Victor Phan
117 lines
3.1 KiB
Markdown
117 lines
3.1 KiB
Markdown
# 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, ...)
|