Dado que los montones de compostaje al aire libre (OCP) contienen grandes cantidades de nitrógeno y fósforo, actúan como un importante contaminante que deteriora la calidad del agua, como la eutrofización y las algas verdes, cuando los OCP entran en el río durante las lluvias. En Corea del Sur, los OCP se utilizan con frecuencia, pero hay una limitación en que se consume mucha mano de obra y presupuesto para investigar la situación actual, por lo que es necesario investigar los OCP de manera eficiente. Este estudio comparó la precisión de varias técnicas de aprendizaje automático para la detección y gestión eficiente de los montones de compostaje al aire libre (OCP), una fuente de contaminación difusa en áreas agrícolas de Corea del Sur, utilizando imágenes de vehículos aéreos no tripulados (UAV). Se tomaron imágenes RGB, multiespectrales e infrarrojas térmicas en agosto y octubre de 2019. Además, se consideraron índices de vegetación (NDVI, NDRE, ENDVI y GNDVI) y temperatura superficial. Se implementaron cuatro técnicas de aprendizaje automático, incluyendo máquina de soporte vectorial (SVM), árbol de decisión (DT), bosque aleatorio (RF) y k-NN, y se identificó la técnica de aprendizaje automático con la mayor precisión ajustando varias variables. La precisión de todas las técnicas de aprendizaje automático fue muy alta, alcanzando valores de hasta 0.96. En particular, la precisión del método RF con el número de estimadores establecido en 10 fue la más alta, alcanzando 0.989 en agosto y 0.987 en octubre. El método propuesto permite predecir la ubicación y el área de los OCP en grandes regiones, evitando así la necesidad de mediciones de campo de OCP. Por lo tanto, nuestros hallazgos proporcionan datos muy útiles para la mejora de las estrategias de gestión de OCP y la calidad del agua.