멀티스펙트럼 및 SAR 이미지를 융합한 Kulon Progo의 기계 학습 기반 쌀밭 매핑

쌀밭의 토지 전환은 쌀 생산을 줄이고 식량 안전에 부정적인 영향을 미칠 수 있습니다. 따라서 생산적인 농업 토지의 손실을 방지하기 위해 모니터링이 필수적입니다. 본 연구는 Sentinel-2 MSI, Sentinel-1 SAR 및 SRTM(고도 및 경사 데이터)를 조합하여 쌀밭의 토지 전환을 모니터링합니다. 연간 중앙값으로 만든 Sentinel-2 MSI 이미지를 사용하여 다양한 쌀밭과 다른 물체를 식별하기 위한 NDVI, NDBI, NDWI 지수가 변환됩니다. Sentinel-1 데이터의 SAR 이미지로부터 얻은 월별 중앙값 복합체는 침수 단계에서 쌀밭의 재배 패턴을 식별하는 데 사용됩니다. 분류는 Google Earth Engine(GEE) 플랫폼에서 Random Forest 기계 학습 알고리즘을 사용하여 수행됩니다. Random Forest 분류는 고해상도 Google Earth 이미지를 시각적으로 해석하여 추출한 샘플 특성의 70:30 비율로 훈련 및 테스트 데이터를 사용하여 1000그루의 트리로 실행됩니다. 본 연구에서 Random Forest 분류는 쌀밭 매핑에 대해 2021년 96.16%, 2017년 95.95%의 정확도로 다량의 다중 시계열 및 다중 센서 데이터를 처리하는 데 효과적입니다. 2017년~2021년의 다중 시계열 쌀밭 지도에서 826.66 헥타르의 쌀밭이 비쌀밭으로 전환된 것으로 확인되었습니다. 공간 분포에 따라 쌀밭에서 비쌀밭으로의 전환은 도로, 건축물 및 욕야카르타 국제공항 근처의 지역에서 더 높습니다. 따라서 국가 전략 프로젝트가 환경 영향과 식량 안전을 고려하여 관리되도록 평가하고 보장하는 것이 중요합니다.