Orman içi açıklıklara ait zamansal değişimlerin uzaktan algılama teknikleri ile Google Earth Engine platformunda tespit edilmesi: Trabzon-Düzköy İlçesi örneği

Yıl 2024, , 141 - 155, 29.08.2024

Fatih Kadı , Osman Salih Yılmaz

https://doi.org/10.29128/geomatik.1363873

Öz

Bu çalışmada orman içi açıklıklardaki zamansal değişimlerin uzaktan algılama teknikleriyle Google Earth Engine Platformu’nda tespit edilmesi amaçlanmaktadır. Bu doğrultuda meşcere haritalarından on adet orman içi açıklık alan belirlenmiştir. Bu alanları içine alacak genel bir çalışma alanı belirlenmiş ve Sentinel-2 görüntüleri üzerinden çalışma alanı rastgele orman algoritması ile sınıflandırılarak orman içi açıklıkların güncel durumları elde edilmiştir. Daha sonra ise tespit edilen orman içi açıklıkların Landsat görüntüleri üzerinden normalize edilmiş fark bitki örtüsü indeksi (NDVI) zaman serisi analizleri yapılarak bu açıklıkların vejetasyon değişimi ortaya konulmuştur. Sentinel-2 görüntüleri ile yapılan sınıflandırma çalışmasında orman, orman içi açıklık alanları ve boş alanlar olmak üzere arazi üç sınıfa ayrılmıştır. Yapılan sınıflandırma çalışmasının genel doğruluğu %89.46, Kappa istatistik değeri ise 0.810 hesaplanmıştır. Elde edilen orman içi açıklık alanları meşcere haritasındaki alanlar ile kıyaslandığında on bölge için ortalama %52.56 civarında kapalılık yönünde bir değişim olduğu görülmüştür. NDVI zaman serileri ile yapılan analizler sonucunda orman içi açıklık alanlardaki vejetasyonun genel olarak arttığı ve dolayısıyla alanların kapanma eğiliminde oldukları görülmüştür.

Anahtar Kelimeler

Meşcere tipi, Orman içi açıklık, NDVI, Rastgele orman algoritması, Google Earth Engine

Kaynakça

• Abebe, G. A. (2013). Quantifying urban growth pattern in developing countries using remote sensing and spatial metrics: A case study in Kampala, Uganda [Master's thesis, University of Twente].
• Ahady, A. B., & Kaplan, G. (2022). Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1), 24-31. https://doi.org/10.26833/ijeg.860077
• Akar, Ö., Güngör, O., (2013). Eş dizimlilik matrisi ve rastgele orman sınıflandırıcısı ile çay ve fındık alanlarının sınıflandırılması. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB’2013), 23-25 Mayıs 2013, KTÜ, Trabzon.
• Akyol, A., Serhat, O., & Türkoğlu, T. (2018). Orman amenajman planlarının hazırlanması ve uygulanması sürecinde karşılaşılan sorunlar: İzmir Orman Bölge Müdürlüğü örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22, 460–469.
• Anand, A., Pandey, P. C., Petropoulos, G. P., Pavlides, A., Srivastava, P. K., Sharma, J. K., & Malhi, R. K. M. (2020). Use of hyperion for mangrove forest carbon stock assessment in Bhitarkanika forest reserve: A contribution towards blue carbon initiative. Remote Sensing, 12(4), 597. https://doi.org/10.3390/rs12040597
• Apaydin, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114. https://doi.org/10.29128/geomatik.705988
• Ateş, A. M. (2022). Unlocking the floating photovoltaic potential of Türkiye's hydroelectric power plants. Renewable Energy, 199, 1495-1509. https://doi.org/10.1016/j.renene.2022.09.096
• Baines, O., Wilkes, P., & Disney, M. (2020). Quantifying urban forest structure with open-access remote sensing data sets. Urban Forestry & Urban Greening, 50, 126653. https://doi.org/10.1016/j.ufug.2020.126653
• Başkent, E. Z., & Kadıoğulları, A. I. (2007). Spatial and temporal dynamics of land use pattern in Turkey: A case study in İnegöl. Landscape and Urban Planning, 81(4), 316-327. https://doi.org/10.1016/j.landurbplan.2007.01.007
• Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
• Bozali, N., Sivrikaya, F., & Akay, A. E. (2015). Use of spatial pattern analysis to assess forest cover changes in the Mediterranean region of Turkey. Journal of Forest Research, 20(4), 365-374. https://doi.org/10.1007/s10310-015-0493-2
• Breiman, L. (2001). Random forests. Machine learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
• Celik, D. A., & Kadıoğulları, A. İ. (2022). Orman Amenajman Planlarına Göre Operasyonel Planlama Model Tasarımı. Icontech International JournaL, 6(4), 43-54. https://doi.org/10.5281/zenodo.7489838
• Chaitanya, T. P., Singh, U. K., & Agarwal, S. (2021). Forest fire monitoring of wildlife sanctuary using geospatial techniques. Indian Journal of Ecology, 48(3), 681-685.
• Chen, S., Woodcock, C. E., Bullock, E. L., Arévalo, P., Torchinava, P., Peng, S., & Olofsson, P. (2021). Monitoring temperate forest degradation on Google Earth Engine using Landsat time series analysis. Remote Sensing of Environment, 265, 112648. https://doi.org/10.1016/j.rse.2021.112648
• Chen, W., Shahabi, H., Shirzadi, A., Li, T., Guo, C., Hong, H., Li, W., Pan, D., Hui, J., & Ma, M. (2018). A novel ensemble approach of bivariate statistical-based logistic model tree classifier for landslide susceptibility assessment. Geocarto International, 33(12), 1398–1420. https://doi.org/10.1080/10106049.2018.1425738
• Cipta, I. M., Sobarman, F. A., Sanjaya, H., & Darminto, M. R. (2021). Analysis of mangrove forest change from multi-temporal Landsat imagery using Google Earth Engine application:(case study: Belitung Archipelago 1990-2020). In 2021 IEEE Asia-Pacific Conference on Geoscience, Electronics and Remote Sensing Technology (AGERS), 90-95. https://doi.org/10.1109/AGERS53903.2021.9617354
• Çoban, H. O., & Gündoğdu, Ş. (2020). Orman alanlarındaki değişimlerin CBS tabanlı belirlenmesi: Çamsu Orman İşletme Şefliği örneği. Turkish Journal of Forestry, 21(1), 60–69. https://doi.org/10.18182/tjf.693465
• Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37-46. https://doi.org/10.1177/001316446002000104
• Desai, G., & Gaikwad, A. (2022). Automatic land cover classification with SAR imagery and Machine learning using Google Earth Engine. International Journal of Electrical and Computer Engineering Systems, 13(10), 909-916. https://doi.org/10.32985/ijeces.13.10.6
• Eraslan, İ. (1982). Orman Amenajmanı. İstanbul Üniversitesi Orman Fakültesi Yayınları. No:3010.
• Feizizadeh, B., Omarzadeh, D., Kazemi Garajeh, M., Lakes, T., & Blaschke, T. (2023). Machine learning data-driven approaches for land use/cover mapping and trend analysis using Google Earth Engine. Journal of Environmental Planning and Management, 66(3), 665-697. https://doi.org/10.1080/09640568.2021.2001317
• Gautam, A. P., Webb, E. L., Shivakoti, G. P., & Zoebisch, M. A. (2003). Land use dynamics and landscape change pattern in a mountain watershed in Nepal. Agriculture, Ecosystems & Environment, 99(1-3), 83-96. https://doi.org/10.1016/S0167-8809(03)00148-8
• Ghimire, B., Rogan, J., & Miller, J. (2010). Contextual land-cover classification: incorporating spatial dependence in land-cover classification models using random forests and the Getis statistic. Remote Sensing Letters, 1(1), 45-54. https://doi.org/10.1080/01431160903252327
• Ghosh, S. M., Behera, M. D., & Paramanik, S. (2020). Canopy height estimation using sentinel series images through machine learning models in a mangrove forest. Remote Sensing, 12(9), 1519. https://doi.org/10.3390/rs12091519
• Güner, A., Karabacak, E., Çıngay, B., Güneş, F., Eker, İ., Öztekin, M., ... & Körüklü, T. (2014). Resimli Türkiye Florasi. vol. 1. Istanbul: Ali Nihat Gökyigit Vakfi, Flora Arastirmalari Dernegi and Türkiye İş Bankasi Kültür Yayini.
• Güvel, Ş. P., Akgül, M. A., & Akkoyunlu, M. F. (2023). Monitoring and Evaluation of 2015 Devrek Zonguldak Landslide within the scope of Flood Risk Assessment by Landsat-8 Satellite Data. Doğal Afetler ve Çevre Dergisi, 9(1), 81-89. https://doi.org/10.21324/dacd.1152670
• Jin, Y., Liu, X., Chen, Y., & Liang, X. (2018). Land-cover mapping using Random Forest classification and incorporating NDVI time-series and texture: A case study of central Shandong. International journal of Remote Sensing, 39(23), 8703-8723. https://doi.org/10.1080/01431161.2018.1490976
• Kadıoğulları, A. İ. (2013). Assessing implications of land use and land cover changes in forest ecosystems of NE Turkey. Environmental Monitoring and Assessment, 185, 2095-2106. https://doi.org/10.1007/s10661-012-2691-0
• Kadıoğulları, A., & Başkent, E. (2009). Orman kaynaklarının konumsal ve zamansal değişiminin coğrafi bilgi sistemleri ve uzaktan algılama teknikleri ile irdelenmesi: İnayet ve Yenice örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(3), 378–390.
• Kaplan, G., Milevski, I., & Valjarević, A. (2022). National Land Cover Mapping Using Various Remote Sensing Datasets In Gee. Carpathian Journal of Earth and Environmental Sciences, 17(2), 297-306. https://doi.org 10.26471/cjees/2022/017/223
• Kaptan, S. & Durkaya, A. (2019). Analysing temporal and spatial changes in land cover: the case of Drahna Forest Subdistrict Directorate. Kastamonu University Journal of Forestry Faculty, 19 (1), 47-56. https://doi.org/10.17475/kastorman.543428
• Kaptan, S. (2021). Arazi örtüsü ile meşcere gelişim çağı ve kapalılığı kategorilerindeki zamansal değişimlerin incelenmesi: Karabiga Orman İşletme Şefliği örneği. Turkish Journal of Forestry, 22(2), 97–104. https://doi.org/10.18182/tjf.903733
• Karabulut, M., Küçükönder, M., Gürbüz, M., & Sandal, E. K. (2006). Kahramanmaraş şehri ve çevresinin zamansal değişiminin uzaktan algılama ve CBS kullanılarak incelenmesi. Coğrafi Bilgi Sistemleri Bilişim Günleri, 13(16), 1–8.
• Küçükoğul, S. (2017). Kırsal Yerleşmelerde Tasarım Rehberi Süreç ve Değerlendirmeler: Bursa Örneği. [Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi].
• Labrière, N., Davies, S. J., Disney, M. I., Duncanson, L. I., Herold, M., Lewis, S. L., Phillips, O. L., Quegan, S., Saatchi, S. S., Schepaschenko, D. G., Scipal, K., Sist, P., & Chave, J. (2023). Toward a forest biomass reference measurement system for remote sensing applications. Global Change Biology, 29(3), 827-840. https://doi.org/10.1111/gcb.16497
• Lambin, E. F., Geist, H. J., & Lepers, E. (2003). Dynamics of land-use and land-cover change in tropical regions. Annual Review of Environment and Resources, 28, 205–241. https://doi.org/10.1146/annurev.energy.28.050302.105459
• Li, H., Jia, M., Zhang, R., Ren, Y., & Wen, X. (2019). Incorporating the plant phenological trajectory into mangrove species mapping with dense time series Sentinel-2 imagery and the Google Earth Engine platform. Remote Sensing, 11(21), 2479. https://doi.org/10.3390/rs11212479
• Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12), 2365–2401. https://doi.org/10.1080/0143116031000139863
• Oliphant, A. J., Thenkabail, P. S., Teluguntla, P., Xiong, J., Gumma, M. K., Congalton, R. G., & Yadav, K. (2019). Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud. International Journal of Applied Earth Observation and Geoinformation, 81, 110-124. https://doi.org/10.1016/j.jag.2018.11.014
• Özsoy, G. (2007). Uzaktan algılama (UA) ve coğrafi bilgi sistemi (CBS) teknikleri kullanılarak erozyon riskinin belirlenmesi. [Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi].
• Parida, B. R., & Kumar, P. (2020). Mapping and dynamic analysis of mangrove forest during 2009–2019 using landsat–5 and sentinel–2 satellite data along Odisha Coast. Tropical Ecology, 61(4), 538–549. https://doi.org/10.1007/s42965-020-00112-7
• Reis S., Taşdemir K., (2010). Fındık Alanlarının Kendini Örgütleyen Eşlemlerle (Self Organizing Maps) Belirlenmesi, III. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, 11 – 13 Ekim 2010, Gebze – Kocaeli.
• Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ, 351(1), 309.
• Sauti, R., & Karahalil, U. (2022). Investigating the spatiotemporal changes of land use/land cover and its implications for ecosystem services between 1972 and 2015 in Yuvacık. Environmental Monitoring and Assessment, 194(4), 311. https://doi.org/10.1007/s10661-022-09912-x
• Sener, M., Altintas, B., & Kurc, H. C. (2013). Planning and controlling of hazelnut production areas with the remote sensing techniques. Kahramanmaraş Sütçü İmam Üniversitesi Doğa Bilimleri Dergisi, 16(1), 16-23.
• Şirvan, B., & Akın Tanrıöver, A. (2023). Bursa Kentinin 1979-2021 Yılları Arasında Kentsel Açık Yeşil Alan Değişiminin İrdelenmesi. Ağaç ve Orman, 3(2), 14-22.
• Sönmez, T., Gencal, B., Taş, İ., & Kadıoğulları, A. İ. (2022). Orman Ekosistemindeki Zamansal Değişimin Orman Amenajman Planları ve Coğrafi Bilgi Sistemleri Yardımıyla İncelenmesi: Bursa Orman İşletme Müdürlüğü Örneği. Bartın Orman Fakültesi Dergisi, 24(3), 618-636. https://doi.org/10.24011/barofd.1148842
• Ünal, E., Aydoğdu, M., Ceylan, N., Sezer, A., Özenç, N., & Duyar, Ö. (2010). Giresun İlinde Fındık Alanlarının Uzaktan Algılama ile Tespit Edilmesinde Arazi Topografyasının Etkisinin İncelenmesi ve Alternatif Tarım Ürünlerine Uygunluğunun Belirlenmesi. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 19(1-2), 1-10.
• Ustuner, M., Sanli, F. B., Abdikan, S., Esetlili, M. T., & Kurucu, Y. (2014). Crop type classification using vegetation indices of rapideye imagery. The İnternational Archives of the Photogrammetry, Remote Sensing and Spatial İnformation Sciences, 40(7), 195-198. https://doi.org/10.5194/isprsarchives-XL-7-195-2014
• Uzun, A., & Somuncu, M. (2013). Madra Dağı ve çevresinin arazi örtüsü/kullanımındaki zamansal değişimin uzaktan algılama yöntemi ile değerlendirilmesi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 16(30), 1-21
• Vatandaşlar, C., & Zeybek, M. (2021). Extraction of forest inventory parameters using handheld mobile laser scanning: A case study from Trabzon, Turkey. Measurement, 177, 109328. https://doi.org/10.1016/j.measurement.2021.109328
• Wahap, N. A., & Shafri, H. Z. M. (2020). Utilization of Google earth engine (GEE) for land cover monitoring over Klang Valley, Malaysia. IOP Conference Series: Earth and Environmental Science, 540(1), 12003. https://doi.org/10.1088/1755-1315/540/1/012003
• Wang, Y., Bonynge, G., Nugranad, J., Traber, M., Ngusaru, A., Tobey, J., Hale, L., Bowen, R., & Makota, V. (2003). Remote sensing of Mangrove change along the Tanzania coast. Marine Geodesy, 26(1–2), 35–48. https://doi.org/10.1080/01490410306708
• Xie, H., He, Y., Choi, Y., Chen, Q., & Cheng, H. (2020). Warning of negative effects of land-use changes on ecological security based on GIS. Science of the Total Environment, 704, 135427. https://doi.org/10.1016/j.scitotenv.2019.135427
• Yılmaz, O. S. (2021). Uzaktan Algılama ve Coğrafi Bilgi sistemleri Yardımıyla Yüzen Fotovoltaik Güç Santarallerinin Değerlendirilmesi: Demirköprü Barajı Örneği. [Doktora Tezi, Yıldız Teknik Üniversitesi].
• Yilmaz, O. S., Acar, U., Sanli, F. B., Gulgen, F., & Ates, A. M. (2023a). Mapping burn severity and monitoring CO content in Türkiye’s 2021 Wildfires, using Sentinel-2 and Sentinel-5P satellite data on the GEE platform. Earth Science Informatics, 16(1), 221–240. https://doi.org/10.1007/s12145-023-00933-9
• Yılmaz, O. S., Gülgen, F., & Ateş, A. M. (2022). Determination of the appropriate zone on dam surface for Floating Photovoltaic System Installation using RS and GISc technologies. International Journal of Engineering and Geosciences, 8(1), 63–75. https://doi.org/10.26833/ijeg.1052556
• Yilmaz, O. S., Gulgen, F., Balik Sanli, F., & Ates, A. M. (2023b). The Performance Analysis of Different Water Indices and Algorithms Using Sentinel-2 and Landsat-8 Images in Determining Water Surface: Demirkopru Dam Case Study. Arabian Journal for Science and Engineering, 48, 7883-7903. https://doi.org/10.1007/s13369-022-07583-x
• Yilmaz, O. S., Gülgen, F., Güngör, R., & Kadı, F. (2018). Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Teknikleri ile Arazi Kullanım Değişiminin İncelenmesi, Köprübaşı İlçesi Örneği. Geomatik, 3(3), 233-241. https://doi.org/10.29128/geomatik.410987
• Zengin, H., Özdemir, H. Y., & Değermenci, A. S. (2018). Determination of temporal changes in land uses in Hasanlar Dam basin. Journal of the Faculty of Forestry Istanbul University, 68(1), 53-60. https://doi.org/10.17099/jffiu.292036
• Zhang, M., Gong, P., Qi, S., Liu, C., & Xiong, T. (2019). Mapping bamboo with regional phenological characteristics derived from dense Landsat time series using Google Earth Engine. International Journal of Remote Sensing, 40(24), 9541–9555. https://doi.org/10.1080/01431161.2019.1633702
• Zheng, G., Chen, J. M., Tian, Q. J., Ju, W. M., & Xia, X. Q. (2007). Combining remote sensing imagery and forest age inventory for biomass mapping. Journal of Environmental Management, 85(3), 616–623. https://doi.org/10.1016/j.jenvman.2006.07.015