hoàn thành chức năng tính ndvi analysys 2 màn hình

2025-12-24 13:57:08 +07:00
parent 389c7c141f
commit e86709df85
25 changed files with 4755 additions and 460 deletions
@@ -0,0 +1,116 @@
+# QUAN TRỌNG: Làm rõ về NDVI và Phân loại Đất
+
+## Mục tiêu chính: PHÂN LOẠI SỬ DỤNG ĐẤT
+
+Hệ thống phân loại 8 loại đất:
+1. **Lua tom** (0): Lúa tôm
+2. **Lua** (1): Lúa
+3. **CHN** (2): Cây hàng năm
+4. **CLN** (3): Cây lâu năm  
+5. **TS** (4): Thủy sản
+6. **Song** (5): Sông
+7. **Dat xay dung** (6): Đất xây dựng
+8. **Rung** (7): Rừng
+
+## Workflow Đúng
+
+### Training:
+```
+Sentinel-2 Data (nhiều bands) 
+  → Extract Features (spectral bands, indices, temporal) 
+  → Train Model (RandomForest/XGBoost/CNN)
+  → Model dự đoán loại đất (0-7)
+```
+
+### Prediction:
+```
+Sentinel-2 Data (khu vực mới)
+  → Extract Features (giống training)
+  → Model.predict() 
+  → Kết quả: Bản đồ phân loại đất (0-7)
+  → [OPTIONAL] Tính NDVI để visualization/analysis
+```
+
+## NDVI là gì?
+
+**NDVI (Normalized Difference Vegetation Index)** là chỉ số thực vật:
+- Formula: `NDVI = (NIR - Red) / (NIR + Red)`
+- Giá trị: -1 đến +1
+- Ý nghĩa: 
+  - Cao (>0.6): Thực vật xanh tươi (rừng, lúa)
+  - Trung (0.2-0.6): Thực vật thưa, cỏ
+  - Thấp (<0.2): Đất trống, nước, xây dựng
+
+## Vai trò của NDVI
+
+### ❌ KHÔNG PHẢI: Input duy nhất cho model
+```python
+# SAI - Chỉ dùng NDVI để predict loại đất
+X = [ndvi_value]  # 1 feature
+model.predict(X)  # Accuracy thấp!
+```
+
+### ✅ ĐÚNG: Một trong nhiều features
+```python
+# ĐÚNG - Dùng nhiều features
+X = [ndvi, ndwi, ndbi, blue, green, red, nir, swir1, swir2, ...]  # 39 features
+model.predict(X)  # Accuracy cao!
+```
+
+### ✅ ĐÚNG: Chỉ số phụ sau prediction
+```python
+# 1. Predict land use
+predictions = model.predict(features)  # → [0,1,2,3,4,5,6,7]
+
+# 2. Calculate NDVI for visualization
+ndvi = (nir - red) / (nir + red)
+
+# 3. Export both
+save_geotiff("land_classification.tif", predictions)
+save_geotiff("ndvi.tif", ndvi)  # Chỉ số phụ để xem thêm
+```
+
+## Model hiện tại: model_odc.joblib
+
+```json
+{
+  "n_features": 39,
+  "model_type": "random_forest (GridSearchCV)",
+  "purpose": "Phân loại sử dụng đất (8 classes)",
+  "features": [
+    "Spectral bands từ nhiều time steps",
+    "Spectral indices (NDVI, NDWI, NDBI, EVI, ...)",
+    "Temporal features (min, max, mean, std, range)"
+  ]
+}
+```
+
+## So sánh với Notebook 01.train_ODC.ipynb
+
+Notebook này train model **ĐƠN GIẢN HÓA** chỉ để demo:
+- Chỉ dùng 1 feature (NDVI)
+- Accuracy thấp
+- **KHÔNG phải** model production
+
+Model thực tế (model_odc.joblib):
+- Dùng 39 features
+- Accuracy cao hơn
+- Production-ready
+
+## Kết luận
+
+✅ **Prediction workflow**:
+1. Load Sentinel-2 data
+2. Extract 39 features (bands + indices + temporal)
+3. Model.predict() → Land classification map
+4. [Optional] Calculate NDVI for additional analysis
+
+✅ **NDVI role**:
+- Là MỘT trong các features (không phải duy nhất)
+- Hoặc là output phụ để visualization
+- KHÔNG phải mục tiêu chính
+
+❌ **Sai lầm thường gặp**:
+- Nghĩ NDVI là input duy nhất
+- Train model chỉ với NDVI → accuracy thấp
+- Bỏ qua các features khác (NDWI, NDBI, temporal, ...)