4.9 KiB
4.9 KiB
🌾 Giải Thích Quy Trình Phân Loại Đất Trồng Cây
File notebook 02.predict_ODC.ipynb sử dụng Machine Learning kết hợp với dữ liệu vệ tinh để phân loại các loại đất/cây trồng. Dưới đây là quy trình chi tiết:
Bước 1: Thu thập dữ liệu vệ tinh (Cell 3-4)
date_range = ('2022-09-01', '2023-10-01')
longtitude_range = (105.86575, 105.94120)
latitude_range = (9.65070, 9.69850)
data = load_data(dc, date_range, longtitude_range, latitude_range)
- Lấy ảnh Sentinel-2 (ảnh quang học) từ kho dữ liệu trong khoảng thời gian và vị trí cụ thể
Bước 2: Xử lý mây (Cell 5)
result = mask_clean(data)
- Loại bỏ các pixel bị mây che phủ để đảm bảo dữ liệu chính xác
Bước 3: Tính chỉ số NDVI (Cell 6-10)
ndvi = calculate_indices(result, index='NDVI', satellite_mission='s2')
fill_nan_ndvi = fill_nan(ndvi, time_split)
average_ndvi = fill_nan_ndvi.resample(time='1M').mean()
- NDVI (Normalized Difference Vegetation Index) = (NIR - Red) / (NIR + Red)
- Giá trị từ -1 đến 1: cao = thực vật xanh tốt, thấp = đất trống/nước
- Điền giá trị nan (mây) và tính trung bình theo tháng
Bước 4: Lấy dữ liệu Radar Sentinel-1 (Cell 11)
dsvh, dsvv = load_data_sen1(dc, date_range, coordinates)
average_vv = calculate_average(dsvv, time_pattern='1M')
average_vh = calculate_average(dsvh, time_pattern='1M')
- VH, VV: Dữ liệu radar (xuyên mây), cho biết cấu trúc bề mặt
- Giúp phân biệt lúa ngập nước, cây trồng cạn, mặt nước...
Bước 5: Dự đoán bằng Model ML (Cell 12) ⭐ QUAN TRỌNG NHẤT
loaded_model = joblib.load("model_train/model_odc.joblib")
data_array = predict(loaded_model, data.rio.crs, average_ndvi, average_vh, average_vv)
Model đã được train trước với dữ liệu mẫu (training data) gồm:
- Đầu vào (Features): NDVI theo tháng + VH + VV (chuỗi thời gian)
- Đầu ra (Labels): Loại đất đã được gắn nhãn thủ công
Cách model phân loại:
| Đặc điểm | Loại đất |
|---|---|
| NDVI cao đều, VV thấp | Rừng |
| NDVI biến đổi theo mùa vụ, VH cao (nước) | Lúa |
| NDVI thấp, VV rất thấp | Sông/nước |
| NDVI trung bình ổn định | Cây lâu năm (CLN) |
Bước 6: Hiển thị kết quả (Cell 13-15)
colors = ["#abcee9", "#ffef44", "#c4ff9e", "#ffd6a8", "#93ddda", "#1aeef7", "#ffa7f2", "#33ee33"]
labels = ["Lúa tôm", "Lúa", "CHN", "CLN", "TS", "Sông", "Đất xây dựng", "Rừng"]
8 lớp phân loại:
| Mã | Tên | Màu | Ý nghĩa |
|---|---|---|---|
| 0 | Lúa tôm | 🔵 Xanh nhạt | Luân canh lúa-tôm |
| 1 | Lúa | 🟡 Vàng | Đất trồng lúa |
| 2 | CHN | 🟢 Xanh lá nhạt | Cây hàng năm |
| 3 | CLN | 🟠 Cam nhạt | Cây lâu năm (cây ăn trái) |
| 4 | TS | 🩵 Xanh ngọc | Thủy sản |
| 5 | Sông | 🔷 Cyan | Mặt nước sông |
| 6 | Đất XD | 💗 Hồng | Đất xây dựng |
| 7 | Rừng | 💚 Xanh đậm | Rừng |
Bước 7: Lưu kết quả (Cell 16)
region_result.rio.to_raster("KetQuaPhanLoaiDatODC.tif")
- Xuất file GeoTIFF chứa mã phân loại (0-7) cho từng pixel
📊 Tóm tắt quy trình:
Ảnh vệ tinh (Sentinel-1 + Sentinel-2)
↓
Xử lý (loại mây, tính NDVI, VH, VV)
↓
Kết hợp features theo thời gian (13 tháng)
↓
Model ML (Random Forest/XGBoost) dự đoán
↓
Bản đồ phân loại 8 lớp đất
↓
File .tif (mỗi pixel = 1 mã loại đất)
📁 Cấu trúc dữ liệu đầu vào cho Model
Features (Đặc trưng):
- NDVI theo 13 tháng: 13 bands
- VH (radar) theo 13 tháng: 13 bands
- VV (radar) theo 13 tháng: 13 bands
- Tổng cộng: ~39 features cho mỗi pixel
Labels (Nhãn):
- Được lấy từ shapefile training:
train/ST_training data_updated_1130points_new.shp - 1130 điểm mẫu đã được gắn nhãn thủ công bởi chuyên gia
🔧 Các thư viện sử dụng
| Thư viện | Mục đích |
|---|---|
datacube |
Truy vấn dữ liệu vệ tinh |
xarray |
Xử lý dữ liệu đa chiều |
rioxarray |
Đọc/ghi GeoTIFF |
joblib |
Load/save model ML |
sklearn / xgboost |
Training model |
matplotlib / hvplot |
Trực quan hóa |
📝 Ghi chú
- Độ phân giải: 10-20m (tùy cấu hình)
- Thời gian xử lý: Phụ thuộc vào kích thước vùng và số scenes
- Yêu cầu: Cần kết nối internet để tải dữ liệu vệ tinh từ Planetary Computer hoặc ODC
Tài liệu được tạo ngày 14/12/2025