작물 생육의 실시간 모니터링은 정밀 농업의 핵심이다. 그러나 위성 원격 탐지는 넓은 범위를 커버하지만 기상 조건과 공간 해상도 제한을 받으며, 무인항공기(UAV)는 높은 공간 해상도를 제공하지만 운용 기간에 제한이 있어 단일 데이터 소스로는 대규모 연속 모니터링 수요를 충족하기 어렵다. 본 연구는 UAV, Sentinel-2 및 PlanetScope SuperDove의 다중 분광 데이터를 기반으로 개선된 CACAO 알고리즘에 기반한 플랫폼 간 시공간 융합 방법을 제안한다. 본 방법은 "UAV+Sentinel-2"와 "SuperDove+Sentinel-2+UAV" 두 가지 데이터 조합 전략을 구축하고, 순방향 예측과 역방향 업데이트 두 가지 모드를 통해 거의 실시간으로 일별 1미터 해상도의 정규화 식생 지수(NDVI) 시계열 데이터 세트를 생성한다. 또한, 홀드아웃 교차검증(Leave-One-Out Cross-Validation, LOOCV)을 적용하고 기존 GLM-STF(일반화 선형 모형 기반 시공간 융합) 알고리즘과 비교하여 융합 결과의 정확도를 평가하였다. 결과는 다음과 같다: (1) 서로 다른 플랫폼 간 NDVI 데이터의 일관성이 우수하며 Sentinel-2와 SuperDove NDVI 상관관계는 0.97, UAV와 위성 NDVI 상관관계는 0.75 이상으로 데이터 융합 전제를 충족한다; (2) CACAO 알고리즘은 벼의 생육 동태를 효과적으로 재구성할 수 있으며, 역방향 업데이트 모드에서 생성된 NDVI 시계열이 더 부드럽고, CACAO 기반 두 가지 데이터 조합 전략 모두 높은 정확도(R > 0.94)를 달성하였다. 주요 생육기에는 고시간 해상도의 SuperDove 데이터를 도입하여 정확도를 0.51에서 0.67로 향상시켰다; (3) CACAO 알고리즘은 전체 생장 기간 동안 GLM-STF 알고리즘보다 안정적이고 다소 높은 정확도 우위를 보였다. 요약하면, 본 연구에서 제안한 플랫폼 간 융합 프레임워크는 연속적이고 고정밀한 밭 단위 벼 NDVI 시계열 생성을 효과적으로 수행할 수 있어 작물 생육의 세밀한 모니터링 및 정밀 관리를 위한 강력한 기술적 지원을 제공한다.

PlanetScope;Sentinel-2;시공간 데이터 융합;생육 모니터링;정밀 농업;밭 단위;생육 곡선;근실시간 모니터링