Hava Tabanlı LiDAR ile Tepe Altı Yüksekliğinin Tahmininde Makine Öğrenmesi Tabanlı Bir Yaklaşım

Forest ecosystems are critically important for carbon sequestration, biodiversity, and other ecosystem services. In this context, accurate and up-to-date measurements of forest structural parameters are essential for sustainable forestry and ecosystem management. Canopy Base Height (CBH) is a key parameter for characterizing the vertical structure of forests and plays a significant role in biomass and log quality models as well as forest fire simulation models. However, conventional field measurements are time-consuming and often impractical in areas with difficult access. In this study, a CBH prediction model was developed for pure maritime pine (Pinus pinaster) stands using airborne LiDAR data and the XGBoost machine learning algorithm. Field measurements were conducted in 32 sample plots, and CBH values were calculated for these plots. 56 elevation and point cloud metrics were extracted from aerial LiDAR data, and highly correlated variables were removed. The remaining 23 metrics were used for modeling. Hyperparameter optimization for the XGBoost model was performed using Grid Search, with the best performance achieved using nrounds=50, max_depth=3, and eta=0.3. The model’s generalization performance was evaluated via LOOCV, demonstrating high accuracy (R²=0.80; RMSE=0.28 m; MAE=0.21 m), and predictions showed strong agreement with observed CBH values. Variable importance analysis revealed that the elev_skewness, elev_max, and elev_AIH_30th metrics had significant effects on CBH. These results indicate that the XGBoost algorithm is a reliable and effective method for predicting CBH based on LiDAR data.

Orman ekosistemleri, karbon tutma, biyolojik çeşitlilik ve diğer ekosistem hizmetleri açısından kritik öneme sahiptir. Bu bağlamda, orman yapısal parametrelerinin doğru ve güncel ölçümü, sürdürülebilir ormancılık ve ekosistem yönetimi için gereklidir. Tepe altı yüksekliği (TAY), ormanların dikey yapısını tanımlamada temel bir parametre olup, biyokütle ve tomruk kalitesi modelleri ile orman yangını simülasyon modellerinde önemli bir rol oynar. Ancak klasik arazi ölçümleri zaman alıcı ve erişimi güç alanlarda uygulanabilirlik açısından sınırlıdır. Bu çalışmada, saf sahil çamı (Pinus pinaster) meşcerelerinde Hava tabanlı LiDAR verileri ve makine öğrenmesi algoritmalarından XGBoost kullanılarak TAY tahmin modeli geliştirilmiştir. 32 örnek alanda arazi ölçümleri gerçekleştirilmiş ve örnek alanlara ait TAY değerleri hesaplanmıştır. Hava tabanlı LiDAR verilerinden 56 yükseklik ve nokta bulutu metrikleri türetilmiş, yüksek korelasyonlu değişkenler elenerek 23 metrik modelde kullanılmıştır. XGBoost modeli için hiperparametre optimizasyonu Grid Search yöntemiyle yapılmış ve en iyi performans nrounds=50, max_depth=3 ve eta=0,3 parametreleri ile elde edilmiştir. Modelin genelleme performansı LOOCV ile değerlendirildiğinde yüksek doğruluk sağlanmış (R²=0,80; RMSE=0,28 m; MAE=0,21 m) ve tahminler gözlenen TAY değerleri ile güçlü uyum göstermiştir. Değişken önem analizi, elev_skewness, elev_max ve elev_AIH_30th metriklerinin TAY üzerinde önemli bir etkiye sahip olduğunu ortaya koymuştur. Sonuçlar, XGBoost algoritmasının LiDAR verilerine dayalı TAY tahmininde güvenilir ve etkin bir yöntem olduğunu göstermektedir.