3.0 KiB
- Nhóm Mô hình Phân loại Lớp phủ bề mặt (Land Classification) Đây là các model được dùng để xác định loại đất (lúa, rừng, nước, đất xây dựng,...) dựa trên ảnh Quang học (Sentinel-2) và Radar (Sentinel-1).
Random Forest (Sklearn): Mô hình rừng ngẫu nhiên chạy trên CPU. Đây là mô hình cơ sở đầu tiên được hệ thống thiết lập để dự đoán. XGBoost (XGBClassifier): Mô hình Gradient Boosting hiện đại được tối ưu hóa chạy phần cứng bằng GPU (CUDA). Mô hình này có tốc độ huấn luyện/dự đoán nhanh hơn gấp nhiều lần Random Forest và hiện đang được dùng làm cốt lõi trong các file chạy train_ODC_XGBoost hay new_train. 2. Nhóm Mô hình Xóa mây và Tái tạo ảnh (Cloud Removal) Nhóm này được thiết kế riêng để xử lý các vùng điểm ảnh Sentinel-2 bị che khuất bởi mây, phục hồi lại giá trị phổ nguyên bản.
Classical (Nội suy cổ điển): Không sử dụng AI, dùng các thuật toán nội suy điểm ảnh truyền thống để lấp đầy vùng bị mây (Interpolation/Inpainting). Deep Learning - CNN: Mạng Nơ-ron tích chập (Convolutional Neural Networks) phân tích cấu trúc ảnh xung quanh để tái tạo điểm bị khuất. Deep Learning - Swin-UNet: Kiến trúc cao cấp kết hợp giữa Transformer (Swin) và U-Net, được bạn tài liệu hóa chi tiết trong SWIN_UNET_GUIDE.md. Nó rất mạnh trong việc nắm bắt chi tiết không gian cục bộ và toàn cục để tái tạo hình ảnh. Hybrid (Classical + ML KNN): Mô hình kết hợp giữa Nội suy cổ điển và Học máy K-Láng giềng gần nhất (K-Nearest Neighbors). Cho kết quả cân bằng tốt nhất giữa tốc độ xử lý và chất lượng ảnh đầu ra. 3. Nhóm Mô hình Dự báo Chỉ số Thực vật (NDVI Forecasting) Nhóm mô hình này chủ yếu xuất hiện trong thiết kế lý thuyết (NDVI_FORECAST_METHODOLOGY.md) để dự đoán chuỗi thời gian phát triển của thực vật:
Land-based Statistical Model (Hiện tại): Phương pháp dựa trên thuật toán thống kê (Tính Mean/Std) của NDVI theo từng phân lớp đất để ngoại suy giá trị tương lai. Deep Learning Time Series (LSTM / GRU): Các mạng nơ-ron hồi quy chuyên xử lý chuỗi thời gian, giúp bắt được tính chu kỳ (mùa vụ) của thực vật. Spatial-Temporal Models (ConvLSTM): Mô hình tích hợp, vừa học được đặc trưng không gian (ảnh vệ tinh) vừa học được chiều thời gian. Hybrid Physics-ML Model: Mô hình lai giữa các nguyên lý vật lý/sinh học (như mô hình DSSAT, WOFOST về sự phát triển của cây trồng) kết hợp với Machine Learning để hiệu chỉnh. Multi-Model Ensemble: Mô hình tổng hợp (Ensemble), lấy trọng số dự đoán trung bình từ nhiều mô hình khác nhau để đưa ra dự báo NDVI chính xác nhất.