Mô tả bài toán

Ảnh vệ tinh GOES-16 và mặt nạ mưa MRMS tương ứng (đầu vào và nhãn cho mô hình).

Bạn là học sinh thực tập tại phòng thí nghiệm khí hậu, làm việc cùng nhóm các nhà khoa học muốn dự báo mưa chỉ dựa vào ảnh vệ tinh (radar và cảm biến mặt đất tốn kém, khó triển khai ở vùng xa). Ý tưởng: huấn luyện mô hình phát hiện mưa trực tiếp từ ảnh vệ tinh GOES-16, kết hợp các thông tin bổ trợ như góc mặt trời, thời điểm và vị trí.

Cụ thể, bạn cần xây dựng mô hình phân đoạn ngữ nghĩa nhị phân theo từng pixel: với mỗi pixel, mô hình phải dự đoán pixel đó có mưa hay không. Đầu vào gồm ảnh đa phổ 16 kênh từ GOES-16 cùng metadata (vĩ độ, kinh độ, thời gian, góc cao mặt trời); đầu ra là một mặt nạ nhị phân mưa / không mưa cùng kích thước với ảnh. Đề bài có cung cấp một baseline U-Net pretrained để bạn xuất phát.

Quy định

ĐƯỢC PHÉP: tinh chỉnh hoặc thay đổi kiến trúc baseline U-Net; sử dụng metadata; thay đổi logic suy luận (ngưỡng, hậu xử lý, ensemble…).

KHÔNG được phép: dùng tập dữ liệu bên ngoài; dùng mô hình pretrained khác ngoài baseline được cung cấp; tham khảo bài báo / lời giải về dự báo mưa trên Internet (bài này chuẩn bị cho vòng on-site).

Dữ liệu

Tập dữ liệu gồm các quan sát vệ tinh trong năm 2024:

• Ảnh đa kênh GOES-16 ABI với 16 kênh phổ (C01–C16): C01–C03 khả kiến, C04–C06 cận hồng ngoại, C07–C16 hồng ngoại. Ảnh được cắt thành các patch 128×128 hoặc 256×256 pixel.
• Mặt nạ lượng mưa từ hệ thống MRMS, nhãn mưa / không mưa cho từng pixel.
• Metadata: vĩ độ và kinh độ của góc trên-trái mỗi patch; thời điểm bắt đầu/kết thúc theo giờ UTC (thu đủ 16 kênh mất ~10 phút); một hàm Python tính góc cao mặt trời từ thời gian và vị trí.

Tập huấn luyện thiên về cảnh có mưa (chỉ giữ patch có ≥3% pixel có mưa). Tập validation phản ánh điều kiện thực tế nên nhiều patch có rất ít hoặc không có mưa; một số mẫu còn cố tình bị thiếu/lỗi ở vài kênh phổ để mô phỏng sự cố tín hiệu.

LQDOJ không đính kèm dữ liệu huấn luyện và test (chỉ giữ đáp án để chấm). Tải dữ liệu từ mirror Hugging Face https://huggingface.co/datasets/JettChenT/ioai-weather-satellite hoặc Bohrium https://bohrium.dp.tech/competitions/2103745032?tab=introduce. Mã nguồn baseline: https://github.com/IOAI-official/IOAI-2025/blob/main/At-Home-Round/Weather/Weather.ipynb.

File đính kèm trên LQDOJ: ioai25weather_baseline.ipynb (notebook baseline đầy đủ) và figures.zip (hình minh hoạ).

Bài nộp

Nộp một file .zip chứa duy nhất file test_answer.npz. File test_answer.npz phải có đúng hai mảng numpy:

• Y_pred_128: boolean (hoặc 0/1), shape (51, 128, 128) — mặt nạ dự đoán cho 51 mẫu test 128×128.
• Y_pred_256: boolean (hoặc 0/1), shape (183, 256, 256) — mặt nạ dự đoán cho 183 mẫu test 256×256.

Tổng cộng 234 patch test (51 + 183). Thứ tự các mẫu phải khớp với thứ tự gốc của tập test (xem code mẫu trong notebook baseline).

Tiêu chí chấm

Điểm cuối cùng tính trên toàn bộ 234 patch (gộp cả hai độ phân giải):

Final = (Mean Dice + Image-level Rain Accuracy) / 2

• Mean Dice đo độ trùng khớp pixel-by-pixel: Dice = 2 × |giao| / (|dự đoán| + |thật|), lấy trung bình trên các patch.
• Image-level Rain Accuracy là độ chính xác ở mức ảnh: mỗi patch được coi là đúng nếu mô hình kết luận trong ảnh có mưa / không có mưa khớp ground truth.

Mục tiêu là cải thiện điểm Final so với baseline mà không được nhìn vào nhãn của tập test.

Nguồn đề: IOAI 2025 — At-Home Round — Satellite Weather Forecasting (https://github.com/IOAI-official/IOAI-2025/tree/main/At-Home-Round/Weather). GOES-16 ABI: NOAA / NESDIS; MRMS: NOAA NSSL — đều công khai.