Spatially Robust Winter-Cereal Mapping in Western Australia Without Regional Ground Truth = 현장자료 없는 서호주에서 외부 참조 라벨을 이용한 겨울곡물 지도화

다국어 초록 (Multilingual Abstract)

Large scale mapping of winter cereals was often constrained by the
scarcity of ground truth labels and the limited transferability of
existing global products. However, an annually updated winter cereal
map for Australia was not available, and global layers such as ESA
WorldCereal and the Winter Triticeae Crops Index showed area
mismatches and regional bias over Australian croplands. We
developed a two-stage PL based pipeline that mapped winter cereals
across Western Australia without local ground truth, using
Queensland as the reference region. First, using the 2021 wintercereal
labels in Queensland and Sentinel-2 composites, we identified
a two-dimensional vegetation-index feature space in which winter
cereals were robustly separated from other land-cover types.
Among many candidates, the CIRE–LSWI pair provided the most
stable separability across major cropland regions in Queensland. We
trained a topology-guided U-Net on seed pixels sampled from highdensity
regions of this feature space and applied it to Western
Australia Sentinel-2 composites to generate high-confidence
winter-cereal PLs for 2021. We defined high-confidence PLs using
the intra-QLD criterion that achieved ≥90% precision. Second, we
processed Sentinel-2 time-series data from sowing to pre-harvest,
trained a Random Forest classifier, and generated annual 30 m
winter-cereal probability maps for Western Australia (2020–2025).
We calibrated a separate probability threshold for each year to match
Western Australia government area statistics. Using each year’s
calibrated threshold, the 2020 map achieved R² = 0.94 and RMSE =
634.8 km² against SA2-level government area statistics (n = 25), iv
and the 2023 map achieved OA = 87.0%, UA = 100%, PA = 80.5%,
and F1 = 0.892 against Google Street View–derived polygons. These
results demonstrated the feasibility of winter-cereal mapping via
spatiotemporal transfer in large regions where ground truth
collection was constrained.

국문 초록 (Abstract)

국내 밀, 보리 공급에 중요한 역할을 하는 서호주에서는 현장 검증
자료 부족으로 겨울 곡물(밀·보리) 지도화가 어려웠다. 본 연구는
현장자료 없이도 적용 가능한 의사라벨 기반 2단계 프레임워크를
제안한다. 먼저 퀸즐랜드의 주정부 작물지도 TERN의 겨울 곡물
지도를 활용하여 2021년 S2 위성영상에서 CIRE와 LSWI 지수로
구성한 2차원 특징공간에서 고밀도 시드를 추출하고, 이를 이용해
U-Net을 학습한 뒤 서호주 2021년 S2위성영상을 입력하여 고
신뢰 양성 라벨을 생성하였다. 다음으로 4–11월 Sentinel-2 20일
합성 시계열에서 반사밴드 및 식생지수를 입력으로 랜덤 포레스트
모델을 학습하여 확률지도를 만들었다. 이후 정부통계면적과
일치하는 임계값을 기반으로 2020년도 SA2 행정구역 평가는
R²값 0.94로 높은 일치도를 보였으며, 2020년 WTCI 제품(R²
= 0.85)보다 우수한 성능을 나타냈다. 또한, 2023년도 GSV
필지평가를 통해 전체 정확도(OA)는 0.7986, F1 점수는
0.8403을 기록했다. 제안한 방법은 현장 검증 자료가 제한된
대규모 지역에서도 공간 전이를 통해 겨울 곡물의 안정적인
지도화의 가능성을 보였다.

목차 (Table of Contents)

• Chapter 1. Introduction (1-9)
• Chapter 2. Methods (10-28)
• Chapter 3. Results (29-35)
• Chapter 4. Discussion (36-49)
• Chapter 5. Conclusion (50)
• Bibliography (51-58)
• Abstract in Korean (59)