độ chính xác 32
Hình 3.10 Biểu đồ so sánh AQI thực tế và dự đoán 33
Hình 3.11 Giao diện trang web 35
Hình 3.12 Giao diện dự đoán 36
Trang 6MỤC LỤC
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT i
DANH SÁCH HÌNH ẢNH ii
MỞ ĐẦU 1
CHƯƠNG 1 GIỚI THIỆU 2
1.1 Lý do chọn đề tài 2
1.2 Mục tiêu đề tài 2
1.3 Phạm vi đề tài 3
1.4 Đối tượng nghiên cứu 3
1.5 Phương pháp nghiên cứu 4
1.6 Bố cục đề tài 5
CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 6
2.1 Công nghệ IoT 6
2.2 Giao thức truyền dữ liệu IOT 7
2.3 Các cảm biến thời tiết 8
2.4 Esp32 8
2.5 Arduino IDE 9
2.6 Framework Flask 10
2.7 Cảm biến PMS7003 11
2.8 Cảm biến MQ-7 và MQ-135 12
2.9 Cảm biến DHT22 13
2.10 Cảm biến mưa (Raindrop Module) 14
2.11 Board Arduino Uno 14
2.12 Thingspeak 15
2.13 Thuật toán Linear Regression 16
2.14 Thuật toán Random Forest 17
2.15 Thuật toán XGBoots 18
2.16 LangChain và Gemini 19
CHƯƠNG 3 PHÂN TÍCH HỆ THỐNG VÀ XÂY DỰNG SẢN PHẨM 22
3.1 Phân tích hệ thống 22
3.1.1 Yêu cầu chức năng của hệ thống giám sát ô nhiễm không khí 22
Trang 73.1.2 Yêu cầu phi chức năng của hệ thống giám sát ô nhiễm không khí 22
3.1.3 Mô tả chi tiết hệ thống giám sát ô nhiễm không khí 23
3.1.4 Thiết lập hệ thống và lắp ráp IOT của hệ thống 25
3.1.5 Thu nhập và tiền xử lý dữ liệu cho hệ thống giám sát ô nhiễm không khí.28 3.1.6 Huấn luyện mô hình học máy cho dự đoán chỉ số AQI 32
3.1.7 Trực quan hóa đánh giá mô hình tốt nhất 33
3.2 Giao diện sản phẩm 34
KẾT LUẬN 37
DANH MỤC TÀI LIỆU THAM KHẢO 38
PHỤ LỤC 39
Trang 8MỞ ĐẦU
Trong bối cảnh biến đổi khí hậu ngày càng phức tạp và ô nhiễm không khí trở thành vấn đề nghiêm trọng, nhu cầu giám sát và dự đoán chất lượng không khí ngày càng trở nên cấp thiết Việc theo dõi các chỉ số môi trường như nồng độ bụi mịn (PM), khí CO, nhiệt độ, độ ẩm và các yếu tố liên quan giúp con người có những biện pháp kịp thời để bảo vệ sức khỏe, tài sản cũng như tối ưu hóa hoạt động trong các lĩnh vực như y tế, giao thông và quy hoạch đô thị Tuy nhiên, nhiều hệ thống giám sát chất lượng không khí hiện nay vẫn còn dựa vào phương pháp truyền thống, có độ trễ cao, chi phí vận hành lớn và chưa tận dụng hết tiềm năng của công nghệ hiện đại để cung cấp thông tin nhanh chóng, chính xác đến người dùng.
Đề tài “ Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơ Ngập úng tại TP.HCM” nhằm xây dựng một nền tảng thông minh có khả năng thu thập, xử lý và hiển thị dữ liệu ô nhiễm theo thời gian thực Hệ thống không chỉ cung cấp thông số môi trường chi tiết mà còn tích hợp thuật toán học máy để phân tích và dự đoán xu hướng chất lượng không khí trong tương lai Ngoài ra, hệ thống còn hỗ trợ cảnh báo sớm khi có nguy cơ ô nhiễm tăng cao, giúp người dân, nhà quản
lý môi trường và các tổ chức có thể chủ động ứng phó với các tình huống khẩn cấp Với mục tiêu xây dựng một hệ thống linh hoạt, chính xác và dễ triển khai, đề tài này không chỉ góp phần nâng cao hiệu quả giám sát chất lượng không khí mà còn mở
ra cơ hội ứng dụng công nghệ IoT và trí tuệ nhân tạo vào việc bảo vệ môi trường, phục vụ nhu cầu phát triển bền vững của xã hội trong thời đại công nghệ số.
Trang 9CHƯƠNG 1 GIỚI THIỆU 1.1 Lý do chọn đề tài
Đề tài "Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơNgập úng tại TP.HCM" được lựa chọn trong bối cảnh ô nhiễm không khí ngày càng trầmtrọng và nhu cầu giám sát chất lượng không khí theo thời gian thực ngày càng tăng cao Hiệnnay, nhiều hệ thống quan trắc môi trường vẫn còn hạn chế về tính linh hoạt, độ chính xác vàkhả năng cung cấp dữ liệu nhanh chóng Điều này gây khó khăn cho người dân, doanhnghiệp và các cơ quan quản lý trong việc đưa ra quyết định phù hợp để bảo vệ sức khỏe cộngđồng, giảm thiểu tác động tiêu cực của ô nhiễm không khí và tối ưu hóa các chính sách môitrường
Xây dựng một hệ thống giám sát chất lượng không khí dựa trên IoT giúp thu thập, xử
lý và cung cấp dữ liệu ô nhiễm một cách tự động, nhanh chóng và chính xác Hệ thống nàykhông chỉ hỗ trợ theo dõi các chỉ số quan trọng như nồng độ bụi mịn (PM), khí CO, nhiệt độ,
độ ẩm mà còn tích hợp thuật toán học máy để dự đoán xu hướng ô nhiễm và đưa ra cảnh báosớm khi chất lượng không khí giảm xuống Điều này đặc biệt hữu ích đối với người dânsống trong các khu vực ô nhiễm nặng, những người mắc bệnh hô hấp, cũng như các lĩnh vựcchịu ảnh hưởng trực tiếp từ môi trường như giao thông, y tế và quy hoạch đô thị
Việc áp dụng Machine Learning cũng mở ra cơ hội tối ưu hóa các chính sách môitrường và phát triển bền vững Nhờ vào các dự đoán chính xác về chất lượng không khí vànguy cơ ngập úng, các quyết định về giao thông, đô thị hóa và quản lý môi trường có thểđược đưa ra dựa trên dữ liệu khoa học, giúp tăng cường hiệu quả và sự an toàn cho cộngđồng.Mong rằng đề tài này sẽ đóng góp tích cực vào việc cải thiện môi trường sống và sứckhỏe cộng đồng tại Thành phố Hồ Chí Minh trong thời gian tới
1.2 Mục tiêu đề tài
Đề tài “Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơNgập úng tại TP.HCM” nhằm xây dựng một hệ thống giám sát chất lượng không khí thôngminh Hệ thống này sẽ có khả năng tự động thu thập, xử lý, và hiển thị dữ liệu theo thời gianthực, đồng thời dự đoán chỉ số ô nhiễm bằng thuật toán học máy
Cụ thể, các mục tiêu chính của đề tài bao gồm hai phần chính Phần đầu tiên là xây
Trang 10bụi mịn, MQ-7 và MQ-135 cho khí CO, DHT22 cho nhiệt độ và độ ẩm, cùng với cảm biếnMH-RD cho lượng mưa Các cảm biến này sẽ được kết nối với vi điều khiển ESP32 để thuthập và truyền dữ liệu lên hệ thống một cách hiệu quả.
Phần thứ hai là xây dựng hệ thống phần mềm, bao gồm thiết kế và lập trình hệ thống xử
lý dữ liệu từ các cảm biến, cùng việc lưu trữ và quản lý dữ liệu trên nền tảng đám mây hoặc
cơ sở dữ liệu nội bộ Hệ thống cũng sẽ phát triển giao diện Web/App để hiển thị dữ liệu chấtlượng không khí theo thời gian thực và cung cấp thông tin trực quan cho người dùng, giúp
họ dễ dàng theo dõi tình trạng môi trường xung quanh và đưa ra các quyết định phù hợp.Vớinhững mục tiêu này, đề tài mong muốn đóng góp tích cực vào việc cải thiện chất lượng môitrường và bảo vệ sức khỏe cộng đồng tại Thành phố Hồ Chí Minh
1.3 Phạm vi đề tài
Đề tài “Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơNgập úng tại TP.HCM” tập trung vào việc thiết kế, xây dựng và triển khai hệ thống giám sátchất lượng không khí thông minh, kết hợp công nghệ IoT và học máy để giải quyết vấn đề ônhiễm không khí và ngập úng hiện nay
Phạm vi nghiên cứu của đề tài bao gồm việc thu thập và giám sát các thông số quantrọng ảnh hưởng đến chất lượng không khí, chẳng hạn như nồng độ bụi mịn (PM2.5, PM10)qua cảm biến PMS7003, nồng độ khí CO thông qua cảm biến MQ-7 và MQ-135, nhiệt độ và
độ ẩm từ cảm biến DHT22, cùng với lượng mưa được đo bằng cảm biến MH-RD Hệ thống
sử dụng vi điều khiển ESP32 để kết nối và điều khiển các cảm biến, thu thập dữ liệu vàtruyền tải thông tin lên máy chủ xử lý Để triển khai hệ thống giám sát hiệu quả, phạm vinghiên cứu sẽ tập trung vào các khu vực cụ thể như khu đô thị, khu công nghiệp hoặc trườnghọc, nhằm cung cấp giám sát chi tiết và dễ dàng quản lý hơn trong các môi trường có mật độdân cư và hoạt động công nghiệp cao
Phần mềm phát triển sẽ cung cấp giao diện trực quan trên nền tảng web hoặc ứng dụng
di động, cho phép người dùng theo dõi thông tin chất lượng không khí và sử dụng thuật toánhọc máy để dự đoán xu hướng ô nhiễm và cảnh báo sớm khi có dấu hiệu suy giảm Điều này
sẽ hỗ trợ người dân và các cơ quan quản lý đô thị trong việc đưa ra các biện pháp phòngngừa và ứng phó kịp thời
Trang 111.4 Đối tượng nghiên cứu
Đề tài “Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơNgập úng tại TP.HCM” được thiết kế nhằm đáp ứng nhu cầu giám sát chất lượng không khítheo thời gian thực và cung cấp các giải pháp hỗ trợ cho nhiều nhóm đối tượng khác nhau
Hệ thống này không chỉ giúp cá nhân theo dõi tình trạng môi trường để bảo vệ sức khỏe màcòn hỗ trợ các tổ chức, nhà quản lý trong việc thu thập và phân tích dữ liệu về ô nhiễm khôngkhí
Đối với người dùng cá nhân, hệ thống cung cấp thông tin về chất lượng không khí theothời gian thực, bao gồm các thông số quan trọng như nồng độ bụi mịn (PM2.5, PM10), nồng
độ khí CO, nhiệt độ, độ ẩm, và lượng mưa Người dùng có thể truy cập dữ liệu qua ứng dụngweb hoặc di động, giúp theo dõi mức độ ô nhiễm tại khu vực sinh sống của mình Ngoài ra,
hệ thống còn cung cấp các cảnh báo sớm khi các chỉ số ô nhiễm vượt ngưỡng an toàn, từ đógiúp người dùng có thể chủ động điều chỉnh các hoạt động ngoài trời, lựa chọn lộ trình dichuyển hợp lý, và áp dụng các biện pháp bảo vệ sức khỏe, như đeo khẩu trang hay tránh rangoài khi chất lượng không khí xấu
Đối với nhà quản lý và các tổ chức nghiên cứu, hệ thống cung cấp các công cụ mạnh
mẽ để thu thập, lưu trữ, và phân tích dữ liệu về chất lượng không khí trong một khu vực cụthể Các cơ quan quản lý môi trường, tổ chức nghiên cứu, và chính quyền địa phương có thể
sử dụng dữ liệu này để đánh giá chính xác mức độ ô nhiễm và theo dõi xu hướng biến độngchất lượng không khí theo thời gian Thông qua đó, các cơ quan có thể xây dựng các chínhsách và biện pháp kiểm soát ô nhiễm hiệu quả, hỗ trợ quy hoạch đô thị và triển khai cácchương trình giảm thiểu tác động tiêu cực của ô nhiễm không khí đến sức khỏe cộng đồng.Đồng thời, các nhà nghiên cứu có thể sử dụng dữ liệu này để nghiên cứu các yếu tố ảnhhưởng đến ô nhiễm và phát triển các giải pháp cải thiện môi trường
Với các đối tượng sử dụng đa dạng như vậy, hệ thống sẽ đóng vai trò quan trọng trongviệc nâng cao nhận thức cộng đồng về ô nhiễm không khí, cải thiện chất lượng sống và bảo
vệ sức khỏe cho người dân, đồng thời hỗ trợ các cơ quan chức năng trong công tác quản lý
và xây dựng chính sách môi trường
Trang 121.5 Phương pháp nghiên cứu
Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơ Ngập úng tạiTP.HCM được phát triển thông qua việc thu thập, nghiên cứu và phân tích các tài liệu chuyên ngànhliên quan đến IoT, cảm biến chất lượng không khí, giao thức truyền dữ liệu, phương pháp tính toánchỉ số AQI và thuật toán học máy trong dự đoán ô nhiễm Để thực hiện nghiên cứu này, các nguồntài liệu bao gồm tài liệu chuyên ngành về IoT và các cảm biến môi trường, nhằm hiểu rõ nguyên lýhoạt động của các cảm biến như PMS7003 (đo bụi mịn PM2.5, PM10), MQ-7 và MQ-135 (đo khíCO), DHT22 (đo nhiệt độ và độ ẩm), và MH-RD (đo lượng mưa) Hệ thống nghiên cứu cũng thamkhảo các hướng dẫn kỹ thuật trực tuyến và mã nguồn mở để thiết kế và triển khai hệ thống IoT thuthập dữ liệu môi trường Ngoài ra, việc nghiên cứu các hệ thống giám sát chất lượng không khí hiện
có cũng được thực hiện để phân tích ưu và nhược điểm, từ đó đề xuất giải pháp cải tiến cho hệ thốngnghiên cứu Đặc biệt, tài liệu về phương pháp tính toán AQI theo tiêu chuẩn QCVN (Việt Nam) vàEPA (Hoa Kỳ) sẽ được áp dụng nhằm tính toán chính xác chất lượng không khí dựa trên dữ liệu cảmbiến thu thập được
Về phương pháp định tính, nghiên cứu tập trung vào việc phân tích yêu cầu hệ thống và xácđịnh nhu cầu của các nhóm người dùng khác nhau, bao gồm người dùng cá nhân, nhà nghiên cứu vàcác cơ quan môi trường Quá trình này đánh giá khả năng ứng dụng của công nghệ IoT và học máytrong việc giám sát và dự đoán chất lượng không khí Ngoài ra, các tính năng cần thiết của hệ thốngcũng sẽ được xác định, bao gồm thu thập dữ liệu thời gian thực, tính toán chỉ số AQI, sử dụng môhình học máy để dự đoán xu hướng ô nhiễm, hiển thị dữ liệu trên giao diện web/app và cung cấpcảnh báo khi chất lượng không khí xuống thấp
Đối với phương pháp định lượng, dữ liệu thu thập từ các cảm biến sẽ được phân tích kỹ lưỡng,bao gồm các thông số như nhiệt độ, độ ẩm, nồng độ bụi mịn PM2.5/PM10, và khí CO, nhằm đảmbảo độ chính xác và ổn định của dữ liệu Chỉ số AQI sẽ được tính toán theo các phương pháp củaQCVN và EPA, sau đó so sánh và đánh giá sự khác biệt giữa hai phương pháp Các mô hình họcmáy như Random Forest, Gradient Boosting và LSTM sẽ được huấn luyện và đánh giá dựa trên dữliệu lịch sử, giúp dự đoán chính xác chỉ số AQI trong tương lai Cuối cùng, quá trình tối ưu hóa cơ
sở dữ liệu sẽ được thực hiện để đảm bảo hệ thống có thể truy vấn nhanh chóng và hỗ trợ lưu trữ dữliệu lâu dài, phục vụ cho công tác giám sát và dự đoán chất lượng không khí một cách hiệu quả
1.6 Bố cục đề tài
Chương 2 của báo cáo tiểu luận cung cấp cơ sở lý thuyết cần thiết để thiết kế và pháttriển một Ứng dụng Machine Learning trong Dự đoán Chất lượng Không khí và Nguy cơ
Trang 13Ngập úng tại TP.HCM Chương này tập trung vào các kiến thức liên quan đến công nghệIoT, cảm biến thời tiết, các giao thức truyền dữ liệu và hệ thống lưu trữ dữ liệu.
Chương 3 trình bày quá trình thiết kế Ứng dụng Machine Learning trong Dự đoánChất lượng Không khí và Nguy cơ Ngập úng tại TP.HCM Chương này tập trung vào:thiết kế kiến trúc mô hình, phân tích chức năng hệ thống, nguyên lí hoạt động của các cảmbiến
Chương 4 trình bày về kết luận của đề tài và hướng phát triển tương lai của đề tài Ởchương này cũng đề cập và nêu ra những nhược điểm mà hệ thống cần phát triển trongtương lai
Trang 14CHƯƠNG 2 CƠ SỞ LÝ THUYẾT
Để xây dựng hệ thống báo cáo thời tiết dựa trên IoT, cần lựa chọn và áp dụng các cơ sở
lý thuyết phù hợp, bao gồm các kiến thức về công nghệ IoT, cảm biến thời tiết, giao thứctruyền dữ liệu, hệ quản trị cơ sở dữ liệu và thiết kế giao diện người dùng Việc lựa chọn cáccông nghệ và phương pháp phù hợp đóng vai trò quan trọng trong việc đảm bảo hệ thốnghoạt động ổn định, có độ chính xác cao và dễ dàng mở rộn Chương này sẽ trình bày các nềntảng công nghệ quan trọng giúp định hướng quá trình xây dựng và phát triển hệ thống mộtcách bài bản, khoa học và hiệu quả, đáp ứng đầy đủ các yêu cầu đề ra
2.1 Công nghệ IoT
Lịch sử hình thành và phát triển: Khái niệm Internet of Things (IoT) xuất hiện vào cuốinhững năm 1990 và được Kevin Ashton đặt ra vào năm 1999 IoT phát triển mạnh mẽ cùngvới sự phổ biến của các thiết bị kết nối internet, đặc biệt là sau khi công nghệ cảm biến, điệntoán đám mây và mạng không dây phát triển Ngày nay, IoT được ứng dụng rộng rãi trongnhiều lĩnh vực, bao gồm giám sát môi trường, nhà thông minh, y tế và công nghiệp
Khái niệm (định nghĩa): IoT (Internet of Things) là một mạng lưới các thiết bị thôngminh được kết nối với nhau qua internet, cho phép thu thập, truyền và xử lý dữ liệu màkhông cần sự can thiệp trực tiếp của con người
Hình 2.1 Hình minh họa IOT
Điểm mạnh: tự động hóa giúp thu thập và xử lý dữ liệu một cách tự động, có thể kết nốihàng triệu thiết bị cùng lúc, cải thiện khả năng giám sát và quản lý hệ thống
Trang 15Điểm yếu: các thiết bị IoT có thể bị tấn công nếu không có biện pháp bảo mật tốt, khilượng dữ liệu truyền tải quá lớn, có thể xảy ra độ trễ, hệ thống IoT cần phần cứng, phần mềm
và hạ tầng mạng tốt
2.2 Giao thức truyền dữ liệu IOT
Lịch sử hình thành và phát triển: Các giao thức truyền dữ liệu được phát triển từ nhữngnăm 1980 để phục vụ cho mạng máy tính Với sự phát triển của IoT, các giao thức nhưMQTT, HTTP API, WebSocket đã được tối ưu để phù hợp với thiết bị IoT có tài nguyên hạnchế
Khái niệm (định nghĩa): Giao thức truyền dữ liệu trong IoT là tập hợp các quy tắc chophép thiết bị IoT gửi và nhận dữ liệu một cách hiệu quả và ổn định
Hình 2.2 Giao thức truyền dữ liệu
Các loại giao thức phổ biến:
MQTT Nhẹ, tiết kiệm băng thông Gửi dữ liệu cảm biến theo thời gian thựcHTTP API Phổ biến, dễ triển khai Lưu trữ và truy xuất dữ liệu từ serverWebSocket Giữ kết nối liên tục Hiển thị dữ liệu thời gian thực
Trang 162.3 Các cảm biến thời tiết
Các cảm biến khí hậu được nghiên cứu và phát triển từ thế kỷ 19, nhưng chỉ thực sựphổ biến khi công nghệ điện tử phát triển Ngày nay, các cảm biến hiện đại có thể đo chínhxác nhiều thông số môi trường với kích thước nhỏ gọn và tiêu thụ năng lượng thấp
Khái niệm: Cảm biến thời tiết là thiết bị điện tử có khả năng thu thập dữ liệu từ môitrường như nhiệt độ và độ ẩm, bụi và nồng độ khí độc
DHT22: Đo nhiệt độ và độ ẩm được tính bằng °C
MQ-7: Đo nồng độ khí CO (Carbon Monoxide)
MQ-135: Đo nồng độ khí gas để phát hiện cảnh báo
PMS7003: Đo nồng độ bụi mịn PM1.0, PM2.5, PM10 trong không khí
Hình 2.3 Hình minh họa các cảm biến
2.4 Esp32
Lịch sử phát triển: ESP32 được phát triển bởi Espressif Systems và ra mắt vào năm
2016, kế thừa ESP8266 với hiệu suất cao hơn, hỗ trợ Wi-Fi và Bluetooth, trở thành một lựachọn phổ biến trong các ứng dụng IoT
Định nghĩa: ESP32 là một vi điều khiển tích hợp Wi-Fi và Bluetooth, có khả năng thuthập dữ liệu từ cảm biến và gửi lên máy chủ thông qua các giao thức như MQTT, HTTP APIhoặc WebSocket
Ứng dụng trong hệ thống: thu thập dữ liệu từ cảm biến môi trường, xử lý trên thiết bị vàkết nối Wi-Fi hoặc Bluetooth để truyền dữ liệu đến máy chủ hoặc ứng dụng di động.Điểm mạnh: Hỗ trợ Wi-Fi & Bluetooth, CPU lõi kép mạnh mẽ, tiêu thụ điện thấp, bảomật cao, tích hợp nhiều ngoại vi (ADC, DAC, SPI, I2C, UART ), và hỗ trợ phát triển linhhoạt (Arduino, ESP-IDF, MicroPython)
Trang 17Điểm yếu: Tiêu thụ điện cao hơn ESP8266, độ phức tạp lập trình cao hơn, một sốGPIO bị giới hạn do chức năng nội bộ, và giá thành cao hơn so với các vi điều khiểnWi-Fi đơn giản khác.
Hình 2.4 ESP32
2.5 Arduino IDE
Arduino IDE ra mắt năm 2005, ban đầu hỗ trợ vi điều khiển AVR, sau đó mở rộng choESP8266, ESP32, ARM, RISC-V Qua các phiên bản, IDE liên tục được cải tiến với giaodiện thân thiện hơn, hệ thống quản lý thư viện tiện lợi, hỗ trợ cập nhật chương trình từ xa(OTA) và khả năng chạy trên nhiều hệ điều hành như Windows, macOS và Linux
Định nghĩa: Arduino IDE là một môi trường phát triển tích hợp mã nguồn mở, hỗ trợlập trình vi điều khiển bằng ngôn ngữ C/C++ Nó cung cấp trình biên dịch tích hợp (GCC),công cụ nạp code trực tiếp lên vi điều khiển, giúp lập trình viên dễ dàng phát triển các dự ánnhúng và IoT mà không cần thiết lập môi trường lập trình phức tạp
Điểm mạnh: Arduino IDE nổi bật với giao diện đơn giản, dễ sử dụng ngay cả vớingười mới bắt đầu IDE này tương thích với nhiều loại vi điều khiển, từ Arduino Uno đếnESP8266, ESP32, STM32 và cả các vi điều khiển sử dụng kiến trúc ARM, RISC-V Ngoài
Trang 18ra, Arduino IDE còn cho phép tùy chỉnh và mở rộng tính năng thông qua các thư viện bênthứ ba.
Điểm yếu: Mặc dù dễ sử dụng, Arduino IDE vẫn có một số hạn chế Nó thiếu các công
cụ hỗ trợ lập trình nâng cao như trình debug tích hợp, khiến việc gỡ lỗi trở nên khó khăn.Hiệu suất chậm khi làm việc với các dự án lớn, đặc biệt khi biên dịch mã nguồn dài So vớicác IDE chuyên nghiệp như Visual Studio Code hay PlatformIO, Arduino IDE có ít tùychỉnh hơn và thiếu nhiều tính năng hỗ trợ phát triển phần mềm nhúng chuyên sâu
Hình 2.5 Arduino IDE
2.6 Framework Flask
Flask là một micro-framework được viết bằng Python, dùng để phát triển các ứng dụngweb một cách nhanh chóng và linh hoạt Flask nhẹ, đơn giản và không yêu cầu quá nhiềucấu hình, giúp lập trình viên dễ dàng phát triển và mở rộng ứng dụng theo nhu cầu.Framework này hỗ trợ tích hợp Jinja2 (template engine) và Werkzeug (WSGI toolkit), giúpxây dựng các trang web động và xử lý request hiệu quả
Điểm mạnh của Flask là sự gọn nhẹ, linh hoạt và dễ sử dụng Do không đi kèm quánhiều tính năng mặc định như Django, Flask cho phép lập trình viên tùy chỉnh theo ý muốn,tối ưu hóa hiệu suất ứng dụng Bên cạnh đó, Flask có cộng đồng lớn, tài liệu phong phú và
dễ dàng mở rộng với các thư viện bổ trợ như SQLAlchemy (ORM), Flask-RESTful (APIdevelopment) hay Flask-SocketIO (WebSocket support)
Tuy nhiên, điểm yếu của Flask là không có sẵn nhiều tính năng như các framework lớnkhác, dẫn đến việc lập trình viên phải tự triển khai nhiều chức năng như xác thực ngườidùng, quản lý cơ sở dữ liệu hoặc bảo mật Điều này có thể làm tăng thời gian phát triển nếu
Trang 19không có kế hoạch rõ ràng Ngoài ra, do sự linh hoạt cao, nếu không tổ chức mã nguồn tốt,ứng dụng Flask có thể trở nên khó bảo trì khi mở rộng quy mô.
Tóm lại, Flask là một framework mạnh mẽ cho các dự án web vừa và nhỏ, đặc biệt phùhợp với những ứng dụng cần sự linh hoạt và tối ưu hóa tài nguyên Dù có một số hạn chế vềmặt tính năng tích hợp sẵn, Flask vẫn là lựa chọn hàng đầu cho các lập trình viên muốn xâydựng ứng dụng web một cách nhanh chóng và hiệu quả
Hình 2.6 Flask
2.7 Cảm biến PMS7003
Cảm biến PMS7003 là một thiết bị đo chất lượng không khí được sản xuất bởiPlantower, chuyên dùng để đo các hạt bụi trong không khí, cụ thể là các hạt bụi có kíchthước PM1.0, PM2.5 và PM10 Các thông số này được sử dụng để đánh giá mức độ ô nhiễmcủa không khí trong môi trường sống và làm việc
Để hiểu rõ hơn về cảm biến PMS7003, ta cần tìm hiểu về nguyên lý hoạt động và cácthông số đo đạc của nó Trong đó các hạt bụi được phân loại theo kích thước: PM10 (Các hạtbụi có đường kính nhỏ hơn hoặc bằng 10 micromet), PM2.5 (Các hạt bụi có đường kính nhỏhơn hoặc bằng 2.5 micromet), PM1.0 (Các hạt bụi có đường kính nhỏ hơn hoặc bằng 1micromet)
Dù vậy, cảm biến này không thể đo các hạt lớn hơn 10 µm, và độ chính xác có thể giảmnếu không được hiệu chuẩn định kỳ hoặc khi hoạt động trong điều kiện độ ẩm quá cao (trên99%) hoặc nhiệt độ khắc nghiệt (dưới -10°C hoặc trên 60°C) Trong hệ thống giám sát tại
TP Hồ Chí Minh, PMS7003 đóng vai trò quan trọng trong việc cung cấp dữ liệu PM2.5 vàPM10, hỗ trợ đánh giá mức độ ô nhiễm không khí và đưa ra cảnh báo kịp thời để bảo vệ sứckhỏe cộng đồng
Trang 20Hình 2.7 Cảm biến bụi PMS7003
2.8 Cảm biến MQ-7 và MQ-135
Cảm biến MQ-7 và MQ-135 đều là các thiết bị quan trọng trong việc phát hiện các loạikhí trong không khí, được ứng dụng rộng rãi trong các hệ thống giám sát môi trường và đảmbảo an toàn, nhưng mỗi loại cảm biến lại có những đặc điểm và công dụng riêng biệt, phùhợp với các mục đích khác nhau
Cụ thể, cảm biến MQ-7 được thiết kế chuyên biệt để phát hiện khí CO (CarbonMonoxide), một loại khí không màu, không mùi, cực kỳ nguy hiểm vì có thể gây ngộ độc và
tử vong nếu con người tiếp xúc trong thời gian dài ở nồng độ cao MQ-7 có dải đo từ 0 đến
1000 ppm, cho phép phát hiện chính xác nồng độ CO trong không khí, từ mức thấp đến mứcnguy hiểm
Cảm biến này thường được ứng dụng trong các hệ thống cảnh báo rò rỉ khí CO tại cáckhu vực như bãi đỗ xe, hầm kín, nhà máy sản xuất, hoặc các hộ gia đình sử dụng thiết bị đốtcháy như lò sưởi, bếp gas, nơi khí CO có thể tích tụ do quá trình đốt cháy không hoàn toàn.Điểm đặc biệt của MQ-7 là yêu cầu một chu kỳ làm nóng và làm mát để hoạt động chínhxác: cảm biến cần được làm nóng ở điện áp cao 5V trong khoảng 60 giây để đốt cháy các tạpchất trên bề mặt, sau đó giảm điện áp xuống 1.4V trong 90 giây để đo nồng độ khí CO mộtcách ổn định
Chu kỳ này giúp tăng độ nhạy và độ chính xác, nhưng đòi hỏi hệ thống điều khiển phảiđược lập trình cẩn thận Ngoài ra, MQ-7 có độ nhạy cao với CO, ít bị ảnh hưởng bởi các loạikhí khác, giúp giảm thiểu báo động sai, nhưng cần được hiệu chuẩn định kỳ và hoạt độngtrong điều kiện nhiệt độ, độ ẩm phù hợp để duy trì hiệu suất
Trang 21Trong khi đó, cảm biến MQ-135 lại có khả năng phát hiện nhiều loại khí ô nhiễm khácnhau, bao gồm NH3 (amoniac), NOx (oxit nitơ), CO2 (carbon dioxit), benzen, khói và cáchợp chất hữu cơ dễ bay hơi (VOC), với dải đo thường từ 10 đến 1000 ppm tùy loại khí Điềunày khiến MQ-135 trở thành lựa chọn lý tưởng để giám sát chất lượng không khí tổng thể,đặc biệt tại các khu vực đô thị như TP Hồ Chí Minh, nơi ô nhiễm không khí từ khí thải giaothông, công nghiệp và sinh hoạt là vấn đề đáng lo ngại.
MQ-135 thường được sử dụng trong các hệ thống giám sát chất lượng không khí trongnhà, văn phòng, hoặc các thiết bị IoT để phát hiện sự hiện diện của các khí độc hại, từ đó đưa
ra cảnh báo kịp thời Không giống MQ-7, MQ-135 không yêu cầu chu kỳ làm nóng và làmmát phức tạp, nhưng cần được làm nóng trước trong 24-48 giờ ở lần sử dụng đầu tiên để ổnđịnh tín hiệu và đảm bảo độ chính xác
Điểm mạnh của MQ-135 là khả năng phát hiện đa dạng các loại khí, cung cấp cái nhìntổng quan về mức độ ô nhiễm, nhưng nhược điểm là độ nhạy có thể bị ảnh hưởng bởi sự hiệndiện của nhiều loại khí cùng lúc, dẫn đến kết quả đo không đặc hiệu
Do đó, để sử dụng hiệu quả, MQ-135 cần được hiệu chuẩn thường xuyên và kết hợpvới các cảm biến chuyên biệt như MQ-7, góp phần nâng cao hiệu quả giám sát chất lượngkhông khí và bảo vệ sức khỏe cộng đồng tại TP Hồ Chí Minh
Hình 2.8 Cảm biến MQ-7 và MQ-135
2.9 Cảm biến DHT22
Cảm biến DHT22 được sử dụng để đo nhiệt độ và độ ẩm trong không khí với độ chínhxác cao Cảm biến này hoạt động dựa trên một cảm biến nhiệt điện trở (thermistor) để đo
Trang 22với DHT11, với phạm vi đo nhiệt độ từ -40°C đến 80°C (sai số ±0.5°C) và độ ẩm từ 0% đến100% RH (sai số ±2-5%)
Nhờ những ưu điểm này, DHT22 thường được sử dụng trong các hệ thống giám sátthời tiết, nhà thông minh, hệ thống nông nghiệp thông minh và các ứng dụng đo lường môitrường khác
Cảm biến này có thể giao tiếp với vi điều khiển qua giao thức 1-Wire, giúp dễ dàngtích hợp vào các dự án IoT và hệ thống nhúng như Arduino, ESP32 hoặc Raspberry Pi
Hình 2.9 Cảm biến DHT22
2.10 Cảm biến mưa (Raindrop Module)
Cảm biến mưa MH-RD (Rain Water Module) như trong hình của bạn có thể được sửdụng để phát hiện mưa hoặc độ ẩm của môi trường Đây là loại cảm biến giúp xác định khinào có nước mưa rơi xuống, bằng cách đo sự thay đổi điện trở do nước chạm vào các bề mặttiếp xúc của cảm biến
Cảm biến mưa bao gồm hai bộ phận là đệm cảm biến và mô-đun cảm biến Bất cứ khinào mưa rơi trên bề mặt của tấm cảm biến thì mô-đun cảm biến sẽ đọc dữ liệu từ tấm cảmbiến để xử lý và chuyển nó thành đầu ra tương tự (Analog) hoặc đầu ra kỹthuật số (Digital)
Do đó, đầu ra được tạo bởi cảm biến báo mưa sẽ có hai dạng tín hiệu là tương tự AO) và kỹ thuật số (Digital-DO)
(Analog-Đối với mạch cảm biến mưa, nó sẽ gồm có 2 bộ phận: bộ phận cảm biến mưa được gắnngoài trời và bộ phận mạch lập trình và điều chỉnh độ nhạy cần được che chắn
Trang 232.11 Board Arduino Uno
Lịch sử phát triển: Arduino được phát triển vào năm 2005 để hỗ trợ việc học lập trìnhnhúng dễ dàng hơn Arduino Uno R3 là một trong những board vi điều khiển phổ biến nhất.Định nghĩa: Arduino Uno R3 là một vi điều khiển mã nguồn mở sử dụng vi xử lýATmega328P, có thể lập trình bằng Arduino IDE
Ứng dụng trong hệ thống: điều khiển và thu thập dữ liệu từ các cảm biến thời tiết và gửi
dữ liệu lên module truyền thông (ESP8266)
Điểm mạnh: dễ lập trình và có cộng đồng hỗ trợ lớn và tương thích với nhiều loại cảmbiến khác nhau
Điểm yếu: hạn chế về bộ nhớ và hiệu suất so với các vi điều khiển mạnh hơn và khôngtích hợp Wi-Fi, cần thêm module mở rộng
Hình 2.10 Arduino uno R3
2.12 Thingspeak
Lịch sử phát triển: ThingSpeak được phát triển bởi ioBridge, Inc vào năm 2010 và sau
đó được MathWorks mua lại vào năm 2015 Đây là nền tảng IoT mã nguồn mở dùng để thuthập, lưu trữ, phân tích và trực quan hóa dữ liệu cảm biến Sau khi tích hợp với MATLAB,ThingSpeak trở thành công cụ mạnh mẽ hỗ trợ giám sát môi trường, dự đoán thời tiết, vàphân tích dữ liệu IoT Hiện nay, nó vẫn được sử dụng rộng rãi trong nghiên cứu và phát triểncác ứng dụng IoT
Định nghĩa: ThingSpeak là một nền tảng IoT mã nguồn mở cho phép thu thập, lưu trữ,
Trang 24HTTP, MQTT, REST API và tích hợp với MATLAB để xử lý và phân tích dữ liệu theo thờigian thực.
Điểm mạnh: ThingSpeak là nền tảng IoT miễn phí, dễ dùng, hỗ trợ HTTP, MQTT,REST API và tích hợp MATLAB để phân tích dữ liệu Nó cung cấp lưu trữ, trực quan hóathời gian thực và hoạt động trên đám mây, giúp giám sát từ xa Với cộng đồng lớn, đây là lựachọn lý tưởng cho nghiên cứu IoT
Điểm yếu: ThingSpeak có một số hạn chế như giới hạn tần suất cập nhật dữ liệu (15giây/lần với tài khoản miễn phí), dung lượng lưu trữ hạn chế, và tính năng phân tích phụthuộc MATLAB, gây khó khăn cho người không quen dùng MATLAB Ngoài ra, giao diệnđơn giản nhưng ít tùy chỉnh, và khả năng mở rộng kém hơn các nền tảng IoT lớn như AWSIoT hay Google Cloud IoT
Hình 2.11 Thingspeak
2.13 Thuật toán Linear Regression
Linear Regression (Hồi quy tuyến tính) là một thuật toán thống kê và học máy dùng để
mô hình hóa mối quan hệ giữa một biến phụ thuộc (đầu ra) và một hoặc nhiều biến độc lập(đầu vào) bằng cách khớp một đường thẳng (hoặc siêu phẳng trong trường hợp nhiều biến)vào dữ liệu Phương trình tổng quát của hồi quy tuyến tính là:
y=β0+β1x1+β2x2+⋯+βnxn+ ϵ
Trong đó β0 là hằng số, βi là hệ số của các biến độc lập xi và ϵ là sai số
Linear Regression có nguồn gốc từ thế kỷ 19 khi nhà toán học Carl Friedrich Gaussphát triển phương pháp bình phương tối thiểu (Least Squares) để ước lượng tham số củađường hồi quy Phương pháp này được sử dụng ban đầu trong thiên văn học và địa lý để dựđoán các hiện tượng thiên văn Trong thế kỷ 20, hồi quy tuyến tính được mở rộng và áp dụng
Trang 25rộng rãi trong kinh tế, tài chính, và các ngành khoa học khác Với sự phát triển của học máy,Linear Regression trở thành một thuật toán cơ bản trong việc xây dựng các mô hình dựđoán.
Hình 2.12 Linear Regression
Điểm mạnh của Linear Regression gồm tính đơn giản, dễ hiểu, khả năng diễn giải tốt
và hiệu quả với dữ liệu tuyến tính Tuy nhiên, nó cũng có điểm yếu như nhạy cảm với ngoại
lệ, giả định quan hệ tuyến tính, không xử lý tốt đa cộng tuyến
2.14 Thuật toán Random Forest
Random Forest là một thuật toán học máy thuộc phương pháp ensemble learning, kếthợp nhiều cây quyết định (decision trees) để tạo ra một mô hình mạnh mẽ và chính xác hơn.Random Forest hoạt động bằng cách huấn luyện các cây quyết định độc lập trên các mẫu dữliệu con (sample) được chọn ngẫu nhiên từ bộ dữ liệu, và sau đó lấy trung bình (đối với hồiquy) hoặc lấy đa số phiếu (đối với phân loại) từ các cây đó để đưa ra kết quả cuối cùng.Random Forest được giới thiệu vào đầu những năm 2000 bởi Leo Breiman, nhà nghiêncứu nổi tiếng trong lĩnh vực học máy Trong bài báo "Random Forests" (2001), Breiman đã
mô tả cách thức hoạt động của thuật toán này và chỉ ra những ưu điểm vượt trội của nó trongviệc cải thiện độ chính xác và giảm overfitting so với các phương pháp học máy khác Kể từkhi ra đời, Random Forest đã trở thành một trong những thuật toán học máy phổ biến vàđược ứng dụng rộng rãi trong các lĩnh vực như tài chính, y tế, sinh học và nhiều ngành khác
