KHÁI QUÁT CHUNG VỀ ỨNG DỤNG CHUYỂN ĐỔI SỐ TRONG CẢNH BÁO, PHÁT HIỆN DỊCH BỆNH TRÊN CÂY TRỒNG TẠI VIỆT NAM
DOI:
https://doi.org/10.59266/houjs.2025.843Keywords:
cảnh báo - phát hiện dịch bệnh trên cây trồng, chuyển đổi số, nông nghiệp bền vững, trí tuệ nhân tạo (AI)Abstract
Bài báo tiến hành hệ thống hóa một cách toàn diện khung pháp lý, chủ trương và chính sách quốc gia về chuyển đổi số trong lĩnh vực nông nghiệp, với trọng tâm là hoạt động cảnh báo và phát hiện dịch bệnh trên cây trồng. Nghiên cứu phân tích chuỗi văn bản chỉ đạo từ cấp Trung ương đến các bộ, ngành như Chỉ thị số 16/CT-TTg, Nghị quyết 52-NQ/TW, Nghị quyết 19-NQ/TW và Nghị quyết 57-NQ/TW, qua đó làm rõ định hướng phát triển của Việt Nam trong việc coi khoa học – công nghệ – đổi mới sáng tạo – chuyển đổi số là động lực then chốt của nông nghiệp hiện đại và bền vững. Bài báo cũng đã tổng hợp và đánh giá một số ứng dụng tiêu biểu của công nghệ trí tuệ nhân tạo (AI) trong phát hiện, nhận dạng và cảnh báo dịch bệnh thực vật như hệ thống RYNAN, T-Pest, trạm thời tiết i.Mentos 3.3 A-G và cơ sở dữ liệu AI về bệnh cây trồng tại Đắk Lắk. Các kết quả cho thấy việc kết hợp giữa nền tảng chính sách – pháp lý với ứng dụng công nghệ số đã tạo tiền đề cho quá trình hình thành hệ sinh thái nông nghiệp thông minh tại Việt Nam.
References
[1]. Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., & Stefanovic, D. (2019). Solving current limitations of deep learning based approaches for plant disease detection. Symmetry, 11(7): p.939. https://doi. org/10.3390/sym11070939.
[2]. Bộ Chính trị. (2019). Nghị quyết số 52- NQ/TW về một số chủ trương, chính sách chủ động tham gia Cách mạng Công nghiệp lần thứ tư.
[3]. Bộ chính trị. (2022). Nghị quyết số 19- NQ/TW ngày 16/6/2022 về định hướng phát triển nông nghiệp, nông dân, nông thôn đến năm 2030, tầm nhìn đến năm 2045.
[4]. Bộ Chính trị. (2024). Nghị quyết số 57- NQ/TW ngày 22/12/2024 về về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.
[5]. Báo Hà Nội mới. (2023). Ứng dụng trí tuệ nhân tạo trong nông nghiệp. https:// hanoimoi.vn/ung-dung-tri-tue-nhan- tao-trong-nong-nghiep-19139.html.
[6]. Bộ Nông nghiệp và Môi trường. (2025). Quyết định số 503/QĐ- BNNMT về việc ban hành Kế hoạch của Bộ Nông nghiệp và Môi trường thực hiện Nghị quyết số 57-NQ/TW ngày 22/12/2024 của Bộ Chính trị về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia; Nghị quyết số 193/2025/ QH15 ngày 19/02/2025 của Quốc hội về thí điểm một số cơ chế, chính sách đặc biệt tạo đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia; Nghị quyết số 03/NQ-CP ngày 09/01/2025 của Chính phủ ban hành Chương trình hành động của Chính phủ thực hiện Nghị quyết số 57-NQ/TW.
[7]. Bộ Nông nghiệp và Phát triển Nông thôn. (2024). Quyết định ban hành Kế hoạch Chuyển đổi số của Bộ Nông nghiệp và Phát triển Nông thôn năm 2024.
[8]. Cổng Thông tin điện tử tỉnh Hưng Yên. (2024). Dự án chuyển đổi số trong nông nghiệp và nông thôn đến năm 2025, định hưởng đến năm 2030. https://vpubnd. hungyen.gov.vn/quyet-dinh-phe-duyet- de-an-chuyen-doi-so-trong-linh-vuc- nong-nghiep-nong-thon-den-nam- 2025-dinh-huong-den-nam-2030-tren- dia-ban-tinh-hung-yen-c2270.html.
[9]. Dương, B. (2025). Dự báo sâu bệnh hại cây trồng bằng trí tuệ nhân tạo phục vụ ngành nóng nghiệp. Đề tài nghiên cứu khoa học cấp thành phố Hải Phòng.
[10]. Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and electronics in agriculture, 145, 311-318. https://doi. org/10.1016/j.compag.2018.01.009.
[11]. FPT digital. (2022). Chuyển đổi số trong nông nghiệp là gì? Đâu là giải pháp hiệu quả?. https://digital.fpt.com/linh-vuc/nong-lam-nghiep-thuy-san/ chuyen-doi-so-trong-nong-nghiep-la- gi.html.
[12]. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. IEEE. https://doi.org/10.1109/CVPR.2016.90.
[13]. Học viện Agile. (2023). Chuyển đổi số trong nông nghiệp: Thách thức và giải pháp. https://hocvienagile.com/chuyen-doi-so-trong-nong-nghiep/.
[14]. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv. https://doi.org/10.48550/arXiv.1704.04861.
[15]. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90. https://doi.org/10.1145/3065386.
[16]. Nguyễn, M (2022). Chuyển đổi số trong nông nghiệp vì sự phát triển bền vững của ngành nông nghiệp Việt Nam. Tạp chí điện tử Lý luận Chính trị.
[17]. Nguyễn, M. (2023). Hệ thống giám sát sâu rầy thông minh RYNAN. Rynan Technologies Vietnam. https://rynantech.vn/2022/03/11/he-thong-giam-sat-sau-ray-thong-minh-rynan/.
[18]. Redmon, J. & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv:1804.02767. https://doi.org/10.48550/arXiv.1804.02767.
[19]. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. IEEE. https://doi. org/10.1109/CVPR.2015.7298594.
[20]. Thủ tướng Chính phủ. (2017). Chỉ thị số 16/CT-TTg về tăng cường năng lực tiếp cận Cách mạng Công nghiệp lần thứ tư.
[21]. Thủ tướng Chính phủ. (2022). Quyết định phê duyệt “Chương trình chuyển đổi số trong xây dựng nông thôn mới, hướng tới nông thôn mới thông minh giai đoạn 2021-2025”.
[22]. Trần, N. (2024). Nghiên cứu ứng dụng trí tuệ nhân tạo trong nhận diện và cảnh bảo một số sâu bệnh hại lúa tại tỉnh Bình Định. Trung tâm Khoa học Dữ liệu, Công ty Giải pháp Phần mềm Tường Minh (TMA Solutions), Bình Định.
[23]. Vũ, L. (2022). Ứng dụng trí tuệ nhân tạo để phòng chống sinh vật gây hại trên lúa. https://laodong.vn/kinh-doanh/ung-dung-tri-tue-nhan-tao-de- phong-chong-sinh-vat-gay-hai-tren-lua-993842.ldo.
