Farklı Meşçere Tiplerinde Kızılçam (Pinus Brutia) Ormanları İçin Toprak Üstü Biyokütle Karbon Tahmini: Landsat 9 Uydu Verileri ile Makine Öğrenmesi Yaklaşımı

Forest Aboveground Biomass (AGB) is a crucial biophysical variable to observe and evaluate the spatial and temporal changes of forest ecosystems. In order to support sustainable forest management strategies, Aboveground Biomass Carbon (AGBC) estimation should be provided with remote sensing tools consistently and accurately. In this study, Landsat 9 C2L1 satellite data and machine learning algorithms (Artificial Neural Network (ANN), Random Forest (RF), and Support Vector Machine (SVM)) were used to estimate the amount of AGBC stored in the “Pinus brutia” stands of Adana province. Spectral indices (Normalized Difference Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI)) obtained with Landsat 9 satellite data and Forest Canopy Density (FCD) layers were used as independent variable set. In order to increase the prediction accuracy, more than one model was installed and the highest AGBC estimation was obtained through Random Forest Algorithm (0.84 R2). The second highest model estimation was obtained by the Random Forest Algorithm (0.62 R2) using the data set aimed to provide hyperparameter optimization by applying cross-validation. The third highest model performance was obtained by the Support Vector Machine (0.61 R2), in which the data set is evaluated in a radial plane. The results revealed that the model performance of the Random Forest Algorithm, which was established with a data set that was not hyperparameter optimized among other machine learning algorithms, can be used to estimate AGBC with a very significant difference. This study presents a straightforward and efficient way for Forest Inventory Management studies.

Orman Toprak Üstü Biyokütlesi (TÜB) orman ekosistemlerinin konumsal-zamansal değişimini gözlemlemek ve değerlendirmek için önemli biyofiziksel değişkenlerdir. Sürdürülebilir orman yönetim stratejilerini daha iyi destekleyebilmek için uzaktan algılama araçları ile sürekli ve doğru bir şekilde Toprak Üstü Biyokütle Karbon (TÜBK) tahmininin sağlanabilir olması gerekmektedir. Lansat 9 C2L1 uydu verileri ve makine Öğrenmesi Algoritmaları (Yapay Sinir Ağları (YSA), Rassal Orman Algoritması (ROA) ve Destek Vektör Makineları (DVM)) bu çalışmada Adana ili “Pinus brutia” meşçerelerinde tutulan TÜBK miktarının tahmininde kullanılmıştır. Landsat 9 uydu verileri ile elde edilen spektral indisler (Normalize Edilmiş Fark Vejetasyon İndeksi ve İyileştirilmiş Vejetasyon İndeksi) ve Orman Kanopi Yoğunluk altlığı bağımsız değişken kümesi olarak kullanılmıştır. Tahmin doğruluğunu arttırmak için birden fazla model kurulumu gerçekleştirilmiş ve en yüksek TÜBK tahmin Rassal Orman Algoritmaları (0,84 R2) aracılığıyla elde edilmiştir. İkinci en yüksek model tahmini, çapraz doğrulama uygulanarak hiperparametre optimizasyonu sağlaması hedeflenen veri seti kullanılarak Rassal Orman Algoritması (0,62 R2) ile elde edilmiştir. Üçüncü en yüksek model performansı ise veri setinin radyal düzlemde değerlendirildiği Destek Vektör Makineleri (0,61 R2) ile elde edilmiştir. Sonuçlar diğer makine öğrenmesi algoritmaları içerisinden hiperparametre optimizasyonu sağlanmamış veri seti ile kurulan Rassal Orman Algoritması model performansının oldukça önemli bir farkla TÜBK tahmininde kullanılabileceğini ortaya koymuştur. Bu çalışma Orman Envanter Yönetimi çalışmaları için oldukça basit ve etkili bir yöntem aracı sunmaktadır.