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:

Lua tom (0): Lúa tôm
Lua (1): Lúa
CHN (2): Cây hàng năm
CLN (3): Cây lâu năm
TS (4): Thủy sản
Song (5): Sông
Dat xay dung (6): Đất xây dựng
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

# SAI - Chỉ dùng NDVI để predict loại đất
X = [ndvi_value]  # 1 feature
model.predict(X)  # Accuracy thấp!

✅ ĐÚNG: Một trong nhiều features

# 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

# 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

{
  "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:

Load Sentinel-2 data
Extract 39 features (bands + indices + temporal)
Model.predict() → Land classification map
[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, ...)

3.1 KiB Raw Blame History