{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "d2134b50",
   "metadata": {},
   "source": [
    "# Training CNN Model with PyTorch for Land Use Classification\n",
    "Huấn luyện mô hình CNN với PyTorch cho phân loại sử dụng đất từ dữ liệu Sentinel-1 và Sentinel-2"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "5b9ca134",
   "metadata": {},
   "outputs": [],
   "source": [
    "%%time\n",
    "%matplotlib inline\n",
    "\n",
    "import importlib\n",
    "import new_import_ODC  \n",
    "\n",
    "importlib.reload(new_import_ODC)\n",
    "\n",
    "from new_import_ODC import *"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "709c2518",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Kiểm tra GPU availability\n",
    "print(f\"PyTorch version: {torch.__version__}\")\n",
    "print(f\"CUDA available: {torch.cuda.is_available()}\")\n",
    "if torch.cuda.is_available():\n",
    "    print(f\"CUDA device: {torch.cuda.get_device_name(0)}\")\n",
    "    device = 'cuda'\n",
    "else:\n",
    "    print(\"Using CPU for training\")\n",
    "    device = 'cpu'\n",
    "\n",
    "print(f\"\\nDevice sẽ dùng: {device}\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "15f073ca",
   "metadata": {},
   "outputs": [],
   "source": [
    "%%time\n",
    "# Cấu hình Daskgateway\n",
    "cluster, client = notebook_utils.initialize_dask(use_gateway=True, workers=(1, 10))\n",
    "# Khai báo 1 Datacube là dc\n",
    "dc = datacube.Datacube()\n",
    "\n",
    "# Cấu hình truy cập dịch vụ S3\n",
    "configure_s3_access(aws_unsigned=False, requester_pays=True, client=client)\n",
    "\n",
    "client"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "74a229f6",
   "metadata": {},
   "outputs": [],
   "source": [
    "## cấu hình thời gian lấy ảnh và tọa độ\n",
    "date_range = (\"2022-09-01\", \"2023-10-01\")\n",
    "longtitude_range = (105.5, 106.4)\n",
    "latitude_range = (9.2, 10.0)\n",
    "\n",
    "coordinates = (longtitude_range, latitude_range)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "1ebdade4",
   "metadata": {},
   "outputs": [],
   "source": [
    "## truy vấn ảnh vệ tinh sen2\n",
    "data = load_data(dc, date_range, longtitude_range, latitude_range)\n",
    "notebook_utils.heading(notebook_utils.xarray_object_size(data))\n",
    "display(data)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c444f3cc",
   "metadata": {},
   "outputs": [],
   "source": [
    "%%time\n",
    "# Tiến hành loại bỏ các vị trí bị mây ảnh hưởng\n",
    "result = mask_clean(data)\n",
    "progress(result)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "f0df6581",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Tiến hành tính toán NDVI\n",
    "ds1 = calculate_indices(result, index=\"NDVI\", satellite_mission=\"s2\")\n",
    "ndvi = ds1[\"NDVI\"]\n",
    "display(ndvi)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "430302e3",
   "metadata": {},
   "outputs": [],
   "source": [
    "## Hiển thị ảnh NDVI chưa điền các giá trị mây (chưa fill nan)\n",
    "plt.imshow(ndvi.isel(time=6))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "6798b0d2",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Thiết lập giá trị trung bình mùa vụ để xử lý các điểm ảnh bị mây dựa vào sự thay đổi theo mùa\n",
    "time_split = [\n",
    "    slice(\"2022-09-01\", \"2023-01-01\"),\n",
    "    slice(\"2023-01-01\", \"2023-05-01\"),\n",
    "    slice(\"2023-05-01\", \"2023-07-01\"),\n",
    "    slice(\"2023-07-01\", \"2023-10-01\"),\n",
    "]\n",
    "\n",
    "# Điền mây ở các vị trí mang giá trị nan (fill nan)\n",
    "fill_nan_ndvi = fill_nan(ndvi, time_split)\n",
    "\n",
    "# In kết quả ảnh NDVI đã điền mây (đã fill nan)\n",
    "plt.imshow(fill_nan_ndvi.isel(time=6))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "0e10d6e6",
   "metadata": {},
   "outputs": [],
   "source": [
    "%%time\n",
    "## tính ndvi theo tháng\n",
    "average_ndvi = fill_nan_ndvi.resample(time=\"1M\").mean().persist()\n",
    "progress(average_ndvi)\n",
    "\n",
    "# compute average_ndvi\n",
    "average_ndvi = average_ndvi.compute()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "7b3b7086",
   "metadata": {},
   "outputs": [],
   "source": [
    "#Load dữ liệu ảnh Sentinel 1\n",
    "dsvh, dsvv = load_data_sen1(dc, date_range, coordinates)\n",
    "average_vv = calculate_average(dsvv, time_pattern='1M')\n",
    "average_vh = calculate_average(dsvh, time_pattern='1M')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "6d3f9ab1",
   "metadata": {},
   "outputs": [],
   "source": [
    "## cấu hình bộ dữ liệu điểm huấn luyện mô hình (train file)\n",
    "train_path = \"train/ST_training data_updated_1130points_new.shp\"  # đường dẫn shp file train\n",
    "\n",
    "## load dữ liệu điểm huấn luyện mô hình (train file)\n",
    "train = load_train_data(train_path)\n",
    "train.head()\n",
    "\n",
    "# cấu hình nhãn dữ liệu \n",
    "label_mapping = {\n",
    "    \"Lua tom\": \"0\",\n",
    "    \"Lua\": \"1\",\n",
    "    \"CHN\": \"2\",\n",
    "    \"CLN\": \"3\",\n",
    "    \"TS\": \"4\",\n",
    "    \"Song\": \"5\",\n",
    "    \"Dat xay dung\": \"6\",\n",
    "    \"Rung\": \"7\",\n",
    "}\n",
    "\n",
    "# xây dựng tập dữ liệu (dataset) chứa dữ liệu VH, VV, NDVI\n",
    "datasets = get_data_sen1_and_sen2(train, average_ndvi, average_vh, average_vv)\n",
    "\n",
    "# chia tập dữ liệu thành các phần theo tỉ lệ 80(80-20)-20 tương ứng với tập train, validate, test\n",
    "X_train, X_val, X_test, y_train, y_val, y_test = split_train_data(\n",
    "    train, label_mapping, datasets\n",
    ")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c0188e1b",
   "metadata": {},
   "source": [
    "## Huấn luyện mô hình CNN với PyTorch"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "ba38ce6a",
   "metadata": {},
   "outputs": [],
   "source": [
    "%%time\n",
    "# Huấn luyện mô hình CNN với PyTorch\n",
    "print(\"🔷 Bắt đầu huấn luyện CNN model với PyTorch...\\n\")\n",
    "\n",
    "cnn_model, history, scaler = train_cnn_pytorch(\n",
    "    X_train, X_val, X_test, \n",
    "    y_train, y_val, y_test,\n",
    "    num_classes=8,\n",
    "    epochs=100,\n",
    "    batch_size=32,\n",
    "    learning_rate=1e-3,\n",
    "    device=device,\n",
    "    verbose=True\n",
    ")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "fd19df06",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Vẽ đồ thị huấn luyện\n",
    "plot_pytorch_training_history(history)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "e16d8c20",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Lưu mô hình CNN PyTorch\n",
    "save_pytorch_model(cnn_model, scaler, model_name=\"model_cnn_pytorch.pth\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "adb17862",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Hiển thị model architecture\n",
    "print(\"\\n📐 Model Architecture:\")\n",
    "print(cnn_model)\n",
    "\n",
    "# Đếm số parameters\n",
    "total_params = sum(p.numel() for p in cnn_model.parameters())\n",
    "trainable_params = sum(p.numel() for p in cnn_model.parameters() if p.requires_grad)\n",
    "print(f\"\\n📊 Model Parameters:\")\n",
    "print(f\"   Total parameters: {total_params:,}\")\n",
    "print(f\"   Trainable parameters: {trainable_params:,}\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "b4963d6f",
   "metadata": {},
   "outputs": [],
   "source": [
    "# đóng client, cluster\n",
    "client.close()\n",
    "cluster.close()"
   ]
  }
 ],
 "metadata": {
  "language_info": {
   "name": "python"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}