산림 매핑은 지속 가능한 산림 관리 및 기후 적응에 필수적이며, 산림 구성 및 상태를 평가하여 황폐화를 방지할 수 있게 합니다. 본 연구에서는 Sentinel-2 MSI 위성 이미지를 사용하고 계절적인 캐노피 특성을 포착하는 식생 지수를 활용하여 산림 유형 분류를 위한 U-Net 기반의 심층 학습 프레임워크를 개발했습니다. 식생 지역을 구분하고 이를 바늘잎, 넓은 잎, 혼합 산림으로 분류하는 두 단계 접근법이 채택되었습니다. 산림 지역 분류 모델은 0.958의 전체 정확도(Kappa = 0.916)를 달성하여 산림 지역과 비산림 지역의 신뢰할 수 있는 분리를 확인했습니다. 산림 유형 분류를 위해, 다계절 이미지를 통합하면 성능이 지속적으로 향상되었으며, NDVI 기반 모델은 0.831의 전체 정확도(Kappa = 0.698)를 달성했습니다. 이러한 결과는 캐노피 변동성을 포착하고 분류 정확도를 개선하기 위해 다계절 스펙트럼 정보를 통합하는 중요성을 강조합니다. 이로써 생성된 재현 가능한 프레임워크는 생태계 모니터링, 위험 평가 및 적응형 산림 관리를 지원하여 변화하는 기후 조건 하에서 근실시간 자원 관리를 위한 기초 데이터를 제공합니다.
Chang et al. (Mon,)은 이 질문을 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: