PHÂN LOẠI LOẠI CÂY TRỒNG NÔNG NGHIỆP DỰA TRÊN ẢNH VIỄN THÁM ĐA THỜI GIAN SỬ DỤNG MÔ HÌNH HỌC SÂU

Abstract

Trong bối cảnh chuyển đổi số trong nông nghiệp, việc ứng dụng ảnh viễn thám kết hợp với trí tuệ nhân tạo đang trở thành hướng tiếp cận hiệu quả nhằm giám sát và phân tích hiện trạng cây trồng trên diện rộng. Đề tài “Phân loại loại cây trồng nông nghiệp dựa trên ảnh viễn thám đa thời gian sử dụng mô hình học sâu” được thực hiện nhằm xây dựng giải pháp giám sát mùa vụ tự động, thay thế cho các phương pháp khảo sát thực địa truyền thống vốn tốn kém và mất nhiều thời gian. Nghiên cứu tập trung phân loại 4 loại cây trồng chủ lực tại khu vực Cần Thơ bao gồm: lúa, mía, dừa và tràm dựa trên chuỗi ảnh vệ tinh Sentinel-2 Level-2A. Bộ dữ liệu thực nghiệm gồm 2.666 thửa ruộng được xây dựng thông qua quá trình khảo sát thực địa tại xã Phú Tâm và xã Long Hưng (TP. Cần Thơ) kết hợp với quy trình tiền xử lý ảnh vệ tinh. Mỗi mẫu dữ liệu là một chuỗi thời gian được trích xuất 9 đặc trưng bao gồm các băng phổ nguyên bản và các chỉ số thực vật (NDVI, EVI, NDWI). Trên cơ sở đó, bốn kiến trúc học sâu được xây dựng và so sánh là CNN, LSTM, mô hình kết hợp CNN-BiLSTM và CNN-Transformer nhằm khai thác đồng thời đặc trưng thông tin biến đổi theo thời gian của cây trồng. Kết quả thực nghiệm khẳng định vai trò quyết định của dữ liệu chuỗi thời gian, trong đó mô hình CNN-BiLSTM đạt hiệu năng cao nhất với độ chính xác đạt 97,28% và chỉ số F1-Macro đạt 96,28%. Đồng thời, nghiên cứu đã hiện thực hóa giải pháp thông qua việc xây dựng trang web cục bộ với giao diện tương tự Web-GIS. Hệ thống cho phép người dùng tương tác trực tiếp để khoanh vùng thửa đất qua polygon, tự động truy xuất dữ liệu từ nền tảng Google Earth Engine và hiển thị kết quả dự đoán cùng xác suất phân bổ chi tiết của từng loại cây trồng. Từ khóa: phân loại cây trồng, ảnh viễn thám, học sâu, CNN-BiLSTM, CropSense AI. In the context of digital transformation in agriculture, the application of remote sensing imagery combined with artificial intelligence is becoming an effective approach to monitor and analyze crop status on a large scale. The thesis titled "Agricultural crop classification from multi-temporal remote sensing data using deep learning" was conducted to develop an automated seasonal monitoring solution, replacing traditional field survey methods that are costly and time-consuming. The research focuses on classifying four main crop types in the Can Tho area, including rice, sugarcane, coconut, and melaleuca (tram), based on Sentinel-2 Level2A satellite image sequences. The experimental dataset consists of 2,666 fields established through field surveys in Phu Tam and Long Hung communes (Can Tho City) combined with a satellite image pre-processing workflow. Each data sample is a time series from which nine features were extracted, including original spectral bands and vegetation indices (NDVI, EVI, NDWI). On this basis, four deep learning architectures were built and compared: CNN, LSTM, the combined CNN-BiLSTM model, and CNN-Transformer to simultaneously exploit the temporal variations of crop information. Experimental results confirm the decisive role of time-series data, in which the CNN-BiLSTM model achieved the highest performance with an accuracy of 97.28% and an F1-Macro score of 96.28% Additionally, the research implemented the solution by building a local website with an interface similar to Web-GIS. The system allows users to interact directly to delineate field areas via polygons, automatically retrieve data from the Google Earth Engine platform, and display prediction results along with detailed probability distributions for each crop type . Keywords: crop classification, remote sensing, deep learning, CNN-BiLSTM, CropSense AI.