PHÂN LOẠI LOẠI CÂY TRỒNG NÔNG NGHIỆP DỰA TRÊN ẢNH VIỄN THÁM ĐA THỜI GIAN SỬ DỤNG MÔ HÌNH HỌC SÂU
Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Trần Minh Duy |
| Người hướng dẫn | Phạm Việt Truyền |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2026 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
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.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- HỆ THỐNG TỔNG HỢP THÔNG TIN VÀ TƯ VẤN XE Ô TÔ
- XÂY DỰNG WEBSITE BÁN CÁC LOẠI THIẾT BỊ ĐIỆN TỬ BẰNG LARAVEL FRAMEWORK
- ƯỚC LƯỢNG TỐC ĐỘ PHƯƠNG TIỆN GIAO THÔNG TỪ HÌNH ẢNH CAMERA
- XÂY DỰNG HỆ THỐNG KHAI THÁC VÀ GỢI Ý TRI THỨC HỌC THUẬT TỪ LUẬN VĂN CAO HỌC TẠI ĐẠI HỌC CẦN THƠ
- HỆ THỐNG GỢI Ý BÁN PHỤ KIỆN HANDMADE
- XÂY DỰNG WEBSITE QUẢN LÝ KINH DOANH MỸ PHẨM
- XÂY DỰNG HỆ THỐNG QUẢN LÝ CỬAHÀNGBÁNGIÀYKẾT HỢP CHAT BOT VÀ TÌM KIẾM BẰNG GIỌNG NÓI
- WEBSITE TRẮC NGHIỆM TÍNH CÁCH MBTI HỖ TRỢ TƯ VẤN TUYỂN SINH
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.