밀 재배의 시기적절하고 정확한 매핑은 식량 안보, 농업 정책 및 정밀 농업에 중요합니다. Sentinel-2 이미징과 기계 학습을 통한 작물 매핑의 널리 사용됨에도 불구하고, 기존 연구는 종종 단일 특성 집합이나 조잡한 공간 해상도에 의존하며 소규모 및 단편화된 농업 시스템에서의 평가가 제한적입니다. 본 연구는 Sentinel-2 이미징과 극단적 그래디언트 부스팅(XGBoost) 알고리즘을 사용한 밀 분류를 위한 강력한 기계 학습 기반 프레임워크를 제시합니다. 세 가지 입력 특성 모델이 분류 성능을 평가하기 위해 설계되었습니다: 모델 A는 스펙트럴 밴드만을 사용하고, 모델 B는 식생 지수(NDVI, GNDVI, NDRE, MSAVI)만을 사용하며, 모델 C는 두 가지 특성 유형을 결합합니다. 모델들은 2023-2024 밀 시즌 동안 파키스탄 Vehari 지구에서 고품질 필드 샘플을 사용하여 교육 및 평가되었습니다. 모델 C는 스펙트럴 및 지수 특성의 시너지 효과로 인해 94.31%(OA)와 0.886(카파)로 가장 높은 정확도를 달성하여 모델 A와 B를 초월했습니다. 시각적 검사와 밀/비밀 현장 진실 다각형과의 공간적 중첩은 특히 이질적인 필드 조건에서 모델 C의 우수한 정확성을进一步 확인했습니다. 스펙트럴 분석과 생태학적 프로파일링은 레드 엣지와 NIR 밴드가 NDRE와 GNDVI와 같은 지수와 함께 분리 가능성을 크게 향상시킨다는 것을 보여주었습니다. 이 연구는 소규모 밀 시스템에서 분류 정확성을 개선하기 위해 반사도와 식생 지수를 결합하는 운영적 가치를 강조합니다. 이 연구는 특성 융합이 분류 정확성과 공간 정밀성을 향상시킴을 보여주며, 작물 모니터링을 위한 강력하고 확장 가능하며 해석 가능한 프레임워크를 제공합니다. 이 방법론은 데이터 기반 농업 관리를 가능하게 하여 지속 가능한 개발 목표(SDG 2: 제로 헝거)를 추진하고 지속 가능한 토지 사용 관행을 촉진함으로써 지속 가능한 개발 목표의 진전을 직접 지원합니다.
Haseeb 외(2023) 연구는 이 질문을 다루었습니다.