remote-sensing/LOCAL_TRAINING_WORKFLOW.md

Workflow: Prepare Data on Server → Train on Local → Predict on Local

Tổng quan

Workflow này giải quyết vấn đề của bạn bằng cách chia công việc thành 3 bước:

1. Server (01.prepare_data_on_server.ipynb): Tải dữ liệu từ S3, xử lý, lưu file
2. Máy Local (02.train_CNN_PyTorch_local.ipynb): Load data, train model
3. Máy Local (03.predict_CNN_PyTorch_local.ipynb): Dùng model để predict

---

Bước 1: Chuẩn bị Dữ liệu trên Server

File: 01.prepare_data_on_server.ipynb

Quy trình:

• ✅ Kết nối Dask cluster
• ✅ Tải ảnh Sentinel-2 từ S3
• ✅ Xử lý mây (masking)
• ✅ Tính NDVI
• ✅ Điền giá trị mây bằng seasonal interpolation
• ✅ Tính giá trị trung bình theo tháng
• ✅ Tải ảnh Sentinel-1 (VH, VV)
• ✅ Lưu tất cả dữ liệu dưới dạng file NetCDF trong thư mục data_for_training/
• ✅ Copy training data (shapefile) vào data_for_training/train_data/

Kết quả:

data_for_training/
├── average_ndvi.nc          # NDVI data (monthly average)
├── average_vv.nc            # Sentinel-1 VV data (monthly average)
├── average_vh.nc            # Sentinel-1 VH data (monthly average)
└── train_data/
    ├── ST_training data_updated_1130points_new.shp
    ├── ST_training data_updated_1130points_new.shx
    ├── ST_training data_updated_1130points_new.dbf
    └── ... (other shape files)

Tải file xuống máy cá nhân:

# Từ server sang máy local
scp -r user@server:/path/to/data_for_training ./

---

Bước 2: Huấn luyện Model trên Máy Local

File: 02.train_CNN_PyTorch_local.ipynb

Yêu cầu:

• ✅ Python 3.8+
• ✅ PyTorch đã cài đặt
• ✅ NumPy, xarray, geopandas, scikit-learn
• ✅ Thư mục data_for_training/ có sẵn

Cài đặt dependencies:

pip install torch torchvision torchaudio
pip install numpy xarray geopandas scikit-learn matplotlib

Quy trình:

1. Load dữ liệu:

   • Mở các file NetCDF (NDVI, VV, VH)
   • Load training points từ shapefile

2. Chuẩn bị dữ liệu:

   • Trích xuất giá trị từ các điểm training (35 features = 12 tháng × 3 bands - NDVI, VV, VH)
   • Chia dữ liệu: Train (60%), Val (20%), Test (20%)
   • Normalize dữ liệu

3. Xây dựng CNN Model:

   • 3 Conv blocks với BatchNorm + MaxPooling + Dropout
   • 2 Fully connected layers
   • Output: 8 classes (loại sử dụng đất)

4. Huấn luyện:

   • Adam optimizer với learning rate = 0.001
   • Early stopping (patience=15)
   • Learning rate scheduler (ReduceLROnPlateau)
   • Epochs: 100 (tối đa)

5. Lưu model:

   • model_cnn_pytorch.pt - Chỉ state dict
   • model_cnn_pytorch_full.pt - Full model info (state dict + metadata)

Kết quả:

├── model_cnn_pytorch.pt          # PyTorch state dict
├── model_cnn_pytorch_full.pt     # Full model (+ normalization params)
├── model_cnn_pytorch_best.pt     # Best model checkpoint
└── training_history.png          # Training curves

---

Bước 3: Dự đoán trên Máy Local

File: 03.predict_CNN_PyTorch_local.ipynb

Quy trình:

1. Load model: Mở file model_cnn_pytorch_full.pt

2. Load dữ liệu:

   • Mở các file NetCDF
   • Reshape thành spatial grid

3. Predict trên toàn bộ dataset:

   • Áp dụng normalization (mean/std từ training)
   • Predict từng batch để tiết kiệm memory
   • Reshape kết quả thành map

4. Lưu kết quả:

   • land_use_prediction.nc - NetCDF format
   • land_use_prediction.tif - GeoTIFF format (nếu có rasterio)
   • prediction_map.png - Visualization
   • prediction_metadata.json - Metadata (accuracy, label mapping, etc.)

Kết quả:

├── land_use_prediction.nc       # NetCDF output
├── land_use_prediction.tif      # GeoTIFF output
├── prediction_map.png           # Visualization
└── prediction_metadata.json     # Metadata

---

Full Workflow Diagram

┌─────────────────────────────────────────────────────────┐
│                      SERVER                             │
│  01.prepare_data_on_server.ipynb                       │
│  ✅ Load từ S3 (Sentinel-1, 2)                          │
│  ✅ Xử lý mây, tính NDVI                               │
│  ✅ Lưu NetCDF files                                   │
└──────────────┬──────────────────────────────────────────┘
               │ Download data_for_training/
               ↓
┌─────────────────────────────────────────────────────────┐
│                  LOCAL MACHINE                          │
│  02.train_CNN_PyTorch_local.ipynb                      │
│  ✅ Load data từ file                                  │
│  ✅ Trích xuất features từ training points             │
│  ✅ Huấn luyện CNN model                              │
│  ✅ Lưu model                                          │
└──────────────┬──────────────────────────────────────────┘
               │ model_cnn_pytorch_full.pt
               ↓
┌─────────────────────────────────────────────────────────┐
│                  LOCAL MACHINE                          │
│  03.predict_CNN_PyTorch_local.ipynb                    │
│  ✅ Load model                                         │
│  ✅ Predict trên toàn bộ dataset                       │
│  ✅ Lưu kết quả (NC, TIF, PNG, JSON)                  │
└──────────────┬──────────────────────────────────────────┘
               │ Optional: Upload kết quả lên server
               ↓
        (Server lưu trữ)

---

Lợi Ích của Workflow này

Tiêu chí	Trước	Sau
Vị trí code	Phải code trên server rồi up	Code trên máy local, không cần up
Dữ liệu	Không cần download	Download file nhỏ hơn (NetCDF thay vì raw data)
Huấn luyện	Chạy trên server	Chạy trên GPU local nhanh hơn
Predict	Chạy trên server	Chạy local, không chiếm server resource
Phát triển	Chậm (test trên server)	Nhanh (test local ngay)

---

Các file đã tạo

Notebooks:

• 01.prepare_data_on_server.ipynb - Chuẩn bị data trên server
• 02.train_CNN_PyTorch_local.ipynb - Huấn luyện model trên local
• 03.predict_CNN_PyTorch_local.ipynb - Predict trên local

Documentation:

• LOCAL_TRAINING_WORKFLOW.md - File này (hướng dẫn chi tiết)
• PYTORCH_REQUIREMENTS.txt - Dependencies
• PYTORCH_INSTALLATION.md - Hướng dẫn cài PyTorch

---

Troubleshooting

Problem 1: Data files không tồn tại

❌ FileNotFoundError: Thư mục 'data_for_training' không tồn tại

Solution: Hãy chạy notebook 01 trên server và tải file xuống

Problem 2: GPU không được nhận

GPU available: False

Solution:

# Cài PyTorch với GPU support
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

Problem 3: Memory không đủ khi train

Solution:

• Giảm batch_size (từ 32 xuống 16)
• Giảm epochs
• Giảm model complexity

Problem 4: OutOfMemory khi predict

Solution:

• Giảm batch_size trong prediction (từ 128 xuống 64 hoặc 32)

---

Tiếp theo

Sau khi có kết quả predict:

1. Upload land_use_prediction.tif lên server
2. So sánh với ground truth
3. Tính accuracy metrics
4. Có thể tinh chỉnh hyperparameters và retrain

Happy training! 🚀