24 lines
3.1 KiB
Markdown
24 lines
3.1 KiB
Markdown
1. 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.
|
|
|
|
|
|
Lazy Dask Chunking để giảm dung lượng ram cần dùng lúc tải dữ liệu
|
|
|