Giám sát Môi trường bằng Python: Phân tích Dữ liệu Cảm biến cho một Tương lai Bền vững

Giám sát môi trường là rất quan trọng để hiểu và giảm thiểu các tác động của biến đổi khí hậu, ô nhiễm và cạn kiệt tài nguyên. Với sự phổ biến của các cảm biến giá cả phải chăng và sức mạnh của Python, chúng ta giờ đây có thể thu thập và phân tích dữ liệu môi trường ở quy mô chưa từng có. Hướng dẫn này cung cấp một cái nhìn tổng quan toàn diện về cách sử dụng Python để giám sát môi trường, tập trung vào phân tích dữ liệu cảm biến. Chúng ta sẽ khám phá các kỹ thuật, thư viện và ứng dụng khác nhau để giúp bạn xây dựng các giải pháp bền vững.

Tại sao nên dùng Python để Giám sát Môi trường?

Python đã trở thành ngôn ngữ hàng đầu cho khoa học dữ liệu và tính toán khoa học, khiến nó trở thành lựa chọn lý tưởng để giám sát môi trường vì một số lý do chính:

• Hệ sinh thái Thư viện Phong phú: Python tự hào có một bộ sưu tập lớn các thư viện được thiết kế đặc biệt cho phân tích dữ liệu, trực quan hóa và học máy, chẳng hạn như NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn, v.v.
• Dễ sử dụng: Cú pháp rõ ràng và ngắn gọn của Python giúp nó dễ học và sử dụng, ngay cả đối với những người không có kinh nghiệm lập trình sâu rộng.
• Mã nguồn mở và Miễn phí: Python là một ngôn ngữ mã nguồn mở, có nghĩa là nó miễn phí để sử dụng và phân phối, thúc đẩy sự hợp tác và đổi mới trong cộng đồng giám sát môi trường.
• Tích hợp với các Thiết bị IoT: Python tích hợp liền mạch với nhiều thiết bị và cảm biến Internet of Things (IoT), cho phép thu thập và xử lý dữ liệu theo thời gian thực.
• Tương thích Đa nền tảng: Python chạy trên nhiều hệ điều hành khác nhau (Windows, macOS, Linux), giúp nó có thể thích ứng với các môi trường phần cứng và phần mềm khác nhau.

Thu thập Dữ liệu: Kết nối với Cảm biến

Bước đầu tiên trong việc giám sát môi trường là thu thập dữ liệu từ các cảm biến. Cảm biến có thể đo lường một loạt các thông số môi trường, bao gồm:

• Chất lượng không khí: Bụi mịn (PM2.5, PM10), ozone (O3), nitrogen dioxide (NO2), sulfur dioxide (SO2), carbon monoxide (CO)
• Chất lượng nước: pH, oxy hòa tan (DO), độ đục, độ dẫn điện, nhiệt độ, các chất ô nhiễm
• Khí hậu: Nhiệt độ, độ ẩm, áp suất, lượng mưa, tốc độ gió, bức xạ mặt trời
• Đất: Độ ẩm, nhiệt độ, pH, mức độ dinh dưỡng
• Ô nhiễm tiếng ồn: Mức độ decibel

Các cảm biến có thể được kết nối với vi điều khiển (ví dụ: Arduino, Raspberry Pi) hoặc các bộ ghi dữ liệu chuyên dụng. Các thiết bị này thu thập dữ liệu và truyền nó đến một máy chủ trung tâm hoặc nền tảng đám mây để lưu trữ và phân tích.

Ví dụ: Đọc Dữ liệu Chất lượng Không khí từ Cảm biến bằng Python

Hãy xem xét một kịch bản mà chúng ta muốn đọc dữ liệu chất lượng không khí từ một cảm biến được kết nối với Raspberry Pi. Chúng ta có thể sử dụng thư viện `smbus` để giao tiếp với cảm biến qua giao thức I2C (Inter-Integrated Circuit).

```python import smbus import time # Địa chỉ I2C của cảm biến SENSOR_ADDRESS = 0x48 # Địa chỉ thanh ghi cho PM2.5 và PM10 PM25_REGISTER = 0x02 PM10_REGISTER = 0x04 # Khởi tạo bus I2C bus = smbus.SMBus(1) # Sử dụng bus 1 cho Raspberry Pi def read_pm_data(): # Đọc giá trị PM2.5 bus.write_byte(SENSOR_ADDRESS, PM25_REGISTER) time.sleep(0.1) pm25_data = bus.read_i2c_block_data(SENSOR_ADDRESS, PM25_REGISTER, 2) pm25 = pm25_data[0] * 256 + pm25_data[1] # Đọc giá trị PM10 bus.write_byte(SENSOR_ADDRESS, PM10_REGISTER) time.sleep(0.1) pm10_data = bus.read_i2c_block_data(SENSOR_ADDRESS, PM10_REGISTER, 2) pm10 = pm10_data[0] * 256 + pm10_data[1] return pm25, pm10 if __name__ == "__main__": try: while True: pm25, pm10 = read_pm_data() print(f"PM2.5: {pm25} μg/m³") print(f"PM10: {pm10} μg/m³") time.sleep(5) except KeyboardInterrupt: print("\nĐang thoát...") ```

Giải thích:

• Đoạn mã nhập các thư viện `smbus` và `time`.
• Nó định nghĩa địa chỉ I2C của cảm biến và địa chỉ thanh ghi cho PM2.5 và PM10.
• Hàm `read_pm_data()` đọc các giá trị PM2.5 và PM10 từ cảm biến bằng giao tiếp I2C.
• Khối `main` liên tục đọc và in các giá trị PM2.5 và PM10 mỗi 5 giây.

Đây là một ví dụ cơ bản, và mã cụ thể sẽ thay đổi tùy thuộc vào cảm biến và giao thức giao tiếp được sử dụng.

Lưu trữ Dữ liệu: Lựa chọn Cơ sở dữ liệu Phù hợp

Khi bạn đã thu thập được dữ liệu, bạn cần lưu trữ nó trong một cơ sở dữ liệu để phân tích sâu hơn. Một số tùy chọn cơ sở dữ liệu phù hợp cho dữ liệu giám sát môi trường, bao gồm:

• Cơ sở dữ liệu Chuỗi thời gian (TSDBs): InfluxDB, TimescaleDB, Prometheus. Các cơ sở dữ liệu này được thiết kế đặc biệt để lưu trữ và truy vấn dữ liệu chuỗi thời gian, loại dữ liệu phổ biến trong giám sát môi trường. Chúng cung cấp các tính năng như lưu trữ hiệu quả, lập chỉ mục và truy vấn dữ liệu có dấu thời gian.
• Cơ sở dữ liệu Quan hệ (RDBMS): PostgreSQL, MySQL. Các cơ sở dữ liệu này linh hoạt và có thể xử lý nhiều loại dữ liệu khác nhau, bao gồm cả dữ liệu chuỗi thời gian. Chúng cung cấp tính toàn vẹn dữ liệu mạnh mẽ và các thuộc tính ACID (Nguyên tử, Nhất quán, Cô lập, Bền vững).
• Cơ sở dữ liệu NoSQL: MongoDB, Cassandra. Các cơ sở dữ liệu này phù hợp để lưu trữ dữ liệu phi cấu trúc hoặc bán cấu trúc, chẳng hạn như các kết quả đọc từ cảm biến với các thuộc tính khác nhau. Chúng cung cấp khả năng mở rộng và linh hoạt.
• Lưu trữ trên nền tảng đám mây: AWS S3, Google Cloud Storage, Azure Blob Storage. Các dịch vụ này cung cấp khả năng lưu trữ có thể mở rộng và hiệu quả về chi phí cho các bộ dữ liệu lớn.

Việc lựa chọn cơ sở dữ liệu phụ thuộc vào các yêu cầu cụ thể của dự án của bạn, bao gồm khối lượng dữ liệu, độ phức tạp của truy vấn và nhu cầu mở rộng. Đối với dữ liệu chuỗi thời gian, TSDB thường là lựa chọn ưu tiên.

Phân tích Dữ liệu: Khám phá những Thông tin Chuyên sâu

Phân tích dữ liệu là cốt lõi của việc giám sát môi trường. Nó bao gồm việc làm sạch, xử lý và phân tích dữ liệu cảm biến để trích xuất những thông tin có ý nghĩa. Python cung cấp một bộ thư viện phong phú để phân tích dữ liệu, bao gồm:

• NumPy: Dùng cho các phép tính số và thao tác mảng.
• Pandas: Dùng cho thao tác và phân tích dữ liệu, bao gồm làm sạch, lọc, nhóm và tổng hợp dữ liệu.
• SciPy: Dùng cho tính toán khoa học, bao gồm phân tích thống kê, xử lý tín hiệu và tối ưu hóa.

Làm sạch và Tiền xử lý Dữ liệu

Dữ liệu thô từ cảm biến thường chứa nhiễu, các giá trị bị thiếu và các giá trị ngoại lệ. Làm sạch và tiền xử lý dữ liệu là các bước cần thiết để đảm bảo tính chính xác và độ tin cậy của việc phân tích. Các kỹ thuật phổ biến bao gồm:

• Xử lý các Giá trị bị thiếu: Thay thế các giá trị bị thiếu bằng các kỹ thuật như thay thế bằng giá trị trung bình, trung vị hoặc nội suy.
• Phát hiện và Loại bỏ Giá trị Ngoại lệ: Xác định và loại bỏ các giá trị ngoại lệ bằng các phương pháp thống kê như điểm Z hoặc phương pháp IQR (Khoảng tứ phân vị).
• Làm mịn Dữ liệu: Áp dụng các kỹ thuật làm mịn như trung bình động hoặc bộ lọc Savitzky-Golay để giảm nhiễu.
• Chuẩn hóa Dữ liệu: Chia tỷ lệ dữ liệu về một phạm vi chung (ví dụ: từ 0 đến 1) để cải thiện hiệu suất của các thuật toán học máy.

Ví dụ: Làm sạch Dữ liệu với Pandas

Hãy minh họa việc làm sạch dữ liệu bằng thư viện Pandas.

```python import pandas as pd import numpy as np # Dữ liệu cảm biến mẫu với giá trị thiếu và ngoại lệ data = { 'timestamp': pd.to_datetime(['2023-10-26 00:00:00', '2023-10-26 00:05:00', '2023-10-26 00:10:00', '2023-10-26 00:15:00', '2023-10-26 00:20:00']), 'temperature': [25.5, 26.0, np.nan, 27.5, 100.0], # NaN và giá trị ngoại lệ 'humidity': [60.0, 62.0, 61.0, 63.0, 65.0] } df = pd.DataFrame(data) # 1. Xử lý Giá trị Thiếu (Thay thế bằng giá trị trung bình) df['temperature'].fillna(df['temperature'].mean(), inplace=True) # 2. Phát hiện và Loại bỏ Giá trị Ngoại lệ (Điểm Z) from scipy import stats z = np.abs(stats.zscore(df['temperature'])) threshold = 3 # Ngưỡng điểm Z df = df[z < threshold] # In DataFrame đã được làm sạch print(df) ```

Giải thích:

• Đoạn mã tạo một DataFrame Pandas với dữ liệu cảm biến mẫu, bao gồm các giá trị bị thiếu (NaN) và một giá trị ngoại lệ (100.0).
• Nó điền các giá trị bị thiếu trong cột 'temperature' bằng giá trị trung bình của cột.
• Nó tính toán điểm Z cho mỗi giá trị trong cột 'temperature' và loại bỏ các giá trị ngoại lệ có điểm Z lớn hơn 3.
• Cuối cùng, nó in ra DataFrame đã được làm sạch.

Phân tích Chuỗi Thời gian

Dữ liệu môi trường thường được thu thập theo thời gian, làm cho phân tích chuỗi thời gian trở thành một kỹ thuật quan trọng. Phân tích chuỗi thời gian bao gồm việc phân tích các điểm dữ liệu được lập chỉ mục theo thứ tự thời gian. Các kỹ thuật phổ biến bao gồm:

• Phân tích Xu hướng: Xác định hướng đi tổng thể của dữ liệu theo thời gian.
• Phân tích Tính mùa vụ: Xác định các mẫu lặp lại xảy ra theo các khoảng thời gian đều đặn.
• Phân tích Tự tương quan: Đo lường sự tương quan giữa một chuỗi thời gian và các giá trị trễ của nó.
• Dự báo: Dự đoán các giá trị trong tương lai dựa trên dữ liệu lịch sử.

Các thư viện Python như `statsmodels` và `Prophet` cung cấp các công cụ để thực hiện phân tích chuỗi thời gian. `statsmodels` cung cấp một loạt các mô hình thống kê, bao gồm các mô hình ARIMA (Mô hình Trung bình Động Tích hợp Tự hồi quy), trong khi `Prophet` được thiết kế đặc biệt để dự báo dữ liệu chuỗi thời gian có tính mùa vụ mạnh.

Ví dụ: Phân rã Chuỗi Thời gian với statsmodels

```python import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import seasonal_decompose # Dữ liệu chuỗi thời gian mẫu (thay thế bằng dữ liệu thực tế của bạn) data = { 'timestamp': pd.to_datetime(pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')), 'temperature': [20 + 10*np.sin(i/30) + np.random.normal(0, 2) for i in range(365)] } df = pd.DataFrame(data) df.set_index('timestamp', inplace=True) # Phân rã chuỗi thời gian result = seasonal_decompose(df['temperature'], model='additive', period=30) # Vẽ biểu đồ các thành phần plt.figure(figsize=(12, 8)) plt.subplot(411) plt.plot(df['temperature'], label='Gốc') plt.legend(loc='upper left') plt.subplot(412) plt.plot(result.trend, label='Xu hướng') plt.legend(loc='upper left') plt.subplot(413) plt.plot(result.seasonal, label='Tính mùa vụ') plt.legend(loc='upper left') plt.subplot(414) plt.plot(result.resid, label='Phần dư') plt.legend(loc='upper left') plt.tight_layout() plt.show() ```

Giải thích:

• Đoạn mã tạo một DataFrame Pandas với dữ liệu chuỗi thời gian mẫu biểu thị các kết quả đọc nhiệt độ hàng ngày.
• Nó sử dụng hàm `seasonal_decompose` từ thư viện `statsmodels` để phân rã chuỗi thời gian thành các thành phần xu hướng, mùa vụ và phần dư của nó.
• Nó vẽ biểu đồ chuỗi thời gian gốc và các thành phần của nó để trực quan hóa các mẫu cơ bản.

Trực quan hóa Dữ liệu: Truyền đạt Kết quả

Trực quan hóa dữ liệu là rất quan trọng để truyền đạt kết quả của bạn đến một lượng lớn khán giả. Python cung cấp một số thư viện để tạo các biểu đồ và đồ thị giàu thông tin và hấp dẫn về mặt hình ảnh, bao gồm:

• Matplotlib: Một thư viện cơ bản để tạo các hình ảnh trực quan tĩnh, tương tác và hoạt hình.
• Seaborn: Một thư viện cấp cao được xây dựng trên Matplotlib, cung cấp một giao diện thẩm mỹ và thân thiện với người dùng hơn để tạo các hình ảnh trực quan thống kê.
• Plotly: Một thư viện để tạo các hình ảnh trực quan tương tác và dựa trên web.
• Bokeh: Một thư viện khác để tạo các ứng dụng web và bảng điều khiển tương tác.

Ví dụ: Tạo Biểu đồ Đường với Matplotlib

```python import matplotlib.pyplot as plt import pandas as pd import numpy as np #Dữ liệu mẫu dates = pd.to_datetime(pd.date_range(start='2023-01-01', end='2023-01-10')) temperatures = [10, 12, 15, 14, 16, 18, 17, 19, 20, 22] data = {'date': dates, 'temperature': temperatures} df = pd.DataFrame(data) # Tạo biểu đồ plt.figure(figsize=(10, 6)) plt.plot(df['date'], df['temperature'], marker='o', linestyle='-') # Thêm tiêu đề và nhãn plt.title('Xu hướng Nhiệt độ Hàng ngày') plt.xlabel('Ngày') plt.ylabel('Nhiệt độ (°C)') # Thêm lưới để dễ đọc hơn plt.grid(True) # Xoay nhãn ngày để dễ đọc hơn plt.xticks(rotation=45) # Hiển thị biểu đồ plt.tight_layout() plt.show() ```

Giải thích:

• Chúng tôi nhập `matplotlib.pyplot` để vẽ biểu đồ.
• Chúng tôi tạo dữ liệu mẫu với ngày tháng và nhiệt độ.
• Chúng tôi tạo một biểu đồ đường với ngày tháng trên trục x và nhiệt độ trên trục y.
• Chúng tôi thêm tiêu đề, nhãn và lưới để rõ ràng hơn.
• Các nhãn của trục x (ngày tháng) được xoay để dễ đọc hơn.

Học máy trong Giám sát Môi trường

Học máy có thể được sử dụng để xây dựng các mô hình dự đoán và tự động hóa các nhiệm vụ trong giám sát môi trường. Một số ứng dụng của học máy bao gồm:

• Dự báo Chất lượng Không khí: Dự đoán mức độ chất lượng không khí trong tương lai dựa trên dữ liệu lịch sử và điều kiện khí tượng.
• Giám sát Chất lượng Nước: Phát hiện các bất thường và dự đoán các thông số chất lượng nước.
• Mô hình hóa Biến đổi Khí hậu: Mô phỏng các kịch bản khí hậu và đánh giá tác động của biến đổi khí hậu.
• Xác định Nguồn ô nhiễm: Xác định các nguồn ô nhiễm dựa trên dữ liệu cảm biến và thông tin địa lý.

Thư viện `Scikit-learn` của Python cung cấp một bộ thuật toán học máy toàn diện cho việc phân loại, hồi quy, phân cụm và giảm chiều dữ liệu.

Ví dụ: Dự báo Chất lượng Không khí với Scikit-learn

Hãy minh họa việc dự báo chất lượng không khí bằng một mô hình hồi quy tuyến tính đơn giản.

```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # Dữ liệu chất lượng không khí mẫu (thay thế bằng dữ liệu thực tế của bạn) data = { 'temperature': [20, 22, 25, 24, 26, 28, 27, 29, 30, 32], 'humidity': [60, 62, 65, 64, 66, 68, 67, 69, 70, 72], 'pm25': [10, 12, 15, 14, 16, 18, 17, 19, 20, 22] # Nồng độ PM2.5 } df = pd.DataFrame(data) # Chuẩn bị dữ liệu X = df[['temperature', 'humidity']] y = df['pm25'] # Chia dữ liệu thành tập huấn luyện và tập kiểm tra X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Huấn luyện mô hình hồi quy tuyến tính model = LinearRegression() model.fit(X_train, y_train) # Đưa ra dự đoán trên tập kiểm tra y_pred = model.predict(X_test) # Đánh giá mô hình mse = mean_squared_error(y_test, y_pred) print(f"Lỗi Trung bình Bình phương: {mse}") # Dự đoán PM2.5 cho một bộ điều kiện mới new_data = pd.DataFrame({'temperature': [25], 'humidity': [63]}) predicted_pm25 = model.predict(new_data)[0] print(f"PM2.5 Dự đoán: {predicted_pm25}") ```

Giải thích:

• Đoạn mã tạo một DataFrame Pandas với dữ liệu chất lượng không khí mẫu, bao gồm nhiệt độ, độ ẩm và nồng độ PM2.5.
• Nó chia dữ liệu thành các tập huấn luyện và tập kiểm tra.
• Nó huấn luyện một mô hình hồi quy tuyến tính bằng cách sử dụng dữ liệu huấn luyện.
• Nó đưa ra dự đoán trên tập kiểm tra và đánh giá mô hình bằng cách sử dụng lỗi trung bình bình phương.
• Nó dự đoán nồng độ PM2.5 cho một bộ điều kiện mới.

Xây dựng một Hệ thống Giám sát Môi trường Thời gian thực

Để tạo ra một hệ thống giám sát môi trường thời gian thực, bạn có thể kết hợp các kỹ thuật đã thảo luận ở trên với các thành phần sau:

• Cảm biến: Chọn các cảm biến phù hợp với các thông số môi trường bạn muốn giám sát.
• Vi điều khiển/Bộ ghi dữ liệu: Sử dụng vi điều khiển hoặc bộ ghi dữ liệu để thu thập dữ liệu từ các cảm biến.
• Giao thức Giao tiếp: Sử dụng một giao thức giao tiếp như Wi-Fi, di động hoặc LoRaWAN để truyền dữ liệu đến một máy chủ trung tâm.
• Lưu trữ Dữ liệu: Chọn một cơ sở dữ liệu để lưu trữ dữ liệu.
• Xử lý Dữ liệu: Sử dụng Python để làm sạch, xử lý và phân tích dữ liệu.
• Trực quan hóa Dữ liệu: Tạo các bảng điều khiển hoặc ứng dụng web để trực quan hóa dữ liệu.
• Hệ thống Cảnh báo: Triển khai một hệ thống cảnh báo để thông báo cho bạn khi các ngưỡng nhất định bị vượt qua.

Những Lưu ý về Đạo đức

Điều quan trọng là phải xem xét các tác động về mặt đạo đức khi triển khai các hệ thống giám sát môi trường. Điều này bao gồm:

• Quyền riêng tư Dữ liệu: Đảm bảo quyền riêng tư của cá nhân nếu hệ thống thu thập dữ liệu vị trí hoặc cá nhân.
• Bảo mật Dữ liệu: Bảo vệ hệ thống khỏi sự truy cập trái phép và vi phạm dữ liệu.
• Độ chính xác của Dữ liệu: Phấn đấu để thu thập và phân tích dữ liệu chính xác và đáng tin cậy.
• Tính minh bạch: Minh bạch về mục đích và hoạt động của hệ thống.
• Sự tham gia của Cộng đồng: Thu hút cộng đồng tham gia vào việc thiết kế và triển khai hệ thống.

Các Ví dụ Toàn cầu về Python trong Giám sát Môi trường

• Dự án Smart Citizen (Barcelona, Tây Ban Nha): Một nền tảng toàn cầu cung cấp các công cụ mã nguồn mở cho công dân để thu thập và chia sẻ dữ liệu môi trường, sử dụng Python để xử lý và trực quan hóa dữ liệu.
• Cơ quan Bảo vệ Môi trường (EPA, Hoa Kỳ): Sử dụng Python rộng rãi để phân tích dữ liệu, lập mô hình và trực quan hóa dữ liệu môi trường liên quan đến chất lượng không khí và nước.
• Dự án OpenAQ (Toàn cầu): Một nền tảng mã nguồn mở tổng hợp dữ liệu chất lượng không khí từ khắp nơi trên thế giới, sử dụng Python để thu thập, xử lý dữ liệu và phát triển API.
• Nhiều viện nghiên cứu trên toàn thế giới: Sử dụng Python để lập mô hình khí hậu, nghiên cứu sinh thái và giám sát đa dạng sinh học.
• Các Sáng kiến Nông nghiệp Thông minh: Trên toàn cầu, nông dân đang tận dụng Python để phân tích dữ liệu cảm biến từ các cánh đồng của họ, tối ưu hóa việc tưới tiêu, sử dụng phân bón và kiểm soát sâu bệnh.

Kết luận

Python cung cấp một nền tảng mạnh mẽ và linh hoạt để giám sát môi trường và phân tích dữ liệu cảm biến. Bằng cách tận dụng hệ sinh thái thư viện phong phú và tính dễ sử dụng của Python, bạn có thể xây dựng các giải pháp bền vững để giải quyết các thách thức môi trường cấp bách. Hướng dẫn này đã cung cấp một cái nhìn tổng quan toàn diện về các kỹ thuật và ứng dụng chính. Chúng tôi khuyến khích bạn khám phá thêm và đóng góp cho một tương lai bền vững hơn bằng sức mạnh của Python. Sự kết hợp giữa công nghệ sẵn có và các nền tảng mã nguồn mở như Python trao quyền cho các cá nhân và tổ chức trên toàn thế giới để giám sát và giảm thiểu rủi ro môi trường, dẫn đến việc ra quyết định sáng suốt hơn và một hành tinh khỏe mạnh hơn.

Tài nguyên Tham khảo thêm

• Tài liệu Pandas: https://pandas.pydata.org/docs/
• Tài liệu Matplotlib: https://matplotlib.org/stable/contents.html
• Tài liệu Scikit-learn: https://scikit-learn.org/stable/
• Tài liệu statsmodels: https://www.statsmodels.org/stable/index.html
• Hướng dẫn Giám sát Môi trường trên RealPython.com: https://realpython.com/ (Tìm kiếm "environmental monitoring")