Aktif ve Pasif Uydu Görüntüleri Kullanılarak Saf Karaçam Meşcerelerinde Topraküstü Karbonun Tahmin Edilmesi

Abstract

Bu çalışma, Sinop Orman Bölge Müdürlüğü, Boyabat Orman İşletme Müdürlüğü, Elekçamı Orman İşletme Şefliği sınırları içerisinde yayılış gösteren saf karaçam meşcerelerinde gerçekleştirilmiştir. Çalışma kapsamında toplam 247 adet örnek alan verisi kullanılmıştır. Envanter verilerinden yararlanılarak her bir örnek alan için topraküstü karbon (TÜK) değerleri hesaplanmıştır. Her bir örnek alan için Landsat 5 TM bant yansıma ve vejetasyon indis, ALOS-PALSAR uydu görüntüsüne ait HH ve HV polarizasyonlarından parlaklık ve geri yansıtım ile örnek alanlara ilişkin eğim, bakı ve yükselti değerleri hesaplanmıştır. TÜK değerleri ile yukarıda açıklanan değişkenler arasındaki ilişkiler çoğul regresyon analizi ile modellenmiştir. Toplam 14 adet model geliştirilmiştir. Geliştirilen model başarıları incelendiğinde, Landsat 5 TM vejetasyon indis, ALOS-PALSAR parlaklık ve geri yansıtım değişkenleri ile eğim, bakı ve yükselti değerlerinin bağımsız değişkenler olarak yer aldığı modelde belirtme katsayısı (R_düz^2=0.655; Sy.x=0.18147) elde edilmiştir.

Keywords

• Landsat 5 TM
• ALOS-PALSAR
• çoğul regresyon analizi

Estimation of Aboveground Carbon Using Active and Passive Satellite Image in Pure Crimean Pine Stands

Abstract

This study was conducted in pure Crimean stands located within the boundaries of Sinop Regional Directorate of Forestry, Boyabat Forest Enterprise, Elekçamı Forest Planning Unit. A total of 247 sample plot inventory data were utilized. Using inventory data, aboveground carbon values were calculated for each sample plot. Then, for each sample plot, band brightness and vegetation indice obtained from the Landsat 5 TM satellite image, polarization (HH and HV) brightness and backscattering obtained from the ALOS-PALSAR satellite image, as well as slope, aspect, and elevation values, were calculated. The relationships between aboveground carbon values and the variables mentioned above were modeled using multiple regression analysis. A total of 14 models were developed. When examining the success of the developed models, the highest model accuracy (R_adj^2=0.655;Sy.x=0.18147) was achieved in the model that included vegetation indices from the Landsat 5 TM satellite image, brightness and backscattering values from the ALOS-PALSAR satellite image, along with slope, aspect, and elevation as independent variables.

Keywords

• Landsat 5 TM
• ALOS-PALSAR
• multiple regression analysis

References

1. Aksoy, H. (2023). Sinop Orman Bölge Müdürlüğü saf sarıçam meşcerelerinde farklı uzaktan algılama verileri kullanılarak bazı meşcere parametrelerinin modellenmesi (Doktora tezi). Erişim adresi: https://tez.yok.gov.tr/UlusalTezMerkezi
2. Ali, N. and Khati, U. (2024). Forest aboveground biomass and forest height estimation over a sub-tropical forest using machine learning algorithm and synthetic aperture radar data. Journal of the Indian Society of Remote Sensing, 1-16.
3. Anonim (2012). Kastamonu Orman Bölge Müdürlüğü, Boyabat Orman İşletme Müdürlüğü, Elekeçamı orman işletme şeflikliği, fonksiyonel orman amenajman planı, Orman Genel Müdürlüğü, Orman İdaresi ve Planlama Dairesi, Ankara.
4. Anonim (2022). Orman Genel Müdürlüğü, Ankara.
5. Asan, Ü. Destan, S. ve Özkan, U.Y. (2002). İstanbul korularının karbon depolama, oksijen üretime ve toz tutma kapasitelerinin kestirilmesi, Orman Amenajmanında Kavramsal Açılımlar ve Yeni Hedefler Sempozyumu, İstanbul, ss. 194-202.
6. Asan, Ü. (1995). Global iklim değişimi ve Türkiye ormanlarında karbon birikimi. İstanbul Üniversitesi Orman Fakültesi Dergisi, 45(1-2): 23-38.
7. Backéus, S., Wikström, P. and Lämås, T. 2005. A model for regional analysis of carbon sequestration and timber production. Forest Ecology and Management, 216, 28–40.
8. Batu, F. (1995). Uygulamalı istatistik yöntemler, K.T.Ü. Orman Fakültesi, Genel Yayın No:179, Fakülte Yayın No: 22, K.T.Ü. Basımevi, Trabzon.

9. Başkent, E.Z. (2022). Karbon tutulumunun orman amenajman planlarına entegrasyonu. ArtGRID, 4(2), 324-342.
10. Bulut, S. (2023). Machine learning prediction of above-ground biomass in pure calabrian pine (Pinus brutia Ten.) stands of the mediterranean region, Türkiye. Ecological Informatics, 74, 101951.
11. Bulut, S., Sivrikaya, F. ve Günlü, A. (2022). Evaluating statistical and combine method to predict stand above-groundbiomass using remotely sensed data. Arabian Journal of Geosciences, 15(9), 1-14.
12. Clevers, J.G.P.W. (1988). The derivation of a simplified reflectance model for the estimation of leaf area index, Remote Sensing of Environment, 25, 53–70.
13. Crippen, R.E. (1990). Calculating the vegetation ındex faster, Remote Sensing of Environment, 34, 71-73.
14. Çelik, D.A. ve Şahin, A. (2023). Çaltepe orman planlama birimindeki karbon depolamasının zamansal ve konumsal değişimi. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 4(2), 224-233.
15. Deering, D.W., Rouse, J.J.W., Haas, R.H. ve Schell J.S. (1975). Measuring forage production of grazing units hom Landsat MSS data, Proceedings 10th International Symposium Remote Sensing Environment, Environmental Research Institute of Michigan, Ann Arbor, Michigan, pp.1169-1178.
16. Değermenci, A. S. ve Zengin, H. (2016). Ormanlardaki karbon birikiminin konumsal ve zamansal değişiminin incelenmesi: Daday planlama birimi örneği. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 17(2), 177-187.
17. Değermenci, A.S. (2023). Düzce ili karasal karbon kapasitesinin belirlenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 11(1), 99-110.
18. Demirel, D., Günlü, A. ve Sakıcı, O.E. (2023). Estimating above-ground carbon of taurus cedar stands using Sentinel-2 satellite image: a case study of Elmalı forest enterprise. In 3rd International Congress on Engineering and Life Science, Trabzon, pp. 119-128.
19. Dewantoro, B. E. B,. ve Jatmiko, R. H. (2021). Estimation of aboveground carbon stock using SAR Sentinel-1 imagery in samarinda city. International Journal of Remote Sensing and Earth Sciences, 18(1), 103-116.
20. Durkaya, B., Durkaya, A. ve Kocaman, M. (2017). Carbon stock change; Bolu sarıalan forest enterpri-se. Bartın Orman Fakültesi Dergisi, 19(1), 268-275.
21. Gao, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266.
22. Gasparri, N.I., Parmuchi, M.G., Bono, J., Karszenbaum, H. ve Montenegro, C.L. (2010). Assessing multi-temporal Landsat 7 ETM+ images for estimating above-ground biomass in subtropical dry forests of Argentina. Journal of Arid Environments, 74(10), 1262-1270.
23. Goel, N.S., ve Qin, W. (1994). Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: A computer simulation. Remote Sensing Reviews, 10(4), 309-347.
24. Günlü, A. ve Ercanlı, İ. (2020). Artificial neural network models by ALOS PALSAR data for aboveg-round stand carbon predictions of pure beech stands: a case study from northern of Turkey. Ge-ocarto Internatıonal, 35(1), 17–28.
25. Günlü, A., Ercanlı, İ., Şenyurt, M. ve Keleş, S. (2021). Estimation of some stand parameters from textural features from WorldView-2 satellite image using the artificial neural network and multip-le regression methods: a case study from Turkey. Geocarto International, 36(8), 918-935.
26. Günlü, A., Ercanli, I., Başkent, E. Z. ve Çakır, G. (2014). Estimating aboveground biomass using Landsat TM imagery: A case study of Anatolian Crimean pine forests in Turkey. Annals of Forest Research, 289-298.
27. Günlü, A., Keleş, S., Ercanli, İ. ve Şenyurt, M. (2021). Estimation of aboveground stand carbon using Landsat 8 OLI satellite ımage: a case study from Turkey. Spatial Modeling in Forest Resources Management: Rural Livelihood and Sustainable Development, pp. 385-403.
28. Güvercin, İ. ve Günlü, A. (2023). Saf kızılçam (Pinus brutia Ten.) meşcerelerinde aktif ve pasif uydu görüntüleri kullanılarak topraküstü biyokütlenin tahmin edilmesi (Anamur Orman İşletme Şefliği Örneği). Bartın Orman Fakültesi Dergisi, 25(1), 177-191.
29. Hashimotio, T., Kojima, K., Tange, T. ve Sasaki, S. (2000). Changes in carbon storage in fallow fo-rests in the tropical lowlands of Borneo. For Ecol Manage, 126, 331–337.
30. Huete, A.R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295-309.
31. Huete, A.R., Justice, C. ve van Leeuwen W. (1999). MODIS vegetation index (MOD 13) algorithm theoretical basis document (ATBD) Version 3.0, EOS Project Office, NASA Goddard Space Flight Center, Greenbelt, MD2.
32. Huete, A.R., Didan, K., Miura, T., Rodriguez, E.P., Gao, X. and Ferreira, L.G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2), 195-213.
33. Jordan, C.F. (1969). Derivation of leaf area index from quality of light on the forest floor. Ecology, 50, 663–666.
34. Kalıpsız, A. (1984). Dendrometri. İstanbul Üniversitesi Orman Fakültesi Yayınları, İ.Ü. Yayın No: 3194, O.F. Yayın No:354, İstanbul, 407 s.
35. Keleş, S. ve Başkent, E.Z. (2006). Orman ekosistemlerindeki karbon değişiminin orman amenajman planlarına yansıtılması: kavramsal çerçeve ve bir örnek uygulama (1.Bölüm), Orman ve Av Dergisi, 83(2), 36-41.
36. Keleş, S., Günlü, A. ve Ercanli, İ. (2021). Estimating aboveground stand carbon by combining Senti-nel-1 and Sentinel-2satellite data: A case study from Turkey. In P. Kumar Shit, H. R. Pourghasemi, P. P. Adhikary, G. S. Bhunia & V.P. Sati (Eds.), Forest resources resilience and conflicts, pp. 117-126.
37. Kumar, K.K., Nagai, M., Witayangkurn, A., Kritiyutanant, K. ve Nakamura, S. (2016). Above ground biomass assessment from combined optical and SAR remote sensing data in Surat Thani Province, Thailand. Journal of Geographic Information System, 8(04), 506.
38. Lu, D. (2005). Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon Basin. International Journal of Remote Sensing, 26, 2509–2525.
39. Musaoğlu, N. 1999. Elektro-optik ve aktif mikrodalga algılayıcılardan elde edilen uydu verilerinden orman alanlarında meşcere tiplerinin ve yetişme ortamı birimlerinin belirlenme olanakları, Doktora Tezi, İ.T.Ü., Fen Bilimleri Enstitüsü, İstanbul.
40. Muukkonen, P. ve Heiskanen, J. (2007). Biomass estimation over a large area based on standwise Fo-rest inventory data and ASTER and MODIS satellite data: A possibility to verify carbon inventories. Remote Sensing of Environment, 107(4), 617-624.
41. Nuthammachot, N., Askar, A., Stratoulias, D. ve Wicaksono, P. (2022). Combined use of Sentinel-1 and Sentinel-2 data for improving above-ground biomass estimation. Geocarto International, 37(2), 366- 376.
42. Pachauri, R.K., Allen, M. R., Barros, V. R., Broome, J., Cramer, W., Christ, R. ve van Ypserle, J.P. (2014). Climate change 2014: synthesis report. Contribution of working groups I, II and III to the fifth assessment report of the intergovernmental panel on climate change (p. 151). Ipcc.
43. Rosenqvist, A., Shimada, M., Ito, N. ve Watanabe, M. (2007). ALOS PALSAR: a Pathfinder mission for Global-Scale Monitoring of the environment. IEEE Trans. Geosci. Remote Sens., 45, 3307–3316.
44. Rouse, J.W., Hass, R.H., Shell, J.A. ve Deering, D.W. (1974). Monitoring vegetation systems in the great plains with ERTS-l. Proceedings, 3rd Earth Resources Technology Satellite Symposium, 1: 309-317.
45. Sakici, O.E., Seki, M. ve Saglam, F. (2018). Above-ground biomass and carbon stock equations for Crimean pine stands in Kastamonu region of Turkey. Fresenius Environ Bull. 27(10), 7079–7089.
46. Seki, M., Sakıcı, O., Büyükterzi, M. ve Sağlam, F. (2017). Temporal changes in carbon stock of Taşköprü forest enterprise forests. In Proceeding in International Taşköprü Pompeiopolis Science Culture Research Symposium, pp. 10-12.
47. Situmorang, J. P., Sugianto, S. ve Darusman, D. (2016). Estimation of carbon stock stands using EVI and NDVI vegetation ındex in production forest of lembah seulawah sub-district, Aceh Indonesia. Aceh International Journal of Science and Technology, 5(3), 126-139.
48. Sivrikaya, F. ve Demirel, D. (2022). Estimation of aboveground carbon storage based on remote sensing and inventory data: A case study from Türkiye. Journal of Biometry Studies, 2(2), 78-86.
49. Sivrikaya, F. ve Bozali, N. (2012). Karbon depolama kapasitesinin belirlenmesi: Türkoğlu planlama birimi örneği. Bartın Orman Fakültesi Dergisi, 14(1), 69-76.
50. Sivrikaya, F., Keleş, S. ve Çakır, G. (2007). Spatial distribution and temporal change of carbon storage in timber biomass of two different forest management units. Environmental Monitoring and As-sessment,132,429-438. SPSS Institute Inc., (2007). SPSS Base 270 User’s Guide, 770 s.
51. Suman Sinha, S.S., Jeganathan, C., Sharma, L. K., Nathawat, M. S., Das, A. K. ve Shiv Mohan, S.M. (2016). Developing synergy regression models with space-borne ALOS PALSAR and Landsat TM sensors for retrieving tropical forest biomass. J. Earth Syst. Sci., 725–735.
52. Turgut, R. ve Günlü, A. (2022). Estimating aboveground biomass using Landsat 8 OLI satellite image in pure Crimean pine (Pinus nigra JF Arnold subsp. pallasiana (Lamb.) Holmboe) stands: a case from Turkey. Geocarto International, 37(3), 720-734.
53. Varol, T., Durkaya, B. ve Okan, E. 2018. Biyokütle denklemleri ve biyokütle genişletme faktörü (BEF) ile karbon hesabı; Amasra orman işletme şefliği örneği. 4th International Symposium on Environment and Morals, Bosnia and Herzegovina, pp. 63-70.
54. Yolasığmaz, H.A., Çavdar, B., Demirci, U. ve Aydın, İ. 2016. İki farklı yönteme göre karbon birikiminin tahmin edilmesi: Artvin Orman İşletme Şefliği örneği. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 17(1), 43-51.